基于CNN-LSTM的风力发电机组轴承异常检测

为保障风力发电机组的可靠运行,基于数据的机组异常状态检测尤为重要。文章提出一种基于级联深度学习模型的风力发电机组主轴承异常状态检测方法,首先利用风力发电机组机理知识和数据间的相关性选择与主轴承密切相关的参数,然后建立基于卷积神经网络（CNN）和长短记忆网络（LSTM）的观测参数与目标参数的逻辑关系,并且通过均方根误差评估模型预测温度与实际采集温度的差异。最后通过海上某风电场SCADA数据进行算例验证。结果表明：CNN-LSTM模型不仅能够更早得发现主轴承异常状态,还能够发现LSTM发现不了的主轴承异常特征。     

基于并行深度卷积神经网络的舰船通信异常数据检测研究

为了提高通信异常数据检测效果,设计基于并行深度卷积神经网络算法的大规模舰船通信异常数据检测方法。采集大规模舰船通信数据,采用小波变换对数据实施降噪处理,将降噪后数据输入并行深度卷积神经网络中,经过模型训练提取特征,利用Softmax分类函数得出舰船通信异常数据特征,输出舰船通信异常数据检测结果。实验结果表明：该方法可有效实现大规模舰船通信异常数据检测,其加速比最高,并行效果最优;具有较强的大规模舰船通信数据集检测能力,提高大规模舰船通信异常数据检测效果。     

进排气损失对某型燃气轮机性能的影响

在燃气轮机装置的流路中有许多管路,当燃气流过这些管道时将产生流体阻力损失,从而影响装置的性能。在变工况工作时,由于流路中的流量、温度、压力及流速的变化,流阻损失也将发生变化,流阻损失表现为进、排气总压损失。此外随着燃气轮机在舰船上使用时间的增长,空气中盐分对燃气轮机的进气滤清装置产生腐蚀、结垢等因素会造成进、排气压力的损失。本文将对进、排气道的压力损失对燃气轮机整体性能影响进行研究。     

基于数据挖掘的船舶异常行为检测研究

通过对船舶异常行为检测,提高对船舶的实时监测和模式识别能力,提出一种基于数据挖掘的船舶异常行为检测方法。采用并行分列式数据架构模型构建船舶行为特征分布数据库,提取数据库中的关联规则特征量,采用自相关匹配滤波检测方法进行船舶异常行为特征点的提取,实现船舶异常工况下的行为特征数据挖掘,实现船舶异常行为检测优化。仿真结果表明,采用该方法进行船舶异常行为检测的准确概率较高,数据挖掘的分类性较好,虚警较低,在船舶异常监测和状态分析中具有很好的应用价值。     

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     

船用燃气轮机排烟温度场分析与优化

为进一步提高船用燃机排气引射器的工作性能,降低红外辐射,以某型船用燃机排气系统为研究对象,采用数值模拟的方法对船用燃气轮机排气系统在不同工况下的工作性能进行数值模拟研究,获得各工况下燃气轮机排气系统出口处的温度场.在此基础上,分析主喷口面积和侧壁窗口面积对排气系统出口温度分布的影响.研究结果表明,随着主喷口出口面积的逐渐减小,引射系数和总压损失都有所增加,排气室侧壁窗口面积的增加会增大整个装置的引射系数,但变化幅度低于主喷管出口面积变化造成的影响.     

基于时空域联合分析的海缆温度异常监测

文章针对海上风力发电场的海缆温度异常早期诊断检测需求开展研究。以基于分布式光纤传感技术获得的光纤温度为基础，从空间域和时间域对温度数据进行分析，分别采用采样点差值放大和指数特征放大2种方法对经典局部离群因子算法进行提升，并进行仿真测试。对比2种算法的性能指标，测试结果表明可以实现对海缆异常温度的初期检测，具有较高的识别精度，满足工程应用需求。     

燃气轮机排气引射装置数值模拟

对燃气轮机排气引射装置进行了三维数值模拟,采用非结构网格、Realizable κ-ε湍流模型求解三维N-S方程组,得到了全流场速度、压力、温度等的分布情况,并进行了详细分析。结果表明所采用的数值模拟方法较为准确,能充分反映排气引射装置的流场发展情况。对排气引射装置设计具有指导意义。     

舰船无线网络异常数据智能捕捉及预警方法

由于网络攻击导致舰船无线网络可能出现运行异常,为了实现网络异常状态的准确检测,提出异常数据智能捕捉及预警方法。根据舰船无线网络的结构和工作原理,构建相应的网络模型。在该模型下以估算流量的方式,实现异常数据的智能捕捉。以数据捕捉结果为基础,处理捕捉数据并提取其特征,结合数据异常量和异常特征表现的严重程度,实现舰船无线网络预警。实验结果表明,设计方法的异常数据捕捉完整度高达99.9%,且平均误警率仅为1.9%,因此具有较高的应用价值。     

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。     

航行体水下排气的热特征及影响因素分析

针对航行体水下排气热暴露问题,用Euler-Lagrange方法建立了数理计算模型,采用计算流体力学与计算传热学方法进行数值模拟,研究了航行体水下排气时的排气温度、航行速度、排气流量和海水温度等因素对海面热特征的影响。分析表明,降低航行体排气流量、提高航行速度、降低排气温度,均有利于降低航行体水下运动时的热特征,环境海水温度的变化对海面热特征的影响不大。     

船舶无线传感网络安全态势异常检测方法

为了更好保障船舶航行安全,避免船舶航行过程中常见的无线传感网络异常导致的船舶航行过程中信号网络信息处理效果不佳的问题,对船舶无线传感网络安全态势异常检测方法进行研究。通过对无线传感网络安全信息进行采集分类,实现对船舶网络信号特征的实时检测和提取。根据检测结果进行无线传感网络安全异常数据的修正,提高船舶网络运行安全。实验证实,船舶无线传感网络安全态势异常检测方法在实际应用过程中具有更高的准确性,可以更好实现对复杂船舶网络数据异常区域进行快速检测和修正的研究目标,从而更好地提高船舶航行安全效果。     

基于热红外图像的船舶电气设备状态异常检测研究

可靠掌握电气设备的运行状态,是保证船舶安全航行的基础。因此,提出基于热红外图像的船舶电气设备状态异常检测方法。该方法依据红外成像技术获取船舶电气设备成像,获取其热红外图像结果,并计算电气设备温度概率密度函数,以此描述电气设备的温度分布特征。将该概率密度函数计算结果输入具备增量学习的宽度学习算法中,完成船舶电气设备不同异常状态检测。测试结果显示,将温度概率密度作为电气设备状态异常检测依据,能够更好地区分电气设备的正常放热以及故障升温;AUC的测试结果均在0.94以上,可确定电气设备运行过程中的不同程度异常状态。     

Fault diagnosis of marine diesel engine intake and exhaust system based on dynamic feature fusion北大核心CSCD

[目的]船舶系统由多设备的复杂机构组成,各组件参数具有动态性和非线性的特点,所以故障诊断过程复杂。为提高诊断效率,提出一种动态特征融合方法。[方法]利用分形理论、动态理论及核主元分析(KPCA)法对系统状态数据进行重构、映射及筛选,得到主元特征数据矩阵,求得平方预测误差(SPE)及相应的控制限,构建出基于船舶柴油机进排气系统健康数据的离线监测模型,利用该模型对系统进行故障诊断分析。为验证模型的有效性,选取某船舶柴油机进排气系统的故障数据进行验证分析。[结果]结果表明,动态特征融合分析方法可有效实现对系统动态非线性状态数据的精确分析,实现对系统故障的高效分析和诊断。与KPCA及支持向量机(SVM)方法相比,所提方法具有更好的故障诊断性能。[结论]该方法可实现船舶柴油机进排气系统故障的检测和诊断,提升系统运行的可靠性和安全性。     

物联网环境下船舶移动网络异常数据检测研究

目前研究的检测方法存在检测误报率高、检测时间长等问题,提出了物联网环境下船舶移动网络异常数据检测方法。挖掘船舶移动网络异常数据,根据异常数据挖掘结果对船舶移动网络异常数据进行提取,在提取时需要将船舶移动网络异常数据类别与维数进行有机结合,通过建立异常数据集对异常数据类别和维数之间的映射关系进行表示,实现异常检测。实验结果表明,提出的方法检测过程产生的误报率小,检测时间短。     

船舶通信系统的异常数据检测

船舶通信系统的传输信道和输出链路层受到码间干扰和多径影响的情况下,容易出现异常数据,导致通信中断和故障,需要进行异常数据检测,提高系统稳定性。提出一种基于频谱特征提取和分数间隔均衡的船舶通信系统异常数据检测方法,基于分数间隔均衡方法构造通信系统的信道均衡模型,采用格型滤波器进行通信系统传输链路的码间干扰滤波,对滤波处理后的输出通信信号进行频谱特征提取,根据频谱特征差异性实现异常数据检测。仿真结果表明,采用该方法进行通信系统异常数据检测的准确概率较高,提高了船舶通信系统的抗干扰能力和信道均衡性,降低输出误码。     

舰用燃气轮机进排气系统指标体系及试验方法

为满足舰用燃气轮机和舰用柴油机对燃烧和冷却空气的品质要求,以保障舰用动力系统的可靠工作,进排气装置是装船技术中不可缺少的重要设备。文章基于舰用燃气轮机进排气系统的工作原理,构建了进排气系统指标评价体系,提出了各指标的试验方法。根据研究,进排气系统应进行静态检查、阻力测定试验、抗冲击试验、排气红外辐射强度测试等项目。     

船用燃气轮机排气结构优化研究

为降低燃机箱体内部温度,保护线缆等设备,采用数值模拟方法研究船用燃气轮机排气结构几何变化对箱体内部流场的影响,研究表明,排气结构几何参数的优化能够使箱体内冷却气流量提高42.3%,使流场平均温度降低8.5 K,并能够有效调整箱体内温度场分布,进而保护箱内设备,研究结果可为燃机箱体几何设计提供理论指导。     

船舶无线网络通信过程差错数据智能检测方法

现有的异常数据检测方法无法适应船舶无线网络通信环境,存在漏检率高的问题,为此提出通信网络差错数据智能检测方法。根据舰船无线网络通信的特点,选取通信数据差错特征。利用数据采集设备,获取船舶无线网络通信过程数据。通过计算数据集的离散度与设置置信区间2个步骤,实现对通信过程差错数据的识别。以识别结果为基础,分别从数据长度、格式和内容3个角度,实现对通信差错数据的智能检测。为了验证设计的智能检测方法的检错能力设计性能对比实验,结果表明,与传统差错数据检测方法相比,设计的智能检测方法的漏检率降低了30.1%,且通过该方法的检测与控制提高了无线网络通信的稳定性。     

基于GRU-DconvLSTM的船舶轨迹预测

利用深度学习方法预测船舶未来航行趋势，对海上交通安全以及船舶管理具有重要意义。在船舶自动识别系统（AIS）中已知的经度、纬度、航速数据基础上，提出一种基于门控循环单元结合双卷积层长短期记忆神经网络（GRU-Dconv LSTM）预测模型。根据原始数据的变化趋势，采用标准差法对数据中的异常值进行处理，得到最终试验数据。该模型一方面通过门控循环单元（GRU）学习船舶历史数据上的运动规律；并采用双卷积层与长短期记忆神经网络（LSTM）结合的形式充分提取数据深层信息，提高模型对时序数据深层次特征的挖掘能力。将该模型与卷积长短期记忆神经网络（CNN-LSTM）、卷积门控循环神经网络（CNN-GRU）以及卷积层长短期记忆（Conv-LSTM）神经网络等3个模型进行对比，将均方根误差、平均绝对误差、平均绝对百分比误差作为评价标准，结果表明，GRU-Dconv LSTM模型在经度和纬度预测上误差较小，精确度较高。