基于SVM模型算法和大数据分析技术的船舶设备故障诊断

为在船舶设备发生故障时能准确、及时地定位故障发生根源,保证船舶安全、经济运行,采用大数据分析方法和支持向量机(Support Vector Machine,SVM)模型算法对船舶设备进行故障诊断,提前预测可能发生的故障。以船舶柴油机滑油压力低故障为例,应用Python语言,通过SVM模型算法预测该故障的发生概率。结果表明,在已采集的船舶数据样本的训练集和测试集上,数据拟合和故障预测的效果十分理想,预测故障发生的准确率较高。

基于改进径向基神经网络的船舶设备故障诊断方法

针对目前船舶设备故障诊断方法存在适用性不广、准确度不高等问题,引入径向基神经网络船舶设备故障诊断方法。提出一种基于反向学习和自适应搜索策略结合的改进人工蜂群算法,通过反向学习策略进行蜜源初始化,提高初始解的质量,并在迭代过程中自适应调整搜索步长,提升原算法的收敛性能和局部寻优能力。将该算法与径向基神经网络的参数寻优相结合,构造性能良好的故障诊断分类器。实验结果表明,该方法有效提高了故障诊断的准确性和适用性,满足船舶设备故障诊断的实时性能要求。