船舶柴油机故障诊断技术发展现状与趋势分析

船舶柴油机故障诊断技术的发展对于保障船舶柴油机的安全与稳定运行具有非常重要的意义。基于此种情况,首先从专家系统、人工神经网络、灰色系统理论以及小波变换等方面对现阶段船舶柴油机故障诊断技术的发展进行了分析,并从专家系统与人工神经网络的结合诊断、人工神经网络与模糊推理的结合诊断以及智能化诊断三个方面阐述了船舶柴油机故障诊断技术的发展趋势。     

舰船主机故障诊断系统

系统汲取了国内外先进的故障诊断技术和经验,将振动信号检测技术与舰船主机柴油机的具体情况相结合,研制出了集船舶主机状态检测、故障诊断、预知维修为一体的在线监测与故障诊断系统.首次对船舶主机非平稳非线性信号采用局域波分析等创新技术进行处理,得出了正确的结论,解决了船舶主机实时故障诊断的问题,对设备保障有很高的实用价值.     

船舶柴油机监测与故障诊断技术研究

随着我国经济的不断发展,在现代化经济发展中有大部分的经济发展道路需要借助水上线路传输,这就需要借助船舶进行货物的转运和传输,作为水上货运航行的重要载体,船舶拥有着重要的交通运行输转作用。在船舶航行中柴油机是其重要的动力来源,因此在实际船舶航行中应该加强对柴油机系统运行的维护及研究,在实际航行中如遇柴油机故障应该具有完善的诊断和维修技术。本文针对船舶柴油机监测与故障诊断技术进行了研究,并针对其监测系统和诊断系统进行了详细的分析,希望能够对我国船舶航行中的柴油机故障处理和故障诊断具有帮助。     

船舶动力设备状态监测与故障诊断技术分析

本文对基于振动的船舶动力设备监测诊断技术进行简要介绍,从热力参数诊断方法、柴油机瞬时转速诊断方法和振动信号分析方法入手,指出柴油机综合监测诊断的有效方式,最后探讨船舶动力设备状态监测与故障诊断系统设计,包括系统需求分析、系统框架设计等,旨在全面把握船舶动力设备状态监测与故障诊断技术特征并促进其使用价值的充分发挥,仅供相关人员参考。     

基于监测实例的摩擦学系统状态辨识的知识获取

对于摩擦学系统监测样本相对比较少或者投入运行时间不长的机器,研究如何实现其摩擦学系统的智能状态辨识具有重要意义。建立基于摩擦学状态监测实例和决策树的知识获取方法模型,并应用于船舶柴油机摩擦学状态辨识的知识获取,利用获得的知识对测试集进行状态识别,取得良好的摩擦学状态辨识结果,从而为从监测实例中挖掘摩擦学状态辨识知识提供方法与手段支持。     

船舶柴油机故障诊断方法分析

本文阐述了船舶柴油机故障诊断特点,总结了目前常用的诊断技术原理及局限性,由于船舶柴油机故障样本数量较少,本文提出层次支持向量机的故障诊断方法,并进行验证,结果显示该诊断方法对已知故障类型及未知故障类型的诊断效率及准确度较高,适用于船舶柴油机的故障诊断。     

船舶柴油机故障诊断技术探究

船舶柴油机故障诊断技术直接关系到机械企业的运营成本,同时也直接关系到企业的设备的效率和质量问题,因此本文在此基础上重点研究了船舶柴油机故障诊断技术,同时就如何也对于船舶柴油机管理工作的创新和实践提出了几点建议。     

故障树分析法在船舶柴油机故障诊断中的应用研究

论述了船舶柴油机故障诊断的意义,研究了船舶柴油机故障树分析法的基本原理,并结合某型船柴油机出现的典型故障实例,应用故障树分析法构筑相应的故障树.并在成功排除故障的基础上,总结了应用故障树分析法分析排除故障的特点.     

基于流形学习的柴油机振动故障诊断方法研究

船舶柴油机是一个复杂程度较高的系统,其复杂性的构造和工作原理增加了其产生故障症状的复杂性和故障诊断工作的困难性。一般情况下,船舶柴油机故障原因和故障预兆间呈现出一种错综复杂的非线性关系,且在各个参数间也存在较强的非线性和耦合性,所以,诊断船舶柴油机故障,往往是顺应船舶柴油的这一复杂性结构要求而采用非线性手段对其进行相应的故障诊断和状态监测。流形学习法就是这样一种方法。随着流形学习算法被广泛应用于机械故障诊断领域,其已成为我国模式识别研究领域中的一个热点问题。但目前,流形学习在柴油机故障诊断过程中的应用还存在一定缺陷。本文基于流形学习的基本理论原理进行探讨,并着重对流形学习法在船舶柴油机振动故障诊断方面的应用进行归纳和总结。     

基于熵理论和BP神经网络的船舶柴油机磨损故障识别

磨损监测与故障诊断是保证船舶柴油机安全可靠运行的重要技术手段。随着船舶柴油机运行可靠性的要求增高,其磨损监测需要更加全面,数据呈高维化,无关数据和冗余数据增多,使故障诊断的复杂程度增大,且近年来,船舶柴油机故障诊断的智能化需求日益增高。针对以上问题和需求,基于信息熵理论,应用信息熵值与度量熵组合设计柴油机磨损监测与故障诊断特征属性约简算法,将某型柴油机润滑磨损故障诊断特征指标维度从16维降低至7维;应用设计的BP神经网络和磨损故障模式识别规则,以该型柴油机44个磨损故障诊断数据样本为对象,进行应用验证与研究分析。结果表明,构建的模型在保证数据集分类特性的基础上,有效实现其数据降维,且所构建的磨损故障识别BP神经网络在属性约简后,故障识别的准确性有明显提高。