共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
3.
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。 相似文献
4.
5.
《港口装卸》2021,(5)
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。 相似文献
6.
7.
8.
9.
10.
潘冬伟范志川姬永波项乔 《船舶与海洋工程》2023,(5):78-85
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。 相似文献
11.
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。 相似文献
12.
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。 相似文献
13.
14.
15.
16.
基于深度学习方法的海上舰船目标检测 总被引:1,自引:0,他引:1
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。 相似文献
17.
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。 相似文献
18.
《江苏科技大学学报(社会科学版)》2021,35(3)
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. 相似文献
19.
[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。 相似文献