摘 要

随着科学技术的进步，电力系统的逐步发展以及半导体技术的进步，现代船舶更趋向与电力化和智能化。大功率多相异步电动机的制造技术和控制技术不断提高,促使电力推进系统在稳定性、机动性以及能量的有效利用率等多方面有了突飞猛进的进步,使纯电动船舶的可靠性得到了大力的提升。

近年来，深度学习成为主流，逐渐取代传统智能算法，在人工翻译、语音识别和机械诊断等领域已经取得了丰硕的成果。与传统特征提取算法相比，深度学习通过训练学习到的特征具有更强的区分性，从而可以提高分类预测的准确性。本文考虑利用深度学习中的卷积神经网络作为特征提取器，以中船重工XXX研究所的《内河300客位纯电动船舶建设项目》为背景，充分发挥卷积神经网络的特征提取能力，开展纯电动船舶的典型故障的定位和识别。

本文的主要进行了以下研究：

1、通过中船重工XXX研究所的《内河300客位纯电动船舶建设项目》，充分了解到纯电动船舶的动力系统构成和有关参数。从中，我们对其核心部分永磁推进电机和电机逆变器进行了故障分析。永磁推进电机常见故障为机械故障、电气故障和励磁故障。其中机械故障比较明显，电气故障的成因比较复杂且故障频率较高。同时通过对推进逆变器常见故障的分析发现驱动系统中的电压与电流信息中含有推进逆变器发生故障的有关特征，这些信息可以用来对逆变器故障进行诊断。

2、对卷积神经网络经典的LeNet-5模型网络结构进行分析，在RensorFlow框架下使用Python语言编写卷积神经网络的各层次重要函数，进一步了解卷积神经网络的工作过程。

3、通过使用LeNet-5模型搭建纯电动船舶卷积神经网络，为了降低卷积神经网络在训练期间因为输入样本的变化对诊断结果造成的影响，本文还通过bagging算法和分块处理对卷积神经网络的故障诊断方法进行优化。

4、通过使用优化后的卷积神经网络进行实验，其结果表明，优化后的卷积神经网络不仅可以使得卷积神经网络在训练的过程中保持稳定，还提高了故障分类的精确度，达到对故障诊断的目的。

关键词：深度学习；故障识别；卷积神经网络；纯电动船舶。

Abstract

With the advancement of science and technology, the gradual development of power systems and the advancement of semiconductor technology, modern ships are becoming more electric and intelligent. The manufacturing technology and control technology of high-power multi-phase asynchronous motors are continuously improved, which has promoted the advancement of the electric propulsion system in terms of stability, maneuverability and effective utilization of energy, and the reliability of pure electric ships has been greatly enhanced. Improvement.

In recent years, deep learning has become the mainstream, gradually replacing traditional intelligent algorithms, and has achieved fruitful results in the fields of human translation, speech recognition and mechanical diagnosis. Compared with the traditional feature extraction algorithm, the features learned by deep learning through training are more distinguishable, which can improve the accuracy of classification prediction. This paper considers the use of convolutional neural network in deep learning as the feature extractor, and takes the feature extraction capability of convolutional neural network as the background in the "Inland River 300 passenger pure electric ship construction project" of CSIC XXX Research Institute. Positioning and identification of typical faults in pure electric ships.

The main research of this paper is as follows:

1. Through the “Inland River 300 Passenger Pure Electric Ship Construction Project” of CSIC XXX Research Institute, fully understand the power system composition and related parameters of pure electric ships. From this, we performed a failure analysis on the core part of the permanent magnet propulsion motor and the motor inverter. Common faults of permanent magnet propulsion motors are mechanical faults, electrical faults and excitation faults. Among them, the mechanical fault is obvious, the cause of the electrical fault is more complicated and the fault frequency is higher. At the same time, through the analysis of the common faults of the propulsion inverter, it is found that the voltage and current information in the drive system contains the relevant characteristics of the propulsion inverter failure, and this information can be used to diagnose the inverter fault.

2. Analyze the network structure of the classic LeNet-5 model of convolutional neural network. In the framework of RensFlow, use Python language to write the important functions of convolutional neural networks, and further understand the working process of convolutional neural networks.

3. By using the LeNet-5 model to build a pure electric ship convolutional neural network, in order to reduce the impact of the convolutional neural network on the diagnosis results during the training period, the paper also uses the bagging algorithm and block processing to convolute. The neural network fault diagnosis method is optimized.

The experiment is carried out by using the optimized convolutional neural network. The results show that the optimized convolutional neural network can not only make the convolutional neural network stable during the training process, but also improve the accuracy of fault classification. For the purpose of troubleshooting.

Key words: Depth learning; Fault identification; Convolution neural network;Pure electric ship.

目录

第1章 绪论 1

1.1 研究背景及意义 1

1.1.1 纯电动船舶的发展 1

1.1.2 课题研究的意义 1

1.2 国内外研究现状 2

1.2.1 故障诊断技术的发展现状 2

1.2.2 故障诊断方法研究的重要性 3

1.2.3 电力推进系统故障诊断的方法 3

1.3 本文主要研究内容及技术路线 4

第2章 纯电动船舶动力系统概述 8

2.1 产品组成 8

2.2 电力推进系统单线图 9

2.3 动力电池系统 9

2.4 直流驱动系统 9

2.4.1 永磁推进电机 9

2.4.2 转舵变频器 10

2.5 电池充电系统 11

2.6 纯电动船舶典型故障分类 11

2.6.1 机械故障 12

2.6.2 电气故障 12

2.6.3 励磁故障 13

2.7 本章小结 13

第3章 卷积神经网络模型分析 14

3.1 卷积神经网络分类 14

3.2卷积神经网络基本结构 14

3.2.2 卷积神经网络的Tensorflow框架 15

3.3 卷积神经网络的算法 16

3.5 本章小结 17

第4章 基于卷积神经网络的纯电动船舶故障识别 18

4.1 纯电动船舶卷积神经网络搭建 18

4.2 数据介绍 19

4.3电主轴轴承故障诊断方法 21

4.3.1分块原理 21

4.3.2 bagging算法 21

4.4 纯电动船舶故障诊断 22

4.4.1 故障诊断方法流程 22

4.4.2 故障诊断实验 23

4.5 本章小结 27

第5章 结论 28

参考文献 30

致谢 32

第1章 绪论

1.1 研究背景及意义

1.1.1 纯电动船舶的发展

在180多年前，电力推进方式就已经诞生，但是在当时生产水平落后、理论支持欠缺、技能储备不足的环境下，电力推进方式无法大范围应用到船舶中。随着科技的不断进步，制造技术和控制技术得到了极大的提高，大功率多相异步电机得以制造。再加上电子电力以及半导体技术的迅速发展，现代检测技术、信号处理算法以及计算机的使用日益成熟，使得电力推进系统在机动性、稳定性以及能源利用率上有了迅猛的进步，这也促使电力船舶的应用越来越广。据不完全统计,近些年来新建或着在建的船舶中,有超过30%的船舶使用了电力推进系统,这说明电力推进在船舶上的应用具有广阔的空间^[1]。

相比于传统推进方式,电力推进方式具有以下的优点：

（1）凭借电力驱动，只需要使用电力线即可灵活的布置船上的电气设备；

（2）使用电池作为动力源，没有了内燃机运行，明显降低了船舶运行时所发出的噪声,从而提高成员的舒适度；

（3）电力推进系统中没有庞大的传动体系，在质量和体积上都有所减少,可以节省船舱空间；

（4) 节能环保。电力驱动作为新型能源，相对燃油驱动可以降低能耗和排放；

（5) 便于操作和航行；

（6) 节约使用成本。

1.1.2 课题研究的意义

船舶在海上航行，运行环境复杂多变，电力推进系统中主要以电气设备为主，系统结构复杂多样，更容易发生故障。如何能够对电力推进系统的故障进行迅速诊断，成为了故障诊断技术研究的一项重要内容。目前，针对电力推进系统故障诊断的相关技术研究还比较欠缺，因此非常有必要对其进行更深的研究，这对船舶安全、高效地运行有着重大意义。

1.2 国内外研究现状

1.2.1 故障诊断技术的发展现状

故障诊断技术是一门非常复杂的综合性技术，它需要结合多个学科领域。通常，其通过检测机械或者电气设备运行时的状态参数，对系统发生的故障做出判断。同时可以根据各种参数之间的差异，可以分析设备故障的原因并且预测继续运行时的状态。

早在五六十年前，国外就已经重视故障诊断技术，并且展开了相关研究。在20世纪60年代末，美国航天航空局就创建了“机械故障预防小组”进行研究。美国军方也十分重视智能故障诊断技术的研究，并且随着他们研究的继续深入，取得了非常多的成果。在航空航天和导弹发射领域中，美国首先将人工智能技术应用于故障诊断系统中。随着了解的深入，因其良好的应用前景，很多企业加速了该技术的民用化得到了推进。同时，世界上许多过国家都参与进来，大量的财力和物力支持，尤其是英国和日本在故障诊断技术取得了一定的成绩。

我国的故障诊断技术研究起步较晚，但其发展却非常迅速。20世纪70年代末开始，国内的许多高校和研究机构对其开展了理论研究，并且取得了一定的研究成果，目前故障诊断技术已经广泛应用在军工、交通、冶炼、制造等诸多领域。

故障诊断技术同其它学科相互关联，经过时间的沉淀，传统的故障诊断已经非常成熟。随着研究的不断深入，新理论、新方法层出不穷，特别是智能化的诊断方法不断出现：如小波变换法^[2]、专家系统法、神经网络法等等都成功应用到了故障诊断领域。根据不同机理的故障诊断方法,可以将其分为两大类:一类是传统故障诊断方法,另一类为智能故障诊断方法，其分类如图1-1所示：

图1.1 故障诊断方法

故障诊断方法

传统故障诊断方法

基于信号处理方法

相关分析法

普分析法

信号变换法

概率密度法

基于模型解析方法

参数估计法

状态估计法

等价空间法

智能故障诊断方法

系统融合法

专家系统法

故障树法

神经网络法

模糊推理法

1.2.2 故障诊断方法研究的重要性

虽然故障诊断技术得到了快速的发展与应用，但是电力推进系统出现较晚，在电力推进方面对它的研究更少。 随着船舶的电力推进应用越来越广泛，对其故障诊断方法的研究也越来越重要，成熟的故障诊断可以保证电力推进船舶在运行中的安全。

1.2.3 电力推进系统故障诊断的方法

电力推进系统通常以模块为单位，这使得检测与诊断的对象都变成了各个电器模块，所以对电力推进系统进行故障诊断只需要对各种电气设备模块进行诊断即可。常见的故障诊断方法如下：

（1）基于信号变换方法

当电力设备出现故障时，检测到的只是振荡信号与电气信号，这些信号并不能直接使用。因此，需要将检测到的信号进行变换处理，得到有利于我们分析故障特征的信息。常用的变换有小波变换和希尔伯特变换等，其中应用相对广泛的是小波变换。小波变换既是时域分析，又是时频分析，可以有效地从检测信息中提取故障的特征信息。在电机故障和机械摩擦分析方面，信号变换法使用较多，但是这种方法缺少学习功能。

（2）基于专家系统方法^[3]

专家系统法是对以往专家所积累的经验进行归纳、总结和分类之后建立的计算机系统。专家系统法可以对相同或者相近现象迅速地找到有关方案，但是它有很大的局限性。专家系统法的“瓶颈”就在于获取大量的专家经验十分不易。在实际使用中，可能因为新设备没有相关经验或者经验不足就不是很适用了。并且，在专家系统法中，对单个问题引起的故障诊断十分容易，但是对于多个问题引起的故障就很难得出准确的结论了。

（3）基于信息融合法^[4]

单一的诊断方法在某些方面具有优势，但其诊断方法单一，难以满足复杂设备的故障诊断要求，所以多信息融合法就应运而生。利用多个传感器获得多方面的特征信息，然后再通过融合算法发挥各个方法的的优点，对于故障更加有效和准确。

（4）基于神经网络法

神经网络是将可以进行信息处理的单元通过广泛连接而形成的系统。神经网络具有强大的学习和自适应能力，但其需要时间来进行学习。利用神经网络进行故障诊断，不仅可以通过故障特征找出故障原因，还可以对故障的严重性进行预测和评估。因为神经网络可以进行学习，所以使用神经网络法搭建的诊断系统可以不断进行学习，这能够大大加强诊断系统的自适应能力和准确性，使其可以适应比较复杂的电气设备发生的故障诊断，并且可以取得较好的效果。电力推进船舶本身是一个非常复杂的系统，因此神经网络可以适用于电力推进船舶有关故障的诊断^[36]。

1.3 本文主要研究内容及技术路线

纯电动船舶以电力驱动，省去了传统船舶的柴油推进设备，机舱环境相对安静。对于电力有关的故障，触发往往是及时性的。做为全船核心动力设备的永磁推进电机却非常容易出现潜在故障。这些故障存在潜伏期，它不是肉眼可见，且非常难以辨别。频繁拆卸零部件检查会加大工作量，并且也可能会带来破坏性检查，损失极大。

对于一些容易出现潜在故障的部分，可以给其设定检测设备，检测内容可以是电流，也可以是震动等等。相对于传统检测方法，电流信号和震动信号的获取就相对容易了。