论文部分内容阅读
摘 要：船舶制造行业发展速度飞快，在现今科技技术的支持下，船舶质量被充分提升，船舶性能也变得更加稳定，技术人员为了提升船舶运行的合理性，充分强化了船舶的内部系统，在船舶运行过程中，其汽轮机装置会出现一些故障问题，通过对汽轮机的常见故障问题进行诊断可以即使完成汽轮机的处理工作，减少汽轮机运转问题。随着预测以及诊断汽轮机故障的应用技术水平提升，技术人员也逐渐将信息融合科技融入其中。
關键词：信息融合技术；船舶；汽轮机；故障诊断；预测
现代船舶系统的内部构造相对复杂，其部件种类丰富，多种部件在其中均发挥着相对独特的作用，确保船舶可以被正常使用。在众多的船舶部件中，汽轮机属于核心部件，如果汽轮机出现异常的问题，船舶的航行效率也将被降低，同时还会出现很多航行安全问题。为了确保船舶保持安全的运行状态，技术人员需要预先对汽轮机可能存在的故障情况加以预测或者诊断，原有的故障分析系统显露出了多种缺陷问题，现对信息融合技术在这一环节中的应用展开探讨。
1 汽轮机故障预测与诊断工作概述
汽轮机属于蒸汽动力装置，其一般具有旋转式的形式，速度被加快的气流冲击到汽轮机的叶片上时，装置中的转子会逐渐开始旋转，发挥出对外做功的功能，汽轮机可被应用到化学工业、冶金以及发电等行业中。在给船舶制造动力型装置时也可应用汽轮机装置，该装置将蒸汽热能加以转化，使其成为机械能，帮助推动船舶正常运行，借助能量转换来实现应用需求。现代船舶系统具有相对比较复杂的电力系统，相比从前，船舶需要航行的环境的复杂度也有所增加，当外部航行环境与内部系统均出现故障问题时，船舶故障问题也逐渐增加，同时故障问题也变得更具复杂性。在探讨汽轮机装置存在的问题时，技术人员需通过一些比较特殊的方法来判断相应的故障问题，借助模型可以辅助故障分析活动，在诊断汽轮机故障问题时，需考虑到实效性与准确性两方面指标。
汽轮机是能将蒸汽热能转化为机械功的外燃回转式机械。来自锅炉的蒸汽进入汽轮机后，依次经过一系列环形配置的喷嘴和动叶，将蒸汽的热能转化为汽轮机转子旋转的机械能。蒸汽在汽轮机中，以不同方式进行能量转换，便构成了不同工作原理的汽轮机。
在故障模型分析这一工作阶段中，可以选择结合信息化技术，对原有的单维度的工作模式进行改变，通过多维度的分析模型来实现全面分析故障问题的工作需求，在故障分析环节，需充分应用神经网络相关的技术，基于多维信息的使用需求，技术人员需适当地应用信息融合技术，强化故障分析系统的可行性。
2 神经网络模型分析
在分析模型构建工作环节中，技术人员首先需要可靠且合适的神经网络构建出来，在分析环节需要应用多种不同的传感器装置，进而达到采集基础信息的可靠目的，在信息分析过程中，技术人员可以对故障隶属度进行计算，确保输入到神经网络的隶属度可以达到一定的标准，给船舶应用的汽轮机装置具有的故障种类丰富，首先需应用传感器对相应的故障信息加以采集，并根据故障问题计算出最终的隶属度，借助神经网络相关的理论来建设出诊断模型，对模型进行初始化操作，通过历史数据来训练神经网络，做出最终的故障决策。
3 预测模型分析
3.1 实现神经网络应用需求
传统的BP神经网络对于汽轮机进行故障诊断预测时，在网络中添加了所有故障类型，通过训练序列对网络进行自组织学习。随着船舶汽轮机结构复杂度的增加，故障类型也随之增加，网络的诊断能力出现下降。基于信息融合的神经网络是一种集成架构。首先对船舶汽轮机的故障类型进行空间划分，构建不同子空间的故障特征参数空间，针对不同的子空间设定子神经网络，最后进行数据融合，极大提高了判断准确性。在对神经网络进行身诊断时，主要需要经过以下几个工作环节，首先需要对相关的汽轮机进行诊断，对于故障问题存在关联的信息加以采集，通过预处理模块做出初步的故障问题分析处理，确定故障问题的具体所在，通过人机接口模块来对其他的故障情况加以研究，通过融合使的神经来进行最终的决策。将传感器采集的数据发送至不同故障诊断类型子网络，实现对故障的最快定位。与传统BP网络不同，集成式神经网络通过多传感器在不同位置采集故障设备信息，位置信息可以作为故障诊断的特征值，提高特征信息区分度。初始化时，通过训练序列确定各子网络的学习过程，此时子网络为离线状态，每个子网络建立自身的档案数据，保存训练后的网络特征值。当各子网络训练完毕，并建立档案数据后，进入故障诊断阶段，对传感器采集的信息进行分析。
设船舶汽轮机的故障类型为n，划分的子网络数为m，基于信息融合的故障决策处理在融合网络中进行。
假设子网络NNi（0 经过信息融合网络处理的输出为Y=FR，故障i的发生概率为：
Pi=fi1ri1+fi2ri2+fimrim
3.2 应用故障诊断技术
在实际的船舶汽轮机故障诊断中，需要监测的数据主要有：润滑油的量及位置、发动机温度、汽轮机的转动速率、空气热力传导、汽轮震动速率，这五大类监测数据组成5个子神经网络，分别对应d1，d2，d3，d4，d5。本文设计的汽轮机故障系统采用两级神经网络架构，如图1所示。图1中，各神经子网络d1，d2，d3，d4，d5通过自身的自组织学习能力对不同的故障类型进行诊断，诊断后的结果发送至最终的信息融合神经网络进行进一步判别，得到更准确的故障诊断结果。
4结束语
本文对现代船舶的内置汽轮机装置的实际情况进行了分析，同时还探讨了相应的故障分析模型，信息融合技术在很多现代机械制造领域中均有良好应用，在对船舶的问题进行分析时同样也可以使用该种技术，本文结合汽轮机的实际特点探讨了应用该技术的具体情况，同时给出了一些应用建议，经过实际的应用可以发现该技术可以有效地实现故障问题仿真的工作需求，帮助研究人员对汽轮机的相关信息加以采集，同时还能将一些频域信号发出，可预测与诊断的故障问题类型丰富，可继续被推广应用。
参考文献
[1]黄振中，卞政明.基于信息融合技术的船舶汽轮机故障诊断和预测的研究[J].舰船科学技术，2017（7x），164-166.
[2]李环宇.基于信息融合的柴油机故障诊断技术研究[D].大连海事大学，2017.
[3]刘国斌.多传感器信息融合与神经网络的汽轮机的故障分析[J].内燃机与配件，2017（22），82-83.
關键词：信息融合技术；船舶；汽轮机；故障诊断；预测
现代船舶系统的内部构造相对复杂，其部件种类丰富，多种部件在其中均发挥着相对独特的作用，确保船舶可以被正常使用。在众多的船舶部件中，汽轮机属于核心部件，如果汽轮机出现异常的问题，船舶的航行效率也将被降低，同时还会出现很多航行安全问题。为了确保船舶保持安全的运行状态，技术人员需要预先对汽轮机可能存在的故障情况加以预测或者诊断，原有的故障分析系统显露出了多种缺陷问题，现对信息融合技术在这一环节中的应用展开探讨。
1 汽轮机故障预测与诊断工作概述
汽轮机属于蒸汽动力装置，其一般具有旋转式的形式，速度被加快的气流冲击到汽轮机的叶片上时，装置中的转子会逐渐开始旋转，发挥出对外做功的功能，汽轮机可被应用到化学工业、冶金以及发电等行业中。在给船舶制造动力型装置时也可应用汽轮机装置，该装置将蒸汽热能加以转化，使其成为机械能，帮助推动船舶正常运行，借助能量转换来实现应用需求。现代船舶系统具有相对比较复杂的电力系统，相比从前，船舶需要航行的环境的复杂度也有所增加，当外部航行环境与内部系统均出现故障问题时，船舶故障问题也逐渐增加，同时故障问题也变得更具复杂性。在探讨汽轮机装置存在的问题时，技术人员需通过一些比较特殊的方法来判断相应的故障问题，借助模型可以辅助故障分析活动，在诊断汽轮机故障问题时，需考虑到实效性与准确性两方面指标。
汽轮机是能将蒸汽热能转化为机械功的外燃回转式机械。来自锅炉的蒸汽进入汽轮机后，依次经过一系列环形配置的喷嘴和动叶，将蒸汽的热能转化为汽轮机转子旋转的机械能。蒸汽在汽轮机中，以不同方式进行能量转换，便构成了不同工作原理的汽轮机。
在故障模型分析这一工作阶段中，可以选择结合信息化技术，对原有的单维度的工作模式进行改变，通过多维度的分析模型来实现全面分析故障问题的工作需求，在故障分析环节，需充分应用神经网络相关的技术，基于多维信息的使用需求，技术人员需适当地应用信息融合技术，强化故障分析系统的可行性。
2 神经网络模型分析
在分析模型构建工作环节中，技术人员首先需要可靠且合适的神经网络构建出来，在分析环节需要应用多种不同的传感器装置，进而达到采集基础信息的可靠目的，在信息分析过程中，技术人员可以对故障隶属度进行计算，确保输入到神经网络的隶属度可以达到一定的标准，给船舶应用的汽轮机装置具有的故障种类丰富，首先需应用传感器对相应的故障信息加以采集，并根据故障问题计算出最终的隶属度，借助神经网络相关的理论来建设出诊断模型，对模型进行初始化操作，通过历史数据来训练神经网络，做出最终的故障决策。
3 预测模型分析
3.1 实现神经网络应用需求
传统的BP神经网络对于汽轮机进行故障诊断预测时，在网络中添加了所有故障类型，通过训练序列对网络进行自组织学习。随着船舶汽轮机结构复杂度的增加，故障类型也随之增加，网络的诊断能力出现下降。基于信息融合的神经网络是一种集成架构。首先对船舶汽轮机的故障类型进行空间划分，构建不同子空间的故障特征参数空间，针对不同的子空间设定子神经网络，最后进行数据融合，极大提高了判断准确性。在对神经网络进行身诊断时，主要需要经过以下几个工作环节，首先需要对相关的汽轮机进行诊断，对于故障问题存在关联的信息加以采集，通过预处理模块做出初步的故障问题分析处理，确定故障问题的具体所在，通过人机接口模块来对其他的故障情况加以研究，通过融合使的神经来进行最终的决策。将传感器采集的数据发送至不同故障诊断类型子网络，实现对故障的最快定位。与传统BP网络不同，集成式神经网络通过多传感器在不同位置采集故障设备信息，位置信息可以作为故障诊断的特征值，提高特征信息区分度。初始化时，通过训练序列确定各子网络的学习过程，此时子网络为离线状态，每个子网络建立自身的档案数据，保存训练后的网络特征值。当各子网络训练完毕，并建立档案数据后，进入故障诊断阶段，对传感器采集的信息进行分析。
设船舶汽轮机的故障类型为n，划分的子网络数为m，基于信息融合的故障决策处理在融合网络中进行。
假设子网络NNi（0
Pi=fi1ri1+fi2ri2+fimrim
3.2 应用故障诊断技术
在实际的船舶汽轮机故障诊断中，需要监测的数据主要有：润滑油的量及位置、发动机温度、汽轮机的转动速率、空气热力传导、汽轮震动速率，这五大类监测数据组成5个子神经网络，分别对应d1，d2，d3，d4，d5。本文设计的汽轮机故障系统采用两级神经网络架构，如图1所示。图1中，各神经子网络d1，d2，d3，d4，d5通过自身的自组织学习能力对不同的故障类型进行诊断，诊断后的结果发送至最终的信息融合神经网络进行进一步判别，得到更准确的故障诊断结果。
4结束语
本文对现代船舶的内置汽轮机装置的实际情况进行了分析，同时还探讨了相应的故障分析模型，信息融合技术在很多现代机械制造领域中均有良好应用，在对船舶的问题进行分析时同样也可以使用该种技术，本文结合汽轮机的实际特点探讨了应用该技术的具体情况，同时给出了一些应用建议，经过实际的应用可以发现该技术可以有效地实现故障问题仿真的工作需求，帮助研究人员对汽轮机的相关信息加以采集，同时还能将一些频域信号发出，可预测与诊断的故障问题类型丰富，可继续被推广应用。
参考文献
[1]黄振中，卞政明.基于信息融合技术的船舶汽轮机故障诊断和预测的研究[J].舰船科学技术，2017（7x），164-166.
[2]李环宇.基于信息融合的柴油机故障诊断技术研究[D].大连海事大学，2017.
[3]刘国斌.多传感器信息融合与神经网络的汽轮机的故障分析[J].内燃机与配件，2017（22），82-83.