基于信息熵的船舶主機性能監測方法

劉 興，楊 越，張焱飛

（1.中遠海運散貨運輸有限公司， 廣東廣州 510006；2. 上海外高橋造船海洋工程有限公司， 上海 200137；3. 上海船舶運輸科學研究所有限公司， 上海 200135）

0 引言

隨著智能船舶的快速發展，智能船舶系統在船舶設備維護、性能評估和監測中扮演著越來越重要的角色?；诖髷祿治龇椒ê蛡鹘y設備監測方法對船舶設備進行監測可以幫助船舶管理者了解船舶設備運行狀況，從而為船舶設備維護做出提前預判和規劃[1]。

船舶主機作為船舶運行的關鍵設備，由眾多設備組成。眾多的設備可分為多個子系統，多個子系統按照設備功能和特點分為廢氣排氣系統、冷卻水系統、滑油系統等[2]。因此，對主機進行性能監測可充分分析主機下各子系統的運行狀態，通過主機運行參數分析結果可以快速判斷主機當前的運行狀況，評估主機性能是否下降或者上升。

現階段，要構建出符合主機運行的物理模型，需要完整的主機設備參數信號，但由于信號采集限制，研究者很難構建出準確的主機運行物理模型。構建物理模型需要精準的物理量，比如排氣流速或者交換水溫等，然而實際工程中，以上關鍵信號很難送出，因此缺少了部分關鍵物理量則很難構建物理模型。針對此類問題，絕大多數研究學者利用大數據分析方法來對船舶主機海量數據進行特征提取、狀況識別、故障診斷、性能監測以及故障預測。

絕大多數的大數據識別方法集中在數據的聚類劃分、深度學習上。船舶主機是復雜的系統，常用的大數據分析方法可以提升監測水平，但實際工程中，大數據分析方法依靠比較復雜的數據基礎，若缺少數據學習樣本，則會使數據分析結果陷入局部最優的情況。

因此，本文引入信息熵方法來監測船舶主機運行性能，根據信息熵方法計算的熵值結果對比2個滿載航次的主機性能趨勢，從而實現對滿載航次下船舶主機運行性能的監測。

1 信息熵有關理論

“熵”是熱力學中表示分子狀態無序程度的物理量。在信息論中，通訊的隨機性無法避免，因此通信系統具有統計的特征，信息源可作為多隨機事件的集合，這類集合具有隨機性。因此與熱力學中分子狀態無序性相似[3]。在20世紀40年代，香農提出了信息熵的概念，把信息中排除了冗余后的平均信息量成為“信息熵”，用于衡量不確定性，是離散隨機事件出現的概率，及計算所有可能發生事件相關信息量的期望值[4]，系統越復雜出現的類目越多，則信息熵越大。系統越簡單，出現種類或者概率越小，則對應的信息熵較小[5]。信息熵具有3個特點[6]：1）單調性。事件在統計中發生的概率越高，則信息量越低，該特性也暗含了信息含量先驗假設，默認某些條件下不含信息量，即表示一種概率分布，將默認情況的概率定為0。2）非負性。信息熵是一種廣度量，是一種合理的必然情況。3）累加性。多種隨機事件同時發生，并存在的不確定性的量度表示為不確定性的量度之和，

信息熵的計算公式為

式中：n為系統X出現n個不同狀態，p(xi)為xi(i=1,2,...,n)出現的概率。公式結果越高代表系統越混亂，若H(X)=0，表示系統較為穩定。

2 船舶主機氣缸狀態參數與數據選擇

本文選擇的某目標船是1艘30×104t級別的散貨船，主要來往于巴西和中國。該船主機的最大輸出功率為25200 kW，配有6個氣缸，每個氣缸可提供氣缸廢氣排氣出口溫度、氣缸缸蓋冷卻水出口溫度、氣缸活塞滑油出口溫度，即對應主機廢氣排氣系統、冷卻水系統以及滑油系統。

在實際工程中，實船數據采集周期為1 s 1組數據，為了讓數據可用于后續的計算，需要對實時秒級數據進行篩選處理，剔除異常值和空值，接著按1小時為數據處理周期，對每整小時內的數據進行平均計算，即計算3600個數據采集周期內的數據，最終得到主機氣缸3個系統下每小時的平均值。

本次研究可以更加直觀展示監測結果，本文選取目標船2個時間相鄰的滿載航次作為研究對象，2個滿載航次轉速相近，航路相近，航速相近。第一個滿載航次的航行時間從2021-11-05到2021-12-23，航行時長49天，對原始采集數據進行篩選處理后總計得到1176條小時數據；第二個滿載航次的航行時間從2022-04-13到2022-05-26，航行時長44天，篩選處理后得到總計1056條小時數據。以2個航次下主機廢氣排氣系統為例，如圖1所示（圖1中#1～#6表示目標船主機的1號～6號氣缸）。對比圖1中2個航次的氣缸廢氣排氣溫度數據，可知航次一的廢氣排氣溫度數據波動幅度較大，在第一航次運行到第850 h和1000 h附近有過異常的數據下降，后又恢復到原來時間附近，而航次二的數據展示可知長達44天的航行期間，主機廢氣排氣系統溫度均維持在穩定運行范圍內，溫度發生異?；驕囟茸兓容^大的現象較少。

圖1 2個滿載航次主機氣缸廢氣排氣溫度示意圖

根據船期計劃已知，在第一個滿載航次和第二個滿載航次之間，該目標船按計劃進塢維修保養過船舶主機。

3 基于信息熵的主機性能監測方法

本文提出的基于信息熵主機性能監測方法主要利用主機氣缸在3個系統下溫度偏差值的波動進行熵值計算，得到主機氣缸在3個系統下的熵值情況。按照此主要思路構建監測方法流程框架。

首先，計算目標船主機6個氣缸3個系統溫度的整體平均值，接著計算每個氣缸3個系統溫度和整體平均值之間的溫度偏差，可以得到每個氣缸的廢氣排氣溫度偏差、缸蓋冷卻水出口溫度偏差以及氣缸滑油出口溫度偏差。根據各個系統溫度特征和溫度偏差特征確定各個系統下溫度偏差間隔以作為分布統計對象。在本次研究中，廢氣排氣系統最大溫度是420℃左右，最低則降至30℃左右，溫度偏差也從-60℃～50℃不等，因此對于廢氣排氣系統以5℃作為分布統計對象，即定[-5,0)、[0,5)、[5,10)等范圍為分布統計區間，對于冷卻水系統和滑油系統，溫度變化范圍在100℃以下，且溫度偏差變化最大未超過10℃。因此，冷卻系統和滑油系統以1℃為分布統計對象，即定[-1,0)、[0,1)、[1,2)等范圍為分布統計區間。

以整個航次為統計區間，計算參數模型的熵值，對傳統計算公式進行改進，計算式為

式中：H為滿載航次的熵值，N為統計區間數據，ni為每個區間內的統計數目，T為以整個航次為統計區間的總數目，ni=0則不參與統計。

4 驗證與分析

依據前面的監測方法，對目標船主機數據進行溫度偏差計算，得到主機6個氣缸3個系統下的溫度偏差。以主機廢氣排氣系統數據為例，如溫度偏差結果，如圖2所示（圖2中#1～#6表示目標船主機的1號～6號氣缸）。

圖2 2個滿載航次主機氣缸溫度偏差示意圖

每個系統統計區間利用信息熵方法進行計算，得到2個滿載航次下6個氣缸在各個系統的熵值，如圖3所示。

對目標船主機在3個系統下的熵值進行平均計算，最終得到主機在2個航次的整體熵值結果，如表1所示。數據。

表1 兩滿載航次整體熵值結果

根據圖2可知，相較于第二次滿載航次，第一次滿載航次各個系統的溫度偏差波動范圍較大。根據圖3可知，第一次滿載航次的所有氣缸各個子系統下的溫度偏差熵值均大于第二次滿載航次的熵值，其中，第二航次下多個氣缸在冷卻水系統和滑油系統熵值為0，表明對應氣缸在該系統下的溫度偏差較為穩定。對2個滿載航次下3個系統熵值進行平均計算，如表1所示，第二滿載航次下3個系統熵值都要比第一滿載航次熵值低很多，特別是滑油系統熵值，第一滿載航次熵值為1.15，第二滿載航次熵值為0.064，其中1號、2號、3號以及5號氣缸熵值均為0，計算結果表明，以上4個氣缸在第二滿載航次的滑油出口溫度偏差都穩定在固定區間，因此整體較為穩定，無異常較大范圍波動。溫度偏差結果與熵值計算結果也體現第二滿載航次主機性能要比第一滿載航次的主機性能要高一些。根據已知條件，該目標船在2022年1月份對主機進行過維修和保養。經過維護保養后的主機設備運行性能會比保養之前要好一些，因此，本文計算得到的熵值趨勢情況符合主機運行情況。

圖3 2個滿載航次下氣缸熵值對比圖

5 結語

本文提出一種基于信息熵的船舶主機性能監測方法，對比2個目標滿載航次的主機氣缸在各個系統下的熵值，主機維護保養后的第二滿載航次各個氣缸熵值均出現了下降，表明主機性能有所上升。因此，2個航次熵值結果表明，本文提出的方法可以初步監測主機性能狀況和趨勢。本文提出的方法側重監測氣缸溫度偏差波動的穩定性，但是主機性能監測方法仍然需要考慮各個氣缸的溫度偏差值，若同一系統下某氣缸溫度偏差過大，但溫度偏差波動較為穩定會導致主機監測過程中出現性能識別盲區。