船舶柴油机故障诊断方法、电子设备及存储介质

本发明涉及机械故障诊断，具体涉及一种船舶柴油机故障诊断方法、电子设备及存储介质。

背景技术：

1、柴油机作为船舶动力设备的核心，故障诊断是船舶领域中的一个关键问题，因为船舶柴油机的故障可能导致船舶在海上遇险，甚至引发环境污染。因此，开发有效的故障诊断方法对于确保船舶运行安全和环境保护至关重要。

2、在船舶柴油机故障诊断领域，传统的方法主要依赖于专家经验和规则库。然而依赖于专家经验通常需要依赖于经验丰富的专家来识别和解决故障，这限制了故障诊断的可靠性和普适性；基于规则库的方法可能难以涵盖所有可能的故障情况，尤其是在复杂的船舶柴油机系统中。

技术实现思路

1、为解决上述技术问题，本发明提供了一种船舶柴油机故障诊断方法、电子设备及存储介质，包括以下步骤：

2、步骤s1：采集柴油机故障信号和正常信号，并生成不平衡故障数据样本集；

3、步骤s2：构建pso-choa-elman神经网络：采用粒子群算法pso和混沌优化算法choa优化elman神经网络的结构和参数；

4、步骤s3：通过所述不平衡故障数据样本集对pso-choa-elman神经网络进行训练；

5、步骤s4：将待测数据输入训练后的pso-choa-elman神经网络，得到故障检测结果。

6、优选地，所述故障信号包括：单缸供油不足、喷油定时提前、喷油定时滞后、压气机故障、涡轮机故障和中冷器故障。

7、优选地，步骤s2中所述混沌优化算法choa采用黑猩猩优化算法。

8、优选地，步骤s2包括：初始化elman神经网络参数；将测试集精度设置为目标函数；初始化黑猩猩个体，计算每个黑猩猩个体的适应度值，记录前n个黑猩猩个体的位置；采用粒子群算法pso进行个体位置的更新；迭代达到最大迭代次数，得到elman神经网络的参数。

9、优选地，所述黑猩猩优化算法的收敛因子f通过以下公式进行计算：

10、

11、式中，t表示当前迭代次数，tmax表示最大迭代次数。

12、优选地，计算适应度值w的表达式为：

13、w＝0.5*tanh(-2π*t/max+π)+0.5*(w_max+w_min)；

14、式中，tanh表示非线性函数，t表示当前迭代次数，w_max和w_min分别为位置确定因子的上限值与下限值。

15、优选地，采用粒子群算法pso进行个体位置的更新的表达式为：

16、v(t+1)＝w*(v(t))+c1*r1*(x1-x(t))+…+c4*r4*(x4-x(t))；

17、x(t+1)＝x(t)+v(t)；

18、式中，r1,r2,r3,r4为粒子群算法的随机数，c1-c4分别为攻击黑猩猩、拦截黑猩猩、追逐黑猩猩和驱赶黑猩猩位置更新向量，x1、x2、x3和x4为其他黑猩猩位置向量，x(t)表示个体当前位置，v(t)表示个体当前速度。

19、优选地，所述不平衡故障数据样本集输入pso-choa-elman神经网络前通过以下公式进行归一化：

20、

21、式中，d表示数据样本原始值，dmax和dmin分别代表特征曲线的最大值和最小值，d代表预处理后的结果。

22、本发明还提供了一种电子设备，包括：存储器、处理器和计算机程序，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以上述的方法。

23、本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行以实现上述的方法。

24、本发明的有益效果至少包括：粒子群优化pso是一种优化算法，模拟鸟群觅食的行为，通过不断调整粒子的位置来寻找最优解。在船舶柴油机故障诊断中，pso可以用于优化神经网络的参数，以提高其性能和泛化能力。混沌优化算法是一种基于混沌理论的优化方法，具有收敛速度快、全局搜索能力强等优点。choa可以帮助提高神经网络的训练速度和稳定性。elman神经网络是一种具有反馈连接的前馈神经网络，特别适用于建模时序数据和动态系统。在船舶柴油机故障诊断中，elman神经网络可以捕捉故障信号之间的时序关系，提高故障诊断的准确性。

25、使用传统的神经网络需要手动设置许多参数，如神经元数量、学习率等。这些参数的选择对神经网络的性能和收敛速度有着重要影响。通过结合粒子群优化(pso)和混沌优化算法(choa)，该方法可以自动优化神经网络的参数，提高了模型的性能和泛化能力。

26、船舶柴油机的传感器数据通常是时序数据，包含了时间上的关联信息。传统的神经网络可能难以充分利用这种时序信息。引入elman神经网络作为模型的基础，可以有效地捕捉故障信号之间的时序关系，从而提高了故障诊断的准确性。

27、船舶柴油机是复杂的动态系统，其内部结构和工作原理较为复杂。传统的故障诊断方法可能无法充分理解和模拟这种复杂性。通过神经网络的非线性建模能力，结合pso和choa优化算法的全局搜索能力，可以更准确地对复杂系统进行建模和故障诊断。

技术特征：

1.一种船舶柴油机故障诊断方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种船舶柴油机故障诊断方法，其特征在于：所述故障信号包括：单缸供油不足、喷油定时提前、喷油定时滞后、压气机故障、涡轮机故障和中冷器故障。

3.根据权利要求1所述的一种船舶柴油机故障诊断方法，其特征在于：步骤s2中所述混沌优化算法choa采用黑猩猩优化算法。

4.根据权利要求3所述的一种船舶柴油机故障诊断方法，其特征在于：步骤s2包括：初始化elman神经网络参数；将测试集精度设置为目标函数；初始化黑猩猩个体，计算每个黑猩猩个体的适应度值，记录前n个黑猩猩个体的位置；采用粒子群算法pso进行个体位置的更新；迭代达到最大迭代次数，得到elman神经网络的参数。

5.根据权利要求4所述的一种船舶柴油机故障诊断方法，其特征在于：所述黑猩猩优化算法的收敛因子f通过以下公式进行计算：

6.根据权利要求4所述的一种船舶柴油机故障诊断方法，其特征在于：计算适应度值w的表达式为：

7.根据权利要求4所述的一种船舶柴油机故障诊断方法，其特征在于：采用粒子群算法pso进行个体位置的更新的表达式为：

8.根据权利要求1所述的一种船舶柴油机故障诊断方法，其特征在于：所述不平衡故障数据样本集输入pso-choa-elman神经网络前通过以下公式进行归一化：

9.一种电子设备，包括：存储器、处理器和计算机程序，其特征在于：所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现权利要求1～8任一项所述的方法。

10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行以实现权利要求1～8任一项所述的方法。

技术总结本发明提供了一种船舶柴油机故障诊断方法、电子设备及存储介质。采集柴油机故障信号和正常信号，并生成不平衡故障数据样本集；构建PSO‑CHOA‑Elman神经网络：采用粒子群算法PSO和混沌优化算法CHOA优化Elman神经网络的结构和参数；通过所述不平衡故障数据样本集对PSO‑CHOA‑Elman神经网络进行训练；将待测数据输入训练后的PSO‑CHOA‑Elman神经网络，得到故障检测结果。在面对不同类型的故障、不同工况下的船舶柴油机系统，都能够有较好的适应性。模型具有广泛的适用性，能够应对不同船舶柴油机的变化和复杂性。技术研发人员：尚前明,尹文海,杨志勇受保护的技术使用者：武汉理工大学技术研发日：技术公布日：2024/7/29