摘 要

随着船舶行业的迅速发展，船舶不再依靠单一的柴油机进行驱动，新兴的纯电动船舶逐渐在船舶市场中占有一席之地，针对纯电动船舶的故障诊断也显得愈发重要。由于船舶智能化程度的不断提高，传统的故障诊断方法以及不能满足现代船舶的要求，所以研究一种可靠的基于数据驱动故障诊断方法有着积极的意义。

论文把几种故障诊断方法进行对比，得出了基于数据驱动故障诊断方法的优势，并列举了几种纯电动船舶电力推进系统的典型故障，并分别对在正常工作模式和各种故障模式下的电力推进系统主要设备运行数据进行了采集，借助主成成分分析法（PCA）对该数据进行降维处理，并借助支持向量机模型进行仿真实验，得出的结果证明了支持向量机故障诊断方法的可靠性。本文具体工作如下：

1. 系统地介绍了现在比较成熟的几种故障诊断方法，通过对比说明了基于数据驱动方法在纯电动船舶故障诊断中的优势。着重说明了基于数据驱动故障诊断方法的基本原理，基本确立了数据驱动方法的优异性。
2. 以纯电动船舶电力电力推进系统的典型故障和数据采集方法为研究对象，并分析其工作机理，为进一步工作奠定了重要基础。
3. 系统地介绍了主成成分分析法（PCA）和支持向量机的基本原理及其在纯电动船舶故障诊断中的应用，并对在电力系统正常状态下和典型故障状态下采集的数据进行处理，为仿真实验建立了理论基础。
4. 基于前期的故障诊断方法研究，结合船舶实际运行数据进行仿真实验，对船舶电力系统运行状态进行评估，对支持向量机故障诊断的准确度进行说明。

本文首先对故障诊断的国内外发展现状以及数据驱动故障诊断方法的研究现状进行分析，然后针对船舶电力推进系统及其典型故障进行说明和数据采集，再利用主成成分分析法（PCA）和支持向量机技术对样本数据进行处理，最终建立一个完整的故障诊断系统。基本完成了基于数据驱动的纯电动船舶故障诊断方法研究。

关键字：故障诊断；支持向量机；电力推进系统；数据驱动；电动船舶

Abstract

With the rapid development of the shipbuilding industry, ships no longer rely on a single diesel engine to drive, emerging pure electric ships gradually occupy a place in the ship market, and the fault diagnosis for pure electric ships is becoming more and more important. Due to the continuous improvement of the intelligence of the ship, the traditional fault diagnosis methods and the requirements of modern ships, it is of positive significance to study a reliable data-driven fault diagnosis method.

The paper clarifies the advantages of data-driven fault diagnosis methods by comparing several fault diagnosis methods, and lists typical faults of pure electric ship electric propulsion systems，and respectively in normal working mode and various fault modes. The main equipment operation data of the electric propulsion system was collected, and the data was reduced by the main component analysis method (PCA). The simulation experiment is carried out with the support vector machine model, and the results prove the reliability of the support vector machine fault diagnosis method.. The specific work of this paper is as follows:

1. systematically introduced several mature fault diagnosis methods, and compared the advantages of data-driven methods in pure electric ship fault diagnosis. The basic principle of the data-driven fault diagnosis method is emphasized, and the superiority of the data-driven method is basically established.
2. Taking the typical fault and data acquisition method of pure electric ship electric power propulsion system as the research object, and analyzing its working mechanism, it laid an important foundation for further work.
3. The basic principles of principal component analysis (PCA) and support vector machine and its application in fault diagnosis of pure electric ship are systematically introduced, and the data collected under the normal state of power system and typical fault state are processed. Established a theoretical basis for simulation experiments.
4. Based on the previous research on fault diagnosis method, combined with the ship's actual operation data, the simulation experiment is carried out to evaluate the running state of the ship's power system, and the accuracy of the fault diagnosis is explained.

This paper first analyzes the development status of fault diagnosis at home and abroad and the research status of data-driven fault diagnosis methods, and then explains and collects data on ship electric propulsion system and its typical faults, and then uses principal component analysis (PCA) and support. The vector machine technology processes the sample data and finally establishes a complete fault diagnosis system. The research on data-driven pure electric ship fault diagnosis method is realized.

Keywords: fault diagnosis; support vector machine; electric propulsion system; data drive; electric ship.

目录

第一章 绪论 1

1.1研究背景及意义 1

图1-1故障诊断过程 2

1.2国内外研究现状 2

1.2.1基于数学模型的方法 2

1.2.2 基于专家系统的诊断方法 3

1.2.3基于故障树的诊断方法 3

1.2.4基于神经网络的诊断方法 3

1.2.5基于数据驱动的诊断方法 3

1.2.6多技术融合的故障诊断方法 3

1.3基于数据驱动的故障诊断分类 4

1.4本课题及研究路线 4

1.5本章小结 7

第二章 船舶电力系统故障分析与参数采集 8

2.1纯电动船舶电力系统故障综述 8

2.1.1船舶电网故障 8

2.1.2船舶电力设备故障 9

2.1.3船舶蓄电池组故障及参数采集 10

2.2电力推进系统参数检测 11

2.3纯电动船舶电力系统参数特征的提取 12

2.3.1主元分析方法的特征提取与故障诊断 12

2.3.2基于核主元分析的特征提取 13

2.3.3核主元分析方法 14

2.4本章小结 15

第三章 基于支持向量机的故障诊断研究 16

3.1 支持向量机基本理论 16

3.1.1机器学习 16

3.1.2期望风险最小化原则 17

3.1.3结构风险最小化原则 17

3.2支持向量机分类 18

3.2.1最优分类超平面 18

3.2.2线性支持向量机 19

3.2.3非线性支持向量机 20

3.2.4多分类支持向量机 21

3.3支持向量机回归 24

3.3.1支持向量机回归原理 24

3.3.2最小二乘支持向量机 26

3.4本章小结 27

4电力推进系统仿真实验 28

4.1基于支持向量机的故障诊断模型 28

4.2仿真实验样本数据 30

4.2.1训练样本 31

4.2.2测试样本 32

4.3支持向量机故障诊断仿真 34

4.4本章小结 38

第五章 全文总结与展望 39

5.1全文总结 39

5.2对未来的展望 39

致谢 40

参考文献 41

第一章 绪论

1.1研究背景及意义

随着科学技术的不断发展进步与船舶先进程度的不断提高不断完善，使得电力推进系统的稳定性、灵活性以及能量的利用率都有了显著提升，使得传统的故障诊断方式越来越不能满足船舶的要求。近年来数据挖掘、现代控制理论、人工智能技术和计算机技术的发展，纯电动船舶的电力系统的故障检测与诊断也向着智能化的方向发展。

纯电动船舶使用电动机作为船舶主机, 带动船舶螺旋桨旋转，将水、电、油、气系统转换为单一的电气系统, 实现可靠的遥控以及多方面的电气化自动控制。[1]为了便于实时监测和分析纯电动船舶的性能，以船载端实时通讯的纯电动船舶实测参数为依据，采用数据驱动的方法对积累的样本数据实现数据降维、特征提取等数据的预处理，从而实现纯电动船舶的典型故障的分类、聚类和故障识别。由于纯电动船舶自动化程度很高，很难通过船上人员判断故障。因此基于数据驱动的纯电动船舶故障识别方法的确立显得十分重要。

^[1]上世纪80年代，电子电力与电子半导体技术飞速发展，大功率异步电动机制造技术的，使其在船舶中的应用范围逐渐扩大。电力推进系统作为纯电动船舶的核心系统，在运行过程中出现故障将有可能造成整个船舶不可挽回的损失，所以建立一个高效智能的故障检测与诊断系统就显得尤为重要。近年来在数据挖掘、计算机技术以及人工智能技术的发展之下，基于数据驱动的故障诊断方式凭借其独特的优点受到了社会上越来越多的关注。其优势在于能够在未知系统精确数学模型的情况下，仅凭借分析系统运行过程中的检测数据，即可实现故障诊断。数据驱动方法又分为3种方法，其中信号处理利用不同时刻的采样信号中含有的信息，通过信号分析与处理，提取与故障相关的信号时域或频域特征，进行故障检测与诊断。基于数据驱动的故障诊断方法还处于发展阶段，还有许多问题没有解决，其理论体系也需要进一步的完善。通过提取纯电动船舶电力推进系统的运行数据，再把数据进行降维，提取特征值，最后进行故障的聚类识别。^[2][13]

过程数据

实时检测

建立故障检测与诊断模型

故障

分类 诊断

图1-1故障诊断过程

1.2国内外研究现状

^[3]故障诊断是一门融合了多种学科与研究的技术，拥有多个分支和大类，其分类如图1-2所示：[42]

^[4]

图1-2故障诊断方法分类

1.2.1基于数学模型的方法

在船舶电力系统发生故障时，通过数学模型可以及时准确的分析出故障种类和出现位置，最大程度上减少故障对船舶带来的损害。当舰船结构模型已知或是动态可建模时的情况下，数学模型的方法是可以使用的，并具有一定的优势。[2]但是目前船舶电力系统的设备多为专研结构，不具备通用性，在工程应用方面往往很难建立准确的数学模型，导致在实际船舶的应用范围不是很大。

^[5]1.2.2 基于专家系统的诊断方法

这种方法是使用以往专家诊断经验归纳成的规则来进行故障诊断。这种诊断方法具有诊断过程简单，诊断速度快等优点，它由知识库、推理机、实时数据库、知识获取部分等构成。这种诊断方法是目前应用最广的一种诊断方法，但是这种诊断方法也存在一定的局限性，基于专家系统的方法属于反演推理，因而不是一种确保唯一性的推理方法，建立知识库及验证其完备性比较困难；容错能力较差；对于复杂系统所观测到的状况与实际故障之间的联系是相当复杂的，会出现组合爆炸和逻辑推理速度变慢等问题。[35]

^[6]1.2.3基于故障树的诊断方法

故障树诊断方法是根据逻辑因果图来进行的。它由因溯果，根据每一个元件的状态来判断整个系统的状态。根据某种故障状态来找出所有可能导致该故障发生的因素，直至找到原始因素。但是故障树诊断方法还有一些不足: 第一，这种方法的使用时间长，难度大，容易遗漏和错误；第二，故障树构建时误差难以避免。

1.2.4基于神经网络的诊断方法

神经网络通过模拟人的形象思维能力来进行故障诊断。它是一种非线性映射系统，可以对任意复杂的系统状态进行识别并分类，但是必须首先用反映输入特征量的大量样本对网络进行学习后，才能具有这种功能。[3]人工神经网络的特点是可以和其他诊断方法相结合，对于解决复杂的系统故障具有重要作用。

^[7]1.2.5基于数据驱动的诊断方法

基于数据驱动诊断方法是以船舶运行过程中样本数据为基础建立的诊断方法，可分为信号处理、信息融合和统计机器学习等方法。其中统计机器学习还关注新型数据的推理，包含寻求数据的非线性几何结构及选择重要变量的多元统计方法；建立用于决策的分类、回归模型的故障分类等，以提供数据驱动问题的求解方案。[36]

^[8]1.2.6多技术融合的故障诊断方法

由于船舶智能化和自动化程度的提高，单一的故障诊断方法已经不能满足现有的需要。因此将多种不同的故障诊断方法有机的结合在一起对船舶的故障进行诊断有利于发挥各种故障诊断方法的优点，更加快速精确的对船舶的故障进行诊断。现在已有将2种或更多种故障诊断方法结合的例子。

1.3基于数据驱动的故障诊断分类

利用定性分析方法和基于解析模型的方法来进行故障诊断需要长期的实践积累和相应的专业知识。基于数据驱动的故障诊断技术的优点是只需要采集船舶正常运行和故障状态下的数据就可以实现故障检测与诊断。基于多元统计的诊断方法、基于数据聚类的诊断方法和基于人工智能的诊断方法都属于基于数据驱动的故障诊断方法。

1.4本课题及研究路线

本文将以纯电动船舶电力推进系统为研究对象，借助支持向量机对电力系统中的主要设备进行故障诊断，建立诊断模型。通过MATLAB内部函数来对支持向量机样本数据进行计算并最终得出故障诊断结果。

通过对大量资料的查阅，我们发现电力推进系统十分复杂，难以通过表面的故障表现来准确的推断出具体故障原因，且纯电动船舶作为新兴的船舶种类缺少可靠性指标。针对纯电动船舶在故障诊断过程中的问题，本文开展以下几方面的研究：

（1）以纯电动船舶电力推进系统为研究对象，系统性地分析出船舶电力系统的工作原理和主要设备，并对其典型故障进行了详细分析。

系统详细地分析电力推进系统的工作原理和各设备的组成，通过资料的查阅来确定各设备典型的故障模式，分析各个主要设备故障机理，分析出导致故障发生的原因和相对应的维修管理措施，并分别对系统正常工作和故障发生时的系统参数进行采集，最后使用主成成分分析法（PCA）对数据进行降维处理。

（2）首先对支持向量机的基本原理进行了讲解，说明了其机器学习的原理。对线性支持向量机、非线性支持向量机及最优超平面的选取进行了说明，介绍了几种分类方法及其各自的优缺点，最后对支持向量机回归和最小二乘支持向量机进行了简略说明。

（3）建立电力推进系统仿真模型，利用前期采集的正常工作和发生故障时的样本数据，对支持向量机仿真模型进行训练，再使用测试样本对训练好的仿真模型进行测试，测试结果证明支持向量机仿真模型能够很好的对纯电动船舶电力系统故障进行诊断。^[9][10]

本课题的技术路线示意框图如图1-3所示。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：