基于可靠性分析工具和人工神经网络的船舶机械系统状态预测
文章信息
关键词：预测性维护 故障树分析 FMEA 人工神经网络 时间序列
摘要
船舶机械维修不当会增加设备故障，对环境造成威胁，从而影响性能，并通过减少船舶耐用性、增加停机时间以及增加发生重大事故和危及生命的潜在可能性，造成商业方面的重大损失。本文旨在提供一种系统的方法来识别船舶关键的机械系统/部件并分析其物理参数。关键的船舶主机系统/部件被用作动态时间序列神经网络的输入，以便监测和预测相关的物理参数。通过结合故障树分析（FTA）和故障模式及影响分析（FMEA），确定要监控的关键的主机系统/组件及其相关参数。以PANAMAX型集装箱船为例，利用人工神经网络（ANN）预测了所有主发动机气缸排气温度的值，通过与船上记录的实际观测结果进行比较来验证预测结果。所提出的方法成功地构成了一种系统，用于通过可靠性建模和工具分析关键系统/组件，随后通过神经网络监测其物理参数。
- 介绍
维护工作会影响航运业的可靠性和盈利水平，并且是影响船舶寿命周期的重要因素，它会减少停工时间并降低运营成本，因为船舶营运费用占20%至30%。（Stopford，2009 ）。同时，由于船舶对环境的影响以及船舶安全运行的重要性，船舶所有人和操作者都在寻求一种降低船舶成本和提高船舶的生命周期完整性的维护计划。虽然航运业对世界范围内的货物运输负有责任，但最近才有人根据Lazakis和 Olccedil;er的观点，研究了提高船舶可靠性、可用性和盈利能力的新方法。虽然该行业仍主要依赖于长期的、规范的维护方法，但有很多因素会对长期规范提出质疑。舰载系统的复杂性日益增加，对船舶和工厂的可用性和效率的期望和竞争需求的提高以及船舶运营数据革命产生的影响，都有利于合理构建状态维护（CBM）体系。这可能不会取代所有计划的维护，但它可能会减少停机时间、检查和不必要的维修工作。倡导改变的观点认为，从预定的基于规范的维护转变为基于风险数据的驱动方法可以实现更加准确和及时的维护，从而降低成本，提高船舶系统的可用性并提高安全性（Tinsley， 2016）。
在这方面，根据英国标准（2012），CBM被定义为针对由机器状态的监测参数变化所显示的机器故障进行的维护策略。CBM的核心是状态监测，旨在收集有关设备状况的数据。通各种部件的状态监测来记录和评估不同的可测量参数。数据可以包括声音，温度，电流信号，机油和润滑油量（Pascual，2015）。与其他工业行业相比，在航运业，数据并不总是能直接用的，因为在不同条件下的类似设备可能具有不同的故障模式。另一个问题是常常出现新的设备，这使得历史记录过时。此外，数据不是以标准化的方式收集的，因此它会导致更多的信息和决策（Dekker，1996）。技术进步引起了人们对高级维护技术的极大兴趣。 Raza和Liyanage（2009）指出，作为现有监测程序的附属公司，由于测试和智能技术的需求日益增加，ANN已经成为这方面最有前途的技术公司之一。
数据量、应该多长时间收集一次以及如何收集这些数据的问题。因为虽然公司采用CBM方案，但在处理、分析和利用记录数据方面似乎存在问题。本文旨在通过FTA和FMEA工具的结合来识别船舶主机的关键系统，并通过监测其物理参数对其进行进一步检查。物理参数被用作时间序列分析和使用人工神经网络预测的输入。
本研究报告的组织结构如下：第2节介绍了海事行业的维护概况和状况，以及详细的实施方法/工具。在第3部分中，建议的方法论被证明和解释。第4部分介绍了在案例研究中的应用，通过它的应用从而获结果。最后，本研究的讨论和结论将在第5节中介绍。
2.研究背景/文献
根据Pintelon和Parodi-Herz（2008）的说法，维护的演变不仅仅取决于技术，还取决于经济方面的考虑。 此外，根据Arunraj和Maiti（2007）的说法，维护策略可以分为四代，如图1所示。第四代是最重要的，它着重于基于状态的维护，状态监视和故障排除。它是基于预防性和预测性的维护方法，通过各种工具致力于减少设备故障的比例和整体失效概率。
观察图1并将其与航运业的维护联系起来，可以看到，维护最初被视为不必要的，现在已经开始被视为船舶运营管理和生命周期中的重要因素。劳埃德注册局（Lloyds Register）（2013）发布了一份关于设备维护和状态监测的报告，该报告已经修改并添加基于设备状态的维护程序，并描述机械计划维护方案如何被成为机械生命周期的组成部分。NK引入了PrimeSeSe全船护理（2013）的概念，其设计用于防止海洋环境的污染，并确保船舶生命每个阶段的船舶安全。该产品有助于提高船体结构分析的可靠性和效率以及维护管理等。 DNV-GL还在2014年发表了一篇关于航运业状况监测的文章，回顾了现有的用于实施这些技术的状态监测技术和方法（Knutsen等，2014）。美国航运局（ABS）引入了NS5企业软件（2015b），旨在处理运营管理维护，供应链，员工队伍，环境和安全等主要功能。船级社鼓励船上应用状态监测技术，并提供指导方针，但不要求船舶操纵者在其运行和维护中实施这些技术。此外，Lazakis和Olccedil;er（2015）采用模糊多属性群决策技术引入了基于可靠性和危重性的维护（RCBM）策略，该策略通过采用层次分析法（AHP）得到了进一步的改进。这项研究表明，预防性维护仍然是船舶操作人员首选的维护方法，紧随其后的是预测性维护;因此，避免了船舶的维修框架，提高了整体船舶的可靠性和可用性。然而，大多数船公司仍然沿袭所谓的基于ISM规范（IMO，1993）的计划养护系统（PMS），该系统基于预防性维护方案，它根据运行时间或日期间隔来维护机器项目。下面简要讨论本文所采用的方法，第3节将详细介绍如何将这些方法应用于案例研究。
2.1失效模式和影响分析（FMEA）
FMEA提供了一种系统的方法，用于某一特定系统或过程的失效分析研究。FMEA的目的是检查系统，并提供有关如何识别故障及其原因以及确定故障发生的最终结果的详细信息。因此，FMEA是考虑所有组件的功能、故障模式和系统故障的形式化方法（Iser-mann，2006）。它尽可能多地检查组件和子系统，以识别可能的故障模式以及这种引起故障的原因和影响。FMEA应用自下而上的方法，有助于绘制系统的整体失效结果，这种技术最适合于机械和机械的风险评估。根据Ben-Daya和Knezevic（2009）的FMEA执行三项功能。这些最初是对潜在故障的识别，包括其原因和影响，对已识别故障的评估以及确定和建议以消除或减少潜在的故障发生。
美国船级社已发布与FMEA相关的指导性说明（ABS，2015a），要求开发FMEA，作为某些系统（如动态定位系统，钻井系统，双燃料柴油发动机等）的分类要求的一部分。国际协会 美国船级社协会（IACS）（2014年）发布了关于柴油发动机FMEA工艺的建议并报告了FMEA工艺。为了帮助和改进船级社和运营商，Cicek和Celik（2013）研究了FMEA的应用，以防止和减少曲轴箱爆炸失效，提高了机械系统的可靠性并增强运行安全性。
FMEA可以很好地与FTA相结合，因为它发现了可能的系统故障，这些故障是FTA的输入。因此FMEA和FTA相互补充（Isermann，2006）。具体来说，Souza和Alvares（2008）将FMEA与FaultTreeAnalysis（FTA）结合起来用作可靠性评估工具，用于可靠性维护的应用。该方法被用来研究和分析液压卡普兰涡轮机的失效模式，并表明这两种工具可以相互补充，以便在FMEA分析提供FTA基础所需的信息的基础上执行有效的预测维护计划。 Hidalgo等人（2011）开展了液化天然气运输船转向系统的失效分析。开发FTA是为了识别转向机构系统的最关键部件，然后对每个关键部件进行FMEA的应用，以便识别故障模式并提供基于可靠性维护理念的维护策略。此外，Gao和Kang（2016）应用FMEA方法对FPSO卸载系统的主要故障及其相互关系进行了可靠性分析。然后使用故障树对主要故障事件进行演示。
2.2故障树分析（FTA）
故障树分析是一种系统技术，用于获取系统信息并查明系统或其组成部分如何导致故障，并可协助安全和维护工程师制定计划和组织维护和监测活动的决策过程（ Manzini等，2009）。它是一个以失败为导向的演绎式自上而下的方法，将与系统相关的不希望发生的事件视为最重要的事件;导致顶级事件的故障事件的各种可能的组合被表示为逻辑门。因此，故障树是一种定性模型，它提供了有关不希望发生的顶级事件的各种情况的有用信息（Vermaet al，2010）。图形表示是通过故障树图来完成的，后者是一种图形设计技术自上而下的方法。它使用系统内路径的图形模型，可以导致预计的不良事件或故障。这些通路将相互影响的事件和条件相互联系起来，使用标准逻辑符号和故障树图中的基本构造是门和事件。故障树分析模块基于来自概率论和布尔代数的一组规则和逻辑符号。门代表连接故障树的各个分支的逻辑运算符一起，可以是静态的或动态的，并确定顶级事件是否可能发生。这些门显示了发生较高事件所需的事件关系，并用来允许或抑制树上的故障逻辑。基本事件可以定义为每个故障树分支中的较低级事件。静态门指示门的输入顺序无关紧要，因此与动态门中的顺序无关。另一方面，在动态的门，秩序的输入事件的发生对于确定输出是至关重要的。如果使用动态门，则故障树将成为动态故障树。在NASA（2002）和NUREG-0492（1981）中可以找到有关高级故障树符号的详细描述。
自由贸易协定通常是通过定义自由贸易区的范围和确定最重要的事件来实现的，其次是界定金融时报的水平并通过使用门来连接水平（Rausand and Arnljot，2004）。 FTA可以以定性或定量的方式进行，取决于可用数据的类型。 如果没有数据可用，可以使用最小割集定性分析故障树。查找最小割集可以深入了解复杂系统的弱点。定性分析用于确定哪些事件组合导致顶级事件发生。最终，失败率来源于充分证实的历史数据，包括组件，单位的MTBF和子系统（Pascual，2015）。 FTA使用故障率，平均故障间隔时间和最小割集来评估系统的可靠性和可用性。
具体而言，Lazakis等人（2010）提出了一种利用故障模式，影响与临界性分析（FMECA）和FTA的预测性维护策略，将现有的船舶维护制度作为包括技术进步和决策支持系统在内的总体战略，将现有的船舶运行和维护任务与FTA和FMECA工具。 Turan等人也提出了一种创新的船舶维修策略。 （2011）基于关键性和可靠性评估，同时利用具有时间依赖动态的FTA工具以便准确地呈现潜水支持船的部件的相互关系。但是，上述文章通过使用定量分析方法和FR，MTBF等数据来利用故障树功能。 Laskowski（2015）应用FTA作为一种工具，通过使用最小割集方法进行定性分析手段，对海洋主机的可靠性结构进行建模。此外，Guan等人（2016）提出了考虑火灾和事故的故障树模型双燃料发动机房爆炸事件为首要事件。影响这类事故的主要因素是通过最小割集和结果确定的;建议采取措施来提高安全性和可靠性。Anantharaman等人（2014）为两冲程主发动机润滑油系统创建了一个故障树，以检查整个系统的可靠性并确定关键并且证明，通过在系统中使用附加部件，可以提高部件的可靠性，从而提高主发动机润滑系统的整体可靠性。
2.3人工神经网络（ANN）
神经网络可以根据Haykin（1998）定义为大规模并行分布式处理器，由简单的处理单元组成，具有存储经验知识的自然倾向并使其可供使用。它在两个方面类似于大脑：知识是通过学习过程从网络获得的，而神经元间的连接强度，称为突触权重，用于存储所获得的知识。人工神经网络由层叠在一起的神经元组成。每个层都有许多简单的神经元处理单元，称为节点或神经元，它们通过数值加权连接相互作用。它由n层神经元组成，其中两层分别是输入层和输出层。前者是第一个也是唯一一个接收和发送外部信号的层，而后者是最后一个发出计算结果。内部的n-2被称为隐藏层，在继电器中从接收到的信号中提取相关的特征或模式。那些被认为重要的特征然后被引导到输出层。复杂的神经网络可能有几个隐藏层，反馈回路和时延元素，这些元素旨在使网络在区分相关特征或模式时尽可能有效。图2显示了一个典型人工神经网络的简单结构，分别具有一个输入层。
根据纳斯尔等人（2012）ANNS提供了一个有效的分析和诊断工具来理解和模拟复杂系统的非线性行为，并且可以作为运营商和决策者的有价值的性能评估工具。人工神经网络被训练以从过去的例子中学习，并捕获即使在根本关系难以描述或未知的情况下提供的数据之间微妙的功能关系。他们可以随时解决建模问题分析困难，并且传统方法不切合实际，包括具有非线性，高阶和时变动力学的复杂物理过程，并且分析模型可能尚不存在（Peng等，2010）。 Zhang等人（2001）表明，神经网络是建模和预测的宝贵工具非线性时间序列，而传统的线性方法不能胜任这项任务。缺乏系统的神经网络模型建立方法可能是报告结果不一致的主要原因。
虽然人工神经网络最近在时间序列应用中获得了很高的关注（Aizenberg等，2016; Szoplik，2015; Liu等，2015; Laboissiere等，2015），但仍存在一些方法上的缺陷，例如适当的网络选择，架构和学习算法。 Aizenberg等人（2016）使用多层神经网络进行时间序列分析，以预测墨西哥湾的石油生产情况。他们的结论是嵌入的选择来自时间序列数据的维度是一项具有挑战性和持续性的任务，需要额外的研究工作。此外，Noor等人（2016）在船用柴油机上应用了人工神经网络建模，以输出扭矩，制动功率，制动专用燃料消耗和排气温度作为输入数据，预测其各种发动机转速和负载的性能。该网络是基于标准后向传播比较Levenberg-Marquardt训练算法和结果与那些数学模型。结果表明，人工神经网络模型的预测误差低于数学模型。 Rap-todimos和Laz
全文共19140字，剩余内容已隐藏，支付完成后下载完整资料
英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[10515]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
