传感器组故障自诊断自修正方法

提出用RBF神经网络对传感器组中的各个输出进行预测,若预测值与输出值发生较大的偏差,可能是传感器故障或设备故障,运用传感器之间的冗余率,进一步判断传感器是否发生故障,进而采用对应的诊断策略。     

基于人工神经网络的故障诊断技术在船舶导航系统中的应用

应用对向传播神经网络对船舶导航系统的测姿故障进行检测与诊断，得到了较为满意的结果。研究表明，该网络结构简单，学习速度快，适应性广，可以对船舶导航系统的传感器故障进行检测与诊断。     

具有参数乘性摄动系统的鲁棒完整性研究

针对[0,σ]（σ≥）故障模型，讨论了具数乘性摄动的系统存在执行器故障、传感器故障及执行器和传感器同时发生故障时具有鲁棒完整性的必要条件和充分条件，并应用H∞控制理论，给出了鲁棒容错输出反馈控制器的设计方法。     

复杂结构船舶配电系统故障恢复算法

利用遗传算法、支持向量机以及神经网络等传统算法对船舶配电系统故障进行诊断,误诊率和漏诊率较高,影响了后续故障修复,不利复杂结构船舶配电系统故障恢复。针对上述问题,以模糊C—均值聚类算法取代以上3种故障诊断算法,解决误诊率和漏诊率高的问题,之后在故障诊断的基础上,实现故障修复,从而完成整个故障恢复。结果表明:与遗传算法、支持向量机以及神经网络3种传统故障诊断算法相比,模糊C—均值聚类算法的误诊率和漏诊率均更低(误诊率:1.14%,1.22%,2.00%;漏诊率:1.40%,0.43%,0.34%),说明本算法的诊断性能更好,更能全面、准确的检测出配电系统发生的故障,保证了后续故障修复的效率和准确性。     

基于PCA-BP神经网络在船用柴油机热工故障诊断中的应用研究

利用AVL-BOOST对柴油机的热工故障进行仿真计算,首先通过主成分分析法对柴油机的热工故障进行分析,选取能够反映原始变量99.589%信息的3个主成分作为BP神经网络的输入,将柴油机的故障模式作为输出,构建一个3层的神经网络预测模型。结果表明,PCA-BP神经网络模型能够很好的对柴油机的故障模式做出诊断。     

多传感器融合下船舶机电系统多发故障信号监测

为了提高船舶维护效率,提出一种多传感器融合下船舶机电系统多发故障信号监测方法。根据故障状态下的信号频率,使用小波变换法提取故障信号特征参数作为蚁群算法优化BP神经网络输入,实现多发故障诊断,并通过DS证据理论完成多传感器数据融合,得出故障诊断结果。实验结果表明,该方法可通过多传感器融合判断出船舶机电系统故障类型,即使一种传感器出现故障也不影响诊断效果,诊断船舶机电系统多发故障平均准确率高达97.02%,能够实现较为精准的船舶机电系统多发故障监测。     

基于D-S证据理论和BP算法的直流电机故障诊断研究

提出一种基于D-S证据理论和BP算法的故障诊断方法,通过分析直流电机的故障机理,得到电机在不同故障情况下表现的信号特征,给出了基于BP神经网络和D-S证据理论的多传感器数据融合技术的直流电机故障诊断方法,利用多源信息间的冗余性和互补性,有效提取故障特征信息,提高了诊断的可靠性和灵敏度.     

基于小波尺度谱和遗传算法的转子故障诊断

针对发动机的转子故障,提出了一种基于尺度谱图像纹理特征和遗传算法的故障诊断技术.根据不同转速下的3类转子故障数据样本,运用连续小波尺度谱图像纹理特征提取其图像纹理特征.采用遗传算法对这些特征进行选择优化,去除与分类不相关的冗余特征.最后,构建结构自适应集成神经网络对优化后的特征进行智能诊断.试验表明,该方法能准确地诊断出转子的故障,具有广泛的应用前景.     

船舶动力系统低压弱电设备故障检测方法

动力系统是船舶稳定航行的基础与关键,所含低压弱电设备复杂度逐渐攀升,故障概率也随之增加,为船舶稳定航行带来了威胁,因此提出船舶动力系统低压弱电设备故障检测方法研究。利用传感器获取船舶动力系统低压弱电设备振动信号,采用五点三次平滑法对振动信号进行平滑处理,以此为基础,Fourier变换振动信号,提取振动特征信号(有效值及其能量),将提取的振动特征信号输入至训练好的一维深度卷积神经网络中,网络输出即为低压弱电设备故障检测结果,实现了低压弱电设备故障的检测。实验数据显示,3个数据集的故障检测率均高于95.2%,符合船舶航行需求,证实了提出方法的可行性。     

考虑传感器误差的故障检测

讨论了考虑传感器误差时的故障检测方法。首先用神经网络对最优奇偶向量方法产生的残差进行补偿，消除安装误差、刻度系数误差以及常值偏差对残差的影响；然后用解析方法和神经网络方法对补偿后的残差进行故障检测和隔离（FDI），从而提高故障检测和隔离的准确性。     

基于神经网络的水下机器人容错控制方法与实验研究

针对无人水下机器人(UUV)传感器常见故障,采用一种基于有限脉冲响应(FIR)滤波器模型的在线故障诊断方法.根据该模型的故障检测结果,提出一种基于BP神经网络模型的容错控制策略,实现水下机器人首向角的估计以及传感器信号的在线重构.将重构的信号替代故障传感器信号,实现水下机器人在线容错控制.在OUTLAND 1000 水下机器人定向控制系统中,首向角传感器(罗经)发生故障情形下,给出机器人的故障检测以及容错控制结果.     

用人工智能检测船舶发电机激磁电流的故障

提出一种基于波形分析的神经网络对船舶发电机激磁三相整流电路进行故障诊断,首先对整流电路的输出波形采样,然后建立神经网络的输出与故障之间的对应关系,实现了智能故障诊断,仿真实验表明,这种方法是准确可靠的.     

船用柴油机故障诊断多信息融合技术研究

为了解决船用柴油机故障诊断中基于单传感器信息的方法诊断精度低的缺点,应用神经网络原理,提出了一种基于气缸压力,缸盖振动信号和燃油压力等多传感器信息融合的喷油器故障诊断新方法。通过提取船用柴油机工作过程故障三种信号的八个特征值,按正常和五种故障状态的构造学习样本文集和检验样本文集,对输入进行归一化处理,该方法能有效地提高其故障诊断精度。     

基于模糊神经网络的水下机器人推进系统故障诊断

为了解决水下机器人推进系统运行可靠性问题，提出一种基于模糊神经网络的机器人推进系统故障诊断方法，用以解决故障诊断过程中信息的不确定性问题，并提高推进系统的整体可靠性。该方法在常规神经网络基础上，引入模糊推理形成一种新型模糊神经网络结构，提出一种最小调整的模糊神经网络学习率，完成模糊神经网络训练算法的推导。通过对水下机器人实施定速直航与转向等试验完成神经网络的在线训练，利用已完成训练的神经网络对机器人进行运动建模。通过比对神经网络模型估计值与机器人传感器的实测值获取残差信息，并对残差进行故障信息提取以实现故障诊断。将上述方法应用于仿真试验中，结果表明，基于模糊神经网络水下机器人推进系统故障诊断方法具有较高的可行性和有效性。     

“海狼”级潜艇控制系统性能监控和故障定位

阐述了从“海浪”潜艇控制系统性能监控（PM）和故障定位（FL）功能的开发和试验中总结出的经验。讨论性能监控和故障定位功能与开发费用之间的适当平衡、性能监控和故障定位验证中有关的困难以及未来性能监控和故障定位技术的发展趋势。开发“海浪”潜艇性能监控软件是一个巨大的挑战性工作，因为潜艇控制多个传感器或控制几百个信号，每一个信号与不同形式的四个、两个和单个冗余部件相连。硬件结构的设计和冗余的水平是由性能监控和故障定位方法的需要决定的。它的功能校验是通过完成纯软件试验和模拟全系统故障条件试验而获得的。在全系统水平上，引进了一千多个模拟故障条件，系统要显示出正确操作的能力，并提供正确的维修报告。在甲板集成期间，性能监控系统在发现和纠正舰船控制安装问题上成为一个重要的工具。     

主机冗余多传感器测速数据处理算法研究

针对船舶主机遥控系统的冗余多传感器测速系统结构,为改进传统的船舶主机测速算法,通过基于测量误差理论和物理量限值的分析,提出了一种主机冗余多传感器测速数据处理算法.该算法具有转速输入通道故障判断、转速测量值滤波和冗余多路转速值取舍等功能.经试验应用,达到了预期的效果.     

船舶同步柴油发电机动力故障诊断数学建模分析

利用基于神经网络构建的模型和基于支持向量机构建的模型对船舶同步柴油发电机动力故障进行诊断,存在故障诊断准确性较差,诊断时间较长的问题。针对上述问题,基于粗糙集理论构建一个新的数学模型,对故障进行诊断。该模型构建首先需要确定故障样本集及故障征兆集,然后构建二者的隶属度矩阵最后在最大隶属度原则下选取出隶属度矩阵中最大的隶属度,并对照柴油发电机发生故障概率,实现故障诊断。结果表明:与基于神经网络构建的模型和基于支持向量机构建的模型相比,基于粗糙集理论构建的数学模型,诊断准确性提高3.2%和6.4%,诊断时间缩短19.6 min和30.3 min。     

基于机器学习算法的船舶电气故障分类与诊断方法

为实现船舶电气故障的早发现、早解决,设计基于机器学习算法的船舶电气故障分类与诊断方法。采用Trager能量算子增强传感器采集到的船舶电气设备振动信号,利用小波包分析方法提取增强后的电气设备振动信号特征,将电气设备振动信号特征输入卷积神经网络中进行训练,得出最佳的故障分类与诊断模型,并利用该模型实现船舶电气设备的故障分类与诊断。实验表明：采用Teager能量算子可以快速准确地将传感器采集的信号放大,且放大过程没有信息损失。训练后卷积神经网络的故障分类与诊断正确率接近100%,可能够准确诊断出船舶电气设备是否存在故障,并获取对应的电气故障类型。     

基于输出电压和电源电流的模拟电路故障诊断

为了提高模拟电路故障诊断的准确率,要尽可能的采集有效故障样本信息作为 BP 神经网络的输入。提出利用输出电压和电源电流信息融合的方法进行模拟电路故障诊断。收集输出电压和电源电流的故障样本集,然后作为 BP 神经网络的输入对网络进行训练和判断。利用不同故障对输出电压和电源电流的影响不同,能减少故障特征的重叠,提高模拟电路的故障诊断正确率。仿真结果表明利用输出电压和电源电流信息融合的方法比单纯利用输出电压或电源电流进行诊断准确率和速度都有明显提高。     

基于小波网络的水下机器人推进器故障诊断

针对小波神经网络的隐层小波函数可以调节伸缩因子与平移因子影响网络输出的特点，将其伸缩因子与平移因子引入到最小扰动动态学习率的学习算法中。此算法通过计算动态学习率，使得小波函数的伸缩因子与平移因子以及网络连接权值的变化最小，这样便可提高小波神经网络的稳定性和收敛速度。使用这种小波神经网络对机器人建模，通过比较模型的输出（运动状态估计值）与实际测量值可得到残差，并分析残差提取故障判断准则，从而进行推进器故障诊断。仿真试验验证了该方法的有效性。