在数字化技术高速发展的新时期，我国船舶行业进入高度智能化发展阶段。电力推进系统是电力推进船舶的核心设备，其结构及工作原理复杂、工作环境恶劣，船舶电力推进系统的健康稳定运行对于保证船舶可靠性有着重要意义。若能实时监测船舶电力推进系统运行状态，对系统的故障准确识别及定位能够很大程度提高船舶运行效率和可靠性。人工智能算法能够高效、准确的提取到数据特征，并进行准确分类，在提升故障诊断效率的同时，也提升了故障诊断精度。因此，利用人工智能算法实现船舶运行状态的智能诊断是一个重要的研究方向。
本文以某邮轮电力推进系统为原型，建立电力推进系统的正常工况及典型故障工况的Simulink仿真模型，基于故障仿真数据，采用机器学习算法搭建故障诊断模型，对其故障进行识别并分类。概括本文的主要研究工作如下：
（1）船舶电力推进系统模型搭建。建立柴油机发电机及其控制系统的数学模型、Simulink仿真模型，并搭建柴油发电机的直流负载电路的仿真模型，验证柴油发电机动态响应能力。搭建三相永磁同步电机各坐标系下的数学模型,建立基于励磁电流控制的矢量控制仿真模型。整合各设备搭建船舶电力推进系统仿真模型，并利用母型船数据验证模型准确性。
（2）船舶电力推进系统故障设置与仿真分析。在正常工况的模型基础上设置不同程度的电机定子绕组匝间短路、逆变器开路、电机相间短路、电机单相接地、螺旋桨缠绕故障，对故障模型进行仿真分析，并获取15种故障工况及额定工况下的仿真数据。
（3）基于EEMD能量熵的特征提取。对获取的三相电流、电磁转矩等九个参数分别进行集合经验模态分解（Ensemble Empirical mode Decomposition, EEMD），选择前三阶高频本征模态函数（Intrinsic Mode Function,IMF）分量并计算对应的EEMD能量熵值，从而得到能量熵特征向量集。为降低故障样本分类的计算量，提高分类准确率，利用奇异值分解（Singular Value Decomposition,SVD）算法对特征矩阵进行降维重构，获取新的低维敏感向量集，为后续故障分类提供数据支撑。
（4）基于黏菌算法优化的极限学习机故障诊断模型搭建。根据极限学习机（Extreme Learning Machine,ELM）原理搭建matlab平台下的故障诊断算法模型，对比分析ELM故障诊断模型的优势。针对随机设置ELM故障诊断模型输入层权值及隐含层阈值参数导致模型故障识别性能不稳定的问题，提出黏菌优化算法（Slime Mould Algorithm,SMA）对ELM故障诊断模型的输入层权值及隐含层的阈值寻优，通过分析诊断结果比较优化前后的故障诊断模型特点。结果表明，经SMA算法优化后的ELM故障诊断模型具有更高的分类准确率，验证了SMA-ELM故障诊断模型的有效性。并与传统优化算法优化的ELM故障诊断模型进行性能对比，进一步说明SMA-ELM故障诊断模型的优势。
谷歌
火狐
