1.基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法，包括以下各步骤：(1)柴油机常见磨损故障主要有主轴承异常磨损(B)，缸套-活塞环异常磨损(C)，活塞异常磨损(P)和润滑油污染(L)四种磨损故障，正常情况(N)和这四种磨损故障构成了模型的辨识框架，记为Y，Y＝{N,B,C,P,L}；

(2)从中速柴油机在线油液监测系统中采集油样，共采集110瓶；通过原子发射光谱仪对采集到的油液进行化学元素浓度检测；将油液中的Fe，Al，Pb，Si化学元素的浓度作为输入特征参数变量x1(t),x2(t),x3(t),x4(t),其单位为mg/L,t为样本编号，且t∈[1,T]，T为样本总数；x1(t),x2(t),x3(t),x4(t)与其对应的故障类型Y(t)表示成样本集合S＝{[x1(t),x2(t),x3(t),x4(t),Y(t)]|t＝1,...,T}，[x1(t),x2(t),x3(t),x4(t),Y(t)]为一个样本向量；x1(t)∈[a1,a2]，其中a1，a2分别为样本中x1(t)的最小值和最大值；x2(t)∈[b1,b2]，其中b1，b2分别为样本中x2(t)的最小值和最大值；x3(t)∈[c1,c2]，其中c1，c2分别为样本中x3(t)的最小值和最大值；x4(t)∈[d1,d2]，其中d1，d2分别为样本中x4(t)的最小值和最大值；

(3)建立置信规则库，用于描述输入特征参数变量x1(t),x2(t),x3(t),x4(t)与故障类型之间的非线性映射关系，其中第k条规则Rk(k＝1,...,K)的表示形式如下：其中，K为置信规则库的规则总数，第k条规则的初始规则权重为

为输入特征参数变量xi(t)的参考值集合，Fi,1， 分别为

输入特征参数变量xi(t)的最小和最大取值；ηM,k为第k条规则中第M个故障类型的置信度，YM为第M个故障类型，‘∨’表示并集；

(4)将T个样本向量[x1(t),x2(t),x3(t),x4(t),Y(t)|t＝1,...,T]中的输入特征参数变量xi(t)分别用信息等价转换方法转换为置信度分布的形式，如(4-a)所示，其中，输入特征参数变量xi(t)与参考值Fj的相似度分布为：S(xi(t))＝{Fi,j,βi,j|j＝1,...,Ji,i＝1,...,4}    (4-a)通过式(4-b)-(4-d)计算输入特征参数变量xi(t)与参考值Fj的相似度；

βi,j+1＝1-βi,j        (4-c)

βi,j'＝0 j'≠j,j+1    (4-d)

(5)根据步骤(4)获得输入特征参数变量xi(t)与参考值的相似度βi,j(i＝1,...,4；j＝

1,...,Ji；)，计算置信规则库中每一规则的激活权重gk(k＝1,...,K)计算公式如下：其中 表示第k条初始规则权重；

(6)采用解析证据推理规则对规则库中被激活的规则进行融合推理，确定每一样本对应的故障类型Y'，具体步骤如下：(6-1)设定输出组合O＝{(Ym,ηm),m＝1,...,M}，其中ηm为第m个故障相对应的置信度，其计算公式如下：其中K为总的规则条数，M为故障类型数量，此处M＝5，ηm,k为初始给定第k条规则所对应的第m个故障类型的信度；

(6-2)根据步骤(6-1)计算出训练集对应的五种故障类型的信度分布{(N,η1),(B,η2),(C,η3),(P,η4),(L,η5)}，根据公式(6-2-a)得到输入特征参数变量(x1(t),x2(t),x3(t),x4(t))对应的故障类型估计结果为：Y'(t)＝arg max{η1,η2,η3,η4,η5}    (6-2-a)(7)对基于并集置信规则库的故障定位模型进行优化，具体步骤如下：(7-1)确定优化参数集合

其中Fi,j为第i个输入特

征参数变量的参考值， 为第k条规则的初始权重，ηm,k为第k条规则中第m个故障类型所对应的信度值；

(7-2)将误分率er作为目标函数，建立优化模型：

s.t.

lbi≤Fi,j≤ubi    (7-2-b)

Fi,1＝lbi         (7-2-c)

Fi,j＝ubi         (7-2-d)

0≤ηm,k≤1       (7-2-f)

其中，Et(t＝1,...,T)表示分类结果是否正确，若真实的故障Y与模型估计的故障Y'相同时，则Et为0，反之为1，如(7-2-h)所示；式(7-2-b)-(7-2-g)表示优化参数需要满足的约束条件；

(8)利用蚁群算法对优化模型进行求解,其具体步骤如下：

(8-1)对蚁群算法的参数进行初始化，包括转移概率常数p,初始种群中蚂蚁的个数ant，最大迭代次数times，步长系数 全局最优误分率gbv；初始种群中每一蚂蚁为一个置信规则库的参数Xl(l＝1,...,ant)，由输入特征参数变量的参考值、初始规则权重和输出故障类型对应的置信度组成；

(8-2)根据置信规则库进行故障分类，并根据(7-2-a)获得种群中每一蚂蚁对应的置信规则库对训练样本的误分率erl(l＝1,...,ant)；

(8-3)如果erl小于全局最优误分率gbv，则gbv＝erl，则该蚂蚁对应的置信规则库为最优规则库gbi，该规则库的参数为最优参数Xb，且Xb＝Xl其对应的种群误分率最小，为erb，重复ant次；

(8-4)计算最小误分率erb与每一个误分率erl(l＝1,...,ant)的差比Pl；

(8-5)若差比Pi

(8-6)利用新生成的Xnewi规则库对训练样本进行故障分类，并根据(7-2-a)获得新的误分率ernewi；

(8-7)将ernewi与eri进行比较，如果ernewi

(8-8)重复步骤(8-3)至(8-7)，直到达到最大迭代次数times；获得最小误分率gbv和最优规则库gbi，该最优规则库作为最终的船舶柴油机故障定位模型，并根据该模型对测试样本数据，重复步骤(4)至(6)得到更为精确的估计输出故障Y'。