基于案例推理的轴系故障智能诊断方法研究.pdf
《基于案例推理的轴系故障智能诊断方法研究.pdf》由会员分享,可在线阅读,更多相关《基于案例推理的轴系故障智能诊断方法研究.pdf(6页珍藏版)》请在咨信网上搜索。
1、总第348期1引言轴系主要由中间轴、艉轴、螺旋桨轴、调整环和连接件(螺栓,螺母)等组成,是船舶动力装置的重要组成部分之一,主要任务是连接主机(机组)与推进器,将主机发出的功率传递给推进器,同时又将推进器所产生的推力传给船体,以推动船舶运动1。因此对于轴系的故障排查关系到船舶在海上的航行安全和可靠性。对于轴系的故障诊断,胡贤明等通过以轴系故障特征信息知识的识取为基础进行诊断2;张涵等提出基于压缩感知和 VMD的轴系故障分析3;陈凯提出基于变分模态分解的轴系故障诊断方法4;陈小卫等提出利用粗糙集进行轴系的故障诊断5;汪明等提出基于小波包Shannon 熵与 GA-SVM 的船舶轴系故障诊断方法6;
2、周叶等提出基于向量机的轴系故障诊断7。上述诊断理论主要依据轴系本身固有状态参数的检测数据。虽然此类方法具有故障诊断精度收稿日期:2022年12月8日,修回日期:2023年1月11日作者简介:张荣国,男,硕士研究生,研究方向:舰船动力装置总体设计。基于案例推理的轴系故障智能诊断方法研究张荣国刘金林房诗雨古铮(海军工程大学动力工程学院武汉430033)摘要针对船舶远海航行时,现有轴系故障诊断技术不完善不适用问题,提出将案例推理应用于轴系故障诊断。以学习型伪度量(Learning Pseudo Metric,LPM)作为案例间的相似度度量,运用蝗虫优化(Grasshopper Optimizatio
3、n Algorithm,GOA)算法优化BP神经网络(GOA-BP)训练该度量函数并预测案例相似度,以此建立轴系案例推理故障诊断模型。最后通过轴系故障数据对该方法进行性能测试,并将其与基于BP神经网络的学习型伪度量模型(LPM-BP)、基于遗传算法(GA)优化BP神经网络的学习型伪度量模型(LPM-GA-BP)、基于欧式距离的最近邻算法(KNN)以及支持向量机(SVM)等算法进行对比,结果表明,论文研究方法能有效提升故障诊断效率,对轴系故障诊断具有一定的推广应用价值。关键词案例推理;故障诊断;学习型伪度量;蝗虫优化;船舶轴系中图分类号U664.2DOI:10.3969/j.issn.1672-
4、9730.2023.06.030Research on Intelligent Diagnosis Method of Shafting FaultBased on Case ReasoningZHANG RongguoLIU JinlinFANG ShiyuGU Zheng(College of Power Engineering,Naval University of Engineering,Wuhan430033)AbstractAiming at the problem that the existing shafting fault diagnosis technology is n
5、ot perfect and applicable when theship is sailing at sea,the case-based reasoning is applied to shafting fault diagnosis.Taking learning pseudo metric(LPM)as thesimilarity measure between cases,the grasshopper optimization algorithm(GOA)algorithm is used to optimize BP neural network(GOA-BP)to fit t
6、he measurement function and predict the case similarity,and the case-based reasoning fault diagnosis model ofshafting is established.Finally,the performance of this method is tested by shafting fault data,and compared with the learning pseudo metric model based on BP neural network(LPM-BP),the learn
7、ing pseudo metric model based on genetic algorithm(GA)optimized BP neural network(LPM-GA-BP),the K nearest neighbor algorithm based on Euclidean distance(KNN)and support vectormachine(SVM).The results show that the method studied in this paper can effectively improve the efficiency of fault diagnosi
8、s.Ithas certain popularization and application value for shafting fault diagnosis.Key Wordscase-based reasoning,fault diagnosis,learning pseudo metric,grasshopper optimization,ship shaftingClass NumberU664.2舰 船 电 子 工 程Ship Electronic Engineering总第 348 期2023 年第 6 期Vol.43 No.6140舰 船 电 子 工 程2023 年第 6 期
9、高优点,但轴系状态检测所需设备安装精度要求高,使得船舶航行时所处高温、高盐、高湿、高负荷以及摆动幅度较大的环境,无法满足设备常规部署要求,导致该方法不适用于船舶海上远航期间的故障诊断。因此需要进一步研究新的故障诊断方法,使其能应用于船舶航行期间轴系故障诊断。近年来,案例推理(case-based reasoning,CBR)随着人工智能技术的发展而在故障诊断领域得到了广泛应用。通过案例推理,对已有的轴系故障历史监测数据进行分析,形成有效的故障诊断模型。然而,案例推理在实际应用中一直存在着两个无法有效解决的问题:如何确定特征属性的权重值8以及距离陷阱问题9即距离最近的两个案例并不一定是最相似的。
10、因此在运用案例推理进行故障诊断时,需要重点解决这两个问题。基于上述问题,本文利用学习型伪度量替代传统距离度量作为案例间的相似度度量,并建立了基于学习型伪度量案例检索的CBR故障诊断模型。在运用GOA算法对BP神经网络进行优化的基础上,训练该度量函数。最后通过实验验证了该方法的有效性。2基于学习型伪度量的案例推理模型案例推理由案例表示、案例检索、案例重用和案例修正四个主要内容构成。其中案例检索处于关键位置10。两个案例之间的相似度衡量一般采用距离度量,如欧式距离。但采用该方法容易将属性特征作用平均化,由此带来“距离陷阱”问题,即最相似的案例并不一定是距离值最小的案例。此外其还存在权重分配问题,即
11、无法精确区别各变量在检索过程中的重要度。为避免上述两个问题的存在,采用伪度量作为案例相似度的度量。利用GOA-BP训练该度量函数。以此为基础,研究案例推理在轴系故障诊断中的应用。2.1学习型伪度量案例检索模型在一个集合X中,对于任意的元素x,y,如果实值函数d:()XX R符合下列三个条件,则可称其为一个伪度量:1)d()xx=0;2)d()xy=d()yx;3)d()xz d()xy+d()yz。与一般度量空间的不同之处在于伪度量空间容许不同的元素x,y的度量为 0 即d()xy=0。在利用伪度量衡量两个案例之间的相似度时,两个案例即使不是同一个案例,但如果属于同一类案例,它们之间的距离仍然
12、为0。因此,在案例检索中将同一类型案例之间的度量距离设置为0,不同类型案例之间的距离设置为1。由此可得,对于给定集合R和案例库 ajj=12nd()xy=1x aiy ajij0 x aiy aji=j(1)通过GOA-BP训练案例库中数据达到实现式(1)的目的。在具体的算法运行中,算法的输出正好等于0或1的可能性极低。因此,根据伪度量的定义可采用下列的度量准则判断LPM的性能:A(1)YNN()xy 1,当x和y属于同一故障类别时;A(2)YNN()xy 2,当x和y属于不同故障类别时;A(3)|YNN()xy-YNN()yx3,当x和y属于任意故障类别时;A(4)YNN()xz YNN()
13、xy+YNN()yz,对于任意x、y和z属于不同故障类别。其中x、y和z表示特征向量;YNN()xy是神经网络算法的输出,表示x和y之间的相似程度;1,2和3是常数。通常情况下,1=3,取值为0.20.3,2取值为 0.70.8。通过 GOA-BP 训练LPM模型时,模型训练终止条件为在训练集和测试集上能够以80%的比例满足上述A(1)A(4)的度量准则。此时可以将所得到的模型用于案例检索过程。在案例检索过程时,将目标案例的参数表达式Xn+1与 历 史 案 例 库 中 的 故 障 参 数 表 达 式Xk()k=12n组成n个输入对,即Wk:Xn+1;Xkk=12n(2)将其输入LPM模型,得到
14、n个YNN()Xn+1Xk。再通过A(1)准则得到与Xn+1属于同一类型的案例个数,依据多数重用原则,将占多数的故障类别作为Xn+1的故障类别Yn+1。2.2轴系故障诊断模型结构基于LPM的案例推理故障诊断模型如图1所示。在训练LPM模型前,需进行案例库的构建,即将历史案例数据进行归一化处理、分类并录入数据库中。其次将 90%的案例库数据划分为训练集,10%的案例库数据划分为测试集。利用训练集通141总第348期过GOA-BP训练模型,用测试集测试所得模型是否满足要求。若不满足,重新对模型进行训练。最后将训练完成的模型用于目标案例故障诊断。对目标案例的特征提取以及归一化,通过LPM模型检索得到
15、与目标案例同类别的案例源种类及数量。选出其中个数最多的一种作为目标案例的建议故障类型。图1基于LPM的案例推理故障诊断模型2.3蝗虫优化算法蝗虫算法是由Shahrzad Saremi等在2017年提出的一种启发式仿生优化算法1214,具有收敛速度快和搜索效率高的优点。其原理是模拟自然界中蝗虫搜寻食物的捕食行为。根据蝗虫找寻食物的过程将算法范围探索和开发两个步骤。在探索时,蝗虫群长距离快速跳跃,这一阶段有助于全局搜素;在开发阶段,蝗虫只在小范围内跳跃,有利于局部搜索。借助于算法的特殊机制,较好地平衡了全局和局部搜索两个方面,因此其具备较优的寻优能力。由此对其建模可得:Xi=Si+Gi+Ai(3)
16、式中:Xi是第i个蝗虫所在位置;Si是不同个体间的相互影响因子;Gi是i个蝗虫所受的重力作用;Ai是第i个蝗虫受到的风力作用。Si=j=1jiNs(dij)Dij(4)式中:N是蝗虫种群数量;dij=|Xj-Xi是第i个蝗虫和第j个蝗虫间的距离;Dij=()Xj-Xi/dij是第i个蝗虫指向第j个蝗虫单位矢量距离;s函数是种群中各个蝗虫间的作用力,为正数时表示相互吸引,为负数时表示相互排斥,计算表达式为s=fe-rle-r(5)式中:f是蝗虫间的吸引强度;l是吸引长度尺度。Gi=-geg(6)式中:g是重力常数;eg是指向地心的单位向量。Ai=ue(7)式中:u是风力常量;e是风力的单位向量。
17、在实际求解问题过程中,一般情况下不考虑重力作用,且总是将风向设定为指向最优目标Td。为了便于适应优化问题求解以及协调局部和全局优化过程,在Xi中引入参数以区分不同阶段的寻优。此时Xi表达式为Xi=j=1j1NcUd-Ld2s()dij()Xj-Xidij+Td(8)式中:N是蝗虫数量;Ud,Ld分别代表s在d维空间上的上、下边界;Td代表当前蝗虫位置在d维空间上最优解,c是递减系数,其计算表达式为c=cmax-ncmax-cminM(9)式中:cmax代表c最大值,cmin代表c的最小值;n是当前迭代次数;M是最大迭代次数。2.4蝗虫算法优化BP神经网络标准BP神经网络初始权值和阈值一般采用随
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 案例 推理 故障 智能 诊断 方法 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。