现代化大型船舶自动化程度日趋提高,船舶柴油机的故障监测和诊断技术已经成为提高船舶安全性和可靠性的重要方式之一。由英国柴油机工程师和用户协会提供的停机故障分析表明,造成柴油机停机后果的各种原因中燃油系统的故障占27%,比例最大。由于船舶柴油机燃油系统结构复杂,各个部件之间存在冗杂的非线性耦合关系,导致采集的样本数据具有典型的非线性多维特性,因此传统的线性方法在处理船舶燃油系统故障诊断问题时具有较大的局限性。本文以此为背景,开展了基于优化核主成分分析(Kernel Principal.Component Analysis,KPCA)和多分类支持向量机的船舶柴油机燃油系统故障监测与诊断技术研究。针对船舶燃油系统故障样本数据存在非线性强和噪声干扰的问题,首先提出采用KPCA对样本数据进行非线性特征提取,提取出样本数据特征的高维信息,其次在特征空间中构建T2和SPE统计量模型,最后通过监测样本数据统计量的变化实现了对船舶燃油系统故障的实时监测。由于KPCA性能受内部核函数参数影响,提出了基于粒子群优化核函数参数的选优方法,通过建立核函数参数优化模型,实现了 KPCA核函数参数的寻优,并对粒子群算法中惯性因子进行改进,在一定程度上防止了粒子群算法在优化过程中陷入局部最优,通过船舶燃油系统的故障监测实验表明该方法可有效减少非线性主成分个数,提高了故障监测的准确性。研究了基于多分类支持向量机进行故障诊断的方法,总结出限制多分类支持向量机故障诊断性能的两大因素:1、故障样本数据的质量;2、多分类支持向量机内核函数参数和惩罚因子的选择,在此研究基础上提出了基于粒子群优化KPCA-SVM的故障诊断方法,有效解决了船舶燃油系统故障特征非线性强、小样本分类精度低以及支持向量机参数选择难的问题,实现了三种算法的优势互补。为提高船舶柴油机燃油系统故障监测和诊断的精度,本文提出将基于KPCA的特征提取方法和多分类支持向量的故障诊断方法相结合,并采用改进的粒子群算法对KPCA和多分类支持向量机的核函数参数以及惩罚因子进行全局寻优,建立了基于粒子群优化KPCA的船舶燃油系统故障监测模型和基于粒子群优化KPCA-SVM的故障诊断模型,通过船舶燃油系统故障监测和诊断的仿真实验表明,本文提出的故障监测和诊断方法精度明显提高,验证了所提方法的有效性。