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。     

复杂海洋环境船舶机械故障诊断算法分析

针对传统的船舶机械故障诊断算法精准度低的情况,对复杂海洋环境船舶机械故障诊断算法进行设计。为保证故障诊断准确性,对舰船机械设备数据进行采集,并采用模糊传递法对故障数据进行组合,设定阈值,将该值作为判定是否为故障数据的标准,在此基础上,采用神经网络算法,提取故障征兆,完成对复杂海洋环境船舶机械故障诊断。并设置仿真实验,实验结果表明此次设计的复杂海洋环境船舶机械故障诊断算法比传统算法准确性高,具有一定的实际应用意义。     

人工智能技术舰船航行自动控制研究

传统舰船航行自动控制功能主要通过算法对定义舰船轨迹数据与舰船航行数据综合分析计算,根据计算结果对PID自动控制器下达控制指令来完成自动控制操作。此种控制模式受到算法定义逻辑限制存在一定的控制误差,无法真正做到舰船航行的精准控制。为解决上述问题,提出人工智能技术的舰船航行自动控制研究。首先对舰船航行轨迹进行模型计算,接着对舰船PID控制数据进行模型计算。最后,通过人工智能技术对航向轨迹与PID控制数据进行关联计算,得到精准的舰船航行控制数据。通过对比实验对提出的控制方法与传统控制方法进行对比,数据证明提出方法的控制精准度高于传统自动控制系统。     

大数据驱动的舰船电子设备故障智能诊断研究

舰船电子设备故障诊断主要依靠故障分类器对故障特征的识别,因此分类器识别结果的准确性尤为重要。在分类器识别过程中,会存在部分未被滤除的噪声信号对其进行干扰,影响分类器识别结果,降低其诊断结果准确率。为了解决此类问题引入大数据驱动,提出大数据驱动的舰船电子设备故障智能诊断研究。依托大数据信息流,完成对故障特征的提取。采用数据特征免疫算法,对特征数据进行免疫计算,在免疫特征数据基础上完成对噪声数据的滤除计算。最后,对分类器识别特征量进行更新,实现分类器对故障目标的智能诊断。通过与传统诊断方法的10组差异化数据对比表明:提出的诊断方法,具有诊断结果稳定性好、适用性强、准确率高的特点。     

基于振动特征的舰船机械噪声监测模型

传统船舶机械噪声监测模型在实际应用中,存在特定噪声滤波信号阈值差异问题,导致监测模型整体对噪声监测自适应性降低,在一定程度上影响模型输出准确度。为了解决模型自适应性差的问题,提出振动特征的舰船机械噪声监测模型。首先,通过拟合计算方式,对机械噪声数据进行拟合计算,根据拟合结果,结合噪声产生的振动特征,建立噪声振动特征监测模型。最后,以模型数据为优化基础值,完成对噪声监测模型自适应阈值的优化,从而实现改善模型自适应能力,提升舰船机械噪声监测模型输出准确度的效果。通过多组实例数据的仿真调试对比,证明提出模型能够适应不同参量噪声数据的监测,且保证监测效果符合技术标准。     

数字信号处理器的舰船电子设备故障诊断

舰船电子设备故障与多种因素相关,使得舰船电子设备故障变化具有随机性,传统方法难以描述舰船电子设备故障的变化特点,诊断效果差。为了克服当前舰船电子设备故障诊断存在的不足,提出数字信号处理器的舰船电子设备故障诊断模型。首先采用数字信号处理器对舰船电子设备状态信号进行采集,同时去除信号中的一些噪声,然后从舰船电子设备信号中提取有效的特征,通过筛选最有效的舰船电子设备故障诊断特征进行建模,最后引入数据挖掘技术建立舰船电子设备故障诊断模型,并在相同环境下,与其他模型进行舰船电子设备故障诊断仿真模拟测试。结果表明,本文模型的舰船电子设备故障诊断误差要比对比模型更低,且减少了舰船电子设备故障诊断复杂度,诊断效率得到明显的提升。     

基于参数优化的舰船电动机故障诊断

相关向量机在舰船电动机故障诊断过程中,参数直接影响舰船电动机故障诊断结果,为了解决当前相关向量机参数优化难题,设计了粒子群算法优化相关向量机的舰船电动机故障诊断方法。首先分析舰船电动机故障诊断现状,并采集舰船电动机工作状态信号,然后提取舰船电动机工作状态信号提取特征,利用相关向量机建立舰船电动机故障诊断模型,并采用粒子群算法对舰船电动机故障诊断模型参数进行优化,最后进行舰船电动机故障诊断仿真实验。结果表明,相对于其他舰船电动机故障诊断方法,本文方法的舰船电动机故障诊断精度更高,故障诊断结果更加可靠,诊断效率更高,具有一定的工程应用前景。     

舰船逆变器的故障诊断

逆变器对舰船正常工作起着非常重要的作用,当前舰船逆变器故障诊断方法存在训练时间长、诊断精度低等问题。为了获得更加理想的舰船逆变器故障诊断结果,提出基于混沌粒子群算法和极限学习机的舰船逆变器故障诊断方法。首先对舰船逆变器故障诊断研究进展进行分析,找到当前影响舰船逆变器故障诊断的影响因素,然后采用极限学习机对舰船逆变器故障诊断进行建模,并采用混沌粒子群算法对极限学习机参数进行优化,确定最优的舰船逆变器故障诊断模型,最后与其他舰船逆变器故障诊断方法进行对比测试。结果表明,本文方法能够有效提高舰船逆变器故障诊断速度和诊断的精度高,可以准确实现舰船逆变器故障诊断。     

基于振动信号的舰船发动机故障诊断

传统舰船发动机故障诊断方法诊断时,需要对舰船发动机进行一定程度上的拆卸,无法完成零拆卸的故障检测,为此提出基于振动信号的舰船发动机故障诊断方法。使用不同波段振动信号作为检测探伤手段,采集多频段的振动信号,分析信号携带的诊断信息,完成舰船发动机故障诊断模型构建;计算振动信号非线性鲁棒值,锁定故障位置,通过编程分析,实现舰船发动机故障诊断。试验结果表明,设计的故障诊断方法比传统方法诊断定位准确率高2%,说明设计的诊断方法具备极高的有效性。     

支持向量机的舰船发动机故障诊断

发动机故障诊断是舰船领域的一项关键研究内容,舰船发动机故障与多种因素相关,而且故障类型很多,针对传统舰船发动机故障诊断模型存在的局限性,设计基于支持向量机的舰船发动机故障模型。首先采集舰船发动机工作状态信号,并从工作信号中提取舰船发动机工作状态特征;然后对舰船发动机工作状态特征进行降维处理,并采用支持向量机构建舰船发动机故障诊断的多分类器;最后采用仿真模拟实验测试了本文舰船发动机故障诊断模型的性能,支持向量机可以准确识别各种舰船发动机故障,舰船发动机故障诊断性能要优于传统舰船发动机故障诊断模型,而且诊断效率可以满足舰船发动机故障在线诊断要求。     

舰船交直流混合电力系统能量优化调度方法

海洋开发和船舶电网电力系统的不断发展,使电力系统调度系统所需要处理的工作数据越来越复杂,整体调度速率已经难以满足船舶电网系统需求。对此设计舰船交直流混合电力系统能量优化调度方法,首先基于MAPReduce计算模型,搭建云平台计算结构,对舰船交直流电力系统数据进行分布式计算和节点通信;基于搭建的云平带计算结构,设计舰船混合电力系统能量优化调度算法,采用十进制资源对应编码,实现电力系统能量优化调度。仿真实验证明,相比较传统电力调度方法,优化后的调度算法交流电调度速率提高27.5%,直流电调度速率提高17.5%,可以明显提高电力系统能量调度速率。     

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。     

基于图论的舰船水消防系统故障诊断顺序确定方法

快速地准确诊断出舰船水消防系统的故障,可以显著改善舰船损管水平,提出了一种图论与经验公式相结合的方法,将故障抢修时间为准则的经验公式值作为诊断路径中弧的权值,运用"反向追踪"算法计算从故障现象到具体可修理的故障部件的最短路径,以确定水消防系统的故障诊断顺序。实验数据表明:该方法不仅综合权重各潜在故障对水消防系统的重要性,所确定的故障诊断顺序与损管的经验做法相符。     

利用虚拟现实技术的舰船图像优化

传统舰船优化算法仅能对图像二维层面进行通道增强,在三维结构层面上无法实现图像的构成像素关系的分析优化,从而出现优化后的图像结构关系不够清晰、细节特征模糊的问题。基于上述图像三维层出现的问题。引入虚拟现实技术,提出虚拟现实技术的舰船图像优化研究。利用虚拟现实技术,在图像的虚拟三维空间,提取图像三维结构特征;通过三维虚拟增强算法,对特征量进行结构变换增强优化。最后通过虚拟重构算法,对优化后的图像特征量进行图像结构重构,从而实现优化图像结构细节的效果。通过与传统图像优化算法的优化效果对比表明:提出的优化方法,在多处图像结构细节优化上,做出精准处理,处理效果符合实际应用要求,且优于传统图像处理效果,更适合舰船图像的精度化处理。     

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。     

NSGA-Ⅱ算法在舰船电网故障恢复中的应用

现代大型舰船的电力系统规模越来越大,促进了舰船的自动化、电气化水平,同时也对电力系统安全性、稳定性提出了更高的要求。舰船电力系统的故障恢复是指当舰船电网某一环节出现故障时,电力系统可以根据电网结构,快速重构配电网络(包括定位故障区域、隔离故障区域等),保证舰船多数用电设备的供电需求。本研究针对舰船配电网络的故障恢复问题,利用遗传算法和NAGA-Ⅱ算法,确定了舰船电网故障恢复的优化函数,并对电网故障恢复的效果进行仿真实验。     

基于贝叶斯网络的舰船故障建模方法研究

舰船故障建模是进行故障诊断的主要技术,舰船故障的种类多,变化复杂,兼具有随机性和规律性,当前舰船故障诊断的建模方法无法描述其变化特点,使得舰船故障诊断结果不理想。为了改善舰船故障诊断效果,设计了基于贝叶斯网络的舰船故障建模方法。首先对舰船故障诊断的工作原理进行分析,指出当前舰船故障诊断方法出现缺陷的影响因素,然后采用贝叶斯网络对舰船故障诊断过程进行模拟和建模,最后采用仿真实验与其他舰船故障诊断模型的结果进行对比。结果表明,贝叶斯网络的舰船故障诊断正确率更高,可以更好反映舰船故障诊断随着时间改变的变化趋势,避免了出现故障诊断错误率高的难题,具有广泛的应用前景。     

人工智能算法的船舶电网继电保护整定研究

传统船舶电网继电保护整定算法,存在电路整定相关参量定义模糊的问题。在对群居电路参量整定过程中,无法有效识别电路故障代码字串语义,导致整体电路整定出现误差,无法有效保护电路完全。因此,提出人工智能算法的船舶电网继电保护整定方法。根据继电保护整定逻辑特征,引入人工智能算法对其过程进行优化。建立继电电路的电流保护整定模型,根据模型参量特征,对整定参量进行语句的人工智能识别定义。最后,完成电路整定参量与识别量的整合,实现继电保护参量的智能化高精度识别。通过与传统继电保护整定算法对比测试,采用提出算法的继电保护整定准确率均能到达95%以上     

基于灰色预测模型的舰船动力系统故障检测算法

传统舰船动力系统故障检测算法无法准确对双键合故障要素构成的故障进行准确计算,导致算法对故障检测的精准度降低。针对此问题,提出基于灰色预测模型的舰船动力系统故障检测算法。提出算法中包含舰船动力系统故障灰色预测模型的建立与模型下的双键合故障要素条件的评估判定计算两部分;通过对舰船动力系统故障范围的模型量化,缩小干扰故障检测因素的范围,再通过双键合要素评估计算,准确锁定故障位置完成设计。最后,对传统与提出算法的检出率进行仿真测试,得出所提方法的故障检出率较高,证明提出算法的有效性。     

基于关联规则的舰船故障数据定位挖掘算法

为了提高舰船故障检测能力,需要进行舰船故障数据的实时挖掘和分类分析,提出一种基于关联规则的舰船故障数据的定位挖掘方法。采用电磁探测器、水声换能器、声呐装置、声学传感器等设备进行不同工况下舰船数据采集,包括舰船辐射噪声、机械振动等数据,对采集的数据进行高维特征融合处理,提取舰船故障数据的关联规则特征量,对提取的特征量采用K均值算法进行聚类分析,并通过BP神经网络分类器实现舰船故障数据的分类识别,实现舰船故障数据定位挖掘。仿真结果表明,采用该方法进行舰船故障数据挖掘的准确性较好,对故障的定位能力较强,提高了舰船实时故障诊断能力。