基于改进Petri网的船舶电力系统故障诊断

将Petri网理论用于船舶电力系统故障诊断中,提出了一种改进的Petri网故障诊断模型。在基本Petri网诊断模型的基础上引入模糊推理规则形成模糊Petri网,说明了该方法的模型构建、推理过程及解析方法的表示。利用该方法对船舶电力系统进行故障诊断使推理过程简洁、诊断快速、诊断结果也更科学有效。     

故障诊断专家系统在船舶电力系统故障诊断中的应用

为保证船舶电力系统的供电连续性,尽可能的缩短船舶电站的停电时间,文中阐述了故障诊断专家系统在船舶电力系统故障诊断中的应用,能够处理电力故障中的不确定问题,恢复电力系统的正常运行。     

基于Petri网的舰船综合电力系统故障诊断方法

针对舰船综合电力系统的特点,利用Petri网技术对综合电力系统故障进行诊断.Petri网模型清晰直观,符合故障处理过程因果关系,其基于矩阵运算的推理计算能满足快速故障诊断的要求.算例测试结果表明了该方法的正确性和有效性.     

模糊Petri网在某型舰炮系统故障诊断中的应用

用Petri网的变迁激活规则进行故障诊断推理,分析异常行为过程间的因果关系,根据变迁的可信度大小,找到一条最有可能产生已知故障的路径.以某改进型舰炮系统的一个实际故障诊断为例,针对其故障信息的不确定性和模糊性,给出模糊Petri网的故障诊断模型,结果表明该模型具有直观,知识表达能力强和易于推理的优点.     

神经网络在船舶电力推进系统故障诊断中的应用

船舶电力推进系统目前成为船舶推进系统的主流选择,电力推进系统对于保障船舶的安全稳定运行具有重要意义。因此,对采用电力推进系统的船舶进行电力推进系统故障诊断,成为船舶日常维护的一项重要工作。本文对船舶电力推进系统故障诊断系统进行研究,在Simulink环境下搭建故障诊断模型,并将BP神经网络应用于诊断系统,对电力推进系统的故障学习和诊断能力进行仿真。结果表明,该故障诊断系统可以提高网络的学习速度和诊断效果,具有很好的故障诊断能力,可以满足船舶电力推进系统的性能要求。     

船舶柴油机远程故障诊断研究

对船舶柴油机的远程故障诊断系统进行了研究，介绍了该系统的总体结构，提出用IEEE802．3和IEEE802．11作为诊断网络的数据链路层协议，用TCP／IP作为系统的网络层和传输层协议，用JAVA技术解决远程数据通讯接口问题。并研究了用Khoenen神经网络作为船舶柴油机本地故障诊断工具，用基于规则的专家系统作远程故障诊断工具的实施方法。研究表明，船舶柴油机故障诊断系统切实可行，有望发展成为一种有价值的船舶监控系统。     

T-S模糊模型在船舶推进系统故障诊断中的研究

人们针对船舶电力设计了各种先进的保护与控制装置,尤其在对推进系统的故障预测与诊断方面开发出了多种行之有效的诊断算法。基于以上需求,本文开发出基于T-S模糊模型的推进系统故障诊断系统,首先建立船舶推进系统中的电机仿真模型,对电机的电压、磁链和运动特性进行研究。在此基础上,利用T-S模糊模型设计了故障识别算法的数学模型,对此模型进行线性化处理后,得到了简化的故障诊断步骤,应用Matlab对算法的故障识别特性进行仿真,从实验结果发现该算法的性能基本能够满足一般情况下的故障识别需求。     

人工智能技术在船舶电力系统故障诊断中的应用

近年来人工智能技术在很多领域得到了成功应用,特别是故障诊断方面。船舶电力系统是保障船舶自动化系统正常工作的重要组成部分。由于船舶电力系统工作环境恶劣,因而船舶电力系统一旦出现故障将会产生很严重的后果。传统船舶电力系统故障检测费时费力,本文通过对人工智能技术进行分析,研究了人工智能技术在船舶电力系统故障诊断中的应用,提出了一种故障诊断系统架构,重点研究了基于人工神经网络以及专家系统的电力系统故障诊断,设计了神经网络模型,给出了推理机的故障诊断流程。     

Petri网在船舶MES构架中的应用研究

首次将Petri网理论引入到造船企业车间实时调度问题之中,分析了平面分段建造流程,建立起相应的Petri网模型;通过仿真计算,为建造现场调度方案的制订提供了依据。该研究为船舶平面分段制造流水线的实时有效调度和控制提供了新的方法,进而为船舶MES的建立奠定了技术基础。     

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。     

船舶动力装置智能故障诊断技术的应用与展望

  目的  为了实现对船舶艉轴承润滑状态的监测和评估,提出一种结合润滑性能衰变模型和支持向量机（SVM）算法的艉轴承润滑性能评估方法。  方法  针对船舶艉轴承润滑状态难以监测和识别的问题,建立轴承润滑衰变数值模型,并运用实验数据对该模型进行验证,研究载荷、粗糙度和半径间隙对润滑状态衰变机理的影响。基于SVM算法,构建润滑状态分类器,通过网格搜索算法优化超参数,利用不同润滑状态的数据集进行训练,最后实现对艉轴承润滑状态的评估。  结果  结果显示,随着外部载荷、粗糙度和半径间隙的增大,轴承润滑状态恶化的临界速度增大,动压润滑工作范围减小,混合润滑工作范围增大;由仿真数据集对润滑状态识别模型的验证表明,所提的润滑状态识别方法准确率达96.88%。  结论  所提方法能监测轴承的润滑性能特征,有效识别轴承的润滑状态。     

嵌入式PLC在舰船配电系统故障诊断系统的应用

嵌入式系统是一种集成化程度高的专用计算机系统,是软件与硬件的有机结合体,具有功能强大、成本低、可控性强和功耗低等优点,在工业领域广泛应用。舰船配电系统是将电站的电能匹配给船载用电设备的系统,对电站平稳运行和船载用电设备的正常工作具有重要意义。本文主要针对舰船配电系统的故障诊断问题,结合嵌入式PLC,设计一种高效的舰船配电故障诊断系统。     

舰船电力系统故障诊断综述

故障诊断对于故障后的维护以及系统恢复,尤其是对舰船这种特殊结构的军用船只而言具有重要的意义.综述了舰船电力系统故障诊断的各种基本的研究方法,包括数学模型、专家系统、故障树、人工神经网络和数据融合技术等.分析了这些方法的特点并指出各个诊断方法的优缺点.最后,以实际应用为目标,指出了随着全船信息化时代的到来,舰船电力系统故障诊断领域所需解决的关键技术问题和主要的发展趋势,以促进该研究领域进一步向实用化以及深度和广度相结合的方向发展.     

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。     

船舶电力推进系统故障诊断技术

故障诊断技术是船舶电力推进系统研究中的重点,当前无法对船舶电力推进系统的故障进行准确划分,无法获得较优的船舶电力推进系统故障识别效果,为了获得理想的船舶电力推进系统故障诊断效果,设计一种信号去噪和数据挖掘的船舶电力推进系统故障诊断方法。首先分析船舶电力推进系统故障原理,采用船舶电力推进系统故障信号,然后对船舶电力推进系统故障信号进行去噪,提高船舶电力推进系统故障信号质量,并提取船舶电力推进系统故障诊断特征,最后采用最小二乘支持向量机设计船舶电力推进系统故障分类器,并与其他方法进行船舶电力推进系统故障诊断对比实验,相对于对比方法,本文方法的船舶电力推进系统故障诊断率高于94%,不仅船舶电力推进系统故障结果的误识率明显减少,而且加快了船舶电力推进系统故障诊断的速度,具有更加广泛的实际应用领域。     

基于机器学习的舰船机电装备故障诊断

随着信息技术的发展,以机器学习、模式识别为代表的人工智能技术在故障诊断领域逐步得到应用。通过对振动噪声信号的采集,利用时频分析技术对信号进行分解,并提取故障特征参数,再利用机器学习或模式识别技术对信号进行判别分类,可以实现舰船机电装备的智能诊断。为了验证该方法,选择经验模态分解方法进行信号分解,采用支持向量机进行诊断分类。通过实验表明,该方法有着较高的诊断精度,故障诊断率达到了96.7%,可以对舰船机电装备常见故障进行准确的智能诊断。     

分形技术与概率神经网络在船舶柴油机故障诊断中的应用

船舶自动化程度的提高对能源的需求也日益增长,而船舶的柴油机系统作为能源的主要来源,其重要性也越来越明显。为提高柴油机的稳定性能,降低故障发生率,本文提出一种基于分形技术和神经网络算法的故障诊断模型。该模型中的分形理论能够甄别出故障的非线性特征,精确锁定故障的来源;然后利用神经网络算法对柴油机故障的诊断进行深度训练。最后利用LabVIEW仿真平台和Matlab软件进行故障诊断能力仿真验证,本文提出的综合诊断方法能够有效识别故障来源和类型。     

大数据分析在船舶机械故障诊断系统中的应用

随着计算机技术和大数据技术逐渐成熟,大数据分析在船舶工业领域有了越来越广泛的应用。近年来,船舶工业逐渐向着智能化、自动化等方向发展,船舶动力系统、电力系统的智能化故障诊断等技术成为业内的研究重点。船舶机械的故障诊断过程具有数据量大、故障信号复杂、干扰信号多等问题,一直以来是业内的研究难题。本文介绍了大数据分析技术的原理和数据挖掘技术,设计了一种基于大数据分析的船舶机械故障诊断系统,该系统面向的诊断对象主要包括船舶机舱控制系统、船舶动力系统等,具有数据诊断效率高、人机交互性好、数据传输效率高等优点。     

多信息融合技术在船舶动力装置故障诊断中的应用

船舶动力装置工作过程中会产生大量多域故障信号,通过收集、挖掘隐藏的关联信号,可以解决船舶动力装置在故障诊断中面临的诊断时长问题.文章采用K-均值聚类算法(K-means)对数据进行聚类,聚类结果输入BP神经网络进行模型训练,并在此基础上,设计了主成分分析法(PCA)对模型进行优化.结果 显示,2种算法都能有效降低网络诊...     

大数据在轮机故障诊断系统设计中的应用

随着现代船舶技术的发展,轮机系统向大型化和自动化方向发展,设备和控制系统日益复杂,现有的故障诊断技术越来越无法满足人们的需求。数据挖掘技术能够从大量的数据信息中提取并找到有用的信息,极大的推动了人们分析和处理大数据的能力。将数据挖掘技术引入船舶轮机故障诊断系统中,能够有效提高诊断系统的效率。本文设计基于大数据的轮机故障诊断系统,研究现有的基于关联规则的Apriori数据挖掘算法,并进行优化改进,有效降低整个算法的复杂度,并进行了仿真实验。