船舶的智能化和自动化成为船舶行业的发展趋势,船舶相关系统智能故障诊断方法的研究成为其中的一个重要热点。近些年来,支持向量机技术在各个行业领域都取得了重要成果,将其引入到智能船舶领域进行故障诊断研究十分有价值。压载水系统在船舶上的作用主要有:调整船舶吃水和船舶纵向、横向的平衡以及维持适当的稳心高度:减小船舶的变形,减少船体的振动。本文以大连海事大学研制的某集装箱船模拟器压载水系统为研究对象,根据压载水系统常见故障的特点,提出基于优化支持向量机的压载水系统故障诊断方法。本文对压载水系统的组成结构、工作过程和常见故障特点进行研究和分析,针对常见的4种系统故障,设置故障诊断监测点采集系统运行数据。然后,对基于支持向量机理论的故障诊断方法进行深入研究,为了提高支持向量机的分类能力,针对其惩罚因子和核函数参数选取难度较大的问题,提出利用改进的人工蜂群算法优化支持向量机相关参数的方法。针对人工蜂群算法迭代后期易出现收敛速度慢、易陷入局部最优解等问题,在原始人工蜂群算法的搜索公式中引入全局搜索因子。并利用UCI数据集对优化后的SVM进行验证,证明了其良好的分类性能。压载水系统在工作状态监测过程中,需要测量的状态变量较多且相互之间具有一定的相关性,如果将采集的样本数据直接输入SVM进行故障诊断,将导致故障诊断时间较长、诊断效率低,针对这一问题,提出利用PCA进行样本数据降维和故障检测的方法。最后,利用采集到的压载水系统实测样本数据对提出方法进行MATLAB仿真验证。首先利用PCA对压载水系统实测数据进行故障检测。然后进行了两组对比实验,实验一是基于IABC算法优化SVM的故障诊断,实验结果表明IABC-SVM用于压载水系统的故障诊断与GS-SVM和ABC-SVM相比,可以获得较高的分类正确率,并且在参数寻优时,改进后的IABC算法相比于传统的ABC算法,因为全局搜索因子的引入,收敛速度加快,并且能够跳出局部最优解。实验二是在PCA故障特征提取下的IABC-SVM故障诊断,利用PCA将样本数据的特征参数提取出前6个主成分作为IABC-SVM的输入,实验结果表明,与样本数据未经过降维的诊断结果相比,PCA可以将样本特征信息中的冗余信息去除掉,最大化压缩信息量,有效降低特征维数,提高SVM分类器诊断效率。仿真实验证明本文提出的压载水系统故障诊断方法可以有效地对压载水系统的故障进行检测和识别,具有较高的准确性和诊断效率。