可左右滑动选省市

一种基于深度学习的船舶轴承润滑状态在线监测系统

更新时间:2024-07-01
一种基于深度学习的船舶轴承润滑状态在线监测系统 专利申请类型:发明专利;
地区:湖北-武汉;
源自:武汉高价值专利检索信息库;

专利名称:一种基于深度学习的船舶轴承润滑状态在线监测系统

专利类型:发明专利

专利申请号:CN202210538087.2

专利申请(专利权)人:武汉科技大学
权利人地址:湖北省武汉市青山区和平大道947号

专利发明(设计)人:黄千稳,余成锋,沈鑫,赵泽宇,盛明辉,夏靖,谢志豪

专利摘要:本发明公开了一种基于深度学习的船舶轴承润滑状态在线监测系统,船舶推进轴系的运行状态直接决定船舶航行是否稳定,不良的润滑状态会加剧支撑轴承的磨损与发热,进而引起整个轴系的剧烈振动,严重影响船舶运行安全,这会造成很严重的后果。本发明以深度学习为基础,考虑到各个数据集在时间序列上的先后影响关系,搭建了LSTM‑ELM神经网络,并采用WOA算法进行参数寻优,数据采集方面包括非直接接触式测量方法测得的油膜压力数据,和用传感器测得的转速,温度,黏度数据,通过上述数据集来训练网络,达到预测边界润滑出现概率的效果。在发生边界润滑时,及时对船舶工作人员发出警示,使其作出相应响应,如向轴承处添加润滑油,抗磨剂或进行适当冷却。本发明可显著的提高轴承寿命,并有效的提高船舶航行过程中的稳定性和安全性。

主权利要求:
1.一种基于深度学习的船舶轴承润滑状态在线监测系统,其特征在于,该监测系统监测包括以下步骤:
S1、通过安装在轴承附近的各传感器获取轴承运行时的各项数据;采集数据设备包括超声波测压装置、油膜温度传感器、润滑油黏度传感器、轴颈转速传感器、模数转换器、上位机;
S2、搭建LSTM‑ELM神经网络预测模型,采用WOA优化函数寻找ELM最佳权值,阈值,对采集到的信号实时处理,并输出边界润滑的出现概率;
S3、将油温、润滑油黏度、油膜压力、轴的转速参数代入已训练好的神经网络模型;搭建了LSTM‑ELM神经网络预测模型,收集到的参数同时进入ELM学习机和LSTM神经网络,在ELM一侧,对比传统的BP神经网络,采用WOA优化算法,寻找最佳权值,阈值,采用了L2正则化防止过拟合,对于网络结构,采用两层隐层,第一层隐层为10个神经元的全连接层,激活函数采用收敛、计算更快的Relu,保证了运算效率,有效提升警报的响应速率,第二层隐层为5个神经元的全连接层,激活函数采用softmax,使输出服从概率分布,输出层为三个神经元,分别表示三种润滑状态的出现概率,数据通过ELM将参数初始化,将训练随机产生的阈值,权值作为WOA的初始位置向量;
S4、在LSTM一侧,采用3个sigmoid激活函数及2个tanh激活函数实现信息的输入、遗忘、更新以及输出,堆叠层数为1层,训练次数达到2000次时停止训练,输出结果维数为3,分别表示三种润滑状态的出现概率;
S5、将上述由WOA寻优算法找到的最佳权值,阈值代入ELM极限学习机,并将上述LSTM输入层及所有隐层作为ELM输入,将ELM输出与LSTM神经网络输出做平均值处理,计算得出润滑状态的概率分布;
S6、通过载入已训练好的神经网络模型,代入已处理好的传感器所采集到的数据,实时计算出油膜润滑状态的概率分布,润滑状态包括全膜润滑,边界润滑与混合润滑,当油膜润滑状态主要为全膜润滑时,此时润滑效果最佳,基本不会发生轴承磨损,对轴承,轴颈表面均起到保护效果,使状态属性灯呈绿色,当油膜润滑状态主要为混合润滑时,此时虽然会发生部分边界润滑,但属于可接受的范围内,可使状态属性灯呈黄色,当油膜润滑状态主要为边界润滑时,轴承会产生较为剧烈的摩擦磨损,可使状态属性灯呈红色,并发出警报至轮机主控制室;
S7、当边界润滑的出现概率大于预先设定的概率阈值时,发出警示信号送至船舶主控制室;当某一时刻,油膜边界润滑的概率大于0.9时,此时轴承油膜发生的基本为边界润滑,油膜温度将保持在一个较高区间,并发生严重磨损,此时通过出发警报,使机组工作人员添加润滑油,抗磨剂或适当冷却,均有效避免边界润滑的发生,延长轴承的使用寿命,同时根据实际情况适当调节概率阈值,概率阈值为0.8‑0.9,既使警报不过于频繁,同时有效的预防边界润滑。
2.如权利要求1所述的一种基于深度学习的船舶轴承润滑状态在线监测系统,其特征在于,所述步骤S1中所述轴颈转速传感器采用非接触式光电传感器,安装于轴承壳体一侧,转速感应器(1)安装于转轴上侧,电光感应片(2)安装在转轴上;所述油膜温度传感器(3)、润滑油黏度传感器(4)放置于出油口(5)内壁;所述超声波测压装置包含超声波发射模块(6),超声波接收模块(7)和数据处理模块(8),超声波发射模块(6)、超声波接收模块(7)对称放置于轴承上下两侧,所述数据处理模块包括DSP及控制电路。
3.如权利要求2所述的一种基于深度学习的船舶轴承润滑状态在线监测系统,其特征在于,所述步骤S1在进行超声波测压前,测量在超声波发射模块(6)和接收模块(7)安装方向上,上下两侧轴承的厚度d1、d3,上下两侧轴承中间的高度d,以及转轴的直径d2;超声波在轴承材料及转轴材料中的速度可查表得到,设为v1,v2,液压与声速具有近似一次线性关系,线性关系比较稳定,满足关系式:
式中,C为润滑油中超声波声速,单位为m/s;C0为常温、一个大气压下润滑油中超声波声速,单位为m/s;P为润滑油压力,单位为Pa;K为比例系数,其中C0、K为常数,通过实验或者查表求得;由式(1)可以看出,测量超声波在轴承润滑油膜中的声速就能得到油膜的压力值;
由数据处理模块(8)、超声波发射模块(6)发射超声波,超声波接收模块(7)接收超声波,测得超声波运行总时间t0,得C的表达式:联合式(1)、式(2)化简得出润滑油压力P表达式:
由式(3)可知,只需得到超声波在轴承间运行总时间t0,即可得出轴承间润滑油油压,即油膜压力,由数据处理模块8进行上述计算并将压力信号转为数字信号发送给上位机进行后续处理;
将传感器所测量到的电信号通过模数转换器,转化为数字信号,传递给上位机进行数据处理,所述模数转换器下连接至上述的油膜温度传感器,润滑油黏度传感器以及轴颈转速传感器,并采用RS485通讯上连接至上位机。
4.如权利要求1所述的一种基于深度学习的船舶轴承润滑状态在线监测系统,其特征在于,步骤S2边界润滑的出现概率使用如下方程进行描述:P=f(T)+g(μ)+h(n)+j(py);
其中P表示边界润滑的出现概率,T表示轴承运行时的润滑油温度,μ表示润滑油黏度,n表示轴的转速,py表示油膜压力;
对润滑油温度T:油温升高会导致润滑油的黏度下降,容易引起局部油膜破坏,润滑失效,降低轴承的承载能力,甚至发生润滑油碳化而烧瓦;油温降低会使油的黏度增加,从而使油膜润滑摩擦力增大,轴承消耗功率增加,此外,还会使油膜变厚,产生因油膜振动引起的机器振动;
对黏度μ:不同温度下润滑油黏度不同,黏度太高时阻力大,不利于均匀润滑,散热效果不好;黏度太低时,轴面不能保持足够的油膜,润滑效果不佳;
对转速n:转速越高,轴承及润滑油温度越高,润滑油受离心力作用黏度降低;
对油膜压力py:载荷越大,油膜压力越大,油膜厚度越小;载荷越小,油膜压力越小,油膜厚度越大,影响轴承散热,油膜压力主要取决于载荷的大小;
所采用的深度学习预测模型根据以往数据自动拟合出各参数之间的函数关系。
5.如权利要求1所述的一种基于深度学习的船舶轴承润滑状态在线监测系统,其特征在于,步骤S3对WOA优化算法,设置种群数量N为20,最大迭代次数Tmax为40,WOA优化算法的具体步骤为:D=|CX*(t)‑X(t)|(4);
X(t+1)=X*(t)‑AD(5);
A=2ar1‑a(6);
C=2r2(7);
D*=|X*(t)‑X(t)|(10);
式中,t是当前的迭代数,X(t)表示当前解的位置,X*(t)表示随机最优解位置,D表示两者之间的距离,r1,r2是(0,1)中的随机数,a从2到0线性下降,Tmax是最大迭代次数,A和C是系数,D*表示距离最优解的距离,b是衡量螺旋线形状的常量,l是(0,1)内的随机数,p指概率,ELM诊断错误率低于0.01%时,在初始化的种群中计算目前个体适应度值,得到最优解;随着a值降低,A值随之波动,WOA设定当|A|≤1时,采用式(9)进行迭代,|A|>1时,采用式(5)进行迭代,计算个体适应度值,找到最优参数,代入ELM中。 说明书 : 一种基于深度学习的船舶轴承润滑状态在线监测系统技术领域[0001] 本发明涉及船舶轴承油膜润滑领域,尤其涉及一种基于深度学习的船舶轴承润滑状态在线监测系统。背景技术[0002] 海运是当前国际贸易的主要物流网络之一,随着经济全球化,各国间贸易频繁往来,要求船舶在长途运输过程中具有较高的稳定性,而船舶推进轴系支撑轴承运行状态的优良与否直接影响了船舶航行的稳定性,若不能形成完整润滑膜或者润滑油膜变薄,全膜润滑状态便会过渡到边界润滑状态,直至发生干摩擦,这会加剧轴承的磨损与发热,进而引起整个推进轴系的剧烈振动,影响到整个船体稳定的运行状态。由于润滑油的工作环境特殊,难以直接对油膜的参数进行测量,而油膜各点的润滑状态不尽相同,其与油膜温度,压力,黏度,轴承转速等参数皆有关系,所以,轴承油膜的润滑状态难以判定,很难对润滑失效进行持续在线监测,因此,实时监测轴承的润滑状态,避免轴承的磨损,使其能够长期稳定的工作是极具意义的。[0003] 针对实时监测困难的问题,本发明结合了深度学习原理,通过实验数据,拟合出了油膜润滑状态的预测模型,通过将传感器采集到的轴承各项参数传入神经网络,实现预测油膜润滑状态的功能。发明内容[0004] 本发明的目的在于提供一种基于深度学习的船舶轴承润滑状态在线监测系统,以解决上述技术问题。[0005] 为实现上述目的本发明采用以下技术方案:[0006] 一种基于深度学习的船舶轴承润滑状态在线监测系统,包括以下步骤:[0007] S1、通过安装在轴承附近的各传感器获取轴承运行时的各项数据;采集数据设备包括超声波测压装置、油膜温度传感器、润滑油黏度传感器、轴颈转速传感器、模数转换器、上位机;[0008] S2、搭建LSTM‑ELM神经网络预测模型,采用WOA优化函数寻找ELM最佳权值,阈值,对采集到的信号实时处理,并输出边界润滑的出现概率;[0009] S3、将油温、润滑油黏度、油膜压力、轴的转速参数代入已训练好的神经网络模型;搭建了LSTM‑ELM神经网络预测模型,收集到的参数同时进入ELM学习机和LSTM神经网络,在ELM一侧,对比传统的BP神经网络,采用WOA优化算法,寻找最佳权值,阈值,采用了L2正则化防止过拟合,对于网络结构,采用两层隐层,第一层隐层为10个神经元的全连接层,激活函数采用收敛、计算更快的Relu,保证了运算效率,有效提升警报的响应速率,第二层隐层为5个神经元的全连接层,激活函数采用softmax,使输出服从概率分布,输出层为三个神经元,分别表示三种润滑状态的出现概率,数据通过ELM将参数初始化,将训练随机产生的阈值,权值作为WOA的初始位置向量;[0010] S4、在LSTM一侧,采用3个sigmoid激活函数及2个tanh激活函数实现信息的输入、遗忘、更新以及输出,堆叠层数为1层,训练次数达到2000次时停止训练,输出结果维数为3,分别表示三种润滑状态的出现概率;[0011] S5、将上述由WOA寻优算法找到的最佳权值,阈值代入ELM极限学习机,并将上述LSTM输入层及所有隐层作为ELM输入,将ELM输出与LSTM神经网络输出做平均值处理,计算得出润滑状态的概率分布;[0012] S6、通过载入已训练好的神经网络模型,代入已处理好的传感器所采集到的数据,实时计算出油膜润滑状态的概率分布,润滑状态包括全膜润滑,边界润滑与混合润滑,当油膜润滑状态主要为全膜润滑时,此时润滑效果最佳,基本不会发生轴承磨损,对轴承,轴颈表面均起到保护效果,使状态属性灯呈绿色,当油膜润滑状态主要为混合润滑时,此时虽然会发生部分边界润滑,但属于可接受的范围内,可使状态属性灯呈黄色,当油膜润滑状态主要为边界润滑时,轴承会产生较为剧烈的摩擦磨损,可使状态属性灯呈红色,并发出警报至轮机主控制室;[0013] S7、当边界润滑的出现概率大于预先设定的概率阈值时,发出警示信号送至船舶主控制室;当某一时刻,油膜边界润滑的概率大于0.9时,此时轴承油膜发生的基本为边界润滑,油膜温度将保持在一个较高区间,并发生严重磨损,此时通过出发警报,使机组工作人员添加润滑油,抗磨剂或适当冷却,均有效避免边界润滑的发生,延长轴承的使用寿命,同时根据实际情况适当调节概率阈值,概率阈值为0.8‑0.9,既使警报不过于频繁,同时有效的预防边界润滑。[0014] 作为本发明进一步的方案,所述步骤S1中所述轴颈转速传感器采用非接触式光电传感器,安装于轴承壳体一侧,转速感应器安装于转轴上侧,电光感应片安装在转轴上;所述油膜温度传感器、润滑油黏度传感器放置于出油口内壁;所述超声波测压装置包含超声波发射模块,超声波接收模块和数据处理模块,超声波发射模块、超声波接收模块对称放置于轴承上下两侧,所述数据处理模块包括DSP及控制电路。[0015] 作为本发明进一步的方案,所述步骤S1在进行超声波测压前,测量在超声波发射模块和接收模块安装方向上,上下两侧轴承的厚度d1、d3,上下两侧轴承中间的高度d,以及转轴的直径d2;超声波在轴承材料及转轴材料中的速度可查表得到,设为v1,v2。[0016] 液压与声速具有近似一次线性关系,线性关系比较稳定,满足关系式:[0017][0018] 式中,C为润滑油中超声波声速,单位为m/s;C0为常温、一个大气压下润滑油中超声波声速,单位为m/s;P为润滑油压力,单位为Pa;K为比例系数,其中C0、K为常数,通过实验或者查表求得;由式(1)可以看出,测量超声波在轴承润滑油膜中的声速就能得到管道的压力值;[0019] 由数据处理模块、超声波发射模块发射超声波,超声波接收模块接收超声波,测得超声波运行总时间t0,得C的表达式:[0020][0021] 联合式(1)、式(2)化简得出润滑油压力P表达式:[0022][0023] 由式(3)可知,只需得到超声波在轴承间运行总时间t0,即可得出轴承间润滑油油压,即油膜压力,由数据处理模块进行上述计算并将压力信号转为数字信号发送给上位机进行后续处理;[0024] 将传感器所测量到的电信号通过模数转换器,转化为数字信号,传递给上位机进行数据处理,所述模数转换器下连接至上述的油膜温度传感器,润滑油黏度传感器以及轴颈转速传感器,并采用RS485通讯上连接至上位机。[0025] 作为本发明进一步的方案,步骤S2边界润滑的出现概率使用如下方程进行描述:[0026] P=f(T)+g(μ)+h(n)+j(py);[0027] 其中P表示边界润滑的出现概率,T表示轴承运行时的润滑油温度,μ表示润滑油黏度,n表示轴的转速,py表示油膜压力;[0028] 对润滑油温度T:油温升高会导致润滑油的黏度下降,容易引起局部油膜破坏,润滑失效,降低轴承的承载能力,甚至发生润滑油碳化而烧瓦;油温降低会使油的黏度增加,从而使油膜润滑摩擦力增大,轴承消耗功率增加,此外,还会使油膜变厚,产生因油膜振动引起的机器振动;[0029] 对黏度μ:不同温度下润滑油黏度不同,黏度太高时阻力大,不利于均匀润滑,散热效果不好;黏度太低时,轴面不能保持足够的油膜,润滑效果不佳;[0030] 对转速n:转速越高,轴承及润滑油温度越高,润滑油受离心力作用黏度降低;[0031] 对油膜压力py:载荷越大,油膜压力越大,油膜厚度越小;载荷越小,油膜压力越小,油膜厚度越大,影响轴承散热,油膜压力主要取决于载荷的大小;[0032] 所采用的深度学习预测模型根据以往数据自动拟合出各参数之间的函数关系。[0033] 作为本发明进一步的方案,步骤S3对WOA优化算法,设置种群数量N为20,最大迭代次数Tmax为40,WOA优化算法的具体步骤为:[0034] D=|CX*(t)‑X(t)|(4);[0035] X(t+1)=X*(t)‑AD(5);[0036] A=2ar1‑a(6);[0037] C=2r2(7);[0038][0039][0040] D*=|X*(t)‑X(t)|(10);[0041] 式中,t是当前的迭代数,X(t)表示当前解的位置,X*(t)表示随机最优解位置,D表示两者之间的距离,r1,r2是(0,1)中的随机数,a从2到0线性下降,Tmax是最大迭代次数,A和C是系数,D*表示距离最优解的距离,b是衡量螺旋线形状的常量,l是(0,1)内的随机数,p指概率,ELM诊断错误率低于0.01%时,在初始化的种群中计算目前个体适应度值,得到最优解;随着a值降低,A值随之波动,WOA设定当|A|≤1时,采用式(9)进行迭代,|A|>1时,采用式(5)进行迭代,计算个体适应度值,找到最优参数,代入ELM中。[0042] 与现有技术相比,本发明具有以下优点:1.本发明设计了一种油膜润滑状态的检测系统,结合了深度学习理论,为实现润滑状态的实时监测提供了一种可行的技术。[0043] 2.本发明提供一种主要用于船舶推进轴轴承的油膜润滑状态监测系统,包括对油膜压力的非接触式测量,对油膜温度,黏度及转速的获取,实时对船舶轴承的润滑状态进行检测,有效的提高轴系运转的安全。[0044] 3.本发明选择LSTM搭配ELM进行轴承润滑状态的预测,轴承运行时产生的油膜温度,黏度,压力物理量在各自时间轴上先后关联,后一时刻的数据受到前一时刻数据的影响,选择LSTM可以进行有关时间序列的分析,同时,选择ELM可以弥补LSTM不当遗忘信息可能导致的预测不准确问题。利用WOA优化算法寻找ELM的最佳权值,阈值,可以改善ELM因训练时的不稳定性造成的性能下降。[0045] 3.在轴承即将发生边界润滑时,发出警报,促使机组人员作出相应响应,可以显著的提高轴承的使用寿命。[0046] 4.对比传统的定期保养形式,本发明可起到明显的预防作用。由于轴承的磨损是一个不可逆的过程,在磨损前进行人为干预,可以大幅减少轴承更换成本。附图说明[0047] 图1代表本发明所述系统的传感器分布位置。[0048] 图2代表本发明中超声波测压装置需测量的物理量。[0049] 图3代表本发明的程序流程图。[0050] 图4代表本发明中神经网络流程图。具体实施方式[0051] 下面结合附图和具体实施例对本发明作进一步详细阐述。[0052] 一种基于深度学习的船舶轴承润滑状态在线监测系统,包括如下步骤:S1、通过安装在轴承附近的各传感器获取轴承运行时的各项数据;采集数据主要设备包括但不限于超声波测压装置、油膜温度传感器、润滑油黏度传感器、轴颈转速传感器、模数转换器、上位机。[0053] 如图1所示,所述轴颈转速传感器采用非接触式光电传感器,安装于轴承壳体一侧,转速感应器位置如1所示,电光感应片安装位置如2所示;所述油膜温度传感器3,润滑油黏度传感器4放置于出油口5内壁;所述超声波测压装置包括超声波发射模块6、超声波接收模块7和数据处理模块8,声波发射模块6、超声波接收模块7对称放置于轴承上下两侧,所述数据处理模块包括DSP(DigitalSignalProcessing,数字信号处理,利用计算机或专用处理设备,以数字形式对信号进行处理,以得到符合人们需要的信号形式)及控制电路。[0054] 如图2所示,在进行超声波测压前,需测量在超声波发射模块6和超声波接收模块7安装方向上,上下两侧轴承的厚度d1,d3,上下两侧轴承中间的高度d,以及转轴的直径d2;超声波在轴承材料及转轴材料中的速度可查表得到,设为v1,v2。[0055] 石油属于烃类物质,其声学特性符合Kneser液体的规律,在一定温度下,液压与声速具有近似一次线性关系,当在压力较高且温度波动范围不大的条件下,线性关系比较稳定,满足关系式:[0056][0057] 式中,C为润滑油中超声波声速,单位为m/s;C0为常温、一个大气压下润滑油中超声波声速,单位为m/s;P为润滑油压力,单位为Pa;K为比例系数。其中C0、K为常数,通过实验或者查表可以求得。由式(1)可以看出,测量超声波在轴承润滑油膜中的声速就能得到管道的压力值。[0058] 由数据处理模块8、超声波控制模块6发射超声波,超声波接收模块7接收超声波,测得超声波运行总时间t0,可得C的表达式:[0059][0060] 联合式(1),式(2),化简,得出润滑油压力P表达式:[0061][0062] 由式(3)可知,只需得到超声波在轴承间运行总时间t0,即可得出轴承间润滑油油压,即油膜压力。由数据处理模块8进行上述计算并将压力信号转为数字信号发送给上位机进行后续处理。[0063] 将传感器所测量到的电信号通过模数转换器,转化为数字信号,传递给上位机进行数据处理。所述模数转换器下连接至上述的油膜温度传感器,润滑油黏度传感器以及轴颈转速传感器,并采用RS485通讯上连接至上位机。[0064] S2、搭建LSTM‑ELM神经网络预测模型,采用WOA优化函数寻找ELM最佳权值,阈值,对采集到的信号实时处理,并输出边界润滑的出现概率。[0065] 边界润滑的出现概率可使用如下方程进行描述:[0066] P=f(T)+g(μ)+h(n)+j(py);[0067] 其中P表示边界润滑的出现概率,T表示轴承运行时的润滑油温度,μ表示润滑油黏度,n表示轴的转速,py表示油膜压力。[0068] 对润滑油温度T:油温升高会导致润滑油的黏度下降,容易引起局部油膜破坏,润滑失效,降低轴承的承载能力,甚至发生润滑油碳化而烧瓦;油温降低会使油的黏度增加,从而使油膜润滑摩擦力增大,轴承消耗功率增加。此外,还会使油膜变厚,产生因油膜振动引起的机器振动。[0069] 对黏度μ:不同温度下润滑油黏度不同,黏度太高时阻力大,不利于均匀润滑,散热效果不好;黏度太低时,轴面不能保持足够的油膜,润滑效果不佳。[0070] 对转速n:转速越高,轴承及润滑油温度越高,润滑油受离心力作用黏度降低。[0071] 对油膜压力py:载荷越大,油膜压力越大,油膜厚度越小;载荷越小,油膜压力越小,油膜厚度越大,影响轴承散热,油膜压力主要取决于载荷的大小。[0072] 所采用的深度学习预测模型可以根据以往数据自动拟合出各参数之间的函数关系。[0073] 具体操作流程图如图3所示。[0074] S3、将油温,润滑油黏度,油膜压力,轴的转速参数代入已训练好的神经网络模型;神经网络的模型及其参数的选择对网络性能至关重要,本发明搭建了LSTM‑ELM神经网络预测模型,收集到的参数同时进入ELM学习机和LSTM神经网络,在ELM一侧,对比传统的BP神经网络,ELM神经网络对于时序信号的预测精度要远优于BP神经网络,采用WOA优化算法,寻找最佳权值,阈值,采用了L2正则化防止过拟合。对于网络结构,采用两层隐层,第一层隐层为10个神经元的全连接层,激活函数采用收敛、计算更快的Relu,保证了运算效率,可以有效提升警报的响应速率,第二层隐层为5个神经元的全连接层,激活函数采用softmax,使输出服从概率分布,输出层为三个神经元,分别表示三种润滑状态的出现概率。数据通过ELM将参数初始化,将训练随机产生的阈值,权值作为WOA的初始位置向量,对WOA优化算法,设置种群数量N为20,最大迭代次数Tmax为40,WOA优化算法的具体步骤为:[0075] D=|CX*(t)‑X(t)|(4);[0076] X(t+1)=X*(t)‑AD(5);[0077] A=2ar1‑a(6);[0078] C=2r2(7);[0079][0080][0081] D*=|X*(t)‑X(t)|(10);[0082] 式中,t是当前的迭代数,X(t)表示当前解的位置,X*(t)表示随机最优解位置,D表示两者之间的距离,r1,r2是(0,1)中的随机数,a从2到0线性下降,Tmax是最大迭代次数,A和C是系数,D*表示距离最优解的距离,b是衡量螺旋线形状的常量,l是(0,1)内的随机数,p指概率。ELM诊断错误率低于0.01%时,在初始化的种群中计算目前个体适应度值,得到最优解。随着a值降低,A值随之波动,WOA设定当|A|≤1时,采用式(9)进行迭代,|A|>1时,采用式(5)进行迭代,计算个体适应度值,找到最优参数,代入ELM中。[0083] S4、在LSTM一侧,采用3个sigmoid激活函数及2个tanh激活函数实现信息的输入,遗忘,更新以及输出,堆叠层数为1层,训练次数达到2000次时停止训练,输出结果维数为3,分别表示三种润滑状态的出现概率。[0084] S5、将上述由WOA寻优算法找到的最佳权值,阈值代入ELM极限学习机,并将上述LSTM输入层及所有隐层作为ELM输入,将ELM输出与LSTM神经网络输出做平均值处理,计算得出润滑状态的概率分布;具体神经网络流程图如图4所示。[0085] S6、通过载入已训练好的神经网络模型,代入已处理好的传感器所采集到的数据,实时计算出油膜润滑状态的概率分布,润滑状态包括全膜润滑,边界润滑与混合润滑。当油膜润滑状态主要为全膜润滑时,此时润滑效果最佳,基本不会发生轴承磨损,对轴承,轴颈表面均可起到较好的保护效果,可使状态属性灯呈绿色。当油膜润滑状态主要为混合润滑时,此时虽然会发生部分边界润滑,但属于可接受的范围内,可使状态属性灯呈黄色。当油膜润滑状态主要为边界润滑时,轴承会产生较为剧烈的摩擦磨损,可使状态属性灯呈红色,并发出警报至轮机主控制室。[0086] S7、当边界润滑的出现概率大于预先设定的概率阈值时,发出警示信号送至船舶主控制室;当某一时刻,油膜边界润滑的概率大于0.9时,此时轴承油膜发生的基本为边界润滑,油膜温度将保持在一个较高区间,并发生严重磨损,这是不希望发生的,此时,可以通过出发警报,使机组工作人员添加润滑油,抗磨剂或适当冷却,均可有效避免边界润滑的发生,延长轴承的使用寿命。同时可以根据实际情况适当调节概率阈值,一般以0.8‑0.9为佳,既可以使警报不过于频繁,同时也可由有效的预防边界润滑。[0087] 以上所述为本发明较佳实施例,对于本领域的普通技术人员而言,根据本发明的教导,在不脱离本发明的原理与精神的情况下,对实施方式所进行的改变、修改、替换和变型仍落入本发明的保护范围之内。

专利地区:湖北

专利申请日期:2022-05-18

专利公开日期:2024-06-18

专利公告号:CN114878162B

电话咨询
读内容
搜本页
回顶部