一、舰船主机故障诊断系统（论文文献综述）
刘宪珍[1]（2021）在《数据挖掘技术在船舶故障智能诊断中的应用》文中研究表明船舶的正常运行有赖于智能缺陷故障的诊断和识别能力。此次研究提出基于关联规则算法的船舶故障智能诊断方法,利用频繁项集更新策略改进经典Apriori算法,通过时间序列模式和BP神经网络完成故障数据挖掘和分类以实现故障智能诊断。算法性能测试发现改进后的Apriori算法的运行效率提高48.26%,船舶油机排气温度过高和气门漏气两者的关系最为密切,其支持度和置信度分别为53.333 3%和94.117 6%。新的船舶故障诊断方法对故障分类的准确性提高约20%,节省故障分类时间约4分钟。
吕海浩[2]（2020）在《天津港新型拖轮推进装置及智能监测系统设计》文中研究表明为积极响应集团公司“努力打造世界一流智慧港口,绿色港口”的智能化发展趋势,本文根据某拖轮公司的拖轮建造需求为出发点,再结合船舶智能化发展趋势,在新型拖轮中通过智能方案的设计,实现船舶智能化运营,降低船舶管理人员的劳动强度,最大限度的降低人为因素对船舶安全的影响,进一步提高拖轮设备的可靠性、船舶航行的安全性。本文对国内外“智能船舶”研究现状进行分析,然后对该拖轮公司船舶的结构进行优化的必要性进行论证。在推进装置的选型中,本文又对清洁能源发动机进行研究国内现状、保障情况、成本变化和法规政策等进行分析,并给出相应的建议。然后按照“新建拖轮的设计流程”、“舵桨系统选型”、“主机系统选型”、“推进装置的设计”进行推进装置的选型和性能匹配,通过计算分析完成了主推进装置的选型设计,舵桨系统选定“R”品牌的US-155机型,主机选定为“W”品牌的W6L20机型。设备选型完毕后开始依据《智能船舶规范》进行智能化的设计,包括:对网络平台、船舶航行的优化、船体状态的监测、机舱报警系统、故障分析、健康值评估、船舶能效等方面。最终实现船舶航行、船体状态、机舱管理、能效管理等智能化的管理。通过天津港新型拖轮推进装置和智能监测系统的设计,在很大程度上弥补了该项目领域的不足,对国内拖轮企业和航运企业有着一定的借鉴意义。
李冉[3]（2020）在《船舶轴系振动智能故障诊断技术的应用分析》文中提出近些年,船舶智能化已经成为全球航运的大趋势。船舶智能化主要体现在智能船体、智能机舱、智能航行、智能货物管理、智能能效管理和智能集成平台。船舶推进轴系是船舶动力系统的重要组成部分,如何智能识别和诊断船舶轴系的各种故障,是进行船舶轴系智能状态监测与智能故障诊断研究的关键。本文对基于支持向量机理论的故障诊断方法进行研究,针对惩罚因子C和核函数参数σ选取难度较大的问题,提出了改进的人工蜂群（IABC）算法优化支持向量机的惩罚因子C和核函数参数σ。并且,针对人工蜂群算法迭代后期易出现收敛速度慢、易陷入局部最优解等问题,在原始人工蜂群算法的搜索公式中引入了全局搜索因子。为了验证改进的人工蜂群（IABC）优化算法的有效性,以仿照“申汉线”客轮的推进系统结构设计模拟实验平台为例,针对三种基本振动常见故障（轴系不对中、打滑、转子偏心）,设置故障诊断监测点收集故障数据。将改进人工蜂群（IABC）优化算法与人工蜂群ABC优化算法同时应用到轴系故障诊断中,得到以下结论:在模型训练过程中,IABC-SVM因为引入了全局搜索因子,在参数寻优时,收敛速度加快,可以跳出局部最优解,从而获得全局最优参数,可以比ABC-SVM更快的速度达到全局优化。从平均准确度的趋势来看,IABC-SVM可以帮助训练从更优的初始蜜源开始,其平均准确度为85.41%,明显高于传统ABC的72.91%。而且,IABC-SVM的训练时间、最佳平均准确度均优于ABC-SVM。由模型测试结果可知,IABC-SVM的分类准确度明显高于ABC-SVM,在测试过程中更具优势。本文针对船舶轴系的振动特点及故障诊断中存在的问题,提出IABC-SVM的故障诊断方法,该方法可以有效地对轴系振动的故障进行检测和识别,具有较高的准确性和诊断效率。
朱彩霞,徐江海[4]（2020）在《基于云计算的舰船远程监测系统故障诊断方法》文中研究说明为实现远程航行过程中舰船目标的精准控制,降低监测故障行为的实际发生几率,提出基于云计算的舰船远程监测系统故障诊断方法。分别从时域特征量、频域特征量2个方向着手,完成基于云计算的舰船远程信号特征提取。分配与诊断节点相关的权重实值,再通过定位故障节点所处位置的方式,建立标准的诊断评价函数,实现新型舰船远程监测系统故障诊断方法的顺利应用。对比实验结果表明,应用所提诊断方法后,远程监测节点所承担的故障数据总量明显下降,而数据转发速率却大幅提升,可实现对舰船目标的精准化控制,避免实际监测故障行为的发生。
郭艳[5]（2020）在《无线通信舰船柴油机故障远程诊断系统》文中研究指明在船舶航行过程中,舰船柴油机极易出现故障问题,由于舰船柴油机结构相对较为复杂,难以对舰船柴油机故障进行准确诊断。基于此,对无线通信的舰船柴油机故障远程诊断系统进行设计,通过结合MEGA2560芯片及多路A/D板对系统硬件结构配置进行改善。为保障硬件设备运行效果,进一步结合非线性算法对设备软件运行算法进行优化,保证系统诊断结构的准确和高效。通过实验证实,无线通信的舰船柴油机故障远程诊断系统在实际应用过程中可以更加快速、准确对复杂柴油机故障进行诊断,相对于传统诊断系统而言具有更高的使用价值。
高志龙[6]（2020）在《基于状态智能预警驱动的柴油机IETM关键技术研究与应用》文中认为柴油机作为一种关键动力设备,被广泛用于船舶航运、轨道交通、石油化工、能源电力、矿山机械、装备动力等相关行业,在国民经济乃至国防安全领域发挥着极为重要的作用。但由于其部件众多、结构复杂、工况恶劣,极易发生故障。一旦出现恶性故障将会导致停工停产,严重时甚至引发危及人身安全的重大事故。然而,当前柴油机监测报警技术较为落后,故障发生后无法得到精准识别,导致检维修效率低下。通过研究柴油机故障发生机理与对应的特征信号,借助先进算法有效提取特征参数,以实现柴油机典型机械故障的预警与诊断。并将故障诊断与交互式电子技术手册（IETM）技术相结合,实现监测、预警、诊断、维修、维护、管理等综合保障功能的深度融合,从而提升柴油机运行的安全性、可靠性和可用性。本文以大功率柴油机为对象,以提高其典型机械故障预警诊断水平和维修保障能力为目标,通过对典型机械故障机理的深入分析,研究适用于不同种类故障的预警和诊断方法。结合智能诊断算法实现柴油机运行工况的自动识别,提高预警和诊断准确率。最后探索基于故障预警驱动的IETM设计方法与架构。论文各章节主要研究内容如下:首先,综合归纳大功率柴油机典型机械故障类型,理清传统诊断方法面临的问题与挑战,分析智能诊断预警技术现状。研究国内外IETM技术发展历程、技术难点和未来发展趋势。在现有研究基础上,总结基于智能预警驱动的柴油机IETM系统关键技术点。其次,针对柴油机连杆衬套滑移,轴瓦磨损两类疑难故障,开展理论建模研究。通过建立相关数学模型,寻找故障典型特征。提出基于SAW（声表面波）无源无线测温技术的柴油机轴瓦磨损类故障预警诊断方法。研制柴油机连杆大小头瓦无线温度传感器,通过故障模拟试验证明该方法的有效性;然后,针对曲轴弯曲微变形这类恶性故障,建立多体动力学模型,通过模拟、仿真、分析其对应的故障特征及敏感参数,探究该类故障预警诊断的有效方法,并通过理论分析与实际故障案例相结合的方式证明该方法可行性;研究基于振动信号自适应的EMD降噪和聚类算法的柴油机运行功率自动识别算法,通过该算法实现对柴油机运行工况的自动识别。在无需增加传感器的前提下,引入柴油机输出功率作为预警诊断参考指标。此外,结合瞬时转速、温度、压力等参数,研究基于多源信息融合的复杂故障预警诊断方法,提高故障预警诊断的准确性。在上述研究成果的基础上,总结柴油机典型故障诊断系统设计方法。并利用实验和工程实际案例数据对系统功能进行验证。最后,研究基于智能预警驱动的IETM设计方法与架构。梳理传统IETM研制流程和编制规范,提出智能预警诊断技术与IETM相结合的实现方案,并给出基于状态智能预警驱动的柴油机IETM总体实现方法和步骤。
刘国强[7]（2020）在《基于粗糙集和优化DAG-SVM的船舶主机故障诊断研究》文中提出随着机舱自动化与智能化程度的发展,机舱机械设备的故障产生机理复杂多变。船舶主机作为机舱内的核心设备,对船舶的安全航行起着重要的作用。船舶主机包含的众多子系统之间呈复杂的非线性关系,且主机上众多测点在短时间内采集的大量数据,若不加处理将大大增加诊断系统的运算开销,传统的故障诊断方法难以高效地完成任务。本文以船舶主机的燃油系统为研究对象,提出一种基于粗糙集理论和优化有向无环图—支持向量机（DAG-SVM）的故障诊断方法。首先,将数据挖掘中的粗糙集理论引入传统的支持向量机（SVM）诊断模型,并通过差别矩阵对离散化数据进行降维,在每2种故障之间建立支持向量机分类器,从而构建DAG-SVM拓扑网络;然后,以类间的分类精度为依据,优化有向无环图中根节点和其他叶节点的位置,从而有效避免“误差累积”;最后,基于某超大型油轮模拟器,开展数值实验分析,在相同条件下,对四种典型的分类模式进行仿真实验,分别是1-vs-1 SVM、1-vs-a SVM、DAG-SVM 和本文方法。仿真结果表明,粗糙集与优化DAG-SVM相结合的故障诊断方法可以对船舶主机故障进行有效的诊断决策,其分类精度比传统的DAG-SVM方法提高了3.4%,而时间消耗也降低了2.42s,本文方法在诊断精度和时间消耗上也远优于1-vs-1 SVM和1-vs-a SVM。该诊断方法对船舶主机的故障诊断研究具有一定的参考价值,也可为SVM在其他小样本分类中的应用提供数据支撑。
张志政[8]（2020）在《基于优化KPCA-SVM的船舶燃油系统故障监测和诊断研究》文中研究说明现代化大型船舶自动化程度日趋提高,船舶柴油机的故障监测和诊断技术已经成为提高船舶安全性和可靠性的重要方式之一。由英国柴油机工程师和用户协会提供的停机故障分析表明,造成柴油机停机后果的各种原因中燃油系统的故障占27%,比例最大。由于船舶柴油机燃油系统结构复杂,各个部件之间存在冗杂的非线性耦合关系,导致采集的样本数据具有典型的非线性多维特性,因此传统的线性方法在处理船舶燃油系统故障诊断问题时具有较大的局限性。本文以此为背景,开展了基于优化核主成分分析（Kernel Principal.Component Analysis,KPCA）和多分类支持向量机的船舶柴油机燃油系统故障监测与诊断技术研究。针对船舶燃油系统故障样本数据存在非线性强和噪声干扰的问题,首先提出采用KPCA对样本数据进行非线性特征提取,提取出样本数据特征的高维信息,其次在特征空间中构建T2和SPE统计量模型,最后通过监测样本数据统计量的变化实现了对船舶燃油系统故障的实时监测。由于KPCA性能受内部核函数参数影响,提出了基于粒子群优化核函数参数的选优方法,通过建立核函数参数优化模型,实现了 KPCA核函数参数的寻优,并对粒子群算法中惯性因子进行改进,在一定程度上防止了粒子群算法在优化过程中陷入局部最优,通过船舶燃油系统的故障监测实验表明该方法可有效减少非线性主成分个数,提高了故障监测的准确性。研究了基于多分类支持向量机进行故障诊断的方法,总结出限制多分类支持向量机故障诊断性能的两大因素:1、故障样本数据的质量;2、多分类支持向量机内核函数参数和惩罚因子的选择,在此研究基础上提出了基于粒子群优化KPCA-SVM的故障诊断方法,有效解决了船舶燃油系统故障特征非线性强、小样本分类精度低以及支持向量机参数选择难的问题,实现了三种算法的优势互补。为提高船舶柴油机燃油系统故障监测和诊断的精度,本文提出将基于KPCA的特征提取方法和多分类支持向量的故障诊断方法相结合,并采用改进的粒子群算法对KPCA和多分类支持向量机的核函数参数以及惩罚因子进行全局寻优,建立了基于粒子群优化KPCA的船舶燃油系统故障监测模型和基于粒子群优化KPCA-SVM的故障诊断模型,通过船舶燃油系统故障监测和诊断的仿真实验表明,本文提出的故障监测和诊断方法精度明显提高,验证了所提方法的有效性。
蒋佳炜,胡以怀,方云虎,李方玉[9]（2020）在《船舶动力装置智能故障诊断技术的应用与展望》文中认为动力系统作为整个船舶最核心的系统,其安全性和可靠性将直接影响船舶的安全航行,而有效的故障监测与诊断技术是保障航行安全的重要手段。首先,通过分析国内外学者在智能算法与故障诊断方面的研究进展,将船舶动力装置的智能故障诊断分为数据信号获取、数据特征提取、故障识别与预测3个环节,并总结智能算法在船舶动力装置故障诊断中所面临的问题和挑战;然后,结合智能算法的特点,探讨船舶动力装置智能故障诊断技术的未来发展趋势;最后,提议从建立基于云平台的数据监测系统、建立数据库和挖掘监测数据等方面展开深入研究,用以为船舶动力装置智能诊断的工程实践应用奠定基础。
迟晓曼,刘喜敏[10]（2020）在《多主机舰船机舱动力装置主机监控故障诊断系统设计》文中提出针对原有机舱动力装置主机监控故障诊断系统数据负载能力较差,导致多主机舰船机舱动力装置主机监控故障诊断精度较差的问题,设计新型多主机舰船机舱动力装置主机监控故障诊断系统。设计数据分析器,提升系统的数据分析能力,其余硬件引用原有系统硬件。在主机中安装传感器并设定信号数据库,完成动力信号的监控与采集。计算数据库内数据的有量纲参数,获取信号数据的特征值。在系统中增加机器学习模块,将特征提取后的数据进行训练,完成对主机故障的诊断。结合上述硬件与软件,多主机舰船机舱动力装置主机监控故障诊断系统设计完成。展开系统测试,与原有系统相比,此系统的负载能力较好。由此可知,此系统的使用性能优于原有系统。
二、舰船主机故障诊断系统（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、舰船主机故障诊断系统（论文提纲范文）
（1）数据挖掘技术在船舶故障智能诊断中的应用（论文提纲范文）
| 0 引言 |
| 1 关联规则算法在船舶故障缺陷中的应用 |
| 1.1 关联规则算法改进措施 |
| 1.2 船舶故障缺陷智能诊断 |
| 2 船舶故障缺陷智能诊断结果分析 |
| 3 结论 |
（2）天津港新型拖轮推进装置及智能监测系统设计（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 研究内容 |
| 2 推进装置的选型及设计 |
| 2.1 新建拖轮的必要性分析 |
| 2.1.1 建造背景 |
| 2.1.2 建造必要性 |
| 2.2 清洁能源主发动机国内现状 |
| 2.2.1 应用实例 |
| 2.2.2 可靠性和安全技术保障情况 |
| 2.2.3 成本变化 |
| 2.2.4 相关建议 |
| 2.2.5 选型结论 |
| 2.3 推荐装置的设计选型 |
| 2.3.1 推进装置的设计流程 |
| 2.3.2 主尺度和设计参数 |
| 2.4 舵桨系统选型 |
| 2.4.1 基本要求 |
| 2.4.2 机型选择 |
| 2.5 主机系统选型 |
| 2.5.1 选型原则 |
| 2.5.2 类型选择 |
| 2.5.3 基本要求 |
| 2.5.4 智能机舱相关要求 |
| 2.5.5 机型选择 |
| 2.6 机桨匹配原则 |
| 2.7 推进装置的设计 |
| 2.7.1 螺旋桨的参数输出 |
| 2.7.2 主机选型 |
| 2.7.3 舵桨本体选型 |
| 2.7.4 选型结论 |
| 3 智能监测系统设计 |
| 3.1 概述 |
| 3.2 港作拖轮智能化 |
| 3.2.1 港作拖轮智能化的必要性 |
| 3.3 智能方案设计 |
| 3.3.1 智能集成网络平台 |
| 3.3.2 智能航行 |
| 3.3.3 智能船体 |
| 3.3.4 智能机舱与主机系统 |
| 3.3.5 智能机舱与发电机系统 |
| 3.3.6 智能机舱与舵桨系统 |
| 3.3.7 智能机舱与监测报警系统 |
| 3.3.8 智能机舱与拖缆机管理系统 |
| 3.3.9 智能机舱与电网系统 |
| 3.3.10 智能能效管理 |
| 4 实现功能 |
| 4.1 港作拖轮与智能航行 |
| 4.1.1 航路航速的设计与优化 |
| 4.1.2 边界障碍探测系统 |
| 4.1.3 岸基支持中心 |
| 4.1.4 应急事态处理系统 |
| 4.2 港作拖轮与智能船体 |
| 4.2.1 船体全生命周期管理数据库 |
| 4.2.2 破舱稳性计算 |
| 4.2.3 艏部砰击 |
| 4.3 港作拖轮与智能机舱 |
| 4.3.1 故障诊断与辅助决策(DSS) |
| 4.3.2 健康评估系统(HAC) |
| 4.3.3 拖轮电力自动管理系统 |
| 4.3.4 视情维护系统 |
| 4.4 港作拖轮与智能能效 |
| 4.4.1 能耗统计 |
| 4.4.2 能效分析 |
| 4.4.3 用电分析 |
| 4.5 港作拖轮与智能集成平台 |
| 4.6 港作拖轮与其它智能 |
| 5 结论与展望 |
| 5.1 本文小结 |
| 5.2 本文展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（3）船舶轴系振动智能故障诊断技术的应用分析（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 智能船舶发展现状 |
| 1.2.2 基于智能机舱研究现状 |
| 1.3 本文主要研究内容 |
| 2 轴系振动理论及危害 |
| 2.1 扭转振动 |
| 2.1.1 扭转振动的原因 |
| 2.1.2 扭转振动简化模型 |
| 2.1.3 转动惯量和扭转刚性的计算 |
| 2.1.4 扭转无阻尼自由振动运动方程 |
| 2.2 纵向振动 |
| 2.2.1 纵向振动的原因 |
| 2.2.2 纵向振动简化模型 |
| 2.2.3 质量和纵向刚度计算 |
| 2.2.4 纵振无阻尼自由振动运动方程 |
| 2.3 回转振动 |
| 2.3.1 回旋振动的原因 |
| 2.3.2 回旋振动简化模型 |
| 2.3.3 回旋无阻尼自由振动运动方程 |
| 2.4 轴系振动的危害 |
| 2.4.1 扭转振动的危害 |
| 2.4.2 纵向振动的危害 |
| 2.4.3 回旋振动的危害 |
| 2.5 本章小结 |
| 3 轴系振动智能故障诊断方法研究 |
| 3.1 支持向量机的分类 |
| 3.1.1 分类超平面 |
| 3.1.2 线性二进制支持向量机分类器 |
| 3.1.3 软间隔支持向量机 |
| 3.1.4 非线性支持向量机 |
| 3.1.5 非线性支持向量机 |
| 3.1.6 多类支持向量机 |
| 3.1.7 支持向量机的参数选取 |
| 3.2 人工蜂群优化算法 |
| 3.2.1 人工蜂群算法原理 |
| 3.2.2 人工蜂群算法参数分析 |
| 3.2.3 人工蜂群算法全局优化特征 |
| 3.3 本章小结 |
| 4 轴系振动智能故障诊断应用 |
| 4.1 轴系振动故障检测的流程设计 |
| 4.1.1 数据的预处理 |
| 4.1.2 基于IABC优化算法的轴系故障检测 |
| 4.1.3 支持向量机分类 |
| 4.1.4 IABC优化的SVM方法 |
| 4.2 故障诊断分析 |
| 4.2.1 船舶轴系数据预处理 |
| 4.2.2 IABC人工蜂群的故障诊断 |
| 4.3 故障诊断分析 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 附录A |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（6）基于状态智能预警驱动的柴油机IETM关键技术研究与应用（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究综述 |
| 1.2.1 柴油机故障传统监测诊断方法概况 |
| 1.2.2 柴油机故障智能监测诊断技术研究概况 |
| 1.2.3 IETM技术发展概况 |
| 1.3 前人的研究成果 |
| 1.3.1 柴油机监测诊断方面研究成果 |
| 1.3.2 智能诊断技术研究成果 |
| 1.3.3 IETM技术研究成果 |
| 1.4 论文结构与内容安排 |
| 第二章 柴油机典型机械故障分类与预警诊断技术 |
| 2.1 柴油机典型机械故障分类及其特征信号 |
| 2.1.1 柴油机典型机械故障分类 |
| 2.1.2 柴油机典型机械故障特征信号类型 |
| 2.2 柴油机典型机械故障监测预警方法 |
| 2.2.1 基于统计特征参量分析的时域信号监测预警方法 |
| 2.2.2 基于振动信号角域分析的故障诊断预警方法 |
| 2.2.3 基于振动信号时频分析的故障监测预警方法 |
| 2.2.4 基于振动信号自适应的EMD智能预警方法 |
| 2.2.5 基于K近邻的柴油机故障识别预警方法 |
| 2.3 柴油机故障预警诊断技术难点 |
| 2.4 本章小结 |
| 第三章 柴油机连杆轴瓦故障监测预警方法研究 |
| 3.1 连杆小头衬套滑移故障 |
| 3.1.1 连杆小头衬套滑移故障机理 |
| 3.1.2 连杆小头衬套滑移故障特征与监测难点分析 |
| 3.2 连杆轴瓦磨损故障 |
| 3.2.1 连杆轴瓦磨损故障类型与传统监测方法 |
| 3.2.2 连杆轴瓦磨损故障特征 |
| 3.3 基于SAW无线测温技术的轴瓦磨损类故障预警与诊断方法研究 |
| 3.3.1 SAW无源无线测温原理 |
| 3.3.2 基于SAW的连杆轴瓦温度传感器的设计 |
| 3.3.3 信号处理装置的设计 |
| 3.3.4 软件系统的设计 |
| 3.4 实验验证 |
| 3.4.1 高速单缸机配机试验 |
| 3.4.2 轴瓦磨损故障模拟试验 |
| 3.5 本章小结 |
| 第四章 柴油机曲轴弯曲微变形故障诊断方法研究 |
| 4.1 曲柄连杆简化模型的理论分析计算 |
| 4.1.1 曲柄连杆力学模型分析 |
| 4.1.2 曲柄模型简化 |
| 4.1.3 横向力作用下曲轴受力分析 |
| 4.1.4 弯曲形变对于横向力作用下曲轴受力影响 |
| 4.2 基于多体动力学仿真的故障特征研究 |
| 4.2.1 模型建立与参数设置 |
| 4.2.2 仿真过程 |
| 4.2.3 仿真结果分析 |
| 4.3 曲轴弯曲微变形故障监测预警方法 |
| 4.4 故障案例验证 |
| 4.4.1 传感器与测点布置 |
| 4.4.2 故障现象描述 |
| 4.4.3 数据分析与故障诊断结论 |
| 4.5 本章小结 |
| 第五章 柴油机典型机械故障智能预警诊断系统设计 |
| 5.1 基于缸盖振动信号概率密度分布的柴油机输出功率识别算法 |
| 5.1.1 缸盖振动信号截止滤波预处理 |
| 5.1.2 基于自适应EMD分解的缸盖振动信号处理方法研究 |
| 5.1.3 基于振动速度概率密度分布的功率识别方法 |
| 5.2 基于改进KNN的柴油机故障报警阈值动态自学习算法 |
| 5.2.1 训练集的构建 |
| 5.2.2 K值的确定 |
| 5.2.3 报警阈值动态学习方法 |
| 5.3 柴油机在线监测预警系统设计 |
| 5.3.1 系统总体设计 |
| 5.3.2 硬件方案 |
| 5.3.3 软件方案 |
| 5.4 工程应用案例 |
| 5.4.1 故障情况 |
| 5.4.2 报警信息与监测数据分析 |
| 5.4.3 故障原因探究 |
| 5.4.4 结论 |
| 5.5 本章小结 |
| 第六章 基于智能预警驱动的柴油机IETM架构设计 |
| 6.1 IETM平台的功能模块 |
| 6.1.1 多媒体制作工具 |
| 6.1.2 XML编辑器 |
| 6.1.3 公共源数据库 |
| 6.1.4 发布引擎 |
| 6.1.5 浏览器 |
| 6.2 标准IETM内容模块 |
| 6.3 IETM的开发流程 |
| 6.3.1 数据模块编码 |
| 6.3.2 数据模块需求列表(DMRL)编制 |
| 6.4 基于智能预警驱动的柴油机IETM架构设计 |
| 6.4.1 架构设计 |
| 6.4.2 具体实现 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 研究结论与成果 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 附件 |
（7）基于粗糙集和优化DAG-SVM的船舶主机故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.2 故障诊断的研究现状及发展趋势 |
| 1.2.1 研究现状 |
| 1.2.2 发展趋势 |
| 1.3 课题理论在故障诊断中的应用 |
| 1.3.1 粗糙集理论 |
| 1.3.2 支持向量机 |
| 1.4 主要研究内容 |
| 2 主机的故障分析和数据采集 |
| 2.1 主机工作原理及常见系统 |
| 2.2 主机的工作参数及故障特点 |
| 2.2.1 主机的工作参数 |
| 2.2.2 主机的故障特点 |
| 2.3 主机燃油系统数据采集 |
| 2.3.1 燃油系统故障分析 |
| 2.3.2 喷油器故障数据采集 |
| 2.4 故障样本数据处理 |
| 2.4.1 标准化处理 |
| 2.4.2 离散化处理 |
| 2.5 本章小结 |
| 3 基于粗糙集理论的属性约简方法 |
| 3.1 粗糙集理论 |
| 3.1.1 粗糙集的基本概念 |
| 3.1.2 属性约简的基本定义 |
| 3.2 属性约简方法 |
| 3.2.1 基于属性重要性的约简 |
| 3.2.2 基于差别矩阵的约简 |
| 3.3 实例分析 |
| 3.4 本章小结 |
| 4 基于支持向量机的故障诊断方法 |
| 4.1 统计学习原理概述 |
| 4.1.1 VC维理论 |
| 4.1.2 推广性的界 |
| 4.1.3 结构风险最小化原理 |
| 4.2 SVM故障诊断模型设计 |
| 4.2.1 构造最优分类超平面 |
| 4.2.2 核函数的选取 |
| 4.2.3 松弛变量 |
| 4.3 SVM多类故障诊断模型分析 |
| 4.3.1 1-vs-1 SVM故障诊断模型分析 |
| 4.3.2 1-vs-a SVM故障诊断模型分析 |
| 4.3.3 DAG-SVM故障诊断模型分析 |
| 4.4 类间分类精度优化DAG-SVM结构 |
| 4.4.1 算法步骤及优化流程设计 |
| 4.4.2 实例分析 |
| 4.5 本章小结 |
| 5 基于粗糙集和优化DAG-SVM的船舶主机故障诊断 |
| 5.1 粗糙集属性约简 |
| 5.1.1 粗糙集属性约简步骤 |
| 5.1.2 原始决策表的构造 |
| 5.1.3 差别矩阵属性约简 |
| 5.2 船舶主机故障诊断分析 |
| 5.2.1 基于DAG-SVM故障诊断分析 |
| 5.2.2 DAG-SVM拓扑结构优化 |
| 5.2.3 故障诊断实验分析 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（8）基于优化KPCA-SVM的船舶燃油系统故障监测和诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 船舶柴油机故障诊断研究发展现状 |
| 1.2.1 故障监测和诊断技术国内外研究现状 |
| 1.2.2 故障监测和诊断技术的发展趋势 |
| 1.3 论文主要研究内容 |
| 2 船舶柴油机燃油系统故障监测及诊断分析 |
| 2.1 船舶燃油系统概述 |
| 2.1.1 燃油系统低压油路 |
| 2.1.2 燃油系统高压油路 |
| 2.1.3 燃油喷射过程 |
| 2.2 主要故障部件原理分析 |
| 2.2.1 喷油泵工作原理分析 |
| 2.2.2 喷油器工作原理分析 |
| 2.2.3 燃油系统常见故障分析 |
| 2.3 常见故障监测和诊断方法 |
| 2.3.1 故障诊断过程 |
| 2.3.2 常见故障监测和诊断方法 |
| 2.3.3 船舶柴油机故障监测和诊断的目的 |
| 2.4 本章小结 |
| 3 基于KPCA的非线性特征提取与SVM的模式识别 |
| 3.1 基于KPCA的非线性特征提取 |
| 3.1.1 KPCA基本原理 |
| 3.1.2 KPCA非线性特征提取步骤 |
| 3.1.3 SPE和T~2统计量 |
| 3.1.4 基于KPCA的非线性特征提取分析 |
| 3.2 基于SVM的故障模式识别 |
| 3.2.1 支持向量机概述 |
| 3.2.2 支持向量机基本原理 |
| 3.2.3 软间隔最优分类面 |
| 3.2.4 非线性支持向量机 |
| 3.2.5 基于两类样本的SVM数值仿真 |
| 3.3 本章小结 |
| 4 基于PSO优化KPCA的船舶燃油系统故障监测 |
| 4.1 PSO优化算法概述 |
| 4.1.1 PSO基本原理 |
| 4.1.2 PSO优化参数选择 |
| 4.1.3 基于改进PSO算法数值仿真 |
| 4.2 基于KPCA的故障监测模型搭建 |
| 4.2.1 核函数及参数确定方法 |
| 4.2.2 样本数据采集 |
| 4.2.3 基于KPCA的故障监测实现流程 |
| 4.2.4 基于KPCA的船舶燃油系统故障监测实验 |
| 4.3 基于PSO优化KPCA的船舶燃油系统故障监测 |
| 4.3.1 基于PSO优化KPCA的故障监测算法设计 |
| 4.3.2 基于PSO优化KPCA的船舶燃油系统故障监测实验 |
| 4.4 本章小结 |
| 5 基于PSO优化KPCA-SVM的船舶燃油系统故障诊断 |
| 5.1 构建多分类支持向量机 |
| 5.1.1 一对多方法 |
| 5.1.2 一对一方法 |
| 5.1.3 直接非循环图法 |
| 5.1.4 决策树法 |
| 5.2 基于PSO优化KPCA-SVM的船舶燃油系统故障诊断 |
| 5.2.1 故障诊断算法设计思路 |
| 5.2.2 故障诊断实验步骤 |
| 5.2.3 船舶燃油系统故障诊断实验 |
| 5.3 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
四、舰船主机故障诊断系统（论文参考文献）
- [1]数据挖掘技术在船舶故障智能诊断中的应用[J]. 刘宪珍. 自动化与仪器仪表, 2021(06)
- [2]天津港新型拖轮推进装置及智能监测系统设计[D]. 吕海浩. 大连海事大学, 2020(04)
- [3]船舶轴系振动智能故障诊断技术的应用分析[D]. 李冉. 大连海事大学, 2020(04)
- [4]基于云计算的舰船远程监测系统故障诊断方法[J]. 朱彩霞,徐江海. 舰船科学技术, 2020(22)
- [5]无线通信舰船柴油机故障远程诊断系统[J]. 郭艳. 舰船科学技术, 2020(20)
- [6]基于状态智能预警驱动的柴油机IETM关键技术研究与应用[D]. 高志龙. 北京化工大学, 2020(01)
- [7]基于粗糙集和优化DAG-SVM的船舶主机故障诊断研究[D]. 刘国强. 大连海事大学, 2020(01)
- [8]基于优化KPCA-SVM的船舶燃油系统故障监测和诊断研究[D]. 张志政. 大连海事大学, 2020(01)
- [9]船舶动力装置智能故障诊断技术的应用与展望[J]. 蒋佳炜,胡以怀,方云虎,李方玉. 中国舰船研究, 2020(01)
- [10]多主机舰船机舱动力装置主机监控故障诊断系统设计[J]. 迟晓曼,刘喜敏. 舰船科学技术, 2020(04)