论文题名: | 基于数据的船舶柴油机故障诊断研究 |
关键词: | 船舶柴油机;故障诊断;自编码器;神经网络;参数优化 |
摘要: | 智能船舶的发展对智能化故障诊断和监测技术有着迫切的需求。大功率船舶柴油机是船舶机电系统中最重要的设备,且在未来较长一段期间内仍是大型远洋商船的首选推进装置,研究其故障诊断技术对增强船舶安全性、可靠性具有重要意义。由于传统的柴油机故障诊断方法存在专家经验依赖性强、及时性差、可靠性低等问题,基于数据的智能化故障诊断方法成为学界研究热点。栈式自编码器作为常用的深度神经网络之一,在故障诊断应用中具有所需训练数据较少、深度特征提取能力强的优势,能够在大量监测数据中提取易于故障检测和诊断的特征信息,具有更高的故障识别率。因此,本文将栈式自编码器深度神经网络引入柴油机故障诊断领域,主要研究如下。 由于实船进行柴油机故障模拟具有成本高昂,危险性、破坏性强的缺点,本文通过柴油机专业模拟软件AVL-Boost进行故障模拟,以获取故障样本数据库。首先对W?rtsil?9L34DF柴油机进行建模校准,在满足故障模拟的条件下,然后对其六种常见故障以及正常状态进行仿真。为提高研究适用性,本文对每种故障状态下的不同故障程度进行模拟,以增加故障数据的多样化。 船舶柴油机在运行中的故障往往属于偶发,为监测柴油机故障的发生,本文利用栈式自编码器的重构误差作为整机的状态监测量,创建柴油机故障监测模型。通过正常运行状态下的历史数据对半监督的故障监测网络进行训练,并确定其重构误差的健康限。当实时的运行数据传入监测模型时,其重构误差计算超限则视为故障发生。 上述柴油机故障监测模型同一般的故障监测方法类似,虽能识别出异常数据但无法对其故障类型进行精确识别。随后本文建立了基于麻雀搜索算法优化栈式自编码器的故障诊断模型,实现了对故障数据的进一步精确分类,达到了对故障类型精确识别的目的。经基于AVL-Boost船舶柴油机仿真数据的对比实验表明,所提诊断模型的故障识别率高达96.71%,比基于栈式自编码器、极限学习机等算法的诊断方法具有更高的诊断准确率和更优的泛化性能,特别是在故障早期即故障特征不明显时,所提方法具有明显优势。 最后,本文建立了基于麻雀搜索算法优化极限学习机的故障预警方法,即通过所提方法来实现对柴油机运行参数的预测,然后将预测到的参数传入上述所提出的故障监测模型,最终实现故障预警功能。 |
作者: | 刘鑫龙 |
专业: | 轮机工程 |
导师: | 曾鸿 |
授予学位: | 硕士 |
授予学位单位: | 大连海事大学 |
学位年度: | 2022 |