基于機器學習的船舶柴油機異常點檢測技術研究

0 前言

作為船舶航行的動力來源，柴油機的工作狀態(tài)對船舶安全航行具有重要意義。隨著計算機技術的發(fā)展船舶機艙逐漸朝著自動化、智能化方向發(fā)展

。機艙監(jiān)測系統(tǒng)中熱工壓力參數(shù)和氣缸排氣溫度報警檢測多采用基于經(jīng)驗的固定閾值法，對操作人員經(jīng)驗和專家知識依賴較高

。

異常點檢測通過識別正常值與異常值間的特征值區(qū)別識別異常行為，無需事先了解異常行為特性，減少對人員經(jīng)驗和專家知識的依賴。傳統(tǒng)的異常點檢測算法大多是基于統(tǒng)計學原理

，如胡碧輝等提出的基于“3σ ”準則和高斯過程回歸相結合的方法進行邊坡變形監(jiān)測

，王新峰等提出的基于箱線形圖的裂隙間距異常點檢測

等。但是這種基于統(tǒng)計學原理的異常點檢測方法檢測出的異常點多為極值，具有一定的局限性，且在數(shù)據(jù)集缺乏報警點時，常常將正常點識別成異常點。

別名地丁、地丁草、紫花地丁、小雞菜、扁豆秧，為罌粟科植物紫堇的干燥全草，夏季花果期采收，除去雜質，曬干。主要分布于遼寧、河北、內蒙古、山東、山西、陜西、甘肅、寧夏等。

本文提出基于孤立森林算法的無監(jiān)督異常點檢測算法，并用該算法對船舶柴油機氣缸排氣溫度歷史航行數(shù)據(jù)進行異常點檢測；在面對缺乏報警數(shù)據(jù)的數(shù)據(jù)集時進一步提出基于LSTM算法的異常點檢測算法，本文以船舶柴油機熱工參數(shù)為例，通過計算船舶柴油機轉速與柴油機熱工參數(shù)的Pearson相關系數(shù)，判斷兩者間相關性，運用LSTM算法預測當前轉速下柴油機熱工參數(shù)值，當實際值偏離預測值時識別為異常點，以此實現(xiàn)對缺乏報警數(shù)據(jù)的船舶柴油機熱工參數(shù)異常點檢測。

1 柴油機氣缸排氣溫度報警

在船舶航歷史數(shù)據(jù)中出現(xiàn)報警的測點數(shù)據(jù)，本文基于孤立森林和SVM算法對測點歷史數(shù)據(jù)進行異常點檢測，將檢測結果與實際報警數(shù)據(jù)對比分析。柴油機氣缸排氣溫度是船舶柴油機狀態(tài)監(jiān)測的重要指標之一，排氣溫度的高低一定程度上反應了柴油機燃燒質量的好壞

，柴油機氣缸排氣溫度是否正常影響柴油機使用安全和壽命。

未來“一帶一路”傳播研究需重點關注“合作傳播思維與國際傳播主體意識培養(yǎng)”的問題，圍繞差異化的傳播環(huán)境和受眾特征開展區(qū)域國別研究，同時考察多層次傳播主體的傳播實踐及其效果，持續(xù)跟進“新媒體成為國際傳播主渠道”這一動向。

1.1 數(shù)據(jù)分析

由于燃油噴射定時、噴油量不同等原因，相同工況下柴油機各氣缸排氣溫度存在差異，機艙監(jiān)測系統(tǒng)中柴油機氣缸排氣溫度報警檢測采用上限閾值法，當排氣溫度超過閾值時報警。在船舶航行歷史數(shù)據(jù)中發(fā)現(xiàn)柴油機6號氣缸出現(xiàn)排氣溫度高報警，其余各缸排氣溫度正常，報警時段柴油機轉速在800-920rpm，未達到超負荷運行。 讀取最近三月的船舶航行中柴油機各氣缸排氣溫度數(shù)據(jù)，分別求柴油機各氣缸排氣溫度均值、反差、標準差，如表1所示。均值反應排氣溫度數(shù)據(jù)的平均溫度，方差和標準差反應排氣溫度數(shù)據(jù)離散程度。從表1數(shù)據(jù)可知，發(fā)生報警的柴油機6號氣缸的排氣溫度均值、方差、標準差與其余各缸特征值相比均無明顯差異。

6號氣缸在平均溫度、離散程度上與其余氣缸沒有明顯差異，為識別6號氣缸排溫數(shù)據(jù)中異常點，提出運用孤立森林算法對柴油機6號氣缸排氣溫度數(shù)據(jù)進行異常點檢測。

1.2 孤立森林

孤立森林算法是一種基于樹的無監(jiān)督異常點檢測算法，核心思想是異常點數(shù)據(jù)與正常數(shù)據(jù)存在疏離

。如圖1所示孤立森林對輸入?yún)?shù)不斷進行遞歸劃分，直到每一個輸入?yún)?shù)點處于一個獨立的子空間，然后計算從根節(jié)點到每個孤立參數(shù)特征的路徑長短，根據(jù)平均路徑長度判斷參數(shù)是否為異常值，路徑較短為異常值，路徑較長為正常值。如圖1中字母e經(jīng)過一步劃分即處于獨立空間，此處可以將其識別為異常值。直觀上看，密度高的數(shù)據(jù)使每個數(shù)據(jù)處于獨立空間比密度低數(shù)據(jù)需要劃分更多次數(shù)，相對離散的數(shù)據(jù)點更容易識別為異常點。

4.3.1 廣泛吸引金融機構參與。擴大合作金融機構范圍。不僅與政策性銀行、國資銀行、市屬擔保公司等建立長期合作關系，更要鼓勵股份制銀行、外資銀行、民營銀行和擔保公司加入高標準農(nóng)田建設合作圈，尤其是在農(nóng)村分支機構較多的郵政儲蓄銀行和重慶農(nóng)村商業(yè)銀行。

1.3 異常點檢測與結果分析

柴油機氣缸排氣溫度受柴油機轉速影響，不同轉速下柴油機排氣溫度不同。以柴油機6號氣缸排氣溫度和對應時刻柴油機轉速作為孤立森林的兩個特征輸入。孤立森林異常點檢測結果如圖2所示，其中紅色數(shù)據(jù)點為檢測的異常點，黑色數(shù)據(jù)點為正常點，觀察圖2發(fā)現(xiàn)異常值多為離散數(shù)據(jù)。為直觀觀察孤立森林算法是否檢測出報警點，繪制柴油機6號氣缸排氣溫度數(shù)據(jù)散點圖如圖3所示。圖3中紅色數(shù)據(jù)點為報警點，黑色數(shù)據(jù)點為正常點，對比報警信息數(shù)據(jù)發(fā)現(xiàn)孤立森林異常值檢測可以檢測出所有報警信息，報警信息檢測率為100%。

為驗證孤立森林對柴油機氣缸排氣溫度異常點檢測的有效性，本文將其與無監(jiān)督SVM異常點監(jiān)測結果對比。SVM常被用于分類問題，即用多維空間內的超平面將數(shù)據(jù)集劃分成兩類或多類數(shù)據(jù)，本文使用SVM中One Class SVM對數(shù)據(jù)集進行異常點檢測。One Class SVM適用于訓練集中只有一類樣本或者有兩類樣本但其中一類樣本數(shù)量較少的情況，中心思想就是尋找一個超平面將所以正樣本圈住，以這個超平面作為決策標準，在超平面外的識別為異常點。

One Class SVM對相同數(shù)據(jù)集的異常值檢測結果如圖4所示，對比圖3發(fā)現(xiàn)One Class SVM異常點檢測對報警信息的檢測存在明顯遺漏，報警信息檢測率約為75%。對比孤立森林和One Class SVM異常點檢測耗時如圖5所示，在數(shù)據(jù)集較小時，One Class SVM訓練耗時較短，但隨著數(shù)據(jù)集規(guī)模增大，孤立森林算法在時間上更有優(yōu)勢。船舶柴油機數(shù)據(jù)量通常較大，孤立森林算法在柴油機數(shù)據(jù)上訓練效率更高。

2 熱工壓力參數(shù)壓力

在數(shù)據(jù)中存在報警數(shù)據(jù)時可以使用孤立森林的方法檢測異常點，但是船舶航行過程中大部分測點未發(fā)生報警，如果使用孤立森林異常點檢測方法檢測將無法識別報警數(shù)據(jù)特點。針對缺乏報警數(shù)據(jù)的測點提出基于LSTM算法和相關測點相關性的預測方法預測正常值，將偏離預測數(shù)據(jù)的實際值定位為異常點。

熱工壓力參數(shù)是柴油機故障診斷的重要方法之一

，本文船舶數(shù)據(jù)中柴油機熱工壓力參數(shù)測點包括柴油機高溫水進機壓力，低溫水進機壓力。在船舶歷史航行數(shù)據(jù)中缺乏柴油機熱工壓力參數(shù)報警點，所以傳統(tǒng)的異常點檢測算法在本船熱工壓力參數(shù)上不適用。

式中：

是當前時刻遺忘門狀態(tài)；

是sigmoid激活函數(shù)；

是遺忘門的權重矩陣；

-1

是上一時刻單元的狀態(tài)保留量；

是當前時刻輸入序列；

是遺忘門的偏置。

2.1 數(shù)據(jù)分析

根據(jù)柴油機熱工壓力參數(shù)和轉速的相關性，將柴油機熱工壓力參數(shù)和柴油機轉速作為特征，運用孤立森林異常點檢測算法檢測結果如圖8所示。在船舶航行歷史數(shù)據(jù)中柴油機熱工壓力參數(shù)在柴油機轉速在800-920rpm沒有報警信息，但是基于孤立森林的異常點檢測算法根據(jù)其判斷異常點理論將正常點識別為異常點。因此在缺乏報警數(shù)據(jù)時使用孤立森林算法進行異常點檢測是不合理的。

問卷針對寶雞市城市內澇區(qū)居民進行，根據(jù)2011年7月28日發(fā)生的實際內澇情況，分別對新老城區(qū)居民進行調查。選取姜譚路東段（約1 500 m）、新建路西段與新福路東段（約 2 000 m）、高新四路（約 1 500 m）三個樣本地段，分別對附近居民進行了隨機訪談調查。此次調查選取的這三個點是寶雞市2011年的嚴重內澇區(qū)，分別代表了寶雞市的工業(yè)區(qū)、農(nóng)業(yè)區(qū)和商業(yè)區(qū)，訪談的對象均屬寶雞市民，能夠代表一般意義上的現(xiàn)代中小城市居民對內澇災害的感知情況。

為驗證船舶柴油機轉速與柴油機熱工壓力參數(shù)的相關關系，計算船舶柴油機轉速和熱工壓力參數(shù)的Pearson相關系數(shù)。Pearson相關系數(shù)是用來衡量兩組數(shù)據(jù)線性相關性的評估標準，相關系數(shù)值越接近1或者-1則相關性越強，越接近0則相關性越弱，通常情況下相關系數(shù)絕對值在0.8-1之間表示相關性強，相關系數(shù)是正數(shù)表示兩組數(shù)正相關，是負數(shù)表示兩組數(shù)負相關。計算柴油機轉速數(shù)據(jù)與高溫水進機壓力、低溫水進機壓力的Pearson相關系數(shù)值分別為0.992、0.995，說明船舶柴油機轉速與熱工壓力參數(shù)相關性較強。Pearson相關系數(shù)計算公式如下：

(1)

2.2 長短時記憶網(wǎng)絡

針對熱工壓力參數(shù)值和柴油機轉速線性相關的現(xiàn)象，在熱工壓力參數(shù)缺乏報警數(shù)據(jù)的情況下，提出基于LSTM

的熱工壓力參數(shù)異常點監(jiān)測方法。柴油機熱工參數(shù)受柴油機轉速影響是時間序列上的連續(xù)影響，LSTM特殊的神經(jīng)網(wǎng)絡結構可以解決這個問題。

LSTM是一種特殊的遞歸神經(jīng)網(wǎng)絡，具有獨特的細胞狀態(tài)和門結構，如圖7所示h

、h

h

分別是上一時刻狀態(tài)、當前時刻狀態(tài)、下一時刻狀態(tài)保留量，三個sigm從左到右分別是遺忘門、輸入門、輸出門，同一時刻，LSTM細胞單元包含當前時刻輸入、上一時刻輸入，上一時刻的細胞狀態(tài)三種輸入，三種門結構將短期記憶與長期記憶結合，使LSTM實現(xiàn)信息的篩選和長期保留，解決了時間序列長期依賴的問題

。

LSTM中遺忘門決定上一時刻單元狀態(tài)保留多少信息到當前單元狀態(tài)，即決定保留多少上一時刻對預測值的影響信息，其計算公式為：

=

(

[

-1

,

]+

)

(2)

為在出現(xiàn)異常數(shù)據(jù)時能準確識別異常點，本文基于LSTM算法對缺乏報警信息的熱工壓力參數(shù)數(shù)據(jù)建立異常點識別機制。計算柴油機轉速與熱工壓力參數(shù)的Pearson相關系數(shù)，判斷柴油機轉速與熱工壓力參數(shù)相關性，基于柴油機轉速與熱工壓力參數(shù)相關性，運用LSTM和SVM算法預測當前轉速下熱工壓力參數(shù)值，以圖示和殘差作為預測準確度評估標準對比分析LSTM和SVM算法預測結果，當熱工壓力參數(shù)實際值偏離預測值則檢測為異常點。

LSTM中輸入門決定當前時刻輸入有多少保存到細胞單元中，即決定保留多少當前時刻對預測值的影響信息，計算公式為：

=

(

[

-1

,

]+

)

(3)

(4)

(5)

中輸出門決定當前時刻輸出值，即輸出當前時刻及之前時刻對預測性的影響信息，輸入到下一個細胞單元，計算公式為：

在管理過程中，班主任與家長之間造成誤會，大部分是因為溝通不暢，信息不對等造成的。在與家長溝通時，盡可能創(chuàng)造機會讓家長來說，認真聆聽他們的想法，同時真誠地提出自己的建議，但一定要注意溝通的態(tài)度，要把尊重家長放在首位。

為了進一步的充實語料庫的內容。為了進一步的充實語料庫的內容，幫助同學們了解專業(yè)詞匯在具體文章中的應用和提高同學們專業(yè)性文章的閱讀能力，我們從一些德國媒體與網(wǎng)站中節(jié)選了幾篇與選題相呼應的德語文章。

=

(

[

-1

,

]+

)

(6)

=

tan

(

)

(7)

第一步：首先進行數(shù)據(jù)預處理，剔除歷史數(shù)據(jù)中柴油機未啟動時間段數(shù)據(jù)，對數(shù)據(jù)集進行歸一化處理，設置時間序列步長為15秒，劃分測試集、訓練集、驗證集，以柴油機轉速作為模型輸入，熱工壓力參數(shù)值作為模型輸出，將數(shù)據(jù)處理成LSTM輸入輸出格式。

2.3 模型訓練與結果分析

讀取船舶航行歷史數(shù)據(jù)中柴油機轉速和柴油機熱工壓力參數(shù)如圖6所示，通過數(shù)據(jù)觀測發(fā)現(xiàn)高溫水進機壓力、低溫水進機壓力和柴油機轉速值變化規(guī)律相似。當柴油機啟動、停止或其他原因導致柴油機轉速較低時，熱工壓力參數(shù)會隨著柴油機轉速降低而降低。傳統(tǒng)的熱工壓力參數(shù)多采用固定閾值的方法設定報警閾值，當柴油轉速偏低時，熱工壓力參數(shù)值也會偏低，容易觸發(fā)報警。

以歷史數(shù)據(jù)中柴油機轉速作為輸入，對應時間點熱工壓力參數(shù)作為輸出建立LSTM模型。用當前時段柴油機轉速作為輸入運用建立的LSTM模型預測當前轉速下柴油機熱工壓力參數(shù)值，用均方誤差(MSE)評價模型精度，選擇精度最優(yōu)的模型通過驗證集驗證模型準確度。

數(shù)據(jù)集為某船歷史航行數(shù)據(jù)中熱工壓力參數(shù)和柴油機正常工作數(shù)據(jù)，建立LSTM模型以柴油機轉速預測當前轉速下熱工壓力參數(shù)值，作為具體步驟如下。

式中：

輸出門的狀態(tài)；

是輸出門權重矩陣；

是輸出門的偏置。

簡而言之，教師對“支架”教學理解越到位，對學生的最近發(fā)展區(qū)判斷越準確，對教學“支架”的使用越自如，越有可能通過“支架”作用滿足學習者的學習需求。但是，如果學習者不積極配合，在課堂中保持沉默，或者認為“支架”教學沒有作用，不全身心投入，那么教師的單向努力也不能實現(xiàn)“支架”的作用。

第三步：對模型進行不斷迭代尋優(yōu)，尋找均方誤差最優(yōu)模型。運用數(shù)據(jù)集對模型迭代600次其損失函數(shù)如圖9所示。隨著迭代次數(shù)的增加，模型訓練精度不斷增加，但精度增加趨勢減緩逐步趨于穩(wěn)定。

(8)

第二步：搭建LSTM時間序列預測模型，預測模型以liner為激活函數(shù)，以均方誤差作為精度評估標準。均方誤差計算公式如下：

模型迭代次數(shù)越多訓練時間越長，綜合模型訓練精度和時間長短考慮，將迭代300次生成的模型通過驗證集預測，預測值和實際值如圖10所示。圖中紅色為熱工壓力參數(shù)實際值，黑色為預測值。

為了對比提出的LSTM模型預測準確性，本文使用SVM對相同數(shù)據(jù)集做預測對比分析。SVM是一種非常重要的機器學習算法，核心思想是盡可能尋找最優(yōu)決策邊界，使模型具有很好的泛化性

，因此在數(shù)據(jù)預測方向也有很多應用。

本文使用SVM基于相同數(shù)據(jù)集預測當前轉速下柴油機熱工參數(shù)值是實際值對比如圖11所示。SVM預測模型雖然能夠預測出熱工參數(shù)的波動規(guī)律，但是預測值與實際值偏差較大。

以殘差作為模型預測結果評估標準，在統(tǒng)計學中殘差表示兩組數(shù)之間的差值，本文用殘差評估實際觀測值和預測值之間的差，將殘差看做預測值的誤差。LSTM和SVM算法分別預測低溫水進機壓力、高溫水進機壓力與實際值殘差如表2所示。由表2可知LSTM算法預測準確度相對SVM預測準確度更高。

殘差計算公式如下：

文言文教學固然存在或多或少的問題。如何認清問題的存在，很好地解決問題是當下急需重視的內容。只有解決好這些問題，才能更好地指導文言文教學實踐。

(9)

3 總結

本文基于船舶航行歷史數(shù)據(jù)進行異常點檢測分析。船舶航行歷史數(shù)據(jù)具有價值密度低的特點，報警信息在機艙數(shù)據(jù)中占比很小，本文針對包含報警數(shù)據(jù)的柴油機氣缸排氣溫度提出基于孤立森林的異常點檢測算法；對缺乏報警數(shù)據(jù)的柴油機熱工壓力參數(shù)數(shù)據(jù)集提出基于LSTM預測的異常點檢測算法。研究結果表明：

(1)孤立森林異常點檢測算法能檢測出船舶柴油機氣缸排氣溫度報警點，在大數(shù)據(jù)異常點檢測時相比與SVM耗時更短，報警點識別率更高。

(2)針對熱工壓力參數(shù)與柴油機轉速波動規(guī)律相似的現(xiàn)象提出建立LSTM模型，以柴油機轉速預測當前轉速下熱工壓力參數(shù)值，以殘差作為評估標準，計算LSTM模型預測的高溫水進機壓力、低溫水進機壓力結果與真實值殘差均為1.62，實驗證明將LSTM模型應用于熱工壓力參數(shù)異常點檢測具備可行性，當真實值偏離預測值時識別為異常點。

至于“空腹喝涼開水，會克火抑陽，損壞體質”的說法是有道理的，這是因為早上是陽氣升發(fā)的開始，如果喝涼水，臟腑的陽氣會產(chǎn)生一種不良刺激，時間久了對健康不利。

首先，教務管理人員要提前對畢業(yè)班學生的學分進行摸底排查，對個別重點學生的學分，更是要把他們的課程總表打印出來，對照他們的專業(yè)人才培養(yǎng)方案一一核對，并和班主任、學習委員及其本人聯(lián)系，幫助他們聯(lián)系相關的任課教師，及時選修、補修課程，完成專業(yè)人才培養(yǎng)方案規(guī)定的最低學分要求；同時盡可能地采取一些政策范圍內的補救措施，如，爭取創(chuàng)新學分和素能拓展學分等.還要及時把學分的最新消息更新在班主任、班級的QQ群中，保證信息的暢通和對稱，使學生及時了解此類信息，以便及時采取補救措施.

本文基于孤立森林算法可以檢測出柴油機排氣溫度異常點，但是虛檢率很高，將大量正常值識別成異常點，如何降低虛檢率有待進一步研究。

[1]CHEN H, ZHANG Z H, GUAN C, et al. Optimization of sizing and frequency control in battery/supercapacitor hybrid energy storage system for fuel cell ship[J]. Energy, 2020, 197: 117285.

[2]KOWALSKI J, KRAWCZYK B, WO?NIAK M. Fault diagnosis of marine 4-stroke diesel engines using a onevs-one extreme learning ensemble[J]. Engineering Applications of Artificial Intelligence, 2017, 57: 134-141.

[3]王瑞涵,陳輝,管聰.基于機器學習的船舶機艙設備狀態(tài)監(jiān)測方法[J].中國艦船研究,2021,16(01):158-167.

[4]鄒彤彤,楊濤,周勇,王仲平,余來斌,王東凱,肖榮,出曉娟.基于KNN算法的隧道地表變形監(jiān)測數(shù)據(jù)異常檢測分析[J].科學技術創(chuàng)新,2021(28):95-97.

[5]胡碧輝,鄒晨陽,陳芳.巖質邊坡地表變形監(jiān)測數(shù)據(jù)處理與時效變形分析[J].水利規(guī)劃與設計,2019(10):113-115+156.

[6]王新峰,梁杏,孫蓉琳,楊靜熙,鄭漢淮.基于野外測量數(shù)據(jù)的裂隙間距箱線圖法初探——以錦屏一級水電工程廠房為例[J].安全與環(huán)境工程,2010,17(02):103-107,122.

[7]雷猛. 某船發(fā)電柴油機排溫高故障分析與排除[J]. 船舶物資與市場, 2021(5):2.

[8]陳沖,何為,鐘田福,王晶.基于孤立森林方法的催化裂化裝置排污數(shù)據(jù)異常識別[J].西安石油大學學報(自然科學版),2021,36(04):119-126.

[9]操江能,楊閩松.船舶柴油機故障診斷技術探析[J].內燃機與配件,2021(12):142-143.

[10]徐武,孫鵬軍,鄭文勝.某型柴油機滑油壓力低故障原因分析[J].柴油機,2021,43(01):55-56+60.

[11]Yokoo Kazuki;Ishida Kei;Ercan Ali;Tu Tongbi;Nagasato Takeyoshi; Kiyama Masato;Amagasaki Motoki Capabilities of deep learning models on learning physical relationships: Case of rainfall-runoff modeling with LSTM.[J]Science of The Total Environment,2021.

[12]易成新,李維剛,呂立華,趙云濤.基于RF-LSTM的熱連軋板坯粗軋出口溫度預報[J].鋼鐵研究學報,2021,33(09):952-959.

[13]王逸兮,余錚,查志勇,馮浩,王敬靖.基于改進SVM的電力企業(yè)信息系統(tǒng)異常檢測方案的優(yōu)化[J].計算機與數(shù)字工程,2020,48(03):567-570+662.