一种基于PSO-GRU的船舶燃油管道故障预测方法与流程

一种基于pso
‑
gru的船舶燃油管道故障预测方法
技术领域
1.本发明涉及船舶燃油管道故障预测领域，尤其涉及一种基于pso
‑
gru混合模型的船舶燃油管道故障预测方法。


背景技术：

2.随着世界贸易的全面流通，海运已成为国家之间进出口货物的重要运输手段；随之而来的是船舶数量的与日俱增。其中以燃烧燃油为动力的船占绝大多数，故由船舶燃油管道故障引起的事故不在少数；又因为船舶燃油管道长度大、面积大、持续工作时间长、其中储存燃料有害且易燃易爆、高压高温下等特点，若是发生泄漏、炸裂等问题会产生巨大的灾害。因此，燃油管道的故障预测技术对于保证船舶安全性能与可靠性，降低维护成本而言十分重要。
3.在故障预测研究领域中，人工智能的技术与理论已经趋于成熟，目前得到广泛应用的算法大致可分为四种：一是决策树，其在已知故障发生概率的基础上，通过对输入数据信息的期望值进行增值，来进行预测与分类。二是贝叶斯网络，该方法是一种基于概率推理的有向无环图模型，该方法克服了决策树的缺点——特征模型间的相互联系，但是因为本身结构的原因，会导致模型训练时间过长，以至于模型算法做不到收敛状态，导致建模失败。三是支持向量机(svm)，该方法是通过找寻数据序列之间的最大间距来对数据进行划分，重点在于区分数据，拥有着强大的鲁棒性和可移植性，但是其解决多分类问题困难，对参数和核函数选择敏感。四是神经网络，因其特殊的网络结构和较强的模型拟合能力发展十分迅速，其中rnn其因特殊的循环记忆结构可以充分的作用历史数据对预测结果的影响，所以对处理时间序列预测问题时有着十分显著的效果。长短期记忆网络(lstm)是一种具有很强信息捕获能力的特殊的rnn模型，而门循环单元网络(gru)是lstm的一种更为简单高效的变体。由于在使用gru模型预测过程中许多参数通常需要人为依靠经验确定，具有不确定性，致使模型精准度降低。而粒子群算法(pso)可以调节较少的参数就可以实现快速收敛，通用性强，近年来被广泛应用于确定模型参数方面。针对燃油管道内压力温度等因素会在管道老化过程中诱发故障的问题，本文提出了一种基于pso算法和gru网络相结合的模型，提升燃油管道故障预测准确率。


技术实现要素：

4.本发明要解决的技术问题是提供一种基于粒子群优化算法的门循环单元网络(pso
‑
gru)混合模型的船舶燃油管道故障预测方法，使用该方法可以快速确定gru网络模型最优参数，提高训练效率和预测精度，为燃油管道故障诊断提供理论预测，对于保证船舶安全、降低事故发生率发挥着重要作用。
5.为解决上述技术问题，本发明提出了一种基于pso
‑
gru的船舶燃油管道故障预测方法，包括以下步骤：
6.步骤1：收集船舶燃油管道的供应泵压力、增压泵压力、加热器温度、冷却器温度作
为特征参量；
7.步骤2：获取步骤1中的特征参量在历史时间维度船舶燃油管道中的样本数据，并对样本数据进行缺失检查，进行归一化处理，划分训练集数据和测试集数据；
8.步骤3：构建包括更新门、重置门的门循环单元网络模型gru；
9.步骤4：用步骤2中获得的训练集数据对步骤3中构建的门循环单元网络预测模型gru进行粒子群算法优化，确定门循环单元网络预测模型gru的最优参数，以此为基础重新建立优化后的门循环单元网络模型pso
‑
gru；
10.步骤5：将步骤2得到的训练集输入到步骤4中的pso
‑
gru网络模型进行训练，得到的预测结果反归一化处理后和传感器正常工作数值范围进行对比，超出范围则判定为故障预警。
11.上述步骤2中利用线性插值法对数据缺失值进行补齐，其计算公式如下：
12.y
k
＝y
p
(y
n
‑
y
p
)(k
‑
p)/(n
‑
p)
ꢀꢀꢀ
(1)
13.其中y
k
为要补齐的值，y
p
为y
k
前一个已知数据，y
n
为y
k
后一个已知数据。
14.进一步地，步骤2对样本数据进行归一化处理指将样本数据限制在一定范围内，本发明采用minmaxscaler进行数据归一化和还原，其归一化的公式如下：
[0015][0016][0017]
其中，x
i
为原始数据样本值；x.min为样本序列中的最小值；x.max为样本序列中的最大值；min为缩放的最小值；max为缩放的最大值；y
i
为标准化后的值。
[0018]
上述步骤3中构建门循环单元网络预测模型gru，主要是通过更新门和重置门的计算来完成整个神经单元的计算，计算过程如下：
[0019]
z
t
＝σ(w
z
·
[h
t
‑1,x
t
])
ꢀꢀꢀ
(4)
[0020]
r
t
＝σ(w
r
·
[h
t
‑1,x
t
])
ꢀꢀꢀ
(5)
[0021]
h'
t
＝tanh(w
h'
·
[r
t
*h
t
‑1,x
t
])
ꢀꢀꢀ
(6)
[0022]
h
t
＝(1
‑
z
t
)*h
t
‑1 z
t
*h'
t
ꢀꢀꢀ
(7)
[0023]
其中x
t
表示当前时刻的输入；h
t
‑1表示上一个神经元的输出，r
t
为重置门，z
t
为更新门，h’t
为隐藏层状态，h
t
为当前输出。
·
代表矩阵乘积；*代表点积；σ代表sigmoid函数，tanh为双曲正切函数，w
z
为更新门权重矩阵,w
r
为重置门权重矩阵。
[0024]
上述步骤4中使用粒子群优化算法pso优化门循环网络模型参数的过程如下：
[0025]
步骤4.1：以隐藏层数、时间序列大小、隐藏层节点数作为pso算法的优化超参数，根据经验给予超参数各自的范围与粒子速度等条件，设置迭代的最大次数以及粒子最大飞行速度等。
[0026]
步骤4.2：确定一个让粒子达到标准的函数，通过每个粒子的运动寻找该粒子的最优解，再通过每一个粒子的最优解推导出本次所有粒子的最优解，叫做本次全局最优解。与历史全局最优比较，进行更新。
[0027]
步骤4.3：通过粒子不断地更新自己的速度与位置来寻求最优解，具体如下式所示：
[0028]
v
idk 1
＝ωv
idk
z1r1(p
idk
‑
x
idk
) z2r2(p
gdk
‑
x
idk
)
ꢀꢀꢀ
(8)
[0029][0030]
其中:k表示当前迭代次数；v
idk
、x
idk
、p
idk
、p
gdk
分别表示粒子的速度、位置、本次单体最优解和本次全局最优解；z1与z2为环境加速因子∈[1,4]；r1与r2为0到1之间的随机数；ω为惯性因子∈[0.5,1.5]，其值非负，其值较大时全局寻优能力强，局部寻优能力较弱；其值较小时全局寻优能力弱，局部寻优能力强，所以可以通过调整ω的大小来调节寻优效果。
[0031]
步骤4.4：然后将处理好的测试数据代入已经训练好的模型进行预测，以模型在测试数据集上的绝对平均百分比误差(mape)作为粒子适应度值，其公式如下：
[0032][0033]
其中m为实验预测次数，y
i
为真实值，为模型预测值。
[0034]
步骤4.5：当迭代次数达到设置的最大迭代次数，或者全局最优解到达设置的最小边界时算法终止。获得最优隐藏层数、时间序列大小、隐藏层节点数，将最优参数带入gru单元网络模型进行训练，得到经过粒子群优化后的门循环单元网络模型pso
‑
gru。
[0035]
上述步骤5得到的预测结果使用均方根误差(rmse)和平均绝对误差(mae)作为评估指标对模型预测效果进行评价；rmse越低，表示模型越稳定；mae越低，表示模型精准度越高，具体公式定义如下：
[0036][0037][0038]
其中m为实验预测次数，y
i
为真实值，为模型预测值。
[0039]
本发明提供的预测方法存在以下有益效果：本发明首先以船舶燃油管道供应泵压力值作为门循环单元网络模型的输入；然后通过粒子群优化算法迭代计算出gru网络模型的最优参数(隐藏层数、时间序列大小、隐藏层节点数)；最后建立了pso
‑
gru网络预测模型，通过预测数据预判燃油管道故障发生；经过和常见的几种预测模型对比后得出：该优化后的模型解决了依据经验选取参数而导致的模型拟合能力不够、预测精度低的问题，可准确预测燃油管道内压力变化趋势，为后续燃油管道的故障诊断、状态评估提供理论指导，对保障船舶安全运行、降低管道维护成本起着重要作用。
附图说明
[0040]
图1为本发明基于pso
‑
gru网络模型对船舶燃油管道故障预测方法的整体流程图；
[0041]
图2为本发明中数据预处理方法流程图；
[0042]
图3为本发明中门循环单元网络模型gru结构图；
[0043]
图4为本发明中pso
‑
gru神经网络模型结构图；
具体实施方式
[0044]
为使本发明实施例的目的、技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0045]
参照图1
‑
4，本发明提供了一种基于pso
‑
gru混合模型的船舶燃油管道故障预测方法，该方法主要包括以下步骤：
[0046]
步骤1：收集船舶燃油管道的供应泵压力、增压泵压力、加热器温度、冷却器温度作为特征参量，具体为：
[0047]
步骤1.1：从航海船舶终端设备传感器采集燃油管道的供应泵压力、增压泵压力、加热器温度、冷却器温度，采集信息频率为1次每秒；
[0048]
步骤1.2：在约定好的通信规则下将时间信息、船只代码、设备代码以及步骤1.1传感器数据上传至服务器；
[0049]
步骤1.3：将步骤1.2全部原始数据保存到数据库中，并发布到rabbitmq消息队列中；
[0050]
步骤2：获取步骤1中的特征参量在历史时间维度船舶燃油管道中的样本数据，并对样本数据进行缺失检查，进行归一化处理，划分训练集数据和测试集数据，具体为：
[0051]
步骤2.1：燃油管道供应泵压力值可能由于传感器故障或者传输失误产生数据缺失，为了得到干净完整的数据，提高故障预测准确性，本发明利用线性插值法对数据缺失值进行补齐，其计算公式如下：
[0052]
y
k
＝y
p
(y
n
‑
y
p
)(k
‑
p)/(n
‑
p)
ꢀꢀꢀ
(1)
[0053]
其中y
k
为要补齐的值，y
p
为y
k
前一个已知数据，y
n
为y
k
后一个已知数据。
[0054]
步骤2.2：在将数据输入网络模型之前，要进行归一化处理，归一化使得梯度始终朝着最小值的方向前进，在一定程度上提高模型精度，提升收敛速度。本发明采用minmaxscaler进行数据归一化和还原，具体公式如下所示：
[0055][0056][0057]
其中，x
i
为原始数据样本值；x.min为样本序列中的最小值；x.max为样本序列中的最大值；min为缩放的最小值；max为缩放的最大值；y
i
为标准化后的值。
[0058]
步骤2.3：将经过步骤2.1、2.2处理的数据90％作为训练集数据，10％作为测试集数据；
[0059]
步骤3：构建包括更新门、重置门的门循环单元网络模型gru，具体为：
[0060]
步骤3.1：构建门循环单元网络模型gru，主要是通过更新门和重置门的计算来完成整个神经单元的计算，计算过程如下：
[0061]
z
t
＝σ(w
z
·
[h
t
‑1,x
t
])
ꢀꢀꢀ
(4)
[0062]
r
t
＝σ(w
r
·
[h
t
‑1,x
t
])
ꢀꢀꢀ
(5)
[0063]
h'
t
＝tanh(w
h'
·
[r
t
*h
t
‑1,x
t
])
ꢀꢀꢀ
(6)
[0064]
h
t
＝(1
‑
z
t
)*h
t
‑1 z
t
*h'
t
ꢀꢀꢀ
(7)
[0065]
其中x
t
表示当前时刻的输入；h
t
‑1表示上一个神经元的输出，r
t
为重置门，z
t
为更新门，h’t
为隐藏层状态，h
t
为当前输出。
·
代表矩阵乘积；*代表点积；σ代表sigmoid函数，tanh为双曲正切函数，w
z
为更新门权重矩阵,w
r
为重置门权重矩阵。
[0066]
步骤3.2：选择leaky relus激活函数作为模型的激活函数，其计算公式如下式所示:
[0067][0068]
其中，a通常是通过过往经验而人为给予的值。在取值区间上的值不为0，且斜率、梯度都不为0，这使得在梯度下降过程中，这一部分也将得到更新，保留了网络模型复杂度，同时因为斜率一直存在也可以减缓梯度消失的现象。
[0069]
步骤3.3：本发明在设计网络模型时选取均方误差法作为损失函数，其计算公式如下式所示：
[0070][0071]
其中z
i
代表实际值，z代表预测值。
[0072]
步骤3.4：本发明在模型训练时应用的参数优化方法为梯度下降法，具体公式如下式所示：
[0073][0074]
其中η代表学习速率，即每次下降的步长。
[0075]
步骤4：用步骤2中获得的训练集数据对步骤3中构建的门循环单元网络预测模型gru进行粒子群算法优化，确定门循环单元网络预测模型gru的最优参数，以此为基础重新建立优化后的门循环单元网络预测模型pso
‑
gru，具体为：
[0076]
步骤4.1：以隐藏层数、时间序列大小、隐藏层节点数作为pso算法的优化超参数，根据经验给予超参数各自的范围与粒子速度等条件，设置迭代的最大次数为1000、以及粒子最大飞行速度等。
[0077]
步骤4.2：确定一个让粒子达到标准的函数，通过每个粒子的运动寻找该粒子的最优解，再通过每一个粒子的最优解推导出本次所有粒子的最优解，叫做本次全局最优解。与历史全局最优比较，进行更新。
[0078]
步骤4.3：通过粒子不断地更新自己的速度与位置来寻求最优解，具体如下式所示：
[0079]
v
idk 1
＝ωv
idk
z1r1(p
idk
‑
x
idk
) z2r2(p
gdk
‑
x
idk
)
ꢀꢀꢀ
(11)
[0080][0081]
其中:k表示当前迭代次数；v
idk
、x
idk
、p
idk
、p
gdk
分别表示粒子的速度、位置、本次单体最优解和本次全局最优解；z1与z2为环境加速因子∈[1,4]；r1与r2为0到1之间的随机数；ω为惯性因子∈[0.5,1.5]，其值非负，其值较大时全局寻优能力强，局部寻优能力较弱；其
值较小时全局寻优能力弱，局部寻优能力强，所以可以通过调整ω的大小来调节寻优效果。
[0082]
步骤4.4：然后将处理好的测试数据代入已经训练好的模型进行预测，以模型在测试数据集上的绝对平均百分比误差(mape)作为粒子适应度值，其公式如下：
[0083][0084]
其中m为实验预测次数，y
i
为真实值，为模型预测值。
[0085]
步骤4.5：当迭代次数达到设置的最大迭代次数，或者全局最优解到达设置的最小边界时算法终止。获得最优隐藏层数为2、时间序列大小为20、隐藏层节点数为30，将最优参数带入gru单元网络模型进行训练，得到经过粒子群优化后的门循环单元网络模型pso
‑
gru。
[0086]
步骤5：将步骤2得到的训练集输入到步骤4中的pso
‑
gru网络模型进行训练，得到的预测结果反归一化处理后和传感器正常工作数值范围进行对比，超出范围则判定为故障预警，具体为：
[0087]
步骤5.1：本发明得到的预测结果使用均方根误差(rmse)和平均绝对误差(mae)作为评估指标对模型预测效果进行评价。rmse越低，模型越稳定；mae越低，模型精准度越高，具体公式定义如下：
[0088][0089][0090]
其中m为实验预测次数，y
i
为真实值，为模型预测值。
[0091]
步骤5.2：将步骤2中的训练集带入普通lstm模型、gru模型、pso
‑
gru模型进行训练，预测结果同样根据步骤5.1的评估指标进行计算，与本发明基于pso
‑
gru模型预测结果进行比较，试验结果表明pso
‑
gru预测模型的均方根误差(rmse)为0.0055，平均绝对误差(mae)为0.0689，与lstm模型、gru模型和pso
‑
lstm模型相比分别降低了39.6％、50.4％，39.5％、49.6％和9.8％、13.4％,对船舶燃油管道具有良好预测效果。
[0092]
以上对本发明所提出的一种基于粒子群算法和门循环单元网络混合模型(pso
‑
gru)的船舶燃油管道故障预测方法，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。综上所述，本说明书内容不应理解为对本发明的限制。