現(xiàn)代化大型船舶自動(dòng)化程度日趨提高,船舶柴油機(jī)的故障監(jiān)測(cè)和診斷技術(shù)已經(jīng)成為提高船舶安全性和可靠性的重要方式之一。由英國(guó)柴油機(jī)工程師和用戶協(xié)會(huì)提供的停機(jī)故障分析表明,造成柴油機(jī)停機(jī)后果的各種原因中燃油系統(tǒng)的故障占27%,比例最大。由于船舶柴油機(jī)燃油系統(tǒng)結(jié)構(gòu)復(fù)雜,各個(gè)部件之間存在冗雜的非線性耦合關(guān)系,導(dǎo)致采集的樣本數(shù)據(jù)具有典型的非線性多維特性,因此傳統(tǒng)的線性方法在處理船舶燃油系統(tǒng)故障診斷問(wèn)題時(shí)具有較大的局限性。本文以此為背景,開展了基于優(yōu)化核主成分分析(Kernel Principal.Component Analysis,KPCA)和多分類支持向量機(jī)的船舶柴油機(jī)燃油系統(tǒng)故障監(jiān)測(cè)與診斷技術(shù)研究。針對(duì)船舶燃油系統(tǒng)故障樣本數(shù)據(jù)存在非線性強(qiáng)和噪聲干擾的問(wèn)題,首先提出采用KPCA對(duì)樣本數(shù)據(jù)進(jìn)行非線性特征提取,提取出樣本數(shù)據(jù)特征的高維信息,其次在特征空間中構(gòu)建T2和SPE統(tǒng)計(jì)量模型,最后通過(guò)監(jiān)測(cè)樣本數(shù)據(jù)統(tǒng)計(jì)量的變化實(shí)現(xiàn)了對(duì)船舶燃油系統(tǒng)故障的實(shí)時(shí)監(jiān)測(cè)。由于KPCA性能受內(nèi)部核函數(shù)參數(shù)影響,提出了基于粒子群優(yōu)化核函數(shù)參數(shù)的選優(yōu)方法,通過(guò)建立核函數(shù)參數(shù)優(yōu)化模型,實(shí)現(xiàn)了 KPCA核函數(shù)參數(shù)的尋優(yōu),并對(duì)粒子群算法...

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 船舶柴油機(jī)故障診斷研究發(fā)展現(xiàn)狀
        1.2.1 故障監(jiān)測(cè)和診斷技術(shù)國(guó)內(nèi)外研究現(xiàn)狀
        1.2.2 故障監(jiān)測(cè)和診斷技術(shù)的發(fā)展趨勢(shì)
    1.3 論文主要研究?jī)?nèi)容
2 船舶柴油機(jī)燃油系統(tǒng)故障監(jiān)測(cè)及診斷分析
    2.1 船舶燃油系統(tǒng)概述
        2.1.1 燃油系統(tǒng)低壓油路
        2.1.2 燃油系統(tǒng)高壓油路
        2.1.3 燃油噴射過(guò)程
    2.2 主要故障部件原理分析
        2.2.1 噴油泵工作原理分析
        2.2.2 噴油器工作原理分析
        2.2.3 燃油系統(tǒng)常見故障分析
    2.3 常見故障監(jiān)測(cè)和診斷方法
        2.3.1 故障診斷過(guò)程
        2.3.2 常見故障監(jiān)測(cè)和診斷方法
        2.3.3 船舶柴油機(jī)故障監(jiān)測(cè)和診斷的目的
    2.4 本章小結(jié)
3 基于KPCA的非線性特征提取與SVM的模式識(shí)別
    3.1 基于KPCA的非線性特征提取
        3.1.1 KPCA基本原理
        3.1.2 KPCA非線性特征提取步驟
        3.1.3 SPE和T²統(tǒng)計(jì)量
        3.1.4 基于KPCA的非線性特征提取分析
    3.2 基于SVM的故障模式識(shí)別
        3.2.1 支持向量機(jī)概述
        3.2.2 支持向量機(jī)基本原理
        3.2.3 軟間隔最優(yōu)分類面
        3.2.4 非線性支持向量機(jī)
        3.2.5 基于兩類樣本的SVM數(shù)值仿真
    3.3 本章小結(jié)
4 基于PSO優(yōu)化KPCA的船舶燃油系統(tǒng)故障監(jiān)測(cè)
    4.1 PSO優(yōu)化算法概述
        4.1.1 PSO基本原理
        4.1.2 PSO優(yōu)化參數(shù)選擇
        4.1.3 基于改進(jìn)PSO算法數(shù)值仿真
    4.2 基于KPCA的故障監(jiān)測(cè)模型搭建
        4.2.1 核函數(shù)及參數(shù)確定方法
        4.2.2 樣本數(shù)據(jù)采集
        4.2.3 基于KPCA的故障監(jiān)測(cè)實(shí)現(xiàn)流程
        4.2.4 基于KPCA的船舶燃油系統(tǒng)故障監(jiān)測(cè)實(shí)驗(yàn)
    4.3 基于PSO優(yōu)化KPCA的船舶燃油系統(tǒng)故障監(jiān)測(cè)
        4.3.1 基于PSO優(yōu)化KPCA的故障監(jiān)測(cè)算法設(shè)計(jì)
        4.3.2 基于PSO優(yōu)化KPCA的船舶燃油系統(tǒng)故障監(jiān)測(cè)實(shí)驗(yàn)
    4.4 本章小結(jié)
5 基于PSO優(yōu)化KPCA-SVM的船舶燃油系統(tǒng)故障診斷
    5.1 構(gòu)建多分類支持向量機(jī)
        5.1.1 一對(duì)多方法
        5.1.2 一對(duì)一方法
        5.1.3 直接非循環(huán)圖法
        5.1.4 決策樹法
    5.2 基于PSO優(yōu)化KPCA-SVM的船舶燃油系統(tǒng)故障診斷
        5.2.1 故障診斷算法設(shè)計(jì)思路
        5.2.2 故障診斷實(shí)驗(yàn)步驟
        5.2.3 船舶燃油系統(tǒng)故障診斷實(shí)驗(yàn)
    5.3 本章小結(jié)
結(jié)論與展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)歷及攻讀碩士學(xué)位期間的科研成果



本文編號(hào)：4044527