《一种船舶电力推进系统状态监测方法.pdf》由会员分享，可在线阅读，更多相关《一种船舶电力推进系统状态监测方法.pdf（21页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 104121949 A (43)申请公布日 2014.10.29 CN 104121949 A (21)申请号 201410404660.6 (22)申请日 2014.08.18 G01D 21/02(2006.01) (71)申请人 中国船舶重工集团公司第七一二研 究所 地址 430064 湖北省武汉市洪山区狮子山街 汽校一村 (72)发明人 梁树甜 沈枫 王孟莲 (74)专利代理机构 武汉凌达知识产权事务所 ( 特殊普通合伙 ) 42221 代理人 宋国荣 (54) 发明名称 一种船舶电力推进系统状态监测方法 (57) 摘要 本发明涉及一种船舶电力推进系统状态监测。
2、 方法， 用于指导船舶电力推进系统状态评估系统 的建立， 属于船舶电力推进系统监控系统设计技 术领域。此方法是在对船舶电力推进系统主要组 成设备运行原理深入分析的基础上， 将基于知识 的智能评估算法引入到船舶电力推进系统的状态 评估中， 首次提出了船舶电力推进系统状态评估 指标体系、 流程和算法， 建立了船舶电力推进系统 状态评估模型和船舶电力推进系统状态评估步 骤。本普通发明的优点是 ： 具有较高的理论先进 性和评估准确性， 对船舶电力推进系统状态评估 技术的实际应用具有指导意义。 (51)Int.Cl. 权利要求书 4 页 说明书 12 页 附图 4 页 (19)中华人民共和国国家知识产权。
3、局 (12)发明专利申请 权利要求书4页 说明书12页 附图4页 (10)申请公布号 CN 104121949 A CN 104121949 A 1/4 页 2 1. 一种船舶电力推进系统状态监测方法， 其特征在于， 定义以下四个指标参数 : 一组反映推进变压器状态的指标参数 : 包括静态指标参数和动态指标参数 ； 其中， 静态指标参数包括技术参数、 试验及检修数据、 同类设备故障史数据 ； 所述技术 参数包括额定容量、 初级电压、 次级电压、 效率以及绝缘等级 ； 所述试验及检修数据包括各 绕组直流电阻、 各绕组绝缘电阻、 铁心绝缘电阻、 变压器老化情况数据、 以及前期运行故障 率 ； 所述。
4、同类设备故障史数据包括同类设备故障率以及同类设备常见故障数据 ； 其中， 动态指标参数包括输入参数、 输出参数、 内部参数以及冷却系统参数 ； 所述输入 参数包括原边电压、 原边电流以及输入功率 ； 所述输出参数包括副边电压、 副边电流以及输 出功率 ； 所述内部参数包括原边各绕组温度、 副边各绕组温度以及实时效率 ； 所述冷却系 统参数包括风机运行状态数据、 进出风口温度、 水泵运行状态数据、 冷却水流量、 以及进出 水口温度和压力 ； 一组反映推进变频器状态的指标参数 : 包括静态指标参数和动态指标参数 ； 其中， 静态指标参数包括技术参数、 试验及检修数据、 同类设备故障史数据 ； 所述。
5、技术 参数包括额定容量、 额定输入电压、 额定频率、 额定输出电流以及效率 ； 所述试验及检修数 据包括各器件老化情况数据、 更换器件情况数据、 以及前期运行故障率 ； 所述同类设备故障 史数据包括同类设备故障率以及同类设备常见故障 ； 其中， 动态指标参数包括输入参数、 整流参数、 逆变参数、 内部参数以及冷却系统参数 ； 所述输入参数包括输入电压、 输入电流、 以及输入功率 ； 所述整流参数包括各整流二极管运 行状况、 直流母线电压、 滤波电路各器件监测数据、 以及制动电路各器件监测 ； 所述逆变参 数包括各 IGBT 运行状况、 输出电压、 输出电流、 输出频率以及输出功率 ； 所述内部。
6、参数包括 变频器自检测故障、 变频器自检测报警数据、 实时效率、 内部温度、 内部湿度以及加热器运 行状态 ； 所述冷却系统参数包括风机运行状态数据、 进出风口温度、 水泵运行状态数据、 冷 却水流量、 以及进出口冷却水温度和压力 ； 一组反映推进电动机状态的指标参数 : 包括静态指标参数和动态指标参数 ； 其中， 静态指标参数包括技术参数、 试验及检修数据、 同类设备故障史数据 ； 所述技术 参数包括额定功率、 额定电压、 额定频率、 额定转速、 额定转矩、 效率以及绝缘等级 ； 所述试 验及检修数据包括各绕组绝缘电阻、 各绕组直流电阻、 电动机老化情况数据以及前期运行 故障率 ； 所述同类。
7、设备故障史数据包括同类设备故障率以及同类设备常见故障 ； 其中， 动态指标参数包括输入参数、 输出参数、 内部参数、 冷却系统参数以及轴承参数 ； 所述输入参数包括输入电压、 输入电流、 以及输入功率 ； 所述输出参数包括当前转速、 输出 功率、 以及负载转矩 ； 所述内部参数包括定子各绕组温度、 转速设定、 实时效率、 内部湿度、 以及加热器运行状态 ； 所述冷却系统参数包括风机运行状态、 进出风口温度、 水泵运行状 态、 冷却水流量、 以及进出口的冷却水温度和压力 ； 所述轴承参数包括各轴承温度以及传动 轴振动 ； 包括以下步骤 ： 步骤 1 ： 随机选择采用以下两种方法进行监测， 分别是。
8、模糊神经网络法和支持向量机 法 ； 其 中， 所 述 模 糊 神 经 网 络 法 中 ： 定 义 N1 N4 为 4 个 一 级 模 糊 神 经 网 络， 称 为整个状态评估模糊神经网络的子网络， 表示船舶电力推进系统状态评估的 4 个 权 利 要 求 书 CN 104121949 A 2 2/4 页 3 部分 ： 推进变压器、 推进变频器、 推进电动机和其它设备 ； 其中每个子网络由于评 估设备的不同， 输入结点和输出结点也不同， 结点数由选定的训练样本格式决定 ； 网络模型的第二层根据第一层判定的设备所处的状态求出设备的状态评估评分 ， 第三层根据和各设备的权重求出船舶电力推进系统状 态评。
9、估的最终评分， 包括以下子步骤 ： 首先定义有 个状态评估指标， 种故障， 种正常模式的设备 ； 然后 ： 步骤 101、 确定评判集、 因素集 评 判 集、因 素 集由 训 练 样 本 决 定，即， ； 步骤 102、 确定隶属函数 ： 只有确定了模糊集的隶属度函数， 才能建立模糊关系矩阵 ； 隶属函数有专家打分法、 模糊统计法、 指派法等多种确定方法， 目前最常用的是指派法 中的升半梯分布法和降半梯分布法， 函数表达式为 ： 式一 ； 式二 ； 步骤 103、 建立模糊关系矩阵和初始化神经网络 ： 单纯的模糊综合评判法， 评估的结 果依赖于模糊关系矩阵的准确性， 由于隶属函数确定困难， 导。
10、致准确性差， 所以影响了 模糊综合评判的应用 ； 而在模糊神经网络中， 模糊关系矩阵只是用来初始化神经网络的 权值， 对经过训练的神经网络的准确性没有影响， 且能提高神经网络的训练速度和解决 局部极小问题， 所以模糊神经网络有很大的优越性 ； 确定了隶属函数后， 就可以建立模糊关 系矩阵， 然后用初始化神经网络各连接线的权值 ； 步骤 104、 样本归一化 ： 指将训练样本中所有的数据参数采用极差标准化方法标准化， 标准化后的数据值在之间， 归一化样本能提高精确度， 减少计算误差， 简化数据运算， 加快训练模型的收敛速度 ； 归一化公式如下 ： 式三 ； 式中，是样本中待归一的值，、分别为该样。
11、本中的极大和极小值 ； 步骤 105、 训练神经网络 ： 用归一化后的训练样本对神经网络进行训练 ； MATLAB 仿真软 权 利 要 求 书 CN 104121949 A 3 3/4 页 4 件提供神经网络工具箱， 工具箱中包括各种神经网络的计算函数， 其中 train(*) 函数是神 经网络的训练函数， 此函数能够设置训练误差和训练次数， 且调用方便 ； 步骤 106、 确定评分的权值和特性函数 ： 包括两个部分， 一是确定设备评判集 中各评判级别与设备状态评估评分的连线的权值和评分神经元 的特性函数， 二是确定各设备的评分与船舶电力推进系统状态评估总评分的连线的权值和 总评分神经元的特性。
12、函数 ； 具体的， 要根据设备的实际情况和运行原理做具体分析 ； 步骤 107、 计算评估结果 ： 完成上述步骤后， 就可以将评估数据输入到训练完成的模糊 神经网络中， 并计算出最终评分 ； 其中， 所述支持向量机法包括以下子步骤 ： 步骤 111、 确定支持向量机分类算法， 选取核函数 ： 基于分类算法的复杂程度和对样本 进行训练的速率， 一般选取一对多 SVM 分类或 M-ary 分类 ； 支持向量机核函数的选取对测 试样本评估的准确度有很大影响， 在具体选择什么样的核函数来对样本集进行训练的问题 上， 因为不同的样本， 选取不同核函数的差异比较大， 所以选取核函数要视样本而定 ； 一般 。
13、情况下， 高斯径向基核函数能达到要求， 是首选的核函数 ； 步骤 112、 样本的归一化和核函数参数的确定 ： 样本的归一化方法与通模糊神经网络样本归一化方法相同， 指将训练样本中所有的数 据参数采用极差标准化方法标准化， 标准化后的数据值在之间， 归一化样本能提高精 确度， 减少计算误差， 简化数据运算， 加快训练模型的收敛速度 ； 归一化公式如下 ： 式三 ； 式中，是样本中待归一的值，、分别为该样本中的极大和极小 值 ； 核函数参数的确定是通过对归一化后的训练样本集进行搜索学习得到的 ； 步骤 113、 对训练样本集的学习和对测试样本的评估 ： 样本归一化和核函数参数确定 以后， 可以用。
14、训练样本对支持向量机进行训练， 然后就可以对测试样本进行状态评估 ； 步骤 2， 输入数据 ： 包括船舶电力推进系统当前时刻的数据、 当前时刻之前的历史数据 和预测的未来时刻的数据 ； 根据当前时刻的数据可以监测船舶电力推进系统当前的运行状 况 ； 根据当前时刻的数据和当前时刻之前的历史数据， 并应用预测模型， 可以得到未来时刻 的数据， 从而可以监测船舶电力推进系统未来时刻的运行状况， 发现潜在的故障并及时采 取措施 ； 步骤 3， 根据指标体系， 把电力推行系统状态监测分为推进变压器状态监测、 推进变频 器状态监测、 推进电动机状态监测和其它设备状态监测四个部分， 分别进行状态监测， 然后。
15、 再根据各部分对整个系统的权重对系统进行综合监测， 得出监测结果， 并将船舶电力推进 系统的运行状态分为优、 良、 中、 差、 劣五类评估结果。 2. 根据权利要求 1 所述的一种船舶电力推进系统状态监测方法， 其特征在于， 还包括 ： 一组反映其它设备状态监测指标的指标参数 : 包括当前车位数据、 系统前期运行故障 权 利 要 求 书 CN 104121949 A 4 4/4 页 5 率、 PLC 上传的故障及报警信息、 各继电器状态数据、 各接触器状态数据、 各熔断器状态数 据、 发电机运行状况数据、 当前电源电压品质数据、 以及监控系统运行情况数据 ； 一组反映外环境状况的外环境参数 ：。
16、 包括海水温度、 船舶横倾角度、 船舶纵倾角度以及 船体振动状况数据。 权 利 要 求 书 CN 104121949 A 5 1/12 页 6 一种船舶电力推进系统状态监测方法 技术领域 0001 本发明属于船舶电力推进系统监控系统设计技术领域， 尤其是涉及一种船舶电力 推进系统状态监测方法。 背景技术 0002 随着电力半导体技术、 交流调速理论以及微机控制技术的迅速发展， 船舶电力推 进系统在机动性、 可靠性、 运行效率、 推进功率等方面都有了突破性的进展。其应用范围不 断扩大， 除应用于破冰船、 挖泥船、 渡轮等工程船以外， 还广泛应用于油轮、 游轮、 集装箱船、 散货船等中大型常规船舶。
17、， 显示出了广阔的市场前景。电力推进以其诸多的优越性己成为 船舶推进方式的发展方向。 由于船舶电力推进系统的组成设备多、 结构复杂， 且运行中各设 备是相互关联的， 其安全状态是一个整体， 所以要保证船舶电力推进系统工作的持续性、 可 靠性， 需要从宏观上对电力推进系统设备的运行安全进行整体上的状态评估， 及时的发现 和排除故障， 减少维修工作量， 实现电力推进设备的状态维修和自动化控制。 发明内容 0003 本发明主要是解决现有技术所存在的技术问题 ； 提供了一种以船舶电力推进系统 为对象， 建立了电力推进系统状态评估的指标体系， 具有较高的理论先进性和评估准确性， 对船舶态评估技术的实际应。
18、用具体指导意义的船舶电力推进系统状态监测方法。 0004 本发明的上述技术问题主要是通过下述技术方案得以解决的 ： 一种船舶电力推进系统状态监测方法， 定义以下四个指标参数 : 一组反映推进变压器状态的指标参数 : 包括静态指标参数和动态指标参数 ； 其中， 静态指标参数包括技术参数、 试验及检修数据、 同类设备故障史数据 ； 所述技术 参数包括额定容量、 初级电压、 次级电压、 效率以及绝缘等级 ； 所述试验及检修数据包括各 绕组直流电阻、 各绕组绝缘电阻、 铁心绝缘电阻、 变压器老化情况数据、 以及前期运行故障 率 ； 所述同类设备故障史数据包括同类设备故障率以及同类设备常见故障数据 ； 。
19、其中， 动态指标参数包括输入参数、 输出参数、 内部参数以及冷却系统参数 ； 所述输入 参数包括原边电压、 原边电流以及输入功率 ； 所述输出参数包括副边电压、 副边电流以及输 出功率 ； 所述内部参数包括原边各绕组温度、 副边各绕组温度以及实时效率 ； 所述冷却系 统参数包括风机运行状态数据、 进出风口温度、 水泵运行状态数据、 冷却水流量、 以及进出 水口温度和压力 ； 一组反映推进变频器状态的指标参数 : 包括静态指标参数和动态指标参数 ； 其中， 静态指标参数包括技术参数、 试验及检修数据、 同类设备故障史数据 ； 所述技术 参数包括额定容量、 额定输入电压、 额定频率、 额定输出电流。
20、以及效率 ； 所述试验及检修数 据包括各器件老化情况数据、 更换器件情况数据、 以及前期运行故障率 ； 所述同类设备故障 史数据包括同类设备故障率以及同类设备常见故障 ； 其中， 动态指标参数包括输入参数、 整流参数、 逆变参数、 内部参数以及冷却系统参数 ； 说 明 书 CN 104121949 A 6 2/12 页 7 所述输入参数包括输入电压、 输入电流、 以及输入功率 ； 所述整流参数包括各整流二极管运 行状况、 直流母线电压、 滤波电路各器件监测数据、 以及制动电路各器件监测 ； 所述逆变参 数包括各 IGBT 运行状况、 输出电压、 输出电流、 输出频率以及输出功率 ； 所述内部参。
21、数包括 变频器自检测故障、 变频器自检测报警数据、 实时效率、 内部温度、 内部湿度以及加热器运 行状态 ； 所述冷却系统参数包括风机运行状态数据、 进出风口温度、 水泵运行状态数据、 冷 却水流量、 以及进出口冷却水温度和压力 ； 一组反映推进电动机状态的指标参数 : 包括静态指标参数和动态指标参数 ； 其中， 静态指标参数包括技术参数、 试验及检修数据、 同类设备故障史数据 ； 所述技术 参数包括额定功率、 额定电压、 额定频率、 额定转速、 额定转矩、 效率以及绝缘等级 ； 所述试 验及检修数据包括各绕组绝缘电阻、 各绕组直流电阻、 电动机老化情况数据以及前期运行 故障率 ； 所述同类设。
22、备故障史数据包括同类设备故障率以及同类设备常见故障 ； 其中， 动态指标参数包括输入参数、 输出参数、 内部参数、 冷却系统参数以及轴承参数 ； 所述输入参数包括输入电压、 输入电流、 以及输入功率 ； 所述输出参数包括当前转速、 输出 功率、 以及负载转矩 ； 所述内部参数包括定子各绕组温度、 转速设定、 实时效率、 内部湿度、 以及加热器运行状态 ； 所述冷却系统参数包括风机运行状态、 进出风口温度、 水泵运行状 态、 冷却水流量、 以及进出口的冷却水温度和压力 ； 所述轴承参数包括各轴承温度以及传动 轴振动 ； 包括以下步骤 ： 步骤 1 ： 随机选择采用以下两种方法进行监测， 分别是模。
23、糊神经网络法和支持向量机 法 ； 其 中， 所 述 模 糊 神 经 网 络 法 中 ： 定 义 N1 N4 为 4 个 一 级 模 糊 神 经 网 络， 称 为整个状态评估模糊神经网络的子网络， 表示船舶电力推进系统状态评估的 4 个 部分 ： 推进变压器、 推进变频器、 推进电动机和其它设备 ； 其中每个子网络由于评 估设备的不同， 输入结点和输出结点也不同， 结点数由选定的训练样本格式决定 ； 网络模型的第二层根据第一层判定的设备所处的状态求出设备的状态评估评分 ， 第三层根据和各设备的权重求出船舶电力推进系统状 态评估的最终评分， 包括以下子步骤 ： 首先定义有 个状态评估指标， 种故障。
24、， 种正常模式的设备 ； 然后 ： 步骤 101、 确定评判集、 因素集 评 判 集、因 素 集由 训 练 样 本 决 定，即， ； 步骤 102、 确定隶属函数 ： 只有确定了模糊集的隶属度函数， 才能建立模糊关系矩阵 ； 隶属函数采用指派法中的升半梯分布法和降半梯分布法， 函数表达式为 ： 说 明 书 CN 104121949 A 7 3/12 页 8 式一 ； 式二 ； 步骤 103、 建立模糊关系矩阵和初始化神经网络 ： 单纯的模糊综合评判法， 评估的结 果依赖于模糊关系矩阵的准确性， 由于隶属函数确定困难， 导致准确性差， 所以影响了 模糊综合评判的应用 ； 而在模糊神经网络中， 模。
25、糊关系矩阵只是用来初始化神经网络的 权值， 对经过训练的神经网络的准确性没有影响， 且能提高神经网络的训练速度和解决 局部极小问题， 所以模糊神经网络有很大的优越性 ； 确定了隶属函数后， 就可以建立模糊关 系矩阵， 然后用初始化神经网络各连接线的权值 ； 步骤 104、 样本归一化 ： 指将训练样本中所有的数据参数采用极差标准化方法标准化， 标准化后的数据值在之间， 归一化样本能提高精确度， 减少计算误差， 简化数据运算， 加快训练模型的收敛速度 ； 归一化公式如下 ： 式三 ； 式中，是样本中待归一的值，、分别为该样本中的极大和极小值 ； 步骤 105、 训练神经网络 ： 用归一化后的训练。
26、样本对神经网络进行训练 ； MATLAB 仿真软 件提供神经网络工具箱， 工具箱中包括各种神经网络的计算函数， 其中 train(*) 函数是神 经网络的训练函数， 此函数能够设置训练误差和训练次数， 且调用方便 ； 步骤 106、 确定评分的权值和特性函数 ： 包括两个部分， 一是确定设备评判集 中各评判级别与设备状态评估评分的连线的权值和评分神经元 的特性函数， 二是确定各设备的评分与船舶电力推进系统状态评估总评分的连线的权值和 总评分神经元的特性函数 ； 具体的， 要根据设备的实际情况和运行原理做具体分析 ； 步骤 107、 计算评估结果 ： 完成上述步骤后， 就可以将评估数据输入到训练。
27、完成的模糊 神经网络中， 并计算出最终评分 ； 其中， 所述支持向量机法包括以下子步骤 ： 步骤 111、 确定支持向量机分类算法， 选取核函数 ： 基于分类算法的复杂程度和对样本 进行训练的速率， 一般选取一对多 SVM 分类或 M-ary 分类 ； 支持向量机核函数的选取对测 试样本评估的准确度有很大影响， 在具体选择什么样的核函数来对样本集进行训练的问题 上， 因为不同的样本， 选取不同核函数的差异比较大， 所以选取核函数要视样本而定 ； 一般 情况下， 高斯径向基核函数能达到要求， 是首选的核函数 ； 说 明 书 CN 104121949 A 8 4/12 页 9 步骤 112、 样本。
28、的归一化和核函数参数的确定 ： 样本的归一化方法与通模糊神经网络样本归一化方法相同， 指将训练样本中所有的数 据参数采用极差标准化方法标准化， 标准化后的数据值在之间， 归一化样本能提高精 确度， 减少计算误差， 简化数据运算， 加快训练模型的收敛速度 ； 归一化公式如下 ： 式三 ； 式中，是样本中待归一的值，、分别为该样本中的极大和极小 值 ； 核函数参数的确定是通过对归一化后的训练样本集进行搜索学习得到的 ； 步骤 113、 对训练样本集的学习和对测试样本的评估 ： 样本归一化和核函数参数确定 以后， 可以用训练样本对支持向量机进行训练， 然后就可以对测试样本进行状态评估 ； 步骤 2，。
29、 输入数据 ： 包括船舶电力推进系统当前时刻的数据、 当前时刻之前的历史数据 和预测的未来时刻的数据 ； 根据当前时刻的数据可以监测船舶电力推进系统当前的运行状 况 ； 根据当前时刻的数据和当前时刻之前的历史数据， 并应用预测模型， 可以得到未来时刻 的数据， 从而可以监测船舶电力推进系统未来时刻的运行状况， 发现潜在的故障并及时采 取措施 ； 步骤 3， 根据指标体系， 把电力推行系统状态监测分为推进变压器状态监测、 推进变频 器状态监测、 推进电动机状态监测和其它设备状态监测四个部分， 分别进行状态监测， 然后 再根据各部分对整个系统的权重对系统进行综合监测， 得出监测结果， 并将船舶电力。
30、推进 系统的运行状态分为优、 良、 中、 差、 劣五类评估结果。 0005 本申请创造性的以船舶电力推进系统为对象， 建立了电力推进系统状态评估的指 标体系， 以该指标体系为基础进行状态评估， 且本专利所应用的智能评估算法与目前出现 的专利应用的算法不同， 具有一定的理论先进性 在上述的一种船舶电力推进系统状态监测方法， 还包括 ： 一组反映其它设备状态监测指标的指标参数 : 包括当前车位数据、 系统前期运行故障 率、 PLC 上传的故障及报警信息、 各继电器状态数据、 各接触器状态数据、 各熔断器状态数 据、 发电机运行状况数据、 当前电源电压品质数据、 以及监控系统运行情况数据 ； 一组反。
31、映外环境状况的外环境参数 ： 包括海水温度、 船舶横倾角度、 船舶纵倾角度以及 船体振动状况数据。 0006 因此， 本发明具有如下优点 ： 具有较高的理论先进性和评估准确性， 对船舶态评估 技术的实际应用具体指导意义。 附图说明 0007 图 1 为船舶电力推进系统状态评估指标体系。 0008 图 2 为船舶电力推进系统状态评估流程。 0009 图 3 为船舶电力推进系统模糊神经网络状态评估模型。 0010 图 4 为船舶电力推进系统支持向量机状态评估模型。 说 明 书 CN 104121949 A 9 5/12 页 10 0011 图 5 为模糊神经网络状态评估步骤。 0012 图 6 为。
32、支持向量机状态评估步骤。 0013 图 7a 为升半梯分布图。 0014 图 7b 为降半梯分布图。 具体实施方式 0015 下面通过实施例， 并结合附图， 对本发明的技术方案作进一步具体的说明。 0016 实施例 ： 首先应用统计法建立船舶电力推进系统状态评估的指标体系， 将指标分为推进变压器 指标、 推进变频器指标、 推进电动机指标和其它设备指标， 然后提出船舶电力推进系统状态 评估的流程并给出评估结果， 最后提出基于智能评估算法的船舶电力推进系统状态评估模 型和实现步骤， 为船舶电力推进系统状态评估系统的设计提供理论指导。 0017 在上述技术方案基础上进一步的技术方案是 ： 1、 船舶。
33、电力推进系统状态评估指标体系的建立 船舶电力推进系统主要包括推进变压器、 推进变频器、 推进电动机和其它设备， 电力推 进系统的状态评估是以上述组成设备的状态评估结果为基础， 经过综合评估得到。船舶电 力推进系统状态评估的指标体系如附图 1 所示， 包括推进变压器状态评估指标、 推进变频 器状态评估指标、 推进电动机状态评估指标和其它设备状态评估指标， 应用统计法得指标 集合见表 1- 表 4， 在实际应用中， 可根据实际情况对表中的指标集合进行适当的裁剪， 从而 得到适合应用的状态评估指标体系。 0018 表 1 推进变压器状态评估指标 说 明 书 CN 104121949 A 10 6/1。
34、2 页 11 表 2 推进变频器状态评估指标 说 明 书 CN 104121949 A 11 7/12 页 12 表 3 推进电动机状态评估指标 说 明 书 CN 104121949 A 12 8/12 页 13 表 4 其它设备状态评估指标 说 明 书 CN 104121949 A 13 9/12 页 14 2、 船舶电力推进系统状态评估流程。 0019 船舶电力推进系统状态评估的主要目的是为了评估船舶电力推进系统当前运行 状况和潜在故障发生的可能性以便及时采取措施消除隐患 ； 另一方面要根据评估的结果对 船舶电力推进系统状态维修提出指导性建议， 帮助决策者根据船舶电力推进系统当前的状 态制。
35、定相应的检修方案。由此建立船舶电力推进系统状态评估流程， 如附图 2 所示， 船舶电 力推进系统状态评估流程描述如下 ： a. 输入数据。 0020 输入数据即输入状态评估指标， 是进行状态评估的依据， 这里输入数据包括船舶 电力推进系统当前时刻的数据、 当前时刻之前的历史数据和预测的未来时刻的数据。根据 当前时刻的数据可以评估船舶电力推进系统当前的运行状况 ； 根据当前时刻的数据和当前 时刻之前的历史数据， 并应用预测模型， 可以得到未来时刻的数据， 从而可以评估船舶电力 推进系统未来时刻的运行状况， 发现潜在的故障并及时采取措施。 0021 b. 评估算法选择。 0022 本专利采用两种算。
36、法 ： 模糊神经网络和支持向量机。 模糊神经网络是模糊理论、 人 工神经网络的结合， 具备学习能力的同时可以处理非线性问题， 是比较理想的状态评估算 法 ； 支持向量机法对小样本数据有较强的处理能力， 是有效和实用的状态评估算法。 本专利 涉及的状态评估方法可以选择这两种算法的任意一种进行状态评估。 0023 c. 船舶电力推进系统状态评估。 0024 根据指标体系， 把电力推行系统状态评估分为推进变压器状态评估、 推进变频器 状态评估、 推进电动机状态评估和其它设备状态评估四个部分， 分别进行状态评估， 然后再 根据各部分对整个系统的权重对系统进行综合评估， 得出评分结果。 0025 d. 。
37、评估结果判定。 0026 评估结果判定采取百分制， 为 0 100 分， 0 分表示状态评估指标接近或超过规定 说 明 书 CN 104121949 A 14 10/12 页 15 的注意值 ； 100 分则表示所有状态评估指标均远离注意值或与优质产品的出厂值相近， 即 电力推进完全处于正常状态。 其他情形的状态评分介于0分与100分之间。 根据评估分数， 把船舶电力推进系统的运行状态分为优、 良、 中、 差、 劣等五类评估结果， 见表 5。 0027 表 5 船舶电力推进系统状态评估等级判定表 评估分数81 100 61 80 41 60 21 40 0 20 评估等级优良中差劣 e. 评估。
38、结束。 0028 得出评估结果和检修意见后， 判断是否结束评估， 若为否则继续输入数据进行评 估， 否则评估结束。 0029 3、 船舶电力推进系统状态评估模型。 0030 一、 模糊神经网络状态评估模型。 0031 根据模糊神经网络的基本原理， 结合船舶电力推进系统的实际， 设计船舶电力推 进系统状态评估的三级模糊神经网络模型， 如附图 3 所示。附图 3 中， N1 N4 为 4 个一级 模糊神经网络， 称为整个状态评估模糊神经网络的子网络， 表示船舶电力推进系统状态评 估的 4 个部分 ： 推进变压器、 推进变频器、 推进电动机和其它设备。其中每个子网络由于评 估设备的不同， 输入结点和。
39、输出结点也不同， 结点数由选定的训练样本格式决定。 网络模型 的第二层根据第一层判定的设备所处的状态求出设备的状态评估评分， 第三层根据和各设备的权重求出船舶电力推进系统状态评估的最终评分 。 0032 以有个状态评估指标，种故障，种正常模式 的设备为例， 说明基于模糊神经网络的状态评估的步骤。 0033 a. 确定评判集、 因素集。 0034 评 判 集、因 素 集由 训 练 样 本 决 定，即， 。 0035 b. 确定隶属函数。 0036 只有确定了模糊集的隶属度函数， 才能建立模糊关系矩阵。隶属函数有专家 打分法、 模糊统计法、 指派法等多种确定方法， 目前最常用的是指派法中的升半梯分。
40、布法和 降半梯分布法， 其函数如附图7所示， 其中图7(a)为升半梯分布法、 图7(b) 为降半梯分布。 函数表达式为 ： (1) 说 明 书 CN 104121949 A 15 11/12 页 16 (2) 在实际应用中， 对于数据越大越好型的指标采用升半梯分布函数， 对于越小越好型的 则采用降半梯分布函数， 对于那些中间型数据， 则取其绝对值进行数据处理， 如果数据绝对 值递增趋势为好的采用升半梯函数， 相反则采用降半梯函数。参数、 一般根据指标的 阈值确定。 属度函数的确定还有其它一些方法， 要根据现场实际情况和运行经验， 综合应用 各种方法。 0037 c. 建立模糊关系矩阵和初始化神。
41、经网络。 0038 单纯的模糊综合评判法， 评估的结果依赖于模糊关系矩阵的准确性， 由于隶属 函数确定困难， 导致准确性差， 所以影响了模糊综合评判的应用。而在模糊神经网络中， 模糊关系矩阵只是用来初始化神经网络的权值， 对经过训练的神经网络的准确性没有 影响， 且能提高神经网络的训练速度和解决局部极小问题， 所以模糊神经网络有很大的优 越性。 确定了隶属函数后， 就可以建立模糊关系矩阵， 然后用初始化神经网络各连接线 的权值。 0039 d. 样本归一化。 0040 样本的归一化是指将训练样本中所有的数据参数采用极差标准化方法标准化， 标 准化后的数据值在之间， 归一化样本能提高精确度， 减。
42、少计算误差， 简化数据运算， 加 快训练模型的收敛速度。归一化公式如下 ： (3) 式中，是样本中待归一的值，、分别为该样本中的极大和极小值。 0041 e. 训练神经网络。 0042 用归一化后的训练样本对神经网络进行训练。MATLAB 仿真软件提供 Neural Netword Toolbox( 神经网络工具箱 )， 工具箱中包括各种神经网络的计算函数， 其中 train() 函数是神经网络的训练函数， 此函数可设置训练误差和训练次数， 且调用方便。 0043 f. 确定评分的权值和特性函数。 0044 此部分包括两个内容， 一是确定设备评判集中各评判 级别与设备状态评估评分的连线的权值和。
43、评分神经元的特性函数， 二是确定各设备的评分 与船舶电力推进系统状态评估总评分的连线的权值和总评分神经元的特性函数。具体的， 要根据设备的实际情况和运行原理做具体分析。 0045 g. 计算评估结果 完成上述步骤后， 就可以将评估数据输入到训练完成的模糊神经网络中， 并计算出最 终评分。 说 明 书 CN 104121949 A 16 12/12 页 17 0046 b. 支持向量机状态评估模型。 0047 二、 船舶电力推进系统状态评估的支持向量机模型如附图 4 所示， 与模糊神经网 络模型相似， 只是各设备的状态评估子网络不同。包括以下步骤 ： a. 确定支持向量机分类算法， 选取核函数。。
44、 0048 基于分类算法的复杂程度和对样本进行训练的速率， 一般选取一对多 SVM 分类或 M-ary分类。 支持向量机核函数的选取对测试样本评估的准确度有很大影响， 在具体选择什 么样的核函数来对样本集进行训练的问题上， 因为不同的样本， 选取不同核函数的差异比 较大， 所以选取核函数要视样本而定。一般情况下， 高斯径向基核函数能达到要求， 是首选 的核函数。 0049 b. 样本的归一化和核函数参数的确定。 0050 样本的归一化方法与通模糊神经网络样本归一化方法相同， 不赘述。 0051 核函数参数的确定是通过对归一化后的训练样本集进行搜索学习得到的。 0052 c. 对训练样本集的学习。
45、和对测试样本的评估。 0053 样本归一化和核函数参数确定以后， 可以用训练样本对支持向量机进行训练， 然 后就可以对测试样本进行状态评估。 0054 本文中所描述的具体实施例仅仅是对本发明精神作举例说明。 本发明所属技术领 域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替 代， 但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。 说 明 书 CN 104121949 A 17 1/4 页 18 图 1 图 2 说 明 书 附 图 CN 104121949 A 18 2/4 页 19 图 3 图 4 说 明 书 附 图 CN 104121949 A 19 3/4 页 20 图 5 图 6 图 7a 说 明 书 附 图 CN 104121949 A 20 4/4 页 21 图 7b 说 明 书 附 图 CN 104121949 A 21 。