基于1DCNN-LSTM船舶辅锅炉故障预测方法

摘要：

为适应船舶辅锅炉智能化的新要求,提高船舶辅锅炉故障预测的可靠性,采用深度学习方法对船舶辅锅炉进行故障预测研究.在长短时记忆(Long Short-Term Memory,LSTM)神经网络船舶辅锅炉故障预测模型的基础上,采用一维卷积神经网络(1-Dimensional Convolutional Neural Network,1DCNN)对船舶辅锅炉原始数据进行特征提取和初步分类,以解决LSTM模型在学习数据特征的局限性及对时序数据顺序的依赖性.选取阿法拉伐OS-TCI型船用燃油辅锅炉为研究对象,结合大连海事大学开发的DMS-CSS型轮机模拟器中的船舶辅锅炉仿真模块进行试验研究.采用实船采集的时间序列数据和模拟器采集的故障数据为试验数据来源,分别应用LSTM模型和1DCNN-LSTM模型构建船舶辅锅炉故障预测模型并进行了试验对比研究.试验结果表明:1DCNN-LSTM模型相较于LSTM模型其均方误差和均方根误差分别减小了0.007 5和0.033,同时减小了拟合误差,提高了预测的可靠性.

关键词：船舶辅锅炉、故障预测、一维卷积神经网络、长短时记忆神经网络

所属期刊栏目：46

分类号：TP277;U664.86(自动化技术及设备)

资助基金：辽宁省科学技术计划揭榜挂帅项目2022020637-JH1/108

在线出版日期：2023-07-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：135-143