论文部分内容阅读
低速柴油机作为船舶的动力装置,其运行性能直接影响着整个航运,一旦其发生故障,会导致船舶停运造成经济损失,严重时甚至还会造成人员伤亡。若船舶柴油机发生的故障能被及时地诊断,或者可以对运行状态的趋势进行预测,提前推断出系统故障,对保证船舶的安全运行具有重要的意义。本文以船舶低速柴油机为研究对象,基于某散货轮多次航运中船舶柴油机运行状态下采集的数据,对船舶低速柴油机的零部件进行故障诊断以及趋势预测,为船员提供船舶柴油机的运行状态以及健康状况相关的信息,以保障船舶的安全性。考虑到采集的数据是由各种传感器测量并存储上传至数据库。采集及存储过程中不可避免存在数据的缺失,同时考虑到传感器存在的噪声问题,需要对采集的数据进行预处理,为后续的故障诊断及趋势预测提供可靠的数据源。对船舶柴油机进行故障诊断,选取某散货轮一整个航程的数据用于研究分析,根据转速区间划分工况,选取主机轴向振动,主机扫气温度与主机排气温度为训练样本,分别建立BP神经网络模型以及ELMAN神经网络模型,从而获得主机轴向振动与主机排气温度以及主机扫气温度与主机排气温度的数学模型。基于建立的数学模型,使用实测样本中的主机轴向振动和主机扫气温度来预测出实测样本中的排气温度,再将预测的排气温度与实测样本的主机排气温度进行比较。若两者差值大于所给定的故障线,则判定发生故障,从而达到故障诊断的目的。接着,分别在离散小波变换的基础上采用自回归预测,灰色预测,BP神经网络以及径向基神经网络等多种模型对船舶柴油机的零部件的运行状态进行趋势预测分析。本文以中间轴承温度为例,使用多个模型对其历史数据进行曲线拟合,然后依据拟合曲线的变化趋势对中间轴承温度进行趋势预测,根据预测值和实测值的分析,再从快速性和准确性上比较这几个模型的优缺点。最后,基于Matlab的图形用户界面将故障诊断与趋势预测等研究内容并结合项目合作的数据可视化需求进行软件集成实现。主要包括数据可视化模块,故障诊断模块以及趋势预测模块。将算法以模块化的形式集成,以平台的形式展现,简化数据的输入以及算法的调用,便于岸基工作人员和船基工作人员的查看和操作。