基于贝叶斯网络集成的船用中高速发动机磨损故障诊断模型

为解决船用中高速发动机磨损故障特征模糊和信息不完备引起的故障诊断准确率偏低等问题,通过定期采集与发动机磨损故障紧密相关的各监测参数信息,建立基于专家知识和因果映射认知的磨损故障贝叶斯诊断网络结构,通过询问专家和运用贝叶斯方法进行诊断网络参数学习,完成基于专家知识和贝叶斯网络集成的船用中高速发动机磨损故障诊断模型的搭建。通过对母型船发动机实际故障案例进行仿真分析,验证模型的准确性和分析方法的有效性,取得较好的结果,可为快速、准确查找发动机磨损故障提供技术支持。     

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。     

基于深度信念网络在船用齿轮箱故障诊断中的应用研究

文章针对船用齿轮箱故障信号微弱和传统特征提取方法干扰较大的问题,充分结合深度信念网络(DBN)的特征自动提取优势,将深度信念网络应用于船用齿轮箱的故障诊断。首先,借助于u Tkel船用齿轮箱故障模拟试验台获取齿轮箱在不同故障模式下的振动信号;然后将信号作傅里叶变换并划分为训练数据集和测试数据集;最后构建和训练DBN模型,并对模型的预测准确性和鲁棒性进行评估。试验结果表明,DBN模型能够较好地自动提取齿轮箱故障特征,对齿轮箱的故障模式做出准确识别。     

船用齿轮箱状态监测与故障诊断系统探讨

船用齿轮箱是船只柴油机及螺旋桨重要连接件,其状态直接决定船只能否稳定运行。若船用齿轮箱出现故障,不仅会增加油耗,还会导致相关设备出现严重磨损。故需对船用齿轮箱落实状态监测及故障诊断,以下就对一种船用齿轮箱的状态监测与故障诊断系统硬件及软件设计分析,以软件设计为重点,为强化船用齿轮箱系统管理奠定基础。     

基于附加颗粒阻尼控制的船用齿轮箱减振方法

为有效解决船用齿轮箱存在的振动问题,提升舰船的隐蔽性和工作性能,设计一种基于附加颗粒阻尼控制的船用齿轮箱减振方案。以某型号船用齿轮箱箱体为研究对象,采用有限元方法建立船用齿轮箱振动物理模型,对船用齿轮箱的自由状态模态和振动响应进行分析;结合齿轮箱模型振动特性分析结果,在箱体与关键结构附近布置颗粒阻尼结构。建立颗粒阻尼等效分析模型,计算弹性波传递过程中设计减振器离散体碰撞的能量耗散结果,并将所得结果与试验结果进行对比,验证该减振方法的有效性。结果表明,该颗粒阻尼结构对船用齿轮箱产生的振动辐射有明显的抑制和削弱效果。     

船用齿轮箱传动过程耦合特性系统分析

针对原有齿轮箱传动过程耦合特性系统分析方法中获取数据为静态数据易造成分析结果失真的问题,设计新型船用齿轮箱传动过程耦合特性系统分析方法。基于齿轮箱传动过程耦合系统的工作原理,构建传动过程动力学模型,设定齿轮箱参数,得出动力计算公式。采用Abaqus软件构建三维齿轮机模型,将其与动力计算公式相结合,获取有限元单元分割后的子单元分析结果,将各子单元的分析结果相结合,得到系统整体分析结果。至此,船用齿轮箱传动过程耦合特性系统分析方法设计完成。构建实验环境对其分析可知,与原有分析方法相比,此方法获取到的数据为动态数值,原有方法获取到的数据为静态数据。相较原有方法,此方法不易造成分析结果失真。因而,此方法效果更佳。     

船舶齿轮箱故障诊断及失效预报方法研究

针对船舶齿轮箱故障诊断正确率低的难题,提出蚁群优化神经网络的船舶齿轮箱故障诊断方法。首先采集船舶齿轮箱故障诊断的数据,并采用小波分析提取船舶齿轮箱故障诊断特征,然后采用神经网络建立船舶齿轮箱故障诊断模型,并采用蚁群算法克服神经网络存在的缺陷,最后构建了船舶齿轮箱失效预测方法,实验表明,本文方法提高了船舶齿轮箱故障诊断效果,并获得了高精度的船舶齿轮箱失效预测结果。     

基于变分模态分解与模糊聚类的船用齿轮箱故障诊断

针对船用齿轮箱故障类型诊断精度不高的问题,提出一种结合变分模态分解(Variational Mode Decomposition, VMD)与核模糊聚类(Kernel Fuzzy C-Means, KFCM)的故障诊断方法。先对齿轮箱振动信号展开VMD分析,获得含有大量故障特征信息的固有特征模函数(Intrinsic Mode Function, IMF),然后计算出各IMF分量的奇异值并构建故障特征向量矩阵,最后将其输入到以KFCM算法为框架的故障分类器中进行模型训练,并对模型性能测试与评估。结果表明,所提方法具有较高的故障识别准确率。     

基于单片机的船用海水淡化装置故障诊断系统的硬件设计

现有的船用海水淡化装置故障诊断系统可靠性欠佳。在理论分析和实验的基础上，本文分析了系统常见故障对参数的影响，建立了基于8个技术参数的故障诊断逻辑。以此为基础设计以AT89C52为核心的电路系统，为完成整个装置故障诊断系统提供硬件支持。从而提高了对船用海水淡化装置故障诊断的可靠性和准确性。     

国内船用齿轮箱行业预测与竞争分析

国内造船业的发展形势给船用齿轮箱行业带来了机遇和挑战.运用成长曲线模型对国内船用齿轮箱行业的发展前景进行了预测,并对国内主要齿轮箱生产厂商现有竞争策略进行了对比分析.     

船用离心泵故障SOM网络诊断方法

为了实现对船用离心泵的实时在线智能故障诊断,进行了基于SOM网络(自组织特征映射神经网络)的船用离心泵故障诊断方法研究.在分析船用离心泵典型故障及特征的基础上,建立故障模型,提取故障特征向量并建立学习样本;设计和组建了SOM神经网络,将SOM网络的抽取输入信号模式特征的能力应用于故障诊断;通过网络训练建立了 SOM网络输入与输出属性间良好的非线性映射,实现了将特征向量输入网络来诊断故障.经实验验证,该方法具有良好的准确度和适应性.     

基于SPA的船用柴油机热工故障诊断研究

船用柴油机热工参数蕴含着大量的故障信息,外界干扰小,诊断范围广,具有很好的诊断价值。本文将集对分析应用到柴油机热工故障诊断当中,介绍了集对分析(SPA)的基本理论,在此基础上,建立了基于SPA的柴油机热工故障诊断模型。再利用4190型船用中速柴油机AVL BOOST工作过程仿真模型,进行故障仿真计算,提取了13类热工参数进行分析,获取了基准故障集和待检工作状态集,验证了模型的准确性;同时证明了集对分析在柴油机故障诊断中的可行性,为柴油机故障监测和诊断提供了新方法。     

基于单片机的船用海水淡化装置故障诊断系统的设计研究

因现有的船用海水淡化装置故障诊断系统可靠性欠佳，在理论分析和实验的基础上研究了系统工作参数的影响因素，分析了系统常见故障对参数的影响，建立了基于8个技术参数的故障诊断逻辑。以此为基础设计了装置故障诊断系统，提高了诊断的可靠性。     

人工神经网络的船舶引擎冷却系统故障诊断方法研究

以船舶故障诊断作为应用背景,对人工神经网络在船舶冷却系统故障诊断中的应用进行研究。首先对船舶引擎冷却系统进行介绍;然后介绍人工神经网络的基本知识,给出基于人工神经网络的船舶引擎冷却系统故障诊断方法。该方法选用BP神经网络模型,并利用LM算法来提高方法的收敛速度。实验结果表明,本文给出的方法具有较高的计算能力和准确率。     

船用三轴燃气轮机气路故障建模与聚类诊断技术

船用燃气轮机运行在高速、高湿和高盐的工作环境中时,其气路部件在运行过程中发生故障的可能性增大,开展典型气路故障诊断技术研究有助于提升船用燃气轮机运行的可靠性和安全性。通过分析船用燃气轮机积垢、压气机叶顶间隙增大、叶片磨损、机械损伤、涡轮热腐蚀和燃烧室故障等典型气路故障的机理,给出9种典型气路故障时性能参数相对变化的经验判据。采用小偏差建模方法,建立船用三轴燃气轮机气路故障仿真模型,基于经验判据对0.8工况下船用三轴燃气轮机典型气路故障进行模拟,仿真得到9种典型故障下测量参数的相对变化。提出基于聚类分析的船用燃气轮机气路故障诊断方法,并以9种典型气路故障仿真结果为例,验证了该诊断方法的可行性。     

基于极点对称模态分解和支持向量机的船用齿轮箱故障诊断

针对船用齿轮箱故障难以识别的问题,提出了将极点对称模态分解(Extreme-point Symmetric Mode Decomposition, ESMD)和支持向量机(Support Vector Machine, SVM)相结合的故障诊断方法。先将船用齿轮箱振动信号进行ESMD分解,可得到一系列模态和一条最佳自适应全局均线。以分解模态与原始信号的能量比值为相关度衡量标准,将相关度较高的前三个模态分别作奇异值分解并得到奇异值矩阵。经过归一化处理后,输入支持向量机训练获得多分类诊断模型,并进行测试。测试结果表明,相比经验模态分解(Empirical Mode Decomposition, EMD)与SVM结合的方法,本文的方法能更好地对船用齿轮箱故障作出诊断和预测。     

船用柴油机故障在线智能仿真诊断技术的应用研究

本文提出了一种船用柴油机性能故障在线自动诊断的新方法,把仿真以及神经网络技术直接应用于柴油机故障在线诊断系统,建立船用柴油机症状与故障样本集,作为神经网络故障诊断的专家知识库,以和柴油机故障在线诊断。尤其是对网络容错能力进行评估分析,并确定较有代表性的径向基函数ＲＢＦ网络分布常数Ｓｃ,从而提高故障诊断的及时性和准确率,减少误诊。     

大功率船用齿轮箱传动系统和结构系统耦合特性分析

船用齿轮箱是船舶轮机系统的重要组成部分,其动态性能的好坏直接影响系统的性能,因而开展船用齿轮箱动态特性研究具有重要的意义。文章对某大型船用齿轮箱的固有特性进行分析,通过轴承支撑把传动子系统和结构子系统两者耦合起来,建立齿轮—转子—轴承—箱体耦合系统动力学模型。采用有限元软件中的Lanczos方法对齿轮箱系统固有特性进行了计算,得到固有频率及其振型,通过分析齿轮系统的激励频率,得出传动级离合器齿轮在工作过程中造成了较大的振动和噪音,与实际相符。     

基于AP聚类和深度卷积网络的船舶焊缝缺陷检测

针对船舶焊缝缺陷检测中存在定位困难和识别效率低问题,提出基于AP聚类和深度卷积神经网络的检测方法.采用基于距离最值的M-SMOTE算法进行焊缝样本不平衡数据集处理,实现少数类新样本的精细化生成,并提出基于AP聚类的深度卷积神经网络模型.模型先基于几何特征、强度特征和背景对比反差进行11个焊缝缺陷特征提取和AP聚类,并将聚类结果作为神经网络输入;采用自适应PCA法对网络进行降维,在保证识别准确率的基础上,通过参数化方法简化降维步骤.试验表明,在通用焊缝数据集上,文中模型的识别率高达98.87％,与准确率较高的VGG模型相比,训练时间缩短12.10％,模型存储减小11.94％;在船舶焊缝数据集上,文中模型的总体识别率达到98.00％,对比准确率较高的DNN模型,其准确率提高了 3.33％.     

基于深度信念网络的船舶柴油机智能故障诊断

[目的]为了提高船舶柴油机智能故障诊断的精度,引入深度学习方法,提出一种基于深度信念网络(DBN)的船用柴油机智能故障诊断方法。[方法]采用多层限制性玻尔兹曼机(RBM)堆叠成DBN,并采用对比散度方法对模型参数进行求解。通过无监督预训练和有监督微调的训练方法,从故障样本数据中提取深层次的隐性特征并获得较好的初始化参数。[结果]基于AVL BOOST船舶柴油机故障仿真实验进行样本数据分析,结果表明:DBN对训练样本集和测试样本集的故障识别率分别为98.26%和98.61%,比BP神经网络(BPNN)和支持向量机(SVM)具有更高的故障识别准确率和更好的泛化性能,可以避免浅层神经网络因随机初始化权值而陷入局部最小值和精度较低等问题。[结论]与BPNN和SVM相比,DBN更适用于船舶柴油机的智能故障诊断应用。