故障并行计算在船舶电力设备故障信号诊断中的应用

船舶电力系统为自发电、自分配的独立电力系统,当电力设备出现故障时,会影响船舶的航行安全。为了对船舶电力设备故障信号进行准确的诊断,依据故障计算原理,利用故障并行计算方法进行船舶电力设备故障信号诊断,仿真试验证明,并行计算方法的故障诊断正确率与所耗时间均优于对比算法,同时,随着参与并行计算的线程的增加,诊断的实时性随之增强,是一种高效的船舶电力设备故障诊断方法。     

船舶强噪声电子电力设备微弱故障信号获取系统

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。     

云平台下船舶载荷并行计算方法研究

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。     

基于小波包的舵机故障特征提取方法研究

舵机是船舶控制的核心部件之一,舵机一旦发生故障,轻则延误航期造成经济损失,重则严重威胁船舶航行安全。设备运行时受外界环境和本身故障等因素的影响,其振动信号中蕴含了丰富的故障信息和非平稳随机信号,故障特征提取是当前智能故障诊断中的重点和难点,它直接关系到诊断结果的准确性与可靠性。提出一种小波包分解的故障特征提取方法,仿真结果表明,该检测方法稳定有效,具有较好的推广性。     

基于HSMM的船舶机械故障演化预测模型

船舶机械设备运行的可靠性对于船舶整体而言非常重要,随着船舶机械设备复杂程度的提高,机械故障的预测和防范成为研究热点。本文系统介绍SMM马尔科夫模型和HSMM隐马尔科夫模型的原理和应用场景,针对船舶机械故障的演化预测模型进行详细研究。利用HSMM隐马尔科夫模型在随机信号特征提取以及时间概率的准确性优势,对船舶动力系统变速箱的齿轮故障进行预测和诊断,取得了较好的效果。     

基于FMEA的船舶电力设备故障信息处理系统

针对传统船舶电力设备故障信息处理精度不高的现象,提出基于FAMA的船舶电力设备故障信息处理系统设计。硬件系统包括故障信息采集器与服务器的设计,通过建立二者的线上连接,分析故障发生的位置信息与故障特征;软件系统的设计,通过确立故障处理代码,存储故障特征值,采用拉普拉斯锐化算法,对故障特征值进行计算,实现电力设备故障信息的准确处理。仿真实验结果表明,基于FAMA的故障信息处理系统比传统故障处理系统的故障处理精度高出20%,具备极高的有效性。     

基于数据挖掘的船舶主机故障远程诊断系统优化设计

船舶主机一旦发生故障,船舶的安全运行难以保证。传统的故障诊断系统多是依赖船员经验,分析各个设备参数,推测故障种类,这种诊断方法准确性低,花费成本大,且不具有实时性。为了解决此问题,基于数据挖掘技术设计了一种新的船舶主机故障远程诊断优化系统,分别对硬件和软件部分进行优化设计,硬件部分主要优化设计了采集器、处理器、分析器以及追踪器,软件编程共有4步,分别为数据采集、数据处理、数据分析以及数据追踪。与传统诊断系统进行实验对比,结果证明研究的系统准确率高,消耗成本低,具有很好的发展空间。     

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。     

船舶推进轴系故障特征信息识取方法比较

为研究不同船舶推进轴系故障特征量提取方法的优缺点,针对船舶推进轴系故障振动信号的瞬态(脉冲)和周期性2个特点,介绍快速傅里叶变换(FFT)、EAF和EEAF3种周期故障特征信息识取方法,并在实船试验中就这3种方法的适用性、准确性和复杂程度等进行比较分析。结果表明:EEAF相比FFT和EAF,能快速、准确地提取船舶推进轴系周期性故障信息的特征频率及其振幅,具有良好的稳定性,可专门用于船舶推进轴系故障分析和诊断。     

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。     

船舶自动化机舱音频信号监测技术

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。     

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。     

基于OPC技术的电力推进船舶混合动力故障定位

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。     

船舶故障发生概率的数学模型构建及研究

常用方法由于在故障估算准确率与故障来源判断性能等方面存在一定问题,因此提出一种新的船舶故障发生概率数学模型构建方法。首先对船舶故障发生概率的相关设备运行数据进行挖掘,使用的方法是C4.5算法。对挖掘的船舶故障发生概率的相关设备运行数据进行清洗,具体包括标准化数据处理、消除与检测异常数据、填补缺失数据属性。根据高斯分布构建船舶故障发生概率数学模型。给出船舶设备运行工况数据,对设计的船舶故障发生概率的数学模型构建方法进行性能测试。实验中设计方法表现出了故障估算与故障来源判断的高度准确性,实现了现有方法的性能超越。     

船舶电力系统的无功功率分配不均故障实时检测研究

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。     

采用TwitterStorm技术的船舶机械故障监测大数据分析

传统船舶机械故障监测大数据分析采用的计算平台对大数据分析存在限制条件,无法自定义匹配大数据分析算法。结合TwitterStorm技术特点,提出TwitterStorm技术下船舶机械故障监测大数据分析。首先创建TwitterStorm船舶故障分析场景;接着对场景数据分析条件进行定义;最后引入船舶机械故障监测数据,完成大数据分析计算过程。为了验证分析结果的准确性,采用仿真对比实验的方式来对其进行验证,证明提出的TwitterStorm技术下船舶机械故障监测大数据分析,具有故障监测分析准确性高、计算稳定的特点。     

船舶电网故障恢复重构算法研究

传统的模糊算法在精准度、恢复范围和稳定性上都已经无法满足目前船舶电网故障恢复重构的要求。给出了一种新的船舶电网故障恢复重构算法——Petri算法,对计算过程进行详细地解析,该算法将复杂的一步运算简化成分步运算,有效提高准确性和精准度。选取船舶电网故障类型中3种典型故障("对称故障"、"单相接地故障"和"两相接地故障")进行恢复重构对比实验,由实验结果可知,Petri算法对绝大多数船舶故障电网都能够恢复重构,稳定性更好,精准度更高。     

船舶轮机设备多发故障信号监测方法研究

故障监测是故障诊断系统的重要组成部分,在船舶轮机设备运行中,受复杂环境因素的影响,轮机设备易出现故障隐患,影响船舶航行安全性。为实现对轮机设备故障状态的实时监控,有必要识别多发故障类型,建立起多发故障信号监测系统,满足轮机设备全方位、全时段监测需求。本文提出船舶轮机设备多发故障信号监测系统的设计方案,并对监测系统进行仿真实验,研究结果证实多发故障信号监测系统能够对船舶轮机设备的故障信号进行实时获取和分析,为准确识别故障类型提供数据支持。     

大数据驱动的舰船电子设备故障智能诊断研究

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。     

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。