船舶动力系统低压弱电设备故障检测方法

动力系统是船舶稳定航行的基础与关键,所含低压弱电设备复杂度逐渐攀升,故障概率也随之增加,为船舶稳定航行带来了威胁,因此提出船舶动力系统低压弱电设备故障检测方法研究。利用传感器获取船舶动力系统低压弱电设备振动信号,采用五点三次平滑法对振动信号进行平滑处理,以此为基础,Fourier变换振动信号,提取振动特征信号(有效值及其能量),将提取的振动特征信号输入至训练好的一维深度卷积神经网络中,网络输出即为低压弱电设备故障检测结果,实现了低压弱电设备故障的检测。实验数据显示,3个数据集的故障检测率均高于95.2%,符合船舶航行需求,证实了提出方法的可行性。     

基于深度卷积神经网络的船舶识别方法研究

为解决目前船舶识别率较低的问题,基于深度卷积神经网络算法,提出一种在深度卷积神经网络基础上的改进算法.利用卷积神经网络对船舶图片进行深度特征提取,结合HOG算法得到准确的边缘特征,结合HSV算法得到颜色特征,通过SVM分类器对船舶进行分类.算法主要包括2个阶段:训练阶段实现卷积神经网络的预训练,将得到特征归一化,PCA降维,通过HOG算法得到边缘特征,最后训练SVM分类器;测试阶段则对算法的准确性进行核实.实验结果表明,该方法平均识别正确率达到93.6％,可以很好地实现船舶识别.     

基于深度卷积神经网络的船舶识别方法研究

为解决目前船舶识别率较低的问题,基于深度卷积神经网络算法,提出一种在深度卷积神经网络基础上的改进算法。利用卷积神经网络对船舶图片进行深度特征提取,结合HOG算法得到准确的边缘特征,结合HSV算法得到颜色特征,通过SVM分类器对船舶进行分类。算法主要包括2个阶段:训练阶段实现卷积神经网络的预训练,将得到特征归一化,PCA降维,通过HOG算法得到边缘特征,最后训练SVM分类器;测试阶段则对算法的准确性进行核实。实验结果表明,该方法平均识别正确率达到93.6%,可以很好地实现船舶识别。     

大型船舶动力装置故障的诊断研究

大型船舶动力装置工作负荷较大,故障诱因较多,为了有效准确排除大型船舶动力装置,提高工况稳定性,提出一种基于喘振谱特征提取的大型船舶动力装置故障检测诊断方法。采用多传感器进行大型船舶动力装置的物理信息采集,提取动力装置的振动信号和喘振信号,对提取的信号进行时频变换和离散谱特征分析,采用自相关匹配滤波器进行船舶动力装置振动传感信号的滤波处理,对滤波输出信号进行喘振谱提取,对提取的谱特征量输入到神经网络分类器中进行故障判别。仿真及结果表明,采用该方法进行大型船舶动力装置故障诊断的准确性较高。     

基于EMD的船舶动力系统振动信号分析

为了提高船舶动力系统的故障分析和诊断能力,需要对振动信号进行模态分解和特征分析,提取有用的信号特征量,实现故障检测,提出基于经验模态分解(EMD)的船舶动力系统振动信号分析方法,采用宽带非平稳信号建模方法进行船舶动力振动信号建模,采用匹配滤波检测器对振动传感器采集的原始信号进行降噪滤波处理,对降噪输出的信号进行经验模态分解,提取信号的所有局部极值点,用三次样条曲线分析方法提取振动信号的复包络,实现信号特征提取和分析。仿真结果表明,该方法提取的信号特征量能有效反映船舶动力系统的工况特征,实现船舶动力系统的运行状态实时监测和故障分析,信号分析的抗干扰能力较强。     

使用数据挖掘实现舰船故障数据定位

为了更好地保障船舶航行安全,有效提高船舶的故障定位和检测能力,提出了使用数据挖掘实现舰船故障数据定位方法,通过对舰船故障数据进行实时采集和分类挖掘获取船舶航行过程中的异常数据,实现对船舶故障数据关联规则特征的准确提取。在进行故障定位的过程中,合理并利用电磁探测器和声敏传感器等设备进行故障诊断,并对不同类别船舶故障数据的高维特征融合的研究采用数据挖掘分析算法,利用数据挖掘分类器对船舶故障数据进行分类识别和定位挖掘,从而有效保障船舶故障数据定位的精确度和有效性。最后通过实验结果表明,使用数据挖掘实现舰船故障数据定位方法具有较高的故障定位精度。可以应用于船舶故障实时诊断,有效提高船舶故障诊断的实时性。     

Ship propulsion shafting bearing fault diagnosis based on holographic SDP similarity visual recognition北大核心CSCD

[目的]针对船舶推进轴系轴承的故障诊断问题,提出一种基于全息对称点图形(SDP)和相似性识别的可视化诊断方法。[方法]首先,多方位采集轴承振动信号,全面监测轴承发生故障时的规律性冲击在时域和频域中引起的非平稳性变化特征;然后,基于SDP对称点分布原理,将多个维度信号的时域和频谱融合至同一个二维图形,以放大信号之间的差异性;最后,基于相似性识别方法对轴承进行简易诊断。[结果]轴承故障实验平台的验证结果表明,该方法可以实现多个信号的有效图形融合,全面展示设备信号的状态特征,从而准确地诊断故障。[结论]研究成果可为船舶推进轴系轴承的可视化故障简易诊断提供参考。     

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。     

多传感器融合下船舶机电系统多发故障信号监测

为了提高船舶维护效率,提出一种多传感器融合下船舶机电系统多发故障信号监测方法。根据故障状态下的信号频率,使用小波变换法提取故障信号特征参数作为蚁群算法优化BP神经网络输入,实现多发故障诊断,并通过DS证据理论完成多传感器数据融合,得出故障诊断结果。实验结果表明,该方法可通过多传感器融合判断出船舶机电系统故障类型,即使一种传感器出现故障也不影响诊断效果,诊断船舶机电系统多发故障平均准确率高达97.02%,能够实现较为精准的船舶机电系统多发故障监测。     

人工智能技术在船舶动力装置故障诊断中的应用

传统的动力装置故障诊断方法需要大量的故障数据样本,导致诊断效率和实时性差,无法满足现代船舶航行的需求。针对上述问题,提出人工智能技术在船舶动力装置故障诊断中的应用。使用小波包分析技术对传感器采集的信号进行去噪、分解重构以及能量谱特征提取处理后,构建船舶动力装置故障集。使用D-S理论对BP神经网络输出的诊断结果进行数据融合和置信度判断,得到可靠的诊断结果完成故障诊断。对比实验数据显示,利用人工智能的方法诊断精度较高,并且诊断响应效率高,具有良好的泛化能力。     

基于RBF神经网络的船用低速柴油机故障诊断系统

为确保船舶海上运输的安全性与稳定性,设计基于RBF神经网络的船用低速柴油机故障诊断系统.使用多传感器采集船用低速柴油机各关键构件信号,并对信号进行预处理,运用过限判断模块获得故障信号,RBF神经网络依据故障信号特征进行船用低速柴油机故障诊断和故障程度判断.实验结果表明,该系统能有效滤除信号中的无用高频信号,故障诊断结果...     

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。     

粒子群算法优化神经网络的舰船直流电机故障分类

针对舰船直流电机故障的误分率高、结果不可靠等难题,以进一步提高舰船直流电机故障分类正确率,提出了粒子群算法优化神经网络的舰船直流电机故障分类方法。首先采用小波变换对舰船直流电机故障信息进行多尺度分解,提取信号能量值作为舰船直流电机故障分类特征,然后将舰船直流电机故障的特征作为神经网络的输入向量,采用粒子群算法和神经网络对特征向量进行训练,建立舰船直流电机故障分类器,最后的舰船直流电机故障分类测试结果表明,本文方法可以准确实现舰船直流电机故障分类,有助于舰船直流电机故障的定位,而且舰船直流电机故障误分率要小于其他方法,舰船直流电机故障分类结果更加可信。     

锚机电力电缆接地故障点定位实例

正0引言与陆地上的电气设备相比,船舶电气设备工作环境恶劣。高温、高湿、油雾、盐雾、振动、摇摆等工作环境,都会造成电气设备、电气线路的绝缘结构损坏,导致船舶电网接地故障。船舶电网接地故障是船舶最常见的故障之一,不仅影响船舶电气设备和电气线路运行的可靠性,而且存在人身安全和火灾隐患,须及时排除船舶电网接地故障。     

基于机器学习的舰船轮机设备多发故障信号监测

针对舰船轮机设备故障信号监测中存在的运算量大、缺少故障数据、模型训练复杂、检测效率低、准确度不高等问题,设计了基于机器学习的舰船轮机设备多发故障信号监测方法。通过多种传感器采集舰船轮机设备振动信号,经小波变换降噪后,通过EMD经验模态分解提取舰船轮机设备振动信号特征,将其作为孤立森林算法输入进行异常信号检测,以异常信号检测结果为依据,构建决策二叉树支持向量机故障信号分类模型识别故障信号,实现舰船轮机设备多发故障信号监测,实验表明,该方法可以高效、准确地检测并识别舰船轮机设备的故障信号,而且适应性广泛,在舰船轮机设备的各种工况下,监测性能都十分良好。     

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。     

基于物联网技术的船舶电气设备检修方法优化分析

受到海上温度与湿度的影响,船舶电气设备的故障率远高于设备保养参数与使用参数。船舶电气设备的稳定是保障船舶航向安全的首要条件。传统的电气检修方法在对设备故障检测感应反馈上,存在响应滞后的问题,究其根源在于信号的传输方式。结合物联网技术,提出基于物联网技术的船舶电气设备检修方法优化分析。首先,对船舶电气设备检测程序结构进行优化,增添多组电气设备故障感应模组,采用网络传输替换传统电频信号的传输方式;接着,采用故障信号抗干扰算法对电气设备故障点报警信号进行优化补偿计算,达到增强信号感应灵敏度的效果;最后,通过实验对提出设计的故障检测灵敏度进行测试,通过数据证明设计方法优于传统检修方法。     

遗传神经网络在导航传感器故障诊断中的应用

对船用组合导航系统中占主要地位的惯导系统进行故障诊断研究,提出了基于遗传算法优化的神经网络故障诊断模型.利用改进的遗传算法对BP神经网络的权值和阈值进行遗传操作,获得具有一定遍历性的初始权值和周值,然后再利用神经网络的L-M训练方法进行训练,克服了BP神经网络搜索速度慢和容易陷入局部极值的缺点,保证了训练过程收敛.对采集到的传感器故障信号进行预处理,故障特征信号作为改进遗传神经网络的输入信号来检测故障.采用惯导系统陀螺仪故障信号进行仿真研究,结果表明此方法可有效地检测故障且提高了系统精度.     

离线船舶机电设备振动采集仪系统设计

设计了离线振动采集仪的硬件系统，通过对传感器电源模块的进行了节电控制设计，优化振动信号的采集策略和采集节奏，提出了振动信号数据处理和存储方法，实现了无人关注下自主对船舶机电设备振动信号连续近百天的采集任务。应用结果显示，采集仪系统结果准确可靠，实现了全工况的实船振动数据的采集设备。     

船舶电气设备电磁干扰信号补偿算法

利用传统算法对船舶电气设备电磁干扰信号进行补偿后,信号信噪比较小,补偿效果不好。针对上述问题,提出一种新的船舶电气设备电磁干扰信号补偿算法。该算法主要分为两步:一是行容错信号检测,包括信号采集和容错信号分类识别;二是据检测结果进行容错信号补偿,包括补偿参数计算和容错补偿实现。结果表明:与传统补偿算法相比,利用本算法对船舶电气设备电磁干扰信号进行补偿后,信号信噪增大11.3 d B,补偿效果较好。