工程船舶机械运行故障诊断方法

利用传统方法对工程船舶机械运行故障进行诊断时,存在诊断正确率、效率双低的情况。针对上述情况,研究一种基于振动信号的工程船舶机械运行故障诊断方法。该方法分为2个阶段,第1阶段为监测阶段,对船舶机械运行的振动信号进行检测并去噪,提取故障特征;第2阶段为诊断阶段,利用K最近邻算法对第1阶段提取出的故障特征进行识别,确定故障类型。结果表明:与文献[1–3]诊断方法相比,本诊断方法的正确率和效率都更高,平均综合正确率达到96.7%,故障诊断时间仅需3.5 min。     

采用多分辨奇异分解算法的船舶故障诊断技术

为了保障船在机械设备的运行可靠性,研究船舶机械的故障诊断技术有重要的价值,本文主要采用噪声分析法对船舶机械的运行状态进行诊断,并结合小波变换和奇异值分解算法,研究船舶机械设备噪声信号的分析,对于提高传统的船舶故障信号分析技术以及故障诊断的精度有重要的意义。     

船舶机械轴系中间轴承冲击故障诊断研究

传统的船舶轴承故障诊断在提取故障信号时噪声过大,导致故障诊断结果不准确,设计新的船舶机械轴系中间轴承冲击故障诊断方法。计算船舶机械轴系中间轴承冲击力,通过水体连续方程提取波浪载荷力学特征,建立轴承冲击故障诊断模型。实验结果显示,在内圈故障的信号提取时,3种方法的噪声分别为7.8 d B,8.3 d B,8.2 dB,外圈故障信号提取的噪声分别为8.1 dB,8.5 dB,8.4 dB,由数据可知该诊断方法的噪声最小,故障诊断结果最准确。     

机械故障诊断中的振动信号技术研究

本文提出一种基于分形指数理论和小波网络的船舶机械故障诊断方法。当故障发生时,船舶机械通常产生非平稳的振动信号。在本文提出的方法中,小波变换用于定位时间频域中振动信号的特征,并且在分形理论之间的小波变换的相互关系的视图中,从作为提取故障的特征的小波变换系数获得的全部和局部分形指数信号,其被输入到用于故障模式识别的径向基函数。改进的Levenberg-Marquardt(LM)优化技术用于完成网络结构参数。通过选择足够的样本来训练故障诊断网络,并且将表示故障的信息输入到需要训练的小波网络中,则可以根据输出结果确定故障类型。通过对定子温度波动和转子振动的实验表明,小波分形网络可以为船舶机械的故障诊断提供有效的方法。     

工程船舶机械运行状态监测方法研究

采用传统监测方法受到信号和噪声干扰影响,导致监测精准度较低,针对该问题,提出了工程船舶机械运行状态监测方法研究。根据运行状态监测流程,分析工程船舶机械燃烧、冷却、增压这3个步骤的热力参数,判定机械设备运行状态,收集异常数据,并对其进行加权处理,获得输入数据向量。在支持向量机不敏感损失函数基础上,根据误差函数公式进行去燥处理,由此完成机械运行状态监测方法研究。通过实验对比结果可知,该方法最高监测精准度可达到97%,为工程船舶正常运行提供支持。     

组合机械故障诊断技术在船舶电机轴承异常检测中的应用

为保障船舶航行安全,针对当前船舶机械轴承故障检测过程中常出现检测速度缓慢、检测误差大等问题进行分析,结合组合机械故障检测技术对船舶电机轴承异常诊断方法进行了创新和优化。首先对电机轴承正常运行状态下的信号特征和故障信号特征分布进行提取,并录入数据库。其次,利用人工蜂群算法对最优信号分类参数进行搜寻。最后,利用组合机械故障诊断算法对电机轴承运行参数采集结果做出判断。最后通过实验检测结果证实,结合组合机械故障诊断技术在船舶电机轴承异常检测可及时对船舶电机轴承异常情况进行检测,快速检测出设备运行异常,避免船舶航行过程中的安全隐患,促进船舶航运工程的快速发展。     

小波分析在故障诊断中的应用

在分析小波变换原理的基础上,根据设备出现故障时的信号特征,介绍了小波分析在降噪及故障诊断中的应用。重点分析了小波变换应用于设备故障诊断的优点及其优于傅里叶变换等其他方法的数学机理。最后通过实例验证小波分析在故障诊断中的应用,并通过与傅里叶变换对比,表明小波变换能克服傅里叶变换的固有缺陷,准确提取故障特征。     

基于EMD和RBF的滚动轴承故障诊断

提出了基于经验模态分解(EMD)和径向基(RBF)的滚动轴承故障诊断方法。同时给出了诊断实例:利用EMD将滚动轴承震动信号分解成若干个固有模态函数(IMF)分量,然后对每一个IMF进行Hilbert变换,最后提取每个IMF分量的平均频率及能量比,并以此作为RBF神经网络的输入参数来判断轴承的工作状态。诊断结果表明该方法能够实现轴承故障的诊断,而且速度快,准确率高,易于实现自动化监测。     

大数据分析在船舶机舱设备运行数据监测应用研究

机舱设备为船舶运行提供了重要动力,因此必须保证其能够时刻正常运行。为此,针对声学监测、红外监测、温度监测3种方法监测精度不足的问题,设计一种新的船舶机舱设备运行数据监测方法。该方法分为3部分:首先利用振动仪采集机舱设备运行时的振动信号,然后利用基于小波包变换的方法对振动信号进行去噪处理,最后利用EMD方法提取振动信号特征,并进行特征匹配,识别设备运行状态。结果表明:与声学监测、红外监测、温度监测3种方法相比,利用本方法对不同程度、不同设备运行数据进行监测,监测准确性更高,达到98.47%,由此说明本方法监测精度更好,辅助了船舶运行。     

船舶柴油主机状态监测中故障诊断方法研究

针对当前船舶柴油主机状态监测中故障诊断方法存在的诊断速度慢、诊断结果不稳定等缺陷,提出基于小波神经网络的船舶柴油主机状态监测中故障诊断方法。首先分析当前船舶柴油主机状态监测中故障诊断方法的研究现状,然后采用小波变换抽取船舶柴油主机状态监测中的故障特征,并采用神经网络对船舶柴油主机状态监测中故障特征进行学习,实现船舶柴油主机状态监测中故障诊断的分类决策,最后船舶柴油主机状态监测中故障诊断结果表明,本文方法不仅可以保证船舶柴油主机状态监测中故障诊断正确率,同时减少了船舶柴油主机状态监测中故障诊断时间,极大改善了船舶柴油主机状态监测中故障诊断效率。     

基于小波包分解的功率谱方法在人字门启闭机减速器故障诊断中的应用

针对船闸人字闸门机械式启闭机减速器中滚动轴承振动的不平稳性及其故障信号中存在噪声和干扰的问题,提出了一种基于小波阈值算法的小波包分解与功率谱分析的故障诊断方法。该方法通过对故障信号进行小波分解且对其系数作阈值处理,并利用处理后的分解系数进行小波逆变换得到降噪后的信号,然后对降噪后的信号进行小波包分解,找到能量集中的节点,对其进行Hilbert包络解调并求其Hilbert包络线的功率谱,从而提取故障特征信息。应用实例表明:仿真信号与某船闸人字闸门机械式启闭机减速器故障诊断方法能降低信号噪声以及干扰,并能提取故障特征信息。     

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.     

一种新的滚动轴承故障诊断方法

滚动轴承发生故障时,其振动信号常呈现出强烈的非平稳特性。提出了一种基于小波变换和固有时间尺度分解(Intrinsic Time-scale Decomposition,ITD)的滚动轴承故障诊断方法。阐述小波分析基本理论和ITD分解基本原理。着重介绍基于小波和ITD分解滚动轴承故障诊断。仿真信号和实验结果表明,以小波与ITD分解相结合的信号特征提取方法,能够准确有效地提取滚动轴承的故障特征。     

基于参数优化的舰船电动机故障诊断

相关向量机在舰船电动机故障诊断过程中,参数直接影响舰船电动机故障诊断结果,为了解决当前相关向量机参数优化难题,设计了粒子群算法优化相关向量机的舰船电动机故障诊断方法。首先分析舰船电动机故障诊断现状,并采集舰船电动机工作状态信号,然后提取舰船电动机工作状态信号提取特征,利用相关向量机建立舰船电动机故障诊断模型,并采用粒子群算法对舰船电动机故障诊断模型参数进行优化,最后进行舰船电动机故障诊断仿真实验。结果表明,相对于其他舰船电动机故障诊断方法,本文方法的舰船电动机故障诊断精度更高,故障诊断结果更加可靠,诊断效率更高,具有一定的工程应用前景。     

基于Hilbert-Huang变换的船舶结构冲击响应研究

针对水下爆炸时船舶结构遭受的冲击响应信号具有非线性非平稳的特点,提出将Hilbert-Huang变换用于船舶结构冲击响应信号处理.Hilbert-Huang变换是基于经验模态分解(EMD)和Hilbert谱的一种信号处理方法,用EMD分解把时间序列信号分解成不同特征时间尺度的固有模态函数(IMF),然后对IMF分量进行Hilbert变换,从本质上分析船舶结构冲击响应信号的组成成分及特点.与FFT变换和小波变换相比,Hilbert-Huang变换体现出自适应性和先进性,可以有效提取船舶冲击响应信号的时频特征,揭示船舶结构自身的动态特性对冲击响应的影响.     

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。     

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。     

带有不等式约束和独立多观测的HMM船舶故障诊断

船舶机械动力中的滚动轴是其关键设备,在运行时由于与各机械部件产生摩擦,同时受到海上环境腐浊,运行时间久了会产生各类故障。为了保障HMM船舶航行的安全性﹑可靠性,滚动轴的故障定位需要准确。带有不等式约束和独立多观测方法首先对故障信号进行采集,建立基于马尔可夫的故障诊断模型,最后对模型进行了仿真。     

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。     

基于人工鱼群算法的船舶电子设备故障智能诊断方法

为实现电子设备的高效维护,确保船舶安全航行,设计了基于人工鱼群算法的船舶电子设备故障智能诊断方法。采用离散小波变换法分解电子设备运行信号样本,通过计算不同尺度下的小波能量值完成船舶电子设备故障特征参数的提取,将其作为基于RBF神经网络的故障诊断模型的输入,利用人工鱼群算法对故障诊断模型的权值、阈值参数作优化处理,最终输出不同类型故障发生概率,实现电子设备故障诊断。实验结果表明,正常以及不同故障状态下,电子设备运行信号的时域波形存在很大差异,研究方法可实现故障特征参数的提取,并完成故障类型的识别,30次迭代后MSE指标即可降至最低,仅为10^-4。