船舶动力设备退化基线计算及预测方法
发布时间：2021-06-06 11:21
船舶动力设备在自身性能退化过程中的相当长一段时间内仍能完成规定功能,对具有重要特征参数或性能指标的船舶动力设备而言,若使用定基线进行健康状态评估会导致评估值连续较低甚至误报警问题。为了解决这一问题,以目标设备按性能退化时间序列采集的特征参数为研究对象,首先建立退化基线计算方法,利用滑动概率神经网络和性能可靠度与基线值间的转换函数获得目标设备的动态退化基线;然后建立ARMA预测模型获得预测参数,并与退化基线计算方法结合对退化基线发生动态变化的时间节点进行预测;最后利用海水泵对建立的方法可行性进行验证。结果表明,本文建立的退化基线计算方法能够获得动态基线,退化基线预测方法能够对动态基线的变化时间节点进行准确预测。
【文章来源】：舰船科学技术. 2020,42(07)北大核心
【文章页数】：8 页
【部分图文】：
退化基线计算方法流程图Fig.1Degradationbaselinecalculatemethod基本步骤为：步骤1确定具有重要特征参数或性能指标的船舶
R(tk,VZ)=1F(tk,VZ)。(5)步骤6当进行第k+1次运算时，保留第k次运算时窗口内的s-d个特征参数，并新增d个特征参数，重复步骤4及步骤5，可以获得tk+1时刻的概率密度分布，经过滑动时间窗口的不断滑动，可以连续获得各窗口处特征参数的概率密度分布和性能退化量，进而获得性能可靠度值，如图3和图4所示。YZ(tk)步骤7假设目标设备完好无损正常状态下的基线值为VH，根据式（6）获得随性能可靠度变化的动态基线值。图2滑动概率神经网络拓扑图Fig.2Diagramofslidingprobabilisticneuralnetwork图3性能退化量跟踪曲线示意图Fig.3Trackingcurveofperformancedegradationmeasures图4性能可靠度跟踪曲线示意图Fig.4Trackingcurveofperformancereliability第42卷蔡玉良，等：船舶动力设备退化基线计算及预测方法·143·
1次运算时，保留第k次运算时窗口内的s-d个特征参数，并新增d个特征参数，重复步骤4及步骤5，可以获得tk+1时刻的概率密度分布，经过滑动时间窗口的不断滑动，可以连续获得各窗口处特征参数的概率密度分布和性能退化量，进而获得性能可靠度值，如图3和图4所示。YZ(tk)步骤7假设目标设备完好无损正常状态下的基线值为VH，根据式（6）获得随性能可靠度变化的动态基线值。图2滑动概率神经网络拓扑图Fig.2Diagramofslidingprobabilisticneuralnetwork图3性能退化量跟踪曲线示意图Fig.3Trackingcurveofperformancedegradationmeasures图4性能可靠度跟踪曲线示意图Fig.4Trackingcurveofperformancereliability第42卷蔡玉良，等：船舶动力设备退化基线计算及预测方法·143·
【参考文献】：
期刊论文
[1]基于PNN的音乐情感分类[J]. 李强,刘晓峰. 计算机工程与设计. 2019(02)
[2]基于集成学习概率神经网络的电机轴承故障诊断[J]. 张习习,顾幸生. 华东理工大学学报(自然科学版). 2020(01)
[3]基于基线漂移模型的气体光谱自动基线校正[J]. 王昕,吕世龙,李岩,尉昊赟,陈夏. 光谱学与光谱分析. 2018(12)
[4]基于神经网络的柴油发动机的故障诊断[J]. 宋娟,蒙晔. 工业控制计算机. 2018(11)
[5]支持向量机的船舶短期电力负荷预测方法[J]. 侯文君,汪英英,姚艺新,黄小华. 舰船科学技术. 2018(18)
[6]基于ARMA模型的船舶海水冷却系统参数预测[J]. 孙晓磊,丁亚委,郭克余,邹永久,孙培廷. 计算机测量与控制. 2017(07)
[7]我国沿海船舶CO2排放限值与EEDI比对分析[J]. 于巧婵,纪永波,骆义. 中国航海. 2016(03)
[8]软件配置管理中的基线问题研究[J]. 姜文,刘立康. 计算机技术与发展. 2016(06)
[9]基线分析方法在系统性能优化中的应用[J]. 梁军科. 数字技术与应用. 2016(05)
[10]基于GA-BP模型的船舶柴油机排气温度趋势预测[J]. 王新全,孙培廷,邹永久,李国龙. 大连海事大学学报. 2015(03)
博士论文
[1]基于Parzen Window估计的分类与聚类方法及应用研究[D]. 应文豪.江南大学 2013
硕士论文
[1]船舶废气排放与能效水平在线监测[D]. 朱强.武汉理工大学 2017
[2]国内船舶能效指数与CO2排放基线实船研究[D]. 颜林.武汉理工大学 2011
本文编号：3214282
【文章来源】：舰船科学技术. 2020,42(07)北大核心
【文章页数】：8 页
【部分图文】：
退化基线计算方法流程图Fig.1Degradationbaselinecalculatemethod基本步骤为：步骤1确定具有重要特征参数或性能指标的船舶
R(tk,VZ)=1F(tk,VZ)。(5)步骤6当进行第k+1次运算时，保留第k次运算时窗口内的s-d个特征参数，并新增d个特征参数，重复步骤4及步骤5，可以获得tk+1时刻的概率密度分布，经过滑动时间窗口的不断滑动，可以连续获得各窗口处特征参数的概率密度分布和性能退化量，进而获得性能可靠度值，如图3和图4所示。YZ(tk)步骤7假设目标设备完好无损正常状态下的基线值为VH，根据式（6）获得随性能可靠度变化的动态基线值。图2滑动概率神经网络拓扑图Fig.2Diagramofslidingprobabilisticneuralnetwork图3性能退化量跟踪曲线示意图Fig.3Trackingcurveofperformancedegradationmeasures图4性能可靠度跟踪曲线示意图Fig.4Trackingcurveofperformancereliability第42卷蔡玉良，等：船舶动力设备退化基线计算及预测方法·143·
1次运算时，保留第k次运算时窗口内的s-d个特征参数，并新增d个特征参数，重复步骤4及步骤5，可以获得tk+1时刻的概率密度分布，经过滑动时间窗口的不断滑动，可以连续获得各窗口处特征参数的概率密度分布和性能退化量，进而获得性能可靠度值，如图3和图4所示。YZ(tk)步骤7假设目标设备完好无损正常状态下的基线值为VH，根据式（6）获得随性能可靠度变化的动态基线值。图2滑动概率神经网络拓扑图Fig.2Diagramofslidingprobabilisticneuralnetwork图3性能退化量跟踪曲线示意图Fig.3Trackingcurveofperformancedegradationmeasures图4性能可靠度跟踪曲线示意图Fig.4Trackingcurveofperformancereliability第42卷蔡玉良，等：船舶动力设备退化基线计算及预测方法·143·
【参考文献】：
期刊论文
[1]基于PNN的音乐情感分类[J]. 李强,刘晓峰. 计算机工程与设计. 2019(02)
[2]基于集成学习概率神经网络的电机轴承故障诊断[J]. 张习习,顾幸生. 华东理工大学学报(自然科学版). 2020(01)
[3]基于基线漂移模型的气体光谱自动基线校正[J]. 王昕,吕世龙,李岩,尉昊赟,陈夏. 光谱学与光谱分析. 2018(12)
[4]基于神经网络的柴油发动机的故障诊断[J]. 宋娟,蒙晔. 工业控制计算机. 2018(11)
[5]支持向量机的船舶短期电力负荷预测方法[J]. 侯文君,汪英英,姚艺新,黄小华. 舰船科学技术. 2018(18)
[6]基于ARMA模型的船舶海水冷却系统参数预测[J]. 孙晓磊,丁亚委,郭克余,邹永久,孙培廷. 计算机测量与控制. 2017(07)
[7]我国沿海船舶CO2排放限值与EEDI比对分析[J]. 于巧婵,纪永波,骆义. 中国航海. 2016(03)
[8]软件配置管理中的基线问题研究[J]. 姜文,刘立康. 计算机技术与发展. 2016(06)
[9]基线分析方法在系统性能优化中的应用[J]. 梁军科. 数字技术与应用. 2016(05)
[10]基于GA-BP模型的船舶柴油机排气温度趋势预测[J]. 王新全,孙培廷,邹永久,李国龙. 大连海事大学学报. 2015(03)
博士论文
[1]基于Parzen Window估计的分类与聚类方法及应用研究[D]. 应文豪.江南大学 2013
硕士论文
[1]船舶废气排放与能效水平在线监测[D]. 朱强.武汉理工大学 2017
[2]国内船舶能效指数与CO2排放基线实船研究[D]. 颜林.武汉理工大学 2011
本文编号：3214282
本文链接：https://www.wllwen.com/kejilunwen/chuanbolw/3214282.html
