共查询到20条相似文献,搜索用时 31 毫秒
1.
2.
《舰船科学技术》2021,43(18)
船舶故障趋势预测的研究具有重要实际应用,船舶故障趋势复杂多变,当前船舶故障趋势预测方法无法高精度描述其故障变化特点,使得船舶故障预测趋势结果靠性低。为了提高船舶故障趋势预测效果,设计了基于大数据的船舶故障趋势预测方法。首先分析当前船舶故障趋势预测研究进展,找到各种方法的船舶故障趋势预测的局限性,然后采用船舶故障趋势数据,并利用大数据分析技术拟合船舶故障变化趋势,构建船舶故障趋势预测模型。最后在相同平台下,与其他船舶故障趋势预测方法进行了对比测试。结果表明,大数据的船舶故障趋势预测精度超过95%,不仅完全达到了船舶故障控制的实际应用要求,而且船舶故障趋势预测效果要优于对比方法,具有更加广泛的实际应用范围。 相似文献
3.
4.
不能定位故障发生模块,处于轴系中的具体位置,进而造成故障清除时间较长,是普通船舶轴系故障监测方法存在的主要弊端。为解决上述问题,建立新型SOM大型船舶轴系故障监测方法。通过船舶轴系故障表现形式分析、轴系故障特征提取,完成故障的特征诊断。在此基础上,通过自组织轴系故障网络的搭建、船舶数据处理,完成SOM大型船舶轴系故障监测方法的建立。设计对比实验结果表明,新型方法与普通方法相比,能够准确定位故障发生模块在轴系中所处位置,大大缩减清除故障所需时间。 相似文献
5.
《舰船科学技术》2019,(2)
大型船舶轴系故障具有多变性,导致当前故障识别方法无法有效对各种类型的大型船舶轴系故障进行准确识别,为了提高大型船舶轴系故障识别的效果,设计一种新型的大型船舶轴系故障非接触式监测方法。首先采集大型船舶轴系故障识别信号,采用小波对其进行去噪,然后换提取大型船舶轴系故障识别信号特征,最后采用最小二乘支持向量机设计大型船舶轴系故障识别的分类器,并进行了具体的大型船舶轴系故障识别模拟实验。与其他大型船舶轴系故障识别方法相比,本文方法通过小波抑制了大型船舶轴系故障识别信号中的噪声干扰,提高了大型船舶轴系故障识别成功率,加快了大型船舶轴系故障识别的训练时间,建立更高效率的大型船舶轴系故障识别分类器。 相似文献
6.
7.
《舰船科学技术》2021,(10)
传统预测方法在对联合控制故障进行预测时,未对故障状态变量数据预先处理,导致故障预测的误报率居高不下。因此,提出了卷积神经网络的舰船舵-翼舵联合控制故障预测方法。对故障预测状态变量数据进行预先处理,监测故障预警装置中的状态变量。优化状态变量中的损失函数,累计舰船舵-翼舵联合控制装置损失指数。重组故障预测神经单元结构,对舰船舵-翼舵联合控制故障进行预测。通过实验分析,传统方法 1故障预测误报率最高达到67%,传统方法 2故障预测误报率最高达到87%,基于卷积神经网络的舰船舵-翼舵联合控制故障预测方法故障预测误报率最低为15%。因此,基于卷积神经网络的舰船舵-翼舵联合控制的故障预测方法更好。 相似文献
8.
9.
10.
文章针对主机油雾监测系统在使用过程中出现的各类故障进行原因分析,结果判断为控制器故障、传感器故障、采集通道故障,根据相关的故障代码提出了对应的分析判断及故障排除。 相似文献
11.
针对传统船舶发动机故障检测数学模型故障检测速率较低的问题,提出一种海浪载荷干扰下船舶发动机故障检测数学模型,在海浪载荷干扰下对船舶发动机进行振动测量,提取船舶发动机的时域故障特征,通过测量获取船舶发动机转子系统的3阶、2阶、1阶临界转速以及轴向转子的固有频率,对船舶发动机的频域故障特征进行提取,利用获取的时域故障特征数据与频域故障特征数据建立船舶发动机的故障检测数学模型,实现船舶发动机的故障检测。为了验证建立的数学模型的故障检测速率较高,将该模型与基于线性分段方法的船舶发动机故障检测数学模型、基于异常检测算法的船舶发动机故障检测数学模型、基于异常子序列的船舶发动机故障检测数学模型进行对比实验,实验结果证明该模型的故障检测速率最高,说明该模型更适用于船舶发动机的故障检测。 相似文献
12.
13.
针对舰船直流电机故障的误分率高、结果不可靠等难题,以进一步提高舰船直流电机故障分类正确率,提出了粒子群算法优化神经网络的舰船直流电机故障分类方法。首先采用小波变换对舰船直流电机故障信息进行多尺度分解,提取信号能量值作为舰船直流电机故障分类特征,然后将舰船直流电机故障的特征作为神经网络的输入向量,采用粒子群算法和神经网络对特征向量进行训练,建立舰船直流电机故障分类器,最后的舰船直流电机故障分类测试结果表明,本文方法可以准确实现舰船直流电机故障分类,有助于舰船直流电机故障的定位,而且舰船直流电机故障误分率要小于其他方法,舰船直流电机故障分类结果更加可信。 相似文献
14.
《舰船科学技术》2020,(12)
舰船故障数据种类多,变化复杂,当前方法无法实现高精度的舰船故障数据自动分类,使得舰船故障数据自动分类精度难以满足实际应用的要求。为了获得理想的舰船故障数据自动分类结果,本文构建了一种基于机器学习算法的舰船故障数据自动分类方法。对当前国内外的舰船故障数据自动分类文献进行分析,并提出机器学习算法的舰船故障数据自动分类框架。通过传感器采集舰船故障数据,从中提取描述数据类型的特征集合。最后引入机器学习算法描述特征与舰船故障数据类型之间的联系,从而实现舰船故障数据自动分类,并通过仿真验证性实验分析其效果。相对于传统舰船故障数据自动分类方法,机器学习算法的舰船故障数据自动分类精度明显增加,舰船故障数据自动分类速度也得到了一定程度的提升。 相似文献
15.
16.
舰船云计算系统服务器故障的种类多,故障与特征之间是一种非常复杂的映射关系,传统舰船云计算系统服务器故障识别模型难以获得理想的识别结果。为了克服当前舰船云计算系统服务器故障识别模型存在的不足,设计一种基于数据挖掘的舰船云计算系统服务器故障识别模型。首先采集舰船云计算系统服务器故障识别数据,然后采用数据挖掘技术对舰船云计算系统服务器故障识别数据进行分析和建模,建立舰船云计算系统服务器故障识别的分类器,最后进行了舰船云计算系统服务器故障识别仿真对比实验。本文模型的舰船云计算系统服务器故障识别率高达95%,而且舰船云计算系统服务器故障的误识率要小于当前其他舰船云计算系统服务器故障识别模型,结果验证了本文模型的优越性。 相似文献
17.
《舰船科学技术》2020,(10)
针对传统船舶配电故障恢复系统存在故障恢复性能较差的问题,设计一种新的船舶配电故障恢复系统,该系统的硬件配置为通信模块。通信模块的构成为2台前置机、1台交换机、2台通信服务器、数字隔离板、解调调制板。系统的软件构成包括故障负荷统计模块、故障恢复模块以及数据支持管理模块。其中故障负荷统计模块主要利用状态估计法获取负荷母线实时的网络潮流与负荷情况,计算船舶配电故障的具体失电负荷;故障恢复模块主要通过舰船配电故障的实时过载处理实现配电故障的恢复;数据支持管理模块主要由基础数据管理单元、二次装置故障数据管理单元构成。通过硬件与软件相结合实现船舶配电故障恢复。为了证明该系统的故障恢复性能较好,进行该系统与传统系统的对比实验,实验结果证明该系统的故障恢复性能优于传统系统,实现了性能提升。 相似文献
18.
19.
为了提高船舶故障诊断能力,需要进行故障数据的自动分类设计,提出基于关联规则的船舶故障数据自动分类方法。构建船舶故障数据的数据信息流模型,采用高维特征分组方法进行船舶故障数据的分组重构,采用分段线性检验方法进行船舶故障数据的统计特征分析,提取反映船舶故障类别属性的关联规则向量集,根据特征提取结果进行模糊聚类处理,实现船舶故障信息融合,结合自适应分组检测方法,实现船舶故障数据关联规则的自动分类。仿真结果表明,采用该方法进行船舶故障数据自动分类的自适应性较强,误分率较低,提高了船舶故障的诊断检测能力。 相似文献
20.
目前设计的船舶电子故障分类系统无法精准地识别故障波形,实现故障分类。为了解决上述问题,基于RFID技术设计一种新的船舶电子故障分类系统。系统硬件分别设计了故障采集器、射频收发器和CAN总线节点,选用SPl2采集器对数据进行采集,通过nRF2401A进一步接收信号,利用CAN总线节点进行数据通信。计算频率信号,采集船舶电子数据。分析控制逻辑原理,实现数据传输与交互,计算故障分类数量,通过数据检测完成船舶电子故障分类。实验结果表明,基于RFID技术的船舶电子故障分类系统能够精准地识别船舶电子故障,故障识别准确率在98%以上。 相似文献