原文传递
基于数据驱动的船用燃气轮机推进系统退化检测研究
| 论文题名： | 基于数据驱动的船用燃气轮机推进系统退化检测研究 |
| 关键词： | 船用燃气轮机;视情维修;退化检测;单分类算法;多标签学习 |
| 摘要： | 船用燃气轮机推进系统受自身工作特点和海洋环境的影响容易发生性能退化进而导致船舶经济性和安全性降低，因此及时准确地评估推进系统的健康状态，并据此制定合理的维护计划是非常必要的。由于船舶推进系统往往不允许带故障运行，从实船中获取大量带标记的退化数据难度较大，退化数据难以获取的现状严重制约了基于数据驱动的方法在船用燃气轮机推进系统退化检测中的应用。为了解决这一问题，从尽量降低算法模型对退化数据需求的角度出发，本文开展了以下研究工作: 对比研究了六种单分类算法在船用燃气轮机推进系统单部件退化检测中的性能，为该类方法在实船中的应用提供了参考。船用燃气轮机推进系统单部件性能发生退化时，考虑到在实际中退化数据收集困难，本文使用单分类算法来进行退化检测。不同于传统的监督学习算法，单分类算法只需一类正常数据来训练模型，对训练数据要求较低。分别从训练集大小的影响、训练样本组合的影响、错分样本退化系数的分布以及对污染数据的容忍程度等方面在进行了多组综合性的对比实验。实验结果显示这六种算法均能取得一定的退化检测效果，但性能有差异。训练集为纯正常样本时，基于角度的异常检测算法综合性能相对较好；训练集受到轻度污染时，孤立森林算法的检测精度最高；训练集到重度污染时，局部异常因子算法的检测精度相对较好，但也仅有70%。 设计了一种以SVM为基础的多标签船用燃气轮机推进系统并发退化检测模型。由于推进系统通常包括多个部件，不仅单部件发生退化应该受到关注，多个部件同时发生退化更应该受到重视。借鉴多标签学习算法能够处理标签缺失问题的特点，设计了基于SVM的并发退化检测模型，用正常数据和单退化数据来训练模型。在一个经实船数据验证过的公开数据集上进行了实验，实验结果表明只用正常数据和单退化数据训练的多标签退化模型即可准确地检测出大部分并发退化。与单标签多分类算法相比，所设计的并发退化检测方法对训练数据要求较低，模型易于扩展，且具备对未知并发退化的检测能力，实际可行性较高。 |
| 作者： | 田慧 |
| 专业： | 轮机工程 |
| 导师： | 林叶锦 |
| 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
