原文传递
基于深度学习的船舶燃油管道故障预测研究
| 论文题名： | 基于深度学习的船舶燃油管道故障预测研究 |
| 关键词： | 船舶燃油管道;故障预测;深度学习;长短时记忆网络;门循环单元网络 |
| 摘要： | 随着海洋事业的发展，由燃油管道故障所引发的船舶事故数量在不断增多，一旦发生故障，所带来的损失也十分惊人。研究船舶燃油管道故障预测问题，可以降低事故发生、提高船舶燃油设备稳定性。在对传统预测方法进行分析研究的基础上，本文发现传统预测方法没有考虑数据样本和历史数据之间的联系，导致预测结果的准确性和有效性较差。为解决船舶燃油管道预测问题，本文提出一种船舶燃油管道故障预测的网络模型，并将该模型应用于燃油供应单元远程运维软件平台系统。论文主要研究内容如下: (1)对燃油管道的故障原理进行深入分析和研究，发现燃油管道在使用过程中会随着时间逐渐退化，燃油管道故障预测问题属于时间序列预测问题。根据船只故障经验选取管道内供应泵压力作为故障预测的特征参数，通过实际工况经验验证该特征参数。 (2)提出燃油管道故障预测网络模型。通过对传统预测方法的研究与分析，发现其未考虑到历史数据对预测结果有影响问题。所以本文利用长短时记忆(LSTM)与门循环单元(GRU)网络来解决燃油管道进行故障预测问题。该网络模型具备特殊的循环记忆单元结构，充分考虑到利用历史数据对预测结果的影响。在探究较优故障预测模型时，通过理论分析发现网络超参数难以确定最优解如:网络层数、层节点数、时间序列大小等问题。通过研究分析加入粒子群优化算法优化网络模型，最终提出融合粒子群算法的门循环单元网络模型(PSO-GRU)，用以解决船舶燃油管道故障问题。 (3)软件平台设计与实验结果分析。对燃油供应单元硬件设备情况进行分析，通过各个模块等逐步组建燃油供应单元远程运维软件系统。对文中提出的网络模型进行实验对比与分析，探究出较优网络模型并将其嵌入到燃油供应单元远程运维软件平台系统，取得了较好的工程实践的效果。 |
| 作者： | 马天龙 |
| 专业： | 计算机技术 |
| 导师： | 张国印;刘青 |
| 授予学位： | 硕士 |
| 授予学位单位： | 哈尔滨工程大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
