[发明专利]基于CNN和RNN融合的船舶故障实时诊断方法

说明书

本发明涉及一种基于CNN和RNN融合的故障诊断方法，该方法可用于船舶实时故障诊断。首先，利用船舶历史数据建立船舶特征参数之间的相关性矩阵，相关性矩阵可以表征属性之间的关系，然后添加滑动窗口采集窗口内的多传感器原始数据进行相关性处理，将处理后的多变量时间序列作为卷积神经网络的输入，由卷积神经网络自动提取故障特征，最后，将提取的特征向量重组后作为循环神经网络的输入，进行故障的分类。实验结果表明该方法不需要人工提取数据特征，其故障诊断准确率高，响应时间短。它的先进性主要体现在船舶故障诊断分类中具有良好的效果，且时间响应快，可以满足船舶故障实时诊断的使用需求。

技术领域

本发明属于船舶系统技术领域，尤其针对多个传感器原始数据的实时故障诊断方法。

背景技术

船舶作为水上交通运输的主要工具，船舶运行的安全性、稳定性对于水上交通运输行业起着至关重要的作用。由于船舶设备众多，运行环境复杂，大大增高了设备故障发生的概率，如果设备发生故障时不能及时发现，将对船舶的航行带来巨大危险。故障诊断通过检测和识别故障，对船舶的健康管理具有重要意义，有效的故障检测可以提高船舶的安全性，因此对于船舶设备的实时在线故障诊断是很有必要的。

发明内容

发明目的：本发明的目的在于克服现有技术不能满足多设备实时诊断的问题，提出一种设计合理、准确度高且响应时间短的基于CNN和RNN融合的船舶故障实时诊断方法。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于CNN和RNN融合的船舶故障实时诊断方法，包括如下步骤：

步骤一：在历史数据库中，选取正常状态下的船舶运行状态的历史数据，利用选取的历史数据集得到属性之间的相关性矩阵；

步骤二：添加一个滑动窗口，获取多传感器采集的原始数据；

步骤三：对窗口内多传感器的原始数据进行相关性分析，增强属性之间的联系；

步骤四：首先将窗口内的多传感器原始数据经过相关性处理后作为CNN输入，使用多个卷积核自动提取不同的船舶故障特征，得到一组新的特征集合；

步骤五：将得到的特征集合重新排列，得到同一时间段在经过不同卷积操作后的综合特征向量，重组后的综合特征向量保持了原有的相对时间顺序，并将这些综合特征向量作为RNN的输入变量；

步骤六：使用RNN将所有综合特征向量对应的信息作为整体进行处理，对整个事件进行分类；

步骤七：计算当前网络的交叉熵；

步骤八：验证训练终止条件；

步骤九：满足训练终止条件，结束训练；否则，使用AdadeIta自适应算法更新网络，转步骤四；

步骤十：根据RNN输出的概率向量，即每个向量中概率最大值的分量所对应的故障类别，即是该网络故障诊断的类别。

进一步地，步骤一中计算相关性矩阵的方法为：

多变量时间序列记为X＝(X₁,X₂,…,X_m)＝(x_ij)_n×m。X代表选取的某时间段内的多传感器的历史数据，m代表属性的个数即是传感器个数，n代表时间维度即选取的历史数据的长度,x_ij表示第j维属性在第i时的记录值，且一般情况n＞＞m，当m＝1时，该时间序列为单变量时间序列。