使用数据挖掘实现舰船故障数据定位

为了更好地保障船舶航行安全,有效提高船舶的故障定位和检测能力,提出了使用数据挖掘实现舰船故障数据定位方法,通过对舰船故障数据进行实时采集和分类挖掘获取船舶航行过程中的异常数据,实现对船舶故障数据关联规则特征的准确提取。在进行故障定位的过程中,合理并利用电磁探测器和声敏传感器等设备进行故障诊断,并对不同类别船舶故障数据的高维特征融合的研究采用数据挖掘分析算法,利用数据挖掘分类器对船舶故障数据进行分类识别和定位挖掘,从而有效保障船舶故障数据定位的精确度和有效性。最后通过实验结果表明,使用数据挖掘实现舰船故障数据定位方法具有较高的故障定位精度。可以应用于船舶故障实时诊断,有效提高船舶故障诊断的实时性。     

基于支持向量机的船舶感应电机轴承故障在线诊断方法

提出一种基于WELCH分析法结合支持向量机(SVM)的船舶感应电机轴承故障在线诊断方法,通过数字信号处理器(DSP)在线采集感应电动机的定子电流,使用WELCH法对电机的定子电流信号进行预处理,从预处理频谱分析中提取峰度、偏度、波峰因数、间隙和形状因子5个参数,形成支持向量机的特征向量,通过实验优化支持向量机的核函数参数,完成故障的识别。设计基于DSP的在线轴承故障诊断试验系统,实验结果证明,所提方法计算相对简单,可有效地在线识别电机轴承的外沟道故障。     

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。     

灰色数据挖掘在船用柴油机中的应用

船用柴油机作为船舶航行中的动力源,具有非常重要的作用。但柴油机在运行过程中的运行状态及故障发生都对船舶的正常运行影响很大。本文通过研究灰色数据挖掘的特点,结合船舶柴油机的结构与故障特性,研究出一种基于灰色数据挖掘的故障诊断方式,通过对灰色关联算法在计算机上进行编程仿真,检验这种方法对船舶柴油机的故障诊断具有较好的诊断结果,对船舶柴油机的正常航行具有一定的意义。     

基于LDA-GA-SVM的船舶电力推进系统故障诊断

在船舶电力推进系统发生故障时,进行快速准确诊断对于船舶航行的安全性至关重要。文章针对电力推进系统中永磁同步电机的常见故障,提出基于线性判别分析(LDA)与遗传算法(GA)优化的支持向量机(SVM)相结合的船舶电力推进系统故障诊断方法。以"烟大轮"作为研究对象搭建故障仿真模型,以此为基础生成故障数据。运用小波包算法结合LDA算法提取故障数据中的特征向量,再利用经过GA优化后的SVM模型对故障特征向量进行分类。分析仿真验证结果,与未优化的SVM模型对比,GA-SVM具有更高的故障诊断准确率。     

船舶自动智能避碰数学模型及其计算机仿真研究

船舶避碰系统是保障船舶安全运行的重要保障之一,其通过船舶携带的各类电子辅助设备对航行中的状态数据进行采集,在避碰系统中进行综合处理,将分析结果传输至船舶操控室。同时,随着航海航线船只密度的增加,发生碰撞概率急速增加,需要建立更为全面的数学模型对船舶的避碰过程及策略进行研究。本文构建船舶避碰中整个过程数学模型,结合船舶自动识别系统给出了基于遗传算法的自动化智能避碰策略,最后对算法进行仿真。     

人工智能技术在船舶动力装置故障诊断中的应用

传统的动力装置故障诊断方法需要大量的故障数据样本,导致诊断效率和实时性差,无法满足现代船舶航行的需求。针对上述问题,提出人工智能技术在船舶动力装置故障诊断中的应用。使用小波包分析技术对传感器采集的信号进行去噪、分解重构以及能量谱特征提取处理后,构建船舶动力装置故障集。使用D-S理论对BP神经网络输出的诊断结果进行数据融合和置信度判断,得到可靠的诊断结果完成故障诊断。对比实验数据显示,利用人工智能的方法诊断精度较高,并且诊断响应效率高,具有良好的泛化能力。     

基于人工鱼群算法的船舶电子设备故障智能诊断方法

为实现电子设备的高效维护,确保船舶安全航行,设计了基于人工鱼群算法的船舶电子设备故障智能诊断方法。采用离散小波变换法分解电子设备运行信号样本,通过计算不同尺度下的小波能量值完成船舶电子设备故障特征参数的提取,将其作为基于RBF神经网络的故障诊断模型的输入,利用人工鱼群算法对故障诊断模型的权值、阈值参数作优化处理,最终输出不同类型故障发生概率,实现电子设备故障诊断。实验结果表明,正常以及不同故障状态下,电子设备运行信号的时域波形存在很大差异,研究方法可实现故障特征参数的提取,并完成故障类型的识别,30次迭代后MSE指标即可降至最低,仅为10^-4。     

基于嵌入式技术的船舶故障诊断控制器设计

船舶故障诊断是船舶运输航行的重要技术支持,为了有效提高船舶故障诊断效果,基于嵌入式技术设计新型船舶故障诊断控制器。该控制器从故障异常数据入手,首先建立故障训练样本,用于表示船舶正常航行以及多类型故障时的数据标数,根据训练样本,提取当前故障信号诊断特征,并利用最小二乘法对上述建立的训练样本数据进行直接限制,完成诊断特征分类,将分类后的数据进行信号去噪,消除无用数据,确定信号标度因子值,通过数据清洗,重新划分定位故障数据,实现故障诊断。实验数据表明,应用该故障诊断控制器,故障诊断率提高了22%,故障误判率降低了30%,有效提高船舶故障诊断控制效果。     

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。     

嵌入式数据的船舶航行数据采集系统

针对传统船舶航行数据采集系统自身存在的采集效率低的问题,提出设计基于嵌入式数据的船舶航行数据采集系统。利用基于嵌入式技术,创建嵌入式DSP控制模块为主定位航行数据采集硬件,对传统采集系统硬件基础进行更新;修正传统采集系统内部采集算法,将浮点DSP波形成束算法写入创建的采集硬件主控,使其与采集系统对接,并对传统算法逻辑错误进行更新修正。仿真实验测试证明,提出设计的基于嵌入式数据的船舶航行数据采集系统,在采集效率低问题上具有明显的修复改善作用,满足设计需要。     

船舶航行数据的远程集成采集方式

通过对船舶航行数据的远程集成采集,实现对船舶航行的状态监测,提出基于浮点DSP集成控制的船舶航行数据的远程集成采集系统设计方法,构建船舶航行数据采集的总体结构模型,数据采集系统的功能模块组成包括VXI全局总线模块、采集触发模块、数据传输模块、数据波束形成模块等,采用浮点DSP作为核心控制器,进行船舶航行数据的多重通道采集和信号输出设计,在波束形成器中输出采集的集成船舶航行数据。仿真测试表明,设计的数据采集系统能有效实现船舶航行数据采集,数据波束输出的响应能力较强。     

船舶动力装置智能故障诊断技术的应用与展望

动力系统作为整个船舶最核心的系统,其安全性和可靠性将直接影响船舶的安全航行,而有效的故障监测与诊断技术是保障航行安全的重要手段。首先,通过分析国内外学者在智能算法与故障诊断方面的研究进展,将船舶动力装置的智能故障诊断分为数据信号获取、数据特征提取、故障识别与预测3个环节,并总结智能算法在船舶动力装置故障诊断中所面临的问题和挑战;然后,结合智能算法的特点,探讨船舶动力装置智能故障诊断技术的未来发展趋势;最后,提议从建立基于云平台的数据监测系统、建立数据库和挖掘监测数据等方面展开深入研究,用以为船舶动力装置智能诊断的工程实践应用奠定基础。     

利用故障树分析航海雷达故障

航海雷达是船舶上必备的导航装备,用于船舶避让、船舶定位、狭水道引航等,在能见度不良的情况下,还是航海人员进行观测的工具。航海雷达结构复杂,系统经常出现故障。一旦故障不能及时排除,将会严重影响航行。文章利用故障树理论,对航海雷达故障进行分析和研究,从而提高航海雷达故障诊断的准确性与效率。     

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。     

模糊支持向量机在船舶发电机故障诊断中的优化应用

对以往提出方法的优点进行总结,在故障诊断中对模糊支持向量机进行优化应用,提出一种优化诊断方法。基于模糊支持向量机进行发电机故障分类,构建模糊故障分类模型。利用故障仿真模型获取各种发电机故障的对应电流信号,将电流信号中的特征量设为模型的四维输入向量。根据模糊故障分类模型的分类结果和船舶发电机历史运行数据,建立故障诊断融合识别框架。根据建立的故障诊断融合识别框架,将故障诊断过程分为4个步骤进行船舶发电机的实际故障诊断。对模糊支持向量机的优化应用进行实例研究,测试结果证明其优化应用实现了有效的故障诊断,验证了设计方法的有效性。     

基于DPC-GMM算法的船舶燃油系统故障诊断

[目的]传统的高斯混合模型(GMM)算法存在收敛速度较慢的固有缺陷,容易产生过拟合现象,导致参数计算陷入局部最优,不能很好地用于船舶燃油系统的故障诊断。[方法]首先,分析GMM算法及参数估计算法,结合密度峰值聚类(DPC)算法,提出一种基于DPC-GMM算法的船舶燃油系统故障诊断方法;然后,通过训练船舶燃油系统状态所对应的高斯混合模型参数,实现对船舶燃油系统故障的无监督诊断;最后,基于获取的船舶燃油系统故障数据,验证该方法的有效性。[结果]实验结果表明,采用基于DPC-GMM算法的故障辨识准确率高、识别速度快,优于传统的反向传播(BP)神经网络和支持向量机(SVM)诊断算法。[结论]研究结果对船舶燃油系统的故障诊断有重要的指导意义。     

基于分布式模糊神经网络的船舶机电故障诊断

为了更好地保障船舶航行安全,及时准确地对船舶机电设备进行监测分析,修理出现的故障,提出了一种基于分布式模糊神经网络的船舶大型机电设备故障诊断的方法.该方法融合了模糊理论和神经网络各自的优点,能自适应从学习样本数据中提取故障模型,能实时地进行故障诊断,且网络结构简单,训练速度快,准确率高.通过对某船转子系统的故障诊断实验,证明了此法的有效性和优越性.对于大型的复杂设备,基于分布式模糊神经网络的故障诊断方法优势明显,具有很好的应用前景.     

故障并行计算在船舶电力设备故障信号诊断中的应用

船舶电力系统为自发电、自分配的独立电力系统,当电力设备出现故障时,会影响船舶的航行安全。为了对船舶电力设备故障信号进行准确的诊断,依据故障计算原理,利用故障并行计算方法进行船舶电力设备故障信号诊断,仿真试验证明,并行计算方法的故障诊断正确率与所耗时间均优于对比算法,同时,随着参与并行计算的线程的增加,诊断的实时性随之增强,是一种高效的船舶电力设备故障诊断方法。