随着现代工业及科学技术的发展,船舶吨位不断增加,船舶电力推进系统不断应用,船舶电站发电机的容量越来越大。船舶采用电力推进技术后,对船舶发电机控制系统提出了更高的要求。在电力推进船舶上,船舶发电机发出的电能不仅要提供给船舶上的各个负载还要给船舶推进装置提供电能。这就使得影响船舶电力系统运行的故障因素骤增,使系统产生失效的可能性越来越大。一旦发生故障,必须迅速,准确地找到故障,然后加以排除,恢复设备或系统的正常运行。否则将对船舶产生无法预计的后果,甚至造成人员伤亡与社会影响。人工智能技术、控制理论和计算机技术的发展,使故障检测与分离(FaultDetection and Isolation—FDI)技术也得到了迅速发展。人工神经网络(ArtificialNeural Networks—ANN)是人工智能的一个分支,其用于设备故障检测与分离是近十几年来迅速发展起来的研究领域。由于神经网络具有并行分布式处理、联想记忆、自组织及学习能力和极强的非线性映射特性,能对复杂的信息进行识别和处理并给予准确的分类,因此可以用于船舶柴油发电机组控制系统故障检测、识别和诊断。本课题以船柴油发电机控制系统为研究对象,首先研究了控制系统中传感器、控制器和执行器出现的部分故障,如短路、断路和增益变化等,用SIMULINK建立模型对故障进行仿真;然后分别选用BP神经网络、CMAC神经网络、Elman神经网络对船舶柴油发电机组控制系统中传感器、控制器和执行器出现的部分故障进行诊断与分离,并对其中的BP网络进行了改进;最后用MATLAB编程实现神经网络FDI过程。文中设置了仿真实例,对实例进行了分析。仿真结果显示;以上三种神经网络都能快速实时地对故障进行分类。从而证明神经网络应用于船舶柴油发电机控制系统故障检测与分离是可行的。该论文的项目支持;上海市教委项目,“神经控制方法及其在船舶自动化机舱中的应用研究”(05FZ09)。上海海事大学校重点学科建设项目,“基于数据融合技术的电机故障诊断方法与系统研究”(XL0105)。