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。     

Fault diagnosis of marine diesel engine intake and exhaust system based on dynamic feature fusion北大核心CSCD

[目的]船舶系统由多设备的复杂机构组成,各组件参数具有动态性和非线性的特点,所以故障诊断过程复杂。为提高诊断效率,提出一种动态特征融合方法。[方法]利用分形理论、动态理论及核主元分析(KPCA)法对系统状态数据进行重构、映射及筛选,得到主元特征数据矩阵,求得平方预测误差(SPE)及相应的控制限,构建出基于船舶柴油机进排气系统健康数据的离线监测模型,利用该模型对系统进行故障诊断分析。为验证模型的有效性,选取某船舶柴油机进排气系统的故障数据进行验证分析。[结果]结果表明,动态特征融合分析方法可有效实现对系统动态非线性状态数据的精确分析,实现对系统故障的高效分析和诊断。与KPCA及支持向量机(SVM)方法相比,所提方法具有更好的故障诊断性能。[结论]该方法可实现船舶柴油机进排气系统故障的检测和诊断,提升系统运行的可靠性和安全性。     

基于DPC-GMM算法的船舶燃油系统故障诊断

[目的]传统的高斯混合模型(GMM)算法存在收敛速度较慢的固有缺陷,容易产生过拟合现象,导致参数计算陷入局部最优,不能很好地用于船舶燃油系统的故障诊断。[方法]首先,分析GMM算法及参数估计算法,结合密度峰值聚类(DPC)算法,提出一种基于DPC-GMM算法的船舶燃油系统故障诊断方法;然后,通过训练船舶燃油系统状态所对应的高斯混合模型参数,实现对船舶燃油系统故障的无监督诊断;最后,基于获取的船舶燃油系统故障数据,验证该方法的有效性。[结果]实验结果表明,采用基于DPC-GMM算法的故障辨识准确率高、识别速度快,优于传统的反向传播(BP)神经网络和支持向量机(SVM)诊断算法。[结论]研究结果对船舶燃油系统的故障诊断有重要的指导意义。     

基于深度信念网络的船舶柴油机智能故障诊断

[目的]为了提高船舶柴油机智能故障诊断的精度,引入深度学习方法,提出一种基于深度信念网络(DBN)的船用柴油机智能故障诊断方法。[方法]采用多层限制性玻尔兹曼机(RBM)堆叠成DBN,并采用对比散度方法对模型参数进行求解。通过无监督预训练和有监督微调的训练方法,从故障样本数据中提取深层次的隐性特征并获得较好的初始化参数。[结果]基于AVL BOOST船舶柴油机故障仿真实验进行样本数据分析,结果表明:DBN对训练样本集和测试样本集的故障识别率分别为98.26%和98.61%,比BP神经网络(BPNN)和支持向量机(SVM)具有更高的故障识别准确率和更好的泛化性能,可以避免浅层神经网络因随机初始化权值而陷入局部最小值和精度较低等问题。[结论]与BPNN和SVM相比,DBN更适用于船舶柴油机的智能故障诊断应用。     

基于数据挖掘的船舶主机故障远程诊断系统设计

如果船舶的主发动机不能正常的工作,船舶的安全航行就难以保证。传统的故障诊断系统主要依靠船员的经验来分析每台设备的参数并推断出故障的类型。该方法精度低,成本高,无实时性。为解决这一问题,基于数据挖掘技术设计了一种新型船用柴油机故障诊断优化系统。本文将数据挖掘技术应用故障诊断,利用算法上的高效,包括VSM算法和关联规则,建立远程船舶主机故障诊断系统,对主机的运营进行实时动态的仿真。对发动机各子系统运行状态的实时监控可以与整个船用柴油机的故障特征相结合。     

船舶柴油主机状态监测中故障诊断方法研究

针对当前船舶柴油主机状态监测中故障诊断方法存在的诊断速度慢、诊断结果不稳定等缺陷,提出基于小波神经网络的船舶柴油主机状态监测中故障诊断方法。首先分析当前船舶柴油主机状态监测中故障诊断方法的研究现状,然后采用小波变换抽取船舶柴油主机状态监测中的故障特征,并采用神经网络对船舶柴油主机状态监测中故障特征进行学习,实现船舶柴油主机状态监测中故障诊断的分类决策,最后船舶柴油主机状态监测中故障诊断结果表明,本文方法不仅可以保证船舶柴油主机状态监测中故障诊断正确率,同时减少了船舶柴油主机状态监测中故障诊断时间,极大改善了船舶柴油主机状态监测中故障诊断效率。     

SMSC-2006型轮机模拟器主机仿真建模

主机参数模型是轮机模拟器的软件核心,开发轮机模拟器仿真软件之前必须首先搭建好能适用于主机各工况下的实时参数模型。本文采用现有船机桨物理计算公式和船舶阻力经验计算公式建立了SMSC-2006型轮机模拟器船舶主柴油机工作的船机桨能量平衡模型;采用参数矩阵变换和牛顿插值法建立了主机实时仿真模型和主机实时故障模型。这些模型能满足轮机模拟器的仿真精度和持续运行要求,实时计算出了各工况下主机的各种热工参数,还可以实时仿真主机的典型故障。     

Residual life prediction for marine diesel turbocharger based on Wiener process北大核心CSCD

[目的]针对船舶柴油机增压器难以收集到全生命周期性能退化数据的问题,提出一种基于维纳过程的寿命预测模型。[方法]首先,采用K-Means模型对增压器实际运行工况进行聚类,提取出典型工况数据;然后,使用贝叶斯突变点检测模型识别增压器的缺陷点;最后,建立基于维纳过程的退化模型,并以某型船用柴油机增压器为应用对象,预测增压器的剩余使用寿命。[结果]结果显示,基于维纳过程的寿命预测方法能够在不需要同类设备历史退化数据的情况下对增压器的剩余寿命进行预测。[结论]所提方法对缺少故障样本的船舶柴油机增压器寿命预测具有一定的参考价值。     

基于灰色关联分析的风机故障诊断

风机作为船舶工业领域的关键设备,对正常生产有很重要的作用。当前的诊断方法尚难以对风机实现整个故障状态空间上的实时状态监测和故障诊断,通过分析风机故障诊断方法的差异,提出结合风机典型故障信号源特征,利用风机征兆和故障之间的关系建立故障样本,通过灰色关联分析法建立风机状态数据与故障数据样本的联系,利用关联程度的大小达到有效识别风机故障的目的,试验表明该方法具备正确性和可行性,能够指导风机的故障诊断工作。     

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.     

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。     

基于混合深度学习的燃气轮机动态过程关键参数在线辨识北大核心CSCD

[目的]为克服燃气轮机非线性时变特性对动态控制及性能监测的影响,通过长短期记忆神经网络(LSTM)的时序记忆、非线性关系表达与高斯过程回归(GPR)的区间概率估计能力三者的结合,提出一种基于LSTM-GPR混合深度学习模型的关键动态参数在线辨识算法。[方法]首先,建立燃气轮机的动态机理模型,以燃料热值、压气机效率及负载电力矩为待辨识参数,生成大量训练数据;然后,构建LSTM-GPR参数辨识网络模型,并输入训练数据进行网络训练和权重系数学习;最后,使用训练好的LSTM-GPR混合模型对燃气轮机动态运行参数进行在线辨识,经分析辨识结果来验证所提算法的有效性。[结果]仿真结果表明,所提算法辨识结果准确,误差小于1%,实时性好,相比于LSTM单一模型能获得更好的均值估计效果,并给出可靠的结果置信区间。[结论]所提算法能有效应用于燃气轮机模型的关键动态参数在线辨识,为进一步应用于实际机组奠定了基础。     

人工智能技术在船舶动力装置故障诊断中的应用

传统的动力装置故障诊断方法需要大量的故障数据样本,导致诊断效率和实时性差,无法满足现代船舶航行的需求。针对上述问题,提出人工智能技术在船舶动力装置故障诊断中的应用。使用小波包分析技术对传感器采集的信号进行去噪、分解重构以及能量谱特征提取处理后,构建船舶动力装置故障集。使用D-S理论对BP神经网络输出的诊断结果进行数据融合和置信度判断,得到可靠的诊断结果完成故障诊断。对比实验数据显示,利用人工智能的方法诊断精度较高,并且诊断响应效率高,具有良好的泛化能力。     

基于BP神经网络的船舶主机能效状态评估

[目的]在船舶航行期间,需要通过分析船舶和主机的运行参数来客观判断主机当前的工作情况,从而准确评估主机的能效状态。[方法]以状态良好的船舶运行记录为样本,结合主成分分析法和BP神经网络算法,构建船舶的航行状态识别模型和主机油耗模型,并在船舶航行期间对船舶实时运行参数进行分析,得出船舶主机在当前工况下的油耗量正常值。以某30万吨级远洋散货船为例开展模型计算验证,将正常油耗值与实际油耗值进行对比,以二者的残差值为依据,进而评估当前的主机能效状态。[结果]计算结果显示,航行状态识别模型的正确率为98.05%,油耗模型的平均误差为3.47%,2种模型的可靠性均较高。[结论]研究成果可为智能船舶的能效管理提供一定的参考。     

船用离心泵故障SOM网络诊断方法

为了实现对船用离心泵的实时在线智能故障诊断,进行了基于SOM网络(自组织特征映射神经网络)的船用离心泵故障诊断方法研究.在分析船用离心泵典型故障及特征的基础上,建立故障模型,提取故障特征向量并建立学习样本;设计和组建了SOM神经网络,将SOM网络的抽取输入信号模式特征的能力应用于故障诊断;通过网络训练建立了 SOM网络输入与输出属性间良好的非线性映射,实现了将特征向量输入网络来诊断故障.经实验验证,该方法具有良好的准确度和适应性.     

基于免疫遗传算法的核动力船舶设备故障诊断

针对传统遗传算法收敛速度慢且容易未成熟收敛引起的核动力船舶设备故障诊断响应延迟、误诊、漏诊问题,提出一种基于信息熵的免疫遗传算法用于核动力船舶设备的故障诊断:利用已知船舶设备故障征兆集合,选用概率因果模型,引入信息熵免疫遗传算法,求解具有最大后验概率的故障集合.某船用核动力蒸汽发生器与液压泵故障仿真结果表明,基于信息熵免疫遗传算法优化的概率因果模型不受故障样本的限制,具有较好的通用性,且模型故障诊断精度较高、寻优速度快.本方法同样适用于其他领域的故障诊断问题.     

基于免疫遗传算法的核动力船舶设备故障诊断

针对传统遗传算法收敛速度慢且容易未成熟收敛引起的核动力船舶设备故障诊断响应延迟、误诊、漏诊问题,提出一种基于信息熵的免疫遗传算法用于核动力船舶设备的故障诊断:利用已知船舶设备故障征兆集合,选用概率因果模型,引入信息熵免疫遗传算法,求解具有最大后验概率的故障集合。某船用核动力蒸汽发生器与液压泵故障仿真结果表明,基于信息熵免疫遗传算法优化的概率因果模型不受故障样本的限制,具有较好的通用性,且模型故障诊断精度较高、寻优速度快。本方法同样适用于其他领域的故障诊断问题。     

基于以太网的船舶电力系统动态电能质量监测与故障诊断系统设计

[目的]现代船舶电力系统的信息化、自动化、智能化和安全运行的要求越来越高,传统的基于现场总线的船舶电力信息交换系统已经无法满足要求。[方法]通过Modbus/TCP工业以太网弥补现场总线的不足,并在此基础上联合船舶电力系统现场总线采集的固有数据和在线测量装置采集的实时数据建立数据中心,结合相关性理论和神经网络智能算法进行大数据分析,[结果]完成船舶电力系统动态电能质量监测与故障诊断,并用LabVIEW实现人机界面设计。[结论]通过实验室平台验证了该方案软、硬件实现的可行性。     

基于正弦函数处理新息的船舶模型参数辨识新算法

[目的]当船舶试验数据样本少时,将面临难以快速、准确辨识船舶模型参数的难题。[方法]基于最小二乘系统辨识算法,采用正弦函数处理新息,提出一种基于正弦函数非线性新息处理的船舶模型参数辨识算法。以"育鲲"船为例进行仿真实验,在只有26组辨识数据的情况下,对比最小二乘法和非线性新息改进最小二乘法的模型参数辨识效果,并利用"育鹏"船对所提算法的有效性进行验证。[结果]结果表明:与最小二乘法相比,非线性新息改进最小二乘法的模型参数辨识精度提升了15%左右。[结论]研究结果可为小样本数据情况下的船舶模型参数辨识提供参考。