船舶轮机装备运行环境复杂且恶劣,使其更容易发生故障。船舶轮机装备一旦发生故障,往往会产生不可逆的损害,甚至造成环境污染和船舶停航等严重后果。故障诊断技术对于减少船舶轮机装备故障发生率、提高航运安全尤为重要。随着传感器技术和人工智能技术的发展,大量装备的运行数据被记录,基于数据驱动的故障诊断技术得到了快速的发展。其中,人工神经网络以其强大的非线性逼近能力,广泛地应用在故障诊断领域。基于人工神经网络的故障诊断方法通常假设具有理想的故障数据,然而船舶轮机装备在实际运行中收集到的监测数据大多是有缺陷的,有缺陷的故障数据会严重降低故障诊断准确率。因此,针对在缺陷故障数据背景下的船舶轮机装备故障诊断问题亟待解决。重点研究在船舶轮机装备存在缺陷故障数据前提下的故障诊断,提出了多种基于人工神经网络的故障诊断模型,研究工作如下:在船舶生产工业中,考虑到经济成本和装备复杂度问题,在保证船舶轮机装备安全的前提下,大多数生产厂家只在装备关键部位安装传感器;此外,轮机装备在运行过程中部分传感器也可能会失效,就会导致收集到故障样本的特征数目较少。特征数目较少的故障数据难以全面反映故障特征,导致常规的故障诊断方法,如基于模型故障诊断方法的准确率降低。多层感知器以其强大的分类识别能力,常用于故障特征数目较少的故障识别。多层感知器的初始权值和阈值随机设置以及网络结构不容易确定,可能导致故障诊断准确率下降。提出了基于多层感知器的故障诊断模型,使用遗传算法对多层感知器进行优化,选取多层感知器的最优权值、阈值和网络结构。针对标准遗传算法初始种群敏感、交叉和变异算子产生的新空间探索能力有限的问题,对标准遗传算法的基本操作进行改进。将混沌映射引入到标准遗传算法的基本操作中,给出了Chebyshev映射种群初始化,降低遗传算法对初始种群的敏感性;设计了Logistic映射交叉操作和Chebyshev映射变异操作,增加新种群的多样性。最后,分别对船舶柴油机燃烧室和船舶柴油机燃油供给系统进行故障诊断,研究结果表明所提故障诊断模型有效地提高了故障诊断准确率。船舶轮机装备在实际运行中,其大部分时间都处于正常状态,故障发生的时刻和故障持续的时间都是不确定的。因此,在轮机装备监测的数据中,各种状态的数据不平衡。当直接使用这种不平衡数据训练支持向量机时,会使支持向量机的分类超平面发生偏移,导致故障诊断准确率降低。提出了一种基于条件生成对抗网络和支持向量机的两阶故障诊断策略。第一阶段,使用条件生成对抗网络生成低比例的故障样本,再平衡故障样本极大地丰富了故障样本的多样性。第二阶段,使用再平衡故障样本训练支持向量机,进行故障诊断。在标准差分进化算法的变异算子中引入Tent映射,提高差分进化算法搜索新空间的能力;通过差分进化算法选取支持向量机的最优超参数。最后,分别对船舶柴油机燃烧室和船舶柴油机燃油供给系统中多种故障样本不平衡情况进行故障诊断,研究表明所提两阶故障诊断方法对样本存在不同不平衡程度的故障都有较好的识别能力。某些高速旋转的轮机装备运行数据数量往往是巨大的,其收集的监测信号类型也是多种多样的,比如振动信号、电流信号、声音、热成像等。这种海量且复杂故障信号难以整合且故障特征难以提取,传统数据驱动方法会因故障数据过多且复杂而导致算法效率降低。常用的方法是基于深度学习的方法,通常将某种特定类别的故障信号转换成灰色或RGB图像作为深度学习的输入样本,然而该方法只能反映复杂数据的单一故障特征信息,导致故障诊断准确率不高。提出了一种广义的信号处理方法,并在此基础上提出了基于输入特征映射-深度残差网络的故障诊断模型。所提信号处理方法将不同类别的原始信号整合到一起并转化为多通道输入特征映射,多通道输入特征映射能全面反映复杂故障样本的特征信息。所提基于输入特征映射-深度残差网络的故障诊断模型自动提取和学习故障原始信号的故障特征。通过公开的滚动轴承故障数据集对所提故障诊断模型进行验证,结果表明所提故障诊断模型的有效性。船舶轮机装备经常在不同的工况下运行,其运行数据通常具有不同的分布。使用源域样本训练人工神经网络,当源域和目标域故障样本有相同分布时,人工神经网络能有效的识别目标域的样本;反之,当二者具有不同的分布时,人工神经网络在目标域的故障诊断准确率会有较大程度的下降。提出了改进型对抗判别域自适应的故障诊断模型,在标准对抗判别域自适应模型的原有结构上增加了一个标签分类器并引入CORAL损失函数,缩小了标签分类器中的数据集偏差。改进型对抗判别域自适应故障诊断模型解决了标准对抗判别域自适应模型不能处理标签分类器中数据集偏差的问题。通过两个公开的滚动轴承数据集中的多个迁移任务进行算法验证,结果表明所提故障诊断模型对样本存在偏差的故障有很好的识别能力。上述方法为缺陷故障数据下船舶轮机装备故障诊断问题提供了新方案。研究结果表明具有潜在的工业应用前景。