隨著機艙自動化與智能化程度的發(fā)展,機艙機械設備的故障產(chǎn)生機理復雜多變。船舶主機作為機艙內的核心設備,對船舶的安全航行起著重要的作用。船舶主機包含的眾多子系統(tǒng)之間呈復雜的非線性關系,且主機上眾多測點在短時間內采集的大量數(shù)據(jù),若不加處理將大大增加診斷系統(tǒng)的運算開銷,傳統(tǒng)的故障診斷方法難以高效地完成任務。本文以船舶主機的燃油系統(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（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（SVM）診斷模型,并通過差別矩陣對離散化數(shù)據(jù)進行降維,在每2種故障之間建立支持向量機分類器,從而構建DAG-SVM拓撲網(wǎng)絡;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)點和其他葉節(jié)點的位置,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)值實驗分析,在相同條件下,對四種典型的分類模式進行仿真實驗,分別是1-vs-1 SVM、1-vs-a SVM、DAG-SVM 和本文方法。仿真結果表明,粗糙集與優(yōu)化DAG-SVM相結合的故障診斷方法可以對船舶主機故障進行有效的診斷決策,其分類精度比傳統(tǒng)的DAG-SVM方... 

【文章來源】：大連海事大學遼寧省 211工程院校

【文章頁數(shù)】：82 頁

【學位級別】：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－??

?大連海事大學專業(yè)學位碩士學位論文???實驗采用肘部法則選取最優(yōu)聚類簇數(shù)Ｋ，實驗平臺為Ｇｅａｎｙ，編程語言為ｐｙｔｈｏｎ。??為保證優(yōu)化時收斂性較好，聚類簇數(shù)Ｋｅ［ｌ，８ｊ，?Ｋ取整數(shù)值。然后計算對應的誤差平方??和，得到Ｋ和ＳＳＥ優(yōu)化圖像，最后選取肘部對應的Ｋ作為最佳聚類數(shù)。Ｋ和ＳＳＥ關系??如圖２．５所示。??如圖２．５所示，顯然當Ｋ＝５時是ＳＳＥ下降幅度由大到小的拐點，故最優(yōu)聚類數(shù)取??Ｋ＝５。聚類數(shù)為５時的離散化效果，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，五個簇的標簽對應其縱軸值，分別�。埃浚�。在上述基礎上，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種屬性值進行離散化，實驗平臺為Ｇｅａｎｙ，編程語ｆｆ為ｐｙｔｈｏｎ。離散化得到的結果??如表２．９所示。??表２．９船舶主機故障樣本數(shù)據(jù)離散化結果??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，??從而實現(xiàn)對線性不可分樣本的最優(yōu)分類。??４．２．１構造最優(yōu)分類超平面??在二維空間內，若存在直線！能夠將正、負兩類樣本分開，并且使距離這條直線的??最近兩類樣本點之間的距離最遠，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、負兩類樣本，正類樣本在圖中使用黑色球表示，??負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】：
期刊論文
[1]多支持向量機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. 2020(03)
[2]船舶動力裝置智能故障診斷技術的應用與展望[J]. 蔣佳煒,胡以懷,方云虎,李方玉.  中國艦船研究. 2020(01)
[3]基于支持向量機的燃料電池發(fā)動機氫氣泄漏檢測方法[J]. 鄒強,田穎,李紅松,秦順順.  北京交通大學學報. 2020(01)
[4]船舶柴油機故障預測與健康管理技術綜述[J]. 柯赟,宋恩哲,姚崇,董全.  哈爾濱工程大學學報. 2020(01)
[5]基于隨機森林算法的旋轉機械齒輪組故障診斷[J]. 王子蘭,楊瑞.  山東科技大學學報(自然科學版). 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.  重慶郵電大學學報(自然科學版). 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.  南京航空航天大學學報. 2019(05)
[8]基于特征量融合和支持向量機的軸承故障診斷[J]. 史慶軍,郭曉振,劉德勝.  電子測量與儀器學報. 2019(10)
[9]基于深度卷積神經(jīng)網(wǎng)絡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支持向量機的變壓器故障診斷[J]. 郭慧瑩,王毅.  現(xiàn)代電子技術. 2019(19)

碩士論文
[1]機艙數(shù)據(jù)挖掘技術的研究與應用[D]. 嚴海鳴.大連海事大學 2018
[2]基于聲信號的柴油機故障診斷研究[D]. 吉哲.中國科學技術大學 2017



本文編號：3603957