详情

原文传递基于神经网络的船舶轴系智能校中方法研究

论文题名：	基于神经网络的船舶轴系智能校中方法研究
关键词：	船舶轴系;校中技术;机器学习;遗传算法;BP神经网络;变位值;安装高度偏差
摘要：	船舶行业是制造业的典型标杆，是国民经济中的重要组成部分，它不仅为海洋资源的开发提供了装备，也为世界贸易提供了必需的平台。在船舶建造过程中，船舶轴系装调是船舶动力装置安装的一项重要工作，其目的是将轴系摆成合理校中设计的理想曲线状态，使轴承负荷合理的分配到各个中间轴承上。研究表明良好的轴系校中能合理分配各个轴承上的支反力，是船舶稳定航行的重要保证。但一些工程船、公务船及舰船等船舶由于作业需求等各方面因素限制，常有较长的推进轴系，导致其中间轴、中间轴承数量较多，形成船舶多支撑轴系。安装该种轴系时，调整参数多，并且调整参数之间相互影响，增大了装调难度，使得船舶多支撑轴系装调效率低、安装状态不可控。本文提出了一种基于机器学习的轴系智能校中方法，通过拟合轴系特性曲线能精确计算轴承装调至设计高度所需的变位值，对提高船舶轴系安装精度及效率具有重要的实用价值和意义。论文的主要工作如下：　　（1）提出基于机器学习的轴系校中方法。通过轴系装调问题分析明确机器学习的任务。再调查轴系设计计算、制造检验、实船装调过程中产生的可用于机器学习的数据类型，并分析其数量及质量。从而提出基于轴系装调机器学习模型的轴承变位值计算方法。并建立研究对象轴系仿真模型，仿真计算结果表明仿真模型误差较小，可用于计算轴系机器学习所需训练样本。　　（2）基于仿真数据的轴系神经网络构建与应用。以研究对象船舶轴系安装校中过程作为应用实例，将GA-BP（Genetic Algorithm-Back Propagation）神经网络作为机器学习算法，建立该船轴系的神经网络模型，利用有限元模型计算获得神经网络训练样本，对轴系的神经网络进行训练，并讨论了网络训练效果。通过与该船轴系实测数据对比分析，验证该方法的准确性。将该方法的计算结果作为该船轴系安装校中的指导依据，成功通过轴承负荷校验。　　（3）结合实测数据的轴系变位值智能计算方法。仿真模拟真实模型，将少量的实测数据赋予更高的置信级，构建新的训练样本集用以训练神经网络，从而获得反映了实际安装过程的GA-BP神经网络，并对比结合实测数据的轴系神经网络与基于仿真数据的轴系神经网络精度。结果表明不同置信级训练样本轴系神经网络精度更高，并且随着调整次数的增加、实测数据数量增大，网络精度显著提升，在加入实测数据后，最大误差在1%以内，在船舶推进轴系校中过程中可起到指导作用。　　（4）主机高度偏差对轴系装调的影响分析。采用理论分析法开展主机安装高度偏差对轴承受力与变位调整空间的影响规律分析，针对研究对象开展主机安装高度偏差对各轴承受力的影响因子和轴承变位试错空间的压缩量计算，以靠近主机的艉轴承受力允许范围计算主机安装高度偏差的临界范围，结合船厂技术人员的经验开展船舶推进轴系装调知识的验证和细化工作。船舶主机安装精度控制对船舶轴系装调工作有较大影响，在轴系装调过程中利用经验知识评价主机安装偏差并制定合理的装调决策有利于提高船舶推进装置的安装效率。
作者：	杨小钢
专业：	轮机工程
导师：	邓义斌
授予学位：	硕士
授予学位单位：	武汉理工大学
学位年度：	2021