共查询到20条相似文献,搜索用时 31 毫秒
1.
2.
神经网络技术在船舶柴油机故障在线诊断中的应用研究 总被引:1,自引:0,他引:1
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。 相似文献
3.
4.
5.
为有效解决船用齿轮箱存在的振动问题,提升舰船的隐蔽性和工作性能,设计一种基于附加颗粒阻尼控制的船用齿轮箱减振方案。以某型号船用齿轮箱箱体为研究对象,采用有限元方法建立船用齿轮箱振动物理模型,对船用齿轮箱的自由状态模态和振动响应进行分析;结合齿轮箱模型振动特性分析结果,在箱体与关键结构附近布置颗粒阻尼结构。建立颗粒阻尼等效分析模型,计算弹性波传递过程中设计减振器离散体碰撞的能量耗散结果,并将所得结果与试验结果进行对比,验证该减振方法的有效性。结果表明,该颗粒阻尼结构对船用齿轮箱产生的振动辐射有明显的抑制和削弱效果。 相似文献
6.
《舰船科学技术》2019,(24)
针对原有齿轮箱传动过程耦合特性系统分析方法中获取数据为静态数据易造成分析结果失真的问题,设计新型船用齿轮箱传动过程耦合特性系统分析方法。基于齿轮箱传动过程耦合系统的工作原理,构建传动过程动力学模型,设定齿轮箱参数,得出动力计算公式。采用Abaqus软件构建三维齿轮机模型,将其与动力计算公式相结合,获取有限元单元分割后的子单元分析结果,将各子单元的分析结果相结合,得到系统整体分析结果。至此,船用齿轮箱传动过程耦合特性系统分析方法设计完成。构建实验环境对其分析可知,与原有分析方法相比,此方法获取到的数据为动态数值,原有方法获取到的数据为静态数据。相较原有方法,此方法不易造成分析结果失真。因而,此方法效果更佳。 相似文献
7.
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。 相似文献
8.
9.
基于单片机的船用海水淡化装置故障诊断系统的硬件设计 总被引:2,自引:1,他引:1
现有的船用海水淡化装置故障诊断系统可靠性欠佳。在理论分析和实验的基础上,本文分析了系统常见故障对参数的影响,建立了基于8个技术参数的故障诊断逻辑。以此为基础设计以AT89C52为核心的电路系统,为完成整个装置故障诊断系统提供硬件支持。从而提高了对船用海水淡化装置故障诊断的可靠性和准确性。 相似文献
10.
11.
为了实现对船用离心泵的实时在线智能故障诊断,进行了基于SOM网络(自组织特征映射神经网络)的船用离心泵故障诊断方法研究.在分析船用离心泵典型故障及特征的基础上,建立故障模型,提取故障特征向量并建立学习样本;设计和组建了SOM神经网络,将SOM网络的抽取输入信号模式特征的能力应用于故障诊断;通过网络训练建立了 SOM网络输入与输出属性间良好的非线性映射,实现了将特征向量输入网络来诊断故障.经实验验证,该方法具有良好的准确度和适应性. 相似文献
12.
13.
基于单片机的船用海水淡化装置故障诊断系统的设计研究 总被引:1,自引:0,他引:1
因现有的船用海水淡化装置故障诊断系统可靠性欠佳,在理论分析和实验的基础上研究了系统工作参数的影响因素,分析了系统常见故障对参数的影响,建立了基于8个技术参数的故障诊断逻辑。以此为基础设计了装置故障诊断系统,提高了诊断的可靠性。 相似文献
14.
15.
16.
17.
船用三轴燃气轮机气路故障建模与聚类诊断技术 总被引:1,自引:0,他引:1
船用燃气轮机运行在高速、高湿和高盐的工作环境中时,其气路部件在运行过程中发生故障的可能性增大,开展典型气路故障诊断技术研究有助于提升船用燃气轮机运行的可靠性和安全性。通过分析船用燃气轮机积垢、压气机叶顶间隙增大、叶片磨损、机械损伤、涡轮热腐蚀和燃烧室故障等典型气路故障的机理,给出9种典型气路故障时性能参数相对变化的经验判据。采用小偏差建模方法,建立船用三轴燃气轮机气路故障仿真模型,基于经验判据对0.8工况下船用三轴燃气轮机典型气路故障进行模拟,仿真得到9种典型故障下测量参数的相对变化。提出基于聚类分析的船用燃气轮机气路故障诊断方法,并以9种典型气路故障仿真结果为例,验证了该诊断方法的可行性。 相似文献
18.
针对船用齿轮箱故障难以识别的问题,提出了将极点对称模态分解(Extreme-point Symmetric Mode Decomposition, ESMD)和支持向量机(Support Vector Machine, SVM)相结合的故障诊断方法。先将船用齿轮箱振动信号进行ESMD分解,可得到一系列模态和一条最佳自适应全局均线。以分解模态与原始信号的能量比值为相关度衡量标准,将相关度较高的前三个模态分别作奇异值分解并得到奇异值矩阵。经过归一化处理后,输入支持向量机训练获得多分类诊断模型,并进行测试。测试结果表明,相比经验模态分解(Empirical Mode Decomposition, EMD)与SVM结合的方法,本文的方法能更好地对船用齿轮箱故障作出诊断和预测。 相似文献
19.
针对船舶焊缝缺陷检测中存在定位困难和识别效率低问题,提出基于AP聚类和深度卷积神经网络的检测方法.采用基于距离最值的M-SMOTE算法进行焊缝样本不平衡数据集处理,实现少数类新样本的精细化生成,并提出基于AP聚类的深度卷积神经网络模型.模型先基于几何特征、强度特征和背景对比反差进行11个焊缝缺陷特征提取和AP聚类,并将聚类结果作为神经网络输入;采用自适应PCA法对网络进行降维,在保证识别准确率的基础上,通过参数化方法简化降维步骤.试验表明,在通用焊缝数据集上,文中模型的识别率高达98.87%,与准确率较高的VGG模型相比,训练时间缩短12.10%,模型存储减小11.94%;在船舶焊缝数据集上,文中模型的总体识别率达到98.00%,对比准确率较高的DNN模型,其准确率提高了 3.33%. 相似文献
20.
《中国舰船研究》2020,(3)
[目的]为了提高船舶柴油机智能故障诊断的精度,引入深度学习方法,提出一种基于深度信念网络(DBN)的船用柴油机智能故障诊断方法。[方法]采用多层限制性玻尔兹曼机(RBM)堆叠成DBN,并采用对比散度方法对模型参数进行求解。通过无监督预训练和有监督微调的训练方法,从故障样本数据中提取深层次的隐性特征并获得较好的初始化参数。[结果]基于AVL BOOST船舶柴油机故障仿真实验进行样本数据分析,结果表明:DBN对训练样本集和测试样本集的故障识别率分别为98.26%和98.61%,比BP神经网络(BPNN)和支持向量机(SVM)具有更高的故障识别准确率和更好的泛化性能,可以避免浅层神经网络因随机初始化权值而陷入局部最小值和精度较低等问题。[结论]与BPNN和SVM相比,DBN更适用于船舶柴油机的智能故障诊断应用。 相似文献