船舶轮机设备多发故障信号监测方法研究

故障监测是故障诊断系统的重要组成部分,在船舶轮机设备运行中,受复杂环境因素的影响,轮机设备易出现故障隐患,影响船舶航行安全性。为实现对轮机设备故障状态的实时监控,有必要识别多发故障类型,建立起多发故障信号监测系统,满足轮机设备全方位、全时段监测需求。本文提出船舶轮机设备多发故障信号监测系统的设计方案,并对监测系统进行仿真实验,研究结果证实多发故障信号监测系统能够对船舶轮机设备的故障信号进行实时获取和分析,为准确识别故障类型提供数据支持。     

一种基于特征数的舰船设备振动异常判断方法

舰船设备一旦出现故障,将产生一系列后果,如停机损失、维修费用等,甚至造成经济与人员的重大损失。介绍了一种通过实时监测设备振动状态,利用特征数进行舰船设备振动异常判断的方法。该方法不致出现信号畸变和泄露,不受工况变化影响,可以及早发现设备早期故障,达到视情维护的目的。     

基于振动信号的舰船发动机故障诊断

传统舰船发动机故障诊断方法诊断时,需要对舰船发动机进行一定程度上的拆卸,无法完成零拆卸的故障检测,为此提出基于振动信号的舰船发动机故障诊断方法。使用不同波段振动信号作为检测探伤手段,采集多频段的振动信号,分析信号携带的诊断信息,完成舰船发动机故障诊断模型构建;计算振动信号非线性鲁棒值,锁定故障位置,通过编程分析,实现舰船发动机故障诊断。试验结果表明,设计的故障诊断方法比传统方法诊断定位准确率高2%,说明设计的诊断方法具备极高的有效性。     

舰船设备振动监测阈值设定方法

实时监测舰船设备振动状态,设定监测阈值,对发现舰船设备异常、制定维修计划具有重要意义.通过分析舰船设备可能出现的振动异常现象,对不同的异常特征量采用了置信区间、均值方差等方法进行监测阈值设定,经过实测数据验证了这两种方法的有效性.     

低航速下舰船声学故障检测方法研究

舰船在低速航行时,机械振动引起的结构噪声往往成为舰船的主要噪声源,声学故障检测问题可转化为机械设备振动状态监测问题。本文建立了基于PCA的测点级声学故障检测模型,并利用模型试验对检测模型进行了验证和评估。结果表明,通过对SPE和T2统计量的监测,检测模型可以很好地检测出所模拟的故障,验证了文中声学故障检测方法的可行性。     

舰船用通信网络的异常数据监测技术研究

为了保障舰船用通信网络的数据传输的准确性,提高舰船网络的故障智能分析能力,需要进行异常数据监测,提出一种基于舰船用通信网络传输信号瞬时频率估计的异常数据监测技术。对采集的通信网络输出信号经过时频分解完成时域与频域之间的转换,采用高阶累积量特征提取方法进行舰船用通信网络中的异常数据检测,对检测的异常数据进行干扰和冗余数据滤波处理,完成对舰船用通信网络输出信号的瞬时频率估计,分析瞬时频率的异常状态特征,实现异常数据监测。仿真结果表明,采用该方法进行舰船用通信网络的异常数据监测能提高数据挖掘的准确度,对异常数据检测的虚警较低,抗干扰能力较强。     

基于传感器网络的舰船行驶系统振动检测

根据振动检测结果可以知道舰船行驶系统的工作性能,传统方法无法有效的实现舰船行驶系统振动检测,为了提高舰船行驶系统振动检测精度,设计了基于传感器网络的舰船行驶系统振动检测方法。首先分析当前舰船行驶系统振动检测研究进展,并指出当前各种舰船行驶系统振动检测方法的缺陷,然后采用传感器采集舰船行驶系统振动检测信号,并对舰船行驶系统振动检测信号进行消噪,最后构建了舰船行驶系统振动检测模型,并通过仿真实验分析舰船行驶系统振动检测方法的性能,结果表明,本文方法可以准确描述舰船行驶系统振动检测信号变化特点,获得高精度的舰船行驶系统振动检测结果。     

舰船中压发电机组振动监测与故障诊断

中压发电机组是舰船的动力核心,中压发电机组在使用较长时间之后可能会出现振动异常的问题,通过对其进行振动检测,能够确定振动异常的位置和原因,并通过针对性的措施来解决问题,维护中压发电机的正常运行。本文以某舰船的中压发电机组故障问题为例,对中压发电机组振动监测与故障诊断进行了详细的分析。     

基于小波能量谱分析与SVM的柴油机气阀间隙异常故障诊断

船舶动力设备因故障监测信号样本少、变化缓慢、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。尤其是柴油机气阀间隙异常的故障诊断,由于柴油机气阀间隙振动信号噪声多,利用SVM对柴油机气阀间隙进行预测时需要进行特征提取。鉴于此,研究了基于小波能量谱分析的SVM柴油机气阀间隙的故障诊断方法,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当前状态。     

船舶起重设备异步电机故障维修方法

传统的异步电机故障维修方法存在着维修效率低的缺陷,为此提出船舶起重设备异步电机故障维修方法。采用传感器、采集卡等设备对异步电机的振动信号和电流信号进行采集,通过时域特征方法在采集的信号中提取故障特征量,将其导入故障识别算法实现了异步电机故障的识别。以得到的故障识别数据为依据,建立异步电机故障维修模型,将故障数据导入模型中,实现异步电机故障的维修。通过实验得到,提出的异步电机故障维修方法的维修效率比传统方法高出23.9%,说明提出的异步电机故障维修方法具备极高的有效性。     

基于数据驱动的舰船通信网络异常行为检测方法

为了提高对舰船通信网络异常识别能力,提出基于数据驱动的舰船通信网络异常行为检测方法。采用最短路径和最大覆盖范围寻优方法构建舰船通信网络的节点覆盖模型,通过最小间隔均衡技术对舰船通信网络的信道均衡控制,提取舰船通信网络的信道传输信息特征。对舰船通信网络的行为特征参数分析,结合谱分量融合和融合聚类处理方法,实现对舰船网络异常行为的数据驱动控制。根据数据驱动的图模型参数识别和异常谱特征聚类分析,实现对舰船通信网络异常行为检测。测试结果表明,该方法能够进行舰船通信网络异常行为检测处理,提高信道均衡性能     

基于虚拟现实技术的舰船设备维修研究

传统舰船设备维修方法,故障部件拆卸工序较为复杂,设备内部结构的掌握情况不到位,导致设备故障识别准确率下降。针对这一问题,提出基于虚拟现实技术的舰船设备维修方法。划分舰船设备的振动级别,根据判别标准,选取存在故障的设备零件,利用虚拟现实技术,对设备进行三维实体建模,模拟设备部件逆过程操作工序,访问知识库制定相应维修工作,监控维修环境和设备参数变化,根据虚拟演示,完成设备维修的实际操作。实验结果表明,此次方法相比传统方法,提高了设备故障识别准确率,且设备维修后,能够确保其任务可用性。     

基于时间序列与小波分析的船舶柴油机故障诊断

模拟柴油机气阀间隙异常的几种情况,并实时监测柴油机缸盖振动信号.采用时间序列分析方法对船舶柴油机缸盖振动信号功率谱进行识别,采用小波变换方法对各信号进行小波包分解,并提取故障特征频段信号进行功率谱估计,实现精确故障诊断.     

基于神经网络的舰船电机轴承异常检测研究

针对当前舰船电机轴承异常检测正确率低、检测自动化程度低、检测过程十分耗时等难题,为了提高舰船电机轴承异常检测效果,设计了基于神经网络的舰船电机轴承异常检测方法。首先提取舰船电机轴承状态信号,采用小波包分析去除舰船电机轴承状态信号中的噪声,然后采用Hilbert变换提取电机轴承异常状态的特征,将特征作为神经网络的输入,电机轴承异常作为神经网络的输出,建立舰船电机轴承异常检测模型,最后进行舰船电机轴承异常检测的仿真实验,本文方法的舰船电机轴承异常检测正确率超过95%,能够很好检测到舰船电机轴承异常现象,而舰船电机轴承异常检测时间要少于当前其他舰船电机轴承异常检测方法,能够满足舰船电机轴承异常检测的实际要求。     

基于BP神经网络的船用柴油机振动状态监测

通过监测柴油机表面振动信号,用时间序列分析方法提取柴油机故障的振动特征参数,以此建立相应的神经网络,用于船用柴油机的状态监测,提高诊断的准确性。试验研究在中速四冲程增压柴油机上进行。文中以柴油机气阀间隙异常的诊断和柴油机负荷状态的识别为例阐述了该方法的实现过程,并给出了振动信号的特征参数与柴油机工作状态之间的关系。研究表明,利用神经网络监测柴油机运行状态的变化是可行的和有效的。     

基于振动信号的汽轮滑油泵故障原因分析

针对某型汽轮滑油泵振动过大问题,在深入研究其结构特点及工作原理的基础上,通过跟踪采集该设备关键部件振动信号,综合运用振动信号时频域分析等方法,查找振动特征及其敏感参数,从而确定该设备异常振动激励源及故障原因为减速器主动齿轮存在故障。     

物联网环境下舰船行驶环境安全监测系统

传统舰船行驶安全监测系统主要由舰船各部分监测感应单元构成,通过对检测信号的收集来完成对舰船行驶环境安全的监测。此种方法存在多设备间通信协议不统一,需要中转设备转换计算,且信号再回传解析过程中存在延迟的问题。因此,提出物联网环境下舰船行驶环境安全监测系统设计。首先,对传统多个监测点进行精简,保留关键监测点,创建基于物联网技术的行驶安全监测平台。接着,通过引入航线偏差安全监测算法与综合信号安全监测算法,完成系统软件设计。通过数据场景模拟实验测试所设计系统的监测效果,实验结果表明该系统对舰船行驶环境安全的监测结果较为准确,且监测稳定性较好,证明设计系统在舰船行驶安全监测方面优于传统安全监测系统。     

人工智能技术舰船发动机状态分析

发动机振动信号分析是判断发动机状态的重要因素,传统方法忽略对发动机振动信号的处理,导致舰船发动机状态分析时间较长,为此设计一种基于人工智能技术的舰船发动机状态分析方法。采集舰船发动机的振动信号,采用时域分析法对振动信号处理,获得发动机振动信号特征中不同信号和不同时刻的相互依赖关系,依据人工智能技术确定振动信号的鲁棒值,从而确认舰船发动机异常情况,以此完成舰船发动机状态分析。在舰船发动机无故障情况下和有故障情况下进行了发动机状态分析的实验。结果证明,在无故障情况下和有故障情况下,本文设计方法对发动机状态的分析时间均比传统2种分析方法的分析时间短,证明此次设计的基于人工智能技术的舰船发动机状态分析方法分析效果好。     

舰船云计算系统服务器故障的识别模型

舰船云计算系统服务器故障的种类多,故障与特征之间是一种非常复杂的映射关系,传统舰船云计算系统服务器故障识别模型难以获得理想的识别结果。为了克服当前舰船云计算系统服务器故障识别模型存在的不足,设计一种基于数据挖掘的舰船云计算系统服务器故障识别模型。首先采集舰船云计算系统服务器故障识别数据,然后采用数据挖掘技术对舰船云计算系统服务器故障识别数据进行分析和建模,建立舰船云计算系统服务器故障识别的分类器,最后进行了舰船云计算系统服务器故障识别仿真对比实验。本文模型的舰船云计算系统服务器故障识别率高达95%,而且舰船云计算系统服务器故障的误识率要小于当前其他舰船云计算系统服务器故障识别模型,结果验证了本文模型的优越性。     

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。