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。     

支持向量机的舰船发动机故障诊断

发动机故障诊断是舰船领域的一项关键研究内容,舰船发动机故障与多种因素相关,而且故障类型很多,针对传统舰船发动机故障诊断模型存在的局限性,设计基于支持向量机的舰船发动机故障模型。首先采集舰船发动机工作状态信号,并从工作信号中提取舰船发动机工作状态特征;然后对舰船发动机工作状态特征进行降维处理,并采用支持向量机构建舰船发动机故障诊断的多分类器;最后采用仿真模拟实验测试了本文舰船发动机故障诊断模型的性能,支持向量机可以准确识别各种舰船发动机故障,舰船发动机故障诊断性能要优于传统舰船发动机故障诊断模型,而且诊断效率可以满足舰船发动机故障在线诊断要求。     

舰船装备故障诊断特征知识获取方法研究

将粗糙集理论引入到舰船装备故障诊断特征知识获取,提出一种基于粗糙集理论的舰船装备故障诊断特征知识获取模型.该模型从包含冗余和不一致信息的原始数据出发,构建决策表,通过属性约简和属性值约简获取故障诊断的最小约简属性集和诊断规则,并建立诊断规则知识库.实例分析表明:在保持故障诊断分类结果的情况下,该方法可以提取出最能反映故障的特征,并能有效地解决舰船装备故障诊断中规则获取的知识冗余或缺失问题,从而为粗糙集在舰船装备故障诊断中的深入应用打下基础.     

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。     

基于模糊神经网络的船舶机电故障诊断分析

船舶机电故障诊断影响着船舶航行安全,关系着人类的生命财产安全。文章提出应用模糊神经网络对船舶机电故障进行诊断。模糊神经网络融合了模糊理论和神经网络的优点,可自适应从学习样本数据中提取故障模型,根据采集的样本训练出模糊神经网络的连接矩阵,再合成单个联想记忆网络,最终实现实时故障诊断。以某船舶发电机转子系统的监测数据为例,证明了此法的有效性,可广泛推广。     

基于支持向量机方法的模拟电路故障诊断

模拟电路故障诊断是电路故障诊断的难点问题,也是制约电路故障诊断技术发展的瓶颈.支持向量机方法被看作是对传统学习分类方法的一个好的替代,特别在小样本、非线性情况下,具有较好的泛化性能.本文采用支持向量机方法对模拟电路故障诊断进行了研究,并从核函数、模型参数等方面对其故障诊断性能进行了分析.实验表明,支持向量机方法能获得比神经网络方法更好的故障诊断性能.     

船舶发电机电路故障分类和诊断

发电机是船舶的动力设备之一,而电路是船舶发电机的核心部件,当前船舶发电机电路故障诊断方法的误诊率相当高,为此本文设计了一种基于模式识别的船舶发电机电路故障分类和诊断方法。首先提取船舶发电机电路故障特征,并进行归一化作为输入向量,然后通过模式识别技术建立船舶发电机电路故障的分类器,从而建立船舶发电机电路故障的诊断模型,最后在相同环境下与其他船舶发电机电路故障诊断模型进行仿真实验。实验结果表明,本文模型的船舶发电机电路故障诊断成功率大幅度提升,船舶发电机电路故障的误诊率和漏诊率急剧下降,同时船舶发电机电路故障诊断效率也要优于对比模型,具有更高的实际应用价值。     

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。     

船舶柴油发电机智能故障诊断系统

柴油发电机的正常工作对于船舶航行具有非常重要的意义。因而,船舶柴油发电机在发生故障时必须及时诊断,否则会产生重大事故。本文针对柴油发电机中常见的转子偏心故障进行研究。通过使用蚁群神经网络算法构建在线诊断系统,对柴油发电机的电流进行检测,从而实现对发电机故障的智能在线检测。     

基于粗糙集的船舶主机轴系故障诊断

船舶主机轴系的故障诊断对船舶正常航运具有重要意义.将粗糙集理论应用到船舶主机轴系故障诊断中,建立了基于粗糙集的船舶主机轴系故障诊断模型.采用NaiveScaler方法对故障数据离散化处理,利用基于属性重要度的启发式算法进行属性约简,获取故障诊断相关规则.算例验证了该模型的有效性.