原文传递
基于深度学习的船舶辅锅炉典型燃烧故障预测研究
| 论文题名： | 基于深度学习的船舶辅锅炉典型燃烧故障预测研究 |
| 关键词： | 船舶辅锅炉;燃烧故障;深度学习;循环神经网络;轮机模拟器 |
| 摘要： | 为适应船舶辅锅炉智能化的新要求，提高辅锅炉故障预测可靠性，以MISSIONTMOS-TCi型船用燃油辅锅炉为研究对象，在介绍辅锅炉相关系统组成及燃烧系统故障分析总结的基础上，综合考虑辅锅炉故障预测实际需求，确定了4类燃烧系统典型故障以及6种预测特征参数。以大连海事大学开发的DMS-CSS轮机模拟器辅锅炉模块为仿真数据获取源，结合实船采集的辅锅炉运行数据构建实验所需数据集。通过建立深度神经网络模型用于燃烧系统典型故障预测，开展基于深度学习的辅锅炉故障预测研究。 利用循环神经网络（RecurrentNeuralNetwork，RNN）和长短时记忆（LongShort-termMemory，LSTM）神经网络建立故障预测模型，使用两类模型对6种预测特征参数的趋势进行预测，在测试集中选取100组样本点展示了RNN和LSTM预测值与真实值拟合程度，选择MSE、RMSE、MAE、MAPE作为评价模型预测准确度和预测能力的指标。经过实验对比分析，相较于RNN而言，LSTM具有预测值与真实值拟合程度较高、预测误差较小的优点，但预测值稳定性不高以及某些情况下需要人工参与特征提取。 在LSTM故障预测的基础上，采用一维卷积神经网络（1-DimensionalConvolutionalNeuralNetwork，1DCNN）对辅锅炉原始数据进行特征提取和预测特征参数初步分类，在解决LSTM学习数据特征的局限性以及对时间序列数据顺序依赖性的同时提高LSTM模型预测值的稳定性。通过建立1DCNN-LSTM与单一LSTM进行对比实验，实验表明1DCNN-LSTM在去除极特殊点外，输出预测值与真实值的拟合程度相较于单一LSTM有较大幅度提升。最后，计算得到1DCNN-LSTM相较于单一LSTM其RMSE、MAE、MAPE分别降低了54.12%、57.96%、54.88%，误差降低的同时提高了预测准确度和预测值的稳定性。本文研究为船舶辅锅炉故障预测提供了一种新思路，同时在研究方法运用方面也可以给不同领域研究人员一定的参考。 |
| 作者： | 胡国彤 |
| 专业： | 轮机工程 |
| 导师： | 甘辉兵 |
| 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
