船舶辅锅炉是船舶的重要组成部分,作为保证船舶正常运行的重要设备之一,其主要用于产生饱和水蒸气。船舶辅锅炉的安全、稳定、高效的运行对船舶安全,经济收益具有重要意义。随着人工智能和船舶自动化技术的不断发展,船舶装备的故障诊断和状态识别领域逐渐成为惹人关注的研究热点。但船舶系统结构复杂,故障特征多种多样,现阶段获取全面的故障样本的难度较大,所以船舶辅锅炉的燃烧故障诊断的研究应用尚处于不成熟的研究阶段。神经网络方法近几年在多个研究领域取得了重要成就,将其引入到船舶辅锅炉燃烧故障诊断中,有非常重要的研究价值。本文综合考虑船舶辅锅炉的运行特点,选取自组织特征映射(SOM)神经网络开展船舶辅锅炉燃烧故障诊断研究。并针对相应神经网络进行改进,提高诊断的准确率,从而提高船舶运营的安全性。本文选取大连海事大学研发的DMSVLCC大型油船轮机模拟器为试验平台,模拟D型水管辅锅炉正常运行,燃油供给泵磨损,燃油预热器脏堵,点火油泵故障,风机故障的工作过程。提取样本数据并使用主成分分析法(PCA)进行预处理,用作后续故障诊断方法的验证研究。利用获取的实验数据训练SOM神经网络进行初步诊断,由于神经网络的局限性和不足导致诊断结果不够理想。为了提高故障诊断的准确度,在神经网络的基础上,使用粒子群算法(PSO)优化其权值向量的更新过程,提高诊断的准确率。通过分析实验的诊断结果及优化算法的优势和缺陷,本文再结合学习向量量化神经网络(LVQ)弥补算法在竞争过程中存在的不足,进行更深一步的算法研究。最后,利用系统运行仿真出的样本数据,验证所构建的PSO-SOM-LVQ的混合神经网络算法故障诊断模型。依据3种实验结果对比表明,混合神经网络模型的故障诊断结果与实际状态一致,相比于前两种算法的准确率有了显著提高,充分验证了该算法在船舶辅锅炉燃烧故障诊断中的可靠性和准确性,为船舶辅锅炉燃烧故障智能诊断的发展提供一种新的思路。