基于人工鱼群算法的船舶电子设备故障智能诊断方法

为实现电子设备的高效维护,确保船舶安全航行,设计了基于人工鱼群算法的船舶电子设备故障智能诊断方法。采用离散小波变换法分解电子设备运行信号样本,通过计算不同尺度下的小波能量值完成船舶电子设备故障特征参数的提取,将其作为基于RBF神经网络的故障诊断模型的输入,利用人工鱼群算法对故障诊断模型的权值、阈值参数作优化处理,最终输出不同类型故障发生概率,实现电子设备故障诊断。实验结果表明,正常以及不同故障状态下,电子设备运行信号的时域波形存在很大差异,研究方法可实现故障特征参数的提取,并完成故障类型的识别,30次迭代后MSE指标即可降至最低,仅为10^-4。     

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DSP的船舶通信设备故障辨识模型

针对当前船舶通信设备故障辨识误差大,不能满足现代船舶通信要求的难题,提出基于数字信号处理(DSP)的船舶通信设备故障辨识模型。首先分析船舶通信设备故障辨识原理,并采用数字信号处理技术采集船舶通信设备的状态信号,然后采用小波包对船舶通信设备的状态信号进行处理,并提取最有效的船舶通信设备故障辨识特征,最后引入机器学习算法建立船舶通信设备故障辨识模型,采用具体船舶通信设备故障辨识样本进行仿真测试,结果表明,数字信号处理的船舶通信设备故障辨识精度高,船舶通信设备故障辨识误差小于当前其他辨识模型,而且故障辨识的训练时间和测试时间相应减少,改善了船舶通信设备故障辨识结果。     

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。     

基于DSP的船舶电子设备故障诊断研究

船舶运输在全球经济中发挥着不可替代的作用,船舶电子设备的稳定工作对于保障船舶运输安全以及船舶自动化控制系统的可靠性具有非常重要的作用。对船舶电子设备故障进行诊断研究可以有效发现设备故障位置,并及时采取措施。本文提出一种基于BP神经网络和DSP技术的船舶电子设备故障诊断系统,以DSP为硬件核心实现神经网络解决电子设备故障诊断问题,重点介绍神经网络算法的实现以及数据采集电路的设计等。     

工程船舶机械运行状态监测及故障诊断

工程船舶机械运行状态的信号具有非平稳性,传统方法无法准确提取信号中的特征,使得工程船舶机械运行状态监测不准确,故障诊断错误率高,为此提出了基于Hilbert变换的工程船舶机械运行状态监测和故障诊断方法。首先提取工程船舶机械运行状态信号,然后采用Hilbert变换对工程船舶机械运行状态信号进行分解,提取特征,最后根据特征向量建立工程船舶机械运行状态识别模型,实验结果表明,本文方法可以较好描述工程船舶机械运行状态,获得了较高正确率的工程船舶机械故障诊断结果。     

基于OPC技术的电力推进船舶混合动力故障定位

基于信号变换的诊断方法、基于专家经验法诊断方法故障空间的局限性,导致故障定位精准度较低。为此,提出基于OPC(OLE for Process Control)技术的电力推进船舶混合动力故障定位研究。构建故障定位模型,剔除工作状态外部干扰信息。描述电力推进船舶混合动力系统故障定位特征向量,确定故障空间。计算故障出现概率,提取主要故障特征。借助人机接口对输入信号进行滤波处理,使用OPC技术匹配知识库中故障规则,找到具体故障位置。搭建电力推进船舶混合动力监控系统,利用Matlab进行实验仿真研究。实验结果表明,该方法与实际定子磁链轨迹坐标一致,具有精准定位效果。     

船舶发电机电路故障分类和诊断

发电机是船舶的动力设备之一,而电路是船舶发电机的核心部件,当前船舶发电机电路故障诊断方法的误诊率相当高,为此本文设计了一种基于模式识别的船舶发电机电路故障分类和诊断方法。首先提取船舶发电机电路故障特征,并进行归一化作为输入向量,然后通过模式识别技术建立船舶发电机电路故障的分类器,从而建立船舶发电机电路故障的诊断模型,最后在相同环境下与其他船舶发电机电路故障诊断模型进行仿真实验。实验结果表明,本文模型的船舶发电机电路故障诊断成功率大幅度提升,船舶发电机电路故障的误诊率和漏诊率急剧下降,同时船舶发电机电路故障诊断效率也要优于对比模型,具有更高的实际应用价值。     

支持向量机的舰船发动机故障诊断

发动机故障诊断是舰船领域的一项关键研究内容,舰船发动机故障与多种因素相关,而且故障类型很多,针对传统舰船发动机故障诊断模型存在的局限性,设计基于支持向量机的舰船发动机故障模型。首先采集舰船发动机工作状态信号,并从工作信号中提取舰船发动机工作状态特征;然后对舰船发动机工作状态特征进行降维处理,并采用支持向量机构建舰船发动机故障诊断的多分类器;最后采用仿真模拟实验测试了本文舰船发动机故障诊断模型的性能,支持向量机可以准确识别各种舰船发动机故障,舰船发动机故障诊断性能要优于传统舰船发动机故障诊断模型,而且诊断效率可以满足舰船发动机故障在线诊断要求。     

船舶柴油机机械磨损故障诊断方法研究

柴油机机械磨损直接影响船舶工作的可靠性,为了获得高正确率的船舶柴油机机械磨损故障诊断结果,设计了局部均值分解和机器学习算法的船舶柴油机机械磨损故障诊断模型。首先对船舶柴油机机械磨损故障信号进行局部均值分解,提取的船舶柴油机机械磨损故障特征,然后引入机器学习算法对船舶柴油机机械磨损故障进行分类和识别,最后进行了船舶柴油机机械磨损故障性能测试。结果表明,本文模型的船舶柴油机机械磨损故障正确率超过95%,而且船舶柴油机机械磨损故障的误诊率相当低,完全能够满足当前船舶柴油机机械磨损故障诊断的实际要求。