基于1DCNN-LSTM船舶辅锅炉故障预测方法

为适应船舶辅锅炉智能化的新要求,提高船舶辅锅炉故障预测的可靠性,采用深度学习方法对船舶辅锅炉进行故障预测研究。在长短时记忆(Long Short-Term Memory,LSTM)神经网络船舶辅锅炉故障预测模型的基础上,采用一维卷积神经网络(1-Dimensional Convolutional Neural Network,1 DCNN)对船舶辅锅炉原始数据进行特征提取和初步分类,以解决LSTM模型在学习数据特征的局限性及对时序数据顺序的依赖性。选取阿法拉伐OS-TCI型船用燃油辅锅炉为研究对象,结合大连海事大学开发的DMS-CSS型轮机模拟器中的船舶辅锅炉仿真模块进行试验研究。采用实船采集的时间序列数据和模拟器采集的故障数据为试验数据来源,分别应用LSTM模型和1DCNNLSTM模型构建船舶辅锅炉故障预测模型并进行了试验对比研究。试验结果表明:1DCNN-LSTM模型相较于LSTM模型其均方误差和均方根误差分别减小了0.0075和0.033,同时减小了拟合误差,提高了预测的可靠性。

基于粒子群优化混合神经网络的船舶辅锅炉故障诊断

为适应智能船舶辅锅炉故障诊断智能化的新要求,提高船舶辅锅炉故障诊断的效率与准确率,采用神经网络对船舶辅锅炉故障进行诊断研究。将自组织特征映射神经网络和BP神经网络串联结合组成混合神经网络诊断模型来解决单一神经网络诊断模型存在的局限性。同时针对混合神经网络诊断模型中初始连接权值和节点阈值设置存在的缺陷,采用粒子群算法对混合神经网络诊断模型进行优化。选取阿法拉伐船用D型水管锅炉为研究对象,以DMS-VLCC型轮机模拟器中的船舶辅锅炉运行数据为试验数据来源,应用单一BP神经网络、混合神经网络和经粒子群优化的混合神经网络构建辅锅炉故障诊断模型并进行了试验对比研究。结果表明基于粒子群优化的混合神经网络诊断模型的诊断性能明显优于未优化混合神经网络和单一BP神经网络诊断模型,可为船舶辅锅炉的智能故障诊断提供一种新思路。