原文传递
基于数据驱动的船用制冷机组故障诊断研究
| 论文题名： | 基于数据驱动的船用制冷机组故障诊断研究 |
| 关键词： | 船用制冷机组;故障检测;关联规则挖掘;变量优选;数据驱动 |
| 摘要： | 船舶空调系统是重要的船舶辅助装置，能够保障船舱环境的舒适性，其中制冷机组是船舶空调系统的核心部分。制冷机组处于故障工况会导致制冷量降低，严重情况下会造成设备损坏，致使整个船舶空调系统陷入瘫痪状态。传统的船用制冷机组故障诊断方法依赖于专家经验知识，且不易发现早期故障。基于数据驱动的故障诊断方法能够根据船舶各系统运行状态数据，建立可靠的船舶系统故障诊断体系。因此，本文基于数据驱动的方法对船用制冷机组故障进行诊断研究。 船用制冷机组的实船故障数据难以大量获取，所以本文采用大连海事大学VLCC轮机模拟器进行故障仿真实验，获取典型故障的数据集。故障检测是故障诊断的首要任务，采用主成分分析法对正常工况数据建立主元模型，利用霍特林统计量（2T统计量）和平方预测误差统计量（SPE统计量）对各工况进行检测，并综合两个统计量求得混合统计量，提升故障检测的可靠性。数据集中特征变量的选择对于故障的识别效果会产生直接影响，使用Apriori关联规则挖掘进行故障特征变量选择，挑选与故障关联程度较高的特征变量组成故障识别的数据集，使用支持向量机对不同的数据集进行故障识别。对比结果表明，关联规则挖掘方法挑选的数据集能够获得较好的故障识别效果。 在故障检测与特征变量优化选择的基础上，通过对故障识别算法进行优化，进一步提升故障识别精度。使用遗传算法和粒子群算法对支持向量机的惩罚因子C和核函数参数σ进行全局寻优，并利用DS证据融合实现三个证据体融合的故障识别。为解决传统DS证据融合在高冲突证据融合过程中失效的问题，引入差异性、冲突性和不确定性三个证据冲突衡量标准，构建层次结构模型获得各证据体的可信度权重。使用协方差矩阵及模糊偏好关系矩阵代替AHP中的两两比较矩阵，克服层次分析法中两两比较矩阵构造过程中主观性影响，实现基于改进AHP-DS证据融合的故障识别。研究结果表明，改进的AHP-DS证据融合模型能够综合各模型的优势，获得可靠的故障识别精度。 |
| 作者： | 刘利源 |
| 专业： | 轮机工程 |
| 导师： | 何治斌 |
| 授予学位： | 硕士 |
| 授予学位单位： | 大连海事大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
