基于Hadoop的船舶轴承健康状态监测系统设计

综合利用Hadoop的分布式计算、负载均载均衡能力好、易于扩展、适合海量数据存储等特点,开展大数据环境下船舶轴承状态监测系统研究。通过分析监测系统的技术需求,提出船舶轴承健康状态监测系统总体框架;从功能设计、业务流程等方面进行系统设计。在此基础上,研制了船舶轴承健康状态监测系统,并开展案例验证。研究结果表明,提出的船舶轴承健康状态监测系统适用于大数据环境下的海量监测数据分布式存储和分析。

任务驱动的复杂装备可靠性与维修性仿真方法研究

针对传统的经验分析法和数学解析法等应用于复杂装备可靠性与维修性分析时遇到的建模困难、计算精度差等问题,从复杂装备任务与结构分析入手,建立了装备的任务模型、结构配置模型以及任务与装备关联模型,提出了一种基于线性同余发生器的复杂装备可靠性与维修性仿真算法,并设计了相应的仿真流程。在此基础上,开发了复杂装备可靠性与维修性仿真原型系统。最后,进行了实例分析,并与主流的商业化软件进行了对比分析。分析结果显示:所提出的方法能够对复杂装备的可靠性与维修性进行仿真计算,具有较好的准确性和收敛性。

基于边缘计算的船舶轴系智能监测技术

提出了一种基于边缘计算的船舶轴系智能监测技术。运用传感器网络实时采集船舶轴系关键部位的状态数据,经边缘计算,实现对船舶轴系的状态监测与寿命预测;依托云计算和人工智能算法,实现诊断模型的迭代训练与更新,并下发至边缘层。该技术能够快速准确地感知船舶轴系的异常状态,减少运维成本,保障船舶轴系长时间安全稳定运行。

基于收缩自注意关系网络的机械装备故障智能检测与定位方法

故障检测与定位是保障机械装备长寿命高可靠安全运行的核心技术.机械装备上安置有众多的传感器,可获取海量运行状态数据,推动机械装备故障检测与定位迈入大数据时代.现有工业大数据驱动的装备故障检测与定位方法一般依赖于足够多的故障样本才能训练出高精度的故障检测模型.然而,实际工程中机械装备故障样本通常难以获取甚至没有,这严重限制了故障检测与定位方法的工程适用性.为了克服上述局限性,本文提出一种无故障样本下基于收缩自注意力关系网络(shrinkage transformer relation network,STRN)的机械装备故障检测与定位方法.首先,构建残差收缩网络,消除隐藏在输入信号中的干扰特征,并提取具有代表性的特征.然后,通过建立样本对揭示健康状态和其他状态之间的关系.最后,构建Transformer关系网络,评估样本对间的相似关系,以确定他们的状态类型.此外,建立辅助样本库协助STRN提取出机械装备的更具有代表性的健康特征.通过搭建船舶推进轴系实验台验证了STRN方法的有效性.实验结果表明,无论在单一或复合故障模式下STRN都能精准检测与定位出轴系故障位置,且具有很强抗噪声性能;与现有方法相比检测精度至少高出25%.