基于遗传神经网络和光谱分析的船舶机械状态监测研究

论文摘要

随着科技的发展,传统的维修模式已逐渐被“视情维修”所取代,而此维修模式的基础是对机械设备进行监测,只有建立在监测基础上的诊断才能避免盲目性,具有针对性,因此,建立在监测基础上,对机械设备磨损状态进行有效地预测具有十分重大的意义。油液光谱分析技术在船舶工业领域已得到广泛应用,已成为对船舶机械设备进行工况监测、故障诊断和故障预测的有效技术手段之一,它可以有效地检测出油液中的磨损性元素的含量,分析出油液的污染程度以及添加剂的状况。油液光谱数据包含两方面内容,一方面,由于磨损金属成分与对应的摩擦副材质相对应,所以可以利用光谱分析进行故障定位；另一方面,机械磨损状态是一个逐步发展的过程,因此可以利用光谱数据来进行机械设备磨损状态的预测,前者属于故障诊断范畴,后者属于状态监测范畴,本文所做的研究工作即为后者。利用油液光谱分析技术对船舶的运行状态进行监测,能尽早地发现故障或故障趋势,避免重大故障的发生,达到视情维修的目的,因此建立光谱数据预测模型有非常重要的意义。由于船舶运行工况复杂,其尾轴和主机的润滑油中磨损元素含量受诸多因素影响,用传统的方法难以预测其变化趋势。本文提出基于遗传神经网络的润滑油铁元素含量预测方法,并用MATLAB分别对6组油样进行建模分析,其中2组来自尾轴处滑油,4组来自主机系统油。首先对油液光谱历史数据建立时间序列,然后,基于BP神经网络建立预测模型,对铁元素含量进行预测,最后结合遗传算法对BP神经网络进行改进,使预测值的平均相对误差在可接受的范围内。通过实例分析,该方法能够满足船舶状态监测的需要。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题的目的和意义
• 1.2 目前国内外的研究现状
• 1.2.1 神经网络的研究现状
• 1.2.2 神经网络在油液光谱预测中的应用现状
• 1.3 论文内容
• 第2章 油液检测及光谱分析技术
• 2.1 油液检测技术发展现状
• 2.2 油液检测技术内容
• 2.2.1 油液检测技术的简介
• 2.2.2 油液检测技术的基本特征
• 2.2.3 油液检测技术的具体实施程序
• 2.3 光谱分析简介
• 2.4 小结
• 第3章 光谱分析数据的预测模型
• 3.1 传统光谱数据预测模型
• 3.1.1 时间序列预测模型
• 3.1.2 回归分析预测模型
• 3.1.3 灰色预测模型
• 3.1.4 组合预测模型
• 3.2 人工神经网络预测模型
• 3.3 小结
• 第4章 基于BP神经网络的光谱数据预测研究
• 4.1 神经网络的组成和基本原理
• 4.1.1 神经网络的基本组成
• 4.1.2 神经网络的基本原理
• 4.2 BP神经网络
• 4.2.1 BP神经网络模型
• 4.2.2 误差反传思想
• 4.2.3 消除样本输入顺序影响的改进算法
• 4.2.4 附加动量的改进算法
• 4.2.5 基于Levenberg-Marquardt法的改进算法
• 4.3 BP网络设计
• 4.3.1 MATLAB神经网络工具箱
• 4.3.2 BP网络的参数设计
• 4.4 实例分析
• 4.4.1 尾轴处润滑油光谱数据预测分析
• 4.4.2 主机系统油光谱数据预测分析
• 4.5 小结
• 第5章 基于遗传神经网络的光谱数据预测研究
• 5.1 遗传算法概论
• 5.2 遗传算法的实现
• 5.2.1 染色体编码技术
• 5.2.2 个体适应度函数
• 5.2.3 遗传操作
• 5.2.4 遗传算法实现步骤
• 5.3 MATLAB遗传算法工具箱
• 5.4 遗传神经网络应用研究
• 5.4.1 遗传神经网络在船舶尾轴处的应用
• 5.4.2 遗传神经网络在船舶主机系统油的应用
• 5.5 小结
• 第6章 结论与展望
• 参考文献
• 附录程序源代码
• 致谢
• 研究生履历