基于卷积神经网络的船舶电力设备故障诊断开题报告

 2020-02-10 11:02
1.目的及意义(含国内外的研究现状分析)

1、目的及意义(含国内外的研究现状分析)

1.1研究背景

19世纪40 年代俄国科学家雅科宾用蓄电池和直流电机在一条小船上做了电力推进的试验,船舶电力推进系统从概念形成至今已经有170余年的历史[1]。但是由于当时技术、理论知识等多种因素的限制,使得船舶电力推进技术发展缓慢,应用范围比较狭窄,只在少数特种船舶上被使用。后来,大功率电子技术、集成电路技术以及自动控制理论技术得到了快速发展。与此同时,功率器件和调速变频器技术发展迅速,使得交流调速技术的研究取得了重大突破。这些技术为船舶电力推进技术的发展提供了理论和技术支持,使船舶电力推进技术实际应用成为可能[2]。而且,永磁电机伴随着第三代稀土永磁材料的研制成功已经正式跨越到了实用阶段。上述技术的突破与进步推动了船舶电力推进技术的进一步发展。因此,如今电力推进技术已经得到了飞速的发展,在民用和军用领域都被广泛采用。

船舶电动化程度的提高,使得船舶电力系统结构更加复杂,包括了发电机组、配电系统、变压器、调速器、电动机、螺旋桨等部分,同时涉及自动控制、机械设计、电力电子等多领域的专业知识。电力推进系统各组成部分之间相互关联、相互耦合,使得整个系统具有强烈的不确定性和非线性特征[3]。上述船舶电力推进系统特点,使得其发生的故障具有不确定性和相关性的特征。依靠传统的故障诊断方法已难以对系统中存在的故障进行有效的检测和诊断,不能够发现各组成部分之间的关联性关系,误诊、漏诊的概率极大[4]。因此,有必要针对船舶电力推进系统的特点进行故障诊断技术新方法的研究,寻找新的高效、准确、可靠的船舶电力系统故障诊断方法,减少船舶电力系统故障的发生。

1.2研究目的及意义

人工智能技术方兴未艾,是人们目前研究的热点之一,已经在很多领域得到了应用。深度学习作为人工智能技术的一种,是一种新的机器学习方法,可以通过多个非线性变换自适应地从原始数据中学习有用的特征,在特征提取与模式识别方面展现出独特的优势。经过近十年的发展,已经在图像处理、语音识别、文本识别等领域广泛应用,在故障诊断领域的研究也初见端倪[5]。目前,对船舶电力推进系统故障诊断技术的研究还不多,并且船舶电力推进系统自身结构的复杂性也给故障诊断带来了一定难度,基于人工神经网络的故障诊断方法将为上述问题的解决提供新的思路,具有重大而深远的意义。

本研究选取船舶电力推进系统中关键设备为研究对象,通过Simulink等仿真软件建立能够反映元器件工作特性的仿真模型,模拟元器件典型故障状况并收集故障数据;建立能够识别故障数据的卷积神经网络(CNN)模型,利用已有数据对卷积神经网络(CNN)模型进行训练和参数优化,验证该模型的识别精度,对卷积神经网络模型应用于船舶电气设备故障诊断进行探索。

1.3国内外研究现状

所谓故障诊断,就是指在检测到系统发生故障后,确定发生故障的种类、大小以及发生故障的时间与具体部件,可概括为定性,定时,定位。

您需要先支付 5元 才能查看全部内容!立即支付

该课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找,微信号:bysjorg 、QQ号:3236353895;