【技术实现步骤摘要】
一种基于深度神经网络的船用桨叶故障识别方法
本专利技术涉及深度学习技术及振动检测领域，尤其涉及一种基于深度神经网络的船用桨叶故障识别方法。
技术介绍
船舶依靠螺旋桨桨叶在水中旋转，将柴油机转动功率转化为推力，在水中进行航行动作。作为船舶主要动力设备，螺旋桨如果受损，船舶的正常行驶将受到严重影响。螺旋桨是长期使用过程中，会出现如桨叶结构变形、断裂、气蚀等现象，严重威胁船舶航行安全。通常情况下，诊断螺旋桨桨叶是否发生故障有两种方法，一种是靠潜水员进行水下勘察，一种是将船舶上坞进行检测。这两种传统方法对于螺旋桨桨叶检测都过于昂贵，而且效率低下，诊断结果正确与否很大程度取决于操作人员水平高低。而基于深度神经网络的船用桨叶故障识别方法，通过采集和螺旋桨相连接的艉轴等结构的振动信息解决和改善了上述问题，能够在船舶不停航的情况下进行螺旋桨桨叶检测，而且经济性高。
技术实现思路
本专利技术主要针对现有
中的热点问题，提供一种基于深度神经网络的船用桨叶故障识别方法。本专利技术解决相应技术问题的技术方案...
【技术保护点】
1.一种基于深度神经网络的船用桨叶故障识别方法，其特征包括以下步骤：/n1)将振动传感器组安装在连接船舶螺旋桨的艉轴结构、变速箱和柴油机处；/n2)通过振动传感器采集数据，依据振动传感器编号进行数据排列，提取振动检测数据序列；/n3)采集大量船舶螺旋桨桨叶的分类故障及正常数据序列集，通过数据增广扩展为数据训练集和数据验证集；/n4)使用VGGNet网络作为船用桨叶故障识别模型网络对数据集进行训练，得到对应船用桨叶故障识别模型。/n
【技术特征摘要】
1.一种基于深度神经网络的船用桨叶故障识别方法，其特征包括以下步骤：
1)将振动传感器组安装在连接船舶螺旋桨的艉轴结构、变速箱和柴油机处；
2)通过振动传感器采集数据，依据振动传感器编号进行数据排列，提取振动检测数据序列；
3)采集大量船舶螺旋桨桨叶的分类故障及正常数据序列集，通过数据增广扩展为数据训练集和数据验证集；
4)使用VGGNet网络作为船用桨叶故障识别模型网络对数据集进行训练，得到对应船用桨叶故障识别模型。
2.根据权利要求1所述的一种基于深度神经网络的船用桨叶故障识别方法，其特征在于，所述步骤1)将振动传感器组安装在连接船舶螺旋桨的艉轴结构、变速箱和柴油机处具体包括：
2.1)振动传感器组采用的振动传感器为加速度传感器，传感器工作频率为4096Hz，量程(0，50g)，安装方式为螺栓固定；
2.2)在艉轴中间轴连接轴承处，安装振动传感器，编号1；
2.3)在中间轴前部和后部轴承处，安装振动传感器，分别编号2、3；
2.4)在变速箱输出轴和输入轴轴承处，安装振动传感器，编号4、5；
2.5)在柴油机动力轴两端安装振动传感器，编号6、7。
3.根据权利要求1所述的一种基于深度神经网络的船用桨叶故障识别方法，其特征在于，所述步骤2)通过振动传感器采集数据，依据振动传感器编号进行数据排列，提取振动检测数据序列，具体包括：
3.1)所有振动传感器同时开始采集振动数据，根据传感器编号，对应位置数据记为g1，g2，g3，g4，g5，g6，g7；
3.2)整理任意采集时间段内的振动数据，组成序列数据，如下：
式中：D表示任意采集时间段内应变检测数据序列，t0，tn分别表示任意采集时间段的起点和终点。
4.根据权利要求1所述的一种基于深度神经网络的船用桨叶故障识别方法，其特征在于，所述步骤3)采集大量船舶螺旋桨桨叶的分类故障及正常数据序列集，通过数据增广扩展为数据训练集和数据验证集，具体包括：
4.1)采集大量船舶螺旋桨连接结构的振动检测数据序列，检测序列数据可以是任意时间段内的；
4.2)将采集到的振动检测数据序列打上数据标记，数据标记分为6类；将标签结果向量化，表示成一个6维向量，向量元素分别对应正常、桨叶变形、桨叶干涉摩擦、桨叶鸣音、桨叶气蚀和桨叶断裂6种振动检测结果...
【专利技术属性】
技术研发人员：周家海，李定国，王伟，宁文龙，陈庆为，肖玉华，朱旺峰，皮雳，陈玲玲，
申请(专利权)人：交通运输部水运科学研究所，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。