發(fā)布時間：2022-01-01 00:14

　　船舶柴油機是船舶機艙最關鍵的機械設備,它具有復雜的系統(tǒng)結構。若柴油機出現(xiàn)故障,將對船舶的航行安全造成嚴重影響。為了降低船舶柴油機故障帶來的損失,需要依靠故障診斷技術進行及時可靠地診斷和維護。中國船級社（CCS）頒布的《智能船舶規(guī)范》對未來智能機艙的智能化故障診斷和狀態(tài)監(jiān)測技術指明了方向。傳統(tǒng)的船舶柴油機故障診斷技術對專家經(jīng)驗依賴性大,可靠性低�；跀�(shù)據(jù)驅(qū)動的故障診斷以設備的監(jiān)測樣本數(shù)據(jù)為基礎,采用機器學習和人工智能算法進行診斷模型的訓練和故障識別,避免了對專家經(jīng)驗的依賴。而依賴小樣本學習的數(shù)據(jù)驅(qū)動方法無法從樣本數(shù)據(jù)中學習復雜的映射關系,故障診斷精度和可靠性有待提高。深度學習方法能夠從大量樣本數(shù)據(jù)中獲取深層信息,成為目前基于數(shù)據(jù)驅(qū)動的故障診斷領域重要的研究熱點。深度信念網(wǎng)絡作為深度學習框架下常用的一種算法,具有良好的算法融合性,并且對數(shù)據(jù)量的要求較小。因此,本文針對基于深度信念網(wǎng)絡的故障診斷方法在船舶柴油機上的應用展開了研究。由于目前實際所獲取的船舶柴油機故障樣本成本較高、數(shù)量較少且數(shù)據(jù)類型單一,無法對數(shù)據(jù)進行有效地訓練處理。本文采用在AVL BOOST軟件所建立的MAN 8L/5160... 

【文章來源】：大連海事大學遼寧省 211工程院校

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【部分圖文】：

圖２．１?ＭＡＮ?８Ｌ５１／６０ＤＦ船舶柴油機仿真模型??Ｆｉｇ．?２．１?Ｓｉｍｕｌａｔｉｏｎ?ｍｏｄｅｌ?ｏｆ?ＭＡＮ?８Ｌ５１／６０?ＤＦ?Ｍａｒｉｎｅ?ｄｉｅｓｅｌ?ｅｎｇｉｎｅ??

?基于數(shù)據(jù)驅(qū)動的船舶柴油機智能故障診斷研究???（樣本ｆ信息）??（Ｅ＊．?？?＊５）?１，３??ＲＢＭ３??ＲＢＭ２?／?Ｉ?＼??預訓練＾?＋巧微調(diào)???＂１?Ｃ?／?）?ｖＴ??ＲＢＭｌ?＾?￣＂?Ｉ?Ｚ?＾??（?？?？?？?｝?ｖｌ??Ｖ?＾?Ｗ?Ｗ?Ｊ??（輸入樣木數(shù)ｆ；）??圖２．２深度信念網(wǎng)絡的訓練過程??Ｆｉｇ．?２．２?Ｔｈｅ?ｔｒａｉｎｉｎｇ?ｐｒｏｃｅｓｓ?ｏｆ?ｄｅｅｐ?ｂｅｌｉｅｆ?ｎｅｔｗｏｒｋ??預訓練階段采用逐層無監(jiān)督地學習方式。在每層都進丨亍參數(shù)初始化和對樣本數(shù)據(jù)特??征提取；微調(diào)階段將對經(jīng)過初始化的參數(shù)采用ＢＰ算法做進一步的微調(diào)。??Ｉ?？?－??２．４．１?限制性玻爾茲曼機??在深度信念網(wǎng)絡中，每層ＲＢＭ通過調(diào)整神經(jīng)元之間的權值，使整個網(wǎng)絡以最大概??率生成訓練數(shù)據(jù)１６９］，并據(jù)此進行特征提取和目標識別。典型的ＲＢＭ結構如圖２．３所示。??可以看出，一個可見層ｖ和一個隱藏層構成了?ＲＢＭ的雙層網(wǎng)絡結構�？梢妼佑糜诮�??收傳入的數(shù)據(jù)，隱含層用于提取特征。隱含層和可見層的神經(jīng)元之間相互連接，各層的??神經(jīng)元之間相互獨立。??在仙！＾中，用１；十１＾２，．．．，＼］￡１＾＂表示可見層單元輸入節(jié)點，／！＝卜１，／！２，．．．，／＾￡１＾表示所??有隱含層的節(jié)點，ｅＲｍｗ?（／＝ｌ，２，．．．，ｎ，戶ｌ，２，．．．，ｗ）為可見層到隱含層的權值矩陣。?－??〇＝［＜３１，０！２，．．．，４］￡］８＂表不可見層的偏置向量，其中４３（；（／：：＝１，２，．．．，？？）表示第／＇個可見單元竹??的偏置。６?＝?人］ｅＲｍ表示隱含層的偏置向量，其中包？（／＝ｌ

?大連海事大學專業(yè)學位碩士學位論文???隱含層／？??Ｋ?Ｋ?？?？?？?Ｋ??．??可見層Ｖ??圖２．３限制性玻爾茲曼機的結構??Ｆｉｇ．?２．３?Ｓｔｒｕｃｔｕｒｅ?ｏｆ?Ｒｅｓｔｒｉｃｔｅｄ?Ｂｏｌｔｚｍａｎｎ?Ｍａｃｈｉｎｅ??在給定可見層的向量Ｖ和隱含層的向量／２時，限制性玻爾茲曼機ＲＢＭ的能量函數(shù)??為：?ｉ?‘?；，??Ｅ（ｖ，ｈ?ｊ?ｅ）?＝?￣?Ｙ．ｂｊｈｉ?－（２．?１）??／？！?／＊＊１?ｙ■■里??式中：ａ，？和為分別表示可見單元ｖ，？和隱含單元的偏置，％？為權值。能量函數(shù)￡（ｖ，??／？｜ｉ９）可看作是在當前可見層和隱含層的節(jié)點分布狀態(tài)下，可見層和隱含層之間的能量值。??在可見層與隱含層中，任何一個節(jié)點均有０和１兩種狀態(tài)，所以可見層和隱含層節(jié)點組??成的狀態(tài)對丨共有戶２＞ｌ＋ｍ種。對能量函數(shù)進行指數(shù)化和正則化后，即可得到在可見??層和隱含層節(jié)點集合彳ｖ，?丨分別處于某一種狀態(tài)對丨Ｖ，?丨下的聯(lián)合概率分布：??Ｐ｛Ｖ，ｈ＼〇）＝Ｍ￣Ｅ｛ｖＭｄ））?（２．２）??Ｚ??其中，Ｚ?＝?ｍｅｘｐ丨丨叫是歸一化因子（或稱為配分函數(shù)），表示可見層和隱??含層節(jié)點的所有可能狀態(tài)對的總和。因此，通過式（２．２）可獲得任意一種狀態(tài)下的聯(lián)合概??率分布Ｐ（ｖ，／２）。而事實上Ｚ（０）通常難以計算，因此聯(lián)合概率分布往往通過吉布斯采樣的??＇?方法來近似求解。??對隱含層Ａ的Ｗ個節(jié)點的二值狀態(tài)構成的所有可能狀態(tài)求和后，可獲得可見層Ｖ??節(jié)點集合的邊緣概率分布Ｐ（Ｖ）為：??ｐ（ｖ）＝ｅｘｐ?（°＜Ｖｉ?）ｆｉ?ｆ１＋ｅｘｐ（ｂｊ＋ｚ?ｖ＜ｗ＜？?（２．３）??Ｚ＂＝ｌ?ｙ＝ｌ?Ｖ

【參考文獻】：
期刊論文
[1]基于深度信念網(wǎng)絡的船舶柴油機智能故障診斷[J]. 仲國強,賈寶柱,肖峰,王懷宇.  中國艦船研究. 2020(03)
[2]基于深度學習與信息融合的燃氣輪機故障診斷[J]. 崔建國,劉瑤,于明月,江秀紅.  機械設計與制造. 2019(12)
[3]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)
[4]基于KPCA和深度信念網(wǎng)絡的發(fā)動機故障檢測[J]. 黃亮,劉君強,張振良,張曦.  武漢理工大學學報(交通科學與工程版). 2019(05)
[5]深度學習在設備故障預測與健康管理中的應用[J]. 陳志強,陳旭東,José Valente de Olivira,李川.  儀器儀表學報. 2019(09)
[6]變轉(zhuǎn)速齒輪箱復合故障的自適應時變?yōu)V波分析[J]. 陳向民,黎琦,張亢,晉風華,李錄平.  振動與沖擊. 2019(14)
[7]最優(yōu)參數(shù)MCKD與ELMD在軸承復合故障診斷中的應用研究[J]. 楊斌,張家瑋,樊改榮,王建國.  振動與沖擊. 2019(11)
[8]基于極限學習機的船舶柴油機故障診斷[J]. 吳建波,王春艷,洪華軍,方偉.  計算機工程與應用. 2019(15)
[9]隨機丟棄和批標準化的深度卷積神經(jīng)網(wǎng)絡柴油機失火故障診斷[J]. 張康,陶建峰,覃程錦,李衛(wèi)星,劉成良.  西安交通大學學報. 2019(08)
[10]基于機器學習算法的壽命預測與故障診斷技術的發(fā)展綜述[J]. 郭一帆,唐家銀.  計算機測量與控制. 2019(03)

博士論文
[1]基于排序模式分析與深度學習的風電設備故障診斷方法研究[D]. 江國乾.燕山大學 2017
[2]電控共軌柴油機曲軸箱排放及其形成研究[D]. 白金龍.上海交通大學 2015

碩士論文
[1]基于深度信念網(wǎng)絡的旋轉(zhuǎn)機械故障診斷研究[D]. 湯盛浩.蘇州大學 2018
[2]基于深度信念網(wǎng)絡的故障診斷研究[D]. 文紅權.北京交通大學 2018
[3]基于KNN算法的柴油機故障診斷方法研究[D]. 朱向利.哈爾濱工程大學 2016



本文編號：3561262