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。     

基于深度信念网络的船舶柴油机智能故障诊断

[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。     

支持向量机在船舶电力推进系统故障诊断中的应用

针对人工神经网络收敛速度慢、容易陷入局部最优解等不足,本文采用支持向量机技术建立船舶电力推进故障诊断系统。确定支持向量机的核函数和分类方法,结合训练样本,采用基于网格搜索的K重交叉验证法进行核函数的参数优化,从而得到支持向量机故障诊断模型。利用支持向量机工具箱函数,在MATLAB中进行故障诊断模型的仿真计算,结果表明基于支持向量机所建立的故障诊断模型有较强的诊断准确性和泛化推广能力,从而提高船舶的安全性。     

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。     

基于支持向量机的船舶柴油机故障诊断

介绍了支持向量机(SVM)的机理,应用SVM对船舶电站主柴油机进行故障诊断,研究了SVM参数的选择方法,仿真结果表明,SVM具有较好的诊断效果和较强的抗噪声能力;对复合故障样本诊断准确度较RBF神经网络高.     

不平衡数据下船舶主机在线故障诊断研究

[目的]针对传统船舶主机的故障诊断模型难以采用实时数据及时更新,且船舶主机还存在监测点多但故障样本少的问题,提出一种能够处理不平衡数据并可以在线更新模型的故障诊断方法。[方法]首先,采用主成分分析法（PCA）对监测样本进行降维和特征提取,降低训练模型的复杂度;然后,通过SMOTETomek构造故障样本以平衡训练集;接着,针对诊断模型难以实时更新的问题,引入结合正则化方法且具备在线更新功能的在线贯序极限学习机（OSELM）模型;最后,以主机燃油系统为例验证OSRELM模型的可行性,并采用不平衡船舶主机数据进行消融实验以验证整体模型的有效性。[结果]结果显示,所提方法在原始模型的基础上可使诊断精度提升29.73%。[结论]研究表明所提方法较其他同类方法具有更高的诊断精度,波动幅度较小,具有较好的稳定性;且在样本不平衡的情况下,对于故障类样本仍具备较强的识别能力,适用于船舶主机故障诊断方面的研究。     

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。     

基于DAGSVM的装备不常用备件分类方法

针对装备不常用备件需求样本数据有限、影响不常用备件需求的因素众多,且各因素间的关系多为非线性等特点,分析了现有备件分类方法中的不足,并引入在小样本学习方面具有优势的支持向量机(Support Vector Machines,SVM)方法,利用有向无环图支持向量机(Directed Acyclic Graph SVM,DAGSVM)方法对装备的不常用备件进行分类,并进行了实例应用。结果表明,该方法可以有效地解决装备不常用备件的多类分类问题。     

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.     

基于支持向量机方法的模拟电路故障诊断

模拟电路故障诊断是电路故障诊断的难点问题,也是制约电路故障诊断技术发展的瓶颈.支持向量机方法被看作是对传统学习分类方法的一个好的替代,特别在小样本、非线性情况下,具有较好的泛化性能.本文采用支持向量机方法对模拟电路故障诊断进行了研究,并从核函数、模型参数等方面对其故障诊断性能进行了分析.实验表明,支持向量机方法能获得比神经网络方法更好的故障诊断性能.     

基于SVM的2PTMC多分类算法在船舶柴油机故障诊断中的应用

文章针对船舶柴油机故障特征变得越来越复杂,且大量的故障样本难以获得的状况,引用基于小样本的支持向量机算法(SVM)分类器。采用基于SVM的2PTMC算法,该方法根据故障优先级的不同,将不同类故障逐层分类,相比于传统的一对一(OVO)和一对多(OVA)多分类策略,该方法具有模型简单、重复次数较少的优点。文章构建了一个四级SVM分类器,结果表明,该方法适用于船舶柴油机故障分类。     

基于SVM模型算法和大数据分析技术的船舶设备故障诊断

为在船舶设备发生故障时能准确、及时地定位故障发生根源,保证船舶安全、经济运行,采用大数据分析方法和支持向量机(Support Vector Machine,SVM)模型算法对船舶设备进行故障诊断,提前预测可能发生的故障.以船舶柴油机滑油压力低故障为例,应用Python语言,通过SVM模型算法预测该故障的发生概率.结果表...     

Fault diagnosis of marine diesel engine intake and exhaust system based on dynamic feature fusion北大核心CSCD

[目的]船舶系统由多设备的复杂机构组成,各组件参数具有动态性和非线性的特点,所以故障诊断过程复杂。为提高诊断效率,提出一种动态特征融合方法。[方法]利用分形理论、动态理论及核主元分析(KPCA)法对系统状态数据进行重构、映射及筛选,得到主元特征数据矩阵,求得平方预测误差(SPE)及相应的控制限,构建出基于船舶柴油机进排气系统健康数据的离线监测模型,利用该模型对系统进行故障诊断分析。为验证模型的有效性,选取某船舶柴油机进排气系统的故障数据进行验证分析。[结果]结果表明,动态特征融合分析方法可有效实现对系统动态非线性状态数据的精确分析,实现对系统故障的高效分析和诊断。与KPCA及支持向量机(SVM)方法相比,所提方法具有更好的故障诊断性能。[结论]该方法可实现船舶柴油机进排气系统故障的检测和诊断,提升系统运行的可靠性和安全性。     

基于粗糙集的船舶主机轴系故障诊断

船舶主机轴系的故障诊断对船舶正常航运具有重要意义.将粗糙集理论应用到船舶主机轴系故障诊断中,建立了基于粗糙集的船舶主机轴系故障诊断模型.采用NaiveScaler方法对故障数据离散化处理,利用基于属性重要度的启发式算法进行属性约简,获取故障诊断相关规则.算例验证了该模型的有效性.     

基于SVM的液压设备仿真模型的故障诊断

阐述了SVM算法在液压系统的故障诊断领域中的应用及其诊断效果.以全液压克令吊模型为研究对象,将克令吊模型的回转回路作为一个独立系统,使用功率键合图方法建立其数学模型,并用Matlab中的Simulink对模型进行计算机仿真,对回转回路选择不同的参数进行流量的特性仿真,运用支持向量机理论依据流量值的特性对回转回路进行故障分类,得到了令人满意的故障分类正确率.     

船舶柴油主机状态监测中故障诊断方法研究

针对当前船舶柴油主机状态监测中故障诊断方法存在的诊断速度慢、诊断结果不稳定等缺陷,提出基于小波神经网络的船舶柴油主机状态监测中故障诊断方法。首先分析当前船舶柴油主机状态监测中故障诊断方法的研究现状,然后采用小波变换抽取船舶柴油主机状态监测中的故障特征,并采用神经网络对船舶柴油主机状态监测中故障特征进行学习,实现船舶柴油主机状态监测中故障诊断的分类决策,最后船舶柴油主机状态监测中故障诊断结果表明,本文方法不仅可以保证船舶柴油主机状态监测中故障诊断正确率,同时减少了船舶柴油主机状态监测中故障诊断时间,极大改善了船舶柴油主机状态监测中故障诊断效率。     

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SVM的雷达故障预诊断技术研究

文章将支持向量机（SVM）引入雷达故障预诊断,实现了雷达进入潜伏性故障时就提前诊断,很好地解决雷达故障诊断流程复杂、诊断时间长等问题。这是由于SVM可以很好地解决小样本、非线性分类问题,而这正是潜伏性雷达故障的特点。文章最后通过实例充分说明了该算法在排除雷达潜伏性故障方面的能力。     

基于支持向量机的航标故障识别

航标的健康运行不仅与船舶运输效率和航行安全有关,而且还是评估航标维护质量的重要指标,是船舶航行的重要参考依据,也是衡量一个国家航运业发展水平的重要标准。因此,及早发现航标失常并及时采取相应的修复措施,符合航运及航标管理机构的实际需求。对于航标设备故障识别问题,实质上可归结为分类问题。文中详细介绍了支持向量机(SVM)用于分类的方法,最终采用支持向量机(SVM)的分类方法,通过MATLAB建立分类模型,实现对航标设备故障的识别。