基于神经网络及光谱分析的船舶主机磨损状态研究.pdf

基于神经网络及光谱分析的船舶主机磨损状态研究

船舶主机润滑油中金属磨粒的含量能够反映出主机的磨损运转状况。通过对

船舶主机润滑油中金属元素含量的预测能够提前判断主机相关部件的故障，作为

主机状态监测的依据。由于船舶主机运行状况比较复杂，其润滑油中金属元素含

量受诸多因素影响，若对其含量进行预测传统方法往往误差较大，难以达到预期

的目的。文章提出基于BP神经网络对主机润滑油中的金属含量进行预测，并利

用MATLAB进行建模仿真，将该方法应用于某船舶主机润滑油铁金属含量预测，

预测结果的平均相对误差为2.11%～2.72%，能够满足船用柴油机状态监测的需

要。

标签：光谱分析；趋势预测；BP神经网络；主机

1概述

润滑油中磨损性金属元素成分和浓度变化蕴涵着各摩擦副润滑和工作状态

的丰富信息，基于红外光谱的船用润滑油金属含量分析已经成为现阶段应用普遍

且有效的技术手段，也能够实现对船舶主机进行状态监测和故障诊断。红外光谱

分析主要检测润滑油中金属元素的含量，通过其变化趋势来提前判断机械部件的

运转状况和潜在的故障类型。目前对光谱数据的分析预测方法主要有时间序列预

测、线性回归预测、灰色预测、遗传算法预测[1，2，3，4，5，6]等方法模型。

由于船舶主机润滑油中金属元素含量的影响因素比较多，故利用上述四种传统数

学预测模型很难准确表达其金属含量的变化趋势。本文提出一种基于BP神经网

络和光谱分析的预测方法，建立时间序列模型，利用船舶主机润滑油中金属元素

含量的历史数据来预测其未来一定周期内的变化趋势。

2BP神经网络和光谱分析的预测模型

传统的时间序列预测模型就是根据时间序列{xm}的历史数据xm，xm-1，...，

对其未来变化趋势xm+h（h0）进行估计，也就是认为xm+h与历史数据之间存

在某种函数映射关系，可用下式描述：

那么时间序列预测模型可以转化成对函数G（·）的逼近问题。当h=1时称

为一步预测，h1时称为多步预测。若采用传统BP神经网络对xm+h进行预测，

由于xm-1，xm-2，...对xm的影响难以表达，也就是说时间序列中实际存在的时

间累积效应很难描述，这样势必会对其最终的预测精度产生影响。

本文针对传统时间序列模型存在的弊端，提出首先将xm，xm-1，...进行函

数拟合，产生一个时变函数xm（t）.此时时间序列模型在m+1时刻的取值与函

数xm（t）之间就存在着某种函数映射关系，可用下式描述：

此时，时间序列预测问题就转化为对泛函F（·）的逼近问题，而已经证明

BP神经网络是任意连续泛函的一致逼近器。因此将xm（t）作为神经网络的输

入，可以把时间序列预测问题转化为神经网络对泛函F（·）的逼近问题。

2.1BP神经网络模型

至今为止，BP神经网络是应用最为广泛的过程神经网络模型，多层BP神

经网络模型中，单隐层网络的应用是最普遍的，如图1所示。BP网络是一种包

括输入层、隐含层和输出层在内的，具有三层或三层以上神经元的神经网络模型，

其中每一个神经元的激励函数是可微的Sigmoid函数。上下层之间实现全连接，

而每层神经元之间无连接[7]。

该模型中，输入向量为X=（x1，x2，...xi，...xn）T，隐含层输出向量为

Y=（y1，y2，...yj...ym）T，输出层输出向量为O=（o1，o2，...，ok，...，ol）T，

期望的输出向量为d=（d1，d2，...，dk，...dl）T。输入层到隐含层之间的权值

矩阵用V表示，V=（V1，V2，...，Vj，...Vm），其中列向量Vj为隐含层中第j

个神经元对应的权向量；隐含层到输出层之间的权值矩阵用W表示，W=（W1，

W2，...，Wk，...Wi），其中列向量Wk为输出层中第k个神经元对应的权向量。

下面分析各层信号之间的数学关系。

输出层中数学关系：

隐含层中数学关系：

以上两式中，转移函数f（x）均为单极性Sigmoid函数：

2.2BP学习过程[8]

当BP神经网络的输出值与期望输出值不相等时，存在输出误差E，定义如

下：

进一步展开至输入层，有：

由以上式子能够看出，BP神经网络的输出误差是各层权值wjk、vij的函数