一种基于机器学习的船用滑油冷却器数据模型构建方法与流程

1.本发明属于滑油系统试验过程的数字化调试技术领域，更具体地，涉及一种基于机器学习的船用滑油冷却器数据模型构建方法。


背景技术：

2.滑油冷却器是汽轮机等旋转设备冷却润滑工质常用的热交换设备，其广泛用于船舶、化工、制冷和机械等行业。滑油冷却器是控制滑油系统内润滑油温度的主要设备，其主要作用是保证滑油温度能在正常的工作范围内。
3.在船舶蒸汽动力系统中，有大量的旋转机械需要使用润滑油对其进行润滑，特别是那些长时间运行使用的旋转机械，如推进汽轮机、汽轮发电机等。船舶的航速变化以及船上用电负荷变化影响着汽轮机的运行状态，使得汽轮机发热量的变化极为剧烈，船用滑油冷却器需要对滑油的冷却效果实时调节，保证滑油温度在正常范围内。如果滑油温度不在正常范围内，会导致汽轮机等设备的热负荷变大并且减弱轴承润滑效果，这将影响到蒸汽动力系统关键设备的正常使用，增加故障概率，降低蒸汽动力系统的安全可靠性，影响船舶的正常航行。
4.在设计滑油系统时，为提高设计质量，一般需要开展滑油系统的仿真计算，滑油冷却器的模拟仿真是滑油系统仿真计算过程中重要的环节，为了准确的得到计算结果，需要建立准确的滑油冷却器模型。目前建立滑油冷却器模型一般根据机理模型进行构建，一种是通过滑油冷却器的控件结构构造、冷却管束换热特性等滑油冷却器物理机理特征，设置滑油冷却器物理边界条件，采用三维的仿真方式计算稳定状态下的滑油系统各项运行参数，建立滑油冷却器的稳态计算模型。
5.但是三维仿真计算速度较慢，且无法对船舶常见的动态工况进行计算。另一种是采用简化的一维或0维仿真模型，这种方法下的滑油冷却器模型计算精度不高，计算效率也偏低，也无法有效支撑滑油系统动态工况的联合仿真。
6.因此，滑油冷却器作为滑油系统仿真过程中关键设备，现有的基于机理的滑油冷却器模型精度和实时性都难以达到支撑滑油系统联合仿真计算的要求。主要有以下两个问题：
7.1)计算精度低。简化的一维船用滑油冷却器模型需要利用真实数据进行大量修正，以提高计算精度，但这种模型计算速度较低，修正耗费资源较大，并且难以有效支撑船舶变工况下滑油换热仿真计算。
8.2)计算速度慢。三维仿真模型一般采用网格划分的计算方法，网络数量与计算精度密切相关，高精度的三维仿真不能满足滑油系统设计过程的仿真模型运算快速性要求。


技术实现要素：

9.针对现有技术的以上缺陷或改进需求，本发明提出了一种基于机器学习的船用滑油冷却器数据模型构建方法，使用滑油系统的各种工况下试验及运行数据，结合机器学习
算法，能够建立一种精度高、运行速度快的船用滑油冷却器数据模型。
10.为实现上述目的，本发明提供了一种基于机器学习的船用滑油冷却器数据模型构建方法，包括：
11.(1)对船用滑油冷却器数据进行数据预处理及特征提取得到船用滑油冷却器数据的特征数据；
12.(2)建立lstm-bp神经网络稳态数据模型，并将特征数据作为lstm-bp神经网络稳态数据模型的输入得到经过lstm-bp神经网络稳态数据模型的输出数据；
13.(3)使用加权loss对lstm-bp神经网络稳态数据模型的输出数据进行数据回传模型优化。
14.在一些可选的实施方案中，步骤(1)包括：
15.对船用滑油冷却器数据进行缺失值处理、离群和噪声值处理、异常范围及类型值处理、数据归一化得到船用滑油冷却器数据的特征数据。
16.在一些可选的实施方案中，对船用滑油冷却器数据进行缺失值处理包括：
17.将船用滑油冷却器数据中的缺失项处的值进行丢弃，或者丢弃船用滑油冷却器数据中包含缺失项的整条数据记录，或者对船用滑油冷却器数据中的缺失项处的值进行估计。
18.在一些可选的实施方案中，对船用滑油冷却器数据中的缺失项处的值进行估计，包括：
19.采用缺失值所处属性上全部值的平均值、缺失值所处属性上全部值的平均值加权重后的值或者某个分位值代替缺失值；
20.或者，估计缺失值的相似值，采用相似值来填充缺失值；
21.或者，基于非缺失的值构建统计模型，并对统计模型参数进行估计，然后再预测缺失处的值。
22.在一些可选的实施方案中，对船用滑油冷却器数据进行异常范围及类型值处理，包括：
23.根据船用滑油冷却器数据是否超过了当前场景下属性能够取值的范围，对船用滑油冷却器数据进行异常范围及类型值处理。
24.在一些可选的实施方案中，对经过缺失值处理、离群和噪声值处理、异常范围及类型值处理后的船用滑油冷却器数据进行数据归一化，包括：
25.对经过缺失值处理、离群和噪声值处理、异常范围及类型值处理后的船用滑油冷却器数据进行最大值最小值归一处理。
26.在一些可选的实施方案中，步骤(2)包括：
27.lstm为主干网络，其中，lstm网络的输入维度对应输入的特征数据，包含若干个隐含层，各隐含层串联，上一个隐含层的输出为下一个隐含层的输入，每个隐含层之间的输入和输出维度相同，lstm部分的主要作用是提取稳态数据特征。
28.bp神经网络包括若干个隐含层，第一层为隐含层，隐含层和relu激活函数交替连接，最后一层为隐含层。
29.在一些可选的实施方案中，步骤(3)包括：
30.将lstm-bp神经网络稳态数据模型的各输出数据作为独立的输出，分别计算各输
出数据的loss函数后进行加权求和，然后根据加权求和后的数据与实际数据之间的关系，调整输出权重值，以优化权重loss函数。
31.总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
32.(1)本发明提出的基于机器学习的滑油冷却器数据模型构建方法，利用机器学习对滑油系统历史数据进行分析，寻找滑油冷却器各输入输出参数在不同运行状态下相互之间的隐式关系，使用滑油系统的各种工况下试验及运行数据，结合机器学习算法，能够建立一种精度高、运行速度快的船用滑油冷却器数据模型。
33.(2)计算精度高。已有的船用滑油冷却器模型构建结果表明，对稳态、动态混合的工况数据，以滑油出口温度1℃为偏差，99％的样本满足要求，误差小于1℃，剩下1％的样本误差最大为1.14℃，能较好的满足仿真计算结果。
34.(3)计算速度快。通过已有的船用滑油冷却器模型进行测试，采用了620个节点共8层神经网络便可完成高精度计算，运行结果较快，运行速度《1s。
35.(4)支撑滑油系统设计。可以将本发明形成的船用滑油冷却器模型嵌入至滑油全系统模型中进行联合仿真计算，从而支撑滑油系统设计。
附图说明
36.图1是本发明实施例提供的一种总体技术路线图；
37.图2是本发明实施例提供的一种滑油数据预处理及特征提取；
38.图3是本发明实施例提供的一种滑油冷却器数据模型架构。
具体实施方式
39.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
40.如图1所示，本发明大致可以分为以下几个关键步骤：
41.s1：对船用滑油冷却器数据进行数据预处理及特征提取得到船用滑油冷却器数据的特征数据；
42.s2：建立lstm-bp神经网络稳态数据模型，并将特征数据作为lstm-bp神经网络稳态数据模型的输入得到经过lstm-bp神经网络稳态数据模型的输出数据；
43.s3：使用加权loss对lstm-bp神经网络稳态数据模型的输出数据进行数据回传模型优化。
44.在本发明实施例中，步骤s1可以通过以下方式实现：
45.数据预处理及特征提取，主要针对滑油冷却器数据上的各种异常情况的处理，根据数值异常情况的不同，清理常见异常并对数据进行规约处理。主要有以下内容：缺失值处理、离群和噪声值处理、异常范围及类型值处理、数据归一化，如图2所示。
46.其中，缺失值处理包括：缺失值使数据记录丢失了部分信息，一些鲁棒性不佳的模型也会因为缺失值而导致无法计算数据。缺失值的处理，一般有以下两种思路：丢弃和估
计。
47.丢弃：可以只丢弃缺失项处的值，也可以丢弃包含缺失项的整条数据记录，这要根据该条数据记录上其它的数据是否有价值进行判断，尤其是在数据样本较少的情况下，需要仔细权衡。
48.估计：不想丢弃缺失值时，对缺失值进行估计是必要的。估计的方法有多种，最直接的是让有经验的人员手工填写，除此之外其它的常见方法有如下几种：
49.替代。用缺失值所处属性上全部值的平均值(此时也可以加权重)、某个分位值代替。对于时间序列，则可以用相邻数据记录处值(或平均值)替代。
50.填充。可以用与缺失值记录“相似”记录上的值来填充缺失值，其中最关键的问题就是“相似”的定义，“相似”可以用k最邻近、聚类等方法估计缺失值。对于时间序列，则可以用插值的方法，包括线性和非线性插值。
51.基于统计模型的估计。基于非缺失的值构建统计模型，并对模型参数进行估计，然后再预测缺失处的值。
52.其中，异常范围及类型值处理包括：异常范围类型是指记录数据超过了当前场景下属性可取值的范围，比如记录冷却水流量小于0，或者滑油流量小于0，这显然也是不合理的。
53.实际上噪声包含范围比较广泛，对计算过程无用或造成干扰的都可以称为噪声，像上面中所说的缺失值、异常范围及类型值均属于噪声的范畴。离群点则是指与数据总体特征差别较大的。离群点是否是噪声需要在实际的应用场景中判断，比如像建立系统总体的模型，那么离群点就可以视为噪声，它对模型的创建毫无用处，甚至会影响模型的准确性。而在一些模式识别领域中，那么就要考虑离群点是噪声，还是对模式创建有用的点，因为模式总是针对少量样本的。
54.噪声的处理可以针对具体情况进行，离群点处理前先要判断该点是否是有用的，若是无用点则可以当做噪声处理，若是有用的则保留。
55.其中，归一化处理包括：在机器学习领域中，不同评价指标(即特征向量中的不同特征就是所述的不同评价指标)往往具有不同的数量级和单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。其中，最典型的就是数据的归一化处理。
56.由于滑油系统研究数据数量级存在很大不同，如压力、温度、流量的数量级差别较大，所以模型训练中对所有数据进行了最大值最小值归一处理。
57.在本发明实施例中，步骤s2可以通过以下方式实现：
58.本发明采用lstm+bp的神经网络结构作为稳态数据模型。lstm为主干网络，lstm网络的输入维度为5，对应输入的五个特征，共有5个隐含层，五个隐含层串联，上一个隐含层的输出为下一个隐含层的输入，每个隐含层之间的输入和输出维度都为100，最后一层的输出维度也为100。lstm部分的主要作用是提取稳态数据特征。
59.bp神经网络的作用是调节输出维度以及增加更多的非线性关系。bp神经网络部分包括3个隐含层，结构依次为：第一层隐含层，输入维度为100，输出维度为50，后接一个relu激活函数，第二个隐含层，输入维度为50，输出维度为10，后接一个relu激活函数，第三个隐
含层输入维度为10，输出维度为2，计算loss函数。
60.以上仅是一种可行的整体网络结构，如图3所示。内部层数和维度均可在50％的范围内调整。
61.在本发明实施例中，步骤s3可以通过以下方式实现：
62.经过神经网络稳态数据模型的计算后，得到了二维的输出，之后进行分别计算loss函数的操作。二维的输出分别对应两个输出特征，在神经网络前向传播之后需要计算输出和真实值的误差进行反向传播，在不进行加权loss处理时，两个输出作为二维数组整体计算误差，相当于两个误差求和取平均(即滑油出口温度、冷却水出口温度权值为0.5)。本发明将两个输出作为独立的输出，分别计算loss函数后进行加权求和，然后根据实际数据特征调整两个输出权重值(如滑油出口温度权值为0.75、冷却水出口温度权值为0.25)，优化权重loss函数，进一步提高计算精度，从而获得更佳的数据模型。
63.通过本发明构建的船用滑油冷却器模型结果表明，在模型训练及测试过程中，在滑油出口温度超过1℃为不满足要求的条件下，99％的样本满足要求(误差小于1℃)，剩下1％的样本误差最大为1.14℃，能较好的满足仿真计算的要求。
64.本发明的滑油冷却器数据模型采用了长短期记忆网络(long short-term memory networks，lstm)构建网络模型、对输出结果加权loss修正，解决了换热过程的延时问题，寻找除了滑油冷却器各输入输出参数在不同运行状态下相互之间的隐式关系，形成的滑油冷却器数据模型精度高，运算速度快。
65.本发明提出的基于机器学习的滑油冷却器数据模型构建方法，利用机器学习对滑油系统历史数据进行分析，寻找滑油冷却器各输入输出参数在不同运行状态下相互之间的隐式关系，主要有以下几点：
66.1)采用长短期记忆网络(lstm)构建网络模型。由于换热是一个延时过程，滑油温度的改变相比于冷却水流量变化有一定延迟，通过长短期记忆网络(lstm)能有效解决各换热过程变量中存在时间间隔或者长延迟的情况。
67.2)输出结果加权loss修正。由于神经网络前向传播之后需要计算输出和真实值的误差进行反向传播，通过对多输出结果进行加权loss模型修正，对机器学习的滑油冷却器模型多个输出进行加权，可以有效提高输出结果的准确性。
68.3)精度较高。已有的船用滑油冷却器模型构建结果表明，以滑油出口温度1℃为偏差，99％的样本满足要求(误差小于1℃)，剩下1％的样本误差最大为1.14℃，能较好的满足仿真计算结果。
69.4)运行速度快。通过已有的船用滑油冷却器模型进行测试，采用了620个节点共8层神经网络便可完成高精度计算，运行结果较快，运行速度《1s。
70.需要指出，根据实施的需要，可将本技术中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
71.本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。