船舶柴油机故障诊断与状态识别是船舶柴油机的重要研究方向,是国内外的船舶、自动化等领域的研究热点。信息融合技术在民生、军事等各个领域发挥了巨大作用,在船舶柴油机故障诊断领域的应用尚处于不成熟阶段。基于信息融合的故障诊断中,可利用的信息很多,但只有选取和利用有效的信息对设备进行分析才能提高故障诊断的准确性,研究和探索较实用的故障诊断方法应用于船舶柴油机将有助于提高船舶航行和运营的安全性。本文首先利用AVL BOOST仿真软件,建立MAN 8L51/60DF型柴油机工作过程数学模型,并用该型号柴油机台架试验数据验证模型的可靠性,结果表明计算误差均在3%以内。在柴油机仿真模型上,对其在额定工况下的正常运行、单缸供油过多、喷油提前角过大、喷油提前角过小、排气阀关闭过早、排气阀关闭过晚六种状态分别进行仿真计算,共运算出96组数据用于后续故障诊断模型的训练与验证。为了从多方面反映柴油机的运行状态,采用不同的训练函数设计两个BP神经网络,并分别对柴油机进行故障诊断,但由于传统BP网络的局限性和不足,使单一神经网络在故障诊断中的准确率较低。为了进一步提高故障诊断准确度,使用了基于Elman和GRNN神经网络的故障诊断方法,又设计了基于多神经网络与D-S证据理论融合的故障诊断模型。进行信息融合时把神经网络的诊断结果作为基本可信度分配的依据,避免了人为主观性带来的缺陷。最后,用AVL BOOST仿真出的故障数据去测试神经网络诊断模型以及神经网络与D-S证据结合的诊断模型。实验结果显示,各模型的故障诊断结果与柴油机实际状态基本吻合,与神经网络相比基于信息融合的模型诊断确信度和准确率明显提高,充分验证了该方法在柴油机故障诊断中的有效性。