船舶柴油机机械磨损故障诊断方法

柴油机是船舶运行最重要的动力装置之一,经过长年累月的运转,磨损故障经常发生,影响船舶的正常行驶。针对上述问题,提出一种神经网络机械磨损故障诊断方法。设计了与之相适应的BP网络结构,在此基础上建立了一个BP神经网络模型,并给出了一种BP神经网络学习算法,用来调整网络学习速率。柴油机机械磨损故障诊断实例结果表明:利用BP神经网络诊断出船舶柴油机磨损故障与实际诊断结果一致,准确率高达80%以上。     

基于随机森林和支持向量机的船舶柴油机故障诊断

针对船舶低速二冲程柴油机故障的分析问题,提出基于随机森林和支持向量机的船舶柴油机故障诊断方法。对船舶低速二冲程柴油机MAN BW 6S50MC-C建立故障仿真模型并验证其有效性;在此基础上,通过故障仿真模型生成故障样本。运用基于随机森林的VarSelRF特征选择算法对故障数据进行降维,提出运用支持向量机对降维后的故障数据进行分类的方法。通过仿真试验验证并分析该方法的有效性。     

基于区间约束GPC的船舶SCR脱硝系统多工况控制

不同工况下的船舶柴油机脱硝系统具有很强的非线性和时变性，常用的单一控制器难以准确控制，因此对船舶选择性催化还原（SCR）脱硝系统进行自适应控制研究尤为重要。从SCR的反应微分方程入手，建立船舶柴油机SCR脱硝系统的机理模型，并通过模型仿真的离线数据辨识建立不同工况下该系统的ARMAX模型；设计基于该模型的广义预测控制器以实现多工况的自适应控制。考虑到执行机构的使用寿命，加入区间约束算法，提出并设计带区间约束算法的广义预测控制（GPC）控制器。研究结果表明：与传统的GPC和模型预测控制（MPC）控制器相比，带区间约束的GPC控制器不仅能在变工况时保持较高的脱硝率，而且能显著减少执行器的动作次数，从而提高船舶柴油机SCR脱硝系统的使用寿命。     

船舶主柴油机并车运行新方法

随着海上船舶大型化和高速化的发展，双机单桨船舶动力装置日益增多。传统的船舶主柴油机并车运行控制方式通常采用主从调速器法，这种方法尽管能满足船舶主柴油机并车运行的要求，但存在着一定的弊端。在研究分析了船舶主柴油机并车运行的工作原理、控制要求、关键技术及传统控制方法的利弊基础上，作者提出了一种船舶主柴油机并车运行的新思路和新方法。经过实验室台架试验和实船应用，证明该方法不但易于实现，而且控制效果理想。     

船舶柴油机机械磨损故障诊断方法研究

柴油机机械磨损直接影响船舶工作的可靠性,为了获得高正确率的船舶柴油机机械磨损故障诊断结果,设计了局部均值分解和机器学习算法的船舶柴油机机械磨损故障诊断模型。首先对船舶柴油机机械磨损故障信号进行局部均值分解,提取的船舶柴油机机械磨损故障特征,然后引入机器学习算法对船舶柴油机机械磨损故障进行分类和识别,最后进行了船舶柴油机机械磨损故障性能测试。结果表明,本文模型的船舶柴油机机械磨损故障正确率超过95%,而且船舶柴油机机械磨损故障的误诊率相当低,完全能够满足当前船舶柴油机机械磨损故障诊断的实际要求。     

船舶主柴油机自适应调速系统计算机仿真

本文用仿真技术对船舶主柴油机自适应调速系统进行了分析与研究,为DYT型自适应多功能船舶主柴油机电/液调速器的设计,及其自适应自寻优控制方法的确定提供了依据。该方法及其结果对其它系统也有一定的参考价值。     

船舶主柴油机建模与仿真

船舶主柴油机作为船舶动力装置的核心设备,在船舶安全航行中有着至关重要的作用。对船舶主柴油机进行建模可以进一步研究柴油机的工况及性能,文章以7K98MC型柴油机为研究对象,基于Matlab/Simulink平台搭建柴油机工作过程的仿真模型,并对模型正确性进行验证分析。     

基于数据挖掘的船舶主机故障远程诊断系统设计

如果船舶的主发动机不能正常的工作,船舶的安全航行就难以保证。传统的故障诊断系统主要依靠船员的经验来分析每台设备的参数并推断出故障的类型。该方法精度低,成本高,无实时性。为解决这一问题,基于数据挖掘技术设计了一种新型船用柴油机故障诊断优化系统。本文将数据挖掘技术应用故障诊断,利用算法上的高效,包括VSM算法和关联规则,建立远程船舶主机故障诊断系统,对主机的运营进行实时动态的仿真。对发动机各子系统运行状态的实时监控可以与整个船用柴油机的故障特征相结合。     

内河船用中速柴油机油耗率模型的建立

为研究柴油机的油耗率,结合内河船舶经常使用的XCW6200ZC型中速柴油机的台架试验数据,采用多项式拟合的方法对这些数据进行处理,建立柴油机推进特性下的油耗率与推进特性系数、转速之间的数学模型。运用该模型对船舶柴油机的油耗率进行计算和预测,结果表明:该模型能够较好地预测柴油机的油耗率。     

基于随机森林算法的船舶电站故障诊断

针对船舶电站故障诊断中常用的BP神经网络算法存在的收敛速度慢和诊断准确率不高等问题,提出一种基于随机森林算法的船舶电站诊断模型。在Simulink软件中搭建船舶电站故障模型,通过在Simulink中仿真得到船舶电站故障数据,分析基于随机森林算法的船舶电站故障诊断原理。在MATLAB软件中分别建立基于随机森林算法和BP神经网络算法的船舶电站故障诊断模型,并对二者的故障诊断结果进行对比分析。结果表明,基于随机森林算法的诊断模型相比基于BP神经网络的诊断模型,能显著提高船舶电站故障诊断的效率和准确率。     

神经网络技术在船舶柴油机故障在线诊断中的应用研究

文章主要研究基于RBF神经网络理论为数学工具对柴油机故障进行计算机仿真诊断,建立船用柴油机征兆与故障样本集,作为神经网络故障诊断的专家知识库,以实现船用柴油机故障诊断。并对柴油机性能工况的故障在线自动诊断进行探索,以提高故障诊断的及时性和准确率,减少误诊。     

船舶主柴油机缸套冷却水出口温度的智能控制

利用传热学的有关理论,对船舶主柴油机缸套冷却水系统的传热机理进行了分析,给出了船舶主柴油机缸套冷却水系统的动态热力数学模型,并将基于神经网络的模糊PID控制引入到缸套冷却水出口温度控制系统中,以实现对对象进行在线控制.仿真结果表明,基于神经网络的模糊PID自适应控制比传统的PID控制的控制性能更好,而且前者具备适应控制环境变化的能力和自学习能力,当主机运行工况发生变化时,仍具有很好的控制性能.     

基于PNN的舰船柴油机冷却系统故障预警研究

针对舰船柴油机冷却系统，分析其典型故障模式，选取特征参数，基于概率神经网络（PNN）建立故障预警模型以对其进行故障预警，结合某型柴油机在某船实际运行数据完成模型的训练和验证。结果表明：采用概率神经网络可有效地实现舰船柴油机冷却系统的故障预警。     

船舶主机性能故障的主成因分析

介绍了船舶主机２０种典型性能故障的仿真模型计算结果。通过对各故障下热工参数的主成因分析,揭示了热工参数的相关性,提出了性能故障的降维识别方法,并介绍了人工神经网络在船舶主机故障诊断中的具体应用。     

基于BP神经网络的船用柴油机振动状态监测

通过监测柴油机表面振动信号,用时间序列分析方法提取柴油机故障的振动特征参数,以此建立相应的神经网络,用于船用柴油机的状态监测,提高诊断的准确性。试验研究在中速四冲程增压柴油机上进行。文中以柴油机气阀间隙异常的诊断和柴油机负荷状态的识别为例阐述了该方法的实现过程,并给出了振动信号的特征参数与柴油机工作状态之间的关系。研究表明,利用神经网络监测柴油机运行状态的变化是可行的和有效的。     

船舶柴油机运行工况诊断仿真研究

提出了基于RBF神经网络的故障智能诊断方法。应用神经网络理论对柴油机故障进行智能仿真诊断，并考虑到海上航行环境的大气温度变化，实现大功率船用柴油机运行性能的主要故障的仿真。以对柴油机燃烧系统故障为例进行仿真分析、处理故障并制订相应的维修对策，从而提高柴油机的使用效率和寿命。此外，对开发实船柴油机故障诊断的辅助分析系统和轮机模拟器的功能扩展有实际意义。     

船舶柴油机NOx排放特性神经网络预测中的试验设计

研究船舶柴油机NOx排放特性神经网络预测中的学习样本选取试验设计方法。根据用于主机的船舶柴油机可能持续运行范围的工况变化特点,提出采用功率因素变边界的均匀设计法进行试验设计选取样本,并验证了其可行性。研究结果表明,变边界均匀设计法选取的样本用于神经网络训练,预测精度明显高于随机样本选取法。4位级变边界均匀设计法选取的样本训练得到的神经网络模型,NOx排放浓度预测误差小于3.8%,NOx比排放预测误差小4.5%。     

船用中速双燃料发动机放热规律神经网络预测模型的开发

以船用中速双燃料发动机为研究对象,提出其放热规律神经网络预测模型的开发方法。首先建立船用中速双燃料发动机的多维性能仿真模型,对增压空气压力、燃气喷射量和引燃油喷射提前角等不同控制参数进行数值组合,计算多组不同工况条件下的放热率曲线;通过对多条放热率曲线进行参数化分析,明确描述放热率曲线的4个曲线特征参数和特征方程;建立双燃料发动机放热规律神经网络预测模型,以控制参数作为输入量,以放热率曲线特征参数作为输出量,利用多组放热率数据对神经网络模型进行训练和测试。该模型揭示了控制参数与放热率之间的规律,可由控制参数对放热率曲线进行预测。仿真计算结果表明:相比一般的发动机实时仿真模型,神经网络预测模型结果更加贴近发动机实际工作状态。     

船舶动力系统中齿轮箱故障特征提取与模式识别方法研究

A marine propulsion system is a very complicated system composed of many mechanical components.As a result,the vibration signal of a gearbox in the system is strongly coupled with the vibration signatures of other components including a diesel engine and main shaft.It is therefore imperative to assess the coupling effect on diagnostic reliability in the process of gear fault diagnosis.For this reason,a fault detection and diagnosis method based on bispectrum analysis and artificial neural networks (ANNs) was proposed for the gearbox with consideration given to the impact of the other components in marine propulsion systems.To monitor the gear conditions,the bispectrum analysis was first employed to detect gear faults.The amplitude-frequency plots containing gear characteristic signals were then attained based on the bispectrum technique,which could be regarded as an index actualizing forepart gear faults diagnosis.Both the back propagation neural network (BPNN) and the radial-basis function neural network (RBFNN) were applied to identify the states of the gearbox.The numeric and experimental test results show the bispectral patterns of varying gear fault severities are different so that distinct fault features of the vibrant signal of a marine gearbox can be extracted effectively using the bispectrum,and the ANN classification method has achieved high detection accuracy.Hence,the proposed diagnostic techniques have the capability of diagnosing marine gear faults in the earlier phases,and thus have application importance.     

大型集装箱船主柴油机控制实时仿真系统

利用动态优化ＢＰ神经网络,面向对象技术、ＧＦＷ工控软件平台和多媒体技术开发了一个船用柴油机控制实时仿真系统。该系统实现了２７００箱集装船船“高河”轮Ｓ０７／９０遥控系统Ｓ０６安全保护系统,ＤＧＵ８８００电子调速系统和Ｂ＆Ｗ６Ｌ８０ＭＣ柴油机的动态仿真。该系统有两种操作方式,一种通过模拟机 控台和驾驶室控台的控制面板和车钟等进行操作另一种是通过触摸屏对控制系统的软界面进行操作。