CN101859105A - 船舶航向控制系统故障在线预报方法 - Google Patents

Abstract

本发明提供的是一种船舶航向控制系统故障在线预报方法。(1)选择故障模式；(2)获取故障模式下航向角数据；(3)训练航向角实时预报模型；(4)进行航向角实时预报；(5)对航向角预报值的偏差进行统计分析，判断船舶航向控制系统是否发生故障；(6)显示船舶航向控制系统预报的故障。本发明的方法可以避免局部极值问题和出现故障的不客观性，并提供一个友好交互的人机界面。

Description

船舶航向控制系统故障在线预报方法

技术领域

本发明涉及的是一种航向控制系统故障预报方法，特别涉及一种在线预报方法。

背景技术

故障预报是故障诊断技术的一个很重要的组成部分。它首先能够快速提供相关历史数据及其变化趋势等信息为专家决策提供有效信息，更进一步可以根据目前的状态参数，通过某种预报模型的计算，科学地推断出若干时间以后的状态参数，使得人们可以在故障发生之前及时的采取相应的对策。

早期的预报技术仅限于在理论框架内进行研究，真正把预报理论大量应用到工业设备系统的故障诊断技术之中，还是在进入20世纪80年代之后，人工智能、模糊逻辑、神经网络和灰色思想的引入为预报理论的发展注入了新的活力，这才使得故障预报技术研究成为了自动化领域具有挑战意义的研究热点之一。然而，由于受到传统故障诊断技术的约束，控制系统的故障预报技术研究的起步比较晚，近几年才引起了学者们的高度重视，因而这方面的研究并不是很完善，取得的研究成果也不是很多，控制系统的故障预报技术问题是个非常有前途的研究领域。经对现有的技术文献检索，没有发现与船舶航向控制系统故障在线预报技术有关的资料。

发明内容

本发明的目的在于提供一种用于航向控制系统的故障诊断和故障实时在线预报的船舶航向控制系统故障在线预报方法。

本发明的目的是通过如下步骤来实现的：

(1)选择故障模式；

(2)获取故障模式下航向角数据；

(3)训练航向角实时预报模型；

(4)进行航向角实时预报；

(5)对航向角预报值的偏差进行统计分析，判断船舶航向控制系统是否发生故障；

(6)显示船舶航向控制系统预报的故障。

所述的故障模式包括舵柄磨损故障、主油泵故障、辅油泵故障；

所述的故障模式下航向角数据是通过仿真获取，仿真环境为海浪有义波高为4m，遭遇浪向角分别为135°，采样时间0.1s，仿真时间800s，共得到8000组航向角仿真数据。

所述的训练航向角实时预报模型的方法为，选取前5000组航向角仿真数据为训练数据，后3000组航向角仿真数据为验证数据进行航向角实时预报模型训练，采用支持向量机(SVM)方法训练，所训练的航向角实时预报模型为：

第一步的预测：

${\hat{x}}_{n+1}=\underset{i=1}{\overset{n-m}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}^{*})K(x_i,{\hat{x}}_{n-m+1})+b$

其中， ${\hat{x}}_{n-m+1}=\{x_{n-m+1},x_{n-m+2},...,x_n\}$

第二步的预测：

${\hat{x}}_{n+2}=\underset{i=1}{\overset{n-m}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}^{*})K(x_i,{\hat{x}}_{n-m+2})+b$

其中， ${\hat{x}}_{n-m+2}=\{x_{n-m+2},x_{n-m+3},...,{\hat{x}}_{n+1}\}$

以此类推，第p步的预测模型：

${\hat{x}}_{n+p}=\underset{i=1}{\overset{n-m}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}^{*})K(x_i,{\hat{x}}_{n-m+p})+b$

其中

x_n表示第n个数据的实际值，表示第n个数据的预测值。α_i、α^*为拉格朗日因子，

为核函数，b为偏置量。

所述的进行航向角实时预报是，利用所训练的航向角实时预报模型对船舶的航向角进行预报，获取未来时刻航向角的数据。

所述的判断船舶航向控制系统是否发生故障是将统计值与给定阈值作比较来判断船舶航向控制系统是否发生故障。

本发明的主要技术手段是：首先设定船舶航向控制系统的故障模式，在故障模式下仿真得到船舶航向角数据，利用仿真得到的航向角数据以及设定的故障模式对航向角实时预报模型进行训练，然后利用训练得到的实时预报模型对船舶运行的航向角实时预报，并对预报得到的航向角进行偏差统计，将统计值与设定的阈值进行比较分析，判断船舶航向控制系统是否发生故障，如果发生故障则在C++Builder开发环境下对预报的故障进行可视化显示，如果没有故障则进行下一步的航向角预报分析。

本发明的优点在于：

(1)SVM方法是专门针对有限样本情况的学习机器，解决了在神经网络方法中无法避免的局部极值问题；

(2)根据航向角偏差的统计值来判断航向控制系统是否发生故障，避免了仅凭某一时刻的航向角偏差超过给定阈值就断定系统发生故障的不客观性；

(3)可视化故障预报过程具有友好交互的人机界面。

附图说明

图1为本发明方法实施步骤流程图；

图2为舵柄磨损故障趋势图；

图3为主/辅油泵故障趋势图；

图4为海浪有义波高4米，遭遇浪向角135°时的航向角仿真曲线；

图5为航向控制系统故障预报可视化结果图。

具体实施方式

下面结合附图举例对本发明做更详细地描述：

如图1所示，首先设定船舶航向控制系统的故障模式，获取故障模式下的船舶航向角数据，利用故障模式下的航向角数据对航向角实时预报模型进行训练，然后利用训练得到的实时预报模型对船舶运行的航向角实时预报，并对预报得到的航向角进行偏差统计，将统计值与设定的阈值进行比较分析，判断船舶航向控制系统是否发生故障，如果发生故障则对预报的故障进行可视化显示，如果没有故障则进行下一步的航向角预报分析。

具体实施步骤如下：

步骤(1)，设定的故障模式包括舵柄磨损故障和主油泵/辅油泵故障；

①舵柄磨损故障：该故障模型中，当单活塞双作用液压缸的直线运动位移如图2所示，由L逐渐减小为L/2时，认为舵柄发生故障。

②主油泵/辅油泵故障：该故障模型中，当泵的排量梯度如图3所示，由K_p逐渐减小为K_p/4时，认为主油泵和辅油泵发生故障。

步骤(2)，故障模式下航向角数据的通过仿真获取，在海浪有义波高为4m，遭遇浪向角分别为135°的海情下，同时摄入主油泵故障、辅油泵故障和舵柄磨损故障。在该故障模型下，以0.1s为采样时间，仿真800s，共得到8000组航向角仿真数据，仿真曲线如图4所示。

步骤(3)，选取前5000组数据为训练数据，后3000组数据为验证数据，采用SVM方法对航向角实时预报模型进行训练。

用于支持向量机学习的样本为：

$X=\left[\begin{array}{cccc}{x}_1& x_2& ...& x_m\\ x_2& x_3& ...& x_{m+1}\\ ...& ...& ...& ...\\ x_{n-m}& x_{n-m+1}& ...& x_{n-1}\end{array}\right],$ $Y=\left[\begin{array}{c}{x}_{\begin{array}{cc}m& 1\end{array}}\\ x_{m+2}\\ ...\\ x_n\end{array}\right]---\left(1\right)$

其中，m为嵌入维数，本发明中m＝4000，n为训练样本数目，本专利中n＝5000。

对支持向量机进行训练的回归函数为

$y_t=\underset{i=1}{\overset{n-m}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})K(x_i,x_t)+b,t=m+1,...,n---\left(2\right)$

得到第一步的预测为

${\hat{x}}_{n+1}=\underset{i=1}{\overset{n-m}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}^{*})K(x_i,{\hat{x}}_{n-m+1})+b---\left(3\right)$

式中， ${\hat{x}}_{n-m+1}=\{x_{n-m+1},x_{n-m+2},...,x_n\}$

第二步的预测为

${\hat{x}}_{n+2}=\underset{i=1}{\overset{n-m}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}^{*})K(x_i,{\hat{x}}_{n-m+2})+b---\left(4\right)$

式中， ${\hat{x}}_{n-m+2}=\{x_{n-m+2},x_{n-m+3},...,{\hat{x}}_{n+1}\}$

以此类推，第p步的预测模型为

${\hat{x}}_{n+p}=\underset{i=1}{\overset{n-m}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}^{*})K(x_i,{\hat{x}}_{n-m+p})+b---\left(5\right)$

式中

x_n表示第n个数据的实际值，

表示第n个数据的预测值。α_i、α^*为拉格朗日因子，

为核函数，b为偏置量。

本专利要预报300s，即未来3000步，所以p的取值为(1，3000)。

步骤(4)，利用步骤(3)所训练的航向角实时预报模型对船舶的航向角进行预报，获取未来时刻航向角的数据。

在给定训练样本集下实现船舶航向控制系统故障预报的过程只是一个批量处理的过程，而要实现真正的在线实时故障预报，就要在预报出未来300s的航向角数据后，继续预报之后的航向角数据。随着时间的推移，当第501s的数据可以实际测出后，就可将第501s的实际值代替上式中的预报值，得到第502s的预测为

${\hat{x}}_{n+2}=\underset{i=1}{\overset{n-m}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}^{*})K(x_i,{\hat{x}}_{n-m+2})+b---\left(6\right)$

式中，x_n表示第n个数据的实际值，

表示第n个数据的预测值。α_i、α^*为拉格朗日因子，

为核函数，b为偏置量。

以此类推，即可实现航向角实时预报。

步骤(5)，选取航向角的预报值为偏差统计分析的对象，通过将统计值与给定阈值作进行比较，判断船舶航向控制系统是否发生故障，避免了仅凭某一时刻的航向角偏差超过给定阈值就断定系统发生故障的不客观性；

所述的步骤(6)中，可视化故障预报的开发环境为C++Builder，在C++Builder 6.0语言环境下实现系统的推理和预报过程。可视化结果如图5所示，图5中给出的故障预报结果中，故障名称为主油泵故障、辅油泵故障和舵柄四故障，与该海情下仿真时，故障模型中摄入的故障类型相同。可见，专家系统的推断与航向控制系统的实际故障类型相同。专家系统给出的维修措施是：检查主油泵是否空转或漏油；检查辅油泵是否空转或漏油；检查舵柄面是否磨损。

Claims (6)

1.一种船舶航向控制系统故障在线预报方法，其特征是包括如下步骤：

(1)选择故障模式；

(2)获取故障模式下航向角数据；

(3)训练航向角实时预报模型；

(4)进行航向角实时预报；

(5)对航向角预报值的偏差进行统计分析，判断船舶航向控制系统是否发生故障；

(6)显示船舶航向控制系统预报的故障。

2.根据权利要求1所述的船舶航向控制系统故障在线预报方法，其特征是：所述的故障模式包括舵柄磨损故障、主油泵故障、辅油泵故障。

3.根据权利要求2所述的船舶航向控制系统故障在线预报方法，其特征是：所述的故障模式下航向角数据是通过仿真获取，仿真环境为海浪有义波高为4m，遭遇浪向角分别为135°，采样时间0.1s，仿真时间800s，共得到8000组航向角仿真数据。

4.根据权利要求3所述的船舶航向控制系统故障在线预报方法，其特征是：所述的训练航向角实时预报模型的方法为，选取前5000组航向角仿真数据为训练数据，后3000组航向角仿真数据为验证数据进行航向角实时预报模型训练，采用支持向量机方法训练，所训练的航向角实时预报模型为：

第一步的预测：

${\hat{x}}_{n+1}=\underset{i=1}{\overset{n-m}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}^{*})K(x_i,{\hat{x}}_{n-m+1})+b$

其中， ${\hat{x}}_{n-m+1}=\{x_{n-m+1},x_{n-m+2},...,x_n\};$

第二步的预测：

${\hat{x}}_{n+2}=\underset{i=1}{\overset{n-m}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}^{*})K(x_i,{\hat{x}}_{n-m+2})+b$

其中， ${\hat{x}}_{n-m+2}=\{x_{n-m+2},x_{n-m+3},...,{\hat{x}}_{n+1}\};$

以此类推，第p步的预测模型：

${\hat{x}}_{n+p}=\underset{i=1}{\overset{n-m}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}^{*})K(x_i,{\hat{x}}_{n-m+p})+b$

其中

x_n表示第n个数据的实际值，

表示第n个数据的预测值，α_i、α^*为拉格朗日因子，

为核函数，b为偏置量。

5.根据权利要求4所述的船舶航向控制系统故障在线预报方法，其特征是：所述的进行航向角实时预报是，利用所训练的航向角实时预报模型对船舶的航向角进行预报，获取未来时刻航向角的数据。

6.根据权利要求5所述的船舶航向控制系统故障在线预报方法，其特征是：所述的判断船舶航向控制系统是否发生故障是将统计值与给定阈值作比较来判断船舶航向控制系统是否发生故障。

Images