基于数据驱动的船舶柴油机智能故障诊断研究
发布时间：2022-01-01 00:14
船舶柴油机是船舶机舱最关键的机械设备,它具有复杂的系统结构。若柴油机出现故障,将对船舶的航行安全造成严重影响。为了降低船舶柴油机故障带来的损失,需要依靠故障诊断技术进行及时可靠地诊断和维护。中国船级社（CCS）颁布的《智能船舶规范》对未来智能机舱的智能化故障诊断和状态监测技术指明了方向。传统的船舶柴油机故障诊断技术对专家经验依赖性大,可靠性低。基于数据驱动的故障诊断以设备的监测样本数据为基础,采用机器学习和人工智能算法进行诊断模型的训练和故障识别,避免了对专家经验的依赖。而依赖小样本学习的数据驱动方法无法从样本数据中学习复杂的映射关系,故障诊断精度和可靠性有待提高。深度学习方法能够从大量样本数据中获取深层信息,成为目前基于数据驱动的故障诊断领域重要的研究热点。深度信念网络作为深度学习框架下常用的一种算法,具有良好的算法融合性,并且对数据量的要求较小。因此,本文针对基于深度信念网络的故障诊断方法在船舶柴油机上的应用展开了研究。由于目前实际所获取的船舶柴油机故障样本成本较高、数量较少且数据类型单一,无法对数据进行有效地训练处理。本文采用在AVL BOOST软件所建立的MAN 8L/5160...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
图２．１?ＭＡＮ?８Ｌ５１／６０ＤＦ船舶柴油机仿真模型??Ｆｉｇ．?２．１?Ｓｉｍｕｌａｔｉｏｎ?ｍｏｄｅｌ?ｏｆ?ＭＡＮ?８Ｌ５１／６０?ＤＦ?Ｍａｒｉｎｅ?ｄｉｅｓｅｌ?ｅｎｇｉｎｅ??
?基于数据驱动的船舶柴油机智能故障诊断研究???（样本ｆ信息）??（Ｅ＊．?？?＊５）?１，３??ＲＢＭ３??ＲＢＭ２?／?Ｉ?＼??预训练＾?＋巧微调???＂１?Ｃ?／?）?ｖＴ??ＲＢＭｌ?＾?￣＂?Ｉ?Ｚ?＾??（?？?？?？?｝?ｖｌ??Ｖ?＾?Ｗ?Ｗ?Ｊ??（输入样木数ｆ；）??图２．２深度信念网络的训练过程??Ｆｉｇ．?２．２?Ｔｈｅ?ｔｒａｉｎｉｎｇ?ｐｒｏｃｅｓｓ?ｏｆ?ｄｅｅｐ?ｂｅｌｉｅｆ?ｎｅｔｗｏｒｋ??预训练阶段采用逐层无监督地学习方式。在每层都进丨亍参数初始化和对样本数据特??征提取；微调阶段将对经过初始化的参数采用ＢＰ算法做进一步的微调。??Ｉ?？?－??２．４．１?限制性玻尔兹曼机??在深度信念网络中，每层ＲＢＭ通过调整神经元之间的权值，使整个网络以最大概??率生成训练数据１６９］，并据此进行特征提取和目标识别。典型的ＲＢＭ结构如图２．３所示。??可以看出，一个可见层ｖ和一个隐藏层构成了?ＲＢＭ的双层网络结构。可见层用于接??收传入的数据，隐含层用于提取特征。隐含层和可见层的神经元之间相互连接，各层的??神经元之间相互独立。??在仙！＾中，用１；十１＾２，．．．，＼］￡１＾＂表示可见层单元输入节点，／！＝卜１，／！２，．．．，／＾￡１＾表示所??有隐含层的节点，ｅＲｍｗ?（／＝ｌ，２，．．．，ｎ，户ｌ，２，．．．，ｗ）为可见层到隐含层的权值矩阵。?－??〇＝［＜３１，０！２，．．．，４］￡］８＂表不可见层的偏置向量，其中４３（；（／：：＝１，２，．．．，？？）表示第／＇个可见单元竹??的偏置。６?＝?人］ｅＲｍ表示隐含层的偏置向量，其中包？（／＝ｌ
?大连海事大学专业学位硕士学位论文???隐含层／？??Ｋ?Ｋ?？?？?？?Ｋ??．??可见层Ｖ??图２．３限制性玻尔兹曼机的结构??Ｆｉｇ．?２．３?Ｓｔｒｕｃｔｕｒｅ?ｏｆ?Ｒｅｓｔｒｉｃｔｅｄ?Ｂｏｌｔｚｍａｎｎ?Ｍａｃｈｉｎｅ??在给定可见层的向量Ｖ和隐含层的向量／２时，限制性玻尔兹曼机ＲＢＭ的能量函数??为：?ｉ?‘?；，??Ｅ（ｖ，ｈ?ｊ?ｅ）?＝?￣?Ｙ．ｂｊｈｉ?－（２．?１）??／？！?／＊＊１?ｙ■■里??式中：ａ，？和为分别表示可见单元ｖ，？和隐含单元的偏置，％？为权值。能量函数￡（ｖ，??／？｜ｉ９）可看作是在当前可见层和隐含层的节点分布状态下，可见层和隐含层之间的能量值。??在可见层与隐含层中，任何一个节点均有０和１两种状态，所以可见层和隐含层节点组??成的状态对丨共有户２＞ｌ＋ｍ种。对能量函数进行指数化和正则化后，即可得到在可见??层和隐含层节点集合彳ｖ，?丨分别处于某一种状态对丨Ｖ，?丨下的联合概率分布：??Ｐ｛Ｖ，ｈ＼〇）＝Ｍ￣Ｅ｛ｖＭｄ））?（２．２）??Ｚ??其中，Ｚ?＝?ｍｅｘｐ丨丨叫是归一化因子（或称为配分函数），表示可见层和隐??含层节点的所有可能状态对的总和。因此，通过式（２．２）可获得任意一种状态下的联合概??率分布Ｐ（ｖ，／２）。而事实上Ｚ（０）通常难以计算，因此联合概率分布往往通过吉布斯采样的??＇?方法来近似求解。??对隐含层Ａ的Ｗ个节点的二值状态构成的所有可能状态求和后，可获得可见层Ｖ??节点集合的边缘概率分布Ｐ（Ｖ）为：??ｐ（ｖ）＝ｅｘｐ?（°＜Ｖｉ?）ｆｉ?ｆ１＋ｅｘｐ（ｂｊ＋ｚ?ｖ＜ｗ＜？?（２．３）??Ｚ＂＝ｌ?ｙ＝ｌ?Ｖ
【参考文献】：
期刊论文
[1]基于深度信念网络的船舶柴油机智能故障诊断[J]. 仲国强,贾宝柱,肖峰,王怀宇. 中国舰船研究. 2020(03)
[2]基于深度学习与信息融合的燃气轮机故障诊断[J]. 崔建国,刘瑶,于明月,江秀红. 机械设计与制造. 2019(12)
[3]船舶柴油机故障预测与健康管理技术综述[J]. 柯赟,宋恩哲,姚崇,董全. 哈尔滨工程大学学报. 2020(01)
[4]基于KPCA和深度信念网络的发动机故障检测[J]. 黄亮,刘君强,张振良,张曦. 武汉理工大学学报(交通科学与工程版). 2019(05)
[5]深度学习在设备故障预测与健康管理中的应用[J]. 陈志强,陈旭东,José Valente de Olivira,李川. 仪器仪表学报. 2019(09)
[6]变转速齿轮箱复合故障的自适应时变滤波分析[J]. 陈向民,黎琦,张亢,晋风华,李录平. 振动与冲击. 2019(14)
[7]最优参数MCKD与ELMD在轴承复合故障诊断中的应用研究[J]. 杨斌,张家玮,樊改荣,王建国. 振动与冲击. 2019(11)
[8]基于极限学习机的船舶柴油机故障诊断[J]. 吴建波,王春艳,洪华军,方伟. 计算机工程与应用. 2019(15)
[9]随机丢弃和批标准化的深度卷积神经网络柴油机失火故障诊断[J]. 张康,陶建峰,覃程锦,李卫星,刘成良. 西安交通大学学报. 2019(08)
[10]基于机器学习算法的寿命预测与故障诊断技术的发展综述[J]. 郭一帆,唐家银. 计算机测量与控制. 2019(03)
博士论文
[1]基于排序模式分析与深度学习的风电设备故障诊断方法研究[D]. 江国乾.燕山大学 2017
[2]电控共轨柴油机曲轴箱排放及其形成研究[D]. 白金龙.上海交通大学 2015
硕士论文
[1]基于深度信念网络的旋转机械故障诊断研究[D]. 汤盛浩.苏州大学 2018
[2]基于深度信念网络的故障诊断研究[D]. 文红权.北京交通大学 2018
[3]基于KNN算法的柴油机故障诊断方法研究[D]. 朱向利.哈尔滨工程大学 2016
本文编号：3561262
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
图２．１?ＭＡＮ?８Ｌ５１／６０ＤＦ船舶柴油机仿真模型??Ｆｉｇ．?２．１?Ｓｉｍｕｌａｔｉｏｎ?ｍｏｄｅｌ?ｏｆ?ＭＡＮ?８Ｌ５１／６０?ＤＦ?Ｍａｒｉｎｅ?ｄｉｅｓｅｌ?ｅｎｇｉｎｅ??
?基于数据驱动的船舶柴油机智能故障诊断研究???（样本ｆ信息）??（Ｅ＊．?？?＊５）?１，３??ＲＢＭ３??ＲＢＭ２?／?Ｉ?＼??预训练＾?＋巧微调???＂１?Ｃ?／?）?ｖＴ??ＲＢＭｌ?＾?￣＂?Ｉ?Ｚ?＾??（?？?？?？?｝?ｖｌ??Ｖ?＾?Ｗ?Ｗ?Ｊ??（输入样木数ｆ；）??图２．２深度信念网络的训练过程??Ｆｉｇ．?２．２?Ｔｈｅ?ｔｒａｉｎｉｎｇ?ｐｒｏｃｅｓｓ?ｏｆ?ｄｅｅｐ?ｂｅｌｉｅｆ?ｎｅｔｗｏｒｋ??预训练阶段采用逐层无监督地学习方式。在每层都进丨亍参数初始化和对样本数据特??征提取；微调阶段将对经过初始化的参数采用ＢＰ算法做进一步的微调。??Ｉ?？?－??２．４．１?限制性玻尔兹曼机??在深度信念网络中，每层ＲＢＭ通过调整神经元之间的权值，使整个网络以最大概??率生成训练数据１６９］，并据此进行特征提取和目标识别。典型的ＲＢＭ结构如图２．３所示。??可以看出，一个可见层ｖ和一个隐藏层构成了?ＲＢＭ的双层网络结构。可见层用于接??收传入的数据，隐含层用于提取特征。隐含层和可见层的神经元之间相互连接，各层的??神经元之间相互独立。??在仙！＾中，用１；十１＾２，．．．，＼］￡１＾＂表示可见层单元输入节点，／！＝卜１，／！２，．．．，／＾￡１＾表示所??有隐含层的节点，ｅＲｍｗ?（／＝ｌ，２，．．．，ｎ，户ｌ，２，．．．，ｗ）为可见层到隐含层的权值矩阵。?－??〇＝［＜３１，０！２，．．．，４］￡］８＂表不可见层的偏置向量，其中４３（；（／：：＝１，２，．．．，？？）表示第／＇个可见单元竹??的偏置。６?＝?人］ｅＲｍ表示隐含层的偏置向量，其中包？（／＝ｌ
?大连海事大学专业学位硕士学位论文???隐含层／？??Ｋ?Ｋ?？?？?？?Ｋ??．??可见层Ｖ??图２．３限制性玻尔兹曼机的结构??Ｆｉｇ．?２．３?Ｓｔｒｕｃｔｕｒｅ?ｏｆ?Ｒｅｓｔｒｉｃｔｅｄ?Ｂｏｌｔｚｍａｎｎ?Ｍａｃｈｉｎｅ??在给定可见层的向量Ｖ和隐含层的向量／２时，限制性玻尔兹曼机ＲＢＭ的能量函数??为：?ｉ?‘?；，??Ｅ（ｖ，ｈ?ｊ?ｅ）?＝?￣?Ｙ．ｂｊｈｉ?－（２．?１）??／？！?／＊＊１?ｙ■■里??式中：ａ，？和为分别表示可见单元ｖ，？和隐含单元的偏置，％？为权值。能量函数￡（ｖ，??／？｜ｉ９）可看作是在当前可见层和隐含层的节点分布状态下，可见层和隐含层之间的能量值。??在可见层与隐含层中，任何一个节点均有０和１两种状态，所以可见层和隐含层节点组??成的状态对丨共有户２＞ｌ＋ｍ种。对能量函数进行指数化和正则化后，即可得到在可见??层和隐含层节点集合彳ｖ，?丨分别处于某一种状态对丨Ｖ，?丨下的联合概率分布：??Ｐ｛Ｖ，ｈ＼〇）＝Ｍ￣Ｅ｛ｖＭｄ））?（２．２）??Ｚ??其中，Ｚ?＝?ｍｅｘｐ丨丨叫是归一化因子（或称为配分函数），表示可见层和隐??含层节点的所有可能状态对的总和。因此，通过式（２．２）可获得任意一种状态下的联合概??率分布Ｐ（ｖ，／２）。而事实上Ｚ（０）通常难以计算，因此联合概率分布往往通过吉布斯采样的??＇?方法来近似求解。??对隐含层Ａ的Ｗ个节点的二值状态构成的所有可能状态求和后，可获得可见层Ｖ??节点集合的边缘概率分布Ｐ（Ｖ）为：??ｐ（ｖ）＝ｅｘｐ?（°＜Ｖｉ?）ｆｉ?ｆ１＋ｅｘｐ（ｂｊ＋ｚ?ｖ＜ｗ＜？?（２．３）??Ｚ＂＝ｌ?ｙ＝ｌ?Ｖ
【参考文献】：
期刊论文
[1]基于深度信念网络的船舶柴油机智能故障诊断[J]. 仲国强,贾宝柱,肖峰,王怀宇. 中国舰船研究. 2020(03)
[2]基于深度学习与信息融合的燃气轮机故障诊断[J]. 崔建国,刘瑶,于明月,江秀红. 机械设计与制造. 2019(12)
[3]船舶柴油机故障预测与健康管理技术综述[J]. 柯赟,宋恩哲,姚崇,董全. 哈尔滨工程大学学报. 2020(01)
[4]基于KPCA和深度信念网络的发动机故障检测[J]. 黄亮,刘君强,张振良,张曦. 武汉理工大学学报(交通科学与工程版). 2019(05)
[5]深度学习在设备故障预测与健康管理中的应用[J]. 陈志强,陈旭东,José Valente de Olivira,李川. 仪器仪表学报. 2019(09)
[6]变转速齿轮箱复合故障的自适应时变滤波分析[J]. 陈向民,黎琦,张亢,晋风华,李录平. 振动与冲击. 2019(14)
[7]最优参数MCKD与ELMD在轴承复合故障诊断中的应用研究[J]. 杨斌,张家玮,樊改荣,王建国. 振动与冲击. 2019(11)
[8]基于极限学习机的船舶柴油机故障诊断[J]. 吴建波,王春艳,洪华军,方伟. 计算机工程与应用. 2019(15)
[9]随机丢弃和批标准化的深度卷积神经网络柴油机失火故障诊断[J]. 张康,陶建峰,覃程锦,李卫星,刘成良. 西安交通大学学报. 2019(08)
[10]基于机器学习算法的寿命预测与故障诊断技术的发展综述[J]. 郭一帆,唐家银. 计算机测量与控制. 2019(03)
博士论文
[1]基于排序模式分析与深度学习的风电设备故障诊断方法研究[D]. 江国乾.燕山大学 2017
[2]电控共轨柴油机曲轴箱排放及其形成研究[D]. 白金龙.上海交通大学 2015
硕士论文
[1]基于深度信念网络的旋转机械故障诊断研究[D]. 汤盛浩.苏州大学 2018
[2]基于深度信念网络的故障诊断研究[D]. 文红权.北京交通大学 2018
[3]基于KNN算法的柴油机故障诊断方法研究[D]. 朱向利.哈尔滨工程大学 2016
本文编号：3561262
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3561262.html