船舶柴油机机械磨损故障诊断方法

柴油机是船舶运行最重要的动力装置之一,经过长年累月的运转,磨损故障经常发生,影响船舶的正常行驶。针对上述问题,提出一种神经网络机械磨损故障诊断方法。设计了与之相适应的BP网络结构,在此基础上建立了一个BP神经网络模型,并给出了一种BP神经网络学习算法,用来调整网络学习速率。柴油机机械磨损故障诊断实例结果表明:利用BP神经网络诊断出船舶柴油机磨损故障与实际诊断结果一致,准确率高达80%以上。     

优化的BP网络在船舶故障诊断中的应用

船舶各种设备故障的早期诊断和预测,对船舶的安全运行具有非常重要的意义。由于船舶上设备繁多,运行环境特殊,因此,各种设备的故障症状与故障原因之间关系十分复杂,使用传统诊断方法在实际应用中效果不理想。BP神经网络在故障诊断中有广泛的应用,但由于BP网络采用的是沿梯度下降的搜索求解算法,存在收敛速度慢,且容易陷入局部极小等问题。而遗传算法具有全局搜索速度快的优点。为此,采用自适应遗传算法来优化BP神经网络,并以船舶主机轴系的故障诊断为实例,证明遗传算法优化的BP网络方法非常适用于对船舶各种设备故障的早期诊断和预测。     

基于神经网络的柴油机遥控系统故障智能诊断研究

为了克服传统模拟电路故障诊断方法的不足,通过对船舶柴油机遥控系统工作原理的分析,提出采用BP神经网络诊断船舶主机遥控系统的智能诊断方法。介绍BP神经网络结构确定方法及其数值优化技术,并以具体电路模块为例探讨神经网络在船舶柴油机遥控系统故障诊断中的应用。通过Matlab仿真可以发现基于BP神经网络的电路故障诊断方法具有自适应性好、训练时间短、准确性高等特点。     

改进神经网络的船舶红外图像边缘检测方法

研究改进神经网络的船舶红外图像边缘检测方法,提升边缘检测抗噪声干扰能力。采用块匹配的主成分分析方法对船舶红外图像实施去噪处理后,经梯度算子将降噪后船舶红外图像转换为二值图像;以BP神经网络为基础,通过附加动量法-自适应学习速率调整BP神经网络权值,提高网络训练鲁棒性;将转换后舰船二值图像作为改进神经网络的输入,在实施网络训练后得出输出值,依据输出值和设置阈值的对比结果,获取船舶红外图像边缘点,实现船舶红外图像边缘检测。实验结果表明：该方法降噪后船舶红外图像的PSNR值全部高于40 dB,降噪效果较好;可有效提取船舶红外图像边缘特征且边缘检测结果清晰、连贯,能够达到船舶红外图像边缘检测标准。     

船舶通信系统低功耗电子电路故障准确获取技术

利用传统获取技术对船舶通信系统故障进行获取时,准确性较低。针对上述问题,提出1种基于神经网络的船舶通信系统低功耗电子电路故障准确获取技术。该技术主要分为3步:第一,构建BP神经网络结构;第二,确定电子电路故障学习样本;第三,训练学习样本,将样本输入到BP神经网络结构当中,获取电子电路故障。结果表明:本次研究的基于神经网络的故障获取技术比基于小波变换信号处理的电子电路故障获取技术和基于粒子群的电子电路故障获取技术的准确率分别提高了9%和13%。     

基于模糊神经网络的船舶机电故障诊断分析

船舶机电故障诊断影响着船舶航行安全,关系着人类的生命财产安全。文章提出应用模糊神经网络对船舶机电故障进行诊断。模糊神经网络融合了模糊理论和神经网络的优点,可自适应从学习样本数据中提取故障模型,根据采集的样本训练出模糊神经网络的连接矩阵,再合成单个联想记忆网络,最终实现实时故障诊断。以某船舶发电机转子系统的监测数据为例,证明了此法的有效性,可广泛推广。     

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。     

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。     

基于BP神经网络的船舶网络安全状态评价

船舶网络是一种特殊的移动网络,面临巨大的安全隐患,传统线性船舶网络安全状态评价的偏差大,结果极不科学。为改善船舶网络安全状态评价效果,设计了基于BP神经网络的船舶网络安全状态评价方法。该方法首先分析船舶网络安全状态评价影响因素,采集船舶网络安全状态评价数据,然后将影响因素和船舶网络安全状态评价分别作为BP神经网络的输入和输出,通过BP神经网络学习,对船舶网络安全状态进行评价,最后采用VC编程实现了船舶网络安全状态评价仿真实验,结果显示BP神经网络可以区分各种船舶网络安全状态,评价准确性得到大幅度改善,同时提升了船舶网络安全状态评价效率,可以有效保证船舶网络安全。     

基于随机森林算法的船舶电站故障诊断

针对船舶电站故障诊断中常用的BP神经网络算法存在的收敛速度慢和诊断准确率不高等问题,提出一种基于随机森林算法的船舶电站诊断模型。在Simulink软件中搭建船舶电站故障模型,通过在Simulink中仿真得到船舶电站故障数据,分析基于随机森林算法的船舶电站故障诊断原理。在MATLAB软件中分别建立基于随机森林算法和BP神经网络算法的船舶电站故障诊断模型,并对二者的故障诊断结果进行对比分析。结果表明,基于随机森林算法的诊断模型相比基于BP神经网络的诊断模型,能显著提高船舶电站故障诊断的效率和准确率。     

船舶直流供电网的侧单极绝缘故障检测

针对当前船舶直流供电网的侧单极绝缘故障检测误差大的问题,提出一种基于组合优化理论的船舶直流供电网侧单极绝缘故障检测方法。首先提取船舶直流供电网的侧单极绝缘故障检测特征,并采用隐马尔科夫模型对侧单极绝缘故障进行初步检测,然后采用BP神经网络对侧单极绝缘故障进行精细检测,最后采用仿真实验测试侧单极绝缘故障检测结果。结果表明,本文方法提高了侧单极绝缘故障检测正确率,具有较好的侧单极绝缘故障检测能力。     

BP神经网络在船舶动力系统故障诊断中的应用

故障诊断技术是一门新兴技术,随着数学与计算机科学的不断发展,故障诊断技术也有了迅速的进步,现在神经网络算法、人工智能等先进技术都大量的应用于故障诊断中。船舶的动力系统是其推进力的来源,动力系统的正常运行对船舶意义重大。为了提高船舶动力系统的可靠性与安全性,必须采取一定的措施预防与诊断其故障类型。本研究针对船舶动力系统的故障诊断问题,研究了一种基于BP神经网络算法的诊断技术,并建立了动力系统故障数据挖掘与诊断系统。     

基于Ansys的船舶起锚机液压系统故障分析

近年来,随着船舶运营效率的日益提升,对其故障分析速度和效率的要求也在日益提高。起锚机液压系统作为船舶重要组成部分之一,其受复杂工作环境影响显著,故障分析较为困难。目前,常通过人工检查的方式对起锚机液压系统故障进行分析,在速度和效率方面均存在较大缺陷。针对这一问题,为实现对船舶起锚机液压系统故障高速度、高效率的分析,本文提出一种基于Ansys的船舶起锚机液压系统故障分析,采用有限元分析法对液压系统进行结构离散化、单元分析和整体分析,结合Ansys软件,分析船舶起锚机液压系统故障,最后,对故障分析结果进行展示,该方法具有高速度和高效率的特点,能够进一步推广应用。     

利用BP神经网络进行船舶号灯识别

船舶夜间航行需要通过船舶号灯识别其型号、编号及航道等信息。为了提高船舶识别的准确率,本文建立了基于BP神经网络的船舶号灯识别模型。通过将信号灯亮度、投射距离、背景亮度等作为输入参数,并将已有数据作为输入,训练BP神经网络,修正网络内部神经节点个数及反馈函数。分别使用已有的L-M函数、动量梯度下降、无监督学习等反馈函数训练和验证,L-M反馈函数可得到精度最高的神经网络模型。通过使用BP神经网络模型对船舶号灯进行识别,提高了船舶夜间航行的安全性。     

云平台和分布式处理系统的船舶图像分类

在云平台和分布式处理系统中进行船舶图像分类,提高船舶的调度和识别能力,提出一种基于Harris角点检测和BP神经网络的船舶图像分类算法,在云平台和分布式系统下进行船舶图像采集,对采集的船舶图像进行二值化降噪处理,采用Harris角点检测技术提取船舶的分类标识性特征量,将提取的特征量输入到BP神经网络分类器中,实现云平台环境下的船舶图像分类。仿真结果表明,采用该方法进行船舶图像分类的准确性较高,抗类间干扰性较强。     

基于BP和LSTM组合优化的船舶升沉运动预测

预测船舶升沉运动有助于增强波浪补偿系统的补偿效果,解决补偿系统滞后问题。为提高预测模型的预测精度,提出一种基于误差反向传播（BP）神经网络和长短时记忆（LSTM）神经网络组合优化的船舶升沉运动预测方法。以采用计算流体动力学（CFD）方法获取的船舶在规则波浪作用下的升沉运动和在突发性干扰下的升沉运动为对象,基于PYTORCH框架和LINGO软件,建立以加权方式组合优化BP神经网络和LSTM神经网络的预测模型。研究结果表明,无论是船舶在规则波浪作用下的升沉运动,还是船舶在突发性干扰下的升沉运动,BP-LSTM组合模型的预测精度均高于BP神经网络和LSTM神经网络,有助于提高补偿精度。     

BP神经网络对船舶远程监控系统的改进分析

为了满足公司对于远洋船舶更加有效监控的要求,应用BP神经网络对监控系统加以改进,使船舶远程监控系统发出预警信号,并能在船舶上报警.此时,相应参数识别码也能够第一时间到达岸上公司,岸上公司即能在最佳时间协助船舶对设备进行维修.BP神经网络在远程监控系统的应用分析过程中,以6缸柴油主机排气温度变化趋势为模型,利用BP神经网络良好的学习特性,建立了排气温度变化的持续升高预警模型及其他非预警模型.分析表明,此种方法适用于远洋船舶的远程故障监测及船舶系统故障预测.     

基于神经网络的变压器早期故障诊断安全技术

介绍了油中气体分析法中最常用的判断方法－罗杰斯三比值法。应用BP神经网络方法，建立变压器故障检测的BP网络模型，经过训练，对变压器故障进行早期诊断，运行结果与实际相符。     

大型船舶电力网络异常输电线路自动识别分析

电力网络输电线路一旦出现异常,将直接导致船舶上各设备运行受到影响。为此,进行大型船舶电力网络异常输电线路自动识别分析研究。该研究首先利用故障录波装置采集电气量信号,然后利用基于小波能量熵的方法提取特征,最后利用BP神经网络构建识别模型,自动识别船舶电力网络输电线路异常类型。结果表明,所研究方法应用下,得到的识别结果与人为设置的异常类型一致,证明了所研究识别方法的有效性。     

基于HHT和BP神经网络的船舶电力系统故障定位

针对船舶电力系统故障难以精确定位的情况,将Hilbert-Huang变换(HHT)和BP神经网络应用于船舶电力系统故障节点定位。首先,采集各节点电流信号,经过EMD分解得到若干IMF分量,对第一个IMF分量进行Hilbert变换得到其瞬时振幅向量。然后,将各节点的瞬时振幅向量之和作为电流信号的特征量输入到带有动量因子的BP神经网络中进行训练,利用训练好的神经网络进行故障节点定位。最后,通过仿真实验验证了所提方法的有效性。