基于优化KPCA-SVM的船舶燃油系统故障监测和诊断研究

发布时间：2025-05-10 23:59

　　现代化大型船舶自动化程度日趋提高,船舶柴油机的故障监测和诊断技术已经成为提高船舶安全性和可靠性的重要方式之一。由英国柴油机工程师和用户协会提供的停机故障分析表明,造成柴油机停机后果的各种原因中燃油系统的故障占27%,比例最大。由于船舶柴油机燃油系统结构复杂,各个部件之间存在冗杂的非线性耦合关系,导致采集的样本数据具有典型的非线性多维特性,因此传统的线性方法在处理船舶燃油系统故障诊断问题时具有较大的局限性。本文以此为背景,开展了基于优化核主成分分析(Kernel Principal.Component Analysis,KPCA)和多分类支持向量机的船舶柴油机燃油系统故障监测与诊断技术研究。针对船舶燃油系统故障样本数据存在非线性强和噪声干扰的问题,首先提出采用KPCA对样本数据进行非线性特征提取,提取出样本数据特征的高维信息,其次在特征空间中构建T2和SPE统计量模型,最后通过监测样本数据统计量的变化实现了对船舶燃油系统故障的实时监测。由于KPCA性能受内部核函数参数影响,提出了基于粒子群优化核函数参数的选优方法,通过建立核函数参数优化模型,实现了 KPCA核函数参数的寻优,并对粒子群算法...

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 船舶柴油机故障诊断研究发展现状
        1.2.1 故障监测和诊断技术国内外研究现状
        1.2.2 故障监测和诊断技术的发展趋势
    1.3 论文主要研究内容
2 船舶柴油机燃油系统故障监测及诊断分析
    2.1 船舶燃油系统概述
        2.1.1 燃油系统低压油路
        2.1.2 燃油系统高压油路
        2.1.3 燃油喷射过程
    2.2 主要故障部件原理分析
        2.2.1 喷油泵工作原理分析
        2.2.2 喷油器工作原理分析
        2.2.3 燃油系统常见故障分析
    2.3 常见故障监测和诊断方法
        2.3.1 故障诊断过程
        2.3.2 常见故障监测和诊断方法
        2.3.3 船舶柴油机故障监测和诊断的目的
    2.4 本章小结
3 基于KPCA的非线性特征提取与SVM的模式识别
    3.1 基于KPCA的非线性特征提取
        3.1.1 KPCA基本原理
        3.1.2 KPCA非线性特征提取步骤
        3.1.3 SPE和T²统计量
        3.1.4 基于KPCA的非线性特征提取分析
    3.2 基于SVM的故障模式识别
        3.2.1 支持向量机概述
        3.2.2 支持向量机基本原理
        3.2.3 软间隔最优分类面
        3.2.4 非线性支持向量机
        3.2.5 基于两类样本的SVM数值仿真
    3.3 本章小结
4 基于PSO优化KPCA的船舶燃油系统故障监测
    4.1 PSO优化算法概述
        4.1.1 PSO基本原理
        4.1.2 PSO优化参数选择
        4.1.3 基于改进PSO算法数值仿真
    4.2 基于KPCA的故障监测模型搭建
        4.2.1 核函数及参数确定方法
        4.2.2 样本数据采集
        4.2.3 基于KPCA的故障监测实现流程
        4.2.4 基于KPCA的船舶燃油系统故障监测实验
    4.3 基于PSO优化KPCA的船舶燃油系统故障监测
        4.3.1 基于PSO优化KPCA的故障监测算法设计
        4.3.2 基于PSO优化KPCA的船舶燃油系统故障监测实验
    4.4 本章小结
5 基于PSO优化KPCA-SVM的船舶燃油系统故障诊断
    5.1 构建多分类支持向量机
        5.1.1 一对多方法
        5.1.2 一对一方法
        5.1.3 直接非循环图法
        5.1.4 决策树法
    5.2 基于PSO优化KPCA-SVM的船舶燃油系统故障诊断
        5.2.1 故障诊断算法设计思路
        5.2.2 故障诊断实验步骤
        5.2.3 船舶燃油系统故障诊断实验
    5.3 本章小结
结论与展望
参考文献
致谢
作者简历及攻读硕士学位期间的科研成果



本文编号：4044527