隨著機(jī)艙自動化與智能化程度的發(fā)展,機(jī)艙機(jī)械設(shè)備的故障產(chǎn)生機(jī)理復(fù)雜多變。船舶主機(jī)作為機(jī)艙內(nèi)的核心設(shè)備,對船舶的安全航行起著重要的作用。船舶主機(jī)包含的眾多子系統(tǒng)之間呈復(fù)雜的非線性關(guān)系,且主機(jī)上眾多測點(diǎn)在短時(shí)間內(nèi)采集的大量數(shù)據(jù),若不加處理將大大增加診斷系統(tǒng)的運(yùn)算開銷,傳統(tǒng)的故障診斷方法難以高效地完成任務(wù)。本文以船舶主機(jī)的燃油系統(tǒng)為研究對象,提出一種基于粗糙集理論和優(yōu)化有向無環(huán)圖—支持向量機(jī)（DAG-SVM）的故障診斷方法。首先,將數(shù)據(jù)挖掘中的粗糙集理論引入傳統(tǒng)的支持向量機(jī)（SVM）診斷模型,并通過差別矩陣對離散化數(shù)據(jù)進(jìn)行降維,在每2種故障之間建立支持向量機(jī)分類器,從而構(gòu)建DAG-SVM拓?fù)渚W(wǎng)絡(luò);然后,以類間的分類精度為依據(jù),優(yōu)化有向無環(huán)圖中根節(jié)點(diǎn)和其他葉節(jié)點(diǎn)的位置,從而有效避免“誤差累積”;最后,基于某超大型油輪模擬器,開展數(shù)值實(shí)驗(yàn)分析,在相同條件下,對四種典型的分類模式進(jìn)行仿真實(shí)驗(yàn),分別是1-vs-1 SVM、1-vs-a SVM、DAG-SVM 和本文方法。仿真結(jié)果表明,粗糙集與優(yōu)化DAG-SVM相結(jié)合的故障診斷方法可以對船舶主機(jī)故障進(jìn)行有效的診斷決策,其分類精度比傳統(tǒng)的DAG-SVM方... 

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：82 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．５肘部法則優(yōu)化聚類數(shù)Ｋ??Ｆｉｇ．?２．５?Ｅｌｂｏｗ?ｍｅｔｈｏｄ?ｏｐｔｉｍｉｚｅｓ?ｔｈｅ?ｎｕｍｂｅｒ?ｏｆ?ｃｌｕｓｔｅｒｓ?Ｋ??－２４－??

?大連海事大學(xué)專業(yè)學(xué)位碩士學(xué)位論文???實(shí)驗(yàn)采用肘部法則選取最優(yōu)聚類簇?cái)?shù)Ｋ，實(shí)驗(yàn)平臺為Ｇｅａｎｙ，編程語言為ｐｙｔｈｏｎ。??為保證優(yōu)化時(shí)收斂性較好，聚類簇?cái)?shù)Ｋｅ［ｌ，８ｊ，?Ｋ取整數(shù)值。然后計(jì)算對應(yīng)的誤差平方??和，得到Ｋ和ＳＳＥ優(yōu)化圖像，最后選取肘部對應(yīng)的Ｋ作為最佳聚類數(shù)。Ｋ和ＳＳＥ關(guān)系??如圖２．５所示。??如圖２．５所示，顯然當(dāng)Ｋ＝５時(shí)是ＳＳＥ下降幅度由大到小的拐點(diǎn)，故最優(yōu)聚類數(shù)取??Ｋ＝５。聚類數(shù)為５時(shí)的離散化效果，如圖２．６所示。??■■■？？?ｍｍ??ｍｍａｍ?？?？?ｍｍｍ??２－?ｍ??－?參??０?－?ｍ＆ｍｍ??０．０?０．２?０．４?０．６?０．８?１．０??圖２．６?Ｋ＝５時(shí)離散化效果圖??Ｆｉｇ．?２．６?Ｄｉｓｃｒｅｔｅ?ｒｅｎｄｅｒｉｎｇ?ｗｈｅｎ?Ｋ＝５??由圖２．６所示，五個簇的標(biāo)簽對應(yīng)其縱軸值，分別�。�？４。在上述基礎(chǔ)上，分別對??功率、油耗率、噴油量、排氣溫度、最大爆發(fā)壓力、單缸和其他缸排氣溫度平均值差值??這６種屬性值進(jìn)行離散化，實(shí)驗(yàn)平臺為Ｇｅａｎｙ，編程語ｆｆ為ｐｙｔｈｏｎ。離散化得到的結(jié)果??如表２．９所示。??表２．９船舶主機(jī)故障樣本數(shù)據(jù)離散化結(jié)果??Ｔａｂ．?２．９?Ｄｉｓｃｒｅｔｉｚａｔｉｏｎ?ｒｅｓｕｌｔｓ?ｏｆ?ｓｈｉｐ?ｍａｉｎ?ｅｎｇｉｎｅ?ｆａｕｌｔ?ｓａｍｐｌｅ?ｄａｔａ??組號?ａ?ｂ?ｃ?ｄ?ｅ?ｆ?故障狀態(tài)?故障ＩＤ??￣１?２?Ｉ?２?０?３?１?１＃?０￣￣??２?０１２０３１?正常?０??３?２１２０３１?正常?０??４?０１２０３１?正常?０??５?０１?１０３１?正

域最大化的超平面，??從而實(shí)現(xiàn)對線性不可分樣本的最優(yōu)分類。??４．２．１構(gòu)造最優(yōu)分類超平面??在二維空間內(nèi)，若存在直線！能夠?qū)⒄�、�?fù)兩類樣本分開，并且使距離這條直線的??最近兩類樣本點(diǎn)之間的距離最遠(yuǎn)，我們稱這條直線為最優(yōu)分類直線。若拓展到高維空間，??能將正、負(fù)兩類樣本分隔開的“直線”稱為最優(yōu)分類超平面，由最優(yōu)分類超平面建立的??故障診斷分類器對納入的新樣本具有更好的適應(yīng)能力。??為了便于理解和分析，本文中對二維空間中“最優(yōu)分類超平面”一律用最優(yōu)分類直??線表示。??Ｉ參??圖４．３最優(yōu)分類超平面示意圖??Ｆｉｇ．?４．３?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｏｐｔｉｍａｌ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｈｙｐｅｉｐｌａｎｅ??如圖４．３所示，二維空間中存在正、負(fù)兩類樣本，正類樣本在圖中使用黑色球表示，??負(fù)類樣本使用白色球表示。顯而易見，這兩類樣本可以有多條直線將其分開，我們稱這??－３８－??

【參考文獻(xiàn)】：
期刊論文
[1]多支持向量機(jī)模型的輸電線路故障診斷方法[J]. 吳笑民,曹衛(wèi)華,王典洪,丁敏.  高電壓技術(shù). 2020(03)
[2]船舶動力裝置智能故障診斷技術(shù)的應(yīng)用與展望[J]. 蔣佳煒,胡以懷,方云虎,李方玉.  中國艦船研究. 2020(01)
[3]基于支持向量機(jī)的燃料電池發(fā)動機(jī)氫氣泄漏檢測方法[J]. 鄒強(qiáng),田穎,李紅松,秦順順.  北京交通大學(xué)學(xué)報(bào). 2020(01)
[4]船舶柴油機(jī)故障預(yù)測與健康管理技術(shù)綜述[J]. 柯赟,宋恩哲,姚崇,董全.  哈爾濱工程大學(xué)學(xué)報(bào). 2020(01)
[5]基于隨機(jī)森林算法的旋轉(zhuǎn)機(jī)械齒輪組故障診斷[J]. 王子蘭,楊瑞.  山東科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(05)
[6]基于粗糙集的分布式集值數(shù)據(jù)屬性約簡[J]. 胡軍,黃思妤,邵瑞.  重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(05)
[7]基于區(qū)分矩陣的多粒度屬性約簡[J]. 翁冉,王俊紅,魏巍,崔軍彪,黃衛(wèi)華.  南京航空航天大學(xué)學(xué)報(bào). 2019(05)
[8]基于特征量融合和支持向量機(jī)的軸承故障診斷[J]. 史慶軍,郭曉振,劉德勝.  電子測量與儀器學(xué)報(bào). 2019(10)
[9]基于深度卷積神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法[J]. 王峰,畢建剛,萬梓聰,閆丹鳳.  廣東電力. 2019(09)
[10]基于DGA支持向量機(jī)的變壓器故障診斷[J]. 郭慧瑩,王毅.  現(xiàn)代電子技術(shù). 2019(19)

碩士論文
[1]機(jī)艙數(shù)據(jù)挖掘技術(shù)的研究與應(yīng)用[D]. 嚴(yán)海鳴.大連海事大學(xué) 2018
[2]基于聲信號的柴油機(jī)故障診斷研究[D]. 吉哲.中國科學(xué)技術(shù)大學(xué) 2017



本文編號：3603957