共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
故障信号获取在船舶电子电力设备故障检测中具有重要作用,获取的故障信号质量越高,检测结果越好。为此,针对传统故障信号获取系统在面对强噪声干扰下,采集到的信号质量较差的问题,研究一种强噪声下船舶电子电力设备微弱故障信号获取系统。该系统在软件程序指导下,利用传感设备、通信设备以及DSP实现信号采集、处理、传输、分析、显示等功能。经测试,面对强噪声干扰,本系统采集到电子电力设备微弱故障信号信噪比要大于传统系统,由此说明本系统获取的信号质量更高,更有利于设备故障检测。 相似文献
3.
风载荷是船舶所受所有载荷类型中最重要的一种,对其计算研究从未停止过,但传统的计算方法准确性不足,针对上述问题,提出一种云平台下船舶载荷并行计算方法。利用Map Reduce平台解决算法运行的理论基础,设计一个并行计算模型,以此为并行算法建立一个研究桥梁,通过并行计算公式对船舶的风载荷进行计算,精确研究并行算法。通过仿真实验和对比研究对并行算法进行验证,结果表明:并行算法计算出的结果与实际结果一致,准确性较之传统计算方法高,计算误差小于3 N。 相似文献
4.
5.
6.
7.
8.
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。 相似文献
9.
10.
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。 相似文献
11.
描述了船舶机舱音频信号的监测分析技术和在实船应用的现实意义和前景。根据船舶机舱内各种设备在运行情况下音频信号的频率、频域和幅值,应用FFT和小波变换等分析方法,经过计算、分析、对比判别与研究,找出音频信号和频率谱的特征值,建立正常工况下音频信号的数据库并对各种故障信号进行识别,从而获得对船舶机舱的设备运行工况进行监测诊断和故障初期预报的方法。 相似文献
12.
EMD技术在机械震动故障中的诊断方法 总被引:1,自引:0,他引:1
《舰船科学技术》2016,(20)
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。 相似文献
13.
基于信号变换的诊断方法、基于专家经验法诊断方法故障空间的局限性,导致故障定位精准度较低。为此,提出基于OPC(OLE for Process Control)技术的电力推进船舶混合动力故障定位研究。构建故障定位模型,剔除工作状态外部干扰信息。描述电力推进船舶混合动力系统故障定位特征向量,确定故障空间。计算故障出现概率,提取主要故障特征。借助人机接口对输入信号进行滤波处理,使用OPC技术匹配知识库中故障规则,找到具体故障位置。搭建电力推进船舶混合动力监控系统,利用Matlab进行实验仿真研究。实验结果表明,该方法与实际定子磁链轨迹坐标一致,具有精准定位效果。 相似文献
14.
15.
针对船舶电力系统的无功功率分配不均故障检测,准确性差、抗干扰性差的问题。设计新的船舶电力系统的无功功率分配不均故障检测方法,对无功功率分配不均故障进行划分,提取不均匀分配故障信号特征,设计识别算法,准确的对故障进行定位。实验结果表明,该方法准确性较强,抗干扰性好。 相似文献
16.
17.
18.
19.
《舰船科学技术》2021,(14)
舰船电子设备故障诊断主要依靠故障分类器对故障特征的识别,因此分类器识别结果的准确性尤为重要。在分类器识别过程中,会存在部分未被滤除的噪声信号对其进行干扰,影响分类器识别结果,降低其诊断结果准确率。为了解决此类问题引入大数据驱动,提出大数据驱动的舰船电子设备故障智能诊断研究。依托大数据信息流,完成对故障特征的提取。采用数据特征免疫算法,对特征数据进行免疫计算,在免疫特征数据基础上完成对噪声数据的滤除计算。最后,对分类器识别特征量进行更新,实现分类器对故障目标的智能诊断。通过与传统诊断方法的10组差异化数据对比表明:提出的诊断方法,具有诊断结果稳定性好、适用性强、准确率高的特点。 相似文献
20.
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。 相似文献