[发明专利]船舶机舱设备状态监测及故障诊断方法、系统及介质

说明书

本发明提供了一种船舶机舱设备状态监测及故障诊断方法、系统及介质，包括：步骤1：对船舶模型进行分割；步骤2：选取各子模型的特征参数，并提取出训练样本；步骤3：对训练样本进行训练；步骤4：进行实时状态监测和故障诊断。本发明使构建设备状态监测的门槛大大降低，为后续的故障诊断和辅助决策提供明确的信息指引；本发明可解决目前智能船舶、无人船舶对船舶设备进行状态监测及评估的需求，提高船舶的安全性。

技术领域

本发明涉及船舶技术领域，具体地，涉及一种船舶机舱设备状态监测及故障诊断方法、系统及介质。尤其地，涉及一种自组织映射网络与支持向量机相结合的船舶机舱设备状态监测及故障诊断方法。

背景技术

船舶机舱设备的复杂多样且自动化程度越来越高，设备的日常维护和故障检修越来越困难，设备维护的费用越来越高，且随着中国船级社《智能船舶规范》的发布及实际装船数量的越来越多，船舶机舱设备的智能化趋势日益显著，随之而产生的是海量的数据，如何充分利用现有数据对机舱内关键设备进行主动运维服务，进而有效支持和提升船舶的智能化及运维管理水平，已成为船舶智能化领域的重点研究方向。目前利用大数据机器学习进行设备状态监测及故障诊断的算法的及准确性严重依赖样本的质量及故障样本的多寡，在实际应用中一开始只有正常数据，异常数据较少，导致模型无法建立起来，且在实际操作上准确率不够且诊断结果不具备可解释性，因而故障定位不够精准。

而本方法可以在只有少量故障样本的情况下，通过机器学习模型与统计数据结合使用，来逐渐充实故障样本且可以随着故障样本的增加在算法决策中逐渐加大故障样本模型输出结果的置信度，从而实现模型的迭代和优化。且最终在监测出故障后会通过统计模型对各参数进行偏离度量化，并按照归一化后的距离进行影响因子排序，从而实现较为准确的故障特征的定位。

在对船舶机舱关键设备进行状态监测的过程中，机械设备投运初期，健康状态设备健康状况较好，这时可认为此时的特征参数均为正常态数据样本，而异常态的数据样本很少，常规的机器学习算法一般需要正反两方面的样本，很多设备往往需要在构建模型时通过仿真或者台架试验数据认为模拟异常数据，该数据往往不够准确且没有考虑到工况变化和设备本身的个体和使用场合的差异。

本发明基于对船舶机舱关键设备(如柴油机)各子系统、设备及设备间的关联关系有深入的研究并进行层级划分，针对各个项目、子系统、设备进行划进行监控特征参数提取并建立设备的状态监测模型，进而建立完整的船舶设备系统级运行状态监控模型。本发明利用设备运行的一段时间的各典型工况下的多维向量进行模型训练，训练好的模型可直接调用并实现计算机自动诊断当前设备的故障/失效状态。该模型可以将工况数据作为特征参数，通过运行产生的多维特征向量作为测试集，模型实时计算模型当前状态，并在监测为异常态的时候，通过计算各参数和正常态下的样本的计算其Fisher判别获取引起设备相关故障/失效的关键参数，从而可以发现不同工况下的设备的早期潜在故障。并且采用多模型有条件串并联运行机制提高目前智能机舱系统中设备状态监测及故障诊断的在线诊断效率及准确性。以解决目前智能船舶、无人船舶对船舶设备进行状态监测及故障诊断的需求。

专利文献CN103760871B(申请号：201410039061.9)公开了一种船舶状态的诊断系统及其诊断方法，所述的诊断系统包括船端数据监测系统和岸端云诊断系统，所述的船端数据监测系统包括机舱数据采集基站、工控机、船端服务器和船端多信息融合分析模块，所述的岸端云诊断系统包括船舶数据服务器集群、数据算法服务器以及用户客户端。本发明对数据的处理分为两级：第一级对实时数据进行常规分析，计算量小，实时性较高；第二级通过船岸通讯将船端数据发送至岸端云诊断系统进行进一步的复杂分析及状态趋势预报，这种方式分析更为准确，能实现预报功能，但实时性稍差。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种船舶机舱设备状态监测及故障诊断方法、系统及介质。

根据本发明提供的船舶机舱设备状态监测及故障诊断方法，包括：

步骤1：对船舶模型进行分割；