1.一种基于集成学习的船舶动力系统故障诊断方法,其特征在于,包括以下步骤:步骤S01:采集样本,每一个样本包括船舶动力系统的参数向量xi、船舶故障类型代码yi,并对参数向量xi进行归一化处理,共采集n个样本,形成样本集S={(x1,y1),(x2,y2),…(xn,yn)},其中船舶动力系统的参数向量长度为Lp,共有Lf种船舶故障类型;
步骤S02:针对每一船舶故障类型,在保持同样比例的情况下,将样本集S按照一定的比例划分训练样本集Strain和测试样本集Stest,训练样本集的样本个数为nstrain,测试样本集的样本个数为ntest;
步骤S03:针对每一船舶故障类型,建立一个强分类器Hj(x),j=1~Lf,共建立Lf个强分类器;
步骤S04:利用以上生产的多个类别的强分类器Hj(x),j=1~Lf,分别对测试样本集中的测试样本进行故障判断,最后采用投票的方式确定最终的故障类别。
2.根据权利要求1所述的基于集成学习的船舶动力系统故障诊断方法,其特征在于,步骤S01中所述的船舶动力系统的参数向量xi,长度为Lp=13,具体包括:1.缸内压力、2.气缸进气温度、3.气缸排气温度、4.气缸进气压力、5.气缸排气压力、6.中冷器进口温度、7.中冷器出口温度、8.中冷器进口压力、9.中冷器出口压力、10.增压器进口温度、11.增压器出口温度、12.增压器进口压力、13.增压器出口压力。
3.根据权利要求1所述的基于集成学习的船舶动力系统故障诊断方法,其特征在于,步骤S01中所述的船舶动力系统的故障类型共包括Lf=10种,船舶故障类型代码yi包括:A-各缸供油量减少、B-喷油正时故障、C-压缩比变化、D-曲轴箱窜气、E-中冷器效率故障、F-涡轮流道污堵、G-排气阀提前关闭、H-排气阀延迟关闭、I-增压器效率故障,J-正常状态。
4.根据权利要求1所述的基于集成学习的船舶动力系统故障诊断方法,其特征在于,步骤S03中所述的强分类器建立方法包括步骤S31:设置训练的次数T,并对训练样本集Strain的各样本赋以初始化权值w1,r,r是训练样本集中样本的序号,r=1~nstrain,nstrain是训练样本集中样本的个数,样本集的初始权值分布为一个长度为nstrain的向量步骤S32:按照训练样本的权值分布,从训练样本集Strain随机抽取部分样本组成训练集L;
步骤S33:使用基学习算法使用训练集L进行训练,生成弱分类器hk,k为当前训练的次数;
步骤S34:使用步骤S33中生成的弱分类器hk对训练样本集Strain的样本进行预测,计算该弱分类器hk的错误率εkεk=P{hk(xr)≠yr(xr)}
其中yr(xr)是训练样本集Strain中的样本,hk(xr)是使用弱分类器hk得到的预测结果,r=1~nstrain;
如果该弱分类器hk的错误率εk>0.5,该弱分类器失效,返回步骤S32;
如果该弱分类器hk的错误率εk≤0.5,进入步骤S35;
步骤S35:计算该弱分类器hk的权重ak
并更新训练样本集的权重分布
其中Zk是归一化因子
增加循环次数k=k+1,如果k<T,进入步骤S32,如果k=T,进入步骤S36;
步骤S36:上述步骤S31~S35中共生成了T个弱分类器,每个弱分类器具有权重ak,组成强分类器H(x)
5.根据权利要求4所述的基于集成学习的船舶动力系统故障诊断方法,其特征在于,步骤S31中所述的初始化权值为平均分布,wi=1/nstrain。
6.根据权利要求4所述的基于集成学习的船舶动力系统故障诊断方法,其特征在于,步骤S33中所述的基学习算法为支持向量机算法、极限学习机算法、神经网络算法、决策树算法或贝叶斯分类算法。