基于机器学习算法的船舶电气故障分类与诊断方法

为实现船舶电气故障的早发现、早解决,设计基于机器学习算法的船舶电气故障分类与诊断方法。采用Trager能量算子增强传感器采集到的船舶电气设备振动信号,利用小波包分析方法提取增强后的电气设备振动信号特征,将电气设备振动信号特征输入卷积神经网络中进行训练,得出最佳的故障分类与诊断模型,并利用该模型实现船舶电气设备的故障分类与诊断。实验表明：采用Teager能量算子可以快速准确地将传感器采集的信号放大,且放大过程没有信息损失。训练后卷积神经网络的故障分类与诊断正确率接近100%,可能够准确诊断出船舶电气设备是否存在故障,并获取对应的电气故障类型。     

三峡升船机变频器IGBT开路故障诊断

为降低三峡升船机变频器中绝缘栅双极型晶体管(Insulated Gate Bipolar Transistor, IGBT)开路故障的排故难度和保障船舶安全通航,对三峡升船机变频器整流侧中的21种IGBT开路故障进行故障诊断。以整流侧网侧三相输入电流信号为故障信号并进行希尔伯特黄变换(Hillbert-Huang Transform,HHT),并在时频图中找到特征频带,基于特征频带的能量熵完成故障特征提取。为实现故障管的精准定位,通过计算三相故障电流信号的均值确定故障上下桥臂。由概率神经网络(Probabilistic Neural Network,PNN)验证表明:该方法可实现IGBT开路故障检测。     

不同数据集容量下的卷积神经网络图像识别性能

为探究在无法获取充足图像数据样本的前提下,怎样发挥卷积神经网络图像识别的良好性能,针对训练数据集容量与卷积神经网络图像识别性能的关系进行深入研究。首先阐述了机器学习能够学习的条件,并根据VC Dimension理论推导出数据集容量与卷积神经网络参数量的关系,接着构建DigitNet与Cifar10Net网络模型,然后分别在不同容量的手写数字识别数据集及Cifar10数据集上训练模型并检验相应的训练模型的识别正确率,最后分析了实验结果是否符合推导的训练数据集容量与卷积神经网络参数量之间的关系。实验结果表明:卷积神经网络的图像识别性能与数据集容量之间存在着一定的关系,在满足卷积神经网络对数据集容量的最低要求时,卷积神经网络即可获取良好的图像识别性能。因此在无法获取海量数据集的情况下,采用卷积神经网络解决实际问题时,仅需要模型参数量10倍的训练数据容量为下限即可获取性能良好的网络模型。     

基于改进卷积神经网络的船舶目标检测

为提高无人船研究中的船舶辨识速度和精度,弥补海上船舶目标检测中船载自动识别系统(Automatic Identification System,AIS)和雷达图像的不足,提出一种基于改进卷积神经网络的船舶目标检测模型。设计多策略的卷积神经网络模型,利用船舶图像数据进行训练和测试,并将测试结果与基于区域提名和基于回归方法的卷积神经网络模型结果相对比。试验结果表明,改进的卷积神经网络模型的船舶检测准确率高于另外2种模型。     

舰船发动机燃油电磁阀故障实时诊断方法

基于舰船发动机燃油电磁阀驱动电路,分析电磁阀电流特性与故障情况下的电流特征,发现燃油电磁阀的电流波动,对电磁阀故障具有重要影响.因此,利用小波包分解技术重构电流信号,提取电流信号的频带幅值,将其作为舰船发动机燃油电磁阀不同故障的特征向量,将该特征向量输入多输入层卷积神经网络中,经过训练、测试的多输入层卷积神经网络可以准...     

基于GA-BP的船舶同步发电机定转子绕组匝间短路故障诊断研究

为诊断与分析船舶同步发电机定转子绕组匝间短路故障,文章采用基于主成分分析法(PCA)和遗传算法(GA)优化BP神经网络(GA-BP神经网络)的故障诊断方法。首先利用Maxwell软件平台故障仿真得到的定子三相电流作为特征信号,通过小波包分解重构以及PCA降维的处理方式,生成15维的样本数据,降低了网络规模以及处理计算时间,并针对传统BP神经网络收敛速度慢以及易陷入局部极小值的特点,利用GA算法对BP神经网络权值与阈值进行优化。通过样本数据对GA-BP神经网络进行训练测试,验证了PCA和GA-BP神经网络对于船舶同步发电机定转子匝间短路故障诊断具有可行性以及准确性。     

一种逆变器均流控制方法

在逆变器均流控制方法中,下垂控制和平均功率控制都需要精确计算逆变器输出有功功率和无功功率以控制输出电压的幅值和相角（频率）。在轻载和空载情况下,由于输出电流很小,电流采样和功率计算存在很大误差,有功功率环流会造成直流母线过压故障甚至损坏逆变器。本文采用电感电流代替输出电流计算逆变器输出有功功率和无功功率,并通过改变电感电流采样时刻提高了功率计算的精度。利用两台三相四线逆变器并联系统验证了理论分析的正确性,实验证明运用该功率计算方法取得了良好的并联均流效果。     

遗传神经网络在导航传感器故障诊断中的应用

对船用组合导航系统中占主要地位的惯导系统进行故障诊断研究,提出了基于遗传算法优化的神经网络故障诊断模型.利用改进的遗传算法对BP神经网络的权值和阈值进行遗传操作,获得具有一定遍历性的初始权值和周值,然后再利用神经网络的L-M训练方法进行训练,克服了BP神经网络搜索速度慢和容易陷入局部极值的缺点,保证了训练过程收敛.对采集到的传感器故障信号进行预处理,故障特征信号作为改进遗传神经网络的输入信号来检测故障.采用惯导系统陀螺仪故障信号进行仿真研究,结果表明此方法可有效地检测故障且提高了系统精度.     

基于神经网络和混合编程的整流桥故障诊断研究

本文介绍了采用VC＋＋和MATLAB混合编程实现对三相整流桥进行故障诊断的方法。该方法通过VC＋＋调用MATLAB引擎来驱动神经网络,将神经网络、数据采集及人机接口结合起来,对三相整流桥的故障进行在线诊断。试验证明,经过足够的样本训练,采用三层BP神经网络能达到一定的准确度。     

基于Pspice的混合信号电路故障检测

针对混合信号电路故障检测难、检测准确率低的问题,采用神经网络与故障字典相结合的混合信号电路故障检测方法。运用Pspice对混合信号电路进行仿真,用蒙特卡罗算法对电路进行分析。提取电路中具有代表性的电流信息,建立正常状态下的故障字典。用Matlab进行神经网络的设计,通过训练、测试证明了该方法故障覆盖率可达到90％,准确率达到96％。     

基于GRU-DconvLSTM的船舶轨迹预测

利用深度学习方法预测船舶未来航行趋势，对海上交通安全以及船舶管理具有重要意义。在船舶自动识别系统（AIS）中已知的经度、纬度、航速数据基础上，提出一种基于门控循环单元结合双卷积层长短期记忆神经网络（GRU-Dconv LSTM）预测模型。根据原始数据的变化趋势，采用标准差法对数据中的异常值进行处理，得到最终试验数据。该模型一方面通过门控循环单元（GRU）学习船舶历史数据上的运动规律；并采用双卷积层与长短期记忆神经网络（LSTM）结合的形式充分提取数据深层信息，提高模型对时序数据深层次特征的挖掘能力。将该模型与卷积长短期记忆神经网络（CNN-LSTM）、卷积门控循环神经网络（CNN-GRU）以及卷积层长短期记忆（Conv-LSTM）神经网络等3个模型进行对比，将均方根误差、平均绝对误差、平均绝对百分比误差作为评价标准，结果表明，GRU-Dconv LSTM模型在经度和纬度预测上误差较小，精确度较高。     

基于卷积神经网络与时频分析的水声通信前导信号检测方法

前导检测是水声通信中的关键步骤。传统信号检测算法无法有效克服多径和干扰的影响,在复杂水声信道环境下,检测性能会明显下降。卷积神经网络具有强大的表征学习能力,能够通过大量数据自动提取图像特征,在图像识别应用中具有突出优势。以双曲调频信号为研究对象,采用时频分析技术同时获取信号时域和频域信息,得到时频谱图,并通过均值滤波处理提高信噪比。将时频谱图作为卷积神经网络的输入,训练并测试网络,最终得到HFM信号的检测结果。千岛湖试验结果表明,该方法能够大幅提升远距离、强多径条件下前导信号的检测概率,与传统检测算法相比性能优越。     

基于自监督学习框架的发电柴油机故障诊断

针对采集的船舶发电柴油机有标签状态数据集为小样本而造成的分类精度较低的问题,本文提出了一种新型的自监督学习框架用于机电设备的故障诊断,挖掘无标签数据集中的特征信息,以提高模型的分类能力。首先,通过KNN算法,将采集到的无标签数据集划分为正类样本和负类样本,并通过添加噪声的方法对原始数据进行数据增强,以此构造自监督任务。然后,设计基于卷积神经网络的编码器,根据正类、负类的伪标签,来提取无标签数据中的监督信息。最后,基于小样本的标签数据,通过编码器得到新的特征表征,对分类模型进行参数微调,提高模型精度。船舶柴油发电机故障实验证明,该自监督学习框架下的分类模型的准确率、精确率和召回率均高于直接用小样本标签数据训练的分类模型。     

基于PI＋重复控制的光伏并网逆变器设计

本文通过实验指出数字PI控制器在光伏并网逆变器中的局限性,提出将重复控制器引入到电流内环中以提高稳态性能,进而将重复控制和PI控制器并联用于三相光伏并网逆变器的电流波形控制。其中PI控制保证系统动态性能,而重复控制提高电流波形跟踪精度。实验表明,采用这种方法后可以显著改善逆变器的并网电流质量。     

基于FNN的船舶舵伺服系统故障诊断研究

分析某型船舶舵伺服系统的故障信息,建立了模糊神经网络故障诊断模型.利用模糊逻辑处理数据以便于充分利用经验知识;利用神经网络诊断,避免了复杂故障树诊断系统的"匹配冲突"、"组合爆炸"和"无穷递归"等问题,并采用改进的BP算法训练神经网络,解决了收敛速度和收敛振荡的问题.诊断实例结果表明:该故障诊断系统具有较强的鲁棒性和泛化能力;该算法采用无模型化诊断,容易实现自学习,可不断完善系统性能,具有一定的理论和工程应用价值.     

船舶动力系统低压弱电设备故障检测方法

动力系统是船舶稳定航行的基础与关键,所含低压弱电设备复杂度逐渐攀升,故障概率也随之增加,为船舶稳定航行带来了威胁,因此提出船舶动力系统低压弱电设备故障检测方法研究。利用传感器获取船舶动力系统低压弱电设备振动信号,采用五点三次平滑法对振动信号进行平滑处理,以此为基础,Fourier变换振动信号,提取振动特征信号(有效值及其能量),将提取的振动特征信号输入至训练好的一维深度卷积神经网络中,网络输出即为低压弱电设备故障检测结果,实现了低压弱电设备故障的检测。实验数据显示,3个数据集的故障检测率均高于95.2%,符合船舶航行需求,证实了提出方法的可行性。     

基于MUSIC算法的变频电机转子故障诊断研究

分析了变频电机在转子故障时,逆变器直流侧电流中产生故障特征信号的特性,提出了一种基于MUSIC算法的转子故障在线检测和诊断方法。结果表明,在短数据情况下,相对FFT技术,该方法频率分辨率更高,故障检测更为准确,且计算量小,有利于电机故障的在线检测,实验证明该方法简单有效。     

基于卷积神经网络的声信标信号识别方法

声信标信号的有效检测识别方法在找寻失事黑匣子的过程中起到关键作用。本文基于卷积神经网络(CNN)的检测识别方法,把已知声信标信号作为卷积神经网络的训练样本,提取梅尔频率倒谱系数(MFCC)特征后输入卷积神经网络进行训练,得到相应的训练标签。把待测的声信标信号输入经过训练的卷积神经网络进行测试,得到相应的识别结果。试验结果表明,基于卷积神经网络的方法可用于声信标信号的检测识别,并且有较好的识别率。     

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.     

多信息融合技术在船舶动力装置故障诊断中的应用

船舶动力装置工作过程中会产生大量多域故障信号,通过收集、挖掘隐藏的关联信号,可以解决船舶动力装置在故障诊断中面临的诊断时长问题.文章采用K-均值聚类算法(K-means)对数据进行聚类,聚类结果输入BP神经网络进行模型训练,并在此基础上,设计了主成分分析法(PCA)对模型进行优化.结果 显示,2种算法都能有效降低网络诊...