基于参数优化的舰船电动机故障诊断

相关向量机在舰船电动机故障诊断过程中,参数直接影响舰船电动机故障诊断结果,为了解决当前相关向量机参数优化难题,设计了粒子群算法优化相关向量机的舰船电动机故障诊断方法。首先分析舰船电动机故障诊断现状,并采集舰船电动机工作状态信号,然后提取舰船电动机工作状态信号提取特征,利用相关向量机建立舰船电动机故障诊断模型,并采用粒子群算法对舰船电动机故障诊断模型参数进行优化,最后进行舰船电动机故障诊断仿真实验。结果表明,相对于其他舰船电动机故障诊断方法,本文方法的舰船电动机故障诊断精度更高,故障诊断结果更加可靠,诊断效率更高,具有一定的工程应用前景。     

不平衡负载下船舶电力系统故障诊断研究

电力系统的故障诊断可以保证船舶的正常工作,针对当前单一模型无法全面、准确对船舶电力系统故障进行诊断的难题,提出一种基于组合模型的船舶电力系统故障诊断模型。首先提取不平衡负载下船舶电力系统的信号,并提取状态特征,然后采用隐马尔科夫法对船舶电力系统故障进行初步诊断,采用支持向量机对船舶电力系统故障进行进一步诊断,以提高船舶电力系统故障诊断的准确性。最后进行船舶电力系统故障诊断的测试,测试结果表明,组合模型可以从多个角度对船舶电力系统的工作状态进行分析,船舶电力系统故障诊断率高,不仅有降低了船舶电力系统故障的错误诊断率,而且改善了船舶电力系统故障效率。     

支持向量机在舰船模拟电路故障诊断中的应用

模拟电路在舰船应用中越来越复杂,故障率也在不断的增加。本文通过分析舰船模拟电路的特征,提出支持向量机的故障诊断方法,其中采用mRMR-GASVM的支持向量机对故障诊断做出分析,并结合遗传算法对分类器的参数进行优化,可以提高故障诊断的准确性。最后建立一个Sallen-Key带通滤波器电路,对其进行仿真验证,结果显示这种方法可以有效诊断出舰船模拟电路的故障。     

基于振动信号的舰船发动机故障诊断

传统舰船发动机故障诊断方法诊断时,需要对舰船发动机进行一定程度上的拆卸,无法完成零拆卸的故障检测,为此提出基于振动信号的舰船发动机故障诊断方法。使用不同波段振动信号作为检测探伤手段,采集多频段的振动信号,分析信号携带的诊断信息,完成舰船发动机故障诊断模型构建;计算振动信号非线性鲁棒值,锁定故障位置,通过编程分析,实现舰船发动机故障诊断。试验结果表明,设计的故障诊断方法比传统方法诊断定位准确率高2%,说明设计的诊断方法具备极高的有效性。     

数字信号处理器的舰船电子设备故障诊断

舰船电子设备故障与多种因素相关,使得舰船电子设备故障变化具有随机性,传统方法难以描述舰船电子设备故障的变化特点,诊断效果差。为了克服当前舰船电子设备故障诊断存在的不足,提出数字信号处理器的舰船电子设备故障诊断模型。首先采用数字信号处理器对舰船电子设备状态信号进行采集,同时去除信号中的一些噪声,然后从舰船电子设备信号中提取有效的特征,通过筛选最有效的舰船电子设备故障诊断特征进行建模,最后引入数据挖掘技术建立舰船电子设备故障诊断模型,并在相同环境下,与其他模型进行舰船电子设备故障诊断仿真模拟测试。结果表明,本文模型的舰船电子设备故障诊断误差要比对比模型更低,且减少了舰船电子设备故障诊断复杂度,诊断效率得到明显的提升。     

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.     

舰载武器智能自适应诊断测试技术研究

传统武器故障诊断和测试依托于人员经验和测试仪器,难以适应现代化舰船的故障测试要求。本文对大数据技术和自适应诊断测试技术进行研究,设计舰船武器智能自适应诊断测试系统,重点设计了舰船武器故障特征提取模块和诊断测试模块。使用支持向量机对故障特征进行分类,通过原始数据融合、故障特征融合以及决策融合,系统根据采集的故障特征信息可以作出综合性判断,因而具有较高的可靠性。     

基于机器学习的舰船轮机设备多发故障信号监测

针对舰船轮机设备故障信号监测中存在的运算量大、缺少故障数据、模型训练复杂、检测效率低、准确度不高等问题,设计了基于机器学习的舰船轮机设备多发故障信号监测方法。通过多种传感器采集舰船轮机设备振动信号,经小波变换降噪后,通过EMD经验模态分解提取舰船轮机设备振动信号特征,将其作为孤立森林算法输入进行异常信号检测,以异常信号检测结果为依据,构建决策二叉树支持向量机故障信号分类模型识别故障信号,实现舰船轮机设备多发故障信号监测,实验表明,该方法可以高效、准确地检测并识别舰船轮机设备的故障信号,而且适应性广泛,在舰船轮机设备的各种工况下,监测性能都十分良好。     

基于机器学习的舰船机电装备故障诊断

随着信息技术的发展,以机器学习、模式识别为代表的人工智能技术在故障诊断领域逐步得到应用。通过对振动噪声信号的采集,利用时频分析技术对信号进行分解,并提取故障特征参数,再利用机器学习或模式识别技术对信号进行判别分类,可以实现舰船机电装备的智能诊断。为了验证该方法,选择经验模态分解方法进行信号分解,采用支持向量机进行诊断分类。通过实验表明,该方法有着较高的诊断精度,故障诊断率达到了96.7%,可以对舰船机电装备常见故障进行准确的智能诊断。     

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。