基于模式识别的舰船机械电子设备故障自动监测

舰船机械电子设备故障数据量较为庞大,且模式复杂多样,为满足其复杂性的要求,提出基于模式识别的舰船机械电子设备故障自动监测方法,采集舰船机械电子设备运行中的温度、压力、振动等数据作为故障监测的原始数据,计算数据间的相似系数和欧氏距离,结合K均值算法实现数据聚类处理。通过小波包算法对聚类后的数据进行特征提取,将其输入到卷积神经网络中,通过对监测模型进行训练,最终实现对舰船机械电子设备故障自动监测。通过实验分析,该方法与相关人员进行监测的故障情况高度一致,在不同故障类型监测的时间均能够保持在5 ms以内,具有较高的监测效率和监测精准度。

基于图论的舰船机械设备虚拟拆卸仿真研究

文章将拆卸工艺文件中零部件的约束关系表示为有向图,利用图论的方法自动生成拆卸序列,最后在虚拟仿真平台EON上实现具有交互控制功能的虚拟拆卸全过程。并研制开发了具有通用性的舰船机械设备虚拟拆卸平台。

舰船机械设备备件保障决策分析——可靠性分析

针对典型的舰船机械设备系统,运用故障树分析等现代可靠性理论分析方法,结合系统设备的技术性能分析、非电产品的结构和故障特点以及运行管理实际情况,研究系统设备、部件的故障机理,故障模式和故障影响效应,明确导致设备、部件故障的原因及发生模式。应用FTAS故障树分析软件包对其进行了定性、定量分析,获得了以概率结构事件、最小割集等形式表达的系统设备、部件故障对系统故障的作用模式,并对系统故障概率随时间的变化进行了拟合检验及评价了系统可靠性,为确定在指定远航任务期(90天)内所需的备品备件决策提供依据。

舰船机械状态监测特征参数选取系统

设计舰船机械状态监测特征参数选取系统,提升舰船机械状态监测结果。系统通过数据采集终端内的传感器采集舰船电机的振动信号,经模数转换芯片转换该模拟信号为数字信号后输入数据采集卡,利用信号调理箱过滤数据采集卡传输数据过程中的电路谐波并转换电平,光纤通信模块通过CAD总线接收来自数据采集终端的舰船机械状态监测信息并将其输送至协议解析层,在该层解析、封装信息后输送至业务逻辑层,特征参数选取模块通过结合时序分析与主成分分析法的动态主成分分析法,提取数据处理后舰船机械状态监测信息的主成分,获取其特征参数,数据管理模块与数据库负责对舰船机械状态监测特征参数进行管理和存储,通过上位机实现与用户的交互。实验结果表明:该系统可精准采集舰船机械状态监测信息,具有较为优异的谐波过滤效果;可精准选取舰船电机中断、超速2种运行状态下的振动信号,可通过差异图形较好呈现舰船机械设备的电路电平变化情况。

基于智能减振器的舰船机械设备主动减振系统

复杂舰船机械设备采用常规舰船机械设备主动减振系统工作时,存在主动减振控制精度较低的问题,为此提出基于智能减振器的舰船机械设备主动减振系统设计。对主动减振系统的执行机构硬件与控制机构硬件进行设计,完成舰船机械设备主动减振系统的硬件设计;依托主动减振系统的控制算法对软件控制过程进行设计,实现舰船机械设备主动减振系统软件设计,实现基于智能减振器的舰船机械设备主动减振系统设计。试验数据表明,提出的主动减振系统较常规主动减振系统,主动减振控制精度提高26.54%,适合复杂舰船机械设备的主动减振。

舰船机械水下辐射噪声的预测

本文主要介绍了用SEA方法对舰船机械水下辐射噪声的预测,并通过对小型钢质船的预测计算和实测,证明用该方法进行预测是行之有效的。

对舰船机械装备实行针对性维修制度的思考

本文提出了一种新的舰船机械装备维修制度--针对性维修制度,对其主要内容、关键问题及其在舰船装备维修中的应用进行了探讨,并就现行舰船机械装备维修制度的改革提出建议.

原苏联舰船机械的研制与生产(下)

8.海水淡化 海水淡化方面除通常的利用柴油机废热的海水淡化装置已经标准化,并组织系列批量生产外,最近“无产者”工厂还组织了反渗透海水淡化装置的研制。该装置的基本参数及其与其它装置的比较见表12。

舰船机械振动源分离和识别方法的理论研究

舰船机械设备的振动是舰船辐射噪声的主要噪声源,通过对舰船辐射噪声和机械设备自噪声的识别可以确定辐射噪声产生的主要机械设备,为进一步识别舰船辐射噪声产生的原因,对舰船机械设备的振动源进行分离和识别具有实际的重要意义。在机械设备正常状态的振动源分离和识别的基础上,对于出现机械故障的设备依据识别的频率特征对机械设备进行故障诊断,为此,本文开展机械设备振动源分离和识别的分析方法研究,并对所研究的算法进行仿真验证。

基于频谱特征的舰船机械设备振动数据挖掘与故障定位研究

舰船机械设备工作温度高,振动频率较大,对舰船机械设备的故障检测难度较高,为了提高舰船机械设备的故障检测能力,提出一种基于频谱特征的舰船机械设备振动数据挖掘与故障定位方法。对舰船机械设备振动数据挖掘原理进行描述,构建机械设备振动输出信号模型,采用频谱特征提取方法进行舰船机械设备振动故障数据的关联特征提取和检测,对提取的故障频谱特征采用自适应模式识别方法进行数据分类处理,实现舰船机械设备振动数据自适应挖掘和准确分类,根据数据分类结果进行故障定位,提高了舰船故障数据挖掘和分类性能。仿真结果表明,采用该方法进行舰船机械设备振动数据挖掘和故障定位的准确性较高,抗干扰能力较强,提高故障检测和诊断能力。

舰船维护中机械潜在故障智能预测方法

舰船机械部件是一个非线性系统,舰船机械部件出现故障概率相当高,当前故障预测方法无法描述舰船机械部件故障的不确性,因此舰船机械部件故障预测精度低,为了提高舰船机械部件故障预测精度,克服当前舰船机械部件故障预测方法的缺陷,设计了一种舰船维护中机械潜在故障智能预测方法。首先提取描述舰船机械部件故障类别的特征信息,然后采用BP神经网络对舰船机械部件故障特征信息进行学习,确定相对应的舰船机械部件故障类别,并解决BP神经网络参数确定问题,最后与其他方法进行了对比实验。结果表明,本文方法的舰船机械部件故障预测精度超过95%,远远高于对比方法的舰船机械部件故障预测精度,改善了舰船机械部件故障诊断速度,具有十分广泛的应用前景。

基于粒子群优化算法的舰船故障点智能定位研究

为保障舰船安全航行,研究基于粒子群优化算法的舰船故障点智能定位方法。采集舰船机械设备运行过程中的振动信号,根据振动信号判断舰船机械设备运行工况是否正常。针对工况异常的振动信号,采用基于小波包理论,根据异常振动信号的多分辨率转换对其实施正交分解,并在此基础上提取特征向量;依照异常振动信号间自熵和互熵的相关性划分特征向量类别。将各类舰船设备振动信号特征向量作为BP神经网络的输入,利用粒子群优化算法全局搜索BP神经网络最优权值与阈值,并通过确定粒子反向适应度提升参数搜索效率,由此优化BP神经网络模型结构,完成舰船故障识别以及故障点智能定位目的。实验结果显示所研究方法在单一故障或多种故障并存条件下就能够准确定位机械设备故障点,同时准确识别机械设备故障,保障舰船安全航行。