船舶齿轮箱故障诊断及失效预报方法研究

针对船舶齿轮箱故障诊断正确率低的难题,提出蚁群优化神经网络的船舶齿轮箱故障诊断方法。首先采集船舶齿轮箱故障诊断的数据,并采用小波分析提取船舶齿轮箱故障诊断特征,然后采用神经网络建立船舶齿轮箱故障诊断模型,并采用蚁群算法克服神经网络存在的缺陷,最后构建了船舶齿轮箱失效预测方法,实验表明,本文方法提高了船舶齿轮箱故障诊断效果,并获得了高精度的船舶齿轮箱失效预测结果。     

深度神经网络在船用齿轮箱故障诊断中的应用

船用齿轮箱故障诊断系统,通常采用的是基于模型的故障诊断方法,需要依赖专家对采集到的振动信号进行分析和判断,且设备的运行状态会随着时间的推移发生变化。传统的故障诊断方法受专家知识和经验的影响较大,难以获得全局最优解,导致其准确率较低。针对该问题,本文基于深度神经网络（DNN）的故障诊断方法,通过大量实验研究,确定了DNN模型中最佳参数和超参数。实验结果表明,在船用齿轮箱故障诊断领域,DNN模型不仅能够有效地对齿轮箱进行故障诊断,而且具有较高的准确率和较快的收敛速度。     

基于改进GRU的海上风电机组齿轮箱故障诊断

为提高风电机组中齿轮箱故障诊断的准确性,提出一种在门控循环单元（GRU）神经网络中引入注意力机制进行风电机组齿轮箱油温预测的方法,充分挖掘数据参量中的关联关系,以提高模型预测的准确性。针对模型预测的残差,采用一种基于粒子群算法的自适应阈值方案进一步实现对风电机组齿轮箱油温异常的诊断,引入自适应阈值能提高模型诊断的灵敏度。针对江苏某海上风电场实际运行的SCADA数据进行仿真分析和验证,结果证明采用该方法能较早地判断出风电机组齿轮箱的异常状态。     

基于深度信念网络在船用齿轮箱故障诊断中的应用研究

文章针对船用齿轮箱故障信号微弱和传统特征提取方法干扰较大的问题,充分结合深度信念网络(DBN)的特征自动提取优势,将深度信念网络应用于船用齿轮箱的故障诊断。首先,借助于u Tkel船用齿轮箱故障模拟试验台获取齿轮箱在不同故障模式下的振动信号;然后将信号作傅里叶变换并划分为训练数据集和测试数据集;最后构建和训练DBN模型,并对模型的预测准确性和鲁棒性进行评估。试验结果表明,DBN模型能够较好地自动提取齿轮箱故障特征,对齿轮箱的故障模式做出准确识别。     

一种应用机理模型和SOM神经网络的液体火箭推进系统实时故障诊断方法

为了解决液体火箭推进系统实时故障诊断的问题,提出了一种应用故障机理模型和SOM（Self-organizingMapping）神经网络的实时故障诊断方法。其基本过程是先建立所研究对象的故障机理模型,通过计算机仿的办法获得液体火箭推进系统可能的故障模式及故障数据库,然后利用SOM神经网络的自组织特征映射功能建立非线性的故障模式识别器,完成对系统的实时故障诊断。从而解决了单纯依靠故障机理模型进行诊断时所遇到的实时性问题和单纯依靠SOM神经网络诊断时所遇到的故障样本获取问题。本文给出的故障诊断结果表明所提出的方法是有效的。     

神经网络技术在船舶柴油机故障在线诊断中的应用研究

文章主要研究基于RBF神经网络理论为数学工具对柴油机故障进行计算机仿真诊断,建立船用柴油机征兆与故障样本集,作为神经网络故障诊断的专家知识库,以实现船用柴油机故障诊断。并对柴油机性能工况的故障在线自动诊断进行探索,以提高故障诊断的及时性和准确率,减少误诊。     

船用齿轮箱状态监测与故障诊断系统探讨

船用齿轮箱是船只柴油机及螺旋桨重要连接件,其状态直接决定船只能否稳定运行。若船用齿轮箱出现故障,不仅会增加油耗,还会导致相关设备出现严重磨损。故需对船用齿轮箱落实状态监测及故障诊断,以下就对一种船用齿轮箱的状态监测与故障诊断系统硬件及软件设计分析,以软件设计为重点,为强化船用齿轮箱系统管理奠定基础。     

基于FNN的船舶舵伺服系统故障诊断研究

分析某型船舶舵伺服系统的故障信息,建立了模糊神经网络故障诊断模型.利用模糊逻辑处理数据以便于充分利用经验知识;利用神经网络诊断,避免了复杂故障树诊断系统的"匹配冲突"、"组合爆炸"和"无穷递归"等问题,并采用改进的BP算法训练神经网络,解决了收敛速度和收敛振荡的问题.诊断实例结果表明:该故障诊断系统具有较强的鲁棒性和泛化能力;该算法采用无模型化诊断,容易实现自学习,可不断完善系统性能,具有一定的理论和工程应用价值.     

基于遗传神经网络与信息融合的实时智能故障诊断系统研究

在传统BP神经网络的基础上引入聚类分析方法与遗传优化算法,可有效降低BP神经网络的训练难度并提高其训练精度;为有效利用各诊断单元的诊断结果,引入D-S证据理论对结论进行决策分析.仿真测试表明,该故障诊断系统能迅速、准确、可靠的诊断出各种故障.     

遗传神经网络在导航传感器故障诊断中的应用

对船用组合导航系统中占主要地位的惯导系统进行故障诊断研究,提出了基于遗传算法优化的神经网络故障诊断模型.利用改进的遗传算法对BP神经网络的权值和阈值进行遗传操作,获得具有一定遍历性的初始权值和周值,然后再利用神经网络的L-M训练方法进行训练,克服了BP神经网络搜索速度慢和容易陷入局部极值的缺点,保证了训练过程收敛.对采集到的传感器故障信号进行预处理,故障特征信号作为改进遗传神经网络的输入信号来检测故障.采用惯导系统陀螺仪故障信号进行仿真研究,结果表明此方法可有效地检测故障且提高了系统精度.     

基于神经网络的水下机器人推进器故障诊断

为提高水下机器人系统的总体可靠性,开展了推进器故障诊断研究。在三层BP神经网络的基础上,提出了一种改进的递归神经网络并推导了网络的训练算法。利用直航、转艏等试验对网络进行训练,将训练好的网络用于水下机器人运动建模,对比模型的输出与实际传感器测量值来获取残差,通过分析残差特性来提取故障诊断判据,进而进行推进器故障诊断。将提出的方法应用到仿真试验和海上试验中,得出了相应的试验结果。通过对试验结果的分析研究,验证了方法的有效性与可行性,同时也表明该方法在工程应用方面具有一定的参考意义。     

基于BP神经网络的故障诊断技术在装备维修中的应用

传统故障诊断方法在装备保障中的诸多局限性。文章介绍了基于BP模型的神经网络,研究了基于BP模型神经网络的故障诊断推理方法,并利用Matlab仿真软件对结果进行了运行和计算。结果证明,基于BP神经网络的故障诊断技术对装备故障诊断是行之有效的。     

基于引力搜索BP神经网络的柴油机故障诊断

为了提高柴油机故障诊断的精度,将引力搜索算法用于BP神经网络初始权值及阈值优化,提出了一种基于引力搜索算法和BP神经网络相结合的智能故障诊断方法,并将其运用于柴油机磨损故障的振动诊断。结果表明,该方法与BP神经网络相比,对柴油机的磨合、磨损、极限等故障诊断准确,精度提高明显,验证了该方法的有效性。     

基于BP神经网络和案例推理的装备故障诊断研究

分析了BP神经网络和基于案例推理（CBR）在故障诊断领域应用中的优点、局限性和互补性,设计了二者相结合的装备故障诊断模型,通过某型装备的故障诊断实例,验证了该算法的有效性。     

RBF神经网络在柴油机燃油系统故障诊断中的应用研究

本文主要介绍了径向基（RBF）神经网络在柴油机燃油系统故障诊断中的应用,并且首次将神经网络和虚拟仪器技术相结合,成功用于柴油机故障诊断中。比较了RBF和误差反传（BP）神经网络的学习速度和诊断精度。研究表明,将RBF神经网络和虚拟仪器相结合进行柴油机故障诊断具有良好的诊断效果和精度,有很好的工程应用前景。     

基于LabVIEW的柴油机供油系故障诊断系统开发

基于虚拟仪器技术,利用LabVIEW7.1编写采集分析程序,并以Matlab Script节点形式调用在Matlab里训练成功后的BP神经网络程序,开发了柴油机供油系故障诊断系统。该系统由PCI-6221采集卡获取测取燃油压力波形,利用小波包分解提取特征信号,并组成特征向量输入训练成功的BP神经网络进行典型故障识别,诊断结果通过人机界面输出,从而实现了故障诊断的智能化。     

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。     

改进的BP网络及其在电路故障诊断中的应用

针对标准BP算法收敛速度慢、容易陷入局部极小值的缺点，提出了改进的BP算法——Levenberg-Marquardt算法，并将其应用到电路故障诊断问题中。实例仿真验证了改进算法在训练次数和训练时间上具有明显的优势，同时也能保证故障诊断准确率，具有良好的效果。     

基于D-S证据理论的直流电机故障诊断研究

多传感器、多手段检测的信息融合技术在电机故障诊断中的应用日益广泛。提出了一种基于D-S证据理论和BP算法的故障诊断方法,给出了基于BP神经网络和D-S证据理论的多传感器数据融合技术的直流电机故障诊断方法,首先通过分析直流电机的故障机理,得到电机在不同故障情况下表现的信号特征,然后利用多源信息间的冗余性和互补性,有效提取故障特征信息。将该方法应用于某型船直流电机的故障诊断,结果表明,该算法提高了故障诊断的可靠性和灵敏度。