船舶柴油機(jī)是船舶機(jī)艙最關(guān)鍵的機(jī)械設(shè)備,它具有復(fù)雜的系統(tǒng)結(jié)構(gòu)。若柴油機(jī)出現(xiàn)故障,將對船舶的航行安全造成嚴(yán)重影響。為了降低船舶柴油機(jī)故障帶來的損失,需要依靠故障診斷技術(shù)進(jìn)行及時(shí)可靠地診斷和維護(hù)。中國船級社（CCS）頒布的《智能船舶規(guī)范》對未來智能機(jī)艙的智能化故障診斷和狀態(tài)監(jiān)測技術(shù)指明了方向。傳統(tǒng)的船舶柴油機(jī)故障診斷技術(shù)對專家經(jīng)驗(yàn)依賴性大,可靠性低。基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷以設(shè)備的監(jiān)測樣本數(shù)據(jù)為基礎(chǔ),采用機(jī)器學(xué)習(xí)和人工智能算法進(jìn)行診斷模型的訓(xùn)練和故障識別,避免了對專家經(jīng)驗(yàn)的依賴。而依賴小樣本學(xué)習(xí)的數(shù)據(jù)驅(qū)動(dòng)方法無法從樣本數(shù)據(jù)中學(xué)習(xí)復(fù)雜的映射關(guān)系,故障診斷精度和可靠性有待提高。深度學(xué)習(xí)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(dòng)的故障診斷領(lǐng)域重要的研究熱點(diǎn)。深度信念網(wǎng)絡(luò)作為深度學(xué)習(xí)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(luò)的故障診斷方法在船舶柴油機(jī)上的應(yīng)用展開了研究。由于目前實(shí)際所獲取的船舶柴油機(jī)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(jìn)行有效地訓(xùn)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(xué)遼寧省 211工程院校

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．１?ＭＡＮ?８Ｌ５１／６０ＤＦ船舶柴油機(jī)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(dòng)的船舶柴油機(jī)智能故障診斷研究???（樣本ｆ信息）??（Ｅ＊．?？?＊５）?１，３??ＲＢＭ３??ＲＢＭ２?／?Ｉ?＼??預(yù)訓(xùn)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(luò)的訓(xùn)練過程??Ｆｉｇ．?２．２?Ｔｈｅ?ｔｒａｉｎｉｎｇ?ｐｒｏｃｅｓｓ?ｏｆ?ｄｅｅｐ?ｂｅｌｉｅｆ?ｎｅｔｗｏｒｋ??預(yù)訓(xùn)練階段采用逐層無監(jiān)督地學(xué)習(xí)方式。在每層都進(jìn)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(jìn)一步的微調(diào)。??Ｉ?？?－??２．４．１?限制性玻爾茲曼機(jī)??在深度信念網(wǎng)絡(luò)中，每層ＲＢＭ通過調(diào)整神經(jīng)元之間的權(quán)值，使整個(gè)網(wǎng)絡(luò)以最大概??率生成訓(xùn)練數(shù)據(jù)１６９］，并據(jù)此進(jìn)行特征提取和目標(biāo)識別。典型的ＲＢＭ結(jié)構(gòu)如圖２．３所示。??可以看出，一個(gè)可見層ｖ和一個(gè)隱藏層構(gòu)成了?ＲＢＭ的雙層網(wǎng)絡(luò)結(jié)構(gòu)�？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(dú)立。??在仙！＾中，用１；十１＾２，．．．，＼］￡１＾＂表示可見層單元輸入節(jié)點(diǎn)，／！＝卜１，／�。�，．．．，／＾￡１＾表示所??有隱含層的節(jié)點(diǎn)，ｅＲｍｗ?（／＝ｌ，２，．．．，ｎ，戶ｌ，２，．．．，ｗ）為可見層到隱含層的權(quán)值矩陣。?－??〇＝［＜３１，０�。�，．．．，４］￡］８＂表不可見層的偏置向量，其中４３（；（／：：＝１，２，．．．，？？）表示第／＇個(gè)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(xué)專業(yè)學(xué)位碩士學(xué)位論文???隱含層／？??Ｋ?Ｋ?？?？?？?Ｋ??．??可見層Ｖ??圖２．３限制性玻爾茲曼機(jī)的結(jié)構(gòu)??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(shí)，限制性玻爾茲曼機(jī)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(quán)值。能量函數(shù)￡（ｖ，??／？｜ｉ９）可看作是在當(dāng)前可見層和隱含層的節(jié)點(diǎn)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(gè)節(jié)點(diǎn)均有０和１兩種狀態(tài)，所以可見層和隱含層節(jié)點(diǎn)組??成的狀態(tài)對丨共有戶２＞ｌ＋ｍ種。對能量函數(shù)進(jìn)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(diǎn)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(diǎn)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(shí)上Ｚ（０）通常難以計(jì)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(gè)節(jié)點(diǎn)的二值狀態(tài)構(gòu)成的所有可能狀態(tài)求和后，可獲得可見層Ｖ??節(jié)點(diǎn)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(xiàn)】：
期刊論文
[1]基于深度信念網(wǎng)絡(luò)的船舶柴油機(jī)智能故障診斷[J]. 仲國強(qiáng),賈寶柱,肖峰,王懷宇.  中國艦船研究. 2020(03)
[2]基于深度學(xué)習(xí)與信息融合的燃?xì)廨啓C(jī)故障診斷[J]. 崔建國,劉瑤,于明月,江秀紅.  機(jī)械設(shè)計(jì)與制造. 2019(12)
[3]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)
[4]基于KPCA和深度信念網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)故障檢測[J]. 黃亮,劉君強(qiáng),張振良,張曦.  武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版). 2019(05)
[5]深度學(xué)習(xí)在設(shè)備故障預(yù)測與健康管理中的應(yīng)用[J]. 陳志強(qiáng),陳旭東,José Valente de Olivira,李川.  儀器儀表學(xué)報(bào). 2019(09)
[6]變轉(zhuǎn)速齒輪箱復(fù)合故障的自適應(yīng)時(shí)變?yōu)V波分析[J]. 陳向民,黎琦,張亢,晉風(fēng)華,李錄平.  振動(dòng)與沖擊. 2019(14)
[7]最優(yōu)參數(shù)MCKD與ELMD在軸承復(fù)合故障診斷中的應(yīng)用研究[J]. 楊斌,張家瑋,樊改榮,王建國.  振動(dòng)與沖擊. 2019(11)
[8]基于極限學(xué)習(xí)機(jī)的船舶柴油機(jī)故障診斷[J]. 吳建波,王春艷,洪華軍,方偉.  計(jì)算機(jī)工程與應(yīng)用. 2019(15)
[9]隨機(jī)丟棄和批標(biāo)準(zhǔn)化的深度卷積神經(jīng)網(wǎng)絡(luò)柴油機(jī)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(xué)學(xué)報(bào). 2019(08)
[10]基于機(jī)器學(xué)習(xí)算法的壽命預(yù)測與故障診斷技術(shù)的發(fā)展綜述[J]. 郭一帆,唐家銀.  計(jì)算機(jī)測量與控制. 2019(03)

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

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



本文編號：3561262