船舶智能化已经成为船舶领域的重要发展趋势,船舶相关设备的运行状态识别技术是其中重要研究热点之一。近年来,极限学习机在很多领域都取得了重要研究成果,将其引入智能船舶领域进行状态识别方法研究十分有价值。本文以某超大型油轮的冷却水系统为研究对象,根据冷却水系统常见运行状态的特点,开展了基于优化极限学习机的冷却水系统状态识别方法研究。首先,对冷却水系统的基本组成、工作原理和运行状态进行分析,针对系统常见的运行状态,设置状态监测点,采集系统运行数据。深入研究基于极限学习机理论的状态识别方法,针对极限学习机随机产生输入权值和隐含层阈值而影响其泛化能力的问题,提出利用遗传-粒子群混合算法优化极限学习机。针对粒子群优化算法寻优过程中容易陷入局部最优和早熟收敛的问题,在粒子群优化算法的搜索公式中引入遗传算法的选择、交叉和变异算子,构建遗传-粒子群混合优化算法,通过标准测试函数对改进算法进行了有效性验证,并利用UCI数据集对优化后的极限学习机进行分类性能测试,证明了其良好的分类性能。针对维度高且具有噪声的样本数据会导致极限学习机状态识别效率低和精度差的问题,利用主成分分析对样本数据进行特征提取,提取出高维数据的有用信息,实现数据降维。其次,在特征空间中构建统计量模型,监测样本数据的统计量变化,实现冷却水系统运行状态检测。最后,以大连海事大学研制的DMS-VLCC轮机模拟器采集海水冷却系统和中央冷却系统各自五种运行状态的样本数据进行了两组实验,前者侧重于故障状态的识别,后者侧重于正常状态的识别。通过仿真实验证明了本文提出的状态识别方法可以有效地对冷却水系统的运行状态进行识别,具有较高的可靠性和准确性。通过对状态识别方法研究,实现了极限学习机、遗传-粒子群混合优化算法和主成分分析的优势互补,有效地解决了船舶冷却水系统状态识别效率低和极限学习机参数选择难的问题,为船舶冷却水系统运行状态智能识别的发展提供了新的思路。