原文传递
船舶冷却水系统状态预测与健康评估方法研究
| 论文题名： | 船舶冷却水系统状态预测与健康评估方法研究 |
| 关键词： | 智能船舶;冷却水系统;LSTM预测模型;变分模态分解;模糊聚类;BP神经网络 |
| 摘要： | 智能船舶是未来船舶的发展方向，而船舶智能化的重要一步是对船舶系统及关键设备的运行参数进行感知和判断，从而为设备的零部件更换、维修策略提供支持。若能有效利用传感器采集的数据，建立有效的参数预测模型，及时预测出设备未来的参数趋势，则有助于提前掌握设备状况，将事后维修转化为视情维修，保障船舶运行安全。因此，本文以教学实习船“育鲲”轮中央冷却系统为研究对象，结合深度学习和信号分解等方法，建立了一种组合预测模型进行参数趋势预测；针对观测数据的无标签问题，建立了一种基于模糊聚类和BP神经网络的健康评估模型。主要工作内容如下： （1）根据船舶冷却水系统运行参数的非线性、波动性特点，选择对长距离和复杂数据有更好拟合效果的长短期记忆神经网络（LSTM）作为主预测模型。针对LSTM神经网络的超参数选择问题，引入了蝗虫优化算法（GOA），对LSTM网络的神经元节点个数、学习率、批量大小等参数进行优化，建立了GOA-LSTM预测模型。然后，引入变分模态分解算法（VMD），建立了VMD-GOA-LSTM参数预测模型，将原始数据序列分解为多个较平稳的分量，对每个分量分别建立预测模型，最后将分量结果叠加得到最终结果，并通过实例验证了模型的预测性能。 （2）针对观测数据的健康状态标签不完整问题，建立了一种基于模糊聚类和BP神经网络的健康状态评估模型。利用模糊聚类算法对观测的全周期数据进行分类，划分健康等级，然后使用带有标签的数据训练BP神经网络，实现系统健康状态的在线评估。 （3）将参数预测模型和健康评估模型结合，组成船舶冷却水系统健康状态预测模型，先对系统特征参数的未来变化趋势进行预测，然后对预测的结果进行健康状态识别，实现系统健康状态的预测，并进行了完整的实例验证，结果表明模型能够对系统的健康状况进行有效的预测和评估。 |
| 作者： | 丁嘉伟 |
| 专业： | 船舶与海洋工程 |
| 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： | 2022 |
检索历史
应用推荐
