-
题名基于随机森林和支持向量机的船舶柴油机故障诊断
被引量：21
- 1
-
-
作者
贺立敏
王岘昕
韩冰
-
机构
中远海运发展股份有限公司
上海船舶运输科学研究所航运技术与安全国家重点实验室
-
出处
《中国航海》
CSCD
北大核心
2017年第2期29-33,共5页
-
基金
上海市青年科技启明星计划资助项目(15QB1400800)
-
文摘
针对船舶低速二冲程柴油机故障的分析问题,提出基于随机森林和支持向量机的船舶柴油机故障诊断方法。对船舶低速二冲程柴油机MAN B&W 6S50MC-C建立故障仿真模型并验证其有效性;在此基础上,通过故障仿真模型生成故障样本。运用基于随机森林的VarSelRF特征选择算法对故障数据进行降维,提出运用支持向量机对降维后的故障数据进行分类的方法。通过仿真试验验证并分析该方法的有效性。
-
关键词
船舶工程
船舶柴油机
故障诊断
随机森林
特征选择
支持向量机
-
Keywords
ship engineering
marine diesel engine
fault diagnosis
random forest
feature selection
support vector machine
-
分类号
U664.121.1
[交通运输工程—船舶及航道工程]
-
-
题名基于长短时记忆的船舶涡轮增压器运行状态趋势预测
- 2
-
-
作者
吕金航
董胜利
王岘昕
张欢仁
-
机构
上海船舶运输科学研究所有限公司舰船自动化系统事业部
-
出处
《上海船舶运输科学研究所学报》
2023年第2期28-32,共5页
-
基金
高技术船舶科研项目(工信部重装函[2020]313号:CJ02N20)。
-
文摘
为解决传统涡轮增压器状态趋势预测方法存在的预测精度低和主观依赖度高的问题,提出一种基于长短时记忆(Long Short-Term Memory,LSTM)的涡轮增压器运行状态趋势预测方法。将涡轮转速作为涡轮增压器运行状态评价指标,建立增压器状态数据筛选原则,降低工况和外部因素变化对涡轮增压器运行状态变化特征的影响;利用LSTM隐含层内的循环节点,通过时序相似性搜索对涡轮增压器的状态趋势进行预测。实测结果表明,该基于LSTM的涡轮增压器运行状态趋势预测方法相比传统的基于最小二乘法的涡轮增压器状态趋势预测方法具有更好的预测效果,误差大幅减小,且趋势跟随性更强。
-
关键词
船舶涡轮增压器
趋势预测
健康管理
长短时记忆(LSTM)
-
Keywords
marine turbocharger
trend prediction
health management
LSTM(Long Short-Term Memory)
-
分类号
U664.5
[交通运输工程—船舶及航道工程]
-
-
题名基于优化灰色模型的柴油机状态分析及故障预测
被引量：3
- 3
-
-
作者
韩冰
尹振杰
王岘昕
-
机构
上海船舶运输科学研究所航运技术与安全国家重点实验室
-
出处
《中国航海》
CSCD
北大核心
2016年第4期38-42,共5页
-
基金
上海市青年科技启明星计划资助项目(15OB1400800)
-
文摘
针对柴油机状态分析及故障预测问题,提出一种基于神经网络优化的灰色模型预测方法。在建立多维GM(1,5)模型的基础上,利用遗传算法优化的神经网络构建误差补偿器,进而构建GBPGA预测模型,实现对柴油机的状态分析及故障预测。以柴油机故障仿真试验数据为样本对该模型进行验证,结果表明构建的GBPGA预测模型能有效地对柴油机潜在的故障进行预测。
-
关键词
船舶工程
故障预测
神经网络
GM(1
5)
遗传算法
GBPGA
-
Keywords
ship engineering
fault prediction
neural network
GM（1
5）
genetic algorithm
GBPGA
-
分类号
U664.121
[交通运输工程—船舶及航道工程]
-
