使用数据挖掘实现舰船故障数据定位

为了更好地保障船舶航行安全,有效提高船舶的故障定位和检测能力,提出了使用数据挖掘实现舰船故障数据定位方法,通过对舰船故障数据进行实时采集和分类挖掘获取船舶航行过程中的异常数据,实现对船舶故障数据关联规则特征的准确提取。在进行故障定位的过程中,合理并利用电磁探测器和声敏传感器等设备进行故障诊断,并对不同类别船舶故障数据的高维特征融合的研究采用数据挖掘分析算法,利用数据挖掘分类器对船舶故障数据进行分类识别和定位挖掘,从而有效保障船舶故障数据定位的精确度和有效性。最后通过实验结果表明,使用数据挖掘实现舰船故障数据定位方法具有较高的故障定位精度。可以应用于船舶故障实时诊断,有效提高船舶故障诊断的实时性。     

风机的检修与维护

风机作为工农业中常用的气体压缩和输送机械,如何更为经济、有效、可靠地对其进行维护与检修一直是行业研究的重点,而对其进行状态监测和故障诊断,及时发现故障,从而制定基于状态的预防性的检修与维护具有重要意义.本文在总结风机常见故障及其排除方法后,对风机的常用检修与维护方法进行了阐述,接着状态监测和故障诊断在风机领域的研究现状...     

基于小波能量谱分析与SVM的柴油机气阀间隙异常故障诊断

船舶动力设备因故障监测信号样本少、变化缓慢、数据特征呈非线性,使得设备故障模式的准确识别和状态预测比较难。尤其是柴油机气阀间隙异常的故障诊断,由于柴油机气阀间隙振动信号噪声多,利用SVM对柴油机气阀间隙进行预测时需要进行特征提取。鉴于此,研究了基于小波能量谱分析的SVM柴油机气阀间隙的故障诊断方法,结果表明上述模型具有较高的识别率,能准确预测船舶动力设备当前状态。     

基于数据驱动的船用冷藏集装箱智能故障诊断方法研究

采用数据驱动方法,避开船用冷藏集装箱复杂的控制策略,建立系统或部件模型用于智能故障诊断。根据正常运行状态的实验数据"训练"冷凝器模型,利用该模型预测冷凝器的运行状态,并与实际的故障数据进行比较。结果表明,数据驱动模型具有较高的预测精度,能够分辨故障状态,实现智能故障报警。     

基于数据驱动的船用冷藏集装箱智能故障诊方法研究

采用数据驱动方法,避开船用冷藏集装箱复杂的控制策略,建立系统或部件模型用于智能故障诊断。根据正常运行状态的实验数据“训练”冷凝器模型,利用该模型预测冷凝器的运行状态,并与实际的故障数据进行比较。结果表明,数据驱动模型具有较高的预测精度,能够分辨故障状态,实现智能故障报警。     

基于随机森林和支持向量机的船舶柴油机故障诊断

针对船舶低速二冲程柴油机故障的分析问题,提出基于随机森林和支持向量机的船舶柴油机故障诊断方法。对船舶低速二冲程柴油机MAN BW 6S50MC-C建立故障仿真模型并验证其有效性;在此基础上,通过故障仿真模型生成故障样本。运用基于随机森林的VarSelRF特征选择算法对故障数据进行降维,提出运用支持向量机对降维后的故障数据进行分类的方法。通过仿真试验验证并分析该方法的有效性。     

船用柴油机故障诊断多信息融合技术研究

为了解决船用柴油机故障诊断中基于单传感器信息的方法诊断精度低的缺点,应用神经网络原理,提出了一种基于气缸压力,缸盖振动信号和燃油压力等多传感器信息融合的喷油器故障诊断新方法。通过提取船用柴油机工作过程故障三种信号的八个特征值,按正常和五种故障状态的构造学习样本文集和检验样本文集,对输入进行归一化处理,该方法能有效地提高其故障诊断精度。     

多参量状态下舰船网络异常故障智能诊断方法分析

为了解决船舶网络数据交互压力成倍增长,网络故障特点已由单纯的单要素故障转变为多因素故障的问题。提出多参量状态下舰船网络异常故障智能诊断方法分析。对网络环境的全局变量进行收集,获取多参量状态,根据获取的多参量状态数据,建立多参量网络健康评估模型,定义对参量下故障识别的学习状态,确定网络故障点,通过数据提取算法完成对故障点的提取,完成故障的智能诊断。通过实验数据表明:相同时间量与故障量下,采用设计方法的故障诊断效果,要比传统诊断方法多诊断出故障21处,提升效果明显。     

一种应用机理模型和SOM神经网络的液体火箭推进系统实时故障诊断方法

为了解决液体火箭推进系统实时故障诊断的问题,提出了一种应用故障机理模型和SOM（Self-organizingMapping）神经网络的实时故障诊断方法。其基本过程是先建立所研究对象的故障机理模型,通过计算机仿的办法获得液体火箭推进系统可能的故障模式及故障数据库,然后利用SOM神经网络的自组织特征映射功能建立非线性的故障模式识别器,完成对系统的实时故障诊断。从而解决了单纯依靠故障机理模型进行诊断时所遇到的实时性问题和单纯依靠SOM神经网络诊断时所遇到的故障样本获取问题。本文给出的故障诊断结果表明所提出的方法是有效的。     

基于数据挖掘的船舶主机故障远程诊断系统设计

如果船舶的主发动机不能正常的工作,船舶的安全航行就难以保证。传统的故障诊断系统主要依靠船员的经验来分析每台设备的参数并推断出故障的类型。该方法精度低,成本高,无实时性。为解决这一问题,基于数据挖掘技术设计了一种新型船用柴油机故障诊断优化系统。本文将数据挖掘技术应用故障诊断,利用算法上的高效,包括VSM算法和关联规则,建立远程船舶主机故障诊断系统,对主机的运营进行实时动态的仿真。对发动机各子系统运行状态的实时监控可以与整个船用柴油机的故障特征相结合。     

基于灰色综合关联理论的电力系统故障诊断方法

为提高电力系统故障诊断的准确性,采用基于灰色综合关联理论的电力系统故障诊断方法,首先建立包括保护、断路器拒动情况下元件-（保护-断路器）分层逻辑关联规则;在识别出故障区域的基础上,将故障信息按逻辑关联规则进行分类,利用灰色综合关联理论对告警信息与标准告警信息进行对比,并运用相似度算法筛选判断结果中的矛盾项,最终得出故障诊断结果,识别出保护和断路器拒动、误动的情况,并将告警信息纠错和复原.     

基于嵌入式技术的船舶故障诊断控制器设计

船舶故障诊断是船舶运输航行的重要技术支持,为了有效提高船舶故障诊断效果,基于嵌入式技术设计新型船舶故障诊断控制器。该控制器从故障异常数据入手,首先建立故障训练样本,用于表示船舶正常航行以及多类型故障时的数据标数,根据训练样本,提取当前故障信号诊断特征,并利用最小二乘法对上述建立的训练样本数据进行直接限制,完成诊断特征分类,将分类后的数据进行信号去噪,消除无用数据,确定信号标度因子值,通过数据清洗,重新划分定位故障数据,实现故障诊断。实验数据表明,应用该故障诊断控制器,故障诊断率提高了22%,故障误判率降低了30%,有效提高船舶故障诊断控制效果。     

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。     

基于分形关联维数的水位调节器故障诊断方法

将分形关联维致应用到舰用主冷凝器水位调节系统的故障诊断中,在实验中设置了正常工作状态和故障状态,通过数据采集面板采集了每种状态下的压力信号,对在所采集的信号进行小波包分解消噪的基础上,计算各压力信号的关联维数.实验结果分析表明,故障压力信号的关联维数高于正常信号的关联维数,可以作为故障发生与否的定量判据.     

基于故障树的主机遥控系统故障推理和分析

文中以MAN B&W12K90MC-C型主机气动操纵模拟系统为研究对象,介绍了主机遥控系统的组成和功能。通过分析故障诊断的推理机、专家系统和故障诊断匹配方法的机理,将船舶主机气动操纵系统故障进行合理分类,建立故障集合表,进一步分析故障的关联,最终建立主机遥控系统的故障树。     

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。     

基于数字孪生的舰船上层建筑运维系统

以降低舰船运行故障为目的,设计基于数字孪生的舰船上层建筑运维系统。该系统利用数据采集层内传感器数据采集模块采集舰船上层建筑设备基本数据和运行数据,得到舰船上层建筑设备中控数据,通过报文解析后,将其存储到MySQL数据库内;数字孪生层通过调取MySQL数据库舰船上层建筑设备中控数据,构建数字孪生体后,利用其模拟舰船上层建筑设备生产和同步虚拟运行后,得到舰船上层建筑设备实时虚拟运行数据,并将其传输到业务逻辑层内;业务逻辑层对实时虚拟运行数据进行预处理后,通过映射驱动将其传输到故障诊断模块内,该模块使用基于规则变量分析的舰船上层建筑故障诊断方法得到舰船上层建筑设备实时运行故障状态,并将故障状态信息传输到展示层内;展示层利用基础管理、数据统计和检测维保等功能实现舰船上层建筑运维。实验表明,该系统运行较为稳定,可精准诊断舰船上层建筑设备故障诊断,并为用户提供设备运维视情优先级。     

基于自编码器的船用柴油机故障诊断

为了提升船舶柴油机故障诊断的泛化能力,引入深度神经网络,文章提出了一种基于自编码器（AE）的船舶柴油机故障诊断方法。通过GT-SUITE船用柴油机故障仿真实验,对数据样本进行分析,结果表明AE在训练集和测试集的故障识别率分别为98.67%和98.33%,优于支持向量机（SVM）和BP神经网络,更适用于船用柴油机的故障诊断。     

灰色关联分析法在船舶柴油机故障诊断中的应用

由于全球船运行业的快速发展,船舶航程也越来越长,面对的各种海洋环境也日益复杂。柴油机作为船舶动力的主要来源,其工作状态对船舶的航行安全起到非常重要的作用。灰色关联分析算法可以有效检测柴油机故障诊断中的各项参数,可以分别设定参数的量纲和类型,并依据传感器提取的柴油机参数,建立灰色系统中指标参数的特征库,最后依靠特有的关联算法在各种故障因素之间建立对应的动态联系。本文分析船舶柴油机组的故障类型,并在此基础上应用灰色关联分析法建立故障诊断模型,有效改善故障识别的准确率。     

船用离心泵故障SOM网络诊断方法

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.