CN113657664A - 一种船舶机舱设备状态预测系统及方法 - Google Patents
一种船舶机舱设备状态预测系统及方法 Download PDFInfo
- Publication number
- CN113657664A CN113657664A CN202110936690.1A CN202110936690A CN113657664A CN 113657664 A CN113657664 A CN 113657664A CN 202110936690 A CN202110936690 A CN 202110936690A CN 113657664 A CN113657664 A CN 113657664A
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- state
- prediction
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种船舶机舱设备状态预测系统及方法,涉及轮机工程自动化与智能化技术领域,所述系统主要包括:数据采集模块,所述数据采集模块用于采集各种设备故障诊断的特征数据和状态预测的特征数据;故障诊断模块,所述故障诊断模块用于对船舶机舱设备进行故障诊断;状态预测模块,所述状态预测模块利用连续的历史数据对船舶机舱设备未来一段时期内的状态进行预测,通过对各设备特征参数的预测来预测设备状态;状态评估分析模块,所述状态评估分析模块用于对各设备未来一段时期内的状态进行评估分析。本发明通过采用小波分析结合时间序列预测技术,提高了船舶设备状态预测精度。
Description
技术领域
本发明涉及轮机工程自动化与智能化技术领域,尤其涉及一种船舶机舱设备状态预测系统及方法。
背景技术
船舶设备检修是保障船舶安全可靠运行的关键所在。在传统的检修作业中,轮机员根据船舶系统及其设备的运行状态便可做出准确的判断。
目前,轮机员只能通过实时数据来判断系统及设备当前的运行状态,无法实现对船舶系统及设备未来运行状态的有效预测,这为合理的做好视情维修计划带来很大难度。现今的视情维修大都根据轮机员自身经验判断,这种方法一方面主观性强、精确度低,另一方面也会因轮机员工作经验的不同导致明显的判断差异,出现提前维修或者因未及时发现问题而滞后维修等各种误判的情况。因此如果仅靠轮机员的经验判断,难以达到切实准确的视情维修,并且随着船舶机械设备、系统日益复杂化,使得凭借轮机员的工作经验判断视情维修成为了一件更加无法完成的事。因此,构建科学合理的预测体系以实现对船舶系统及设备运行状态的准确预测是当前船舶管理工作的重中之重。综上所述,有待发明一种能在船舶航行过程中对船舶设备未来一段时期内的运行状态进行高效准确预测的船舶机舱设备状态预测系统。
发明内容
本发明提供一种船舶机舱设备状态预测系统及方法,解决了无法对船舶机舱设备未来运行状态进行预测的问题。
为达到以上目的,本发明采取的技术方案是:
一种船舶机舱设备状态预测系统,所述系统主要包括:
数据采集模块,所述数据采集模块用于采集各种设备故障诊断的特征数据和状态预测的特征数据;
数据预处理模块,所述数据预处理模块用于将所述数据采集模块采集的数据进行分析,将船舶机舱设备运行数据分为训练样本和测试样本集,所述船舶机舱设备运行数据包括运行工况数据和特征变量数据;
故障诊断模块,所述故障诊断模块用于对船舶机舱设备进行故障诊断;
状态预测模块,所述状态预测模块利用连续的历史数据对船舶机舱设备未来一段时期内的状态进行预测,通过对各设备特征参数的预测来预测设备状态;
状态评估分析模块,所述状态评估分析模块用于对各设备未来一段时期内的状态进行评估分析。
优选地,所述故障诊断模块对船舶机舱设备进行故障诊断包括如下步骤:
用历史故障数据训练诊断模型;
采集设备实时特征参数;
将实时采集的设备特征参数输入至训练后的诊断模型中;
输出客观诊断结果。
优选地,在船舶机舱设备的进口,出口以及设定的节点处设置有传感器,所述传感器包括温度传感器和压力传感器。
优选地,所述故障诊断模块采用RBF神经网络对各设备进行故障诊断。
优选地,所述状态预测模块基于小波分析与ARIMA时间序列的组合预测模型,包括如下步骤:
应用小波分析理论将复杂波动的船舶管网系统数据映射到不同尺度,得到多个子序列;
将所述子序列处理后分别根据其特征拟合不同的ARIMA模型,进行预测,得到子序列预测模型结果。
本发明还提供了一种船舶机舱设备状态预测方法,所述方法应用于上述船舶机舱设备状态预测系统,所述方法包括:
通过所述数据采集模块对各种设备故障诊断的特征数据和状态预测的特征数据进行采集,得到待处理数据;
通过所述数据预处理模块对待处理数据进行分析,将船舶机舱设备运行数据分为训练样本和测试样本集,得到处理后数据;
用所述处理后数据分别训练故障诊断模块和状态预测模块,得到预测参数;
将所述预测参数输入到诊断模块中,得到未来一段时间内的设备运行状态。
本发明的有益效果在于:
本发明通过采用RBF神经网络进行故障诊断,RBF具有训练时间更短、函数逼近效果更好,能够随着神经元的增多,可以无线逼近任意连续函数的优点,从而提高了整体系统的诊断性能。
本发明通过采用小波分析结合时间序列预测技术,提高了船舶设备状态预测精度。
附图说明
为了更清楚的说明本发明的实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的系统架构图。
图2为本发明基于RBF神经网络故障诊断结果示意图。
图3为本发明中央冷却器海水出口温度T2序列的小波分析示意图。
图4为本发明基于小波分析的ARIMA模型预测结果示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时,应当清楚,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员己知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本发明提供一种技术方案:一种船舶机舱设备状态预测系统及方法,系统架构图如图1所示,所述系统主要包括:
数据采集模块,用于对各种设备进行状态预测的特征数据采集;现场采集设备包括安装到机舱设备上的温度传感器,压力传感器,这些传感器均与数据采集卡连接。
数据预处理模块,用于将采集的数据进行分析、处理,将所述的船舶机舱设备运行数据分为训练样本和测试样本集,所述船舶机舱设备运行数据包括运行工况数据和特征变量数据,本发明使用大连海事大学校船育鲲轮海水系统设备的历史数据进行故障实验,优选采集了五种工况样本。分别为正常工况,泵前管路脏堵,主海水泵机械故障,中央冷却器海水侧脏堵,海水侧管路泄露。在特征变量的选取上,舍弃了一些无关、冗余的变量,选取了能够代表设备正常运行的的特征变量,这些变量包括:主海水泵进口压力P1,主海水泵出口压力P2,中央冷却器海水进口温度T1,中央冷却器海水出口温度T2,中央冷却器淡水出口温度T3。
故障诊断模块,用于对船舶机舱管网设备的故障诊断,将采集的设备特征参数输入到诊断模型中,输出客观的诊断结果。图2为故障诊断结果输出图。故障诊断模块采用RBF神经网络对各设备进行故障诊断,对船舶机舱设备进行故障诊断包括如下步骤:
用历史故障数据训练诊断模型;
采集设备实时特征参数;
将实时采集的设备特征参数输入至训练后的诊断模型中;
输出客观诊断结果。
状态预测数据采集模块,状态预测数据分析模块,故障状态诊断模块,状态预测模块,状态评估分析模块分别通过各自的服务器与通讯网络相连,构成状态预测系统。
状态评估分析模块,所述状态评估分析模块用于对各设备未来一段时期内的状态进行评估分析。
本发明的技术要点一在于采用RBF神经网络进行故障诊断,RBF神经网络为三层网络结构,其中隐含层由径向基神经元构成,其作用是通过径向基核函数将输入层的输入向量从低维空间非线性映射到高维空间,解决了输入向量在低维空间线性不可分的问题。经隐含层处理的信息再通过线性加权求和映射到输出层,从而得到RBF神经网络输出。
本发明采用的RBF神经网络训练函数为newrb函数,其格式为:
net=newrb(P,T,Goal,Spread,MN,DF) (1)
上式中P代表输入向量,T代表输出向量,Goal代表均方误差目标,默认值为0,Spread代表RBF函数学习速率,默认值为1,MN代表隐含层神经元的最大值,默认值是神经元数量的上限,DF代表每个显示间隔隐含层节点递增数,默认值为25。
其原理是径向基神经元将输入向量p和权值向量w取欧几里得距离,根据神经网络的敏感度乘以相应的阈值b,然后将结果传给传递函数进行非线性映射。传递函数最常用的是局部响应的高斯函数(radbas),
高斯传递函数表达式如下:
欧几里得距离公式如下:
径向基神经元输出表达式为:
a=f(||W-p||b) (4)
将公式(2)和公式(3)带入公式(4)中,可得其输出表达式为:
a=radbas{[(W-pT)(W-pT)T]1/2b} (5)
状态预测模块,用于对船舶机舱设备未来一段时期内的状态进行预测,通过对各设备特征参数的预测,而达到状态预测的目的。
本发明的技术要点二在于采用基于小波分析与ARIMA时间序列的组合预测模型。应用小波分析理论将复杂且波动的船舶管网系统数据映射到不同尺度上,得到多个子序列,然后将子序列处理后分别根据其特征拟合不同的ARIMA模型进行预测,整合各子序列预测模型结果,即为组合预测的最终结果。
小波分析:小波分析在本质上是对信号进行多尺度细致化分析,通过变换将信号自身的信息分布到时频不同的子信号上,从而对信号开展进一步的研究,充分提取数据中的信息。
ARIMA:其本质是通过差分处理将非线性序列转化为线性时间序列进行求解,公式如下:
Wt=Δdyt=(1-L)dyt (6)
式中:Δd、yt表示d阶差分算子;d表示差分次数。
状态评估分析模块,用于对各设备未来一段时期内的状态进行评估分析,从而达到视情维修。
本发明还提供了一种船舶机舱设备状态预测方法,包括如下步骤:
通过所述数据采集模块对各种设备故障诊断的特征数据和状态预测的特征数据进行采集,得到待处理数据;
通过所述数据预处理模块对待处理数据进行分析,将船舶机舱设备运行数据分为训练样本和测试样本集,得到处理后数据;
用所述处理后数据分别训练故障诊断模块和状态预测模块,得到预测参数;
将所述预测参数输入到诊断模块中,得到未来一段时间内的设备运行状态。
实施例
下面通过具体的应用实例,对本发明的方案和效果做进一步说明:
以我校校船“育鲲”轮的海水系统为实例对象进行故障诊断及状态预测研究,将收集的历史数据样本进行预处理和特征选择,从而构成实验样本,并把实验样本划分为训练样本和测试样本来建立模型。
根据船舶海水系统设备的故障识别要求构建RBF神经网络:
步骤1,首先将历史数据分为训练样本和测试样本,本方法中共采集了80组数据,每种状态数据各有16组,12组作为训练样本,4组作为测试样本,
步骤2,对数据进行归一化处理,本文采用的归一化方法为mapminmax函数,将样本数据转换到[-1,1]之间,从而便于计算。其归一化公式如下:
式中:"y"表示样本归一化之后的值,x表示样本序列的值,xmax和xmin分别表示样本中的最大值和最小值。
步骤3,确定网络的具体结构和相关参数,通过对采集的特征参数和故障类型的分析,可以确定RBF神经网络层数为3层,输入层神经元个数为5个,对应的5种特征参数,隐含层神经元个数采用newrb函数,激活函数为高斯核函数radbas,输出层神经元个数为5个,对应的为5中运行状态。本方法用“0”表示无故障,“1”表示有该故障发生,实际输出越接近1,则表示该事件发生的概率越大,因此,正常状态对应的输出向量为[10000],主海水泵前管路脏堵对应的输出向量为[01000],以此类推,可以得到故障集对应神经网络输出矩阵如下所示:
步骤4,用训练样本训练神经网络,当神经网络分类性能达到要求后,用20组测试样本作为输入向量输入到神经网络,得到表1结果:
表1故障诊断模型输出表
通过上表神经网络的输出结果可知,RBF神经网络将20组测试样本全都正确识别出对应的故障类型,取得良好的识别效果,综上所述,本发明建立的船舶海水系统RBF神经网络故障识别模块能够对船舶海水系统的五种工作状态进行有效识别。
根据历史运行数据建立状态预测模型。状态预测模块中:参数预测中以中央冷却器海水出口温度T2为例:
步骤1,根据小波分析的正交性、对称性等特性以及船舶在航行过程中系统参数的时间特性,首先选用Haar小波对中央冷却器海水出口温度T2训练集作三层小波分解并重构,如图4所示,得到3个高频子序列D1,D2,D3和1个低频子序列C1共计4个子序列,且子序列的长度都与原始数据相同。C1,D1,D2,D3为小波分析后得到的相应子序列,x轴是数据的期数,y轴是分解后每个子序列对应的值;
步骤2,对图3子序列进行分析,可知C1保留了原始数据的大致波动趋势,可以近似地反映T2值波动的特征趋势;D1,D2,D3三个不同频度的高频子序列则保留了一定的原始数据的细节信息和大部分的噪声,这些细节信息代表着其他因素对T2值的影响。观察D1,D2,D3的图像可知,随着小波分解层数的增加,图像的波动幅度在变小,同时,每一层小波分解后得到的高频子序列频度也在逐渐减小,这就意味着序列中保留的噪声部分逐渐降低。另外,D1,D2,D3三个高频子序列均在0值附近波动,这说明T2的温度变化趋势已经充分地分离,高频部分对其温度趋势的变化影响不大,但是还包含一定的有效信息;
步骤3,对子序列进行ARIMA预测,首先对T2值的低频子序列C1,即中冷器海水出口温度的近似分量进行ARIMA的拟合。根据曲线分析可知该序列不平稳,所以对序列进行平稳化处理;
步骤4,根据自相关系数和偏自相关系数确定ARIMA(p,d,q)模型的参数,再结合AIC准则和SC值得到最优模型p取1,d取2,q取1;
步骤5,模型阶数确定后,利用最小二乘法拟合模型相关参数,并对未来10期数据进行预测。
采用同样的方式对三个高频子序列D1,D2,D3进行建模,得到各自相对最优的ARIMA模型并进行拟合和预测。整合四个子序列的预测结果,即为中央冷却器海水出口温度T2的最终预测结果,预测结果如图4所示,通过对状态参数的预测结果对比分析,我们可以看到基于小波分析的ARIMA组合模型都有着较好的预测性能。
状态评估分析模块是将预测的参数输入到故障诊断模型中,从而实现状态预测的目的。即将故障诊断模块和参数预测相结合,根据输出结果结合专家经验给出相应的维护建议和解决措施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种船舶机舱设备状态预测系统,其特征在于,所述系统主要包括:
数据采集模块,所述数据采集模块用于采集各种设备故障诊断的特征数据和状态预测的特征数据;
数据预处理模块,所述数据预处理模块用于将所述数据采集模块采集的数据进行分析,将船舶机舱设备运行数据分为训练样本和测试样本集,所述船舶机舱设备运行数据包括运行工况数据和特征变量数据;
故障诊断模块,所述故障诊断模块用于对船舶机舱设备进行故障诊断;
状态预测模块,所述状态预测模块利用连续的历史数据对船舶机舱设备未来一段时期内的状态进行预测,通过对各设备特征参数的预测来预测设备状态;
状态评估分析模块,所述状态评估分析模块用于对各设备未来一段时期内的状态进行评估分析。
2.根据权利要求1所述的船舶机舱设备状态预测系统,其特征在于,所述故障诊断模块对船舶机舱设备进行故障诊断包括如下步骤:
用历史故障数据训练诊断模型;
采集设备实时特征参数;
将实时采集的设备特征参数输入至训练后的诊断模型中;
输出客观诊断结果。
3.根据权利要求1所述的船舶机舱设备状态预测系统,其特征在于,在船舶机舱设备的进口,出口以及设定的节点处设置有传感器,所述传感器包括温度传感器和压力传感器。
4.根据权利要求2所述的船舶机舱设备状态预测系统,其特征在于:所述故障诊断模块采用RBF神经网络对各设备进行故障诊断。
5.根据权利要求1所述的船舶机舱设备状态预测系统,其特征在于,所述状态预测模块基于小波分析与ARIMA时间序列的组合预测模型,包括如下步骤:
应用小波分析理论将复杂波动的船舶管网系统数据映射到不同尺度,得到多个子序列;
将所述子序列分析后分别根据其特征拟合不同的ARIMA模型,对所述子序列进行预测,得到子序列预测模型结果。
6.一种船舶机舱设备状态预测方法,应用于如权利要求1~5任一项所述的船舶机舱设备状态预测系统,所述方法包括:
通过所述数据采集模块对各种设备故障诊断的特征数据和状态预测的特征数据进行采集,得到待处理数据;
通过所述数据预处理模块对待处理数据进行分析,将船舶机舱设备运行数据分为训练样本和测试样本集,得到处理后数据;
用所述处理后数据分别训练故障诊断模块和状态预测模块,得到预测参数;
将所述预测参数输入到诊断模块中,得到未来一段时间内的设备运行状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110936690.1A CN113657664A (zh) | 2021-08-16 | 2021-08-16 | 一种船舶机舱设备状态预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110936690.1A CN113657664A (zh) | 2021-08-16 | 2021-08-16 | 一种船舶机舱设备状态预测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113657664A true CN113657664A (zh) | 2021-11-16 |
Family
ID=78479199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110936690.1A Pending CN113657664A (zh) | 2021-08-16 | 2021-08-16 | 一种船舶机舱设备状态预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657664A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170076216A1 (en) * | 2015-09-10 | 2017-03-16 | Siemens Aktiengesellschaft | Maintenance event planning using adaptive predictive methodologies |
CN107133181A (zh) * | 2017-06-13 | 2017-09-05 | 北京航空航天大学 | 一种差分小波神经网络软件故障预测技术的构建方法 |
CN107247230A (zh) * | 2017-07-03 | 2017-10-13 | 浙江大学 | 一种基于支持向量机和数据驱动的旋转电机状态监测方法 |
CN111190349A (zh) * | 2019-12-30 | 2020-05-22 | 中国船舶重工集团公司第七一一研究所 | 船舶机舱设备状态监测及故障诊断方法、系统及介质 |
CN111262873A (zh) * | 2020-01-20 | 2020-06-09 | 安徽大学 | 一种基于小波分解的用户登录特征预测方法及其装置 |
US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
CN112163723A (zh) * | 2020-11-02 | 2021-01-01 | 西安热工研究院有限公司 | 基于情景划分的水电站中长期径流预测方法、介质及设备 |
CN112487361A (zh) * | 2020-11-26 | 2021-03-12 | 南京航空航天大学 | 一种基于arima和小波变换的扇区短时交通流量预测方法 |
KR102268733B1 (ko) * | 2020-06-02 | 2021-06-23 | 한국해양대학교 산학협력단 | 선박기관의 고장검출 방법 및 시스템 |
-
2021
- 2021-08-16 CN CN202110936690.1A patent/CN113657664A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170076216A1 (en) * | 2015-09-10 | 2017-03-16 | Siemens Aktiengesellschaft | Maintenance event planning using adaptive predictive methodologies |
CN107133181A (zh) * | 2017-06-13 | 2017-09-05 | 北京航空航天大学 | 一种差分小波神经网络软件故障预测技术的构建方法 |
CN107247230A (zh) * | 2017-07-03 | 2017-10-13 | 浙江大学 | 一种基于支持向量机和数据驱动的旋转电机状态监测方法 |
US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
CN111190349A (zh) * | 2019-12-30 | 2020-05-22 | 中国船舶重工集团公司第七一一研究所 | 船舶机舱设备状态监测及故障诊断方法、系统及介质 |
CN111262873A (zh) * | 2020-01-20 | 2020-06-09 | 安徽大学 | 一种基于小波分解的用户登录特征预测方法及其装置 |
KR102268733B1 (ko) * | 2020-06-02 | 2021-06-23 | 한국해양대학교 산학협력단 | 선박기관의 고장검출 방법 및 시스템 |
CN112163723A (zh) * | 2020-11-02 | 2021-01-01 | 西安热工研究院有限公司 | 基于情景划分的水电站中长期径流预测方法、介质及设备 |
CN112487361A (zh) * | 2020-11-26 | 2021-03-12 | 南京航空航天大学 | 一种基于arima和小波变换的扇区短时交通流量预测方法 |
Non-Patent Citations (2)
Title |
---|
李君华 等: "基于小波理论及ARIMA模型的短期棉花价格预测", 《中国棉花学会2012年年会暨第八次代表大会论文汇编》, pages 31 - 34 * |
郑卓: "船舶主海水系统状态预测的研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 1 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
Hasan et al. | A fault diagnosis framework for centrifugal pumps by scalogram-based imaging and deep learning | |
Ellefsen et al. | Online fault detection in autonomous ferries: Using fault-type independent spectral anomaly detection | |
Barakat et al. | Parameter selection algorithm with self adaptive growing neural network classifier for diagnosis issues | |
CN112257530A (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
Wang et al. | Fault diagnosis of centrifugal pump using symptom parameters in frequency domain | |
CN114004252A (zh) | 一种轴承故障诊断的方法、装置以及设备 | |
Qiu et al. | The early-warning model of equipment chain in gas pipeline based on DNN-HMM | |
Ye et al. | Multiscale weighted morphological network based feature learning of vibration signals for machinery fault diagnosis | |
CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 | |
CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN114330430A (zh) | 一种基于大数据特征分析的电梯故障判断方法及系统 | |
Zhang et al. | Fault diagnosis of natural gas pipeline leakage based on 1D-CNN and self-attention mechanism | |
CN113409213B (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 | |
Ning et al. | An intelligent device fault diagnosis method in industrial internet of things | |
CN113657664A (zh) | 一种船舶机舱设备状态预测系统及方法 | |
CN115204272A (zh) | 基于多采样率数据的工业系统故障诊断方法与设备 | |
CN116610940A (zh) | 一种基于小波变换与深度神经网络的装备故障诊断系统 | |
CN115540935A (zh) | 一种新型护航舰艇压载水系统设备故障诊断方法 | |
CN113158537B (zh) | 基于lstm结合注意力机制的航空发动机气路故障诊断方法 | |
CN112414446B (zh) | 一种数据驱动的变速器传感器故障诊断方法 | |
Wu et al. | A fault diagnosis system for a mechanical reducer gear-set using Wigner-Ville distribution and an artificial neural network | |
CN113095381A (zh) | 一种基于改进型dbn的水声目标辨识方法及系统 | |
Wang et al. | Nonlinear system identification and fault detection using hierarchical clustering analysis and local linear models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |