数字孪生技术在轮机故障诊断课程中的应用研究

随着数字孪生技术的不断发展,其在教育教学领域也有了不少的运用案例。为了适应轮机工程专业在新工科建设背景下的人才培养理念,将前沿的科技引入教学改革,进行基于数字孪生技术的轮机故障诊断课程教学改革探索。轮机故障诊断课程涉及的理论复杂且抽象,往往难以达到良好的教学效果。而融入数字孪生技术对该课程进行教学改革,可以有效深化学生对课程的认知及其对专业知识点的理解。课程教学改革中,对涉及的关键轮机设备进行数字孪生平台建设,以五大类常见轮机设备故障进行仿真建模,并融合机理进行分析,以实现三维直观展示,降低学生对课程的理解难度。该课程改革符合轮机工程专业的人才培养理念,可为该专业工程实践教学改革提供一种新的思路。

基于免疫克隆与模糊聚类的汽轮机故障诊断方法的研究

提出了一种免疫克隆选择算法与模糊C-均值聚类算法相结合的混合聚类算法,是一种有监督学习和无监督学习结合的算法。该算法首先用克隆选择算法对模糊聚类中心的选取进行指导,然后进行聚类。仿真结果表明,将该算法用于汽轮机的故障诊断,能够正确地诊断出存在的故障,提高了故障诊断的准确性和有效性,其性能优于模糊C-均值聚类的故障诊断方法。

改进D-S算法在船舶汽轮机故障诊断中的应用研究

针对汽轮机组的故障特征,将多个传感器获得的实时信号进行特征提取,对D-S证据理论在应用中不合理处进行改进。应用比较的结果表明,改进后的算法公式可信度明显提高,不确定性大大降低。

省级研究生教育优质课程《轮机故障诊断技术》建设与实践

为探索省级研究生优质课程建设,提高其对研究生教育培养的支撑度,以《轮机故障诊断技术》课程为例,针对教学内容、教学模式方法、教学资源、考核方式等方面进行了建设与实践。经问卷调查:21级研究生对课程学习的积极性明显提升,课程对研究生教育培养的支撑度得到进一步提升,助力保障了研究生培养的质量。课程建设思路可为工科类方向研究生或其他省级研究生优质课程建设提供借鉴。

基于信息融合技术的船舶汽轮机故障诊断和预测的研究

汽轮机是船舶电力系统的重要组成部件,其系统运转的好坏关系到船舶航行的顺利进行,对船舶汽轮机故障诊断及预测是保障其良好运行的前提。传统的汽轮机故障诊断是对不同类型数据源进行单维度网络分析,随着设备复杂度的增加,故障诊断及预测的准确性与实效性已经越来越不能满足现代船舶故障诊断系统的要求。本文对汽轮机的故障采集数据进行多维度融合,建立集成神经网络的船舶汽轮机故障诊断及预测模型,最后进行仿真。

基于高斯混合模型的汽轮机振动故障诊断

采用高斯混合模型(GMM)与小波包分析相结合的方法,对汽轮机振动故障进行了诊断研究。首先对振动故障信号进行小波包分解,去除干扰信号,提取包含故障特征信息的频段作为故障特征矢量。以此特征矢量建立GMM,并用建立的模型识别各种故障。利用在Bently实验台上测得的实验数据进行建模及故障识别。计算结果中,当模数M=12时,GMM识别故障的正确率约80%～90%,表明GMM结合小波包分析进行汽轮机振动故障诊断的方法能取得较好的效果。

粗糙集—遗传算法在水轮发电机组故障诊断中的应用

针对水轮机组状态监测在运行过程中产生的大量数据,采用粗糙集—遗传算法的方法进行判断分类,进一步的分析数据中判别机组的运行状态,分析故障产生的原因,找到故障发生的部位的。实例分析表明,粗糙集—遗传算法的方法进行水轮机组的故障诊断,在原有的水轮机组故障信息进行属性约简,可以获得较好的诊断。该方法可以在水轮机组故障诊断中得到应用。