英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料
基于机器学习、融合多个数据驱动模型的船用柴油机磨损故障诊断方式
摘要：磨损故障是造成船用柴油机损坏的主要原因之一，机械磨损会严重影响船舶安全。通过利用发动机运转过程中所产生的数据，基于机器学习的磨损故障诊断模型可以帮助工程师正确确定故障模式并迅速采取行动，避免发生严重事故。为了更准确地识别磨损故障，本文提出了一种基于证据推理（ER）规则的多模型融合系统。人工神经网络（ANN）模型、基于信念规则的模型推理（BRB）模型和ER规则模型，三种数据输出驱动模型相互融合，为结论产生提供证据。在本文中，融合系统为每个模型定义了可靠性和重要性权重。提出了一种通过考虑每个模型的准确性和稳定性的新的方法来确定证据的可靠性。重要性权重通过遗传算法进行优化以改善融合系统的性能。提出的基于机器学习的诊断系统通过从运行中的船用柴油机中获取的一组真实样本进行检验。实验结果表明，该系统更加准确、安全，提高了容错能力。与单数据驱动的诊断模型相比，具有明显的优势。
copy; 2019 Elsevier B.V.保留所有权利
Machine learning-based wear fault diagnosis for marine diesel engine by fusing multiple data-driven models
Xiaojian Xua,Zhuangzhuang Zhaoa,Xiaobin Xua,Jianbo Yanga,lowast;,Leilei Changa,Xinping Yanb ,Guodong Wangc
a School of Automation, Hangzhou Dianzi University, Hangzhou 310018, Zhejiang, China
b National Engineering Research Center for Water Transport Safety, Wuhan University of Technology, Wuhan 430063, Hubei, China
c Institute of Computer Engineering, Vienna University of Technology, Vienna, DE0364, Austria
Abstract:Wear fault is one of the dominant causes for marine diesel engine damage which significantly influences ship safety. By taking full advantage of the data generated in engine operation, machine learning-based wear fault diagnostic model can help engineers to determine fault modes correctly and take quick action to avoid severe accidents. To identify wear faults more accurately, a multimodel fusion system based on evidential reasoning (ER) rule is proposed in this paper. The outputs of three data-driven models including an artificial neural network (ANN) model, a belief rule-based inference (BRB) model, and an ER rule model are used as pieces of evidence to be fused in decision level. In this paper, the fusion system defines reliability and importance weight of every single model respectively. A novel method is presented to determine the reliability of evidence by considering the accuracy and stability of every single model. The importance weight is optimized by genetic algorithm to improve the performance of the fusion system. The proposed machine learning-based diagnostic system is validated by a set of real samples acquired from marine diesel engines in operation. The test results show that the system is more accurate and robust, and the fault tolerant ability is improved remarkably compared with every single data-driven diagnostic model.
copy; 2019 Elsevier B.V. All rights reserved.
1.概述
目前，世界上大多数船舶都是由船用柴油机推动，船用柴油机的可靠性对船舶安全性与经济性具有重大影响。 瑞典人俱乐部发表的8202400报告指出，2012-2014年间，由主机损坏而引起的船舶机械索赔占索赔总额的34.4％，总计超过2100万美元[1]。 此外，船用柴油机由许多摩擦系统组成，例如气缸套活塞环系统，主轴承系统与几乎50％的发动机故障是由摩擦副的异常磨损所引起[2]。 因此，对船用柴油机的磨损故障诊断方式进行研究是提高引擎可靠性的必要条件。
船用柴油机的健康状况一般通过状态监测方法进行监测，包括性能参数监测，振动监测和机油监测。由于可以从磨损润滑油的颗粒中提取到很多摩擦学信息，与其他状态监测方法相比，机油监测在磨损故障诊断中表现得尤其出色。 此外，船用柴油机可以在不受干扰且不改变发动机结构的同时对发动机的运行状态进行监测。通常，机油监测包括对润滑油的磨损颗粒数量分析、形态分析和理化性质分析，提供在磨损故障模式与机制识别中所需要的信息[3]。
考虑到磨损故障的机理和摩擦学信息的获取方法，可以发现船用柴油机磨损故障诊断中存在一些问题。具体来说，磨损故障之间复杂的非线性关系与故障模式很难套用准确的物理模型。另外，大多数可以反映磨损状态的数据也没有得到很好的使用，并且这些数据通常是不准确、不完整的。除了上述两个问题外，工程实际运行还要求高可靠性，因此工程师们应该尽快处理磨损故障。幸运的是，基于机器学习的方法为解决上述问题提供了一种行之有效的解决方案。
与常规的手动维护（纠正性维护和预防性维护）相比，基于机器学习的故障诊断技术是一种敏感的，更为便宜、高效的磨损解决方案。磨损故障诊断实际上是一个决策问题。通过使用人工智能算法，基于机器学习的模型可以分析在发动机运行过程中观测到的，以及领域知识内生成的大量数据，并开发了可用作代表故障特征和故障模式之间非线性关系的决策模型。这些决策模型可以推导出特定应用对象的数据和知识，并帮助工程师找出故障原因，识别故障模式，评估故障严重性等。基于机器学习的诊断模型不仅可以解决有关磨损故障诊断的诸多问题，它在决策方面也具有很多优势。首先，基于机器学习的诊断实现了人机协作决策而非人为决策，因此基于机器学习的诊断模型具有使用定性信息、定量信息等多源信息的更好优势。其次，基于机器学习的数据处理方式提高了数据的利用率。更多对决策者进行决策有帮助的隐藏的信息被挖掘，决策者可以通过诊断模型的反馈丰富自己的领域知识。另外，许多决策问题变得自动化和智能化，因此决策的效率和准确性明显改善。总之，很多事故是由可以避免的错误决定或延迟决定所导致的。最后，基于机器学习的诊断模型可以通过优化算法和历史数据进行微调，以提供最佳决策。
在基于机器学习的磨损故障诊断系统中，当磨损故障模式或机制作为输出信号时，可以通过对润滑油进行监测获取摩擦学信息。通过数据驱动算法模拟非线性输入和输出之间的关系。如何选择合适的算法来处理不确定、不完善的摩擦学信息，以及建立摩擦信息以及磨损方式间多对多的映射关系是在设计基于机器学习的磨损故障诊断系统时的重要问题。目前大部分磨损故障诊断系统通常使用一种单一的智能算法。但是，不同的算法有自己的优点和缺点。仅使用单一的算法，故障诊断模型的安全性和容错能力是相当有限。因此，诊断系统如何将不同诊断方法进行融合，从而利用多种优势，值得深究。
为了提高磨损故障诊断模型的性能，本文提出了一种在决策层通过ER规则将不同的故障诊断模型进行融合的新方法。我们根据先前的研究专门开发了三种船用柴油机专用的磨损故障诊断模型：双层BRB（BBRB）模型，双层ANN（BANN）模型，ER规则模型 [4,5]。值得注意的是，在通过ER规则对三种诊断模型进行融合的过程中，每个模型的可靠性和重要性都被单独考虑。此外，为了确定每个模型可靠性因子，建议采取同时考虑模型准确性和模型稳定性的新方案。为了提高故障诊断决策层融合后的准确性，需要应用遗传算法修改每个模型的重要性权重。本文新开发的模型可应用于船用柴油机的磨损故障类型识别，并有真实的数据样本佐证。
本文的主要贡献如下。首先，本文提供了决策层融合模型来克服三种数据驱动的诊断模型各自的缺点，这有助于我们进一步提高磨损故障诊断模型的性能，尤其是模型的稳定性和容错能力。其次，每个模型的固有属性（即可靠性）和主观属性（即重要性权重）在多模型融合过程中表现出色。最后，模型同时使用准确性和稳定性来保证每个模型的可靠性，这使得模型得以全面，合理地进行评估。
在的其余部分安排如下。在第2节中，我们讨论了磨损故障智能诊断的相关工作，多模型融合和ER规则。在第3节中，分析船用柴油机的磨损故障并在数值上规定了磨损故障诊断的相关问题。在第4节中，建立了基于ER规则的决策层融合故障诊断模型。在第5节中，进行了一项用以描述如何将融合模型应用于磨损故障诊断的计算研究。在第6节中，讨论了一系列实验的结果。最后，在第7节中，我们将给出结论。
2.文献综述
2.1智能磨损故障诊断模型
磨损故障诊断模型主要基于统计分析，数学-物理模型和智能算法。在这些磨损故障诊断模型中，智能磨损故障诊断模型被广泛研究。通过使用人工智能算法，可以将智能故障诊断与通过状态监测系统所获得的信息相结合。
在用于磨损故障诊断的各种智能方法中，传统的基于规则的专家系统是最早开发的智能模型之一。在早期阶段，研究主要集中在磨损故障诊断专家系统的开发上，Katsoulakos和Autar通过从专家领域知识中提取IF-THEN规则以识别发动机磨损故障来构建专家系统[6,7]。之后，越来越多的研究集中在专家系统的优化以及与其他算法的集成上，例如神经网络与专家系统的结合，以及模糊推理与专家系统的结合[8,9]。尽管基于专家系统的磨损故障诊断过程快速简便，但是诊断模型的性能受到专家领域知识的高度限制。如今，大多数磨损故障诊断模型都是基于数据驱动算法开发的，因为它们具有强大的计算能力，非线性映射能力和自学习能力，可以解决专家系统中的问题.ANN是各种智能算法中最具代表性的方法。到目前为止，BP神经网络仍然是磨损故障诊断中使用最广泛的神经网络。 Basurko开发了一种基于BP神经网络的维护系统来监控中速柴油机的健康状况，而Guo和Yuan则开发了BP神经网络来检测缸套活塞环的异常磨损[10,11]。但是，通常很难确定BP神经网络的结构，并且算法收敛缓慢。为了解决这些问题，在发动机故障诊断中开发了其他种类的ANN模型，例如RBF神经网络，概率神经网络和模糊神经网络[12-14]。此外，在故障诊断中还使用了其他数据驱动的方法，例如支持向量机（SVM），模糊c均值聚类和贝叶斯网络[15-17]。需要说明的是，数据驱动的方法通常对数据集的大小和质量有很高的要求，数据样本的变化会明显影响诊断模型的性能。 BRB推理方法是一种逐渐应用于机械故障诊断的新方法。与其他方法相比，它可以同时使用定量和定性信息。而且，推理过程是透明的和可解释的。目前，徐已应用BRB来识别船用柴油机的不同磨损模式，并找出处于异常磨损状态的零件[4,18]。诊断结果表明，BRB故障诊断模型在船用柴油机上表现出出色性能是有希望的。
综上所述，柴油机磨损故障诊断中采用了多种智能方法。但是，每种智能算法都有其特有的应用领域。特别地，具体来说，领域知识的有限性是限制基于专家系统的传统规则的瓶颈，并且缺乏灵活性，因为专家系统无法从实际的操作数据中学习并对诊断系统进行修改。数据驱动的模型是在大量数据的基础上开发的，因此，数据质量会严重影响这些模型的性能。另外，大多数数据驱动
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[237883]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
