基于性能退化的损管模拟器液压系统可靠性评估方法

利用退化数据研究了在退化轨道不能明确表达的情况下动态损管模拟器液压系统可靠性退化的评估方法.通过模拟试验,利用外部可测参数实现了对液压系统性能退化的评估.对性能退化分布曲线进行了分析,得出失效阈值和退化度之间的关系,并对几种不同方法进行了分析比较,说明利用本文方法可以对产品的可靠性评估提供依据.     

考虑性能退化的港口工程钢筋混凝土结构设计方法研究

提出了考虑性能退化的港口工程钢筋混凝土结构设计方法,以承载力、纵向裂缝和挠度为控制指标,通过在现有的承载能力极限状态设计和正常使用极限状态验算中分别增加耐久性的要求加以实现。工程算例表明,该方法与目前的设计习惯衔接良好、与工程实际符合性好、可操作性强。     

基于深度学习的船舶滚动轴承状态监测技术研究

滚动轴承作为一种关键零件已被广泛应用于船舶的减速齿轮箱、船用泵、空压机、小型马达等重要设备中,因此,对船用滚动轴承开展状态监测技术研究对保证船舶可靠性、安全性具有重要意义。随着传感器的微型化、数字化、智能化、多功能化、系统化和网络化,各类传感器（如光敏、声敏、气敏、压敏、温敏、磁敏等传感器）被普遍应用于船舶设备的监测中,采集大量的设备健康状态数据。本文对轴承状态数据进行分析,通过深度神经网络自动学习滚动轴承监测数据中的故障特征,研究数据驱动下船用滚动轴承的状态监测关键技术。     

基于长短期记忆神经网络的船体及螺旋桨性能退化评估

采用线性插值和时空插值构建包含气象、航行性能和机舱信息的船舶综合数据库,经统计分析筛选出9个输入变量,基于长短期记忆神经网络建立航速预测模型,获得由预测航速与实测值的残差描述的船体及螺旋桨性能退化的特征参数,建立以航速残差的时间序列为路径的船体及螺旋桨性能退化评估方法。基于某30万吨散货船一年的航行数据进行性能退化评估,航速预测结果的均方误差为0.01,目标船的性能退化路径具有时间相关性和单调变化的趋势。     

基于LSTM的滚动轴承寿命预测

针对滚动轴承剩余使用寿命预测难、一般的神经网络预测精度差的问题,提出了一种基于振动信号时域特征,结合滚动轴承理论寿命值和具有处理时序特征功能的LSTM(Long Short-Term Memory,长短期记忆网络)剩余使用寿命预测方法。首先按照时间顺序提取振动信号的均方根值、峰度、偏斜等15个时域特征作为判断滚动轴承退化的特征值;然后将其输入到LSTM中,将网络输出的轴承退化值设定为[0,1],0表示轴承完好,1为完全退化;最后采用滚动轴承理论寿命计算公式,根据滚动轴承的转速和载荷计算滚动轴承的基本额定寿命,结合其理论寿命和退化值得到定量的剩余寿命。试验结果表明,LSTM与理论寿命结合的滚动轴承寿命预测方法相比于一般的神经网络具有较高的预测精度。     

港口工程钢筋混凝土结构性能退化模型研究

根据应力和氯离子共同作用下港口工程混凝土结构的性能退化机理,确定了描述结构性能退化的参数:以承载力描述结构安全性退化,以刚度和纵向裂缝描述结构适用性退化。考虑了应力大小、持续时间和氯离子对结构性能的综合影响,提出了港口工程钢筋混凝土结构钢筋锈蚀率计算模型。以钢筋锈蚀率为表征参数,通过理论分析和室内试验,建立了港工钢筋混凝土结构承裁力衰减模型、纵向裂缝开展模型和刚度退化模型。     

港口工程钢筋混凝土结构性能退化模型研究

根据应力和氯离子共同作用下港口工程混凝土结构的性能退化机理,确定了描述结构性能退化的参数：以承载 力描述结构安全性退化,以刚度和纵向裂缝描述结构适用性退化。考虑了应力大小、持续时间和氯离子对结构性能的综合 影响,提出了港口工程钢筋混凝土结构钢筋锈蚀率计算模型。以钢筋锈蚀率为表征参数,通过理论分析和室内试验,建立 了港工钢筋混凝土结构承载力衰减模型、纵向裂缝开展模型和刚度退化模型。     

港口工程钢筋混凝土结构性能退化规律概率分析

以结构满足规范规定最低耐久性要求为前提,对港口工程钢筋混凝土结构的钢筋锈蚀率、承载力可靠度、纵向裂缝宽度和刚度退化系数进行了概率分析。结果表明,随着结构使用年限的增加,上述指标均有不同程度的降低。分析结果为制定合理的结构耐久性极限状态及建立相应设计方法提供了依据。     

基于性能退化模型的船舶部件视情维修决策优化

与定期维修策略不同,在视情维修策略下安排船舶部件的维修活动,能够提高船舶部件运行可靠性,降低维修成本.而掌握船舶部件的性能退化规律,是对船舶进行视情维修决策优化的前提.针对上述问题,文章建立了基于维纳过程的船舶部件性能退化模型,以此为基础,研究了船舶部件的视情维修策略,建立了视情维修决策优化模型,并通过实例,对视情维修...     

基于累计特征提取和RCNN的滚动轴承剩余使用寿命预测

对轴承振动信号的累计特征进行提取,在此基础上提出基于循环卷积神经网络(Recurrent Convolutional Neural Network,RCNN)的滚动轴承剩余使用寿命(Remaining Useful Life,RUL)预测模型。该预测模型通过构建循环卷积层增强神经网络对时间依赖性的学习,通过变分推理量化RUL预测中RCNN的不确定性。通过试验将基于RCNN的滚动轴承RUL预测模型与回归预测模型的预测结果相对比,验证该基于RCNN的预测模型的有效性。     

基于加速退化的柱塞泵可靠性与寿命评估

针对舰船火炮人工后座液压系统中关键元件柱塞泵的传统寿命试验存在时间段长、费用支出高,难以满足快速可靠性评估的实际需求这一问题,以容积效率为失效判据标准,以出口压力为加速应力因子,在4种不同压力水平下进行恒定加速性能退化试验,采用最小二乘法对容积效率退化量进行5种不同退化轨迹拟合,并通过TOPSIS理论求得最优轨迹为指数型退化轨迹。针对伪寿命样本单一性问题,采用不同压力下时间折算公式对寿命样本进行样本扩增,通过对3种寿命分布模型的参数估计与K-S检验,得出其伪寿命服从Weibull分布。结合逆幂律加速模型得到额定工作压力下柱塞泵的中位寿命为2 3481 h,平均寿命为23 145 h,以及其可靠度函数等可靠性指标。结果表明：舰船火炮人工后座液压系统中柱塞泵在较长使用时间内有较高的可靠度,达到较长使用时间后逐渐下降,满足其长寿命、高可靠性的设计要求。这为舰船火炮人工后座液压系统中柱塞泵应力加速退化试验提供了标准参考。     

基于Blackboard的航海类专业网络教学平台的构建

结合Blackboard课程管理系统的特点,从提高航海类专业教学质量、促进航海类专业教学与考试改革、实现全国航海类专业教学内容和方法的标准化、实现中国船员队伍的远程学习和终身学习等方面,论述构建航海类专业网络教学平台的重要性和必要性,并提出海航类专业基于Blackboard的网络课程的框架设计,指出该平台实践应用所面临的障碍。     

船用柴油机喷油系统的退化可靠性评估

针对运用传统可靠性理论对柴油机进行可靠性评估的不足,论文以船用6135型柴油机喷油系统为研究对象,依据测试得到的系统工作性能参数,利用非齐次泊松过程模型描述其可靠性退化轨迹,并提出了在小子样条件下,运用Bayes定理进行改进的方法.实验表明,所构建的模型能够很好地体现出喷油系统的可靠性退化过程,从而为柴油机整体的可靠性评估提供了借鉴.     

基于集合经验模态分解的滚动轴承振动信号希尔伯特谱分析方法

  目的  提出一种从强背景噪声、非平稳、非线性的复杂设备滚动轴承早期冲击故障振动信号中有效提取故障特征并进行故障模式识别的方法。  方法  首先,利用快速谱相关（FSC）分析提取原始振动信号的故障特征,并利用多尺度排列熵（MPE）对故障特征进行量化;然后,将故障特征数据输入BP神经网络进行故障诊断模型训练与测试;最后,对变速情况下的滚动轴承故障模拟实验数据和美国凯斯西储大学公开的轴承故障试验数据集进行故障识别研究。  结果  结果显示：所提方法对不同类型的故障具有较高的辨识精度,可达97%以上。  结论  研究验证了基于FSC-MPE与BP神经网络的滚动轴承故障诊断方法的可行性和优越性,可为滚动轴承健康状态评估提供技术支持。     

基于改进傅里叶模态分解和频带熵的滚动轴承故障诊断方法

[目的]针对多分量、强背景噪声下滚动轴承故障特征提取困难的问题,提出一种将改进傅里叶模态分解(MFMD)和频带熵(FBE)分析相结合的滚动轴承故障特征提取方法.针对傅里叶分解(FDM)在强背景噪声下边界频率偏移和过分解等问题,提出频带熵和包络谱相结合的敏感频带和敏感模态分量选取方法.[方法]首先,通过FBE分析选取频带...     

基于深度学习方法的海上舰船目标检测

为了提高海上无人艇的舰船目标检测精度和速率,本文基于深度学习方法,利用卷积神经网络、区域建议网络及Fast R-CNN检测框架构建了舰船检测系统。该系统通过共享的卷积神经网络提取特征;通过区域建议网络生成候选区域;通过Fast R-CNN框架实现目标检测识别,从而实现端到端的舰船目标检测。实验结果表明,相比于传统机器学习目标检测算法,该舰船检测系统在检测精度及检测速率上均有大幅提高,达到83.79%的准确率及0.05 s/帧的检测速率。本文的舰船检测系统在检测精度及速率上均表现优异,满足了水面无人艇的工作要求。     

回转体后螺旋桨性能和推进因子的数值预报方法

本文采用带有κ-ε湍流模式的流线迭代法计算敞水螺旋桨和回转体后螺旋桨的性能，计算中采用涡轮机械中分析螺旋桨叶剖面出口流动方向和大小的方法，从速度和能量的角度来考虑螺旋桨对流体的作用，因此流体通过螺旋桨后能量的改变是预测螺旋桨性能的关犍。它要求计算螺旋桨叶剖面的出流角，出流角由可测量的理想出流角和实际流体引起的偏差角组合而成。一待出流角确定后即可得到流体经过螺旋桨后能量的改变，利用流线迭代法可算出螺旋桨与回转体组合体周围的流场，随之可确定螺旋桨的各性能参数。本方法对B470—12和B3—50系列螺旋柴的敞水性能进行了计算，还对一个数学回转体的自航试验进行了数值模拟，其结果同试验吻合良好。与巳有的回转体后螺旋桨性能的预测方法比较，本方法的优点在于不需在回转体尾部流场和螺旋桨性能之间进行迭代计算，从而大大地减少了计算量。     

一种基于Bi-LSTM和MLP融合的滚动轴承剩余寿命预测方法

目前长短期记忆网络(long short-term memory, LSTM)是滚动轴承剩余使用寿命(remaining useful life, RUL)预测的常用方法,但其训练过程中收敛速度慢、波动性剧烈、预测误差大的问题,严重影响其在实际生产中的应用.针对该问题,提出一种双向长短期记忆网络(Bi-directional LSTM, Bi-LSTM)与多层感知机(multilayer perceptron, MLP)融合的预测方法.首先,采用堆叠去噪自编码器(stacked denoising auto encoder, SDAE)对预处理后的滚动轴承振动信号进行特征提取;其次构建Bi-LSTM网络与多层感知机融合的多种预测模型,并通过实验获取较优模型;最后使用较优模型对其剩余寿命进行预测.实验结果表明,相对LSTM,Bi-LSTM,以及LSTM融合MLP等常用模型,采用文中提出的方法,模型在滚动轴承剩余寿命训练过程中,波动性更低、收敛速度更快,同时预测误差也得到明显降低.     

基于混合深度学习的压气机喘振快速诊断及自抗扰控制方法

[目的]为了提升压气机设备安全、稳定运行的水平,提出一种基于混合深度学习参数辨识的喘振状态快速诊断方法,以及一种用于实现压气机退喘的自抗扰控制策略。[方法]首先,采用长短期记忆神经网络（LSTM）处理压气机参数辨识输入输出数据的时序关系,并融入高斯过程回归（GPR）的区间概率估计能力,提出一种基于LSTM和GPR结合（LSTM-GPR）的混合深度学习参数辨识算法,进而实现对压气机喘振状态的快速诊断;然后,基于自抗扰控制方法对压气机的节流阀参数进行控制,通过控制量对压气机节流阀参数的补偿,实现对压气机喘振状态的准确控制。[结果]结果表明,混合深度学习参数辨识算法可以实现对压气机临界Greitzer参数的准确辨识,能快速、准确地判断出压气机是否处于喘振状态,并且基于自抗扰控制的控制策略,可以使压气机有效退出喘振状态,相比传统的PID控制和非线性反馈控制等控制方法,所提方法快速、有效,可保证压气机的工作范围。[结论]提出的参数辨识和自抗扰控制方法能够用于压气机的喘振诊断和主动控制,可提升压气机的安全性与稳定性。     

舰载云图像识别性能研究

深度学习的兴起促进了各个电子科技行业的迅速发展,军事科学的智能应用也得到了极大的推广。舰载云环境基于单只舰船,为舰载智能应用提供算力、网络资源和存储支持。深度学习任务依赖强大的计算资源,相同的智能模型在不同的计算平台中性能可能出现巨大差异。在自主可控的大背景下,本文基于深度学习中的典型图像识别任务,对比使用国产和商用计算平台中舰载云上不同配置的虚拟机的表现性能。一方面,分析不同的虚拟机配置与表现性能的关系;另一方面,对比商用及国产平台的性能差距,为舰载云智能化的大规模应用提供理论支撑。