一种船舶电力推进系统状态监测方法

摘要

本发明涉及一种船舶电力推进系统状态监测方法，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。

主权项

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，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；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。