CN111444597B - 基于随机性修正信度规则系统的螺旋桨卷气效应识别方法 - Google Patents

Abstract

本发明公开了一种基于随机性修正信度规则系统的螺旋桨卷气效应识别方法。本发明首先确定输入为采集某船舶电力推进系统变频器中推进电机的三相电流均方根值信号和转矩信号，输出定为船舶螺旋桨卷气效应等级；其次通过推进电机的电流信号和转矩信号与卷气效应之间的相关性建立信度规则系统；然后对输入数据通过信度规则系统进行推理，利用证据推理算法融合被输入激活的规则后项中的信度结构得到各个卷气效应等级的信度值；最后对每一个卷气效应等级的信度值进行比较，其中信度值最大的结果即为最终推理结果，即得到了船舶螺旋桨卷气效应等级。本发明可准确快速的识别船舶螺旋桨卷气效应程度，从而实现了船舶对恶劣海况的实时监测。

Description

基于随机性修正信度规则系统的螺旋桨卷气效应识别方法

技术领域

本发明涉及水运交通安全运行维护技术领域，具体地指一种基于随机性修正信度规则系统的螺旋桨卷气效应识别方法。

背景技术

船舶航行时，海况的好坏关系到船舶的稳定性和安全性。按船舶在任务海域的正常承载情况，当海域的海况处于灾害性海况和危害性海况时，无法实施海上工作时，则称为恶劣海况。

随着海洋资源的不断开发，海洋作业的安全性和经济性越来越受到重视。当前海洋作业的操作常常会受到恶劣海况的限制，若需要在保证安全的前提下在恶劣海况下持续作业，对于船舶作业在不同海况下，如何准确快速地识别两种不同海况，及时调整船舶推进系统控制策略就成为了保证船舶稳定性和安全性的关键。因此有效的海况识别技术的使用，能够根据船舶推进电机反馈的电信号和力信号，及时地监测到螺旋桨的卷气效应程度，并根据监测结果对推进系统控制策略进行有针对地转换，保证船舶航行的安全。

目前，国内外相应的大多数研究停留在利用经验公式拟合计算出螺旋桨推力损失系数，从而判断海况类型，在实际工程应用中并不适合，而且针对不同船型，其经验公式又大不相同，很难进行有效推广。

发明内容

本发明针对不同海况下的船舶螺旋桨卷气效应识别需要处理电力推进系统变频器中推进电机的三相电流信号和转矩信号与船舶螺旋桨卷气效应之间的非线性关系，设计了一种基于随机性修正信度规则系统的船舶螺旋桨卷气效应识别方法。

本发明首先，输入为采集某船舶电力推进系统变频器中推进电机的三相电流均方根值信号和转矩信号，输出定为船舶螺旋桨卷气效应等级；其次，通过推进电机的电流信号和转矩信号与卷气效应之间的相关性建立信度规则系统；然后，对输入数据通过信度规则系统进行推理，并在过程中建立正态云模型对其进行随机性修正，利用证据推理算法融合被输入激活的规则后项中的信度结构得到各个卷气效应等级的信度值；最后，对每一个卷气效应等级的信度值进行比较，其中信度值最大的结果即为最终推理结果，即得到了船舶螺旋桨卷气效应等级。

本发明包括以下各步骤：

步骤(1)令采集某船舶电力推进系统变频器中推进电机的三相电流均方根值信号，记为f_a(t)，单位安培(A)；转矩信号，记为f_b(t)，单位牛顿·米(N·m)，数据每分钟采集一次，共采集T次，1≤T<∞，则采样时刻t＝1,2,...,T；输出为船舶螺旋桨卷气效应等级，记为Y(t)；

步骤(2)根据船舶电力推进系统变频器中推进电机的三相电流均方根值信号f_a和转矩信号f_b与船舶螺旋桨卷气效应等级Y之间的非线性关系建立信度规则系统，其中的第l条规则记为R_l，其表示形式如下：

R_l:如果

那么

其中

和

分别为信度规则系统的输入变量f_a(t)和f_b(t)参考值，且有

其中j∈{a,b}，Q_j为

的取值空间，其中的元素满足

p表示对应第j个输入变量参考值的取值个数，p∈{1,2,...,P_j}。

分别在Q_a和Q_b中抽取元素作为输入变量f_a(t)、f_b(t)的参考值，由此组合成共计L条规则，第l条规则R_l的规则权重为θ_l∈[0,1]，设定初始规则权重θ_l＝1，第l条规则R_l的后项属性分别为Y₁,Y₂,...,Y_N,N≥2；式(1)中λ_1,l,λ_2,l,...,λ_N,l分别为Y₁,Y₂,...,Y_N的信度值，并满足0≤λ_n,l≤1，

步骤(3)当在线获取三相电流信号f_a(t)和转矩信号f_b(t)时，通过随机性修正信度规则系统进行推理，得到对应的卷气效应等级Y(t)信度值

具体步骤如下：

步骤(3-1)设定输入变量f_j取值为f_j(t),j∈{a,b}，并有f_j(t)∈[L_fj,R_fj]，将其带入信度规则系统模型，求解每一个输入变量f_j相对于参考值

的差异度，并利用正态云模型对其进行随机性修正，差异度的求解和修正过程如下：

(a)当f_j(t)≤A_j,1和

时，f_j(t)对于A_j,1和

的差异度

取值均为1，对于其它参考值的差异度均为0，差异度为1或0不进行修正；

(b)当A_j,p<f_j(t)≤A_j,p+1时，f_j(t)对于A_j,p和A_j,p+1的差异度

和

取值由式(2)和式(3)给出：

此时，其它参考值的差异度均为0；

(c)对差异度

和

利用云模型进行随机性修正，过程如下：

①生成期望为EX，熵为EN，超熵为HE的正态云，设定初始的超熵HE＝0.1，其中期望EX和熵为EN的计算方法由下式(4)和(5)给出：

正态云的生成算法步骤如下：

生成以EN为期望，HE为标准差的正态随机数EN*；

生成以EX为期望，EN*为标准差的正态随机数xi；

计算每一个正态随机数xi对应的确定性yi，令(xi,yi)为一个云滴；计算方法如下：

重复以上步骤I次，生成I个云滴，初始设定I＝2000；

②计算每一个云滴(x_i,y_i)中横坐标x_i与此时的输入信息f_j的差值，取绝对值，找最小的差值对应的云滴min(x_i,y_i)，如下式：

然后计算输入信息f_j对应的确定性

计算过程如下式：

③计算差异度的随机性修正值y_random，即输入信息f_j对应的确定性

与云滴min(x_i,y_i)的y_i的差值的绝对值，计算过程如下：

④利用差异度的随机性修正值y_random对差异度

和

进行修正，修正后的差异度为

和

计算方法如下：

(d)差异度归一化:

步骤(3-2)对于输入变量f_j(t),j∈{a,b}，并有f_j(t)∈[L_fj,R_fj]，计算它们对整条被激活规则R_l的激活权重ω_l：

其中ω_l∈[0,1]，

为相对属性权重，

步骤(3-3)对激活规则进行集成：

其中

表示相对于卷气效应等级Y_n的信度值，即得到结果：

其中

步骤(4)对每一个卷气效应等级的Y_n的信度值

进行比较，其中信度值最大的结果即为最终推理结果，即得到了船舶螺旋桨卷气效应等级Y(t)。

本发明具有对带有不确定性、随机性以及非线性特征的数据进行建模的能力，能够根据船舶推进电机的三相电流信号和转矩信号，建立信度规则系统描述输入量与输出量之间的复杂非线性关系，准确快速的识别船舶螺旋桨卷气效应程度，从而实现了船舶对恶劣海况的实时监测，进而对调整船舶推进系统控制策略保证船舶稳定性和安全性有很大帮助。

附图说明

图1是本发明方法的流程框图；

图2是本发明方法实施例中的船舶螺旋桨卷气效应等级识别结果。

具体实施方式

本发明包括以下各步骤：

步骤(1)令采集某船舶电力推进系统变频器中推进电机的三相电流均方根值信号，记为f_a(t)，单位安培(A)；转矩信号，记为f_b(t)，单位牛顿·米(N·m)，数据每分钟采集一次，共采集T次，1≤T<∞，则采样时刻t＝1,2,...,T；输出为船舶螺旋桨卷气效应等级，记为Y(t)。

步骤(2)根据船舶电力推进系统变频器中推进电机的三相电流信号f_a和转矩信号f_b与船舶螺旋桨卷气效应等级Y之间的非线性关系建立信度规则系统，其中的第l条规则记为R_l，其表示形式如下：

R_l:如果

那么

其中

和

分别为信度规则系统的输入变量f_a(t)和f_b(t)参考值，且有

其中j∈{a,b}，Q_j为

的取值空间，其中的元素满足

p表示对应第j个输入变量参考值的取值个数，p∈{1,2,...,P_j}。

分别在Q_a和Q_b中抽取元素作为输入变量f_a(t)、f_b(t)的参考值，由此组合成共计L条规则，第l条规则R_l的规则权重为θ_l∈[0,1]，设定初始规则权重θ_l＝1，第l条规则R_l的后项属性分别为Y₁,Y₂,...,Y_N,N≥2；式(1)中λ_1,l,λ_2,l,...,λ_N,l分别为Y₁,Y₂,...,Y_N的信度值，并满足0≤λ_n,l≤1，

输入变量f_a,f_b对应的属性权重分别为δ_j∈[0,1]，j∈{a,b}。

为便于理解，举例说明，假设中

各参考值的取值为A_a,1＝30，A_a,2＝50，A_a,3＝100，

中各参考值的取值为A_b,1＝20，A_b,2＝25，A_b,3＝30，假设满足Y＝f_a×f_b，Y₁＝Ⅰ，Y₂＝Ⅱ，Y₃＝Ⅲ，共计将会产生L＝9条规则，设初始θ_l＝1,δ_a＝δ _b＝1，其中部分规则形式如下：

R₁:若f_a＝30∧f_b＝20,则[(Y₁,1),(Y₂,0),(Y₃,0)]；

R₂:若f_a＝30∧f_b＝25,则[(Y₁,1),(Y₂,0),(Y₃,0)]；

R₃:若f_a＝30∧f_b＝30,则[(Y₁,1),(Y₂,0),(Y₃,0)]；

R₄:若f_a＝50∧f_b＝20,则[(Y₁,1),(Y₂,0),(Y₃,0)]；

R₅:若f_a＝50∧f_b＝25,则[(Y₁,0),(Y₂,1),(Y₃,0)]；

R₆:若f_a＝50∧f_b＝30,则[(Y₁,0),(Y₂,1),(Y₃,0)]；

R₇:若f_a＝100∧f_b＝20,则[(Y₁,0),(Y₂,1),(Y₃,0)]；

R₈:若f_a＝100∧f_b＝25,则[(Y₁,0),(Y₂,1),(Y₃,0)]；

R₉:若f_a＝100∧f_b＝30,则[(Y₁,0),(Y₂,0),(Y₃,1)]；

这里组成了9条规则，其中λ_N,l为满足约束根据历史数据分析得到的结果。

步骤(3)当在线获取三相电流均方根值f_a(t)和转矩f_b(t)时，通过随机性修正信度规则系统进行推理，得到对应的卷气效应等级Y(t)信度值

具体步骤如下：

步骤(3-1)设定输入变量f_j为f_j(t),j∈{a,b}，并有f_j(t)∈[L_fj,R_fj]，将其带入信度规则系统模型，求解每一个输入变量f_j相对于参考值

的差异度，并利用正态云模型对其进行随机性修正，差异度的求解和修正过程如下：

(a)当f_j(t)≤A_j,1和

时，f_j(t)对于A_j,1和

的差异度

取值均为1，对于其它参考值的差异度均为0，差异度为1或0不进行修正；

为便于理解，举例说明，假设模型输入f_a(1)＝50和f_b(1)＝22，则

＝1，对于其他参考值的差异度均为0。

(b)当A_j,p<f_j(t)≤A_j,p+1时，f_j(t)对于A_j,p和A_j,p+1的差异度

和

取值由式(2)和式(3)给出：

此时，其它参考值的差异度均为0；

为便于理解，举例说明，假设模型输入f_a(1)＝50和f_b(1)＝25，则

对于其他参考值的差异度均为0。

(c)对差异度

和

利用云模型进行随机性修正，过程如下：

①生成期望为EX，熵为EN，超熵为HE的正态云，设定初始的超熵HE＝0.1，其中期望EX和熵EN的计算方法由下式(4)和(5)给出：

正态云的生成算法步骤如下：

生成以EN为期望，HE为标准差的正态随机数EN*；

生成以EX为期望，EN*为标准差的正态随机数x_i；

计算每一个正态随机数x_i对应的确定性y_i，令(x_i,y_i)为一个云滴；计算方法如下：

重复以上步骤I次，生成I个云滴，初始设定I＝2000；

②计算每一个云滴(x_i,y_i)中横坐标x_i与此时的输入信息f_j的差值，取绝对值，找最小的差值对应的云滴min(x_i,y_i)，如下式：

然后计算输入信息f_j对应的确定性

计算过程如下式：

③计算差异度的随机性修正值y_random，即输入信息f_j对应的确定性y_fj与云滴min(x_i,y_i)的y_i的差值的绝对值，计算过程如下：

④利用差异度的随机性修正值y_random对差异度

和

进行修正，修正后的差异度为

和

计算方法如下：

(d)差异度归一化:

为便于理解，举例说明，假设模型输入f_a(1)＝50和f_b(1)＝25，则

对于其他参考值的差异度均为0，则需要对差异度

进行随机性修正，EX＝22.5,EN＝7.5，之后根据正态云的生成步骤，采用计算软件MATLAB生成正态云模型，若计算出差异度的随机性修正值y_random＝0.05，则修正后的差异度为

和

步骤(3-2)对于输入变量f_j(t),j∈{a,b}，并有

计算它们对整条被激活规则R_l的激活权重ω_l：

其中ω_l∈[0,1]，

为相对属性权重，

步骤(3-3)对激活规则进行集成：

其中

表示相对于卷气效应等级Y_n的信度值，即得到结果：

其中

步骤(4)对每一个卷气效应等级的Y_n的信度值

进行比较，其中信度值最大的结果即为最终推理结果，即得到了船舶螺旋桨卷气效应等级Y(t)。

为便于理解，举例说明，进行随机性修正后的差异度为

计算可得到激活权重为：w₄＝0.58，w₅＝0.42，其余均为0；所以，将结果带入式(14)(15)可以获得

则最终得到螺旋桨卷气效应等级Y(t)＝Y₁。

以下结合附图，详细介绍本发明方法的实施例：

本发明方法的流程图如图1所示，核心部分是：通过推进电机的电流信号和转矩信号与卷气效应之间的相关性建立信度规则系统，对输入数据通过信度规则系统进行推理，并在过程中建立正态云模型对其进行随机性修正，利用证据推理算法融合被输入激活的规则后项中的信度结构得到各个卷气效应等级的信度值，对卷气效应等级的信度值进行比较得到船舶螺旋桨卷气效应等级。

以下结合具体实施例，详细介绍本发明方法的各个步骤：

步骤(1)令采集某船舶电力推进系统变频器中推进电机的三相电流均方根值信号，记为f_a(t)，单位安培(A)；转矩信号，记为f_b(t)，单位牛顿·米(N·m)，数据每分钟采集一次，共采集T次，1≤T<∞，则采样时刻t＝1,2,...,T；输出为船舶螺旋桨卷气效应等级，记为Y(t)。

步骤(2)根据船舶电力推进系统变频器中推进电机的三相电流均方根值信号f_a和转矩信号f_b与船舶螺旋桨卷气效应识别等级Y之间的非线性关系建立信度规则系统：

选取输入输出变量的语义值，f_a-f_b的模糊语义值描述为：小，中，大，非常大，识别结果Y的模糊语义值是完全卷气，部分卷气，无卷气，其参考值如表1-表4所示：

表1f_a和f_b的语义值和参考值

表2Y的语义值和参考值

建立的信度规则系统如表3所示，其中后项输出的信度值根据历史数据按照要求给定：

表3信度规则系统

步骤(4)给定推进电机的三相电流均方根值信号f_a和转矩信号f_b后，通过基于随机性修正规则系统获取它们对应的船舶螺旋桨卷气效应等级Y，如图2所示是卷气效应观测结果与模型识别结果对比。

Claims (3)

1.基于随机性修正信度规则系统的螺旋桨卷气效应识别方法，该方法包括以下步骤：

步骤(1)令采集某船舶电力推进系统变频器中推进电机的三相电流均方根值信号，记为f_a(t)，单位安培(A)；转矩信号，记为f_b(t)，单位牛顿·米(N·m)，数据每分钟采集一次，共采集T次，1≤T<∞，则采样时刻t＝1,2,...,T；输出为船舶螺旋桨卷气效应等级，记为Y(t)；

步骤(2)根据船舶电力推进系统变频器中推进电机的三相电流均方根值信号f_a和转矩信号f_b与船舶螺旋桨卷气效应等级Y之间的非线性关系建立信度规则系统，其中的第l条规则记为R_l，其表示形式如下：

R_l:如果

那么

其中

和

分别为信度规则系统的输入变量f_a(t)和f_b(t)参考值，且有

Q_j为

的取值空间，其中的元素满足

p表示对应第j个输入变量参考值的取值个数，p∈{1,2,...,P_j}；

分别在Q_a和Q_b中抽取元素作为输入变量f_a(t)、f_b(t)的参考值，由此组合成共计L条规则，第l条规则R_l的规则权重为θ_l∈[0,1]，设定初始规则权重θ_l＝1，第l条规则R_l的后项属性分别为Y₁,Y₂,...,Y_N,N≥2；λ_1,l,λ_2,l,...,λ_N,l分别为Y₁,Y₂,...,Y_N的信度值，并满足0≤λ_n,l≤1，

步骤(3)当在线获取三相电流均方根值信号f_a(t)和转矩信号f_b(t)时，通过随机性修正信度规则系统进行推理，得到对应的螺旋桨卷气效应等级Y(t)信度值

具体步骤如下：

步骤(3-1)设定输入变量f_j的取值为f_j(t)，并有

将其输入信度规则系统模型，计算每一个输入变量f_j相对于参考值

的差异度，并利用正态云模型对其进行随机性修正；

步骤(3-2)对于输入变量f_j(t)，并有

计算它们对整条被激活规则R_l的激活权重ω_l：

其中ω_l∈[0,1]，

为相对属性权重，

Y_n＝Y₁,Y₂,...,Y_N，

表示归一化后的差异度；

步骤(3-3)对激活规则进行集合：

其中

表示相对于螺旋桨卷气效应等级Y_n的信度值，即得到结果：

步骤(4)对每一个螺旋桨卷气效应等级的Y_n的信度值

进行比较，其中信度值最大的结果即为最终推理结果，即得到了船舶螺旋桨卷气效应等级Y(t)。

2.根据权利要求1所述的基于随机性修正信度规则系统的螺旋桨卷气效应识别方法，其特征在于：步骤(3-1)中差异度的求解和修正过程如下：

(a)当f_j(t)≤A_j,1和

时，f_j(t)对于A_j,1和

的差异度

取值均为1，对于其它参考值的差异度均为0，差异度为1或0不进行修正；

(b)当A_j,p<f_j(t)≤A_j,p+1时，f_j(t)对于A_j,p和A_j,p+1的差异度

和

此时，其它参考值的差异度均为0；

(c)对差异度

和

利用云模型进行随机性修正，过程如下：

①生成期望为EX，熵为EN，超熵为HE的正态云，设定初始的超熵HE＝0.1，其中期望EX和熵EN：

②计算每一个云滴(x_i,y_i)中横坐标x_i与此时的输入信息f_j的差值，取绝对值，找最小的差值对应的云滴min(x_i,y_i)，如下式：

然后计算输入信息f_j对应的确定性y_fj，计算过程如下式：

③计算差异度的随机性修正值y_random，即输入信息f_j对应的确定性

与云滴min(x_i,y_i)的y_i的差值的绝对值，计算过程如下：

④利用差异度的随机性修正值y_random对差异度

和

进行修正，修正后的差异度为

和

计算如下：

(d)差异度归一化:

3.根据权利要求2所述的基于随机性修正信度规则系统的螺旋桨卷气效应识别方法，其特征在于：所述的正态云的生成算法步骤如下：

生成以EN为期望，HE为标准差的正态随机数EN^*；

生成以EX为期望，EN^*为标准差的正态随机数x_i；

计算每一个正态随机数x_i对应的确定性y_i，令(x_i,y_i)为一个云滴；计算如下：

重复I次，生成I个云滴，初始设定I＝2000。

Images