基于多算法融合的船用空压机油液分析与磨损故障诊断.pdf

2024 年 4 月第 45 卷第 2 期湘南学院学报Journal of Xiangnan UniversityApr.,2024Vol.45 No.220空气压缩机具有压缩效率高、适用范围广等优势 1，被广泛应用于化工、船舶、石油等行业。以船舶领域为例，空压机通过压缩空气为汽笛、控制系统、主机提供动力 2-4。然而由于易损部件多 1，空压机在高温、高湿的机舱环境中长期受到剧烈的振动冲击，在维护不当的情况下，易发生故障，甚至造成恶性事故。例如，20 世纪 80 年代，因船用空压机故障问题，我国发生 200 余件事故，造成巨大经济损失 5；2022 年11 月 17 日，海工辅助船“Athena”号因空压机在运行过程中引发故障，在法国勒阿弗尔发生爆炸，造成两名船员受伤 6。为预防故障，国内外学者在空压机故障诊断领域进行了深入研究，并开发系统投入应用。Zanoli 等 7 提出基于系统复杂性测量的故障诊断方法，通过聚类分析与复杂度变化量评估空压机故障状态。Hussein等 8 采用基于距离度量分类的空压机故障诊断方法，运用最大相关性最小冗余(max-relevance and min-redundancy,MRMR)算法对故障状态进行分类，诊断准确率超过 97%。Verma 等 9 采用基于改进支持向量机(support vector machine,SVM)方法诊断空压机磨损状态，分类准确率达 98.03%。美国 Bently 公司的 3500 和丹麦 B&K 申克公司的 Compass 故障诊断系统，效果显著，在空压机故障诊断方面占据领先地位 10。油液监测技术能够检测油液理化与金属磨损信息，及时发现油品与空压机润滑、磨损问题，确定其磨损部位、磨损程度，分析原因，从而采取措施预防或解决故障 11。因此，国内学者主要从油液分析方面进行研究，通过定期油液检测，定量、定性地判断船舶磨损状态 12。於国平 13 通过油液分析确定船用空压机润滑系统的故障原因。李秀芳 14 通过油液监测技术研究润滑油与空压机摩擦系统的相互影响，确定了油品变质是空压机发生故障的主要原因。赵军等 15 通过光谱分析发现润滑油中 Fe、Al 含量高于正常值，并结合铁谱分析确定船用空压机磨损部位。赵质良等 16 通过光谱分析发现船用空压机润滑油的 Fe、Na、Mg 元素浓度远超正常值，结合铁谱分析发现大量氧化磨粒，表明海水进入空压机，加剧了设备磨损。此外，也有研究通过引入其他理论和方法，结合油液分析，改善空压机诊断效果。周守西等 17 采用模糊理论处理油液信息，能够准确地判断空压机磨损状态。王曦等 18 通过多目标线性规划方法构建空压机油液故障诊断模型，判断基于多算法融合的船用空压机油液分析与磨损故障诊断徐启圣1，杨健1,*，赵磊1，强贵岩2（1.合肥大学 先进制造工程学院，安徽 合肥 230601；2.合肥大学 能源材料与化工学院，安徽 合肥 230601）摘 要：主成分分析-三线值法-反向传播神经网络（principal component analysis-new three line value-back propagation neural network，PCA-NTLV-BPNN）多算法融合模型被用于提高故障诊断精度和准确率。具体处理过程为：采用小波包变换(wave packet transform,WPT)对油液数据进行降噪；应用 PCA 选择主要元素，根据这些元素数据采用NTLV 建立正常、警告、危险边界线分类磨损状态；确定BPNN的期望输出分类。以船用空压机为研究对象，理论分析和实践比较结果表明，融合模型比 BPNN 具有更高的诊断精度与准确率，诊断效果更好。关键词：故障诊断；BPNN；主成分分析 PCA；船用空压机；新三线值法 NTLV中图分类号：TH45 文献标志码：A DOI:10.3969/j.issn.1672-8173.2024.02.004收稿日期：2023-02-27基金项目：安徽省高校优秀青年人才支持计划重点项目（gxyqZD2016276）；合肥大学研究生创新创业项目（21YCXL10）。作者简介：徐启圣(1976)，男，安徽六安人，副教授，博士，研究方向为机械设备状态监测与故障诊断；通信作者：杨健(1995)，男，安徽滁州人，硕士研究生，研究方向为故障诊断与健康管理。21设备故障类型与磨损程度，为研究空压机磨损状态提供理论依据。江志农等 19 采用反向传播神经网络（back propagation neural network,BPNN)识别往复压缩机磨损状态，能够有效提高系统稳定度与可靠性。然而，模糊理论中模糊规则与隶属函数需要人为凭经验确定，增加了磨损状态识别难度。多目标线性规划方法的多目标函数无法同时取得极值，多目标对应指标间可能不存在相关性，甚至出现矛盾，增加了分类难度，导致空压机磨损状态识别准确率下降。BPNN 由于具有自适应能力强、泛化能力好等优点被广泛应用于机械故障诊断领域，但易陷入局部最优解，从而降低故障分类准确率 20-21。为此，本文利用主成分分析(principal component analysis,PCA)、新三线值法(new three line value,NTLV)、BPNN 的各自优势，提出基于 PCA-NTLV-BPNN 多算法融合模型，即采用 PCA 对油液降噪数据进行降维处理，确定主要磨损、添加剂元素；运用 NTLV 确定正常线、警告线以及危险线，获得期望输出分类，以提高磨损诊断精度与准确率。1 融合算法分析1.1 数据降噪本文采用上海某船厂空压机油液数据，各元素的质量浓度见表 1。表 1 空压机油液各元素的质量浓度序号元素质量浓度/(mg/L)FeCuAlCaMgBaZnPSiPbCrSn11.0 0.0 0.0 1.0 0.0 0.0 459.0 516.0 0.0 1.0 0.0 3.0 249.0 72.0 0.0 10.0 2.0 2.0 483.0 477.0 4.0 7.0 0.0 0.0 348.6 84.8 0.5 15.0 2.4 1.1 318.4 212.7 4.0 6.3 0.6 8.6 454.5 70.7 1.0 15.4 2.4 1.2 317.1 207.1 4.3 6.8 0.9 7.1 518.1 39.5 0.4 9.1 0.9 0.2 99.5 62.1 1.2 2.8 0.8 2.7 618.6 50.8 0.8 6.3 1.8 0.3 95.9 67.3 2.5 1.4 0.8 2.0 714.2 25.8 0.4 9.8 3.5 0.3 97.7 41.9 2.7 0.9 1.5 4.6 89.5 7.4 0.0 8.0 2.0 15.2 36.5 29.8 3.1 1.0 0.0 2.1 923.0 42.9 0.6 3.7 0.4 0.5 174.6 104.0 1.2 1.0 1.6 2.4 1021.3 50.8 1.2 11.5 1.7 0.6 382.3 210.5 3.3 2.5 0.3 3.0 1124.2 48.4 1.0 11.4 1.8 0.7 389.9 184.3 2.9 1.5 0.3 3.4 1230.5 35.8 0.4 10.5 1.4 0.6 269.9 256.6 2.6 1.3 0.0 2.4 130.6 55.9 1.5 9.2 1.8 0.9 219.0 207.1 3.3 2.8 0.9 10.4 1436.8 68.4 2.3 8.4 1.4 0.8 127.8 171.5 2.4 2.8 0.8 12.2 1510.6 22.1 1.5 2.2 0.2 0.1 363.5 205.8 1.3 0.8 0.0 0.0 1610.6 42.5 0.8 1.1 0.2 0.2 375.0 388.0 0.7 3.2 0.0 3.1 1716.6 70.6 0.0 0.3 0.0 0.0 349.0 326.0 0.0 0.0 0.0 0.9 1814.8 130.0 0.6 1.2 0.3 0.1 326.0 369.0 0.7 4.2 0.0 1.1 以小波分析为基础，采用小波包对高频数据进行更细致的分解 22，主要由代表信号突变的小波函数和谐波函数组成，通过时频分析，优化局部性能，提高设备磨损状态判断的可信度。信噪比（S/N）越大，小波基降噪效果越好，不同小波基条件下的信噪比计算为()2121/10niiniiisS Nss=（1）徐启圣，杨健，赵磊，等：基于多算法融合的船用空压机油液分析与磨损故障诊断22湘南学院学报2024 年 4 月（第 45 卷）第 2 期式中：si为原信号，is为降噪信号。1.2 主要元素选取（PCA）润滑油液中元素数量多，在分析油品或磨损状态时，无关元素会增加分析复杂性，降低分析效率。因此，应用 PCA 对 18 组油液降噪数据进行处理，通过数据降维处理，确定主要元素数据 23。每组油样中包含 12 种元素，所以含有 12 个主成分，每个主成分方程包括全部元素，每个元素具有特征向量系数，该系数取值为-1,1，根据其值大小选择主要元素。为确定主要磨损与添加剂元素，通过各主成分方差贡献率数值大小确定两个特征向量方程。前两个主成分的累计贡献率超过 80 24，则这两个主成分能够反映油液数据中所蕴含的磨损信息，于是对前两个主成分方程进行分析。第一主成分特征向量方程为1PZnFeCuPbCaBaSnSiMgAlCr0.72690.68550.00830.00390.00320.00650.00410.00180.00110.00080.00060.0003ycccccccccccc=+（2）式中：P、Zn、Ca、Ba、Mg 为添加剂元素，起到润滑、降温及减小设备摩擦的作用；Fe、Cu、Pb、Sn、Al、Cr 为磨损元素，来自设备摩擦磨损产生的磨粒；Si 为来自外界污染物。当 y10 时，P、Zn 系数分别为 0.726 9 与 0.685 5，二者系数最大，远超磨损元素 Fe，所以影响 y1的主要元素是 P、Zn；当 y10 时，对设备磨损影响最大的为添加剂元素 Zn、Ca，次之为磨损元素 Fe 和外来污染颗粒 Si；当y20 时，对设备磨损状态影响最大的元素是 P、Cu。综合 y1、y2选择 P、Zn、Ca、Fe、Cu、Si 共六种元素，将其数据作为样本的输入。船用空压机主要摩擦副及主要金属元素见表 2，这些元素数据可用于分析其磨损状态。选用的这六种主要元素对分析设备磨损状态有着重要作用。油液中磨损元素含量偏高时，采用含 Zn 的抗磨添加剂、含 P 的极压添加剂及含 Ca 的清净分散剂有助于形成润滑油膜，减小摩擦副磨损和擦伤，减缓空压机中积炭、油泥形成，降低设备磨损，延长设备使用时间 25。由于工作环境恶劣，加上操作不当，含有 Si 的外界杂质进入油液，落入摩擦副之间，会加剧设备磨损，油液中 Si 含量与设备磨损度成正相关，该元素是检测设备磨损状态的重要间接指标之一 25。因此，磨损元素、添加剂以及外界杂质均对设备磨损具有重要影响。当油液样本中 Fe、Cu 元素数据大时，则曲轴连杆或活塞环气缸磨损较高。1.3 期望输出的确定（NTLV）传统三线值法对样本量要求大，所得特征边界跨度大，以致重要过渡信息易被忽视，从而错失预防良机，难以确保设备健康、稳定运行，而新三线值法能够解决虚警率高 26 的问题。因此，在数据降噪基础上，采用新三线值法建立三条边界线，即 （4）式中：deS为降噪信号均值，()3ad=+，其中为降噪信号标准差，a、d为近似系数、细节系数标准差，e为噪声信号标准差。针对已确定的 P、Zn、Ca、Fe、Cu 及 Si 元素数据，根据式（4）确定设备磨损状态的边界特征，作为BPNN 的期望输出分类，结果见图 1。表 2 主要摩擦副及主要金属元素主要摩擦副润滑方式主要金属元素曲轴连杆压力Fe、Cu、Pb、Sn活塞环气缸飞溅Fe、Mo、Cr十字头活塞杆压力Cr、Mo、Al232 融合模型的构建2.1 BPNN 模型结构BPNN 通过 3 层神经网络结构的信息正向及误差信号反向传播实现信息提取 27，见图 2。图 2 中输入层信息 xj(j=1,2,m)通过输入端口进入隐含层，采用权值 wjk(j=1,2,m;k=1,2,q)连接输入层与隐含层，设置隐含层激活函数 hb(e)(b=1,2,q)：1()()mbjkjjh egw x=（5）通过权值 Vkp(k=1,2,q;p=1,2,n)获取输出层激活函数 yp(p=1,2,n)：111()()qqmpkpbkpjkjkkjyfefgw xV hV=（6）在进行训练前，需要对输入、输出节点数据进行归一化处理以消除量纲影响：min0maxminiixxxxx+=（7）式中：xi、xmax、xmin分别为第i组原样本值、最大值及最小值；xi0为归一化后样本值，在 0,1 内。应用 BPNN 模型时，确定输入、输出与隐含层节点数，通过训练、测试及验证网络得到分类结果，具体步骤为：（1）输入、输出层节点数确定神经网络样本数量为输入层节点数，期望输出模式个数为输出层节点数。（2）隐含层节点数确定()lcdk+，式中 l 为隐含层节点数，c、d 分别为输入、输出层节点数，k 取值范围为 0,10 28。（3）网络训练及样本分类采用 traincgb 函数训练网络，使用测试集与验证集检验其可信度，最后输出样本分类结果。2.2 融合模型算法流程为提高 BPNN 故障诊断准确率，将 PCA、NTLV 与 BPNN 优势互补，形成融合模型。通过 PCA 降低数据维度，确定影响设备磨损的关键元素；采用 NTLV 划分磨损特征界限，作为 BPNN 的期望输出分类，从而形成 PCA-NTLV-BPNN 故障诊断融合算法，具体流程如图 3 所示。图 3 融合模型算法流程步骤 1：通过小波包变换（WPT）对油液数据进行降噪处理，降低油液中噪声信号及其影响。步骤 2：采用 PCA 确定主要磨损、添加剂元素；进行数据标准化后，根据累计方差贡献率确定前 i 个主成分表达式 yi，再通过向量系数大小选取主要元素。步骤 3：根据 NTLV 公式（4）建立边界线 S1、S2、S3，分类油液数据 xj为正常、警告或危险状态，为BPNN 提供期望输出类型。步骤 4：用式（7）对 xj与磨损界限 S1、S2、S3进行归一化处理以消除量纲影响。步骤 5：将归一化后的油液数据、磨损界限分别输入 BPNN 的输入、输出层，通过式（5）和式（6）图 1 设备磨损状态的边界特征指标图 2 BPNN 模型示意图徐启圣，杨健，赵磊，等：基于多算法融合的船用空压机油液分析与磨损故障诊断24湘南学院学报2024 年 4 月（第 45 卷）第 2 期确定隐含层、输出层激活函数。步骤 6：以 4 1 的比例划分 29 训练样本与测试样本，分别置于训练集、测试集进行训练、测试，并且通过磨损界限分类测试样本，获得实际输出结果。2.3 融合模型训练将油液数据 xc(c=1,2,14)作为训练样本，数据 xd(d=15,18)作为测试样本。训练集、验证集及测试集的可决系数(R)用于判断神经网络模型可信度，R 越大效果越好。当隐含层数为 10 时，融合模型的拟合度最好，泛化能力最强（图 4）。图 4 中 Y 表示纵坐标的输出值，T 表示目标值，Y=T 对应图中的灰色对角虚线，表示最佳拟合效果，为真实情况的拟合曲线(Fit)提供参考；若数据点靠近 Y=T，则对应的可决系数值越大。本文将 18 组油液样本输入至输入端，将正常、警告、危险三种分类模式置于输出端，因此 BPNN的输入层节点数、输出层节点数、隐含层节点数分别为 18、3、10。图 4 融合模型拟合效果2.4 模型精度分析精度是判断模型可信度的一个重要指标。均方差具有消除偏差间正负态的优势 30，均方误差越小，精度越高。因此，本文采用均方差曲线验证神经网络可靠性。融合模型均方差曲线如图 5 所示，设定训练目标为 10-6 mg2/L2。融合模型在进行第 4 次迭代时，训练曲线达到已设定的训练目标，停止迭代过程，4 次迭代过程中验证集的最小均方差为 9.0710-4 mg2/L2。在 4次迭代过程中，融合模型的训练集、测试集及验证集均方差曲线均呈下降趋势，即均方差逐渐减小，表明融合模型效果好、精度高，因此采用融合模型能提高磨损状态分类的准确度。2.5 实验结果验证与分析为验证融合模型是否符合实际情况，应用融合模型对后 4 组样本进行故障诊断。采用式（4）确定三种磨损分类状态，为保持分类一致性，设置融合模型输出为“(1,0,0)、(0,1,0)、(0,0,1)”，分别表示“正常、警告、危险”，实际输出向量中每列取值在0,1内，若第 i(i=1,2,3)列值最大，则期望输出对应列取值 1，其余列取值 0，结果见表 3。由表 3 可见，融合模型磨损状态诊断结果与实际情况一致，诊断准确率为 100%。其中，第表 3 基于 PCA-NTLV-BPNN 实践验证样本号实际输出期望输出诊断结果实际状态15(0.01,1,0)(0,1,0)警告警告16(0,0.11,0.01)(0,1,0)警告警告17(0.01,0,1)(0,0,1)危险危险18(0.08,0,1)(0,0,1)危险危险图 5 基于 PCA-NTLV-BPNN 的均方差图2515 号样本输出值为(0,1,0)，表明空压机磨损状态为警告。造成该结果原因是油液黏度偏高，达 82.82 mm2/s，同时油中有粉尘颗粒污染，共同影响润滑效果，进而加剧活塞环气缸等主要摩擦副磨损。第 16 号样本输出值为(0,1,0)，说明空压机磨损达警告值，符合实际情况。与 15 号样本相比，此时油液中 Cu、Pb 及 Sn 元素含量增加，并且通过分析铁谱发现大片状铜磨粒如图 6 所示，尺寸达 120 m，由表 2可知，此时曲轴连杆的磨损较为严重。第 17 号样本输出值为(0,0,1)，表明空压机磨损严重，与实际监测结果一致，因为此时润滑油中 Cu 含量为70.6 mg/L，从 15 号样本开始持续增加；通过铁谱分析发现若干切削磨损颗粒，最长切削磨粒长度超过 130 m（图 6），表明该空压机曲轴连杆的磨损更加严重，甚至正趋于失效。第 18 号样本输出值为(0,0,1)，空压机磨损严重，同样符合实际检测结果。此时润滑油中Cu浓度含量高达130 mg/L，表明曲轴连杆磨损状态加剧恶化，说明该部件几乎已经失效。综上可见，通过光谱与铁谱分析诊断结果相互印证，说明采用融合模型分析、判断空压机磨损部位与磨损程度效果好、精度高，符合实际情况。3 模型效果对比为突出融合模型诊断效果，从精度、准确率角度，将其与 BPNN 进行比较。3.1 诊断精度比较分析由图 7 可知，在 6 次迭代过程中，BPNN 模型训练集、验证集的均方误差曲线逐渐下降，第 6 次均方差降至设定目标，此时验证集均方差为 7.6110-3 mg2/L2；而测试集的均方差曲线在 6 次迭代过程中呈现出先下降、后上升的趋势，表明 BPNN 模型测试集泛化能力减小、模型可靠性减弱。因此，比较图 5 和图 7 可知，融合模型比 BPNN 模型的验证集均方差减少 6.7010-3 mg2/L2，精度提高 88.1%，具有更高的精度和可靠性。3.2 诊断准确率比较分析同样，将这 18 组样本作为 BPNN 的输入，设置“1、2、3”对 18 组样本进行磨损状态分类，作为BPNN 的期望输出，分别表示“正常、警告、危险”。采用前 14 组样本进行训练、后 4 组样本进行测试，观察诊断值与实际故障状态是否处于同一样本类别，诊断结果见图 8。4 组测试样本中，只有 15 号样本的BPNN 诊断值与实际故障状态分类一致，准确率仅为 25%。而由表 3 可知，PCA-NTLV-BPNN 融合模型诊断准确率为 100%，比 BPNN 提高了 75%。图 7 基于 BPNN 的均方差曲线图图 8 BPNN 故障诊断结果徐启圣，杨健，赵磊，等：基于多算法融合的船用空压机油液分析与磨损故障诊断图 6 大片状铜磨粒（左）、切削磨损颗粒（右）50 m20 m26湘南学院学报2024 年 4 月（第 45 卷）第 2 期4 结论油液中无关元素多，会增大分析难度，干扰诊断结果，单纯采用 BPNN 模型进行故障分类存在精度、准确率低的问题。本文以上海某船厂空压机为研究对象进行小样本油液光谱数据处理，应用小波包变换对其进行降噪预处理；应用 PCA 降低了数据维度，排除了干扰元素影响，确定了影响空压机磨损状态的主要油液监测元素；采用 NTLV 提高了诊断分类效果。与 BPNN 模型相比，基于 PCA-NTLV-BPNN 多算法融合模型的诊断精度和准确率分别提高了 88.1%和 75%，这为类似信号的处理提供借鉴。本文采用融合模型，结合光谱数据、铁谱磨粒信息，共同诊断空压机磨损状态，暂未考虑油液温度、酸值、水分等检测数据对磨损状态的影响。在后续研究中，将结合更多油液监测数据，以便更全面地判断设备磨损状态。参考文献 1 张明,江志农.基于多源信息融合的往复式压缩机故障诊断方法 J.机械工程学报,2017,53(23):46-52.2 江志农,张进杰,马波,等.往复式压缩机故障监测与诊断技术 M.北京:科学出版社,2018.3 柯贤勇.船用空压机结构振动分析及其减振降噪技术研究 D.厦门:集美大学,2020.4 夏树昂,赵宴辉,隋然,等.船用空压机抗冲击设计对比仿真研究 J.机械工程与自动化,2022(6):78-81.5 尚前明,胡浩帆,曹召,等.船用空压机装置故障诊断方法研究 J.中国修船,2019,32(1):4-8.6 龙 de 船人网.发生了什么?海工船空压机爆炸 EB/OL.(2022-11-23)2023-01-04.https:/ 7 ZANOLI S M,ASTOLFI G,MARCZYK J.Complexity-based methodology for Fault Diagnosis:Application on a centrifugal machine J.IFAC Proceedings Volumes,2012,45(12):51-56.8 AL-BUGHARBEE H,SAMAKA H,ZUBAIDI S.Diagnosis of air compressor condition using minimum redundancy maximum relevance(MRMR)algorithm and distance metric based classification J.Diagnostyka,2021,22(4):25-32.9 VERMA N K,ROY A,SALOUR A.An optimized fault diagnosis method for reciprocating air compressors based on SVM C/2011 IEEE International Conference on System Engineering and Technology.Shah Alam,Malaysia.IEEE,2011:65-69.10 倪利明.空压机远程故障诊断与预测技术 D.杭州:浙江理工大学,2019.11 黎秋莹,贺石中,李秋秋,等.基于油液监测的大型船舶艉管异常磨损故障分析 J.润滑与密封,2021,46(5):137-141.12 涂建军,郭井加.船舶装备油液监测的数据标准化 J.润滑与密封,2018,43(7):131-135.13 於国平.LMF 船用高压空压机组工作原理及故障分析 J.物探装备,2009,19(1):22-27.14 李秀芳.油液监测技术在空压机故障分析中的应用 J.润滑与密封,2015,40(3):116-118,124.15 赵军,马仲翦.基于润滑油分析的往复式空压机故障诊断 J.机电工程技术,2010,39(11):68-69,144.16 赵质良,马仲翦,赵军.振动及油液监测技术在船舶往复式空压机故障诊断中的应用 J.现代机械,2009(6):40-41.17 周守西,李柱国,杨慧,等.模糊理论在大型空气压缩机故障诊断中的应用 J.润滑与密封,2004,29(6):94-96.18 王曦,刘志刚,林卫国.基于智能化多目标优化的空压机油液故障诊断研究 J.中国农机化学报,2014,35(2):306-309,322.19 江志农,周超,张进杰,等.往复压缩机气量调节控制失稳自愈调控方法研究 J.机械工程学报,2020,56(22):131-141.20 张永超,李金才,赵录怀.PSO 优化 BP 神经网络齿轮箱故障诊断 J.电子技术应用,2019,45(12):42-46,50.21 桂斌斌,林国汉,谢雅,等.基于 PSO-BP 的风电机组齿轮箱故障诊断 J.湖南工程学院学报(自然科学版),2019,29(3):21-25.22 周建,向北平,倪磊,等.基于 Shannon 熵的自适应小波包阈值函数去噪算法研究 J.振动与冲击,2018,37(16):206-211,240.23 张其春,黄陈润.生鲜电商环境下食品冷链物流服务质量评价研究：基于 PCA-BP 神经网络的实证 J.大连海事大学学报(社会科学版),2019,18(3):70-77.24 李栢年,吴礼斌.MATLAB 数据分析方法 M.北京:机械工业出版社,2012.25 李柱国.油液分析诊断技术 M.上海:上海科学技术文献出版社,1997.26 徐启圣,许泽银,徐厚昌.基于油液降噪信息的发动机磨损多特征分析研究 J.中国机械工程,2010,21(12):1405-1409.27 徐奕文,王维莉.基于 BP 神经网络的客船疏散时间快速预测模型 J.大连海事大学学报,2022,48(3):31-38.28 苏文明,柴凯.基于 VMD 和 RBF 的舰船管路泄漏识别和定位 J.船舶工程,2020,42(10):105-112.29 燕志星,王海瑞,杨宏伟,等.基于深度学习特征提取和 GWO-SVM 滚动轴承故障诊断的研究 J.云南大学学报(自然科学版),2020,42(4):656-663.30 王文广.基于 CFD 的水泵水轮机压力脉动分析 D.邯郸:河北工程大学,2021.