在綠色船舶智能監(jiān)測領(lǐng)域，多源數(shù)據(jù)融合過程復(fù)雜，從這些數(shù)據(jù)中提取非線性特征面臨諸多挑戰(zhàn)。為有效解決這些問題，本文提出一種基于模糊神經(jīng)網(wǎng)絡(luò)的智能監(jiān)測方法。首先利用自適應(yīng)加權(quán)平均算法對多傳感器采集的數(shù)據(jù)進行動態(tài)融合處理;接著引入蟻群優(yōu)化算法對融合后的數(shù)據(jù)進行特征提取，降低冗余數(shù)據(jù)干擾，提高數(shù)據(jù)處理效率和準(zhǔn)確性;最后構(gòu)建改進的模糊神經(jīng)網(wǎng)絡(luò)模型，對設(shè)備運行狀態(tài)進行判斷和劃分。實驗表明，該方法獲取的設(shè)備狀態(tài)數(shù)據(jù)能有效監(jiān)測設(shè)備運行狀態(tài)，具有切實可行性。

　　關(guān)鍵詞

　　模糊神經(jīng)網(wǎng)絡(luò);智能船舶;智能監(jiān)測系統(tǒng)

　　0 引言

　　隨著數(shù)字化技術(shù)與航運產(chǎn)業(yè)深度融合，全球航運事業(yè)規(guī)模化擴張，但船舶各系統(tǒng)運行安全性不容忽視。航運風(fēng)險包括設(shè)備本體風(fēng)險、環(huán)境擾動因素和人工操控因素，其中設(shè)備本體風(fēng)險主要表現(xiàn)為機艙各類電氣及自動化設(shè)備故障等。在此背景下，船舶智能監(jiān)測技術(shù)從 “單一感知” 向 “多源感知” 轉(zhuǎn)型，關(guān)鍵在于集成多模態(tài)傳感數(shù)據(jù)與智能算法模型，通過融合邊緣計算、遷移學(xué)習(xí)等技術(shù)構(gòu)建動態(tài)感知網(wǎng)絡(luò)，實現(xiàn)船舶運行狀態(tài)的全域可視化監(jiān)測與預(yù)測性維護，成為當(dāng)前智能船舶領(lǐng)域研究重點。

　　1 數(shù)據(jù)采集及優(yōu)化

　　多源感知首先體現(xiàn)在數(shù)據(jù)來源多樣化，通過在設(shè)備不同部位合理布置多種類型傳感器獲取多源數(shù)據(jù)。傳感器采集數(shù)據(jù)回傳后，采用自適應(yīng)加權(quán)平均算法進行融合處理。該算法是基于數(shù)據(jù)動態(tài)變化特征的優(yōu)化融合算法，能依據(jù)輸入數(shù)據(jù)可靠程度動態(tài)分配權(quán)重系數(shù)，運行中評估數(shù)據(jù)質(zhì)量并實時更新權(quán)重，最終通過加權(quán)平均計算實現(xiàn)整體誤差最小化，達到更精準(zhǔn)的數(shù)據(jù)融合效果。

　　算法詳細步驟如下：用c1?,c2?,?,cn?表示多個傳感器采集的數(shù)據(jù)量，對每個傳感器從精度、準(zhǔn)確度、穩(wěn)定性及噪聲水平等多維度綜合評估，初步評定權(quán)值ξ1?,ξ2?,?,ξn?。在相同環(huán)境和同一時刻，多個傳感器同步采集船舶運行狀態(tài)數(shù)據(jù)，融合后權(quán)值表達式為c=∑a=1n?ξa?×ca?。進一步推導(dǎo)，數(shù)據(jù)融合后的特征向量公式為T(a)=ca?2∑a=1n?ξa?c2?。根據(jù)無偏估計理論，各傳感器數(shù)據(jù)相互獨立，當(dāng)數(shù)據(jù)融合特征均方差最小時，加權(quán)值公式為ξa∗?=∑a=1n?T(a)21?，最終獲取船舶運行數(shù)據(jù)融合結(jié)果ζ=ξa∗?∑a=1n?T(a)?。

　　若數(shù)據(jù)中存在大量冗余數(shù)據(jù)，會影響監(jiān)測結(jié)果準(zhǔn)確性。蟻群優(yōu)化算法借助信息素正反饋機制優(yōu)化數(shù)據(jù)，本文采用該算法提取船舶運行狀態(tài)數(shù)據(jù)的最優(yōu)特征集，具體步驟如下：

　　參數(shù)初始化設(shè)置：包括螞蟻數(shù)量、信息素初始濃度及啟發(fā)因子權(quán)重。

　　構(gòu)建可行解：每只螞蟻依據(jù)啟發(fā)式規(guī)則和信息素濃度抉擇移動路徑，重復(fù)選擇直至找到可行解或達到搜索終止條件。其中，τijα?(t)表示時刻t邊(i,j)上的信息素數(shù)值，ηij?(t)代表相應(yīng)信息值，Nk?(i)表示可行網(wǎng)格集合，尚未被螞蟻k訪問過，轉(zhuǎn)移概率公式為Pijk?(t)=????∑s∈Nk?(i)?τisα?(t)ηisβ?(t)τijα?(t)ηijβ?(t)?,j∈Nk?(i)0,otherwise?。

　　更新信息素：持續(xù)迭代更新信息素，直到達到最大迭代次數(shù)或最優(yōu)解趨于穩(wěn)定，更新公式為τij?(t+1)=(1−ρ)τij?(t)+∑k=1m?Δτijk?(t)，其中ρ表示信息素蒸發(fā)速率，m是螞蟻數(shù)量。完成數(shù)據(jù)優(yōu)化后，將優(yōu)化后的數(shù)據(jù)投入神經(jīng)網(wǎng)絡(luò)算法進行分類。

　　2 改進模糊神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

　　考慮到船舶運行數(shù)據(jù)維度多、權(quán)重難確定且要求算法對傳感器噪聲容忍度高，模糊神經(jīng)網(wǎng)絡(luò)適用于模糊語義或數(shù)據(jù)不確定性高的分類情境，它結(jié)合了模糊邏輯與神經(jīng)網(wǎng)絡(luò)的互補特性，能有效應(yīng)對復(fù)雜情況。因此，本文選用模糊神經(jīng)網(wǎng)絡(luò)對船舶航行狀態(tài)數(shù)據(jù)進行分類處理，將提取的最優(yōu)特征集合輸入網(wǎng)絡(luò)實現(xiàn)智能監(jiān)測，其模型架構(gòu)如圖 1 所示。

　　首先將優(yōu)化后的船舶航行狀態(tài)數(shù)據(jù)作為輸入量，進入模糊層，通過隸屬函數(shù)進行模糊化操作，選用的隸屬函數(shù)為iwkok?=ζok2?exp(−(cwk?−vok?)2)?，其中vok?表示第o維第k類聚類中心，cwk?表示第k類第w個輸入最優(yōu)特征子集。

　　模糊處理后的子集繼續(xù)輸入推理層進行模糊規(guī)則計算，表達式為ωwa?=∏o=1T?iwook?。然后對推理層輸出數(shù)據(jù)進行歸一化處理，得到歸一化輸出值ωwa?=∑a=1MT?ωwa?ωwa??。連接矩陣E=BU?，其中B代表歸一化輸出矩陣，U表示模糊神經(jīng)網(wǎng)絡(luò)的輸出，進一步推導(dǎo)出模糊神經(jīng)網(wǎng)絡(luò)模型的輸出公式ωwa?=E∑a=1MT?ωwa?ωwa??。從輸出層獲取的數(shù)據(jù)可實現(xiàn)船舶運行狀態(tài)的智能監(jiān)測。

　　3 實驗與分析

　　本文以船舶動力系統(tǒng)的關(guān)鍵設(shè)備齒輪箱和柴油發(fā)動機為例進行實驗，分析設(shè)備在相同位置、相同工作條件下不同時間點的數(shù)據(jù)，以及不同工作條件下的橫向比較，算法流程框圖如圖 2 所示。

　　在某船舶齒輪箱監(jiān)測實驗中，對于減速齒輪裝置等設(shè)備，布置聲音傳感器，監(jiān)測點選擇設(shè)備容易故障、便于日常檢測維護且兼顧各個外立面的地方。對于典型一級減速齒輪裝置，監(jiān)測點布放原則為：在設(shè)備每個軸承附近、上端面及側(cè)面各布放 1 個監(jiān)測點。通過算法對采集的聲音信號計算，經(jīng)傅里葉變換將數(shù)據(jù)從時域轉(zhuǎn)為頻域，刻畫聲音的密度和能量曲線，建立與設(shè)備健康的對應(yīng)關(guān)系。圖 3 為同一左舷齒輪箱在不同工況下的運行狀態(tài)圖，圖 4 為同一右舷齒輪箱在不同工況下的運行狀態(tài)圖，不同顏色曲線表示不同工況，橫坐標(biāo)為工作頻率 (Hz)，縱坐標(biāo)為聲音分貝 (dB)。由圖可知，在各個工況下，設(shè)備聲音表現(xiàn)一致性良好，運行狀態(tài)穩(wěn)定，雖有少數(shù)數(shù)據(jù)差異但在正常范圍內(nèi)，設(shè)備運行狀況良好。

　　對某船舶的軸承進行監(jiān)測，并與報廢軸承對比，圖 5 為低頻聲音能量曲線圖，橫坐標(biāo)為工作頻率 (Hz)，縱坐標(biāo)為能量 (dB)，兩條藍色曲線為某船舶軸承的低頻聲音能量曲線，紅色曲線為報廢軸承的低頻能量曲線，低頻 (390Hz) 能量曲線表征軸承運行平穩(wěn)度，可看出報廢軸承與合格軸承能量曲線差異較大。圖 6 為中高頻聲音能量曲線圖，兩條藍色曲線為某船舶軸承的高頻聲音能量曲線，紅色曲線為報廢軸承的高頻能量曲線，中頻 (2100-3500Hz) 故障軸承潤滑油聲音能量遠高于正常軸承，高頻 (>10000Hz) 報廢軸承內(nèi)滾珠與內(nèi)圈不平滑撞擊，能量差異顯著，驗證了本文算法對兩類軸承的區(qū)分能力，未來可據(jù)此建立設(shè)備報廢標(biāo)準(zhǔn)。

　　4 結(jié)論

　　為保證船舶安全航行，對重點系統(tǒng)設(shè)備運行狀態(tài)監(jiān)測是智能船舶研究重點內(nèi)容之一。本文提出基于模糊神經(jīng)網(wǎng)絡(luò)的船舶設(shè)備智能監(jiān)測方法，通過合理布置傳感器實現(xiàn)對重點設(shè)備運行狀態(tài)全面監(jiān)測。實驗結(jié)果顯示，該方法獲取的設(shè)備狀態(tài)數(shù)據(jù)能有效監(jiān)測設(shè)備實際運行狀態(tài)，驗證了方法的可行性。未來研究中，需深入探索設(shè)備狀態(tài)檢測后準(zhǔn)確確定故障類型，將狀態(tài)監(jiān)測與故障診斷有機結(jié)合，構(gòu)建從 “感知” 到 “決策” 的完整閉環(huán)體系，提升船舶設(shè)備運行的安全性與可靠性。

如果您現(xiàn)在遇到期刊選擇、論文內(nèi)容改善、論文投稿周期長、難錄用、多次退修、多次被拒等問題，可以告訴學(xué)術(shù)顧問，解答疑問同時給出解決方案 。