基于机器学习的船舶结构监测信号故障诊断与恢复
•
原作者:Navigation College, Dalian Maritime University, Dalian 116026, China et al.
•
Gemini AI生成的图像
一种新型的船舶监测系统故障诊断与恢复方法，利用机器学习技术，结合小波变换和专门的神经网络。该方法在不同位置的诊断准确率超过98%，在抗噪声能力方面优于长短期记忆网络（LSTM）和随机森林（Random Forest）。此外，它显著降低了偏差、漂移和脉冲故障的均方根误差（RMSE），提升了结构健康监测的可靠性，为更安全的智能导航提供了支持。
机器学习提升船舶结构健康监测
一种利用机器学习的新型故障诊断和恢复方法已被开发，以提高船舶结构健康监测系统的可靠性。该方法旨在降低信号故障的风险，这些故障可能导致对船舶结构完整性的误判。
性能分析
为了评估该方法的有效性，使用模型测试的监测数据进行了冲击分析。结果显示，在不同的监测位置，诊断率超过98%，表明在故障检测方面具有强大的性能。该方法在噪声抵抗能力上优于现有的算法，如长短期记忆（LSTM）和随机森林。
恢复效果
该方法在信号恢复方面也表现出色。在不同故障类型下，均实现了均方根误差（RMSE）的显著降低：
- 偏差故障减少73.86%
- 漂移故障减少75.49%
- 冲击故障减少19.55%
这种恢复效果的提升强调了该方法增强船舶结构健康监测系统稳定性的能力，这对于安全导航至关重要。
相关主题：
机器学习故障诊断恢复方法船舶结构监测抗噪声能力
📰 原始来源： https://doi.org/10.21278/brod77301
所有权利和署名均属于原出版商。