舰船装备维修费预测的数据预处理技术研究

在预测舰船装备维修费时,收集足够多的、准确的费用数据是关键。根据舰船装备维修费的影响因素,将舰船装备维修费预测的相关原始数据分为基础数据、使用数据、维修数据和宏观经济数据,确定了相应的数据收集渠道。分析了收集到的原始数据可能存在噪声、缺失或异常数据、冲击扰动数据、不一致数据的问题,针对性地提供了相应的数据预处理技术,经过处理后的数据可以为舰船装备维修费预测提供良好基础,进一步提高预测的有效性。     

基于主成分分析的舰船装备维修费组合预测

针对基于回归的组合预测模型,由于舰船装备维修费预测时可利用的样本小、可用的单项预测方法多,容易导致预测模型的数量比用于组合预测的样本数量多,出现回归系数无法估计的问题。在建立基于回归的舰船装备维修费组合预测模型前,首先对各单项预测方法预测结果进行主成分分析,建立舰船装备维修费实际值在选取主成分上的回归模型,给出基于主成分分析的组合预测模型;然后针对主成分分析中根据主成分的累积贡献率确定主成分数量具有一定的主观性,建议采用AIC确定主成分的数量;最后,采用实例对给出的方法进行分析和验证。结果表明：在舰船装备维修费组合预测中,该方法不仅解决了预测模型多于用来组合预测的样本数量问题,而且还可以解决单项预测方法之间的共线性问题,且其预测性能明显优于常用的组合预测模型。     

舰船装备维修费预测方法评价准则体系研究

针对舰船装备维修费预测效果评价仅采用单一的精度准则可能导致较大预测风险的缺陷,在分析现有预测评价准则研究现状的基础上,总结了现有的预测方法评价准则,并通过进一步结合对舰船装备维修费预测特点的分析,建立了适合于舰船装备维修费预测方法评价的准则体系。建立的准则体系有利于提高舰船装备维修费预测的可靠性,降低预测风险,为舰船装备全寿命费用预测和舰船装备维修工作提供可靠的基础。     

基于自适应遗传算法的总体舰船维修费分配

将舰船维修费按照装备维修计划结构分为九项,以该九项费用在舰船维修费总量中所占的比例为自变量,舰船维修费总体效益为因变量,提出通过回归分析方法,建立舰船维修费总体效益与各项费用所占比例之间的函数关系,进而建立总体舰船维修费的分配优化模型。     

舰船装备使用维修费的GM估算研究

灰色理论对舰船装备使用维修费用的分析与估算有其特定优势,依据灰色系统理论与方法,建立灰色理论模型,分析和估算舰船装备使用维修费用,弄清舰船装备使用保障阶段费用发生规律,从而使装备全寿命费用的估算更加真实合理化。     

基于RBF神经网络的舰船维修费预测

鉴于单个预测模型在舰船维修费预测中存在信息源不够广泛的不足,提出用组合预测法进行维修费预测。构建了基于径向基函数(RBF-Radial Basis Function)神经网络的舰船维修费组合预测模型,并用实例进行了验证。结果证明了此方法的有效性。     

基于PDA的舰船装备记事系统

通过对PDA产品的性能特点分析,PDA掌上电脑由于有小巧便携、较强的文字和数据处理能力、方便的数据传输能力的特点,是海军舰船装备记事系统终端设备的首选硬件平台,采用基于PDA掌上电脑的舰船装备记事系成本低廉,十分有利于推广使用.     

基于维修的舰船装备自然寿命评估

维修影响舰船装备的可靠性,最终影响装备的寿命。本文从维修的角度对舰船装备进行寿命分析,讨论维修后装备故障率的变化规律,引入Nakagawa的故障率递增因子,分析多部件舰船装备维修后的故障率变化情况;根据装备规定的使用可靠性要求,确定基于维修情况下装备的自然寿命。     

基于BP神经网络的舰船维修成本估计

舰船维修成本估计直接影响舰船企业的运营效益,针对当前舰船维修成本估计方法存在的一些局限性,以延长舰船寿命,提出基于BP神经网络的舰船维修成本估计方法。首先介绍当前舰船维修成本估计研究现状,找到当前各种舰船维修成本估计方法的不足,然后在此基础上依据舰船维修成本变化特点,引入BP神经网络建立舰船维修成本估计模型,最后通过Matalab2017平台实现了舰船维修成本估计仿真实验。相对当前其他的舰船维修成本估计方法,BP神经网络可以更好地跟踪舰船维修成本变化特点,不仅舰船维修成本估计精度高,而且舰船维修成本估计建模时间短,为解决复杂多变的舰船维修成本估计问题提供了一种新的方法。     

大数据分析下舰船维修数据挖掘算法优化分析

舰船维修数据具有重要的利用价值,当前算法无法有效对其变化特点进行准确挖掘,无法充分发挥舰船维修数据优势,为了提高舰船维修数据挖掘精度,设计了基于大数据分析下舰船维修数据挖掘算法。首先采用单一算法对舰船维修数据进行挖掘,并根据挖掘精度对各种算法进行评价。然后采用大数据分析技术中的包容性检验算法选择最佳的单一模型,并对它们结果进行组合,得到舰船维修数据挖掘结果。最后采用舰船维修价格的历史数据作为实验对象,分析本文方法的优越性。本文方法的舰船维修价格的预测精度要显著高于当前其他数据挖掘算法的精度,而且舰船维修价格预测可信度更优,降低了舰船维修价格预测误差。     

船舶保养检验数据的分析与挖掘

对营运船舶进行保养和检验是保证船舶正常工作的重要内容。本文在SQL server的基础上,建立并分析船舶保养检验数据的数据挖掘模型,针对保养过程的缺陷情况,获得相关属性,利用决策树进行预测,最后对挖掘结果进行分析。     

基于虚拟现实技术的舰船设备维修研究

传统舰船设备维修方法,故障部件拆卸工序较为复杂,设备内部结构的掌握情况不到位,导致设备故障识别准确率下降。针对这一问题,提出基于虚拟现实技术的舰船设备维修方法。划分舰船设备的振动级别,根据判别标准,选取存在故障的设备零件,利用虚拟现实技术,对设备进行三维实体建模,模拟设备部件逆过程操作工序,访问知识库制定相应维修工作,监控维修环境和设备参数变化,根据虚拟演示,完成设备维修的实际操作。实验结果表明,此次方法相比传统方法,提高了设备故障识别准确率,且设备维修后,能够确保其任务可用性。     

基于数据挖掘技术的船舶电站设备缺陷预测系统研究

由于船舶自动化程度的快速提升,越来越多的智能化设备会产生海量的数据,这些数据之间存在着许多联系,如何有效利用这些数据成为了现代船舶管理中所面临的难题。而对于船舶电站来说,可以通过数据挖掘技术,对不同工作状态的船舶电站数据进行采集和分析,从而可以实现对电站设备缺陷的准确预测。本文从电站的具体需求出发,建立了数据挖掘目标函数,通过对电站特征参数的采集,有效提高了其状态预测能力,降低了设备的维护成本。     

基于物联网技术的船舶电气设备检修系统设计

随着船舶自动化程度的提高,现代船舶电网和船载用电设备的使用规模越来越大,传统的船舶电气设备检修与维护系统难以满足检修需求。本文在传统的船舶电气设备检修系统基础上,充分结合物联网技术,设计一种新型的船舶电气设备检修系统,建立以带电检测为主的设备检修物联网体系,并针对该物联网体系设计相应的管理流程。     

基于数据挖掘的船舶异常行为检测研究

通过对船舶异常行为检测,提高对船舶的实时监测和模式识别能力,提出一种基于数据挖掘的船舶异常行为检测方法。采用并行分列式数据架构模型构建船舶行为特征分布数据库,提取数据库中的关联规则特征量,采用自相关匹配滤波检测方法进行船舶异常行为特征点的提取,实现船舶异常工况下的行为特征数据挖掘,实现船舶异常行为检测优化。仿真结果表明,采用该方法进行船舶异常行为检测的准确概率较高,数据挖掘的分类性较好,虚警较低,在船舶异常监测和状态分析中具有很好的应用价值。     

数据挖掘技术在船舶电站设备故障分析中的应用

在船舶电站的设备管理作业中,由于其复杂程度变得越来越高,采用常规的控制技术已经不能够满足设备的控制管理要求,因此可以采用智能算法,对电站运行中产生的各种数据进行综合分析对比,找出潜在的故障发生机制,提高船舶电站的安全性。本文结合了数据挖掘技术,利用大数据统计原理,针对不同的船舶电站故障模型,提取出各个状态下的船舶电站运行机制,从而有效改善了船舶电站的故障预测和处理能力。     

基于关联规则的舰船故障数据定位挖掘算法

为了提高舰船故障检测能力,需要进行舰船故障数据的实时挖掘和分类分析,提出一种基于关联规则的舰船故障数据的定位挖掘方法。采用电磁探测器、水声换能器、声呐装置、声学传感器等设备进行不同工况下舰船数据采集,包括舰船辐射噪声、机械振动等数据,对采集的数据进行高维特征融合处理,提取舰船故障数据的关联规则特征量,对提取的特征量采用K均值算法进行聚类分析,并通过BP神经网络分类器实现舰船故障数据的分类识别,实现舰船故障数据定位挖掘。仿真结果表明,采用该方法进行舰船故障数据挖掘的准确性较好,对故障的定位能力较强,提高了舰船实时故障诊断能力。     

基于数据挖掘的船舶航迹自动识别系统

以充分掌握船舶航行动态为目的,设计基于数据挖掘的船舶航迹自动识别系统。该系统使用跟踪监控单元内的海事雷达和船载单片机监控终端获取船舶航行数据后,利用无线通信单元内的无线传感器、网络协调器等设备将船舶航行数据发送至数据存储与集成单元;利用该单元对船舶航行数据进行打包分发、在线压缩和存储等处理。航迹识别单元从数据存储与集成单元内调取压缩存储的船舶航行数据,并对其进行区域航迹提取、坐标转换和时间校准后,再利用基于数据挖掘的轨迹融合方法完成其航迹识别,然后将识别结果发送至展示单元呈现给用户。实验结果表明：该系统在应用过程中其运行稳定性接近99.5%,并且具备良好的通信传输能力;也可在船舶航迹复杂交错和存在其他船舶干扰情况下有效识别目标船舶航迹,应用效果显著。