基于粗糙集和优化DAG-SVM的船舶主机故障诊断研究

发布时间：2022-01-23 08:17

　　随着机舱自动化与智能化程度的发展,机舱机械设备的故障产生机理复杂多变。船舶主机作为机舱内的核心设备,对船舶的安全航行起着重要的作用。船舶主机包含的众多子系统之间呈复杂的非线性关系,且主机上众多测点在短时间内采集的大量数据,若不加处理将大大增加诊断系统的运算开销,传统的故障诊断方法难以高效地完成任务。本文以船舶主机的燃油系统为研究对象,提出一种基于粗糙集理论和优化有向无环图—支持向量机（DAG-SVM）的故障诊断方法。首先,将数据挖掘中的粗糙集理论引入传统的支持向量机（SVM）诊断模型,并通过差别矩阵对离散化数据进行降维,在每2种故障之间建立支持向量机分类器,从而构建DAG-SVM拓扑网络;然后,以类间的分类精度为依据,优化有向无环图中根节点和其他叶节点的位置,从而有效避免“误差累积”;最后,基于某超大型油轮模拟器,开展数值实验分析,在相同条件下,对四种典型的分类模式进行仿真实验,分别是1-vs-1 SVM、1-vs-a SVM、DAG-SVM 和本文方法。仿真结果表明,粗糙集与优化DAG-SVM相结合的故障诊断方法可以对船舶主机故障进行有效的诊断决策,其分类精度比传统的DAG-SVM方... 

【文章来源】：大连海事大学辽宁省 211工程院校

【文章页数】：82 页

【学位级别】：硕士

【部分图文】：

图２．５肘部法则优化聚类数Ｋ??Ｆｉｇ．?２．５?Ｅｌｂｏｗ?ｍｅｔｈｏｄ?ｏｐｔｉｍｉｚｅｓ?ｔｈｅ?ｎｕｍｂｅｒ?ｏｆ?ｃｌｕｓｔｅｒｓ?Ｋ??－２４－??

?大连海事大学专业学位硕士学位论文???实验采用肘部法则选取最优聚类簇数Ｋ，实验平台为Ｇｅａｎｙ，编程语言为ｐｙｔｈｏｎ。??为保证优化时收敛性较好，聚类簇数Ｋｅ［ｌ，８ｊ，?Ｋ取整数值。然后计算对应的误差平方??和，得到Ｋ和ＳＳＥ优化图像，最后选取肘部对应的Ｋ作为最佳聚类数。Ｋ和ＳＳＥ关系??如图２．５所示。??如图２．５所示，显然当Ｋ＝５时是ＳＳＥ下降幅度由大到小的拐点，故最优聚类数取??Ｋ＝５。聚类数为５时的离散化效果，如图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??图２．６?Ｋ＝５时离散化效果图??Ｆｉｇ．?２．６?Ｄｉｓｃｒｅｔｅ?ｒｅｎｄｅｒｉｎｇ?ｗｈｅｎ?Ｋ＝５??由图２．６所示，五个簇的标签对应其纵轴值，分别取０？４。在上述基础上，分别对??功率、油耗率、喷油量、排气温度、最大爆发压力、单缸和其他缸排气温度平均值差值??这６种属性值进行离散化，实验平台为Ｇｅａｎｙ，编程语ｆｆ为ｐｙｔｈｏｎ。离散化得到的结果??如表２．９所示。??表２．９船舶主机故障样本数据离散化结果??Ｔａｂ．?２．９?Ｄｉｓｃｒｅｔｉｚａｔｉｏｎ?ｒｅｓｕｌｔｓ?ｏｆ?ｓｈｉｐ?ｍａｉｎ?ｅｎｇｉｎｅ?ｆａｕｌｔ?ｓａｍｐｌｅ?ｄａｔａ??组号?ａ?ｂ?ｃ?ｄ?ｅ?ｆ?故障状态?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，??从而实现对线性不可分样本的最优分类。??４．２．１构造最优分类超平面??在二维空间内，若存在直线！能够将正、负两类样本分开，并且使距离这条直线的??最近两类样本点之间的距离最远，我们称这条直线为最优分类直线。若拓展到高维空间，??能将正、负两类样本分隔开的“直线”称为最优分类超平面，由最优分类超平面建立的??故障诊断分类器对纳入的新样本具有更好的适应能力。??为了便于理解和分析，本文中对二维空间中“最优分类超平面”一律用最优分类直??线表示。??Ｉ參??图４．３最优分类超平面示意图??Ｆｉｇ．?４．３?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｏｐｔｉｍａｌ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｈｙｐｅｉｐｌａｎｅ??如图４．３所示，二维空间中存在正、负两类样本，正类样本在图中使用黑色球表示，??负类样本使用白色球表示。显而易见，这两类样本可以有多条直线将其分开，我们称这??－３８－??

【参考文献】：
期刊论文
[1]多支持向量机模型的输电线路故障诊断方法[J]. 吴笑民,曹卫华,王典洪,丁敏.  高电压技术. 2020(03)
[2]船舶动力装置智能故障诊断技术的应用与展望[J]. 蒋佳炜,胡以怀,方云虎,李方玉.  中国舰船研究. 2020(01)
[3]基于支持向量机的燃料电池发动机氢气泄漏检测方法[J]. 邹强,田颖,李红松,秦顺顺.  北京交通大学学报. 2020(01)
[4]船舶柴油机故障预测与健康管理技术综述[J]. 柯赟,宋恩哲,姚崇,董全.  哈尔滨工程大学学报. 2020(01)
[5]基于随机森林算法的旋转机械齿轮组故障诊断[J]. 王子兰,杨瑞.  山东科技大学学报(自然科学版). 2019(05)
[6]基于粗糙集的分布式集值数据属性约简[J]. 胡军,黄思妤,邵瑞.  重庆邮电大学学报(自然科学版). 2019(05)
[7]基于区分矩阵的多粒度属性约简[J]. 翁冉,王俊红,魏巍,崔军彪,黄卫华.  南京航空航天大学学报. 2019(05)
[8]基于特征量融合和支持向量机的轴承故障诊断[J]. 史庆军,郭晓振,刘德胜.  电子测量与仪器学报. 2019(10)
[9]基于深度卷积神经网络的变压器故障诊断方法[J]. 王峰,毕建刚,万梓聪,闫丹凤.  广东电力. 2019(09)
[10]基于DGA支持向量机的变压器故障诊断[J]. 郭慧莹,王毅.  现代电子技术. 2019(19)

硕士论文
[1]机舱数据挖掘技术的研究与应用[D]. 严海鸣.大连海事大学 2018
[2]基于声信号的柴油机故障诊断研究[D]. 吉哲.中国科学技术大学 2017



本文编号：3603957