机舱管网系统状态预测方法研究.pdf

摘要

伴随着信息化与智能化技术在工业领域的发展，如今各领域对系统的自动化程度

要求也越来越高。作为对外贸易运输的主要途径船舶运输，自然就需要不断提高各系

统的智能化水平。由于船舶工作环境的特殊性，远离陆地，无法及时进行全面的检修

工作，因此在船舶各系统的状态将要发生变化时能够提供准确的故障预报，避免故障

发生显得尤为重要。本文就针对船舶的机舱管网系统进行了深入研究，结合典型故障

以及采集的历史数据集运用相关技术建立了机舱管网系统的状态预测模型。

首先对国内外船舶故障预测技术进行了分析，发现存在数据挖掘不充分，在线诊

断能力弱的问题，提出了一种新的研究思路。其次针对机舱管网系统进行详细介绍，

并以本文的研究对象海水管网系统的组成部分，工作原理进行了深入分析，同时利用

采集的主要状态参数作为时序数据集进行趋势预测。在建立预测模型时，主要采用了

最优变分模态分解方法对时序数据进行有效分解，充分挖掘数据的内涵特征，再利用

麻雀搜索算法对最小二乘支持向量机的关键参数进行优化处理，将上述三种方法各自

的特点充分结合并加以利用，建立了组合预测模型，从而完善了单一预测模型存在的

不足。通过与其它几种方法进行比较，验证了组合模型具有最高的预测精准度。在研

究故障诊断方法时采用遗传算法对极限学习机的分类性能进行优化，并根据研究对象

的典型故障以及采集的故障数据集建立了故障诊断模型，将诊断结果进行对比分析，

证实了优化后的模型对故障识别的能力以及稳定性都得到了进一步的提升。最后将上

述的两种模型结合在一起，设计了机舱管网系统故障预测软件，并添加了常见故障的

发生原因和解决措施作为技术库，方便指导轮机工作人员进行操作，进而有效的避免

故障发生。

本文所提出的创新点在于把状态参数预测模型和诊断模型有效的结合起来，利用

诊断模型对预测值进行识别，实现了故障预测的功能。经过实例验证分析，表明了本

文所用方法符合实际情况，在该领域具有一定的研究价值。

关键词：故障预测；机舱管网系统；变分模态分解；神经网络；遗传算法

ResearchonStatePredictionMethodofEngineRoomPipe

NetworkSystem

Abstract

Withthedevelopmentofinformationandintelligenttechnologyintheindustrialfield,the

requirementsforthedegreeofautomationofthesysteminvariousfieldsarebecominghigher

andhigher.Asthemainwayofforeigntradetransportation,shiptransportationnaturallyneeds

tocontinuouslyimprovetheintelligentlevelofeachsystem.Duetotheparticularityofthe

shipsworkingenvironment,itisfarfromthelandandcannotcarryoutcomprehensive

maintenanceintime.Therefore,itisparticularlyimportanttoprovideaccuratefaultprediction

andavoidfaultswhenthestateofeachsystemoftheshipisabouttochange.Inthispaper,the

engineroompipenetworksystemoftheshipisdeeplystudied.Combinedwiththetypicalfaults

andthecollectedhistoricaldataset,thestatepredictionmodeloftheeng