作为能耗大户,船舶的节能环保研究直接关系到绿色船舶的发展。船舶制冷系统运行工况的不稳定及故障的时有发生,不仅会恶化舱室内空气的质量,损害冷藏柜内食物的保鲜,降低了船员生活的舒适性,还会浪费大量能源,缩短设备的使用年限,降低了此次航运的经济性。这显然不利于绿色船舶的发展,亟需一种切实有效的制冷系统故障诊断方法。随着大数据和人工智能的发展,相关研究学者多采用数据驱动的方法进行故障诊断研究,并取得了大量成果。然而大多数研究方法的信息来源单一,仅依据单一诊断模型对故障进行识别,具有片面性。借鉴于相关学者的研究经验,本文侧重于综合多个诊断模型进行制冷系统故障诊断研究,提出了一种基于信息融合的故障诊断研究方法。本文主要进行了以下几点工作:(1)研究了船舶制冷系统的运行原理,对制冷系统的理想循环和实际循环进行了热力学分析,对船舶制冷系统进行了故障分析,为后文的故障诊断奠定理论基础。(2)对信息融合技术进行了大量研究,确定了以信息融合层级理论中特征级融合和决策级融合为主体的系统框架。在特征级融合上,建立了多个局部诊断模型对同一信息进行分析,并把分析结果当成证据输入决策级融合;在决策级融合上,基于DS合成规则对各局部模型的输出证据进行融合,从而做出最后的决策。(3)基于实验样本,分别建立了 BP神经网络、支持向量机和概率神经网络三种分类模型,分析了各诊断模型的建模原理、识别机制,并对各模型进行初步的比较分析:之后利用遗传算法对三种模型进行参数优化,分析了各模型的优化原理,并对优化后的模型进行比较分析。(4)以优化后各模型为基础,将各模型输出结果作为证据体,并利用模型的误差函数或识别错误率赋予证据体概率分配函数,基于传统的DS证据合成规则对各组证据进行信息融合。(5)传统DS证据合成规则对证据高度冲突问题束手无策,本文提出基于证据距离的决策级加权融合方法,通过赋予各组证据体不同的影响·权重,对各组证据体有差别信任,从而进行更有效地融合决策。论文中所有建模过程均由MATLAB编程实现。经仿真测试,验证了本文方法的独特优势;整个诊断系统具有强大的容错能力和扩展性能,可以更准确有效地判断出故障类型,有利于船舶的节能环保和航运经济性,具有一定的工程实践意义。