基于AAKR模型的船用低速柴油机状态监测方法

针对船用二冲程低速柴油机运行状态监测,本文分析现有的柴油机状态监测方法,并指出现有方法的不足之处。提出基于AAKR模型的柴油机状态监测方法,同时阐述AAKR模型的原理。该方法具有无需故障数据、无需对模型进行训练与调参、高效快捷等优点。本文建立柴油机仿真模型,通过对柴油机模型进行模拟状态监测实验,证明基于AAKR模型的柴油机状态监测方法的有效性,最后讨论不同带宽的选择对模型性能的影响。该方法无需故障数据的特性使其具有更强的普适性,可广泛应用于船舶柴油机的在线状态监测和预警。     

模糊支持向量机在船舶发电机故障诊断中的优化应用

对以往提出方法的优点进行总结,在故障诊断中对模糊支持向量机进行优化应用,提出一种优化诊断方法。基于模糊支持向量机进行发电机故障分类,构建模糊故障分类模型。利用故障仿真模型获取各种发电机故障的对应电流信号,将电流信号中的特征量设为模型的四维输入向量。根据模糊故障分类模型的分类结果和船舶发电机历史运行数据,建立故障诊断融合识别框架。根据建立的故障诊断融合识别框架,将故障诊断过程分为4个步骤进行船舶发电机的实际故障诊断。对模糊支持向量机的优化应用进行实例研究,测试结果证明其优化应用实现了有效的故障诊断,验证了设计方法的有效性。     

基于自编码器的船用柴油机故障诊断

为了提升船舶柴油机故障诊断的泛化能力,引入深度神经网络,文章提出了一种基于自编码器（AE）的船舶柴油机故障诊断方法。通过GT-SUITE船用柴油机故障仿真实验,对数据样本进行分析,结果表明AE在训练集和测试集的故障识别率分别为98.67%和98.33%,优于支持向量机（SVM）和BP神经网络,更适用于船用柴油机的故障诊断。     

基于LDA-GA-SVM的船舶电力推进系统故障诊断

在船舶电力推进系统发生故障时,进行快速准确诊断对于船舶航行的安全性至关重要。文章针对电力推进系统中永磁同步电机的常见故障,提出基于线性判别分析(LDA)与遗传算法(GA)优化的支持向量机(SVM)相结合的船舶电力推进系统故障诊断方法。以"烟大轮"作为研究对象搭建故障仿真模型,以此为基础生成故障数据。运用小波包算法结合LDA算法提取故障数据中的特征向量,再利用经过GA优化后的SVM模型对故障特征向量进行分类。分析仿真验证结果,与未优化的SVM模型对比,GA-SVM具有更高的故障诊断准确率。     

船用中速柴油机故障诊断技术研究

为了提高船舶柴油机故障诊断的准确性,实现对故障的精准定位,文章以6DE-18型船用中速柴油机为研究对象,从故障产生的机理入手,采用仿真软件建模,选取具有代表性的热力参数作为特征值,运用粒子群算法优化的支持向量机数学模型(PSO-SVM)进行故障诊断,并通过试验验证该故障诊断的准确性,改进了船用中速柴油机故障诊断的模式,...     

基于小波阈值去噪与t-SNE的船舶柴油机故障识别

通过对船舶柴油机振动信号的分析研究,文章提出一种基于小波阈值去噪和t分布随机邻域嵌入算法(t-SNE)结合的船舶柴油机故障识别方法。首先通过多种不同的阈值处理方式对采集的振动信号进行小波阈值去噪,使用小波能量谱对数据进行特征提取,并利用t-SNE对高维特征向量降维,最后使用GA-SVM进行故障分类。实验结果证明,文章提出的方法能够较正确地对柴油机的故障模式做出诊断。     

基于支持向量回归机和粒子群算法的船舶操纵运动模型辨识

基于仿真的Z形试验数据,应用支持向量回归机对船舶操纵运动响应模型进行了机理建模,从核函数结构中得到了模型中的操纵性指数,并利用建立的响应模型进行了Z形试验的运动预报,同时引入粒子群算法对惩罚因子C值进行寻优,以减少惩罚因子C值选择的任意性对船舶操纵运动模型辨识精度产生的不利影响。通过将运动预报结果同仿真试验数据进行比较,验证了文中方法的有效性。     

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。     

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。     

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。     

基于随机森林方法的柴油机涡轮增压器故障诊断

为了提高柴油机故障诊断的精度,针对柴油机涡轮增压器故障的问题,提出基于随机森林的柴油机涡轮增压器故障诊断方法。使用AVL Boost对柴油机建立故障仿真模型,并生成故障样本。对构建的涡轮增压器模型使用随机森林方法诊断。结果表明,采用随机森林算法的故障诊断模型可以有效对涡轮增压器的故障进行分类,分类准确率超过95%。可知,随机森林方法在涡轮增压器故障诊断领域中有良好的应用价值。     

应用支持向量机的船舶操纵运动响应模型辨识

建模是评估船舶操纵性和可控性的重要前提.基于自由自航船模试验的系统辨识方法是求取船舶操纵运动数学模型中的水动力系数的有效手段之一.文中提出了一种使用支持向量回归估计的船舶操纵运动响应模型辨识方法,该方法通过训练自由自航试验数据样本得到参数回归模型.辨识和仿真结果验证了文中所提出的方法的有效性.     

基于大数据的船舶交通客流特征组合预测模型分析

为了提高船舶交通客流特征预测的时效性,设计基于大数据相关技术信息,提出将粗糙集和支持向量机预测机制结合的预测分析模型。首先运用粗糙集属性,对大数据下的船舶交通客流信息,进行数据出行约简,删除数据中冗余属性,继而建立支持向量机回归预测机制,将约简后的船舶交通数据样本,作为数据预处理器,通过对条件值进行筛选,并量化为一张二维表格,作为决策表,重新组合成为训练数据样本,输入SVM中,进行学习训练,实现交通客流特征的组合预测。仿真实验表明,该模型预测结果特征比真实性提高29%,有效时序性提高35%,可以证明该预测模型的预测结果时效性更强。     

基于优化栈式自编码器的船舶柴油机故障诊断

针对目前数据驱动的故障诊断方法在船舶柴油机应用中存在故障识别率不高的问题,提出一种基于麻雀搜索算法(Sparrow Search Algorithm, SSA)优化栈式自编码器(Stacked Auto-Encoder, SAE)的诊断方法,实现高精度故障诊断。利用SAE的重构误差作为状态监测量,实时监测柴油机故障的发生。将监测到的异常样本输入SAE进行数据分类,实现对故障类型的精确识别。针对SAE在故障类型识别中超参数设置过多、依赖人工经验的问题,采用SSA对SAE多个超参数进行联合寻优,提高故障识别率和稳定性。基于AVL BOOST船舶柴油机仿真数据的试验表明：所提出SSA-SAE诊断方法的故障识别率为96.71%,比SAE、支持向量机(Support Vector Machine, SVM)和极限学习机(Extreme Learning Machine, ELM)具有更高的故障识别率和更优的泛化能力。     

基于融合特征支持向量机的港口起重机减速箱故障诊断

本文以港口起重机减速箱为研究对象,通过减速箱试验台缩尺模型预置故障,采集各类故障模式下的减速箱壳体振动信号。通过在时域、频域提取特征值,与EMD分解得到的IMF能量特征进行融合,经PCA降维处理后取一组样本作为训练集用于支持向量机模型训练。再由测试样本集对训练完成的模型进行验证,验证结果说明了用本文选取的融合特征训练的支持向量机在港口起重机减速箱的故障诊断运用是可行的,达到了较高的识别率。     

基于HMM-SVR的船舶动力设备故障模式识别与状态预测研究

船舶动力设备因故障监测信号样本少、变化缓慢且数据特征呈非线性,使得设备故障模式的准确识别和状态预测比较难。鉴于此,文章研究了基于隐马尔科夫模型的故障模式识别方法,利用该模型将微弱变化的信号特征转换为变化较大的对数似然概率对故障模式实现有效识别。在此基础上进一步提出基于HMM-SVR的设备状态预测模型,将遗传算法用于支持向量回归模型参数寻优,并结合隐马尔科夫模型,实现对设备状态的预测。对船用柴油机进行仿真,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的当前状态。     

基于支持向量回归机的船舶操纵运动在线辨识建模

采用滚动时间窗的方法实现支持向量机的在线辨识。以船舶操纵运动响应模型为研究对象,并由10°/10°和15°/15°仿真Z形试验数据构造支持向量机参数辨识所需的训练样本对,应用支持向量机进行船舶操纵运动在线辨识建模,回归操纵运动响应模型中的操纵性指数,并利用建立的响应模型进行Z形试验的数值模拟。将Z形试验数值模拟结果同仿真Z形试验数据进行比较,结果表明,在线式支持向量回归机是一种进行船舶操纵运动在线辨识建模的有效方法。     

基于粗糙集和优化DAG-SVM的船舶主机故障诊断方法

[目的]船舶主机各子系统之间是复杂的非线性关系,对于监测点在短时间内采集的大量数据,传统的故障诊断方法难以高效地完成任务。以船舶主机的燃油系统为研究对象,提出一种基于粗糙集理论和优化有向无环图—支持向量机(DAG-SVM)的故障诊断方法。[方法]首先,将数据挖掘中的粗糙集理论引入传统的支持向量机(SVM)诊断模型,并通过差别矩阵对离散化数据进行降维,在每2种故障之间建立支持向量机分类器,从而构建DAG-SVM拓扑网络;然后,以类间的分类精度为依据,优化有向无环图中根节点和其他叶节点的位置,从而有效避免"误差累积";最后,基于某超大型油轮模拟器,开展数值实验分析。[结果]实验结果表明,粗糙集与优化DAG-SVM相结合的故障诊断方法可以对船舶主机故障进行有效的诊断决策,其分类精度比传统的DAG-SVM方法提高了3.38%,而时间消耗也降低了2.42 s。[结论]该诊断方法对船舶主机的故障诊断研究具有一定的参考价值,也可为SVM在其他小样本分类中的应用提供数据支撑。     

基于SVM模型算法和大数据分析技术的船舶设备故障诊断

为在船舶设备发生故障时能准确、及时地定位故障发生根源,保证船舶安全、经济运行,采用大数据分析方法和支持向量机(Support Vector Machine,SVM)模型算法对船舶设备进行故障诊断,提前预测可能发生的故障.以船舶柴油机滑油压力低故障为例,应用Python语言,通过SVM模型算法预测该故障的发生概率.结果表...     

基于PCA和SVM的柴油发动机冲击故障诊断方法研究

针对柴油发动机振动信号进行故障诊断技术研究,提出了一种基于主成分分析和支持向量机的柴油发动机冲击故障诊断方法。首先利用小波包分解提取出冲击故障的特征;再利用主成分分析技术获得敏感特征参数,进而减小数据处理的复杂程度;最后利用支持向量机对敏感特征参数样本进行训练,获得分类模型,进而实现故障分类。将该方法用于柴油机实际故障分类,诊断准确率较高,证实了本文方法对多种冲击故障诊断的有效性。