留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于深度信念网络的船舶柴油机智能故障诊断

仲国强 贾宝柱 肖峰 王怀宇

仲国强, 贾宝柱, 肖峰, 王怀宇. 基于深度信念网络的船舶柴油机智能故障诊断[J]. 中国舰船研究, 2020, 15(3): 136-142,184. doi: 10.19693/j.issn.1673-3185.01551
引用本文: 仲国强, 贾宝柱, 肖峰, 王怀宇. 基于深度信念网络的船舶柴油机智能故障诊断[J]. 中国舰船研究, 2020, 15(3): 136-142,184. doi: 10.19693/j.issn.1673-3185.01551
ZHONG Guoqiang, JIA Baozhu, XIAO Feng, WANG Huaiyu. Intelligent fault diagnosis of marine diesel engine based on deep belief network[J]. Chinese Journal of Ship Research, 2020, 15(3): 136-142,184. doi: 10.19693/j.issn.1673-3185.01551
Citation: ZHONG Guoqiang, JIA Baozhu, XIAO Feng, WANG Huaiyu. Intelligent fault diagnosis of marine diesel engine based on deep belief network[J]. Chinese Journal of Ship Research, 2020, 15(3): 136-142,184. doi: 10.19693/j.issn.1673-3185.01551

基于深度信念网络的船舶柴油机智能故障诊断

doi: 10.19693/j.issn.1673-3185.01551
基金项目: 国家自然科学基金资助项目(83114032)
详细信息
    作者简介:

    仲国强,男,1994年生,硕士生。研究方向:故障诊断。E-mail:1843204521@qq.com;肖峰,男,1994年生,硕士生。研究方向:故障诊断。E-mail:512780808@qq.com;王怀宇,男,1994年生,硕士生。研究方向:船舶柴油机建模仿真。E-mail:nepu2017@126.com

    通讯作者:

    贾宝柱,男,1974年生,博士,副教授。研究方向:轮机自动化与智能化。E-mail:skysky@dlmu.edu.cn

  • 中图分类号: U664.121

Intelligent fault diagnosis of marine diesel engine based on deep belief network

Funds:  
  • 摘要: [目的] 为了提高船舶柴油机智能故障诊断的精度,引入深度学习方法,提出一种基于深度信念网络(DBN)的船用柴油机智能故障诊断方法。 [方法] 采用多层限制性玻尔兹曼机(RBM)堆叠成DBN,并采用对比散度方法对模型参数进行求解。通过无监督预训练和有监督微调的训练方法,从故障样本数据中提取深层次的隐性特征并获得较好的初始化参数。 [结果] 基于AVL BOOST船舶柴油机故障仿真实验进行样本数据分析,结果表明:DBN对训练样本集和测试样本集的故障识别率分别为98.26%和98.61%,比BP神经网络(BPNN)和支持向量机(SVM)具有更高的故障识别准确率和更好的泛化性能,可以避免浅层神经网络因随机初始化权值而陷入局部最小值和精度较低等问题。 [结论] 与BPNN和SVM相比,DBN更适用于船舶柴油机的智能故障诊断应用。
  • [1] 裴大茗,王建峰,周鹏太,等. 船舶PHM技术综述[J]. 电子测量与仪器学报, 2016, 30(9):1289-1297. PEI D M,WANG J F,ZHOU P T,et al. Survey on PHM technology in marine system[J]. Journal of Electronic Measurement and Instrumentation, 2016, 30(9):1289-1297(in Chinese).
    [2] 贾宝柱,贾志涛,赵祥. 基于信息融合的船舶中央冷却系统运行状态评估[J]. 大连海事大学学报, 2017,43(4):89-96. JIA B Z,JIA Z T,ZHAO X. Operating condition evaluation of ship central cooling system based on information fusion[J]. Journal of Dalian Maritime University, 2017,43(4):89-96(in Chinese).
    [3] 贺立敏,王岘昕,韩冰. 基于随机森林和支持向量机的船舶柴油机故障诊断[J]. 中国航海,2017,40(2):29-33. HE L M,WANG X X,HAN B. Fault diagnosis of marine diesel engine based on random forest and support vector machine[J]. Navigation of China,2017,40(2):29-33(in Chinese).
    [4] ZHANG J H,LIU Y. Application of complete ensemble intrinsic time-scale decomposition and leastsquare SVM optimized using hybrid DE and PSO to fault diagnosis of diesel engines[J]. Frontiers of Information Technology & Electronic Engineering,2017, 18(2):272-286.
    [5] XI W K,LI Z X,TIAN Z,et al. A feature extraction and visualization method for fault detection of marine diesel engines[J]. Measurement, 2018, 116:429-437.
    [6] 雷亚国,贾峰,孔德同,等. 大数据下机械智能故障诊断的机遇与挑战[J]. 机械工程学报,2018,54(5):94-104. LEI Y G,JIA F,KONG D T,et al. Opportunities and challenges of machinery intelligent fault diagnosis in big data era[J]. Journal of Mechanical Engineering, 2018,54(5):94-104(in Chinese).
    [7] TAMILSELVAN P,WANG P F. Failure diagnosis using deep belief learning based health state classification[J]. Reliability Engineering & System Safety,2013, 115:124-135.
    [8] 车畅畅,王华伟,倪晓梅,等. 基于深度学习的航空发动机故障融合诊断[J]. 北京航空航天大学学报, 2018,44(3):621-628. CHE C C,WANG H W,NI X M,et al. Fault fusion diagnosis of aero-engine based on deep learning[J]. Journal of Beijing University of Aeronautics and Astronautics,2018,44(3):621-628(in Chinese).
    [9] 李本威,林学森,杨欣毅,等. 深度置信网络在发动机气路部件性能衰退故障诊断中的应用研究[J]. 推进技术,2016,37(11):2173-2180. LI B W,LIN X S,YANG X Y,et al. Research on application of deep belief networks on engine gas path component performance degradation defect diagnostics[J]. Journal of Propulsion Technology, 2016, 37(11):2173-2180(in Chinese).
    [10] 贾继德,贾翔宇,梅检民,等. 基于小波与深度置信网络的柴油机失火故障诊断[J]. 汽车工程, 2018,40(7):838-843. JIA J D,JIA X Y,MEI J M,et al. Misfire fault diagnosis of diesel engine based on wavelet and deep belief network[J]. Automotive Engineering,2018,40(7):838-843(in Chinese).
    [11] 李军亮,滕克难,夏菲. 基于深度学习的军用飞机部件状态参数预测[J]. 振动与冲击,2018,37(6):61-67,85. LI J L,TENG K N,XIA F. Military aircraft components state parameters prediction using the deep belief learning[J]. Journal of Vibration and Shock, 2018,37(6):61-67,85(in Chinese).
    [12] HINTON G E. A practical guide to training restricted Boltzmann machines[M]//MONTAVON G,ORR G B,MULLER K R. Neural networks:tricks of the trade.[S.l.:s.n.],2012:599-619.
    [13] HINTON G E,OSINDERO S, TEH Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation,2006,18(7):1527-1554.
    [14] 王忠巍,袁志国,马修真,等. 一种不依赖特征样本的柴油机故障诊断方法研究[J]. 哈尔滨工程大学学报,2017,38(6):881-886. WANG Z W,YUAN Z G,MA X Z,et al. A diesel engine fault diagnosis method independent of feature samples[J]. Journal of Harbin Engineering University,2017,38(6):881-886(in Chinese).
    [15] RUBIO J A P,VERA G F,GRAU J H,et al. Marine diesel engine failure simulator based on thermodynamic model[J]. Applied Thermal Engineering,2018, 144:982-995.
  • [1] 赵志强, 张嘉锐, 罗炽恒, 贾宝柱, 安连彤.  基于AVL BOOST的船用柴油机典型故障仿真及其数据分析 . 中国舰船研究, 2021, 16(2): 1-7. doi: 10.19693/j.issn.1673-3185.01883
    [2] 祝亢, 黄珍, 王绪明.  基于深度强化学习的智能船舶航迹跟踪控制 . 中国舰船研究, 2021, 16(1): 105-113. doi: 10.19693/j.issn.1673-3185.01940
    [3] 王瑞涵, 陈辉, 管聪.  基于机器学习的船舶机舱设备状态监测方法 . 中国舰船研究, 2021, 16(1): 158-166, 192. doi: 10.19693/j.issn.1673-3185.02150
    [4] 窦雨芮, 周其斗, 纪刚, 刘文玺.  声速剖面主导的浅海声传播最佳深度规律研究 . 中国舰船研究, 2020, 15(5): 102-113. doi: 10.19693/j.issn.1673-3185.01659
    [5] 杨露, 王芳, 王雾雾, 王旻琦, 张学忠.  大深度载人舱长期寿命评估中的影响因素 . 中国舰船研究, 2019, 14(Supp 2): 39-46. doi: 10.19693/j.issn.1673-3185.01481
    [6] 窦雨芮, 周其斗, 谭路, 纪刚.  基于简正波模型的浅海最佳频率的深度特性仿真研究 . 中国舰船研究, 2019, 14(Supp 1): 90-98. doi: 10.19693/j.issn.1673-3185.01620
    [7] 唐斯密, 李铣镔.  柴油机水下排气红外抑制仿真及试验研究 . 中国舰船研究, 2019, 14(4): 98-103. doi: 10.19693/j.issn.1673-3185.01375
    [8] 胡云飞, 周瑞平, 徐勇, 祝泽强.  MTU柴油机推进轴系的联轴器匹配研究及扭振特性预报 . 中国舰船研究, 2019, 14(4): 120-127. doi: 10.19693/j.issn.1673-3185.01244
    [9] 王振, 吴炜, 杨先勇, 安一峰, 刘元春.  柴油机舷侧排气喷淋流动及传热模拟 . 中国舰船研究, 2019, 14(5): 36-41. doi: 10.19693/j.issn.1673-3185.01458
    [10] 张美兰, 刘琳琳.  基于机器学习算法的船舶结构强度分析 . 中国舰船研究, 2019, 14(Supp 1): 151-157. doi: 10.19693/j.issn.1673-3185.01647
    [11] 李本钶, 黄冰阳, 李艳华, 聂富成, 叶晓明.  某船用柴油机排气管路流动分析及均匀性评估 . 中国舰船研究, 2019, 14(5): 77-84. doi: 10.19693/j.issn.1673-3185.01404
    [12] 李方玉, 胡以怀, 王欣, 蒋佳炜.  船用二冲程柴油机的性能故障模拟及分析 . 中国舰船研究, 2019, 14(Supp 1): 41-46,52. doi: 10.19693/j.issn.1673-3185.01698
    [13] 徐超, 刘刚, 徐国华, 李逢园, 翟云峰.  基于泵控液压舵机的潜艇深度及纵倾控制 . 中国舰船研究, 2017, 12(2): 116-123. doi: 10.3969/j.issn.1673-3185.2017.02.015
    [14] 李天匀, 江丰, 叶文兵, 朱翔.  有限浸没深度无限长圆柱壳辐射声场波动特性 . 中国舰船研究, 2013, 8(1): 73-79. doi: 10.3969/j.issn.1673-3185.2013.01.011
    [15] 陈奇, 蔡龙奇, 李晓茜, 张博, 李玩幽.  短路故障时柴油发电机组隔振系统响应分析 . 中国舰船研究, 2013, 8(3): 66-72. doi: 10.3969/j.issn.1673-3185.2013.03.013
    [16] 张安明, 李玉生, 王伟.  船用柴油机组调速系统仿真研究 . 中国舰船研究, 2011, 6(4): 92-95. doi: 10.3969/j.issn.1673-3185.2011.04.020
    [17] 陈涛, 胡霖, 黎南.  船用柴油机排气冷却消声器流体与消声特性 . 中国舰船研究, 2010, 5(4): 47-51,60. doi: 10.3969/j.issn.1673-3185.2010.04.011
    [18] 欧阳光耀, 高洪滨, 汪玉, 黄映云, 邹开凤.  舰用柴油机抗冲击评估研究概述 . 中国舰船研究, 2009, 4(2): 1-6. doi: 10.3969/j.issn.1673-3185.2009.02.001
    [19] 王学杰, 贺国, 陈连树.  基于二叉树的某型船柴油机控制系统故障诊断专家系统 . 中国舰船研究, 2009, 4(06): 34-37. doi: 10.3969/j.issn.1673-3185.2009.06.008
    [20] 吴广明, 梅永娟, 朱新进, 郑新元.  某柴油机基座结构抗冲击计算 . 中国舰船研究, 2006, 1(4): 41-43,61. doi: 10.3969/j.issn.1673-3185.2006.04.009
  • 加载中
计量
  • 文章访问数:  21
  • HTML全文浏览量:  3
  • PDF下载量:  58
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-03-25
  • 修回日期:  2019-06-11
  • 刊出日期:  2020-06-05

基于深度信念网络的船舶柴油机智能故障诊断

doi: 10.19693/j.issn.1673-3185.01551
    基金项目:  国家自然科学基金资助项目(83114032)
    作者简介:

    仲国强,男,1994年生,硕士生。研究方向:故障诊断。E-mail:1843204521@qq.com;肖峰,男,1994年生,硕士生。研究方向:故障诊断。E-mail:512780808@qq.com;王怀宇,男,1994年生,硕士生。研究方向:船舶柴油机建模仿真。E-mail:nepu2017@126.com

    通讯作者: 贾宝柱,男,1974年生,博士,副教授。研究方向:轮机自动化与智能化。E-mail:skysky@dlmu.edu.cn
  • 中图分类号: U664.121

摘要: [目的] 为了提高船舶柴油机智能故障诊断的精度,引入深度学习方法,提出一种基于深度信念网络(DBN)的船用柴油机智能故障诊断方法。 [方法] 采用多层限制性玻尔兹曼机(RBM)堆叠成DBN,并采用对比散度方法对模型参数进行求解。通过无监督预训练和有监督微调的训练方法,从故障样本数据中提取深层次的隐性特征并获得较好的初始化参数。 [结果] 基于AVL BOOST船舶柴油机故障仿真实验进行样本数据分析,结果表明:DBN对训练样本集和测试样本集的故障识别率分别为98.26%和98.61%,比BP神经网络(BPNN)和支持向量机(SVM)具有更高的故障识别准确率和更好的泛化性能,可以避免浅层神经网络因随机初始化权值而陷入局部最小值和精度较低等问题。 [结论] 与BPNN和SVM相比,DBN更适用于船舶柴油机的智能故障诊断应用。

English Abstract

仲国强, 贾宝柱, 肖峰, 王怀宇. 基于深度信念网络的船舶柴油机智能故障诊断[J]. 中国舰船研究, 2020, 15(3): 136-142,184. doi: 10.19693/j.issn.1673-3185.01551
引用本文: 仲国强, 贾宝柱, 肖峰, 王怀宇. 基于深度信念网络的船舶柴油机智能故障诊断[J]. 中国舰船研究, 2020, 15(3): 136-142,184. doi: 10.19693/j.issn.1673-3185.01551
ZHONG Guoqiang, JIA Baozhu, XIAO Feng, WANG Huaiyu. Intelligent fault diagnosis of marine diesel engine based on deep belief network[J]. Chinese Journal of Ship Research, 2020, 15(3): 136-142,184. doi: 10.19693/j.issn.1673-3185.01551
Citation: ZHONG Guoqiang, JIA Baozhu, XIAO Feng, WANG Huaiyu. Intelligent fault diagnosis of marine diesel engine based on deep belief network[J]. Chinese Journal of Ship Research, 2020, 15(3): 136-142,184. doi: 10.19693/j.issn.1673-3185.01551
参考文献 (15)

目录

    /

    返回文章
    返回