基于智能优化算法的舰船电气设备状态自动检测

为了获得高正确率的舰船电气设备状态检测结果,提高舰船电气设备状态检测效率,设计了基于智能优化算法的舰船电气设备状态自动检测方法。首先分析当前舰船电气设备状态检测的现状,找到引起舰船电气设备状态检测效果不理想的因素,然后采集舰船电气设备状态信号,从中提取可以描述舰船电气设备状态特征向量,并选择智能优化算法选择重要的舰船电气设备状态检测特征,最后引入神经网络建立舰船电气设备状态检测的分类器,并采用Maltab工具箱实现舰船电气设备状态检测仿真实验,本文方法的舰船电气设备状态检测正确率超过95%,舰船电气设备状态检测误差减少,舰船电气设备状态检测的时间复杂度降低,舰船电气设备状态检测综合性能要优于当前一些典型的检测方法。     

组合机械故障诊断技术在船舶电机轴承异常检测中的应用

为保障船舶航行安全,针对当前船舶机械轴承故障检测过程中常出现检测速度缓慢、检测误差大等问题进行分析,结合组合机械故障检测技术对船舶电机轴承异常诊断方法进行了创新和优化。首先对电机轴承正常运行状态下的信号特征和故障信号特征分布进行提取,并录入数据库。其次,利用人工蜂群算法对最优信号分类参数进行搜寻。最后,利用组合机械故障诊断算法对电机轴承运行参数采集结果做出判断。最后通过实验检测结果证实,结合组合机械故障诊断技术在船舶电机轴承异常检测可及时对船舶电机轴承异常情况进行检测,快速检测出设备运行异常,避免船舶航行过程中的安全隐患,促进船舶航运工程的快速发展。     

基于并行深度卷积神经网络的舰船通信异常数据检测研究

为了提高通信异常数据检测效果,设计基于并行深度卷积神经网络算法的大规模舰船通信异常数据检测方法。采集大规模舰船通信数据,采用小波变换对数据实施降噪处理,将降噪后数据输入并行深度卷积神经网络中,经过模型训练提取特征,利用Softmax分类函数得出舰船通信异常数据特征,输出舰船通信异常数据检测结果。实验结果表明：该方法可有效实现大规模舰船通信异常数据检测,其加速比最高,并行效果最优;具有较强的大规模舰船通信数据集检测能力,提高大规模舰船通信异常数据检测效果。     

粒子群算法优化神经网络的舰船直流电机故障分类

针对舰船直流电机故障的误分率高、结果不可靠等难题,以进一步提高舰船直流电机故障分类正确率,提出了粒子群算法优化神经网络的舰船直流电机故障分类方法。首先采用小波变换对舰船直流电机故障信息进行多尺度分解,提取信号能量值作为舰船直流电机故障分类特征,然后将舰船直流电机故障的特征作为神经网络的输入向量,采用粒子群算法和神经网络对特征向量进行训练,建立舰船直流电机故障分类器,最后的舰船直流电机故障分类测试结果表明,本文方法可以准确实现舰船直流电机故障分类,有助于舰船直流电机故障的定位,而且舰船直流电机故障误分率要小于其他方法,舰船直流电机故障分类结果更加可信。     

基于传感器的舰船机电设备状态监测

当前舰船机电设备状态监测方法存在许多不足,如监测正确率低、监测过程复杂等。为了改善舰船机电设备状态监测结果,设计基于传感器的舰船机电设备状态监测方法。首先分析舰船机电设备状态监测原理,指出影响舰船机电设备状态监测结果的因素,然后采用传感器对舰船机电设备状态信号进行实时采集,并去除舰船机电设备状态信号的噪声,最后从舰船机电设备状态信号中提取特征向量,并引入支持向量机建立舰船机电设备状态监测模型。与其他舰船机电设备状态监测方法相比,本文方法可以更好地描述舰船机电设备状态,提高了舰船机电设备状态监测准确率,使舰船机电设备状态监测过程更加简单,加快了舰船机电设备状态监测速度,具有更好的实际应用价值。     

基于大数据技术的舰船磁场异常信号粗提取

舰船磁场异常阈值滤波的幅度特征不一,导致异常信号粗提取信噪比值过低。基于此,提出基于大数据技术的舰船磁场异常信号粗提取方法。基于大数据技术设计舰船磁场异常信号粗提取方法,分解舰船异常信号,并从重构的分解异常信号中提取异常特征值。在此基础上,对磁场异常阈值进行滤波识别,对磁场异常阈值滤波的幅度特征进行整合,获取舰船磁场异常信号。至此,完成基于大数据技术的舰船磁场异常信号粗提取方法设计。分析实验结果:采用基于大数据技术的舰船磁场异常信号粗提取方法异常信号粗提取的信噪比值最高为-3 dB,表明所提方法异常信号粗提取效果较好。     

舰船用通信网络的异常数据监测技术研究

为了保障舰船用通信网络的数据传输的准确性,提高舰船网络的故障智能分析能力,需要进行异常数据监测,提出一种基于舰船用通信网络传输信号瞬时频率估计的异常数据监测技术。对采集的通信网络输出信号经过时频分解完成时域与频域之间的转换,采用高阶累积量特征提取方法进行舰船用通信网络中的异常数据检测,对检测的异常数据进行干扰和冗余数据滤波处理,完成对舰船用通信网络输出信号的瞬时频率估计,分析瞬时频率的异常状态特征,实现异常数据监测。仿真结果表明,采用该方法进行舰船用通信网络的异常数据监测能提高数据挖掘的准确度,对异常数据检测的虚警较低,抗干扰能力较强。     

基于数据驱动的舰船通信网络异常行为检测方法

为了提高对舰船通信网络异常识别能力,提出基于数据驱动的舰船通信网络异常行为检测方法。采用最短路径和最大覆盖范围寻优方法构建舰船通信网络的节点覆盖模型,通过最小间隔均衡技术对舰船通信网络的信道均衡控制,提取舰船通信网络的信道传输信息特征。对舰船通信网络的行为特征参数分析,结合谱分量融合和融合聚类处理方法,实现对舰船网络异常行为的数据驱动控制。根据数据驱动的图模型参数识别和异常谱特征聚类分析,实现对舰船通信网络异常行为检测。测试结果表明,该方法能够进行舰船通信网络异常行为检测处理,提高信道均衡性能     

RBF神经网络的舰船电力系统故障诊断模型

舰船电力系统故障诊断是当前的热点问题,经典舰船电力系统故障诊断模型存在各自的缺陷,影响舰船电力系统故障诊断结果,为了改善舰船电力系统故障诊断结果,提出了RBF神经网络的舰船电力系统故障诊断模型。首先分析当前舰船电力系统故障诊断研究进展,阐述了RBF神经网络的舰船电力系统故障诊断原理,然后从舰船电力系统工作状态中提取特征向量,引入RBF神经网络进行学习,产生舰船电力系统故障诊断模型,并对RBF神经网络参数优化问题进行改进,最后与当前几种经典模型进行了故障诊断对比测试,RBF神经网络的舰船电力系统故障诊断正确率超过92%,而经典模型的舰船电力系统故障诊断正确率低于90%,误诊现象出现的概率很高,验证了RBF神经网络用于舰船电力系统故障诊断的优越性。     

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。