基于改进深度学习算法的船舶柴油机故障诊断技术

黄金娥，刘鹏鹏

(海军研究院，北京 100161)

0 引 言

随着现代舰船及其武器装备性能的提升，对船用柴油机运行要求也越来越高。而船用柴油机的振动类故障占据故障的绝大部分，因此通过振动信号进行柴油机的故障诊断是合理且必要的[1]。传统的柴油机故障诊断是根据专家经验或是特定部件的先验知识进行诊断指导，类如轴承齿轮，当它们的尺寸确定，其故障频率也能被计算得到。只需要观察故障频率在频谱变化就能完成简单的故障诊断工作。而类似气缸磨损故障，由于气缸比较复杂，没法准确得到它的故障频率，这类故障诊断就不能再依赖先验知识。随着数据挖掘技术的发展，深度学习为智能故障诊断提供了一条新的技术路线。深度学习网络可以摆脱了对大量信号处理技术与诊断经验的依赖，直接从频域信号中自适应地提取故障特征[2-3]，将传统故障诊断中特征提取+模式识别的方法融为一体，实现在缺乏先验知识下的故障特征自适应提取与健康状况评估。基于此，为更好解决柴油机气缸磨损诊断故障问题，本文提出了一种基于改进深度学习算法的船舶柴油机故障诊断技术。首先，通过GOA进行参数寻优，降低手动设置参数对训练结果的影响。其次，分析参数寻优对隐含层的特征提取能力的影响。最终，将预处理后的数据输入网络进行训练，构建基于DBN的柴油机气缸磨损故障诊断模型。经试验验证，本文提出的方法能有效提高DBN自适应故障特征提取能力以及识别精度，很好解决了传统故障诊断方法的不足。……