基于神经网络的舰船电机轴承异常检测研究

针对当前舰船电机轴承异常检测正确率低、检测自动化程度低、检测过程十分耗时等难题,为了提高舰船电机轴承异常检测效果,设计了基于神经网络的舰船电机轴承异常检测方法。首先提取舰船电机轴承状态信号,采用小波包分析去除舰船电机轴承状态信号中的噪声,然后采用Hilbert变换提取电机轴承异常状态的特征,将特征作为神经网络的输入,电机轴承异常作为神经网络的输出,建立舰船电机轴承异常检测模型,最后进行舰船电机轴承异常检测的仿真实验,本文方法的舰船电机轴承异常检测正确率超过95%,能够很好检测到舰船电机轴承异常现象,而舰船电机轴承异常检测时间要少于当前其他舰船电机轴承异常检测方法,能够满足舰船电机轴承异常检测的实际要求。     

基于随机森林的海上风电机组发电机轴承异常状态监测方法

发电机轴承是海上风电机组中重要的零部件,其状态直接影响了海上风电机组的运行状态和发电量。文章通过结合机理分析和数据驱动提出了基于随机森林的海上风电机组发电机轴承异常状态监测方法,该方法先通过机理分析选取变量、清洗数据和标定样本状态,然后通过数据驱动的方法对海上风电机组发电机轴承的状态进行预测。通过现场实际的海上风电机组SCADA数据对该模型进行验证,所述方法能够有效预测海上风电机组发电机轴承的状态,并且能有效避免对异常状态的误报和漏报。     

基于GRU-DconvLSTM的船舶轨迹预测

利用深度学习方法预测船舶未来航行趋势，对海上交通安全以及船舶管理具有重要意义。在船舶自动识别系统（AIS）中已知的经度、纬度、航速数据基础上，提出一种基于门控循环单元结合双卷积层长短期记忆神经网络（GRU-Dconv LSTM）预测模型。根据原始数据的变化趋势，采用标准差法对数据中的异常值进行处理，得到最终试验数据。该模型一方面通过门控循环单元（GRU）学习船舶历史数据上的运动规律；并采用双卷积层与长短期记忆神经网络（LSTM）结合的形式充分提取数据深层信息，提高模型对时序数据深层次特征的挖掘能力。将该模型与卷积长短期记忆神经网络（CNN-LSTM）、卷积门控循环神经网络（CNN-GRU）以及卷积层长短期记忆（Conv-LSTM）神经网络等3个模型进行对比，将均方根误差、平均绝对误差、平均绝对百分比误差作为评价标准，结果表明，GRU-Dconv LSTM模型在经度和纬度预测上误差较小，精确度较高。     

大功率海上风电机组传动链固有频率计算分析

以某大功率海上风力发电机组传动链为研究对象,考虑了斜齿轮螺旋角、压力角、行星轮相位角、齿轮啮合刚度和轴承支撑刚度等因素,采用集中参数法建立传动链的多体动力学模型,通过对模型进行模态分析,获得传动链固有频率,并对计算结果进行对比验证。研究结果表明：采用集中参数法建立传动链模型可以计算出系统的固有频率,并通过与SIMPACK多体动力学软件仿真模型计算结果对比,发现两者计算结果具有很大一致性,表明所建立的集中参数模型可以用来计算传动链固有频率。     

基于混合深度学习的压气机喘振快速诊断及自抗扰控制方法

[目的]为了提升压气机设备安全、稳定运行的水平,提出一种基于混合深度学习参数辨识的喘振状态快速诊断方法,以及一种用于实现压气机退喘的自抗扰控制策略。[方法]首先,采用长短期记忆神经网络（LSTM）处理压气机参数辨识输入输出数据的时序关系,并融入高斯过程回归（GPR）的区间概率估计能力,提出一种基于LSTM和GPR结合（LSTM-GPR）的混合深度学习参数辨识算法,进而实现对压气机喘振状态的快速诊断;然后,基于自抗扰控制方法对压气机的节流阀参数进行控制,通过控制量对压气机节流阀参数的补偿,实现对压气机喘振状态的准确控制。[结果]结果表明,混合深度学习参数辨识算法可以实现对压气机临界Greitzer参数的准确辨识,能快速、准确地判断出压气机是否处于喘振状态,并且基于自抗扰控制的控制策略,可以使压气机有效退出喘振状态,相比传统的PID控制和非线性反馈控制等控制方法,所提方法快速、有效,可保证压气机的工作范围。[结论]提出的参数辨识和自抗扰控制方法能够用于压气机的喘振诊断和主动控制,可提升压气机的安全性与稳定性。     

基于改进DS证据理论的海上风电机组变桨系统健康状态评估方法

文章针对海上风力发电机组变桨系统的健康状态评价提出了基于改进证据理论的变桨系统健康状态评估方法。该方法首先挑选出能够反映海上风力发电机组健康状态的评价指标,计算出各评估指标的劣化度进而得到隶属度,最后通过改进的证据理论进行证据推理得到机组变桨系统的健康状态。通过相应的实验分析和检修记录的闭环验证,证明了所提方法的有效性。     

大功率海上风电机组传动链的固有频率计算

以某大功率海上风力发电机组的传动链为研究对象,考虑斜齿轮螺旋角、压力角、行星轮相位角、齿轮啮合刚度和轴承支撑刚度等因素,采用集中参数法建立传动链的多体动力学模型,通过对模型进行模态分析,获得传动链固有频率,并对计算结果进行对比验证,结果表明采用集中参数法建立传动链模型可以计算出系统的固有频率。与SIMPACK多体动力学软件仿真模型计算结果进行对比,发现两者的计算结果具有很大一致性,这表明所建立的集中参数模型可以用来计算传动链固有频率。     

大雾天气海上船舶交通异常挖掘识别方法

传统船舶交通异常识别方法在大雾天气环境下,存在挖掘算法对船舶轨迹异常状态辨识度降低的问题。通过分析发现,原因在于传统方法中没有引入大雾天气对船舶轨迹检测信号的扰动变量,导致轨迹检测数据与挖掘算法之间出现数据断链,降低了数据挖掘的识别效果。因此,提出大雾天气海上船舶交通异常挖掘识别方法分析。首先通过LSTM算法,将大雾天气扰动特征代入挖掘神经网络,获得带有大雾扰动特征神经网络;接着,根据大雾扰动特征建立混合高斯船舶轨迹模型,为交通异常识别提供基础数据;然后,通过Spark分布式挖掘算法,完成对船舶交通异常数据的挖掘识别。通过仿真实验,对传统挖掘识别方法与提出方法效果进行多组数据对比,证明提出挖掘识别方法的有效性。     

基于DAE-iForest的燃气轮机排气温度异常检测

通过燃气轮机排气温度对燃烧室及涡轮前几级叶片等高温部件开展异常检测,早期可靠的检测异常对确保燃气轮机高效运行至关重要。随着机器学习的广泛应用,数据驱动的状态监测方法已经越来越流行。针对故障数据缺失场景下的的燃气轮机排气温度分布异常检测问题,使用深度自编码器（Deep Autoencoder,DAE）学习特征,并采用隔离森林（isolated Forset,iForset）学习特征数据的正常信息,从而实现异常检测。与其他单分类的异常检测方法对比,该方法具有最佳的检测性能指标,能实现有效灵敏的燃气轮机排气温度异常检测。     

基于油液监测的轴承润滑状态综合评估

文章针对某型船轴系轴承磨损和润滑油性能状态的模糊不确定性，进行润滑油原子发射光谱分析、铁磁性颗粒含量（PQ）指数分析和理化性能指标检测，应用模糊综合评估方法，建立基于信息融合的轴承状态数学模型，实现了轴承状态综合评估，能够提高轴承管理维护的有效性。     

基于热弹性流体动压润滑的柴油机曲轴主轴承润滑特性分析

基于平均流量模型和Greenwood/Tripp微凸体接触理论,采用有限元法与多体动力学结合的方法,考虑柴油机曲轴主轴承轴颈和轴瓦表面粗糙度、曲轴和轴承座的变形及热效应等影响因素,建立某四缸四冲程柴油机曲轴实体模型和数学模型,分析了曲轴轴承间隙、供油压力和温度、油槽宽度等参数变化时的主轴承润滑特性,并对主轴承进行了优化.最终结果表明,四缸四冲程柴油机第二道和第四道主轴承润滑情况较差,通过增大油槽宽度、减小滑油压力、增大轴承间隙、增加粗糙度等手段可以保证柴油机主轴承最小油膜厚度增加,最大油膜压力减小,实现良好润滑。     

船舶主机主轴承温度数字化检测系统设计与实现

船舶主机(柴油机)主轴承的温升直接影响着主机的工作性能和运行安全,利用多个温度传感器组成传感器网络,结合单片机形成高精度温度采集检测系统,分布在船舶主机各主轴承监测点上,实现了对主机主轴承温度多点温度检测。这种检测系统精度高,抗干扰能力强,实时性好。本文针对主机的特点,构建主轴承温度测控系统,该系统可以对主轴承温度进行准确的自动监测和实时报警,为主轴承的工作状态提供使用管理依据。该系统在主机温度检测系统及其船舶机舱自动化方面具有广泛的应用价值,此项技术也可作为船舶机电设备故障监测的重要手段。     

Performance decay of stern bearing based on lubrication numerical model and state parameters北大核心CSCD

[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。     

龙溪口防护堤变形在线监控模型构建与优化

龙溪口库区防护堤的地质条件与运行环境复杂，如何利用原型监测数据实现其安全运行状态的在线监控是亟待解决的关键问题。针对传统监控模型在非线性特征的监测序列方面存在泛化性差、精度低等问题，基于长短时记忆神经网络(LSTM)算法，以水位、温度、时效为输入量，变形为输出量，构建防护堤LSTM在线变形监控模型。通过对比分析不同模型参数对精度的影响规律，揭示学习率>分块尺寸>最大迭代次数>隐藏层单元数的多参数敏感性规律，并提出相关参数的建议取值。工程应用表明，该模型精度高，适用性和稳定性强。     

汽轮发电机组半频振动的原因分析和处理

为解决汽轮发电机组出现的半频振动问题,针对汽轮机轴承开展不同轴承结构参数及形式的理论计算和试验验证,发现轴承并不是引发半频振动的直接因素。通过进一步开展试验,发现引发机组半频振动的主要原因是主油泵前后的浮动油封浮动不畅对汽轮机转子产生了附加力。经过综合分析可知,通过增加油封环室刚性和减少浮动油封摩擦力,能消除半频振动现象,保证机组的可靠运行。     

基于NeuralProphet-LSTM组合模型的港口货物吞吐量预测

为进一步提高货物吞吐量预测准确性,提出基于NeuralProphet时间序列模型与长短期记忆(LSTM)神经网络的组合预测模型。首先利用NeuralProphet模型对港口货物吞吐量数据进行训练得到预测值并计算残差序列,然后对残差数据建立LSTM神经网络模型进行预报修正,重构得到最终的预测值。以上海港、厦门港的月度货物吞吐量数据为样本展开试验,结果表明,该模型能够有效地解决数据异常波动造成的预测结果误差大、预测效果不稳定等问题;相比于传统单一模型与LSTM-支持向量机(SVM)、Bi-LSTM等组合模型,NeuralProphet-LSTM模型预测精度更高,可帮助港航企业及时调整规划决策与经营策略。     

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。     

基于物联网的船舶异常数据自动识别系统研究

物联网在船舶数据检测领域的应用日益广泛,基于物联网构建起船舶异常数据自动识别系统,可提升异常数据自动识别的性能指标,实现对船舶异常行为的实时监控。在船舶异常数据自动识别中,物联网技术是实现数据传输和共享的关键技术,并能够及时根据识别结果发出报警,以便于船舶快速做出防范决策,保证船舶航行的安全性。本文介绍了基于物联网的船舶异常数据自动识别系统在国内外的研究现状,提出运用主成分分析法和支持向量机算法构建船舶异常数据自动识别模型,并论述了异常数据自动识别系统的设计与实现。     

舰船柴油发电机组排烟管温度监测方法

传统发电机组温度监测方法,仅能对柴油发电机机械部分温度进行计算监测,无法对其排烟管温度进行相应的温度监测。为了避免柴油发电机组排烟管温度过高导致的发电机组异常以及存在的火灾隐患问题,结合发电机组温度监测算法与柴油机排烟管结构特点,提出舰船柴油发电机组排烟管温度监测方法。首先,对舰船柴油机发电机组排烟管相关参量进行系统性计算,获得烟量与温度之间的关联数据;然后,对柴油机发电过程中转子温度进行计算,得到热源基础数据。最后,通过柴油机组发电过程中转子产生热量与烟量之间的转换关系,计算得到精准的排烟管温度数据。通过实验数据的对比表明,提出的温度监测方法,具有稳定、精准监测柴油发电机排烟管温度的作用。     

基于数据驱动的舰船通信网络异常行为检测方法

为了提高对舰船通信网络异常识别能力,提出基于数据驱动的舰船通信网络异常行为检测方法。采用最短路径和最大覆盖范围寻优方法构建舰船通信网络的节点覆盖模型,通过最小间隔均衡技术对舰船通信网络的信道均衡控制,提取舰船通信网络的信道传输信息特征。对舰船通信网络的行为特征参数分析,结合谱分量融合和融合聚类处理方法,实现对舰船网络异常行为的数据驱动控制。根据数据驱动的图模型参数识别和异常谱特征聚类分析,实现对舰船通信网络异常行为检测。测试结果表明,该方法能够进行舰船通信网络异常行为检测处理,提高信道均衡性能