燃油供给系统的神经网络故障诊断算法研究

燃油供给系统是船舶的重要组成部分,也是保障船舶动力系统高效、安全运行的关键,它的作用是把符合使用要求的燃油输送到动力系统的高压油泵入口,为船舶柴油动力系统提供燃料。由于燃油供给系统含有大量的阀类元件和密封元件,且原油含有较多的杂质,因此,燃油供给系统常常会发生阀类元件阻塞等故障。本文针对燃油供给系统的结构原理和故障类型,基于BP神经网络算法提出一种燃油供给系统的故障诊断技术,并介绍了该故障诊断技术的流程。     

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。     

船舶柴油机机械磨损故障诊断方法

柴油机是船舶运行最重要的动力装置之一,经过长年累月的运转,磨损故障经常发生,影响船舶的正常行驶。针对上述问题,提出一种神经网络机械磨损故障诊断方法。设计了与之相适应的BP网络结构,在此基础上建立了一个BP神经网络模型,并给出了一种BP神经网络学习算法,用来调整网络学习速率。柴油机机械磨损故障诊断实例结果表明:利用BP神经网络诊断出船舶柴油机磨损故障与实际诊断结果一致,准确率高达80%以上。     

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。     

基于粒子群算法的船舶定位系统故障优化

船舶的锚泊方式只适合在浅水区进行定位,随着人类探测和航运活动逐渐向着深海拓展,适用于深海的船舶动力定位方式被开发和应用起来。本文研究的主要内容是船舶定位系统的故障诊断和优化,本文首先介绍了一种新型寻优算法-粒子群优化算法的原理和基本流程,然后针对船舶动力系统的结构及常见的故障类型,建立了动力定位系统的故障优化模型,并开发了基于粒子群算法的船舶定位系统故障优化策略,对改善船舶动力系统的故障诊断与优化有重要的价值。     

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。     

基于CAWOA-BP的船舶凝给水系统故障诊断

为克服传统专家经验在故障诊断方面的不足,实现船舶凝给水系统的智能诊断,在标准BP神经网络基础上提出一种优化后的CAWOA-BP故障诊断模型。采用混沌映射以及自适应权重调整策略优化WOA鲸鱼算法,利用优化后的WOA鲸鱼算法改进BP神经网络的权值及阈值矩阵。由于船舶凝给水系统的状态监测数据是复杂多维度数据,利用UMAP降维算法对原始数据进行降维。最后,利用降维处理后的数据训练CAWOA-BP神经网络模型,实现故障诊断。通过对正常及故障数据的学习,发现优化后的CAWOA-BP模型相比于标准BP,WOA-BP,PSO-BP故障诊断模型具有更高的准确率、精确率、召回率及预测误差。研究表明,基于优化后的CAWOA-BP神经网络故障诊断方法能够更加精确实现船舶凝给水系统的故障诊断。     

船舶动力系统的优化配置方法研究

在现代船舶工业中,船舶动力系统作为最复杂也是最重要的一个系统,受到广泛研究。由于整个动力系统涉及到机械、电子和通信控制等领域的技术,其设计和优化也变得非常棘手。本文在对船舶动力系统的工作原理和结构深入分析的基础上,提出一种基于神经网络算法的配置优化模型。该模型能够对船舶动力系统的架构设计和配置需求作有效的预测,并从动力输出和控制能力2个方面对船舶的动力系统做了优化仿真,从仿真结果看,本优化配置方法具有一定的应用价值。     

神经网络在船用柴油机性能诊断中的应用

现代海洋船舶的动力系统主要利用柴油发动机,其故障检测手段及修复一直是船舶动力系统重要研究方向。传统的柴油性能及故障检测一般由工作人的经验进行初始判断,利用检测工具进行定位,而人为因素可靠性及效率较低,已不能满足现代航运业的发展。随着现代计算科学及传感信息技术的发展,自动化的船用柴油故障检测系统成为重要的发展方向。本文研究自适应神经网络,将其应用到柴油机故障诊断中,有效提高诊断的准确性及实效性。     

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。     

神经网络专家系统在船舶控制系统故障诊断的应用

首先阐述神经网络技术和专家系统2种算法优劣之处,然后将2种算法相结合应用到船舶控制系统故障诊断中,结合后的算法具有较好的自学习和并行计算能力。在进行算法的详细描述中,介绍神经网络专家系统的基本结构,并对其在船舶控制故障诊断中的框架进行设计,针对具体的实际应用建立知识库。最后利用训练数据进行仿真实验,实验结果表明本文采用的神经网络专家系统在故障诊断方面具有可行性。     

基于大数据的船舶动力系统的优化研究

计算机技术与自动化技术不断进步,船舶工业的自动化、信息化水平不断提高,不仅提高了船舶工业的制造水平,也为船舶的日常维护和故障诊断等方面提供了高效的工具。动力系统作为船舶的心脏,包括主机、传动装置、主轴、变速装置和螺旋桨等部件,具有结构复杂、零部件多等特点,船舶动力系统的运行和维护一直是船舶工业的重点。本文结合传统的船舶动力系统监测装置,充分利用大数据技术,对船舶动力系统的监测和故障诊断等内容进行深入研究。     

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。     

基于小波神经网络的船舶动力系统故障预测方法研究

船舶动力系统是船舶的心脏,其性能的优劣对船舶的安全航行至关重要,研究船舶动力系统故障预测的方法对保障动力系统安全运行具有重要意义。本文采用小波神经网络针对船舶动力系统的性能参数进行预测,选取柴油机动力系统的油管压力作为预测对象,试验结果表明小波神经网络预测的结果符合预期值。     

遗传算法和神经网络在船舶柴油机故障诊断中的应用

为提高船舶柴油机故障诊断的精度,以及改善神经网络收敛速度慢,易陷入局部最优解的情况。提出一种基于改进遗传算法和RBF神经网络相结合的智能诊断方法,并将其应用于船舶柴油机故障诊断中,改进的方法优化了神经网络的隐节点、宽度参数以及中心向量,用最小二乘法训练网络隐层到输出层的权值。最后在Matlab仿真软件下,对船舶柴油机故障诊断模型进行仿真实验。实验证明,自适应遗传算法优化的RBF神经网络,诊断速度快,诊断精度高,收敛效果好,能较好地应用在船舶柴油机的状态监测和故障诊断中。     

蚁群神经网络在船舶发电机故障诊断中的应用

发电机作为船舶关键部件之一,其运行状况关系船舶整机状态。随着技术的不断发展,船舶发电机结构更为复杂,同时其所发生的故障更为复杂和致命,因此研究高效可行的船舶发电机故障诊断技术已成为各研发机构的重要课题。本文通过分析算法模型建立了一种基于蚁群算法的人工神经网络,以发电机转子偏心问题为实例,在Matlab中应用该技术进行训练和故障诊断,并与BP算法进行比较。结果表明,蚁群算法训练速度快、精度高,是一种可靠的故障诊断方法。     

船舶齿轮箱故障诊断及失效预报方法研究

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。     

船舶主动力装置故障诊断系统设计与实现

船舶主动力装置的故障诊断对船舶的安全运行具有重大意义.目前的研究集中于使用人工智能、模式识别等进行故障诊断算法的设计和仿真,而缺乏把故障诊断作为与船舶其他系统有机结合的一个系统来研究.为此,设计了基于船舶网络平台的诊断系统,把来源于平台的基础数据进行格式转换,采用神经网络诊断,并以直观的形式实时显示训练过程,包括网络输出的动态曲线和权值阈值的网格表示,并以文字的形式给出明确的诊断结果.利用此系统,可以充分发挥网络平台的优势,对装置故障进行有效诊断和预测,为船舶管理提供辅助决策.     

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。     

EMD技术在机械震动故障中的诊断方法

齿轮箱是船舶机械动力系统的核心装置,连接着动力系统各精密零部件,在船舶的整个航行中起着动力枢纽作用,对它的故障诊断的效率及准确性关系着航行的效率,也船舶系统工程重要研究方向。传统的故障诊断依靠测量设备对振动点进行大量测量,随后通过时域信号分析,其测量工作繁重且信号分析复杂度较大,已越来越不能适应现代故障检测要求。本文利用EMD技术对机械振动中的故障进行检测,对振动信号降噪利用小波变换进行处理,有效提高了诊断效率及精确度。