模糊神经网络在船舶电力推进系统状态评估中的应用

梁树甜，郝春学，王孟莲

1 武汉船用电力推进装置研究所，湖北武汉430064

2 中国船舶重工集团公司（青岛）机电装备有限公司，山东青岛266555

0 引 言

随着电力半导体技术、交流调速理论以及微机控制技术的迅速发展，船舶电力推进系统在机动性、可靠性、运行效率、推进功率等方面都取得了突破性的进展。其应用范围不断扩大，除应用于破冰船、挖泥船等工程船以外，还广泛应用于游轮、油轮、集装箱船、散货船等大中型客、货船舶，显示出广阔的市场前景［1］。电力推进以其诸多的优越性已成为船舶推进方式的发展方向。由于船舶电力推进系统的组成设备多、结构复杂，且运行中各设备相互关联，其安全状态是一个整体，所以要保证船舶电力推进系统工作的持续性和可靠性，需要从宏观上对电力推进系统设备的运行安全进行整体的状态评估（Condition Assessment，CA），及时发现和排除故障，减少维修工作量，实现电力推进设备的状态维修和自动化控制［2］。

基于知识的智能评估方法是将人工智能理论和方法应用于状态评估，其不需要建立评估对象的精确数学模型，只需引入状态信息，就能进行准确评估，因而比较适合实际工程应用，具有很好的应用前景，是状态评估技术的研究热点。例如：倪丽等［3］应用模糊综合评判理论进行电力变压器的状态评估，获得了评估结果，但由于模糊综合评判理论没有学习能力，且模糊关系矩阵建立困难，导致评估结果的准确性不高；向木生等［4］应用BP 神经网络对桥梁的技术状态等级进行了状态评估，但由于神经网络的训练需经过几千次迭代才能完成，速度较慢，因而影响了状态评估的实时性。鉴此，本文拟采用模糊理论（Fuzzy Theory，FT）和人工神经网络（Artificial Neural Network，ANN）相结合的模糊神经网络（Fuzzy Neural Network，FNN）方法进行船舶电力推进系统的状态评估。

1 模糊神经网络方法概述

基于知识的智能评估方法主要包括人工神经网络和模糊理论，各有特点［5］。模糊神经网络能将模糊理论与人工神经网络适当地结合起来，组成比单独的模糊系统或单独的神经网络系统性能更好的系统。模糊神经网络适合表达模糊或定性的知识，推理方式类似于人的思维模式，能够处理不确定性、非线性和其他不确定问题，并具有并行计算、分布式信息存储、容错能力强以及具备自适应学习功能等优点。目前，模糊神经网络已在复杂系统中得到广泛应用，具有较好的精度和效率。

1.1 模糊综合评判

模糊综合评判法（Fuzzy Comprehensive Evalu⁃ation，FCE）［6］是目前常用的基于模糊理论的状态评估方法。对一个对象进行状态评估，设有m 个评判级别，n 个评判指标，以此建立2个论域V，U ：

式中：V 为评判集；U 为评判指标集（也称为因素集）；v1，v2，…，vm为m 个评判级别；u1，u2，…，un为n 个评判指标（也称为因素）。

模糊综合评判的关键在于找出因素集U 与评判集V 之间的模糊关系矩阵R。根据被评判事物的某一因素ui（i=1～n）求出其相对于各评价等级的隶属度rij（j=1～m），记Ri=[ri1，ri2，…，rim]。当完成每个因素的单因素评价后，便可得到n 个因素的单因素评价矩阵

得到模糊关系矩阵R 后，对于因素集U 的模糊子集A={a1，a2，…，an}，通过运算A·R，就可以得到评判集V 的一个模糊子集B，从而得出评判结果。这里，模糊子集A 表示的是因素集U 各因素在评判集中所起作用的大小，即权重，所以也称因素权重集。若运算结果B={b1，b2，…，bm}，当bj= max｛bi｝时，bj相对应的等级即为模糊综合评判应判定的结果，即状态评估的结果。

1.2 模糊神经网络

结合人工神经网络方法之后，上述模糊综合评判的状态评估过程可以表示为如图1 所示的神经网络过程。图中，设从对象得到的归一化后的状态评估指标为｛g1，g2，…，gn｝。神经网络分为3层：输入层n 个神经元接收n 个输入信号g1，g2，…，gn；隐含层也有n 个神经元，是根据输入信号计算的因素集U 的一个模糊子集{a1，a2，…，an}；输出层有m 个神经元，输出评价集V 的一个模糊子集{b1，b2，…，bm}。网络中，输入层只接收和传输输入信号，无计算功能，隐含层和输出层则根据适当的算子对变量进行处理，属于计算单元。通过观察可以发现，隐含层与输出层之间连线的权值与模糊关系矩阵R 的各元素一一对应，故可用模糊关系矩阵R 的各元素初始化神经网络的权值，以此克服神经网络初始权值设置任意性强、网络收敛速度慢、有可能陷入局部极小困境等缺点。

图1 模糊神经网络的结构Fig.1 The structure of FNN

图1 所示为模糊神经网络的典型应用方式之一。模糊理论和神经网络有多种结合方式［7］，其中包括：以模糊算子代替神经网络中神经元的传递函数、采用模糊变量作为神经网络的输入信号、采用模糊参数作为神经网络的权值。上面介绍的模糊神经网络属于采用模糊参数作为神经网络权值的结合方式。

2 船舶电力推进系统状态评估流程

船舶综合电力推进系统按功能可划分为供电系统、推进系统和监控系统3 个分系统。其中：供电系统包括发电机组和配电板；推进系统包括推进变压器、推进变频器、推进电动机、轴系及螺旋桨；监控系统包括机舱监控系统、推进操控系统和功率管理系统。本文主要研究推进系统的状态评估。

状态评估系统要提高评估准确率、发挥其应有的作用，基本前提是必须得到大量信息。应选取哪些参数作为状态评估的指标，对于具体的设备要进行具体分析。为此，采用专家统计法建立了船舶电力推进系统的状态评估指标体系，如图2 所示。

图2 船舶电力推进系统状态评估指标体系Fig.2 The condition assessment index system of marine electric propulsion system

根据船舶电力推进系统的状态评估指标体系，结合模糊神经网络方法，构造船舶电力推进系统状态评估流程，如图3 所示［8］。

图中，电力推进系统的状态评估分为推进变压器状态评估、推进变频器状态评估、推进电动机状态评估、其他设备状态评估和外环境状态评估5 个部分，分别进行状态评估，然后根据各部分对整个系统的权重对系统进行综合评估，得出评分结果。评估结果采取百分制，为0～100 分。0 分表示状态评估指标接近或超过规定的注意值；100分则表示所有状态评估指标均远离注意值或与优质产品的出厂值相近，即电力推进完全处于正常状态，无需维护；其他情形的状态评分介于0 分与100 分之间。根据评估分数，把电力推进系统的运行状态分为优、良、中、差、劣5 个类别［9］，各运行状态的分数及维修策略见表1。

图3 船舶电力推进系统状态评估流程Fig.3 The condition assessment flow chart of marine electric propulsion system

表1 电力推进系统运行状态分类Tab.1 The running state classification of electric propulsion system

3 基于模糊神经网络的状态评估模型

3.1 船舶电力推进系统状态评估模型

船舶电力推进系统状态评估流程将电力推进系统的状态评估分为5 个部分，所以为每个部分建立一个模糊神经网络的状态评估子网络，将各子网络的评估结果乘以权值并求和，即可得到系统的状态评估结果。由此设计的船舶电力推进系统状态评估模糊神经网络模型如图4 所示。

图中，N1～N5 为5 个模糊神经网络，称为整个模糊神经网络状态评估系统的子网络，表示电力推进系统状态评估的5 个部分：推进变压器、推进变频器、推进电动机、其他设备和外环境。其中每个子网络由于评估设备的不同，输入节点和输出节点也不同。网络模型的第2 层根据第1 层判定的设备所处的状态求出设备的状态评估分grade1～grade5，第3 层根据grade1～grade5 和各设备的权重求出电力推进系统状态评估的最终评分grade。

图4 船舶电力推进系统状态评估模糊神经网络模型Fig.4 The condition assessment FNN model of marine electric propulsion system

3.2 状态评估的步骤

针对某个模糊神经网络子网络，状态评估的步骤如图5 所示。

图5 模糊神经网络状态评估的步骤Fig.5 The condition assessment steps of FNN

1）确定评判集V 、因素集U 。

评判集和因素集的内容要根据具体的评估对象而定，一般格式为V={f1，f2，…，fp，l1，l2，…，lq}，U={g1，g2，…，gn} 。其中：评判集中的f1，f2，…，fp表示对象的p 种故障，l1，l2，…，lq表示对象的q种正常模式；因素集中的g1，g2，…，gn表示输入的n 个状态评估指标。

2）确定隶属函数。

只有确定了隶属函数，才能建立模糊关系矩阵R。隶属函数有专家打分法、模糊统计法、指派法等多种确定方法。

3）建立模糊关系矩阵R 并初始化神经网络。

4）样本归一化。

样本的归一化是指将训练样本中所有的数据参数采用极差标准化方法予以标准化，标准化后的数据值在[0，1] 之间，归一化样本能提高精确度，减少计算误差，简化数据运算，加快训练模型的收敛速度。归一化公式如下：

式中：x(i)为样本中待归一的值；max x(i)，min x(i)分别为该样本中的极大和极小值。

5）训练神经网络。

用归一化后的训练样本对神经网络进行训练。MATLAB 仿真软件提供有Neural Network Toolbox（神经网络工具箱），工具箱中包括各种神经网络的计算函数［10-11］，其中train（）函数是神经网络的训练函数，此函数可设置训练误差和训练次数，调用方便。

6）状态评估。

将评估数据输入到训练好的模糊神经网络中进行状态评估，最后得到评估结果。

4 仿真试验

本研究以某实船应用的电力推进系统为例进行状态评估仿真试验。由图3 可知，船舶电力推进系统状态评估分为5 个部分，首先进行推进变压器的状态评估。该电力推进系统推进变压器的参数为：额定功率1 450 kVA，初级电压660 V，次级电压690 V，绝缘等级F 级，额定电流1 220 A。

选取因素集U={g1，g2，g3，g4}= {绕组温度，温度变化值，输出电流，输出电压}，评判集V={f1，f2，f3，f4，l1，l2}={绕组过热，温度上升过快，过流，过压，正常1，正常2}。其中，“正常1”表示系统以额定功率的一半运行，“正常2”表示系统满功率运行。

采用指派法的半梯分布函数并结合专家建议确定隶属函数，绕组温度属于“绕组过热”的隶属函数为

绕组温度属于“温度上升过快”、“过流”、“过压”无隶属关系，即r12=r13=r14=0。

绕组温度属于“正常1”、“正常2”的隶属函数分别为：

同理，可以得到其他隶属函数。取U={110，0，800，690}，得到模糊关系矩阵

用R 初始化模糊神经网络，并用如表2 所示的训练样本归一化后进行神经网络的训练，得到如图6（a）所示的训练曲线。

图6（b）所示为没有经过初始化的普通人工神经网络的训练曲线，可见模糊神经网络与普通神经网络相比其训练速度提高了约6 倍，且收敛性较好。

为测试模糊神经网络的准确性，将表3 所示的测试样本输入到训练完成的模糊神经网络，得到模糊关系矩阵

表2 训练样本Tab.2 Training samples

图6 训练曲线Fig.6 Training curves

表3 测试样本Tab.3 Test samples

可见，模糊神经网络的准确性较高。

把某一时刻的输入值U={101.5，0.01，837.1，690.6}输入到推进变压器状态评估的模糊神经网络，计算结果为V={0.000 1，0.049 2，0，0，0.999 5，0.000 1}，可判断此时推进变压器为“正常1”状态，进行相关计算，得到状态评估分为grade1=98.5。

电力推进系统其他设备状态评估的模糊神经网络与推进变压器原理相同，此处不再赘述。求出其他设备的状态评估分后，根据各设备对总评分的权重，可得到系统状态评估的总评分为

上式中，各权重经专家统计法取为［12］

5 结 语

本文对船舶电力推进系统的状态评估方法进行了研究，将模糊神经网络状态评估技术引入到船舶电力推进系统的状态评估中，提出了船舶电力推进系统状态评估流程、基于模糊神经网络的船舶电力推进系统状态评估模型和具体的评估步骤。通过仿真试验，表明与普通人工神经网络相比，模糊神经网络具有较快的收敛速度和较好的收敛性，其在船舶电力推进系统状态评估中具有较高的准确性和实用价值。

［1］韩辉. 变压器状态评估系统的研究与实现［D］. 保定：华北电力大学，2009.

［2］王丽丽，戴迪，王成江，等.电力变压器状态评估方法综述［J］.电气开关，2010，48（2）：4-6.WANG Lili，DAI Di，WANG Chengjiang，et al. Sum⁃mary of state estimate method of a power transformer［J］.Electric Switchgear，2010，48（2）：4-6.

［3］倪丽，宋士贤，卢成光，等. 电力变压器的实时状态评估［J］.电气技术，2012（10）：13-16.NI Li，SONG Shixian，LU Chengguang，et al. Re⁃al-time condition assessment for power transformer［J］.Electrical Engineering，2012（10）：13-16.

［4］向木生，陈健，刘瑞. 基于BP 神经网络的桥梁技术状态评估［J］.交通科技，2011（5）：41-44.XIANG Musheng，CHEN Jian，LIU Rui. Assessment of the bridge technical state based on the BP neural net⁃work［J］. Transportation Science ＆ Technology，2011（5）：41-44.

［5］王美刚. 基于模糊理论的电力变压器状态评估［D］.保定：华北电力大学，2007.

［6］谢季坚，刘承平.模糊数学方法及其应用［M］.3 版.武汉：华中理工大学出版社，2000.

［7］周东华，叶银忠. 现代故障诊断与容错控制［M］. 北京：清华大学出版社，2000.

［8］HAN Y，SONG Y H. Condition monitoring techniques for electrical equipment ——A literature survey［J］.IEEE Transactions on Power Delivery，2003，18（1）：4-13.

［9］陶国慧. 基于模糊综合评判的引风机状态维修的研究［D］.武汉：华中科技大学，2005.

［10］丛爽. 面向MATLAB 工具箱的神经网络理论与应用［M］.合肥：中国科学技术大学出版社，2003.

［11］ZHANG Y，DING X，LIU Y，et al. An artificial neu⁃ral network approach to transformer fault diagnosis［J］. IEEE Transactions on Power Delivery，1996，11（4）：1836-1841.

［12］王孟莲，马丹，沈枫，等.舰船电力推进系统故障诊断技术研究［J］.船电技术，2010，30（12）：1-4.WANG Menglian，MA Dan，SHEN Feng，et al. Re⁃search of fault diagnose technology to a ship's electric propulsion system［J］. Marine Electric ＆ Electronic Technology，2010，30（12）：1-4.