船舶动力设备在自身性能退化过程中的相当长一段时间内仍能完成规定功能，对具有重要特征参数或性能指标的船舶动力设备而言，若使用定基线进行健康状态评估会导致评估值连续较低甚至误报警问题。为了解决这一问题，以目标设备按性能退化时间序列采集的特征参数为研究对象，首先建立退化基线计算方法，利用滑动概率神经网络和性能可靠度与基线值间的转换函数获得目标设备的动态退化基线；然后建立ARMA预测模型获得预测参数，并与退化基线计算方法结合对退化基线发生动态变化的时间节点进行预测；最后利用海水泵对建立的方法可行性进行验证。结果表明，本文建立的退化基线计算方法能够获得动态基线，退化基线预测方法能够对动态基线的变化时间节点进行准确预测。
Marine power equipment can still complete the required functions for a considerable period of time during its performance degradation process. For the equipment with important characteristic parameters or performance indicators, using a fixed baseline for health status assessment can lead to lower assessment values and false alarms. In order to solve this problem, the object of study is the characteristic parameters collected from performance degradation time series of the target equipment. Firstly, establishing degradation baseline calculation method which uses the sliding probability neural network and the conversion function between performance reliability and baseline value to obtain the dynamic degradation baseline. Secondly, establishing ARMA prediction model to obtain prediction parameters, and combining with the degradation baseline calculation method to predict the change time of the baseline value. Finally, using the seawater pump to verify the feasibility of the established methods, the results show that the degradation baseline calculation method can obtain the dynamic baseline, and the degradation baseline prediction method can accurately predict the change time of the dynamic baseline value.
2020,42(4): 141-147,153 收稿日期：2019-05-13
DOI：10.3404/j.issn.1672-7649.2020.04.028
分类号：TP391
作者简介：蔡玉良(1972-)，男，高级工程师，从事智能船舶及绿色生态相关规范/指南/标准制定、船用智能系统与设备关键技术研究与试验、智能船舶/自主船舶/无人艇审图与检验、船舶网络安全评估与认证工作
参考文献：
[1] 姜文, 刘立康. 软件配置管理中的基线问题研究[J]. 计算机技术与发展, 2016, 26(6)
[2] 王昕, 吕世龙, 李岩, 等. 基于基线漂移模型的气体光谱自动基线校正[J]. 光谱学与光谱分析, 2018, 38(12): 3946–3951
[3] 史刚, 杨明, 倪萍. 脑功能磁共振设备性能参考基线建立方法初探[J]. 中国医疗设备, 2013(8): 26–29
[4] 管文琦. 数据中心基线研究[J]. 中国金融电脑, 2014(2): 65–69
[5] 梁军科. 基线分析方法在系统性能优化中的应用[J]. 数字技术与应用, 2016(5): 110
[6] YAN-HUA Y U, PAN Y F, SONG J D. An improved baseline acquisition approach for real-time performance monitoring based on support vector machines[J]. The Journal of China Universities of Posts and Telecommunications, 2008, 15(supp–S): 59–63
[7] ZHANG J, AU F T K. Effect of baseline calibration on assessment of long-term performance of cable-stayed bridges[J]. Engineering Failure Analysis, 2013, 35(Complete): 234–246
[8] 朱强. 船舶废气排放与能效水平在线监测[D]. 武汉: 武汉理工大学, 2017.
[9] 于巧婵, 纪永波, 骆义. 我国沿海船舶CO2排放限值与EEDI比对分析[J]. 中国航海, 2016, 39(3): 99–103
[10] 颜林. 国内船舶能效指数与CO2排放基线实船研究[D]. 武汉: 武汉理工大学, 2011.
[11] 华成, 张庆, 徐光华, 谢俊, 李淑智. 动态概率模型跟踪性能退化的实时可靠性评估方法[J]. 西安交通大学学报, 2010, 44(01): 46–50
[12] 郑亚莉, 王康. 基于概率神经网络的垃圾邮件分类[J]. 计算机与现代化, 2008, 2008(1): 8–10
[13] 李强, 刘晓峰. 基于PNN的音乐情感分类[J]. 计算机工程与设计, 2019, 40(2): 528–532
[14] 张习习, 顾幸生. 基于集成学习概率神经网络的电机轴承故障诊断[J/OL]. 华东理工大学学报(自然科学版): 1-11[2019-03-25]. https://doi.org/10.14135/j.cnki.1006-3080.20181206001.
[15] 宋娟, 蒙晔. 基于神经网络的柴油发动机的故障诊断[J]. 工业控制计算机, 2018, 31(11): 72–73+76
[16] 应文豪. 基于Parzen Window估计的分类与聚类方法及应用研究[D]. 无锡: 江南大学, 2013.
[17] LU H, KOLARIK W J, LU S S. Real-time performance reliability prediction[J]. IEEE Transactions on Reliability, 2001, 50(4): 353–357
[18] 王新全, 孙培廷, 邹永久, 等. 基于GA-BP模型的船舶柴油机排气温度趋势预测[J]. 大连海事大学学报, 2015, 41(3): 73–76
[19] 侯文君, 汪英英, 姚艺新, 等. 支持向量机的船舶短期电力负荷预测方法[J]. 舰船科学技术, 2018, 40(18): 79–81
[20] 孙晓磊, 丁亚委, 郭克余, 等. 基于ARMA模型的船舶海水冷却系统参数预测[J]. 计算机测量与控制, 2017, 25(7): 285–289
