船舶柴油机是航运船舶的动力来源,是船舶的心脏,其重要性不言而喻。船舶在海上航行时,遇到的海况极其复杂,容易发生摇摆和振动,船体和各种设备易被海水腐蚀,船舶柴油机的系统复杂,工况多变,容易发生故障,一旦动力设备船舶柴油机发生故障,导致停机无法运转,将使整艘船都陷入瘫痪状态,直接或间接都会造成物力和财力的损失,严重的还会威胁船上人员的生命安全。在《中国制造2025》这一国家行动纲领中,智能船舶被明确制定为重点发展的领域,指明了船舶未来的发展方向,为航运业的转型升级提供了战略指导[1]。而提升船舶柴油机的状态监测与故障诊断技术又是实现智能船舶不可或缺的一部分,具有十分重大的现实意义和战略意义。本文在前人的研究基础上,以R6105AZLD型柴油机为研究对象,采集缸盖表面的振动信号作为故障诊断的数据基础,采用小波包阈值降噪法对采集的振动信号进行预处理,利用t-SNE流形学习算法进行数据降维,并基于RBF神经网络对柴油机进行故障诊断的研究。主要研究内容包括:振动信号的降噪处理。首先介绍小波包分解的原理,利用小波包分解比小波分解更加全面的特点,采用小波包阈值降噪法对柴油机振动信号进行预处理。接着分析小波包基函数的特点和选择要点,针对小波基函数,尺度分解层数,小波包系数处理的阈值规则和阈值函数等影响降噪效果的因素进行深入探讨。根据控制变量的方法进行对比实验,最终选定了适合该振动数据的阈值处理方案,并使用该方案对振动信号进行了降噪处理。结果表明,该方案可以有效地去除柴油机振动信号中的噪声部分,保留信号的有效部分。基于t-SNE算法的特征降维。阐述了时域、频域和小波包能量的特征提取方法,并将这三种方法获得的特征向量进行串行特征融合,获得更加能表征故障状态的高维特征向量。为了减少故障诊断过程中的计算量,提高诊断的实时性,使用t-SNE算法对高维特征向量进行降维处理。观察到降维后的可视化图中各工况的聚类效果不理想,于是提出基于欧式距离的自适应加权的t-SNE算法。经改进后对高维特征进行降维,从降维后的可视化图中可以看出,改进后的算法拉开了不同工况之间的样本距离,拉近了同一工况样本之间的距离,使得样本之间的重叠较少,聚类效果更加明显。基于RBF神经网络的故障模式识别。介绍了RBF神经网络的理论知识,因其网络中心等参数的选择困难,提出使用果蝇优化算法对参数进行寻优。但由于果蝇优化算法自身有易陷入局部最优的缺点,且在识别过程中的准确率不高,引入遗传算法对其进行改进,形成了GA-FOA寻优算法。将其与FOA和其他经典寻优算法进行仿真实验对比。结果表明,GA-FOA具有算法结构简单,易实现,泛化性好,寻优稳定性好和收敛精度高等特点。最终建立基于GA-FOA-RBFNN的柴油机故障诊断模型,并用降维后的数据进行实验。结果表明,经GA-FOA优化后的RBF神经网络模型的识别准确率更高。