船舶柴油机是船舶机舱最关键的机械设备,它具有复杂的系统结构。若柴油机出现故障,将对船舶的航行安全造成严重影响。为了降低船舶柴油机故障带来的损失,需要依靠故障诊断技术进行及时可靠地诊断和维护。中国船级社(CCS)颁布的《智能船舶规范》对未来智能机舱的智能化故障诊断和状态监测技术指明了方向。传统的船舶柴油机故障诊断技术对专家经验依赖性大,可靠性低。基于数据驱动的故障诊断以设备的监测样本数据为基础,采用机器学习和人工智能算法进行诊断模型的训练和故障识别,避免了对专家经验的依赖。而依赖小样本学习的数据驱动方法无法从样本数据中学习复杂的映射关系,故障诊断精度和可靠性有待提高。深度学习方法能够从大量样本数据中获取深层信息,成为目前基于数据驱动的故障诊断领域重要的研究热点。深度信念网络作为深度学习框架下常用的一种算法,具有良好的算法融合性,并且对数据量的要求较小。因此,本文针对基于深度信念网络的故障诊断方法在船舶柴油机上的应用展开了研究。由于目前实际所获取的船舶柴油机故障样本成本较高、数量较少且数据类型单一,无法对数据进行有效地训练处理。本文采用在AVL BOOST软件所建立的MAN 8L/5160DF型船舶中速柴油机仿真模型对船舶柴油机的六种典型热工故障进行了仿真和分析。根据船舶柴油机故障仿真实验,获得了船舶柴油机的典型热工故障数据集。之后,采用深度信念网络算法对样本数据进行了学习,构建了船舶柴油机故障诊断模型并进行泛化性的检验。为了验证该故障诊断模型的有效性,将该故障诊断方法与基于传统BP神经网络和支持向量机等故障诊断方法进行了对比。对比结果发现,基于深度信念网络的船舶柴油机故障诊断方法具有较高识别精度和泛化性能。在船舶柴油机运行的过程中,常常会有多种故障共同发生的情况,因此对船舶柴油机复合故障的诊断展开了研究。将通过故障仿真实验所获得的复合故障样本采用基于深度信念网络的故障诊断方法进行学习和测试。在模型学习的过程中,为了降低网络模型的复杂度,将相关性分析用于筛选样本特征。在保证模型诊断精度的前提下,选取与故障类型相关度较高的样本特征用于构建故障诊断模型。最后,为了降低重大故障带来的损失,本文对船舶柴油机微小故障的诊断方法展开研究。首先采用深度信念网络建立了船舶柴油机状态参数预测模型。之后采用核密度估计对参数预测结果进行残差分析和故障阈值的设置,实现了船舶柴油机早期故障的诊断。研究结果表明,基于深度信念网络的船舶柴油机微小故障诊断方法具有较好的故障识别能力。