1.1 选题的目的及意义

船舶主机是船舶的动力装置，是整个船舶的动力之源，是整个船舶的核心装置。主机的正常运行是船舶安全运行的保障，同时能减少排污，节省资金。及时发现并排除主机故障，能预防事故发生，保障船舶安全运行，也能实时监测主机运行状况，减少维修时间，节约维修成本，提高维修质量。本文旨在融合神经网络进行主机运行状态的监测，并进行主机维护信息的推送，以维护主机在最佳状态下运行。

1.2 国内外的研究现状分析

故障预测技术是为了能够提早知道设备故障，运用各种方法发现设备的故障隐患，分析故障的各种特征以进行故障的趋势分析和预报，为提前预防和修复故障提供依据。

对于有高可靠性和安全性需要的复杂系统，有效地预测故障的发生是十分重要的。目前，预测故障的方法大致可以分为三类:

(1)基于故障机理的方法，该方法是一种根据故障发生的内在机制和根本原因进行间接预测的方法。

(2)数据驱动方法，该方法是一种应用统计学或者机器学习等技术手段对可靠性指标进行直接预测的方法。

(3)融合的方法，是一种将基于故障机理和数据驱动相结合的方法。

其中，基于人工神经网络的时间序列预测具有学习能力强，容错能力高，非线性逼近能力好等优点，在故障预测方面广泛应用。侯晓凯^[1]通过BP神经网络预测路由器母板的温度、CPU利用率和内存利用率三个指标值，并以此将母板运行状态划分四个区域代表其运行状况。OihaneC^[2]从船舶运行时监测的45个数据中选择5个作为BP神经网络的输入来预测另外15个状态量，以输出的15个状态量作为指标值来反应主机的运行状况，整个训练及测试的数据都由船舶在运行时获得。然而BP神经网络存在训练次数多，学习效率低，收敛速度慢等缺点，很多学者对其提出了改进。张琪^[3]用遗传算法优化的BP神经网络来预测动力风机轴承的损伤程度，并以此来预测轴承寿命。牛晓晓^[4]用遗传算法分别优化了BP神经网络的初始权值与训练样本的划分，验证了遗传算法优化效果。针对隐含层神经元个数只有经验解的问题，Wang Xin^[5]提出用遗传算法同时优化BP神经网络初始权值和隐含层的神经元个数的方法。针对获取的数据中噪声影响较大问题，肖成^[6]先对数据进行三层小波变换进行去噪，然后用BP神经网络对风电机组转子转速进行预测。马斌^[7]将径向神经网络应用到风力发电电功率预测中，相比于BP神经网络的局部最优解，径向神经网络有唯一确定解，而且径向神经网络的训练速度也更快，但当输入的训练集过大时，径向神经网络有需要更多中间神经元的缺点。胡雷刚^[8]将免疫神经网络应用到航空设备故障预测中，相比于BP神经网络，免疫神经网络在神经网络模型中添加一个“疫苗接种单元”，以利用待求解问题的特征信息提高网络的预测精度。王鑫^[9]将长短期记忆循环神经网络应用到故障时间序列预测，并与各种时间序列预测方法如多元线性回归、支持向量回归等方法相比较，验证了LSTM模型在可靠性预测领域中的适用性。吴双双^[10]将深度神经网络（卷积神经网络和循环神经网络）应用到真实数据集上训练，取得了较高的预测精度。尽管深度神经网络能提取更多的数据信息，但存在梯度消失，训练困难等缺点。即使是同一网络，不同的训练方法也会产生不同的结果，Hamid Taghavifar^[11]使用trainlm，trainscg，traingdx和trainrp这些不同训练算法得到了不同的预测精度。

总之，已有许多不同的神经网络模型应用到故障预测这个问题上来，选择什么样的网络结构、传递函数、训练算法等需要我们根据实际问题做出相应调整，同时针对网络训练过程中出现的各种问题也有不同的解决方法，需要灵活应用各方法处理相应问题。