Intelligent diagnostics of a marine engine based on neural networks and a modified genetic algorithm

Abstract

Статья посвящена разработке методики интеллектуальной диагностики судовых двигателей, который позволит объединить имеющиеся знания о судовых двигателях и передовые методы анализа данных. В статье рассмотрены особенности проведения интеллектуальной диагностики судового двигателя на базе инструментария нейронных сетей и генетического алгоритма. Основу методики составляет процедура распознавания «диагностического портрета» судового двигателя с использованием акустического и вибрационного сигнала. В процессе исследования были протестированы различные генетические алгоритмы на примере диагностики элементов судового двигателя. В рамках исследования предложен модифицированный генетический алгоритм, который даст возможность обеспечить повышение точности, надежности и быстродействия получения диагностических параметров. Основная идея этой сети заключается в применении вейвлет-нейрона вместо традиционного нейрона, а затем в разложении сигнала путем анализа вейвлета с несколькими разрешениями. вейвлет-нейронная сеть сочетает в себе хорошую способность вейвлет-преобразования к локализации времени-частоты, а также имеет значительный потенциал для самообучения. Для анализа эффективности предложенного алгоритма рассмотрены изменения значения пригодности и изменения квадратичной ошибки. Кривая изменения значения пригодности отражает рост эволюционной алгебры, колебания уровня пригодности популяции, а квадратичная ошибка отражает оптимизацию весов и порогов с увеличением генетического поколения. The article is devoted to the development of a methodology for intelligent diagnostics of ship engines, which will combine existing knowledge about ship engines and advanced methods of data analysis. The article discusses the features of carrying out intelligent diagnostics of a marine engine based on neural network tools and a genetic algorithm. The method is based on the procedure for recognizing the "diagnostic portrait" of a marine engine using an acoustic and vibration signal. In the course of the study, various genetic algorithms were tested on the example of diagnosing ship engine elements. As part of the study, a modified genetic algorithm is proposed, which will provide an opportunity to improve the accuracy, reliability and speed of obtaining diagnostic parameters. The main idea of this network is to use a wavelet neuron instead of a traditional neuron and then decompose the signal by analyzing the wavelet with multiple resolutions. The wavelet neural network combines the good ability of the wavelet transform to time-frequency localization, and also has a significant potential for self-learning. To analyze the effectiveness of the proposed algorithm, changes in the fitness value and changes in the quadratic error are considered. The fitness value change curve reflects the growth of evolutionary algebra, population fitness fluctuations, and the squared error reflects the optimization of weights and thresholds with increasing genetic generation.