[发明专利]一种船舶制冷系统故障诊断方法、装置及存储介质

说明书

本发明提供一种船舶制冷系统故障诊断方法、装置及存储介质。本发明方法，包括获取船舶制冷系统运行数据，对所述船舶制冷系统运行数据进行处理得到第一运行数据；对所述第一运行数据进行主成分分析，生成第二运行数据；针对第二行运行数据，通过搭建的故障诊断模型来进行状况分析预测；根据分析结果，利用优化的遗传算法训练调整故障诊断模型数据，得到最优故障诊断模型。本发明可以根据系统运行数据，有效分析系统运行趋势，提前预测设备性能状况，有助于及时发现和更正隐患缺点，不仅能达到节能增效减排的效果，而且可以避免较大事故的发生。

技术领域

本发明涉及船舶轮机工程技术领域，具体而言，尤其涉及一种船舶制冷系统故障诊断方法、装置及存储介质。

背景技术

随着船舶朝着大型化、专业化和智能化方向发展，对船舶设备的性能要求越来越高。船舶制冷系统作为重要的辅助设备，能够保障船舶的空气调节和伙食冷藏。但由于制冷系统内部结构复杂以及船舶工作环境多变，导致系统运行工况的不稳定及故障时有发生，降低了冷藏柜内食物的保鲜能力，导致船员生活舒适性降低，同时缩短设备的使用寿命，所以有必要研究性能更为优越的船舶制冷方法。故障诊断技术在制冷系统的应用相对其他领域起步较晚，常用的故障诊断方法主要有三类：基于定量物理模型的方法、基于定性物理模型的方法和基于运行数据的方法。其中基于运行数据的诊断方法不需要依赖于系统模型，通过对运行数据分析进行辨识，适用范围比较广，神经网络算法、支持向量机、概率神经网络等方法成为该领域比较热门的方法。

针对船舶制冷系统故障诊断问题，有学者提出了对BP神经网络在不同结构参数下的诊断性能进行研究，运用主成分分析法对特征变量进行降维，并与概率神经网络相结合的方案，该方法提高了制冷系统局部故障的识别效果，但是对于制冷剂泄漏、制冷剂不足等系统故障的诊断效果不佳。也有学者提出采用主成分分析方法对故障特征进行提取，针对BP算法模型在训练过程中容易陷入局部极小点的缺陷，采用遗传算法对BP网络的参数进行组合优化，并通过构造的故障论域作为数据集验证了GABP模型的识别精度，但该方法缺少采集制冷系统实际运行数据对优化后模型的诊断性能进行验证的过程，诊断结果不佳。

而针对制冷系统特征变量间的相关性问题，有学者提出了基于独立元分析(ICA)与最小二乘支持向量机(LS-SVM)相结合的方法，解决了数据间的非高斯性问题，但在实验研究中仅对冷凝器结垢、冷却水不足及制冷剂泄漏这三种故障进行了诊断测试。采取核主元分析(KICA)与LS-SVM相结合的方法，对地铁站冷水机组故障进行检测，取得了不错的效果，但是缺少对故障类型进行分类识别的能力。

发明内容

本发明提供一种船舶制冷系统故障诊断方法、装置及存储介质。目的在于解决现有船舶制冷系统高度复杂，系统运行数据间存在耦合特性、非线性及非高斯性，从而导致故障诊断结果不准确的问题。本发明根据采集到的船舶制冷系统运行数据，利用主成分分析与改进的遗传算法优化支持向量机的方法对船舶制冷系统进行故障预测和诊断，以提高船舶制冷系统的故障诊断正确率，缩短诊断时间。

一种船舶制冷系统故障诊断方法，包括：

获取船舶制冷系统运行数据，对所述船舶制冷系统运行数据进行处理得到第一运行数据；

对所述第一运行数据进行主成分分析，生成第二运行数据，所述第二运行数据的维数小于所述第一运行数据；

通过训练好的故障诊断模型对所述第二运行数据进行识别，得到故障诊断结果，所述故障诊断模型用于对所述第二运行数据进行分类，得到所述第二运行数据所属类别对应的故障名称，所述故障诊断结果包括所述第二运行数据所属类别对应的故障名称。

进一步地，所述故障诊断模型为支持向量机，所述支持向量机的惩罚因子和核参数通过遗传算法寻优获得。

进一步地，所述支持向量机的惩罚因子和核参数的寻优过程包括：

将所述支持向量机的惩罚因子和径向基核参数组成个体染色体；