(中交天航滨海环保浚航工程有限公司 天津 300450）
摘要：本文针对船舶齿轮箱故障精确诊断这一难题，提出了利用小波分析法提取船舶齿轮箱故障诊断特征、蚁群优化BP神经网络提取船舶齿轮箱故障数据的诊断方法。利用BP神经网络建立船舶齿轮箱故障诊断分类器，采用蚁群算法对BP神经网络初始化权值及阈值进行优化，并对蚁群优化BP神经网络船舶齿轮箱故障诊断模型的故障诊断及失效预报效果进行了验证。
【关键词】船舶齿轮箱；故障诊断；失效预报
1研究背景
随着我国航运技术发展，船舶的自动化程度不断提升，机械装置结构也逐渐升级。齿轮箱是船舶的重要组成部分，作为船舶的重要动力装置，其主要作用是离合、倒顺、减速、推力等，一旦出现故障将直接导致整个船舶系统瘫痪，使船舶无法正常航行，所以船舶齿轮箱故障诊断是船舶研究领域的重要研究课题。船舶齿轮箱诊断由于受到多方面因素影响，精确诊断比较难以实现。本文针对船舶齿轮箱故障精确诊断这一难题，提出了利用小波分析法提取船舶齿轮箱故障诊断特征、蚁群优化BP神经网络提取船舶齿轮箱故障数据的诊断方法。利用BP神经网络建立船舶齿轮箱故障诊断分类器，采用蚁群算法对BP神经网络初始化权值及阈值进行优化，并对蚁群优化BP神经网络船舶齿轮箱故障诊断模型的故障诊断及失效预报效果进行了验证。
2船舶齿轮箱故障原因分析
2.1船舶齿轮箱故障类型
船舶齿轮箱的重要部件是滚动轴承，滚动轴承是一种减少摩擦损失的机械元件，由于负载较大，是齿轮箱中极容易出现故障的部件，因此本文主要对船舶齿轮箱滚动轴承故障进行研究，滚动轴承故障类型主要包括磨损、疲劳、腐蚀、破裂、压痕等几种。
2.2齿轮箱故障原因
齿轮箱故障原因主要有疲劳、磨损、保养不及时、设计不当等几方面，在船舶齿轮箱运行时，描述其工作状态的数据信息较多，但受多种因素影响（灵敏度限制、特征信息不明显、诊断理论过于抽象等），导致诊断结果偏差较大。
3船舶齿轮箱故障特征提取
3.1齿轮箱振动原理
可以将齿轮箱作为一个振动系统，振动数学模型可以表示为：
.png)
（1）
式中：
.png)
—代表齿面啮合力的相对位移；
.png)
—代表两齿轮间的相对位移。
假设不考虑摩擦因素影响，那么计算
.png)
公式为：
.png)
（2）
式中：
.png)
—代表齿轮箱的弹性变形量；
.png)
—代表齿轮箱的故障函数。
这时公式（1）可以表示为：
.png)
（3）
从公式（3）可以得出
.png)
是导致船舶齿轮箱内齿轮振动的主要因素，齿轮箱出现故障和
.png)
具有密切关联。当船舶齿轮箱发生故障后，其振动信号由于受到航行环境影响，信号准确获取比较困难，所以要采用一定措施提取船舶齿轮箱故障诊断的有用特征信息。
3.2齿轮箱故障诊断特征提取
船舶齿轮箱故障诊断时采用傅里叶变换、小波分析均能提取船舶齿轮箱故障特征，但采用小波分析可以获取更好更稳定的故障特征，因此船舶齿轮箱故障诊断特征提取采用小波分析法，提取方式如下：
（1）首先采集船舶齿轮箱故障诊断振动信号；
（2）其次将采集到的振动信号进行多分辨率分解，共分成
.png)
层，这时可以确定
.png)
层低频系数序列为
.png)
。
（3）然后计算出第
.png)
层序列的能量值
.png)
：
.png)
（4）
式中：
.png)
—代表第
.png)
个分量。
（4）最后按照尺度确定序列
.png)
，这时齿轮箱故障诊断的特征向量应为
.png)
。
分析确定船舶齿轮箱故障诊断1~4层的低频特征值为（
.png)
），进行归一化处理后确定故障编号的特征值见表1。
表1 船舶齿轮箱故障特征值
.png)
4船舶齿轮箱故障诊断模型
4.1 BP神经网络
BP神经网络在众多神经网络中分类性能最强，所以利用BP神经网络建立船舶齿轮箱故障诊断分类器。但是BP神经网络有一缺陷是其结构和参数对船舶齿轮箱故障诊断结果有较明显影响，所以为了保证诊断结果质量，结合船舶齿轮箱故障诊断的具体特点，将BP神经网络输入节点数和船舶齿轮箱故障诊断特征向量数量设置为一致，由于设置成m=4，而船舶齿轮箱故障包含5种类型，这时BP神经网络的输出节点设置为n=5，由经验公式确定
.png)
，确定BP神经网络隐含层节点值为9，公式中
.png)
=6，从而确定了BP神经网络结构，这时可以确定船舶齿轮箱故障编号方式，结果见表2。
表2 船舶齿轮箱故障编号方式
.png)
4.2 BP神经网络参数优化
利用BP神经网络建立的船舶齿轮箱故障诊断分类器，传统确定初始化权值及阈值的方式是采用随机方式，这种确定方式具有明显盲目性，无科学依据，致使BP神经网络训练时间加长，还容易出现局部极值缺陷，所以初始化权值及阈值确定方式选择蚁群算法。
5验证测试
为了验证本研究设计的故障诊断模型对船舶齿轮箱故障诊断的性能，利用蚁群优化BP神经网络和传统BP神经网络诊断方式开展船舶齿轮箱故障诊断对比测试分析，对比结果见图1，图1对比结果显示，采用蚁群优化神经网络船舶齿轮箱故障诊断模型的正确率明显高于BP神经网格，形成此结果的主要原因是利用蚁群算法优化BP神经网络的初始化权值及阈值，使初始化权值和阈值精确性更高也更加合理，从而保证建立的船舶齿轮箱故障诊断分类器性能更优，有效减少了故障诊断误差。
为了验证本研究设计的故障诊断模型对船舶齿轮箱失效预报的准确性，开展船舶齿轮箱滚动轴承失效预报试验，共开展5次仿真试验，计算出迭代次数、预报精度、预报时间的平均值见表3，从表3显示数据可以看出，利用船舶齿轮箱故障诊断模型开展滚动轴承失效预报，可以显著提高失效预报的精确度，很好降低BP神经网络训练时间过长，避免出现局部极值缺陷，提高船舶齿轮箱滚动轴承的失效预报速度。
.png)
图1 船舶齿轮箱故障诊断正确率对比
表3 船舶齿轮箱失效预报性能对比
.png)
6结语
船舶齿轮箱故障诊断及失效预报方法一直是船舶研究的难点，最早在上世纪有学者就提出了相应诊断方法，但诊断效果一直不太理想，诊断结果起伏较大。本研究基于小波分析法提取船舶齿轮箱故障诊断特征、蚁群优化BP神经网络提取船舶齿轮箱故障数据提出了一种可行性较高的诊断方法，通过开展船舶齿轮箱故障诊断对比测试分析及船舶齿轮箱滚动轴承失效预报试验，结果显示利用船舶齿轮箱故障诊断模型开展滚动轴承失效预报，可以显著提高失效预报精确度和预报速度。
参考文献:
[1]王勇, 师款. 基于BP神经网络技术的采煤机齿轮箱早期故障诊断[J]. 煤矿机械, 2019(4), 040(004):158-160.
[2]姚亮, 郭刚. 数据驱动的风机齿轮箱油路系统故障诊断方法[J]. 新型工业化, 2019(4):6-11.
[3]肖进丽, 李晓磊. 基于集合经验模态分解和差分进化算法优化BP神经网络的船舶交通流预测[J]. 大连海事大学学报, 2017, 44(2):171-184.
[4]刘博, 王胜正, 赵建森, et al. 基于Darknet网络和YOLOv3算法的船舶跟踪识别[J]. 计算机应用, 2019(6):1663-1668.
[5]金江善, 董晓露, 秦慈伟, et al. 基于概率神经网络的船用柴油机共轨系统限流阀故障诊断研究[J]. 内燃机工程, 2018, 39(3):81-87.
[6]费太军, 王军生. 船舶动力设备齿轮箱故障诊断试验研究[J]. 电子制作, 2015, No.294(21):90-91.