基于CAWOA-BP的船舶凝给水系统故障诊断

为克服传统专家经验在故障诊断方面的不足,实现船舶凝给水系统的智能诊断,在标准BP神经网络基础上提出一种优化后的CAWOA-BP故障诊断模型。采用混沌映射以及自适应权重调整策略优化WOA鲸鱼算法,利用优化后的WOA鲸鱼算法改进BP神经网络的权值及阈值矩阵。由于船舶凝给水系统的状态监测数据是复杂多维度数据,利用UMAP降维算法对原始数据进行降维。最后,利用降维处理后的数据训练CAWOA-BP神经网络模型,实现故障诊断。通过对正常及故障数据的学习,发现优化后的CAWOA-BP模型相比于标准BP,WOA-BP,PSO-BP故障诊断模型具有更高的准确率、精确率、召回率及预测误差。研究表明,基于优化后的CAWOA-BP神经网络故障诊断方法能够更加精确实现船舶凝给水系统的故障诊断。     

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。     

基于小波包振动谱图的柴油机在线故障诊断方法

柴油机是舰船的主要动力装置,针对传统故障诊断方法不能有效提取柴油机故障特征和实现在线诊断的缺点,提出一种基于小波包振动谱图像的柴油机在线故障诊断新方法.该方法首先用小波包对采集到的柴油机振动信号进行分析生成小波包振动谱图;然后利用双线性内插值方法对生成的振动谱图进行数据降维,对降维后的振动谱图进行灰度共生矩阵纹理特征参数提取;最后用分类器对特征参数进行识别,完成故障诊断。将该方法应用于柴油机气门间隙的故障诊断实例中,结果表明,基于小波包振动谱图像的柴油机在线故障诊断方法能快速高效的诊断出气门间隙故障,识别准确率高达99.17%,仅耗时0.24 s,为内燃机故障在线诊断探索了一条新途径。     

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。     

基于小波包振动谱图的柴油机在线故障诊断方法

柴油机是舰船的主要动力装置,针对传统故障诊断方法不能有效提取柴油机故障特征和实现在线诊断的缺点,提出一种基于小波包振动谱图像的柴油机在线故障诊断新方法.该方法首先用小波包对采集到的柴油机振动信号进行分析生成小波包振动谱图;然后利用双线性内插值方法对生成的振动谱图进行数据降维,对降维后的振动谱图进行灰度共生矩阵纹理特征参数提取;最后用分类器对特征参数进行识别,完成故障诊断.将该方法应用于柴油机气门间隙的故障诊断实例中,结果表明,基于小波包振动谱图像的柴油机在线故障诊断方法能快速高效的诊断出气门间隙故障,识别准确率高达99.17％,仅耗时0.24 s,为内燃机故障在线诊断探索了一条新途径.     

基于小波阈值去噪与t-SNE的船舶柴油机故障识别

通过对船舶柴油机振动信号的分析研究,文章提出一种基于小波阈值去噪和t分布随机邻域嵌入算法(t-SNE)结合的船舶柴油机故障识别方法。首先通过多种不同的阈值处理方式对采集的振动信号进行小波阈值去噪,使用小波能量谱对数据进行特征提取,并利用t-SNE对高维特征向量降维,最后使用GA-SVM进行故障分类。实验结果证明,文章提出的方法能够较正确地对柴油机的故障模式做出诊断。     

基于改进EEMD的船用柴油机缸套-活塞环故障诊断方法

船用柴油机缸套-活塞环发生故障时，振动信号呈现非线性、非平稳性特征且故障特征模糊、隐蔽。文章提出一种基于改进集成经验模态分解（EEMD）的故障诊断方法。通过设计固有模态函数（IMF）信息筛选准则对EEMD分解出的固有模态分量（IMFs）进行重新排序，筛去低质量的IMFs，以此获得包含更多能体现故障特征成分的重构信号，经该方法处理的信号再送入到分类器中进行识别和分类故障，实现船用柴油机缸套-活塞环的故障诊断。试验结果表明：与原EEMD诊断方法相比，该改进方法识别率更高，故障诊断效果更好。     

PA6柴油发电机自动停机故障排除与启示

针对柴油机在运行中出现自动停机故障的问题，以PA6柴油发电机为研究对象，重点从机械和电气2个方面分析柴油机自动停机的原因，总结出柴油机停机故障的排除方法，并提出排除故障的建议与启示。实船检修结果显示：通过对柴油机航空插头的优化改进解决了柴油机自动停机故障；同时柴油机出现故障后，要重视故障诊断与处理，提高船员应急处置能力。该故障排除方法可为类似船舶柴油机的使用管理与维修提供借鉴。     

改进BP算法的参数优化和知识学习

讨述一种基于人工神经网络（ＡＮＮ）的知识学习方法，采用改进的ＢＰ算法训练ＡＮＮ，用于船用柴油机故障诊断，以解决一般专家系统在知识获取过程中的“瓶颈”问题。还讨论了ＢＰ算法的改进与参数优化，并给出了在故障诊断中应用实例。     

ART网络在柴油机故障诊断中的应用

将人工神经网络应用于柴油机故障诊断，给出了一种利用自适应共振理论（ＡＲＴ模型）的故障模式识别方法及应用实例。     

基于随机森林方法的柴油机涡轮增压器故障诊断

为了提高柴油机故障诊断的精度,针对柴油机涡轮增压器故障的问题,提出基于随机森林的柴油机涡轮增压器故障诊断方法。使用AVL Boost对柴油机建立故障仿真模型,并生成故障样本。对构建的涡轮增压器模型使用随机森林方法诊断。结果表明,采用随机森林算法的故障诊断模型可以有效对涡轮增压器的故障进行分类,分类准确率超过95%。可知,随机森林方法在涡轮增压器故障诊断领域中有良好的应用价值。     

基于改进深度学习算法的船舶柴油机故障诊断技术

随着数据挖掘技术的发展,深度置信网络(DBN)这类深度学习算法被越来越多运用到工程领域。在故障诊断领域,结合DBN强大的自适应特征提取和非线性映射能力,可以摆脱以往对专家经验的依赖。基于此,本文为有效地监测柴油机气缸运行状态,提出一种基于改进深度学习算法的船舶柴油机故障诊断技术。先将原始信号的频域形式输入DBN当中,采用蚱蜢优化算法(GOA)搜索DBN的最优参数组合,并建立起最佳的柴油机气缸故障诊断模型。经测试验证,本文提出的诊断模型能够准确识别柴油机气缸运行状态并进行故障诊断,诊断率可以达到99.5%以上,具有较好的工程实用价值。     

基于改进深度学习算法的船舶柴油机故障诊断技术

随着数据挖掘技术的发展,深度置信网络(DBN)这类深度学习算法被越来越多运用到工程领域。在故障诊断领域,结合DBN强大的自适应特征提取和非线性映射能力,可以摆脱以往对专家经验的依赖。基于此,本文为有效地监测柴油机气缸运行状态,提出一种基于改进深度学习算法的船舶柴油机故障诊断技术。先将原始信号的频域形式输入DBN当中,采用蚱蜢优化算法(GOA)搜索DBN的最优参数组合,并建立起最佳的柴油机气缸故障诊断模型。经测试验证,本文提出的诊断模型能够准确识别柴油机气缸运行状态并进行故障诊断,诊断率可以达到99.5%以上,具有较好的工程实用价值。     

船用中速柴油机故障诊断技术研究

为了提高船舶柴油机故障诊断的准确性,实现对故障的精准定位,文章以6DE-18型船用中速柴油机为研究对象,从故障产生的机理入手,采用仿真软件建模,选取具有代表性的热力参数作为特征值,运用粒子群算法优化的支持向量机数学模型(PSO-SVM)进行故障诊断,并通过试验验证该故障诊断的准确性,改进了船用中速柴油机故障诊断的模式,...     

人工智能优化算法的舰船电网故障诊断优化

传统舰船电网故障诊断算法存在故障点与电路层数据不同步的问题,导致故障点出现时间量与确定故障位置时间量出现误差,进而影响电网保护策略的启动响应速度,造成不必要的连锁故障。因此,采用人工智能算法,对故障诊断模型进行优化,并提出人工智能优化算法的舰船电网故障诊断优化研究。首先在现有舰船电网故障诊断模型输出端,加入故障数据拟合模型计算,对电网络故障数据与电网结构层进行拟合;然后通过人工智能算法,对拟合故障数据的识别响应阈值进行优化计算,从而提升诊断阈值灵敏度,达到最佳的故障诊断效果。最后,通过与传统诊断算法诊断效果数据的对比,证明提出优化方法的可行性。     

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。     

基于优化栈式自编码器的船舶柴油机故障诊断

针对目前数据驱动的故障诊断方法在船舶柴油机应用中存在故障识别率不高的问题,提出一种基于麻雀搜索算法(Sparrow Search Algorithm, SSA)优化栈式自编码器(Stacked Auto-Encoder, SAE)的诊断方法,实现高精度故障诊断。利用SAE的重构误差作为状态监测量,实时监测柴油机故障的发生。将监测到的异常样本输入SAE进行数据分类,实现对故障类型的精确识别。针对SAE在故障类型识别中超参数设置过多、依赖人工经验的问题,采用SSA对SAE多个超参数进行联合寻优,提高故障识别率和稳定性。基于AVL BOOST船舶柴油机仿真数据的试验表明：所提出SSA-SAE诊断方法的故障识别率为96.71%,比SAE、支持向量机(Support Vector Machine, SVM)和极限学习机(Extreme Learning Machine, ELM)具有更高的故障识别率和更优的泛化能力。     

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。     

双资源约束下的船舶管件柔性生产车间调度优化

针对船舶管件柔性车间的复杂制造环境，建立以完工时间为主要优化目标、以设备资源和辅助资源为约束条件的双资源约束柔性生产车间调度问题模型，设计一种改进布谷鸟算法对其进行求解。针对问题特征及复杂性，在布谷鸟算法核心框架不变的基础上，提出一种莱维飞行自适应步长因子；同时，设计基于2种局部搜索的巢寄生策略，并引入模拟退火算法，以解决工序维、设备维和资源维的调度优化问题。将该算法应用于企业实际生产模型，结果表明：改进算法能有效避免设备资源冲突，具备较好的综合调度特性。     

模糊支持向量机在船舶发电机故障诊断中的优化应用

对以往提出方法的优点进行总结,在故障诊断中对模糊支持向量机进行优化应用,提出一种优化诊断方法。基于模糊支持向量机进行发电机故障分类,构建模糊故障分类模型。利用故障仿真模型获取各种发电机故障的对应电流信号,将电流信号中的特征量设为模型的四维输入向量。根据模糊故障分类模型的分类结果和船舶发电机历史运行数据,建立故障诊断融合识别框架。根据建立的故障诊断融合识别框架,将故障诊断过程分为4个步骤进行船舶发电机的实际故障诊断。对模糊支持向量机的优化应用进行实例研究,测试结果证明其优化应用实现了有效的故障诊断,验证了设计方法的有效性。