[发明专利]基于多维向量模型的船舶关键设备系统的监测方法

权利要求书

1.一种基于多维向量模型的船舶关键设备系统的监测方法，其特征在于，包括以下步骤：

S1：构建所述船舶关键设备系统的系统多维向量监测模型；

S2：实时监测所述船舶关键设备系统的工况条件，按照当前工况，调用相应工况条件下的系统多维向量监测模型；

S3：判断是否存在与子模块的特征参数所对应的多维向量未落入相应的正常态多维向量集，若是，则判断在所述当前工况下所述子模块处于故障状态；若否，则判断在所述当前工况下所述子模块处于正常状态，

其中，所述S1包括：

S11：将所述船舶关键设备系统划分成各子模块；

S12：基于机器学习的多维向量模型法，利用各所述子模块在健康状态运行的一段时间内，各种典型工况下的特征参数构建与所述子模块对应的子多维向量监测模型，各所述子模块的子多维向量监测模型均包括正常态多维向量样本集；

S13：利用测试性建模软件构建包括各所述子模块的子多维向量监测模型的系统多维向量监测模型，

所述S2中，各所述子模块的子多维向量监测模型包括正常态多维向量样本集X1＝{X₁₁，X₁₂，X₁₂...，X_1n}，以及异常态多维向量样本集X2＝{X₂₁，X₂₂，X₂₃...，X_2n}；

判断出当前工况下船舶关键设备系统的子模块处于故障状态后，指出具体故障信息的步骤包括：

S21：计算存在故障的子模块的子多维向量监测模型中，各特征参数的正常态多维向量样本集与异常态多维向量样本集间的判别距离D，计算公式为：

其中，m1为所述X1中的所计算的特征参数的均值向量，m2为所述X2中的所计算的特征参数的均值，s1为所述X1中的所计算的特征参数的方差，s2为所述X2中的所计算的特征参数的方差；

S22：对各特征参数的判别距离D进行排序，所述判别距离D越大，表示该特征参数偏离正常态多维向量样本集的程度越大；

S23：按照所述判别距离D由大到小输出具体故障特征参数，

在所述S3中，判断在当前工况下子模块处于正常状态后，则返回所述S2，

所述S12包括：

S121：选定与所述子模块对应的子多维向量监测模型的特征参数；

S122：根据所选定的特征参数提取训练样本集和测试样本集，所述训练样本集与所述测试样本集由与所述特征参数对应的多维向量构成；

S123：初始化所述子多维向量监测模型的模型参数；

S124：对所述模型参数寻优以构建各所述子模块的子多维向量监测模型：

利用所述训练样本集对所述子多维向量监测模型进行训练，之后利用所述测试样本集对所述子多维向量监测模型进行验证，以优化所述模型参数，得到优化后的子多维向量监测模型，

所述S122包括以下步骤：

S1221：按照时间标签进行与所述子模块对应的特征参数的原始数据样本的提取和筛选；

S1222：对所述S1221中所提取的所述原始数据样本进行随机抽样，并对抽样数据进行可视化，判断所述原始数据样本是否均衡，若是，则转到步骤S1223；若否，则返回步骤S1221；

S1223：将所述S1222中提取的所述原始数据样本用于进行所述子多维向量监测模型的训练或测试。

2.根据权利要求1所述的监测方法，其特征在于，所述S123中：

所述模型参数包括惩罚参数nu，和核函数的参数，其中所述核函数是通过对相应的训练样本集进行搜索学习得到的。

3.根据权利要求1所述的监测方法，其特征在于，所述S124包括以下步骤：

S1241：所述模型参数构成多维参数矩阵；

S1242：利用与所述子模块对应的训练样本集，寻求所述多维参数矩阵中的每一组模型参数训练出的子多维向量监测模型；

S1243：利用与所述子模块对应的测试样本集验证同一批训练样本在不同模型参数下的准确度，选定准确度最高的为最优模型参数。