基于LSTM的船舶电站故障诊断系统及构建和工作方法

技术领域

本发明涉及船舶电站领域，特别涉及基于LSTM的船舶电站故障诊断系统及构建和工作方法。

背景技术

LSTM即：Long Short-Term Memory(长短期记忆网络)的缩写。LSTM是一种时间循环神经网络，是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的，所有的RNN都具有一种重复神经网络模块的链式形式。基于LSTM的算法可以实现语言翻译、机器人操控、语音识别图像识别、手写文字辨识、疾病诊断分析、股票趋势预测和音乐构成等任务，在工业控制上，LSTM主要应用在故障的预测分析。

船舶电力系统是指由发电、电能转换、输电、配电、用电等所组成的一个孤立的电网。船舶电站作为船舶航线过程中的心脏，应尽量避免出现故障，而对于故障的出现也应做到迅速排查与恢复。

船舶电站是实现船舶电气自动化的核心，提高船舶电力系统的安全性和稳定性十分重要。目前，尚缺乏一种自动化、智能化和精细化程度高的船舶电站故障诊断方法。因此，设计一种船舶电站故障诊断系统帮助工作人员快速诊断故障并具有一定的故障预测能力，实现恢复电力系统的稳定显得十分重要。

发明内容

发明目的：本发明的目的是提供一种基于LSTM的船舶电站故障诊断系统及构建和工作方法，可实现船舶电站常规故障的精准诊断，并具有一定的预测功能，以保证船舶电站运行过程的安全和高效。

技术方案：本发明所述的基于LSTM的船舶电站故障诊断系统，包括有依次电气连接的船舶电站仿真模拟器、SQL Server数据库系统和LSTM故障诊断系统，所述LSTM故障诊断系统通过SQL Server数据库系统实时获得船舶电站仿真模拟器的信号实现船舶电站故障的诊断和预测。

作为优选，所述船舶电站仿真模拟器包括电流电压采集器模块、调速系统、励磁系统、并车系统、自动调频调载系统、负载系统和故障模拟系统，所述电流电压采集器模块采集电流电压的特征量；所述调速系统是柴油机调速器的简化模型，通过该电子调速器所采用的电气化方式对转速进行调节；所述励磁系统采用相复励无刷交流励磁系统，包括主励磁机，副励磁机和主发电机；所述并车系统采用的是准同步自动并车方式，根据船舶电站的负载变化进行自动并车操作；所述自动调频调载系统保持船舶电站频率的稳定性；所述负载系统包括动态负载和静态负载；所述故障模拟系统采用Three-Phase-Fault模块进行电压电流的各种故障模拟。

作为优选，所述SQL Server数据库系统完成电压电流信号的实时读取与写入。

基于LSTM的船舶电站故障诊断系统的构建和工作方法，具体包括以下步骤：

S1：在Simulink中建立船舶电站的仿真模拟系统；

S2：利用电流电压采集器模块采集电流电压的特征量；

S3：在SQL Server数据库中通过T-sql语句建立采集到的电流电压的特征量的存储库；

S4：在Simulink中通过S-Function Builder模块实现船舶电站仿真模拟器与SQLServer数据库系统的连接，完成电流电压信息的实时读取与写入；

S5：通过Three-Phase-Fault模块模拟单相接地短路故障、相间短路故障、三相短路故障；

S6：建立并训练船舶电站故障诊断模型，具体的：

S6.1：采取双层LSTM神经网络和三层逐渐收敛的BP神经网络构建船舶电站故障诊断模型，其中双层LSTM神经网络由多个节点单元连接而成，设有遗忘门g

f

i

o

h

其中，x

双层LSTM神经网络全连接层最终输出为全连接层多个输出的均值；

S6.2：通过SQL Server数据库进行数据收集，对收集到的数据进行数据清洗后，将数据按照时间序列排序

S6.3：将清洗、排序完成的数据输入船舶电站故障诊断模型，根据公式(1)至公式(5)，依次计算步骤6.2收集到的相应数据类型的数据，得到LSTM神经网络的输出数据；

S6.4：将LSTM神经网络的输出数据再送入BP神经网络进行二次计算，BP神经网络的最后一层有多个节点，则多个节点输出多个预测结果，以多个预测结果的均值作为船舶电站故障诊断模型的最终预测值；

S6.5：采用Nadam方法对船舶电站状态诊断模型进行迭代训练寻优，当模型中诊断得出的故障预测精度达到设定值以上时，停止迭代训练。

作为优选，所述S4中在Simulink中通过S-Function Builder模块实现船舶电站仿真模拟器与SQL Server数据库系统的连接，具体包括以下步骤：

S4.1：在Input Ports下设置电流电压的特征量的输入口，并与电压电流采集器相关联；

S4.2：在Initialization下初始化电流电压的特征量，并设置离散采样时间；

S4.3：在Libraries下关联由Visual Studio 2019所编写的Sql Server数据库访问程序，并设置执行语言为C语言和添加相关头文件；

S4.4：在Updata下设置电流电压的特征量的数据更新情况；

S4.5：通过Build实现该仿真模拟器与SQL Server数据库的连接。

有益效果：本申请结合LSTM神经网络，适用于诊断船舶电站的常规故障，快速分析与预测，保证寻找故障的效率和安全，提高检修人员检修的效率。本发明结构紧凑合理，工作性能良好。

附图说明

图1是本申请中船舶电站仿真模拟器模型；

图2是本申请中船舶电站单机仿真模型；

图3是本申请中建立的6个特征量的图；

图4是本申请中S-Function Builder模块图；

图5是本申请中建立电压电流的SQL Server数据库存储图；

图6是本申请中单相接地短路故障的LSTM神经网络训练结果性能图；

图7是本申请中单相接地短路故障预测图与诊断图的对比；

图8是本申请中相间接地短路故障的LSTM神经网络训练结果性能图；

图9是本申请中相间接地短路故障预测图与诊断图的对比；

图10是本申请中三相接地短路故障的LSTM神经网络训练结果性能图；

图11是本申请中三相接地短路故障预测图与诊断图的对比；

图12是本申请中LSTM隐含层网络模型图；

图13是本申请中故障诊断与预测流程图。

具体实施方式

下面结合具体实施例对本申请做进一步阐述。

如图1所示，本发明的船舶电站仿真模拟系统由三台发电机、电流电压采集器模块、调速系统、励磁系统、并车系统、自动调频调载系统、负载系统、故障模拟系统和数据库系统组成。在实际的船舶运行过程中，同一时间并不是所有设备都投网运行的，所以本发明采用该船舶电站仿真模拟器的单机系统进行详细阐述。

如图2所示，为该仿真模拟器的单机系统，由一台发电机、电流电压采集器模块、调速系统、励磁系统、负载系统、故障模拟系统和数据库系统组成。

具体的构建和使用步骤如下：

S1：在Simulink中建立船舶电站的仿真模拟系统，在调速系统设置好参考的柴油机转速，当系统负载发生变化的时候，通过构建的转速反馈单元把信号传递给转速控制单元，进而保证柴油机的转速恢复到设定的参考转速；在励磁系统部分设置好参考的电压，通过该电压参数对比同步发电机反馈回励磁系统的定子电压电流，来调节并保证同步发电机输出稳定的额定电压。

S2：利用电流电压采集器模块采集电流电压的特征量，在本实施例中，一共需要采集6个特征量，分别为A相电压、B相电压、C相电压、A相电流、B相电流、C相电流；

S3：在SQL Server数据库通过T-sql语句创建该6个特征量的数据存储库并且都允许NULL值，如图3所示；

S4：在Simulink中通过如图4所示的S-Function Builder模块实现船舶电站仿真模拟器与SQL Server数据库系统的连接，完成电流电压信息的实时读取与写入，具体如下步骤：

S4.1：在Input Ports下设置6个电流电压的特征量的输入口，并与电压电流采集器相关联；

S4.2：在Initialization下初始化6个电流电压的特征量，并设置离散采样时间位0.01s；

S4.3：在Libraries下关联由Visual Studio 2019所编写的Sql Server数据库访问程序，并设置执行语言为C语言和添加相关头文件；

S4.4：在Updata下设置6个电流电压的特征量的数据更新情况；

S4.5：通过Build实现该仿真模拟器与SQL Server数据库的连接，完成链接以后，设置仿真时间为20s，采用通过运行该模型，就可以在数据库中实时传输6个特征量，每个特征量的采样时间为0.01s，即每个特征量都有2000组数据实时写入SQL Server数据库，如图5所示。

S5：通过Three-Phase-Fault模块模拟单相接地短路故障、相间短路故障、三相短路故障，三种故障状态下分别进行电压电流信号的采样，每种故障得到12000组数据，共36000组数据，并对该三种数据进行清洗与排序；

S6：建立并训练船舶电站故障诊断模型，将得到的三种故障数据分别导入该LSTM故障诊断模型中进行训练，取数据的前90％用于训练，后10％用于测试，参数设置为：迭代次数800；梯度阈值1；初始学习速率0.006；乘数因子130；下降因子0.3；

通过构建好的LSTM神经网络故障诊断模型进行1000次迭代后，神经网络完成训练学习，完成后将训练所得参数数值输入图表,即可通过算法模型得到预测的监督值，进而判断出具体的发电机故障类型。

如图6所示，为单相接地短路故障的LSTM神经网络训练结果性能图；图7为该LSTM神经网络模型的预测图与单相接地短路故障图的对比。

如图8所示，为相间接地短路故障的LSTM神经网络训练结果性能图；图9为该LSTM神经网络模型的预测图与相间短路故障图的对比。

如图10所示，为三相接地短路故障的LSTM神经网络训练结果性能图；图11为该LSTM神经网络模型的预测图与三相短路故障图的对比。

从三组图像验证了这种基于LSTM神经网络的船舶电站故障诊断系统的可行性。

以上结合附图实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的保护范围。