工程船舶机械运行状态监测及故障诊断

工程船舶机械运行状态的信号具有非平稳性,传统方法无法准确提取信号中的特征,使得工程船舶机械运行状态监测不准确,故障诊断错误率高,为此提出了基于Hilbert变换的工程船舶机械运行状态监测和故障诊断方法。首先提取工程船舶机械运行状态信号,然后采用Hilbert变换对工程船舶机械运行状态信号进行分解,提取特征,最后根据特征向量建立工程船舶机械运行状态识别模型,实验结果表明,本文方法可以较好描述工程船舶机械运行状态,获得了较高正确率的工程船舶机械故障诊断结果。     

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。     

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。     

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。     

EMD技术在机械震动故障中的诊断方法

齿轮箱是船舶机械动力系统的核心装置,连接着动力系统各精密零部件,在船舶的整个航行中起着动力枢纽作用,对它的故障诊断的效率及准确性关系着航行的效率,也船舶系统工程重要研究方向。传统的故障诊断依靠测量设备对振动点进行大量测量,随后通过时域信号分析,其测量工作繁重且信号分析复杂度较大,已越来越不能适应现代故障检测要求。本文利用EMD技术对机械振动中的故障进行检测,对振动信号降噪利用小波变换进行处理,有效提高了诊断效率及精确度。     

振动信号监测的船用柴油机配气机构故障分析方法

船用柴油机配气机构故障复杂多样,传统船用柴油机配气机构故障分析方法无法描述故障类型,导致故障分析正确率低,误判现象严重,为了提高故障诊断正确率,提出基于振动信号监测的船用柴油机配气机构故障的分析方法。首先分析船用柴油机配气机构故障研究思路,并提取船用柴油机配气机构故障相关的振动信号,然后从船用柴油机配气机构故障相关的振动信号提取特征,运用层次分析法确定特征的权值,并采用改进支持向量机建立船用柴油机配气机构故障诊断模型,最后采用具体数据对船用柴油机配气机构故障诊断方法进行测试。结果表明,相对于其他故障分析方法,本文方法可以更好区别各种船用柴油机配气机构故障,提高了故障分析正确率,降低了故障的误判现象,具有很高的实际应用价值。     

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。     

基于小波包振动谱图的柴油机在线故障诊断方法

柴油机是舰船的主要动力装置,针对传统故障诊断方法不能有效提取柴油机故障特征和实现在线诊断的缺点,提出一种基于小波包振动谱图像的柴油机在线故障诊断新方法.该方法首先用小波包对采集到的柴油机振动信号进行分析生成小波包振动谱图;然后利用双线性内插值方法对生成的振动谱图进行数据降维,对降维后的振动谱图进行灰度共生矩阵纹理特征参数提取;最后用分类器对特征参数进行识别,完成故障诊断。将该方法应用于柴油机气门间隙的故障诊断实例中,结果表明,基于小波包振动谱图像的柴油机在线故障诊断方法能快速高效的诊断出气门间隙故障,识别准确率高达99.17%,仅耗时0.24 s,为内燃机故障在线诊断探索了一条新途径。     

基于小波包振动谱图的柴油机在线故障诊断方法

柴油机是舰船的主要动力装置,针对传统故障诊断方法不能有效提取柴油机故障特征和实现在线诊断的缺点,提出一种基于小波包振动谱图像的柴油机在线故障诊断新方法.该方法首先用小波包对采集到的柴油机振动信号进行分析生成小波包振动谱图;然后利用双线性内插值方法对生成的振动谱图进行数据降维,对降维后的振动谱图进行灰度共生矩阵纹理特征参数提取;最后用分类器对特征参数进行识别,完成故障诊断.将该方法应用于柴油机气门间隙的故障诊断实例中,结果表明,基于小波包振动谱图像的柴油机在线故障诊断方法能快速高效的诊断出气门间隙故障,识别准确率高达99.17％,仅耗时0.24 s,为内燃机故障在线诊断探索了一条新途径.     

复杂海洋环境船舶机械故障诊断算法分析

针对传统的船舶机械故障诊断算法精准度低的情况,对复杂海洋环境船舶机械故障诊断算法进行设计。为保证故障诊断准确性,对舰船机械设备数据进行采集,并采用模糊传递法对故障数据进行组合,设定阈值,将该值作为判定是否为故障数据的标准,在此基础上,采用神经网络算法,提取故障征兆,完成对复杂海洋环境船舶机械故障诊断。并设置仿真实验,实验结果表明此次设计的复杂海洋环境船舶机械故障诊断算法比传统算法准确性高,具有一定的实际应用意义。     

舰船甲板起重机旋转故障自动诊断方法

利用传统方法对舰船甲板起重机旋转故障进行自动诊断,普遍存在鲁棒性较差的问题,从而导致诊断可靠性不高。针对上述问题,提出一种基于ICA-SVM的起重机旋转故障自动诊断方法。该方法首先利用传感器采集起重机旋转故障振动信号,接着利用ICV将源故障信号与干扰信号进行分离,然后从源故障信号中提取故障特征,最后利用SVA分类器进行故障匹配与识别,实现起重机旋转故障自动诊断。结果表明:与3种传统故障自动诊断方法:基于遗传算法的旋转故障诊断、基于粗糙集理论的旋转故障诊断以及基于Hilbert-Huang变换的旋转故障诊断相比,本诊断方法的最大误报率(3.5%)和漏报率(3.2%)最低,鲁棒性更好,说明本方法的诊断结果更可靠。     

基于机器学习算法的船舶电气故障分类与诊断方法

为实现船舶电气故障的早发现、早解决,设计基于机器学习算法的船舶电气故障分类与诊断方法。采用Trager能量算子增强传感器采集到的船舶电气设备振动信号,利用小波包分析方法提取增强后的电气设备振动信号特征,将电气设备振动信号特征输入卷积神经网络中进行训练,得出最佳的故障分类与诊断模型,并利用该模型实现船舶电气设备的故障分类与诊断。实验表明：采用Teager能量算子可以快速准确地将传感器采集的信号放大,且放大过程没有信息损失。训练后卷积神经网络的故障分类与诊断正确率接近100%,可能够准确诊断出船舶电气设备是否存在故障,并获取对应的电气故障类型。     

多传感器信息融合的船舶机械设备状态智能检测研究

研究基于多传感器信息融合的船舶机械设备状态智能检测方法,智能化诊断船舶机械设备异常状态。采用改进小波阈值去除多振动传感器采集的机械设备振动信号噪声成分后,经基于多传感器信息融合的信号特征提取方法,提取去噪后振动信号幅值的均方根、方差、峰值、脉冲、峭度、均值、最大值、最小值、峰峰值、方根幅值特征,并使用特征级与数据级融合方式,将多信号特征信息融合;通过基于极限学习机优化的设备状态智能检测方法,以特征信息分类的方式,将融合后的设备振动信号特征作为分类目标,根据特征值的上下限,判断设备运行状态。实验验证表明,此方法应用下,多传感器对船舶机械设备振动信号的感知时间差极短,可缩短设备状态检测延迟,并准确检测设备异常状态。     

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。     

大型船舶动力装置故障的诊断研究

大型船舶动力装置工作负荷较大,故障诱因较多,为了有效准确排除大型船舶动力装置,提高工况稳定性,提出一种基于喘振谱特征提取的大型船舶动力装置故障检测诊断方法。采用多传感器进行大型船舶动力装置的物理信息采集,提取动力装置的振动信号和喘振信号,对提取的信号进行时频变换和离散谱特征分析,采用自相关匹配滤波器进行船舶动力装置振动传感信号的滤波处理,对滤波输出信号进行喘振谱提取,对提取的谱特征量输入到神经网络分类器中进行故障判别。仿真及结果表明,采用该方法进行大型船舶动力装置故障诊断的准确性较高。     

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。     

高速柴油机气门漏气故障的振动诊断

本文介绍利用柴油机缸盖表现振动信号诊断高速柴油机气门漏气故障的研究。本文阐明了引起缸盖振动的激励源特征，对气门漏气故障进行了模拟试验，探讨了影响漏气程度的因素，对不同漏气状态下缸盖表现振动信号进行了分析，研究表明：利用柴油机缸盖表面振动诊断气门漏气是可行的，提出了气门漏气故障诊断方法。     

基于机器学习的舰船机电装备故障诊断

随着信息技术的发展,以机器学习、模式识别为代表的人工智能技术在故障诊断领域逐步得到应用。通过对振动噪声信号的采集,利用时频分析技术对信号进行分解,并提取故障特征参数,再利用机器学习或模式识别技术对信号进行判别分类,可以实现舰船机电装备的智能诊断。为了验证该方法,选择经验模态分解方法进行信号分解,采用支持向量机进行诊断分类。通过实验表明,该方法有着较高的诊断精度,故障诊断率达到了96.7%,可以对舰船机电装备常见故障进行准确的智能诊断。     

Cat Boost算法在舰船轴承故障诊断领域的应用

轴承是舰船故障发生的常见位置,针对现有机器学习方法在舰船轴承故障诊断领域中存在多分类精度差、运算效率低等问题,提出一种基于Cat Boost(category boosting)算法的轴承诊断技术。首先,对振动信号进行时域分析、频域分析以及EMD(empirical mode decomposition)分解,得到截选振动信号段的特征指标;其次,利用Cat Boost算法在所提取特征中进行筛选,通过基尼指数快速建立树结构并进行排序。最后,选取不同维数特征输入进行模型算法评价,并与传统方法分类的准确率进行对比。试验结果表明,该方法在处理滚动轴承故障多分类问题上故障特征提取更为有效,识别效果明显高于其他传统算法。     

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。