带有偏差单元的递归神经网络诊断方法在齿轮箱故障诊断中的应用

提出了带有偏差单元的递归神经网络方法,并将其应用到齿轮箱的故障诊断中．通过对齿轮箱的基本零件齿轮故障的设置,研究TBP神经网络的改进算法与带有偏单元的递归神经网络用于齿轮箱故障诊断的有效性。研究表明,带有偏单元的递归神经网络方法比BP网络训练速度快,精度要高,节省时间,能够精确实现故障定位。     

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。     

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。     

优化的BP网络在船舶故障诊断中的应用

船舶各种设备故障的早期诊断和预测,对船舶的安全运行具有非常重要的意义。由于船舶上设备繁多,运行环境特殊,因此,各种设备的故障症状与故障原因之间关系十分复杂,使用传统诊断方法在实际应用中效果不理想。BP神经网络在故障诊断中有广泛的应用,但由于BP网络采用的是沿梯度下降的搜索求解算法,存在收敛速度慢,且容易陷入局部极小等问题。而遗传算法具有全局搜索速度快的优点。为此,采用自适应遗传算法来优化BP神经网络,并以船舶主机轴系的故障诊断为实例,证明遗传算法优化的BP网络方法非常适用于对船舶各种设备故障的早期诊断和预测。     

基于CAWOA-BP的船舶凝给水系统故障诊断

为克服传统专家经验在故障诊断方面的不足,实现船舶凝给水系统的智能诊断,在标准BP神经网络基础上提出一种优化后的CAWOA-BP故障诊断模型。采用混沌映射以及自适应权重调整策略优化WOA鲸鱼算法,利用优化后的WOA鲸鱼算法改进BP神经网络的权值及阈值矩阵。由于船舶凝给水系统的状态监测数据是复杂多维度数据,利用UMAP降维算法对原始数据进行降维。最后,利用降维处理后的数据训练CAWOA-BP神经网络模型,实现故障诊断。通过对正常及故障数据的学习,发现优化后的CAWOA-BP模型相比于标准BP,WOA-BP,PSO-BP故障诊断模型具有更高的准确率、精确率、召回率及预测误差。研究表明,基于优化后的CAWOA-BP神经网络故障诊断方法能够更加精确实现船舶凝给水系统的故障诊断。     

基于SOM-BP神经网络的船舶柴油机故障诊断方法

作为船舶系统重要的组成部分,柴油机工作状态与船舶安全航行息息相关。因此,对船舶柴油机故障诊断方法的研究具有重要的现实意义。以SOM神经网络和BP神经网络为理论基础,将二者融合构建SOM-BP神经网络,用于船舶柴油机故障诊断。通过仿真试验,验证了SOM-BP神经网络在船舶柴油机故障诊断中的有效性。     

舰船上层建筑振动特性的数学模型设计

针对当前数学模型无法描述舰船上层建筑振动特性的变化规律,为了提高舰船上层建筑振动特性预测精度,设计一种蚁群优化算法和神经网络相结合的舰船上层建筑振动特性预测数学模型。首先对当前各种舰船上层建筑振动特性预测数学模型的优缺点进行阐述,然后采用神经网络对舰船上层建筑振动特性变化规律进行拟合,并采用蚁群优化算法确定神经网络相关参数,最后进行舰船上层建筑振动特性预测数学模型的性能测试。结果表明,蚁群优化算法和神经网络相结合的舰船上层建筑振动特性预测精度高,不仅预测误差远低于当前其他舰船上层建筑振动特性预测数学模型,而且预测效率也得到了改善,为解决舰船上层建筑振动特性预测问题提供了一种新的研究方法。     

深度神经网络在船用齿轮箱故障诊断中的应用

船用齿轮箱故障诊断系统,通常采用的是基于模型的故障诊断方法,需要依赖专家对采集到的振动信号进行分析和判断,且设备的运行状态会随着时间的推移发生变化。传统的故障诊断方法受专家知识和经验的影响较大,难以获得全局最优解,导致其准确率较低。针对该问题,本文基于深度神经网络（DNN）的故障诊断方法,通过大量实验研究,确定了DNN模型中最佳参数和超参数。实验结果表明,在船用齿轮箱故障诊断领域,DNN模型不仅能够有效地对齿轮箱进行故障诊断,而且具有较高的准确率和较快的收敛速度。     

蚁群神经网络在船舶发电机故障诊断中的应用

发电机作为船舶关键部件之一,其运行状况关系船舶整机状态。随着技术的不断发展,船舶发电机结构更为复杂,同时其所发生的故障更为复杂和致命,因此研究高效可行的船舶发电机故障诊断技术已成为各研发机构的重要课题。本文通过分析算法模型建立了一种基于蚁群算法的人工神经网络,以发电机转子偏心问题为实例,在Matlab中应用该技术进行训练和故障诊断,并与BP算法进行比较。结果表明,蚁群算法训练速度快、精度高,是一种可靠的故障诊断方法。     

基于信息融合技术的船舶汽轮机故障诊断和预测的研究

汽轮机是船舶电力系统的重要组成部件,其系统运转的好坏关系到船舶航行的顺利进行,对船舶汽轮机故障诊断及预测是保障其良好运行的前提。传统的汽轮机故障诊断是对不同类型数据源进行单维度网络分析,随着设备复杂度的增加,故障诊断及预测的准确性与实效性已经越来越不能满足现代船舶故障诊断系统的要求。本文对汽轮机的故障采集数据进行多维度融合,建立集成神经网络的船舶汽轮机故障诊断及预测模型,最后进行仿真。     

船舶柴油机机械磨损故障诊断的模式识别

船舶柴油机在工作过程中,经常会发生机械磨损故障,给船舶柴油机的工作稳定性带来困扰,针对当前船舶柴油机机械磨损故障存在的诊断准确率低、机械磨损故障诊断时间复杂度高等缺陷,设计了一种船舶柴油机机械磨损故障诊断的模式识别方法。首先分析当前船舶柴油机机械磨损故障的原理,并提取船舶柴油机机械磨损故障诊断特征,然后采用层次分析法分析确定每一个船舶柴油机机械磨损故障特征的权值,并根据RBF神经网络确定船舶柴油机机械磨损故障诊断的模式识别模型,最后进行船舶柴油机机械磨损故障诊断的验证性测试,分析本文方法的船舶柴油机机械磨损故障效果。本文方法的船舶柴油机机械磨损故障诊断率超过了90%,不仅远远高于对比方法的船舶柴油机机械磨损故障诊断率,而且船舶柴油机机械磨损故障效率得到有效的改善,具有很好的推广前景。     

遗传算法和神经网络在船舶柴油机故障诊断中的应用

为提高船舶柴油机故障诊断的精度,以及改善神经网络收敛速度慢,易陷入局部最优解的情况。提出一种基于改进遗传算法和RBF神经网络相结合的智能诊断方法,并将其应用于船舶柴油机故障诊断中,改进的方法优化了神经网络的隐节点、宽度参数以及中心向量,用最小二乘法训练网络隐层到输出层的权值。最后在Matlab仿真软件下,对船舶柴油机故障诊断模型进行仿真实验。实验证明,自适应遗传算法优化的RBF神经网络,诊断速度快,诊断精度高,收敛效果好,能较好地应用在船舶柴油机的状态监测和故障诊断中。     

蚁群优化神经网络的船舶排水量估计

传统船舶排水量估算过程应用阿基米德试验得到结果,但是由于水域密度系数不同,导致最终估算精确度较低,为此提出蚁群优化神经网络的船舶排水量估计方法。利用蚁群算法规则优化神经网络计算流程,得到分类估算的神经网络计算体系,通过网络连接将定点水域密度系数导入估算模型,实现神经网络估算模型的构建;确认船舶估算参数的相关性,通过神经网络估算模型估算出船舶排水量。实验数据表明,设计的估算船舶排水量过程准确有效。     

基于改进神经网络的船舶主机温度预测

由于传统神经网络存在收敛速度慢的缺陷,导致对船舶主机温度预测精度低,为了对船舶主机温度进行精确的预测,设计了基于改进神经网络的船舶主机温度预测模型。首先对当前船舶主机温度预测研究现状进行分析,找到引起预测效果差的因素,然后采集船舶主机温度变化的时间序列,并采用过程神经网络对船舶主机温度变化趋势进行估计,实现船舶主机温度预测,最后进行船舶主机温度预测验证性实验。结果表明,改进神经网络可以提高船舶主机温度预测精度,船舶主机温度预测误差远远小于传统神经网络,获得了比较满意的船舶主机温度预测结果。     

悬链式船舶链条机械磨损寿命预测准确度评估

为了提高悬链式船舶链条机械磨损寿命预测准确性能,设计了一种基于改进神经网络的悬链式船舶链条机械磨损寿命预测模型。首先对悬链式船舶链条机械磨损寿命预测研究现状进行分析,找到引起悬链式船舶链条机械磨损寿命预测精度的因素,然后收集悬链式船舶链条机械磨损寿命的历史数据,并采用BP神经网络建立悬链式船舶链条机械磨损寿命预测模型,并引入自适应遗传算法对BP神经网络的不足进行改进,最后采用仿真实验对悬链式船舶链条机械磨损寿命预测模型的准确度进行评估,结果表明,改进神经网络提高了悬链式船舶链条机械磨损寿命预测精度,预测结果比其他模型更加可靠。     

船舶柴油机机械磨损故障诊断方法

柴油机是船舶运行最重要的动力装置之一,经过长年累月的运转,磨损故障经常发生,影响船舶的正常行驶。针对上述问题,提出一种神经网络机械磨损故障诊断方法。设计了与之相适应的BP网络结构,在此基础上建立了一个BP神经网络模型,并给出了一种BP神经网络学习算法,用来调整网络学习速率。柴油机机械磨损故障诊断实例结果表明:利用BP神经网络诊断出船舶柴油机磨损故障与实际诊断结果一致,准确率高达80%以上。     

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。     

船舶电力系统的模糊故障诊断

人工神经网络被广泛应用于故障诊断与分析过程,然而在船舶电力系统的应用环境中,通常会出现多种故障并发的情况,因此单一的神经网络无法完成复杂的、多种类的故障分析与诊断,难以应用于船舶电力系统。同时,采用单神经网络时,多种电力系统故障的数据训练也会造成较大的工作量,从而进一步降低可用性。为了解决以上问题,本文提出一种多层模糊神经网络方法对船舶电力系统进行诊断和分析。该方法采用多层人工神经网络,不但扩展了故障诊断系统适用的故障类型,更提高了数据处理的效率,提升故障诊断的准确性。仿真和实验表明,本文提出的方法具有较好的实用性。     

基于随机森林算法的船舶电站故障诊断

针对船舶电站故障诊断中常用的BP神经网络算法存在的收敛速度慢和诊断准确率不高等问题,提出一种基于随机森林算法的船舶电站诊断模型。在Simulink软件中搭建船舶电站故障模型,通过在Simulink中仿真得到船舶电站故障数据,分析基于随机森林算法的船舶电站故障诊断原理。在MATLAB软件中分别建立基于随机森林算法和BP神经网络算法的船舶电站故障诊断模型,并对二者的故障诊断结果进行对比分析。结果表明,基于随机森林算法的诊断模型相比基于BP神经网络的诊断模型,能显著提高船舶电站故障诊断的效率和准确率。     

神经网络专家系统在船舶控制系统故障诊断的应用

首先阐述神经网络技术和专家系统2种算法优劣之处,然后将2种算法相结合应用到船舶控制系统故障诊断中,结合后的算法具有较好的自学习和并行计算能力。在进行算法的详细描述中,介绍神经网络专家系统的基本结构,并对其在船舶控制故障诊断中的框架进行设计,针对具体的实际应用建立知识库。最后利用训练数据进行仿真实验,实验结果表明本文采用的神经网络专家系统在故障诊断方面具有可行性。