基于DT-SViT-KNN的海洋燃料系统的少数射击故障诊断方法研究
Shankai Li1,2, Liang Qi1,2, Jiayu Shi1
1School of Automation, Jiangsu University of Science and Technology, Zhenjiang 212100, China.
Sensors (Basel, Switzerland)
|January 11, 2025
概括
这项研究引入了一种用于船舶柴油发动机的新型故障诊断方法,使用数字双胞胎 (DT) 和与K-Nearest Neighbors (KNN) 连接的语视觉变压器 (SViT). 该方法在识别燃料系统故障方面达到很高的准确性,即使数据样本有限.
科学领域:
- 海洋工程 海洋工程
- 人工智能的人工智能
- 错误诊断 错误诊断 错误诊断 是一个
背景情况:
- 船舶柴油发动机燃料系统对于安全航行至关重要.
- 目前的数据驱动故障诊断方法在小样本场景中难以提取特征和准确性.
研究的目的:
- 开发用于船舶柴油发动机燃料系统的准确和有效的故障诊断方法,特别是在小样本条件下.
- 为了利用数字双胞胎技术来产生强大的故障数据和罗视觉变压器来提取先进的功能.
主要方法:
- 为6L21/31海军中速柴油发动机制造了一个数字双胞胎 (DT) 模型.
- 开发了一个特征提取网络,将语网络与视觉变压器 (ViT) 和基于注意力的K-最近邻居 (KNN) 分类器结合起来.
- 设计了一个加权相似性损失函数,以改善类似故障样本之间的歧视.
主要成果:
- 提出的方法实现了高平均精度:97.22% (10个样本/类),98.21% (20个样本/类) 和99.13% (30个样本/类).
- 即使训练数据有限,也证明了船舶燃料系统故障的准确分类.
- 数字双胞胎方法有效地产生了多样化的故障模拟数据.
结论:
- 集成的DT,SViT和KNN方法为精确的船舶燃料系统故障诊断提供了一个有希望的解决方案,使用小型数据集.
- 增强的特征提取和分类策略显著提高了诊断性能.
- 这种方法在确保船舶的安全性和可靠性方面具有强大的实际应用潜力.
更多相关视频
07:13Early Detection of Cyanobacterial Blooms and Associated Cyanotoxins using Fast Detection Strategy
Published on: February 25, 2021
3.8K
06:45Design and Application of a Fault Detection Method Based on Adaptive Filters and Rotational Speed Estimation for an Electro-Hydrostatic Actuator
Published on: October 28, 2022
1.6K
