智能机舱和无人船舶的提出,标志着船舶进入了智能化时代,这就对柴油机的故障诊断技术提出了更高的要求。船舶柴油机作为整个船舶系统的动力来源,为整个船舶提供动力输出,其可靠性直接关系到船舶的航行安全,而传统的故障诊断依靠事后人工维修,显然达不到智能化的要求。因此,开展船舶柴油机智能故障诊断的相关研究,具有十分重要的意义。本文以R6105AZLD型柴油机为研究对象,为了提高故障诊断的准确率,分别在信号处理和故障诊断领域对信号进行了研究。整个研究过程主要分为信号去噪、特征提取和故障模式识别。(1)信号去噪。研究了偏最小二乘法和五点三次平滑法的信号预处理方法,对柴油机振动信号进行了去线性趋势项和去毛刺的预处理。介绍了小波阈值去噪的原理,提出了一种新阈值函数的小波阈值去噪法,解决了传统阈值函数存在的不足,并利用仿真实验验证了新阈值函数的优越性。最后采用新阈值函数的小波去噪法以信噪比和均方误差为评价指标,对小波基、阈值和不同分解层数进行了对比,获得去噪效果最优的去噪方案,完成了对柴油机振动信号的去噪处理,结果表明,改进阈值函数的小波去噪可以较好的去除柴油机的噪声信号,并可以保留信号的有效成分。(2)特征提取。阐述了时域、频域和小波域特征提取方法,并将三种方法提取的特征参数进行了融合,获得了丰富的故障特征集,然后利用堆栈自动编码器对融合特征进行了深层特征提取,研究了不同网络层数和网络节点数对特征提取的影响,获得了网络特征提取的最优方案,最后利用三维特征图对比了融合特征和深层特征的效果,结果表明,基于堆栈自动编码器的特征提取方法,提取的特征之间重叠较少,差别较为明显,聚类效果更好。(3)故障模式识别。介绍了概率神经网络的理论知识,根据概率神经网络参数选择方面的困难,提出了一种人工鱼群算法进行参数寻优的方法,并且为了节约训练时间,提高网络效率,选用了PCA对初始数据进行了降维处理,最后将柴油机七种工况的数据运用模型进行了诊断,结果表明,人工鱼群优化的概率神经网络诊断精度更高,并且经过PCA处理,网络训练时间较短。