论文部分内容阅读
船舶设备检修是保障船舶安全可靠运行的关键所在。在传统的检修作业中,轮机员根据船舶系统及其设备的运行状态便可做出准确的判断。然而随着船舶自动化和智能化水平的提高,对于船舶设备的检修,仅依靠经验判断已经难以解决问题。为了保障船舶的航行安全、提高设备使用寿命、减轻轮机员的工作负荷,需要合理制定视情维修计划。本文以大连海事大学教学实习船“育鲲”轮海水冷却系统为研究对象,运用故障识别、参数预测和状态评估方法,建立了完整的船舶海水冷却系统状态预测模型。该模型主要由三个子模型构成:故障识别模型、参数预测模型和状态评估模型。故障识别模型是基于对“育鲲”轮海水冷却系统工作原理及其典型故障的分析,设计了具体的RBF神经网络故障识别流程及网络结构,采用多种状态下的船舶海水冷却系统状态参数对网络进行训练,并用测试集验证了 RBF神经网络故障识别模型的准确性。参数预测模型采用时间序列ARIMA预测模型对海水冷却系统状态参数进行初步预测,为解决模型差分导致信息丢失以及单一模型的不稳定性等问题,同时引入了加权马尔可夫链预测模型对ARIMA模型从残差修正的角度进行优化。通过对采集的海水冷却系统历史数据进行预测,并将预测结果与真实数据进行对比验证,结果表明该优化模型的预测精度明显提高,且精度达到预测要求。状态评估模型采用了 AHP-FUZZY综合评判法对系统状态进行评估。用层次分析法计算海水冷却系统评价因素的权重,待层次单排序及一致性检验和层次总排序及一致性检验通过后,将其作为模糊综合评判评价因素集的权重向量,实现对船舶主海水系统运行健康状态的评估。对建立的船舶海水冷却系统状态预测模型进行实例分析,将采集的海水冷却系统状态参数序列输入模型中,按照搭建的船舶海水冷却系统状态预测模型工作流程进行实验,将实验结果与真实数据及系统的实际工作状态进行对比,结果表明该状态预测模型切实准确有效。本文研究的创新点在于把故障识别、参数预测和状态评估三个方法合理的组合,在参数预测的基础上将故障识别与状态评估结合,改善了识别结果的绝对性,得到了更为直观且更具有指导意义的结果,实现了对系统状态的有效预测。