详情

原文传递基于深度学习的变频海水冷却系统状态监测与性能评估研究

论文题名：	基于深度学习的变频海水冷却系统状态监测与性能评估研究
关键词：	变频海水冷却系统;船舶自动化;数值模拟;深度学习;状态监测;性能评估
摘要：	随着船舶自动化与智能化水平的提高，构建科学的实时监测与性能评估系统可以实现船舶系统及设备健康状态的有效量化。船舶变频海水冷却系统作为最重要的热交换系统直接影响着船舶的安全航行，系统状态参数与噪声污染不断受到船舶热负荷与海水温度变化的影响，系统工况的频繁变化更提高了系统性能状态评估的难度，而传统统计学理论和机器学习法又无法准确预测非线性、时变性数据，难以形成精确有效的预测评估系统，因此构建一种精准的船舶变频海水冷却系统状态评估体系具有十分重要的意义。本文以“育鹏”轮海水冷却系统为研究对象，采用深度学习神经网络建立一套完整的变频海水冷却系统预期性能状态评估模型并开展算法寻优研究。论文主要工作如下：　　（1）针对系统及设备退化和数据统计困难的问题，对船舶变频海水冷却系统进行仿真研究。首先，应用质量与能量守恒、热力学理论及经验公式分别建立了系统及各设备的数学模型；其次，参考“育鹏”轮技术资料，简化部分模块，运用集中参数法、混合建模法与数据拟合法在Simulink环境下建立系统仿真模型；最后，结合已发表的文献与船舶技术资料，设定输入输出参数运行仿真系统并验证其有效性。　　（2）根据系统状态参数的非线性、非平稳性和时序性的特点，构建基于双向门控循环单元（BiGRU）的状态监测模型实现系统状态参数的预测。首先，选用扩展指数线性单元（Selu）激活函数与自适应矩估计（Adam）优化器以进一步提高模型的稳定性与精确性；其次，引入欧几里得范数（L2范数）正则化法解决模型的梯度消失与过拟合问题；最后，利用灵敏度分析法对隐含层神经元节点数进行寻优。　　（3）选取在大样本数据量下拥有优良数据泛化能力的深度神经网络（DNN）作为系统性能状态评估模型。首先，选用S型生长曲线（Sigmoid）激活函数与Adam优化器固化模型基础结构；其次，引入L2范数正则化法解决模型的过拟合问题；最后，利用灵敏度分析法对模型隐含层层数与神经元节点数进行调优。　　（4）将参数寻优后的BiGRU与DNN模型组合建立变频海水冷却系统预期性能状态评估模型，运行组合模型输出预期性能评估指标预测值，根据性能指标预测值确定系统运行状态，为轮机员视情维修提供指导意见。　　结果表明：仿真系统静态实验结果满足精度要求，动态仿真实验结果符合实船冷却系统响应规律，证明了系统仿真模型的精确性与合理性；经过结构与参数优化后的BiGRU模型与DNN模型具有良好的预测精度与稳定性；基于BiGRU-DNN组合的系统预期性能状态评估模型分类评估精度符合要求，对船舶变频海水冷却系统预期性能状态评估和视情维修具有实践指导意义。
作者：	曲衍旭
专业：	船舶与海洋工程
导师：	林叶锦
授予学位：	硕士
授予学位单位：	大连海事大学
学位年度：	2022