随着计算机信息技术的发展,人工智能、大数据时代的来临,船舶制造理念正经历着从自动化到智能化的转变。船舶柴油机作为智能机舱的核心设备,其重要性不言而喻,依靠专家知识经验进行故障诊断的方式已经不能满足“智能船舶”时代的要求,船舶柴油机故障作为船舶安全可靠运行的“潜在杀手”,需要智能故障诊断方法与理论的保驾护航。本文在总结和汲取前人研究成果的基础上,以R6105AZLD型船用柴油机为研究对象,以表面振动信号为故障诊断基础,采用改进经验模态分解(EMD)结合阈值去噪的方法对振动信号进行去噪处理,利用流形学习算法与极限学习机(ELM)进行柴油机的故障诊断研究。主要研究内容和研究成果包括以下几个方面:(1)首先,介绍了EMD分解方法,利用EMD在处理非平稳、非线性信号的优势,针对船用柴油机表面振动信号提出一种基于EMD的改进阈值去噪方法。通过对比EMD和两种基于EMD的改进算法EEMD和CEEMDAN,结果表明CEEMDAN分解方法有着明显的优越性,在此基础上,对分解得到的各分量成分进行改进阈值降噪处理,结果表明该方法有着很好的降噪效果。(2)其次,研究了流形学习算法,为更加全面地从振动信号中提取故障特征,结合特征融合的优点以及流形学习算法在处理非线性数据的优势,提出一种新的特征提取方法。即从时域、频域统计特征、CEEMDAN-SVD奇异值特征、CEEMDAN-IMF能量特征三个维度进行特征提取,并采用串行特征融合方法将三个维度的特征向量进行融合,为去除冗余特征采用流形学习方法进行二次特征提取。通过该方法对柴油机振动信号进行特征提取,从三维可视化角度验证了该方法的可行性及优越性。(3)最后,在系统研究ELM网络结构和算法原理的基础上,采用粒子群算法、L2正则化方法对ELM模型进行改进,通过实验数据集对改进模型进行验证,结果表明该方法的优越性。当船用柴油机故障数据样本充足时,采用该方法可获得较好的故障诊断效果;针对船用柴油机故障样本数据不易获得,提出将在线序列学习机用于故障数据样本不足时的船用柴油机故障诊断中,结果表明,该方法可保证在故障识别精度很高的情况下实现在线学习与实时故障诊断。