共查询到20条相似文献,搜索用时 15 毫秒
1.
为了提高船舶维护效率,提出一种多传感器融合下船舶机电系统多发故障信号监测方法。根据故障状态下的信号频率,使用小波变换法提取故障信号特征参数作为蚁群算法优化BP神经网络输入,实现多发故障诊断,并通过DS证据理论完成多传感器数据融合,得出故障诊断结果。实验结果表明,该方法可通过多传感器融合判断出船舶机电系统故障类型,即使一种传感器出现故障也不影响诊断效果,诊断船舶机电系统多发故障平均准确率高达97.02%,能够实现较为精准的船舶机电系统多发故障监测。 相似文献
2.
故障信号获取在船舶电子电力设备故障检测中具有重要作用,获取的故障信号质量越高,检测结果越好。为此,针对传统故障信号获取系统在面对强噪声干扰下,采集到的信号质量较差的问题,研究一种强噪声下船舶电子电力设备微弱故障信号获取系统。该系统在软件程序指导下,利用传感设备、通信设备以及DSP实现信号采集、处理、传输、分析、显示等功能。经测试,面对强噪声干扰,本系统采集到电子电力设备微弱故障信号信噪比要大于传统系统,由此说明本系统获取的信号质量更高,更有利于设备故障检测。 相似文献
3.
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。 相似文献
4.
为了提高船舶设备的使用质量,延长船舶设备使用寿命,有必要对船舶设备的信号采集、分析和处理过程进行系统研究。船舶设备信号包括电路信号、模拟量信号、声音信号和振动信号等,本文研究的对象是船舶设备的振动信号和噪声信号采集和分析,主要是因为这2种信号与船舶设备的运行状态息息相关,可以快速反映船舶设备的运行工况。本文介绍了基于单片机的船舶设备信号采集系统的基本框架,设计了船舶设备信号采集与处理系统的硬件电路和软件流程,对改善船舶设备的信号采集与分析能力,提高船舶设备故障诊断与监控水平有一定的作用。 相似文献
5.
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。 相似文献
6.
7.
8.
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。 相似文献
9.
10.
11.
当前船舶电子设备故障诊断方法无法准确表达船舶电子设备故障变化特点,船舶电子设备故障诊断成功率低,出现了大量错误的船舶电子设备故障诊断结果,同时船舶电子设备故障诊断实时性差,为此设计了基于数字信号处理技术的船舶电子设备故障诊断模型。首先分析当前船舶电子设备故障诊断模型存在缺陷的原因,通过数字信号处理技术采集船舶电子设备工作状态信号,并从信号中提取船舶电子设备故障特征向量,然后将船舶电子设备故障特征向量作为极限学习机的输入,通过确定极限学习参数建立船舶电子设备故障诊断模型,最后在Matlab2016平台上进行了船舶电子设备故障诊断仿真模拟测试。结果表明,本文模型可以提取描述船舶电子设备工作状态的信号,提取特征向量可以很好描述船舶电子设备故障类型,使得船舶电子设备故障诊断成功率得到提高,故障诊断的错误率降低,有利于船舶电子设备故障处理。 相似文献
12.
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。 相似文献
13.
机身振动信号对船舶柴油机故障的识别具有重要作用,可为故障的分析提供重要的参数,因此编写了基于LabVIEW的柴油机振动信号的采集与分析系统,应用搭建的平台在正常工况和几种典型的故障模式下进行振动信号的采集与分析试验。从采集到的状态信号中提取与设备故障密切相关的机身振动信号进行时域、频域和幅值域的分析,同时通过各特征参数的分析对柴油机进行简单有效的故障诊断与识别,并根据计算得出的特征值的变化趋势来分析确定信号中故障的发生与发展,及时对故障作出分析诊断。这对保证船舶安全航行以及对设备实行预知维护都具有十分重要的意义。 相似文献
14.
15.
为确保船舶海上运输的安全性与稳定性,设计基于RBF神经网络的船用低速柴油机故障诊断系统.使用多传感器采集船用低速柴油机各关键构件信号,并对信号进行预处理,运用过限判断模块获得故障信号,RBF神经网络依据故障信号特征进行船用低速柴油机故障诊断和故障程度判断.实验结果表明,该系统能有效滤除信号中的无用高频信号,故障诊断结果... 相似文献
16.
17.
18.
19.