基于优化栈式自编码器的船舶柴油机故障诊断

针对目前数据驱动的故障诊断方法在船舶柴油机应用中存在故障识别率不高的问题,提出一种基于麻雀搜索算法(Sparrow Search Algorithm, SSA)优化栈式自编码器(Stacked Auto-Encoder, SAE)的诊断方法,实现高精度故障诊断。利用SAE的重构误差作为状态监测量,实时监测柴油机故障的发生。将监测到的异常样本输入SAE进行数据分类,实现对故障类型的精确识别。针对SAE在故障类型识别中超参数设置过多、依赖人工经验的问题,采用SSA对SAE多个超参数进行联合寻优,提高故障识别率和稳定性。基于AVL BOOST船舶柴油机仿真数据的试验表明：所提出SSA-SAE诊断方法的故障识别率为96.71%,比SAE、支持向量机(Support Vector Machine, SVM)和极限学习机(Extreme Learning Machine, ELM)具有更高的故障识别率和更优的泛化能力。     

基于 GO-FMEA 法的远程火箭炮随动系统故障诊断

针对远程火箭炮随动系统故障诊断复杂和时序性要求高等问题,论文引入 GO 法分析其可靠性,得到模块故障概率。根据模块故障概率值大小,优先利用 FMEA 法建立故障字典,对模块故障进一步分析,确定检测顺序。两种方法综合使用,优化了故障分析流程,提高故障诊断效率。     

船用计程仪信号传输系统的神经网络故障诊断算法

计程仪信号传输系统是由步进电机通过齿轮带动多个旋转变压器。为实现对其故障的智能诊断,提出一种基于BP神经网络算法的故障诊断方法,并采用LM(Levenberg-Marquardt)最优化算法对BP网络进行训练。通过Matlab神经网络工具箱仿真计算,结果表明LM算法提高了BP神经网络的学习效率及稳定性,明显加快了网络的收敛速度。使用BP神经网络对步进电机带动多旋变系统故障诊断的方法行之有效,在减少故障诊断人员工作量同时提高了系统故障诊断的效率。     

多传感器融合下船舶机电系统多发故障信号监测

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。     

某型控制舱综合测试系统故障诊断及分析

对控制舱综合测试系统的故障模式进行分析。依据系统内部的特点,结合模块化的测试程序,按照操作流程抽取电路子网络,采用按功能分段反向推理的方法进行电路子网络的故障模式分析。考虑到抽取出来的电路子网络是较简单的继电器组合电路板,故可使用设置少数采样点来表征电路信息,这样就可以分析电路信息来进行故障的检测和诊断。通过实例试验验证了这一方法的实用性和有效性,为类似复杂电子系统的故障诊断尤其是继电器电路故障诊断提供了新的方向。     

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。     

基于虚拟仪器的某型装备故障诊断系统设计

为了改变依靠传统的人工故障检测、分析手段进行检测维修效率低的现状,利用虚拟仪器技术与专家系统技术,设计实现了一个针对某型通信装备的故障诊断系统。该系统利用装备的自检功能进行板级故障定位,再利用虚拟仪器检测电路关键部位的电气参数作为故障信息,通过专家系统对故障信息进行分析处理后将故障定位到电路板的元器件级。该系统还通过网络连接为用户提供了专家远程辅助诊断功能,降低了对维修人员的技术要求,提高了故障定位的效率和准确率。     

船舶柴油机机械磨损故障诊断的模式识别

船舶柴油机在工作过程中,经常会发生机械磨损故障,给船舶柴油机的工作稳定性带来困扰,针对当前船舶柴油机机械磨损故障存在的诊断准确率低、机械磨损故障诊断时间复杂度高等缺陷,设计了一种船舶柴油机机械磨损故障诊断的模式识别方法。首先分析当前船舶柴油机机械磨损故障的原理,并提取船舶柴油机机械磨损故障诊断特征,然后采用层次分析法分析确定每一个船舶柴油机机械磨损故障特征的权值,并根据RBF神经网络确定船舶柴油机机械磨损故障诊断的模式识别模型,最后进行船舶柴油机机械磨损故障诊断的验证性测试,分析本文方法的船舶柴油机机械磨损故障效果。本文方法的船舶柴油机机械磨损故障诊断率超过了90%,不仅远远高于对比方法的船舶柴油机机械磨损故障诊断率,而且船舶柴油机机械磨损故障效率得到有效的改善,具有很好的推广前景。     

基于改进LSTM-SVM的多传感器船舶旋转机械快速故障诊断方法

微小故障的快速诊断是预防和减少重大显著性故障发生的关键.近年来,基于深度学习的智能故障诊断方法已成为船舶旋转机械领域研究的热点.本文提出了一种基于改进的LSTM-SVM的循环神经网络深度学习算法,解决船舶旋转机械在多传感器监测环境下的快速故障诊断问题.该算法首先采用多层堆叠的LSTM网络作为特征提取器捕获多通道时间序列原始数据中的故障微弱特征,然后在网络末端采用非线性支持向量机(SVM)代替传统的Softmax函数作为分类判别器,进一步提升诊断准确率.实验结果表明,提出的方法具有更高的诊断准确率和更快的诊断速度,更适用于多传感器监测环境下微小故障的快速诊断和实时检测.     

基于振动信号的舰船发动机故障诊断

传统舰船发动机故障诊断方法诊断时,需要对舰船发动机进行一定程度上的拆卸,无法完成零拆卸的故障检测,为此提出基于振动信号的舰船发动机故障诊断方法。使用不同波段振动信号作为检测探伤手段,采集多频段的振动信号,分析信号携带的诊断信息,完成舰船发动机故障诊断模型构建;计算振动信号非线性鲁棒值,锁定故障位置,通过编程分析,实现舰船发动机故障诊断。试验结果表明,设计的故障诊断方法比传统方法诊断定位准确率高2%,说明设计的诊断方法具备极高的有效性。