BP神经网络在船舶推进电机故障预测中的应用

合集下载

基于蚁群神经网络船舶发电机故障诊断

基于蚁群神经网络船舶发电机故障诊断吕传文【摘要】BP神经网络在船舶发电机故障诊断中有广泛的应用,但由于BP网络采用的是沿梯度下降的搜索求解算法,存在收敛速度慢、且容易陷入局部极小等问题,给故障诊断带来不便.为此,采用蚁群优化算法代替反向传播算法训练神经网络的权值和阈值.以船舶发电机中的同步发电机为例,利用训练后的蚁群神经网络对其进行故障诊断,并把BP神经网络和蚁群神经网络的训练和诊断结果相比较,结果表明蚁群神经网络具有较好的训练性能、收敛速度、诊断精度和良好的故障识别率,应用于船舶发电机的故障诊断中,具有较好的应用前景.【期刊名称】《科学技术与工程》【年(卷),期】2010(010)022【总页数】4页(P5595-5598)【关键词】船舶发电机;故障诊断;蚁群算法;神经网络【作者】吕传文【作者单位】江苏科技大学计算机科学与工程学院,镇江,212003【正文语种】中文【中图分类】U664.81船舶发电机故障的早期诊断和预测,对船舶电力系统安全运行具有非常重要的意义,船舶发电机故障诊断是一个非常复杂的问题。

由于船舶发电机零部件繁多,运行环境特殊,其故障与征兆间的关系不很明确是非线性映射关系。

BP神经网络模型[1]具有较强的自学习、自适应、联想记忆及非线性模式识别能力,特别适用于多故障、多征兆这类复杂模式的识别,因而在船舶发电机故障诊断方面得到广泛应用。

在神经网络的各种训练法中,反向传播算法(Back Propagation简称BP)是最常用的训练法。

在实际应用中,标准的 BP算法存在训练速度慢,易陷入局部极小点这两个突出的弱点。

目前,虽然有许多改进的 BP算法以提高网络的训练速度,如改进激发函数、误差函数、动态调整学习步长、自适应调整惯性系数等,但要克服局部收敛,则需要选用其它的优化算法。

蚁群算法是一种新型的模拟进化算法,有正反馈、分布式计算、全局收敛、启发式学习等特点。

本文把蚁群算法和人工神经网络理论有机地结合起来,用蚁群算法优化神经网络权值和阈值,此方法本文称为蚁群神经网络,用于研究船舶发电机的故障诊断问题,目的是提高故障分类的准确率,缩短神经网络的训练和执行时间。

神经网络在自适应船舶操作系统中的应用

神经网络在自适应船舶操作系统中的应用随着科技的发展，船舶的自动化程度越来越高。

而神经网络作为智能系统中的一种重要组成部分，不仅可以提高船舶自动化的水平，还可以使得船舶系统更加智能和自适应。

神经网络在船舶操作中的应用，主要体现在以下几个方面：1. 船舶自动化控制神经网络可以通过监测船舶运行状态，进行数据分析和处理，预测船舶的行驶路线、风浪影响等因素，以及根据目标速度、距离等指令进行自动化控制。

这样，船舶的自动控制系统可以更加智能化，提高航线的安全性和准确性。

2. 船舶排污控制船舶排放污染物是海洋环境面临的严重问题之一。

神经网络可以通过对船舶运行数据、天气情况等因素的分析，建立污染物排放模型，实现对船舶排污的可控、可预测和自适应控制。

这样，可以有效地保护海洋环境，促进海洋生态平衡。

3. 船舶故障预测船舶故障往往会对航行安全造成重大影响。

神经网络可以利用船舶各个系统之间的关联性，对船舶各个系统的运行状态进行实时监测和数据分析，提前预测可能发生的故障，同时对故障的原因和解决方案进行分析，以最大限度地确保船舶的航行安全。

综上所述，神经网络在船舶自动化控制、船舶排污控制和船舶故障预测等方面的应用，能够提高船舶的自动化程度和智能化水平，进一步保障船舶运行的安全和环保性，同时也可以降低人力资源和物理资源的消耗成本。

因此，在未来的航运发展中，神经网络的应用将与船舶技术越来越密切相关，成为航运领域的重要推动力量。

在神经网络应用于船舶操作系统中的过程中，需要大量的数据进行分析和训练。

以下是一些与船舶操作和运行有关的数据：1. 船舶传感器数据船舶传感器通常包括位置数据、速度数据、朝向数据、温度数据等。

这些数据可以用来进行航线规划、航速优化等操作。

传感器数据的可靠性对于神经网络的训练和船舶运行控制至关重要，因此需要设计高灵敏度、高准确度的传感器系统。

2. 天气数据海洋环境的变化对于船舶的操作和运行具有重要影响。

例如，海浪、风力、雨水等都会对船舶运行造成一定程度的影响。

基于BP神经网络的舰船电机故障诊断

元，获得各层单元的误差信号，作为修改各单元权
值的依据。本文通过建立ＢＰ神经网络故障诊断系统，可模拟电工人员对舰船电机故障作出正确诊断。
给故障诊断带来了一定困难。由于电机的故障征
的逆向传播将输出误差按照某种形式通过隐层向输入层逐层返回，并将误差分摊给各层的所有单
其性能的好坏直接影响设备的正常工作，甚至影
响舰船的正常航行。舰船电机的工作环境比较特殊，同时也比较恶劣，容易产生各种各样的故障。故障发生的概率具有不确定性和模糊性，且故障征兆与原因之间较为复杂，并非一一对应的关系，
兆与原因之间没有明确的函数映射关系，因此很
１构建ＢＰ神经网络结构模型
一
难用具有线性关系的数学模型进行故障诊断
定位。
个故障诊断系统，主要包括学习（训练）与
诊断（匹配）两个过程。其中，每个过程都包括预
障诊断模型，收集故障样本数据。运用ＭＡＴＬＡＢ软件进行仿真，以实例进行检测。检测结果表明，构建的模型准确可靠，可以模拟电工人员对舰船电机故障作出正确诊断，验证了ＢＰ神经网络的优越性
Ｊ／Ｚｈｅ，ＷＡＮＧＸｉｕｍｉｎ，ＺＨＡＮＧＳｏｎｇｔａｏ

BP神经网络在船舶与海洋工程中的应用研究

BP神经网络在船舶与海洋工程中的应用研究
高明正;张火明;金尚忠
【期刊名称】《舰船科学技术》
【年(卷),期】2008(030)001
【摘要】人工神经网络作为一个具有高度非线性映射能力的计算模型,在工程中具有广泛的应用前景.在数值预测方面,它不需要预选确定样本的数学模型.仅通过学习样本数据即可以进行预测.介绍了BP神经网络,并针对实际应用中收敛速度慢,平台效应等问题对网络进行了优化,给出了改进的三层BP神经网络算法.最后结合船舶与海洋工程的一些实际问题.探讨了利用改进的BP神经网络进行数值预测的方法和应该注意的问题,并给出了一些有益的建议.实验表明,神经网络的预测精度在船舶与海洋工程是可以接受的.
【总页数】8页(P34-40,44)
【作者】高明正;张火明;金尚忠
【作者单位】中国计量学院信息工程学院,浙江,杭州,310018;中国计量学院信息工程学院,浙江,杭州,310018;中国计量学院信息工程学院,浙江,杭州,310018
【正文语种】中文
【中图分类】U661.3
【相关文献】
1.改进的BP神经网络在船舶与海洋工程中的应用研究 [J], 张火明;孙志林;高明正
2.PCA算法在银屑病BP神经网络建模中的应用研究 [J], 詹秀菊
3.BP神经网络在跨既有线高速铁路桥梁施工安全风险评估中应用研究 [J], 刘冬冰
4.改进的BP神经网络在车辆目标识别中的应用研究 [J], 刘路
5.人工蜂群算法+BP神经网络模型在短期电力负荷预测中的应用研究 [J], 王天力因版权原因，仅展示原文概要，查看原文内容请购买。

基于BP网络的船舶发电机转速控制系统传感器故障诊断

随着现代工业科学技术的发展，船舶柴油发电机控制系统结构越来越复杂，系统规模越来越大，这就使得影响设备或系统正常运行的因素增加，其使产生故障或失效的潜在可能性越来越大．一旦发生故障，必须迅速、确地找到故障，后加以排除，准然恢复设备或系统的正常运行．控制理论、计算机技术和人工智能技术的发展，故障诊断技术也得到了迅使速发展．工神经网络是人工智能的一个分支，人它作
ＳＭＵＬＩＩＮＫｓｉｕａｅ．ＴｈｅｕｔｘｌｉｓｔａｄｉｅｅｗｏｋａｉｓｍｌｔｄｅｒｓｌｅｐａｎｈｔｍｏｆｄＢＰｎｔｒｓｎｉｒｖｈｐｅｆｏｓｒｎｅｃｉｃｍｐｏｅｔｅｓｅｄｏｎｔｉｇｎｙｃ
前馈型网络．每一层神经元的状态只影响下一层神经元的状态．是前馈型网络的核心部分．它
方法进行了改进．ＳＭＵＬＮ用ＩＩＫ对传感器故障过程进行了仿真诊断．到的结果说明改进算法对Ｂ得Ｐ网络的收敛速度及陷入局部最小有较大的改善，从而说明了ＢＰ网络用于这一领域的有效性．
关键词：Ｐ神经网络；Ｂ变学习速率；动量因子；船舶发电机；转速控制系统；传感器；故障诊断
１１Ｂ．Ｐ神经网络神经元算法
ＢＰ网络是一种包含输入层、隐含层和输出层的
设备故障领域显示出了极大的应用潜力．目前，神经

基于神经网络的船舶动态定位与通信技术研究

基于神经网络的船舶动态定位与通信技术研究近年来，随着各国经济和科技的发展，海洋运输业获得了快速发展。

船舶定位和通信技术的发展成为了海洋运输业的关键支撑。

目前，基于神经网络的船舶动态定位和通信技术已经成为了一种热门的研究方向，本文将对这一领域进行深入探讨。

一、神经网络在船舶动态定位中的应用船舶动态定位是指根据不同环境、条件下的船舶状况进行动态位置的确定，并实时跟踪船舶，在运输安全和调度中发挥着重要作用。

神经网络技术是一种模拟神经元的计算方式。

利用神经网络算法，可以建立复杂的数学模型，从而实现对船舶动态定位的精确、实时计算。

1.1 神经网络模型建立神经网络模型是船舶动态定位中的核心，其所建立的模型会直接影响到船舶位置的精度和准确性。

目前，神经网络模型主要有三种建立方式：（1）基于BP神经网络的模型BP神经网络结构简单、容易理解，适用于多输入、单输出的动态定位问题。

它通过反向传播算法不断调整权值和偏置，训练网络整体误差，从而不断优化网络的预测精度。

（2）基于RBF神经网络的模型RBF是一种基于径向函数的神经网络，其具有快速收敛、可逆性等优点，适用于小样本数据集的定位问题。

RBF神经网络适合于逼近未知的多变函数并进行预测。

（3）基于FNN神经网络的模型FNN神经网络由多个BP网络组成，能够进行并行计算和预测，适用于大量数据和高精度的动态定位问题。

FNN神经网络需要较长的训练时间和更高的运算能力，但其预测精度更高，适用于复杂环境下的动态定位。

1.2 神经网络模型调参神经网络模型在实际应用中，需要通过调整各层之间节点数、权值、偏置项等参数，以达到更高的预测精度。

模型调参需要遵循以下原则：（1）模型中节点数过多或过少，均会导致模型预测精度下降。

（2）权值和偏置项的调整需要进行多次迭代，以达到更优参数。

（3）训练集和测试集需要充分考虑，以避免模型过拟合或欠拟合。

二、神经网络在船舶通信中的应用船舶通信指的是在摩擦剧烈的海面和复杂的海上环境中，船舶与其他船只或地面通信站之间进行信息交互。

基于改进BP神经网络的船舶操纵性能预报

ＺＡｅｊｎ，ＸＯｅ－ａＨＯＸｕ－ｕＩＮＧＷｎｈｉ
（ｉｇａｃａｈｐｎａｎｒＣｌｇ，Ｑｎｄｏ２６７，Ｃｉ）ＱｎｄｏＯｅｎＳｉｉｇＭｒｅｏｅｅｉａ６０ｈｎｐｉｓｌｇ１ａ
Ａｂｔａｃ：Ｔａｉｇｔｕｎｉｇｐｒｏｍａｃｆａｓｎｌｃｅｓｉｓｅａｌｈｅｍｅｏｏｓａｌｓｍｅｔｏｈｔｅｔａｄｌｏｈｐｓｒｔｋｎｈｅｔｒｎｅｆｒｎｅｏｉｇｅｓｒｗｈｐａｘｍｐｅ．ｔｔｄｆｒｅｔｂｉｈｎｆｔｅｍａｈｍａｉｌｍｏｅｆｓｉｈｃｍａｅｖｒｂｌｔｙｕｉｇｍｏｉｅｅｒｌａｇｒｔｍｓｉｖｓｉａｅｎｔａｅｎｔｉｌｔｏｓｃｒｉｄｏｔｗｉｎｕｅａｉｉｂｓｎｄｆｄＢＰｎｕａｏｉｙｉｌｈｉｎｅｔｔｄｉｈｅｐｐｒａｄｉｓｓｍｕａｉｎｉａｒｅｕｔＭＡＴＬＡＢａｇｇｇｈｌｕａｅ．ｎ
述，Ｂ而Ｐ神经网络方法就是构造一个非线性动态系统，这个非线性动态系统通过对样本的学习建立起网络
ＴｈｓｌｓｏｅｒｓａｃｎｃｔｈｔｔｅｍｏｉｅＰｅｏｋｓｈｖａｔｒｃｎｅｇｎｅｓｅｄａｄｂｔｅｒｄｃｉｎｐｅｉｉｎｔａｏｍａｅｒｕｔｆｔｅｅｒｈｉｄｉａｅｔａｄｆｄＢｎｔｒａｅｆｓｅｏｖｒｅｃｐｅｎｅｔｒｐｅｉｔｏｒｃｓｏｎｎｒｌＢＰｈｈｉｗｈ

遗传算法和BP神经网络在电机故障诊断中的应用研究

ＢＰｕｒｌＮｅｗｏｋｉｏｏｕｌａｎｓｓＮｅａｔｒｎＭｔｒＦａｔＤｉｇｏｉ
ＹＡＮＧＣｈｏ，ＷＡＮＧａＺｈｉｗｅ — ｉ
（ｅａｏａｒｆｏｖｙｎｅａｄＥｕｐｅｔｆｎｓｆｄｃｔｎＫｙＬｂｒｔｙｏｎｅａｃｎｑｉｍｎｏＭｉｉｒｏｕａｏ，ｏＣｔｙＥｉ
ＤＩＯ编码：０３６／．ｓ．０６—１５．０００．３１．９９ｊｉｎ１０ｓ３５２１．５０６
ＡｐｉａｉｎＲｅｅｒｈｏｅｅｉｇｒｔｍｎｄｐｌｔｏｓａｃｎＧｎｔｃＡｌｏｉｈａｃ
摘要：针对ＢＰ神经网络算法容易陷入局部极小点及收敛速度慢的问题，用遗传算法对Ｂ利Ｐ神经网络的权
值和阀值进行优化，善Ｂ改Ｐ神经网络的诊断性能；过Ｇ —Ｂ通ＡＰ网络对电机的三种工作状态进行了诊断识别，其
安全运行的重要措施。因此，电机设备故障诊断对理论和技术的研究具有现实意义 ’ 。
连接，工神经网络具有很强的自组织、人自学习的
能力Ｊ。传统的ＢＰ神经网络采用的是沿梯度下降
的搜索求解算法，在收敛速度慢，复杂的网络存在
实验仿真结果表明：无论是在诊断速度上还是诊断精度上，Ａ～Ｐ神经网络诊断性能都比单独的运用ＢＧＢＰ网络有

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

船舶推进电机常用故障诊断特征值及故障类型的确定
通过综合分析确定，可监测到的船舶推进直流电机的
类别，为主动维修争取时间，避免因为小隐患造成大事故。
船舶推进电机故障诊断原理研究
神经网络
模拟信号主要有：前电枢电压、前电枢电流、后电枢电压、后电枢电流、前励磁电流、后励磁电流、电机转速、艏端轴承温度、艏端进风口温度、艏端铁芯出口温度、艉端轴
概述
现代舰船为了提高其综合性能，大量采用电力推进方
船舶推进电机常用故障诊断特征值及故障类型
通过梳理、分析直流电机故障诊断的相关研究成果，综合获悉直流电动机的故障诊断常用特征值及故障类型主要有：
式。推进电机作为电力推进系统的重要装备，其运行状态直接关系到船舶的在航状态及综合能力的发挥，电机一旦
转动惯量，电感，反电势系数，摩擦系数，电枢电流均值，电枢电流标准差。
船舶推进电机常用故障诊断常见故障类型
换向故障、振动故障、扭振故障、绝缘故障，电枢电阻增大，电刷磨损或电刷弹簧压力不足，线圈断路，绕组
短路，换向片开焊，过压、欠压、过流、过载、堵转，匝间短路。
基础及前沿
王阔Ｊ丁
中国科技信息２０１４年第１９，ｒ加期合刊・ＣＨＩＮＡＳＣＩＥＮＣＥＡＮＤＴＥＣＨＮＯＬＯＧＹＩＮＦＯＲＭＡＴＩＯＮＯｃｔ．２０１４
王阔厅
海军潜艇学院
利用ＢＰ神经网络在不改变装备现状的前提下，通过采集推进电机的特征信息，结合已
后电枢电流、后励磁电流、电机转速、艏端轴承温度、艏端进风口温度、艏端铁芯出口温度、艉端轴承温度、艉端进风口温度、艉端铁芯出口温度、换向器出风口温度、环
境温度等。
０．６９１９０．８１３５０．６２５５０．６６４９０．６５２６０．７８２５０．３４８５０．５４２５０：０．３５４５０．１８２７０．１８７７０．３６０６０．５５６２０．５６７６０．８７０１０．６５５２０．８９５９０．４３１５０．６５６４０．７７１６０．３４１６
０．３１０１１：
可诊断的船舶推进电机故障类型
电枢绕组匝间短路、主回路保险丝烧断、速度调节器故障、过载、励磁绕组匝间短路、换向器故障、轴承座松动、
０．２０３４０．１４３１０．１５６７０．１７８５０．４５８８０．５９９２０．２５５３０．４６７３０．４５９８０．６６２３０．７５５１０．７５５４０．４３１４
ＢＰ神经网络可用于系统模型未知或系统模型非常复杂，以及非线性系统的故障预测和识别，而且ＢＰ神经网络具有计算速度快、内存消耗低的特点，非常适合进行实时监
测和故障预测。
本文利用ＢＰ神经网络在不改变装备现状的前提下，通过采集推进电机的特征信息，结合已知的工况、参数、结构特点和环境温度对可能发生的故障进行预报，对已发生或正在发展的故障进行分析、判断，确定故障的性质和
是对于未发故障缺乏预测方法，严重制约了推进电机的动态监测和主动维修，存在重大的安全隐患。神经网络在预测、模式识别等领域得到了成功应用。
船舶推进电机常用故障诊断常用特征值
电枢电压、电流，电机转速，绕组温度，扭振波形，换向器表面状态，换向火花，轴承振动，绝缘电阻端电阻，
图１故障诊断原理图
一
３一
中国科技信恩２０１４年笫１９，２０期合刊 ’ ＣＨＩＮＡＳＣＩＥＮＣＥＡＮＤＴＥＣＨＮＯＬＯＧＹＩＮＦＯＲＭＡＴＩＯＮＯｃｔ．２ｏ１４
基础及前沿
知的工况、参数、结构特点和环境温度对可能发生的故障进行预报，为主动维修争取时间，
避免因为小隐患造成大事故。
ＤＯＩ：１０３９６９／ｊ．ｉｓｓｎ．１００１－８９７２．２０１４．１９．００４
．
ＢＰ神经网络在船舶推进电机故障预测中的应用
发生故障（特别是突发故障）将对船舶的生命力和续航力造成非常严重的影响。船舶推进电机主要采用直流电机，而直流电机故障复杂多样，有电气故障也有机械故障，有线性系统故障也有非线性系统故障，且其关系错综复杂，仅靠传统的诊断理论和方法，难以实现故障诊断和预测目标。目前，针对推进电机的状态监测缺乏综合手段，特别
承温度、艉端进风口温度、艉端铁芯出口温度、换向器出风口温度。
故障信息
诊断
通过对采集到的模拟信号监测、分析，初步确定船舶推进电机故障诊断特征值和故障类型如下：
模块
可用于船舶推进电机故障诊断的特征值
前电枢电压、前电枢电流、前励磁电流、后电枢电压、