船舶发电机电路故障分类和诊断

发电机是船舶的动力设备之一,而电路是船舶发电机的核心部件,当前船舶发电机电路故障诊断方法的误诊率相当高,为此本文设计了一种基于模式识别的船舶发电机电路故障分类和诊断方法。首先提取船舶发电机电路故障特征,并进行归一化作为输入向量,然后通过模式识别技术建立船舶发电机电路故障的分类器,从而建立船舶发电机电路故障的诊断模型,最后在相同环境下与其他船舶发电机电路故障诊断模型进行仿真实验。实验结果表明,本文模型的船舶发电机电路故障诊断成功率大幅度提升,船舶发电机电路故障的误诊率和漏诊率急剧下降,同时船舶发电机电路故障诊断效率也要优于对比模型,具有更高的实际应用价值。     

支持向量机在船舶电力推进系统故障诊断中的应用

针对人工神经网络收敛速度慢、容易陷入局部最优解等不足,本文采用支持向量机技术建立船舶电力推进故障诊断系统。确定支持向量机的核函数和分类方法,结合训练样本,采用基于网格搜索的K重交叉验证法进行核函数的参数优化,从而得到支持向量机故障诊断模型。利用支持向量机工具箱函数,在MATLAB中进行故障诊断模型的仿真计算,结果表明基于支持向量机所建立的故障诊断模型有较强的诊断准确性和泛化推广能力,从而提高船舶的安全性。     

基于支持向量机的船舶感应电机轴承故障在线诊断方法

提出一种基于WELCH分析法结合支持向量机(SVM)的船舶感应电机轴承故障在线诊断方法,通过数字信号处理器(DSP)在线采集感应电动机的定子电流,使用WELCH法对电机的定子电流信号进行预处理,从预处理频谱分析中提取峰度、偏度、波峰因数、间隙和形状因子5个参数,形成支持向量机的特征向量,通过实验优化支持向量机的核函数参数,完成故障的识别。设计基于DSP的在线轴承故障诊断试验系统,实验结果证明,所提方法计算相对简单,可有效地在线识别电机轴承的外沟道故障。     

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。     

基于关联规则的船舶故障数据自动分类方法

为了提高船舶故障诊断能力,需要进行故障数据的自动分类设计,提出基于关联规则的船舶故障数据自动分类方法。构建船舶故障数据的数据信息流模型,采用高维特征分组方法进行船舶故障数据的分组重构,采用分段线性检验方法进行船舶故障数据的统计特征分析,提取反映船舶故障类别属性的关联规则向量集,根据特征提取结果进行模糊聚类处理,实现船舶故障信息融合,结合自适应分组检测方法,实现船舶故障数据关联规则的自动分类。仿真结果表明,采用该方法进行船舶故障数据自动分类的自适应性较强,误分率较低,提高了船舶故障的诊断检测能力。     

基于PCA和SVM的柴油发动机冲击故障诊断方法研究

针对柴油发动机振动信号进行故障诊断技术研究,提出了一种基于主成分分析和支持向量机的柴油发动机冲击故障诊断方法。首先利用小波包分解提取出冲击故障的特征;再利用主成分分析技术获得敏感特征参数,进而减小数据处理的复杂程度;最后利用支持向量机对敏感特征参数样本进行训练,获得分类模型,进而实现故障分类。将该方法用于柴油机实际故障分类,诊断准确率较高,证实了本文方法对多种冲击故障诊断的有效性。     

基于粗糙集和优化DAG-SVM的船舶主机故障诊断方法

[目的]船舶主机各子系统之间是复杂的非线性关系,对于监测点在短时间内采集的大量数据,传统的故障诊断方法难以高效地完成任务。以船舶主机的燃油系统为研究对象,提出一种基于粗糙集理论和优化有向无环图—支持向量机(DAG-SVM)的故障诊断方法。[方法]首先,将数据挖掘中的粗糙集理论引入传统的支持向量机(SVM)诊断模型,并通过差别矩阵对离散化数据进行降维,在每2种故障之间建立支持向量机分类器,从而构建DAG-SVM拓扑网络;然后,以类间的分类精度为依据,优化有向无环图中根节点和其他叶节点的位置,从而有效避免"误差累积";最后,基于某超大型油轮模拟器,开展数值实验分析。[结果]实验结果表明,粗糙集与优化DAG-SVM相结合的故障诊断方法可以对船舶主机故障进行有效的诊断决策,其分类精度比传统的DAG-SVM方法提高了3.38%,而时间消耗也降低了2.42 s。[结论]该诊断方法对船舶主机的故障诊断研究具有一定的参考价值,也可为SVM在其他小样本分类中的应用提供数据支撑。     

基于模糊神经网络的船舶机电故障诊断分析

船舶机电故障诊断影响着船舶航行安全,关系着人类的生命财产安全。文章提出应用模糊神经网络对船舶机电故障进行诊断。模糊神经网络融合了模糊理论和神经网络的优点,可自适应从学习样本数据中提取故障模型,根据采集的样本训练出模糊神经网络的连接矩阵,再合成单个联想记忆网络,最终实现实时故障诊断。以某船舶发电机转子系统的监测数据为例,证明了此法的有效性,可广泛推广。     

支持向量机改进算法在船舶桨叶数分类中的应用

利用船舶目标辐射噪声DEMON谱特征,采用支持向量机改进算法,实现了对船舶螺旋桨桨叶数的分类识别应用研究。针对支持向量机算法对噪声比较敏感和求解最优分类面时约束较多不利于支持向量机最优分类面寻优的问题,在保持支持向量稀疏特性和应用径向基核函数的条件下,对支持向量机算法在松弛变量和决策函数2方面进行改进,构造齐次决策二阶损失函数径向基支持向量机改进算法,进行理论分析、数据仿真实验,并应用于利用船舶目标辐射噪声DEMON谱进行船舶螺旋桨桨叶数的分类识别实验。结果表明,该改进算法实现了支持向量机在二次规划中的最小约束条件下最优分类面求解,具有模型参数寻优空间广阔、总体分类性能优的特点,其分类性能优于原支持向量机算法,适用于利用船舶目标辐射噪声DENOM进行船舶螺旋桨桨叶数分类应用。     

支持向量机的舰船发动机故障诊断

发动机故障诊断是舰船领域的一项关键研究内容,舰船发动机故障与多种因素相关,而且故障类型很多,针对传统舰船发动机故障诊断模型存在的局限性,设计基于支持向量机的舰船发动机故障模型。首先采集舰船发动机工作状态信号,并从工作信号中提取舰船发动机工作状态特征;然后对舰船发动机工作状态特征进行降维处理,并采用支持向量机构建舰船发动机故障诊断的多分类器;最后采用仿真模拟实验测试了本文舰船发动机故障诊断模型的性能,支持向量机可以准确识别各种舰船发动机故障,舰船发动机故障诊断性能要优于传统舰船发动机故障诊断模型,而且诊断效率可以满足舰船发动机故障在线诊断要求。     

大型船舶轴系故障非接触式监测方法

大型船舶轴系故障具有多变性,导致当前故障识别方法无法有效对各种类型的大型船舶轴系故障进行准确识别,为了提高大型船舶轴系故障识别的效果,设计一种新型的大型船舶轴系故障非接触式监测方法。首先采集大型船舶轴系故障识别信号,采用小波对其进行去噪,然后换提取大型船舶轴系故障识别信号特征,最后采用最小二乘支持向量机设计大型船舶轴系故障识别的分类器,并进行了具体的大型船舶轴系故障识别模拟实验。与其他大型船舶轴系故障识别方法相比,本文方法通过小波抑制了大型船舶轴系故障识别信号中的噪声干扰,提高了大型船舶轴系故障识别成功率,加快了大型船舶轴系故障识别的训练时间,建立更高效率的大型船舶轴系故障识别分类器。     

基于LDA-GA-SVM的船舶电力推进系统故障诊断

在船舶电力推进系统发生故障时,进行快速准确诊断对于船舶航行的安全性至关重要。文章针对电力推进系统中永磁同步电机的常见故障,提出基于线性判别分析(LDA)与遗传算法(GA)优化的支持向量机(SVM)相结合的船舶电力推进系统故障诊断方法。以"烟大轮"作为研究对象搭建故障仿真模型,以此为基础生成故障数据。运用小波包算法结合LDA算法提取故障数据中的特征向量,再利用经过GA优化后的SVM模型对故障特征向量进行分类。分析仿真验证结果,与未优化的SVM模型对比,GA-SVM具有更高的故障诊断准确率。     

基于支持向量机的航标故障识别

航标的健康运行不仅与船舶运输效率和航行安全有关,而且还是评估航标维护质量的重要指标,是船舶航行的重要参考依据,也是衡量一个国家航运业发展水平的重要标准。因此,及早发现航标失常并及时采取相应的修复措施,符合航运及航标管理机构的实际需求。对于航标设备故障识别问题,实质上可归结为分类问题。文中详细介绍了支持向量机(SVM)用于分类的方法,最终采用支持向量机(SVM)的分类方法,通过MATLAB建立分类模型,实现对航标设备故障的识别。     

不平衡负载下船舶电力系统故障诊断研究

电力系统的故障诊断可以保证船舶的正常工作,针对当前单一模型无法全面、准确对船舶电力系统故障进行诊断的难题,提出一种基于组合模型的船舶电力系统故障诊断模型。首先提取不平衡负载下船舶电力系统的信号,并提取状态特征,然后采用隐马尔科夫法对船舶电力系统故障进行初步诊断,采用支持向量机对船舶电力系统故障进行进一步诊断,以提高船舶电力系统故障诊断的准确性。最后进行船舶电力系统故障诊断的测试,测试结果表明,组合模型可以从多个角度对船舶电力系统的工作状态进行分析,船舶电力系统故障诊断率高,不仅有降低了船舶电力系统故障的错误诊断率,而且改善了船舶电力系统故障效率。     

基于参数优化的舰船电动机故障诊断

相关向量机在舰船电动机故障诊断过程中,参数直接影响舰船电动机故障诊断结果,为了解决当前相关向量机参数优化难题,设计了粒子群算法优化相关向量机的舰船电动机故障诊断方法。首先分析舰船电动机故障诊断现状,并采集舰船电动机工作状态信号,然后提取舰船电动机工作状态信号提取特征,利用相关向量机建立舰船电动机故障诊断模型,并采用粒子群算法对舰船电动机故障诊断模型参数进行优化,最后进行舰船电动机故障诊断仿真实验。结果表明,相对于其他舰船电动机故障诊断方法,本文方法的舰船电动机故障诊断精度更高,故障诊断结果更加可靠,诊断效率更高,具有一定的工程应用前景。     

基于支持向量机方法的模拟电路故障诊断

模拟电路故障诊断是电路故障诊断的难点问题,也是制约电路故障诊断技术发展的瓶颈.支持向量机方法被看作是对传统学习分类方法的一个好的替代,特别在小样本、非线性情况下,具有较好的泛化性能.本文采用支持向量机方法对模拟电路故障诊断进行了研究,并从核函数、模型参数等方面对其故障诊断性能进行了分析.实验表明,支持向量机方法能获得比神经网络方法更好的故障诊断性能.     

船舶电力推进系统故障诊断技术

故障诊断技术是船舶电力推进系统研究中的重点,当前无法对船舶电力推进系统的故障进行准确划分,无法获得较优的船舶电力推进系统故障识别效果,为了获得理想的船舶电力推进系统故障诊断效果,设计一种信号去噪和数据挖掘的船舶电力推进系统故障诊断方法。首先分析船舶电力推进系统故障原理,采用船舶电力推进系统故障信号,然后对船舶电力推进系统故障信号进行去噪,提高船舶电力推进系统故障信号质量,并提取船舶电力推进系统故障诊断特征,最后采用最小二乘支持向量机设计船舶电力推进系统故障分类器,并与其他方法进行船舶电力推进系统故障诊断对比实验,相对于对比方法,本文方法的船舶电力推进系统故障诊断率高于94%,不仅船舶电力推进系统故障结果的误识率明显减少,而且加快了船舶电力推进系统故障诊断的速度,具有更加广泛的实际应用领域。     

基于小波包分解的船用柴油机燃油电磁阀故障诊断方法

为了精准识别电磁阀故障,确保船用柴油机安全、平稳运行,提出基于小波包分解的船用柴油机燃油电磁阀故障诊断方法。采用小波包分解法对船用柴油机燃油电磁阀电流信号作分解,获取其多频带特征。通过核主成分分析法对其作降维处理,完成敏感特征选择。将其作为最小支持向量机的输入,自适应蚁群优化算法通过自适应调整挥发因子、状态转移规则确定最优模型参数,实现燃油电磁阀故障的准确诊断。结果表明：故障、正常工况下的燃油电磁阀电流特性曲线存在较大差异;该方法可提取电流信号的8个频带特征、不同频带特征间差异度大;特征选择有利于提高燃油电磁阀故障辨识度。本文方法可实现燃油电磁阀故障诊断,诊断效果突出。     

基于嵌入式技术的船舶故障诊断控制器设计

船舶故障诊断是船舶运输航行的重要技术支持,为了有效提高船舶故障诊断效果,基于嵌入式技术设计新型船舶故障诊断控制器。该控制器从故障异常数据入手,首先建立故障训练样本,用于表示船舶正常航行以及多类型故障时的数据标数,根据训练样本,提取当前故障信号诊断特征,并利用最小二乘法对上述建立的训练样本数据进行直接限制,完成诊断特征分类,将分类后的数据进行信号去噪,消除无用数据,确定信号标度因子值,通过数据清洗,重新划分定位故障数据,实现故障诊断。实验数据表明,应用该故障诊断控制器,故障诊断率提高了22%,故障误判率降低了30%,有效提高船舶故障诊断控制效果。     

一种新型支持向量机船舶探测方法研究

在船舶探测领域,需要根据不同的应用场合,采用不同类型的图像识别与探测技术,而海洋环境的可变特征为获取高解析度图像带来了较大困难,使得对于海上船舶图像的探测与识别难以达到良好的效果。为克服这一问题,本文提出一种新型支持向量机船舶探测方法,该方法利用颜色特征对图像块进行特征提取,采用支持向量机进行分类识别,并在分类后进行图像重建来提升分类精度和图像分辨率。仿真结果表明本文的方法能够应用于船舶探测领域,具有较好的可行性和有效性。