基于免疫遗传算法的核动力船舶设备故障诊断

针对传统遗传算法收敛速度慢且容易未成熟收敛引起的核动力船舶设备故障诊断响应延迟、误诊、漏诊问题,提出一种基于信息熵的免疫遗传算法用于核动力船舶设备的故障诊断:利用已知船舶设备故障征兆集合,选用概率因果模型,引入信息熵免疫遗传算法,求解具有最大后验概率的故障集合.某船用核动力蒸汽发生器与液压泵故障仿真结果表明,基于信息熵免疫遗传算法优化的概率因果模型不受故障样本的限制,具有较好的通用性,且模型故障诊断精度较高、寻优速度快.本方法同样适用于其他领域的故障诊断问题.     

基于遗传算法的船用核动力装置故障诊断

介绍一种将概率因果模型和遗传算法相结合的核动力装置二回路凝给水系统的故障诊断方法,该方法将概率因果模型的似然函数作为遗传算法的适应函数,从而将复杂系统的故障诊断转化为最优问题。仿真结果表明,该方法能够适应诊断过程中出现的不确定性,并实现多故障诊断,具有较高的诊断可靠性和实用性。     

基于遗传算法的船舶核动力装置冷凝器故障诊断研究

根据核动力装置冷凝器的运行特点,分析了导致冷凝器故障的各种原因,并结合领域专家的知识建立了故障征兆集.将遗传算法与概率因果模型相结合,建立了故障诊断系统.从系统的诊断结果看,该方法能准确、快速诊断出故障,这对保证核动力装置的安全运行具有一定的指导意义.     

改进遗传算法在船用核动力装置概率因果故障诊断中的应用

传统的遗传算法存在早熟现象严重和局部搜索精度较低的固有缺陷,容易导致分析结果与实际情况不相符,不能很好地用于船用核动力装置概率因果故障诊断。提出了一组综合改进策略,首先定义了奇异个体判断指标;而后设计了一种自适应交叉、变异策略和自适应局部搜索策略,并通过经典案例测试改进算法的有效性;最后构建改进算法与概率因果故障诊断模型,进行船用核动力装置故障诊断实例分析。分析结果对船用核动力装置故障诊断具有重要的指导意义,改进遗传算法是进行船用核动力装置故障诊断有效而实用的方法。     

优化的BP网络在船舶故障诊断中的应用

船舶各种设备故障的早期诊断和预测,对船舶的安全运行具有非常重要的意义。由于船舶上设备繁多,运行环境特殊,因此,各种设备的故障症状与故障原因之间关系十分复杂,使用传统诊断方法在实际应用中效果不理想。BP神经网络在故障诊断中有广泛的应用,但由于BP网络采用的是沿梯度下降的搜索求解算法,存在收敛速度慢,且容易陷入局部极小等问题。而遗传算法具有全局搜索速度快的优点。为此,采用自适应遗传算法来优化BP神经网络,并以船舶主机轴系的故障诊断为实例,证明遗传算法优化的BP网络方法非常适用于对船舶各种设备故障的早期诊断和预测。     

基于HMM-SVR的船舶动力设备故障模式识别与状态预测研究

船舶动力设备因故障监测信号样本少、变化缓慢且数据特征呈非线性,使得设备故障模式的准确识别和状态预测比较难。鉴于此,文章研究了基于隐马尔科夫模型的故障模式识别方法,利用该模型将微弱变化的信号特征转换为变化较大的对数似然概率对故障模式实现有效识别。在此基础上进一步提出基于HMM-SVR的设备状态预测模型,将遗传算法用于支持向量回归模型参数寻优,并结合隐马尔科夫模型,实现对设备状态的预测。对船用柴油机进行仿真,结果表明上述模型具有较高的识别率,能准确预测船舶动力设备的当前状态。     

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。     

基于数字信号处理技术的船舶电子设备故障诊断

当前船舶电子设备故障诊断方法无法准确表达船舶电子设备故障变化特点,船舶电子设备故障诊断成功率低,出现了大量错误的船舶电子设备故障诊断结果,同时船舶电子设备故障诊断实时性差,为此设计了基于数字信号处理技术的船舶电子设备故障诊断模型。首先分析当前船舶电子设备故障诊断模型存在缺陷的原因,通过数字信号处理技术采集船舶电子设备工作状态信号,并从信号中提取船舶电子设备故障特征向量,然后将船舶电子设备故障特征向量作为极限学习机的输入,通过确定极限学习参数建立船舶电子设备故障诊断模型,最后在Matlab2016平台上进行了船舶电子设备故障诊断仿真模拟测试。结果表明,本文模型可以提取描述船舶电子设备工作状态的信号,提取特征向量可以很好描述船舶电子设备故障类型,使得船舶电子设备故障诊断成功率得到提高,故障诊断的错误率降低,有利于船舶电子设备故障处理。     

基于人工鱼群算法的船舶电子设备故障智能诊断方法

为实现电子设备的高效维护,确保船舶安全航行,设计了基于人工鱼群算法的船舶电子设备故障智能诊断方法。采用离散小波变换法分解电子设备运行信号样本,通过计算不同尺度下的小波能量值完成船舶电子设备故障特征参数的提取,将其作为基于RBF神经网络的故障诊断模型的输入,利用人工鱼群算法对故障诊断模型的权值、阈值参数作优化处理,最终输出不同类型故障发生概率,实现电子设备故障诊断。实验结果表明,正常以及不同故障状态下,电子设备运行信号的时域波形存在很大差异,研究方法可实现故障特征参数的提取,并完成故障类型的识别,30次迭代后MSE指标即可降至最低,仅为10^-4。     

遗传算法和神经网络在船舶柴油机故障诊断中的应用

为提高船舶柴油机故障诊断的精度,以及改善神经网络收敛速度慢,易陷入局部最优解的情况。提出一种基于改进遗传算法和RBF神经网络相结合的智能诊断方法,并将其应用于船舶柴油机故障诊断中,改进的方法优化了神经网络的隐节点、宽度参数以及中心向量,用最小二乘法训练网络隐层到输出层的权值。最后在Matlab仿真软件下,对船舶柴油机故障诊断模型进行仿真实验。实验证明,自适应遗传算法优化的RBF神经网络,诊断速度快,诊断精度高,收敛效果好,能较好地应用在船舶柴油机的状态监测和故障诊断中。