ŁOSIEWICZ Zbigniew 1 NIKOŃCZUK Piotr 2 Przydatność neuronowego systemu eksperckiego do identyfikacji stanu technicznego okrętowego silnika tłokowego o zapłonie samoczynnym w różnych stanach eksploatacyjnych WSTĘP Okrętowy silnik tłokowy o zapłonie samoczynnym został skonstruowany do wykonania zadań eksploatacyjnych polegających na wytwarzaniu energii (wymaganych mocy) przy możliwie największych sprawnościach. Złożona praktyka eksploatacyjna, zależna od wielu czynników zewnętrznych (różny poziom kompetencji załóg, różne warunki atmosferyczne, rosnące ceny paliw, coraz bardziej restrykcyjne przepisy ochrony środowiska naturalnego) zmusza armatorów do poszukiwania rozwiązań ograniczających koszty eksploatacji statku. Armatorzy wymuszają na producentach silników prowadzenie badań i opracowywanie rozwiązań technicznych oraz procedur mających na celu tworzenie tzw. charakterystyk tuningowych pracy silnika, w zależności od potrzeb zadań eksploatacyjnych. Działania takie mają wspierać mechaników w podejmowaniu decyzji, ale w rzeczywistości najczęściej sprowadza się to do utrzymywanie parametrów pracy oraz procedur obsług zalecanych przez producenta. Złożoność zjawisk, wynikających z zmiennych warunków środowiska pracy statku wymaga zastosowania szybkich metod wielotorowo analizujących informacje. Bardzo istotną sprawą jest również identyfikacja szybko zmieniających się procesów zachodzących w silniku, w jak najkrótszym czasie. Przetwarzanie danych diagnostycznych różnymi metodami, ich weryfikacja przyczynia się do podniesienia wiarygodności diagnozy [9, 10]. Przy stochastycznym charakterze sytuacji eksploatacyjnych, a co za tym idzie stochastycznym charakterze procesów zachodzących w silniku okrętowym można zastosować modelowanie probabilistyczne przedstawione w publikacji [4, 10] lub modelowanie procesów za pomocą sztucznych sieci neuronowych [11, 12]. Modelowanie procesów w mechanice za pomocą sztucznych sieci neuronowych jest coraz częściej stosowane [7], w tym w branży morskiej [1,2,3,8]. Stosowanie modelu neuronowego danego procesu pozwala na określenie jego stanu na podstawie zmiennych mających z nim związek. Poziom, dokładność i zakres symulacji zależą od cech wykorzystywanego modelu oraz stopnia precyzji opisu elementarnych zjawisk składających się na proces. 1. STANY EKSPLOATACYJNE ZWIĄZANE ZE STANEM TECHNICZNYM OKRĘTOWEGO SILNIKA GŁÓWNEGO Wyśrubowane wskaźniki ekonomiczne, a w ostatnich latach coraz bardziej rygorystyczne przepisy ochrony środowiska powodują ciągły rozwój konstrukcji silników, co wymaga coraz doskonalszych systemów diagnozujących silniki [9] i wzrostu możliwości aparatury badawczej Wymaga to także stosowania metod i modeli przetwarzania danych diagnostycznych przystosowanych do rodzaju i cech zjawisk zachodzących w silniku, zależnych o narzuconego charakteru zadań eksploatacyjnych. Od współczesnych modeli systemów diagnostyczno sterujących wymaga się funkcji kontrolnopomiarowej, analizy informacji, wskazywania trendów zmian parametrów, wspieranie operatora w podjęciu decyzji [4, 10]. W silnikach sterowanych elektronicznie [15, 17] standardem staje 1 Zachodniopomorski Uniwersytet Technologiczny w Szczecinie, Wydział Techniki Morskiej i Transportu 71-065 Szczecin, Al. Piastów 41, e-mail: Zbigniew.Losiewicz@zut.edu.pl 2 Zachodniopomorski Uniwersytet Technologiczny w Szczecinie, Wydział Techniki Morskiej i Transportu 71-065 Szczecin, Al. Piastów 41, e-mail: Piotr.Nikonczuk@zut.edu.pl 2947
się programowanie pracy silnika wg tzw. charakterystyk tuningowych, odnoszących się do wybranych stanów eksploatacyjnych. Systemy napędowe (w tym silniki okrętowe) jednostek pływających powinny być przystosowane do parametrów konstrukcyjnych jednostek oraz do charakteru zadań eksploatacyjnych. Dlatego też praca każdego silnika posiada cechy specyficzne dla stawianych silnikowi zadań eksploatacyjnych, między innymi związanych że stanami eksploatacyjnymi statku oraz specyfiką akwenów, na których obowiązują bardzo zróżnicowane przepisy ochrony środowiska. Do przykładowych stanów eksploatacyjnych statku handlowego np. masowca nalezą: - podróż morska pod balastem - podróż morska przy pełnym załadowaniu - podróż morska przy częściowym załadowaniu Akweny, na których obowiązują różne przepisy ochrony środowiska można podzielić na: - akweny o dużych powierzchniach takie jak oceany - akweny zamknięte, blisko brzegu, takie jak tzw. obszary specjalne - akweny będące wodami przybrzeżnymi, terytorialnymi konkretnych Państw, na których obowiązuje prawo tego państwa (np. Szwecja, USA). Do przykładowych stanów eksploatacyjnych statków wsparcia jednostek wydobywczych ropy naftowej i gazu (tzw. flota offshore ) np. statku dostawczego (PSV - Platform Supply Vessel) nalezą: - szybka, krótka podróż na pole naftowe, - manewry przy dobijaniu do platformy, - operacje podczas rozładunku przy platformie, - szybka, krótka podróż w stanie załadowanym lub bez ładunku Wykonanie powyższych zadań eksploatacyjnych wymaga zmiennych co do wartości jak i w różnych przedziałach czasu obciążeń. Dlatego też współczesne silniki okrętowe napędu głównego jak i pomocnicze, muszą być diagnozowane zarówno w celu zapewnienia prawidłowego ich działania, jak i sterowane optymalnie do wykonania określonego zadania. W tym celu producent opracowuje tzw. charakterystyki tubingowe. Rys. 1. Przykładowe charakterystyki tubingowe mające zapewnić zmniejszenie jednostkowego zużycia paliwa [15] Przy stosowaniu kryterium ekonomicznego, powodującego zmianę prędkości obrotowej silników (w celu ograniczenia zużycia paliwa) oraz zmian procesu spalania przy stosowaniu technik ochrony środowiska, operatorzy załogi muszą brać pod uwagę drgania własne silnika, zmieniające się w różnych stanach eksploatacyjnych, mogące prowadzić do destrukcji silników. W systemach diagnostycznych coraz częściej stosuje się rozwiązania techniczne umożliwiające stosowanie 2948
diagnostyki wibroakustycznej, stosowanej w innych gałęziach przemysłu [5,6]. Również przepisy Międzynarodowej Organizacji Morskiej (IMO) dotyczące ochrony środowiska morskiego wymagają zmian konstrukcji silnika oraz stosowanie dodatkowych urządzeń w celu ograniczenia emisji szkodliwych związków chemicznych w spalinach, np. tlenki azotu (NO x ). Rys. 2. Krzywe tuningowe przedstawiające ograniczenia emisji NO x [14] Aby eksploatować silniki wg krzywych tubingowych, należy otrzymywać trafną i wiarygodną diagnozę. Warunkiem koniecznym jest określenie wzajemnych zależności czynników mających wpływ na optymalną pod względem efektywności jak i zgodną z przepisami ochrony środowiska morskiego pracę silnika, a parametrami diagnostycznymi odzwierciedlającymi jego stan techniczny, uwzględniając równocześnie priorytety działania w różnych stanach eksploatacyjnych tego silnika. Mechanicy będący w czasie realnym na burcie statku powinni kontrolować zużycie paliwa i wartości emisji szkodliwych dla środowiska naturalnego związków chemicznych. 2. NEURONOWY MODEL EKSPERCKI System ekspercki zrealizowany na sztucznej sieci neuronowej wnioskuje o stanie danego procesu na podstawie wartości parametrów wejściowych skorelowanych z tym procesem. Sieć neuronowa składa się z poszczególnych warstw poprzez które kolejno przechodzi sygnał wejściowy. Możemy wyodrębnić trzy podstawowe elementy sieci: warstwę wejściową, warstwy ukryte, warstwę wyjściową. Każda z warstw jest określonego rozmiaru. Rozmiar warstwy mówi nam o ilości neuronów. Rozmiary warstw wejściowej i wyjściowej zdeterminowane są ilością sygnałów wejściowych i wyjściowych. Rozmiar warstw ukrytych jest dobierany dowolnie podczas projektowania sieci. Wnioskowanie sieci jest realizowane za pomocą funkcji Ω s realizującej odwzorowanie zbioru wartości wejściowych X w zbiór wartości wyjściowych Y. Zależność tą można zapisać w postaci: gdzie: X zbiór przyjętych parametrów wejściowych; Y zbiór wartości wyjściowych, Ω s poszukiwana funkcja. Funkcja Ω s ma postać uwikłaną. Jej stopień skomplikowania związany jest z architekturą sieci neuronowej: ilości i rozmiaru warstw w części ukrytej, ilości sygnałów wejściowych i wyjściowych oraz przyjętych funkcji aktywacji. Na rysunku 3 przedstawiono przykładową postać sieci neuronowej. (1) 2949
Rys. 3 Przykładowa postać sztucznej sieci neuronowej Na podstawie struktury sztucznej sieci neuronowej można utworzyć równanie funkcji aproksymującej: y 1 2,1 f IW 1,1 X b 1 b 2 2 f LW (2) gdzie: x wektor stanów poszczególnych parametrów, y- wnioskowany przez sieć neuronową stan, f 1 =funkcja aktywacji warstw części ukrytej, f 2 = funkcja aktywacji warstwy wyjściowej, b{1},b{2} wektory stałych wartości bias dodawanych do poszczególnych warstw, LW,IW wektory współczynników wagowych. Istnieje wiele metod nauki sieci neuronowych, najpopularniejszą metodą uczenia jest metoda wstecznej propagacji błędu. Podczas procesu uczenia sztucznej sieci neuronowej wspomnianą metodą wstecznej propagacji błędów w kolejnych iteracjach korygowane są wartości współczynników wagowych połączeń pomiędzy poszczególnymi neuronami. Współczynniki wagowe zawarte są w wektorach LW,IW. Korygowane są również wartości indywidualnie dodawanych do każdego neuronu stałych bias. b{1},b{2}. Do procesu uczenia sztucznej sieci neuronowej należy dysponować odpowiednią bazą wiedzy, czyli dane wartości sygnałów wejściowych i wyjściowych. Zazwyczaj bazę wiedzy stanowią odpowiednio uporządkowane wyniki pomiarów danych wyjściowych (modelowanych parametrów) oraz danych wejściowych (parametrów skorelowanych z modelowanymi parametrami wyjściowymi). W zależności od modelowanego zjawiska baza wiedzy może być również utworzona metodą ankietyzacji. Dane do nauki sieci są zawarte w macierzach wartości sygnałów wejściowych X oraz macierzy sygnałów wyjściowych Y. W obydwóch macierzach każdy wiersz reprezentuje wektor wartości jednego sygnału wejściowego lub wyjściowego. W przypadku gdy wartość wejściowa lub wyjściowa jest reprezentowana jednym parametrem, sygnał jest reprezentowany wektorem. Długości wszystkich wektorów są jednakowe i równe ilości dokonanych pomiarów. 3. TWORZENIE BAZY WIEDZY Dla koncepcyjnego systemu eksperckiego opartego na sztucznej sieci neuronowego wstępnie określono parametry eksploatacyjne na podstawie których można wnioskować stan okrętowego silnika głównego. Przyjęte parametry przedstawia tabela 1. Zastosowanie nowoczesnych systemów cyfrowych umożliwia zbieranie coraz większej ilości danych, kontrolowanie procesów oraz racjonalne sterowanie silnikiem [4]. Ilość parametrów diagnostycznych zależna jest od przyjętego modelu [9] oraz możliwości systemu diagnostycznego [10, 13, 15, 16, 17]. 2950
Tab. 1. Podstawowe parametry eksploatacyjne wybranych silników podawane przez producentów w instrukcjach silników [10,15,17] L.p Parametr Symbol Jednostka Wartość obciążenia silnika (wykresy) 1 Prędkość obrotowa n obr/min 0-100% Ne 2 Średnie ciśnienie efektywne p e MPa 0-100% Ne 3 Ciśnienie maksymalne w cylindrze p max MPa 0-100% Ne 4 Ciśnienie sprężania p k MPa 0-100% Ne 5 Ciśnienie powietrza doładowania p d MPa 0-100% Ne 6 Temperatura gazów wylotowych przed t wp o C 0-100% Ne turbosprężarką 7 Temperatura gazów wylotowych za turbosprężarką t wz o C 0-100% Ne 8 9 Jednostkowe zużycie paliwa Moc uzyskiwana z 1 cylindra silnika g e g/kwh 0-100% Ne MCR kw 0-100% Ne 10 Emisja NO x g/kwh 0-100% Ne Największą bazą danych dysponują producenci silników z badań laboratoryjnych, testów technicznych na hamowni u producenta jak i z wiedzy eksperckiej eksploatatorów silników - załóg statków (raporty ze statków). PODSUMOWANIE Silniki okrętowe należą do największych jednostek stosowanych do napędu środków transportu, a co za tym idzie zużywają największe ilości paliwa i emitują najwięcej spalin, w tym związków szkodliwych dla środowiska naturalnego. Zastosowanie sztucznych sieci neuronowych do oceny stanu technicznego diagnozowanego obiektu daje możliwość równoczesnego przetwarzania informacji, co zwiększa szybkość reakcji operatora na zmianę warunków zewnętrznych oraz zmianę zadań eksploatacyjnych. Istotną zaletą sieci neuronowych w procesach diagnostycznych jest aproksymacja dowolnych nieliniowości i możliwość automatycznego nabywania wiedzy o diagnozowanym obiekcie. Odpowiednio skonfigurowane sieci neuronowe (przykład empirical learning) potrafią zbierać i magazynować wiedzę z dostępnych przykładów. Najsłabsza strona sieci neuronowych jaką jest brak zdolności do objaśniania powoduje konieczność stosowania innych systemów o zdolności objaśniania takich jak np. systemy ekspertowe [11]. Współczesne możliwości techniki komputerowej pozwalają na połączenie różnych systemów i np. stworzenie hybrydowego neuronowego systemy ekspertowego, posiadającego zdolność uczenia się na podstawie przykładów i dawania objaśnień. System taki w zastosowaniu aplikacyjnym może być efektywniejszy niż którekolwiek inne systemy diagnostyczne. Streszczenie Zastosowanie sztucznych sieci neuronowych do określania stanu technicznego tłokowego spalinowego silnika okrętowego pozwala na równoczesne przetwarzanie różnych sygnałów pomiarowych. Na podstawie uzyskanych wyników pomiarów na stanowisku prób u producenta, można utworzyć neuronowy system 2951
diagnostyki i korekcji nastaw dla eksploatacji silnika w danym trybie wg charakterystyk tuningowych (trybu ochrony środowiska, trybu ekonomicznego). System ekspercki przetwarzając na bieżąca pomierzone parametry pracy może w sposób ciągły korygować nastawy w celu optymalnej pracy w danym trybie. W trakcie eksploatacji sztuczna sieć neuronowa może krygować również swoją bazę wiedzy. Słowa kluczowe: sinik okrętowy, tryb ochrony środowiska, tryb ekonomiczny, sztuczna sieć neuronowa The suitability of neural expert system to identify the technical condition of the ship's power plant in different operating states Abstract Using artificial neural networks to determine the technical parameters of the marine power plant allows for simultaneous processing of various measurement signals. Based on the results of measurements on the test with the manufacturer, can be formed neural system of diagnostics and settings correction for the power plant operation mode. Corrections can be done in each operation mode (mode of environmental protection, energy saving mode) according to tuning characteristics. An expert system can continuously adjust the settings to optimal performance in a given mode by processing measured current operating parameters. During operation, the artificial neural network can also adjust its knowledge base. Keywords: Marine Power plant, environmental protection mode, economy mode BIBLIOGRAFIA: 1. Abramowski T.: Application of artificial neural networks to assessment of ship manoeuvrability qualities. Polish Maritime Research, No 2 (56) 2008 Vol. 15, 2008, pp.15-21 2. Cepowski T.: Application of artificial neural networks to approximation and identification of seakeeping performance of a bulk carrier in ballast loading condition. Polish Maritime Research, No 4 (54),Vol. 14, 2007, pp. 31-19 3. Cepowski T.: Approximation of the index for assessing ships sea-keeping performance on the basis of ship design parameters. Polish Maritime Research, No 3 (53),Vol. 14, 2007, pp. 21-26 4. Girtler J.: Diagnostyka jako warunek sterowania eksploatacją okrętowych silników spalinowych. Studia Nr 28 WSM, Szczecin 1997. 5. Dąbrowski D., Cioch W.: Neural classifiers of vibroacoustic signals in implementation on programmable devices (FPGA) comparison, Acta Physica Polonica. A, 2011, vol. 119 no. 6 A, s. 946 949. 6. Dąbrowski D., Batko W., Cioch W, Plascencia-Mora H.: Model of the gears based on multibody system and its validation by application of non-contact methods. Acta Physica Polonica. A, 2013, vol. 123 no. 6, s. 1016 1019. 7. Królikowski T., Nikończuk P., Bałasz B.: Neural modelling of circumferential grinding of flat surface part of the book Artificial Intelligence Methods, University of Szczecin, Szczecin 2010. 8. Królikowski T., Nikonczuk P., Przybylski M., Neural model of wind force coefficients affecting the hull, International Journal of Applied Mechanics and Engineering, vol. 17 2012 p.867-871 9. Łosiewicz Z.: Ocena możliwości podejmowania decyzji z zastosowaniem współczesnych systemów diagnozujących silników głównych. Materiały konferencyjne III Międzynarodowej Konferencji Naukowo-Technicznej EXPLO-SHIP 2004, AM w Szczecinie, Świnoujście- Kopenhaga 2004. 10. Łosiewicz Z., Probabilistyczny model diagnostyczny okrętowego silnika napędu głównego statku, Praca doktorska, Politechnika Gdańska, Gdańsk 2008. 11. Łosiewicz Z., Pielka D.: Możliwości zastosowania metod sztucznej inteligencji do diagnostyki okrętowego silnika spalinowego. Zeszyty Naukowe nr 162 K/2, AMW w Gdyni, s. 261-266, AMW w Gdyni, Gdynia 2005. 12. Łosiewicz Z., Nikończuk P., Królikowski T., Ogólna koncepcja neuronowego systemu eksperckiego identyfikacji stanu technicznego okrętowego silnika głównego, Logistyka Nr 3/2014, CD-ROM, s.3987-3991 2952
13. The Intelligent Engine. Development Status and Prospects. MAN B&W Diesel AS., Kopenhaga 2001. 14. www.wartsila.com/en/engines/medium-speed-engines 15. www.mandieselturbo.com 16. www.wartsila.com 17. www.mandieselturbo.com/marine-engine-programme-2014 2953