为了适应世界海运的不断增长,船舶也日趋大型化。船舶航行在复杂多变的水域环境中,船体结构可能会因为波浪激励和外物打击以及人员误操作等原因出现损坏,船舶一旦发生结构破坏,将是不可挽回的灾难。因此,需要建立实时监测船体健康的系统,以此来保障全船的安全性能。船舶在日趋大型化之后由于其尺度的关系,会布置更多的传感器来监测船体结构,在这种情况下传感器发生故障的可能性就会更高。在采样频率很高的情况下,每一时刻都会传输海量的数据,这就对应力监测系统的实时性有很高的要求,在规定的时间内,算法必须有相应的运算速度。目前关于应力监测系统算法的研究正处于发展阶段,而任何优良的系统设计都需要建立在可靠的理论支持上,通过进一步研究智能化数据处理和故障诊断程序设计的优化算法,以此降低监测系统的误报率和漏报率,保障监测系统的可靠性。论文的主要研究内容如下:1、研究影响船舶结构应力监测数据实时滤波效果的几个关键性因素。针对小波变换无法实现时间序列的递推并且存在边缘效应的缺点,提出了基于Mallat算法的离散时间序列正交小波变换对称添加的浮动数据窗法,在此基础上提出了改进阈值估计算法和新阈值函数来增强应力监测系统的滤波效果,并通过仿真实验验证了改进算法的有效性。2、研究了基于BP神经网络的实时预测方法。为了满足应力监测系统的长期监测船体结构健康的要求,提出了单纯离线训练的方法和在线训练与离线训练相结合的方法,并分析了两种方法相应的适用环境,可以根据不同的应用环境选择不同的方法。并且以某大尺度船舶结构应力监测数据为依托,研究了 BP神经网络中重要参数的设置。3、研究了粒子群优化算法,并根据遗传算法中的变异理论引入变异因子。提出了非线性惯性权重递减策略的粒子群算法以保证神经网络能收敛到全局最小值,并经过4个评价函数检验了新算法的可行性。最后根据BP神经网络收敛速度慢和容易陷入局部极小值等存在的问题提出基于粒子群优化算法的改进BP神经网络方法,并通过仿真实验验证了新算法的有效性。4、应用IPSO-BP神经网络来预测监测数据,以非线性惯性权重粒子群算法(IPSO)寻找网络的初始训练权值和阈值,增强网络的收敛速度和性能,并以极大重叠小波变换后的尺度系数和小波系数代替原始信号进行故障诊断。研究了船舶结构应力监测系统中传感器发生故障时的特征和成因,并分析了以大尺度船舶结构应力监测数据为依托的故障识别与诊断条件。针对缓慢漂移检测率低的难点,提出一种自适应识别方法,可以有效识别任何漂移速率的故障。