CN106958484B - 基于北斗卫星通信的船队柴油机远程状态监测系统及监测方法 - Google Patents
基于北斗卫星通信的船队柴油机远程状态监测系统及监测方法 Download PDFInfo
- Publication number
- CN106958484B CN106958484B CN201710160605.0A CN201710160605A CN106958484B CN 106958484 B CN106958484 B CN 106958484B CN 201710160605 A CN201710160605 A CN 201710160605A CN 106958484 B CN106958484 B CN 106958484B
- Authority
- CN
- China
- Prior art keywords
- diesel engine
- particle
- fleet
- node
- signal
- 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.)
- Active
Links
- 238000004891 communication Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000013480 data collection Methods 0.000 claims abstract description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 13
- 239000010705 motor oil Substances 0.000 claims abstract description 11
- 239000002245 particle Substances 0.000 claims description 27
- 230000004927 fusion Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 11
- 238000003745 diagnosis Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 239000002826 coolant Substances 0.000 claims description 8
- 230000001537 neural effect Effects 0.000 claims description 8
- 230000003750 conditioning effect Effects 0.000 claims description 6
- 239000002283 diesel fuel Substances 0.000 claims description 5
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 claims 1
- 230000002301 combined effect Effects 0.000 claims 1
- 239000000498 cooling water Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 claims 1
- 230000005611 electricity Effects 0.000 claims 1
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000005457 optimization Methods 0.000 claims 1
- 238000013459 approach Methods 0.000 abstract description 8
- 230000005540 biological transmission Effects 0.000 description 8
- 239000003921 oil Substances 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02B—INTERNAL-COMBUSTION PISTON ENGINES; COMBUSTION ENGINES IN GENERAL
- F02B77/00—Component parts, details or accessories, not otherwise provided for
- F02B77/08—Safety, indicating, or supervising devices
- F02B77/083—Safety, indicating, or supervising devices relating to maintenance, e.g. diagnostic device
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种基于北斗卫星通信的船队柴油机远程状态监测系统及监测方法,由数据采集系统分别采集船队中各船舶柴油机的运行参数,主要包括柴油机的水温、机油压力、转速、缸盖振动信号、启动蓄电池电压、电流和温度、发电机三相输出电压和电流等参数,将这些参数传送给北斗通信终端,进而通过北斗1代卫星将船队柴油机运行数据传送给岸上的远程监测平台,由远程监测平台对数据进行分析处理并判断柴油机运行状态,最终根据柴油机运行状态对进港船队进行优化调度,以减少由于柴油机故障而导致的进港延误。
Description
技术领域
本发明涉及多路传感器信息融合技术领域,具体是一种基于北斗卫星通信的船队柴油机远程状态监测系统及监测方法。
背景技术
柴油机作为出海船舶的动力来源,其性能好坏将直接影响船舶的正常航行,特别是在船队进港时,一旦有某只船的柴油机发生故障,将影响后续船队的进港,导致航道拥堵。因此,如果岸上工作人员能够实时掌握进港船队的柴油机运行状态,并根据其状态进行船舶调度,将会大大减少由于柴油机故障而导致的进港延误。然而,目前船用柴油机配备的机旁仪表,只能由船上的工作人员监控其运行数据,不具备远程上传状态数据的功能;另一方面,传统的GPS定位系统只具备发送船舶位置信息的功能,不具备发送其它信息的功能;此外,采用3G等移动通信由于在海上无法架设基站而存在通信盲区,导致不能保证船舶柴油机运行参数的有效传输。
发明内容
鉴于以上现有技术,本发明综合运用传感检测、北斗1代卫星通信和数据挖掘等技术,建立船舶柴油机运行状态的远程监测与故障诊断系统,即通过北斗系统将采集的柴油机运行参数实时传输到岸上的远程监测平台,并对数据进行分析处理,实现船舶柴油机运行状态的实时评估,对掌握船舶和船队的总体运行情况,确保船队进港安全,具有十分重要的意义。
本发明采用的技术方案是:基于北斗卫星通信的船队柴油机远程状态监测系统包括北斗通信系统、状态判别与调度系统和数据采集系统,其中所述数据采集系统采集柴油机的机油压力、转速、冷却水温、缸盖振动信号、发电机三相输出电压和输出电流、启动蓄电池的电压、电流和温度,并对这些信号进行编码处理,然后通过北斗通信系统发送给状态判别与调度系统,状态判别与调度系统判断柴油机的运行状态,并根据运行状态对进港船队进行调度。
进一步,上述数据采集系统包括电源模块Ⅰ、微处理器、信号调理电路、压力传感器、磁电式转速传感器、温度传感器、电压传感器、电流传感器和加速度传感器,压力传感器采集柴油机的机油压力信号,磁电式转速传感器采集柴油机的转速信号,温度传感器采集冷却水温和蓄电池温度信号,电压传感器采集发电机输出电压和蓄电池电压信号,电流传感器采集发电机输出电流和蓄电池电流信号,加速度传感器采集柴油机缸盖振动信号,以上信号经信号调理电路处理后输入微处理器中,微处理器处理后通过串口传输到北斗通信终端,电源模块Ⅰ给各模块供电。北斗通信系统括电源模块Ⅱ和北斗通信终端,电源模块Ⅱ给北斗通信终端供电,北斗通信终端实现与北斗1代卫星通讯。
本发明的具体实施例中,北斗通信系统和数据采集系统安装在船上。
基于北斗卫星通信的船队柴油机远程状态监测方法,包括以下步骤:
第一步:数据采集系统中的各传感器分别采集柴油机的运行状态参数,包括柴油机的机油压力信号、柴油机的转速信号、冷却水温和蓄电池温度信号、发电机输出电压和蓄电池电压信号、发电机输出电流和蓄电池电流信号、以及柴油机缸盖振动信号。
第二步:数据采集系统中的信号调理电路对第一步采集到的参数进行预处理。
第三步:数据采集系统中的微处理器对预处理后的数据进行编码,编码后数据包内容为船舶编号、柴油机编号、冷却水温、机油压力、转速、缸盖振动信号、发电机的A相输出电压和电流、B相输出电压和电流、C相输出电压和电流、蓄电池电压、电流和温度。
第四步:利用北斗卫星短报文通讯系统将编码后的数据包通过北斗1代卫星发送给状态判别与调度系统。
第五步:状态判别与调度系统建立柴油机运行状态监测和故障诊断模型,实现柴油机的状态监测与故障诊断,从而为船队进港调度提供决策参考。
本发明具有以下优点:
1、综合应用现代信息处理和多路传感器信息融合等技术,通过基于智能算法的特征级融合和基于D-S证据理论的决策级融合的集成,实现了柴油机的状态监测和故障诊断,柴油机运行状态判断准确;
2、通过北斗卫星短报文通讯系统实现船队柴油机运行参数的实时传输,解决了海上无法利用3G等移动通信进行信息传输的难题;也解决了无法利用GPS传输柴油机运行参数的问题;
3、可以有效避免因船舶柴油机故障影响后续船队进港,导致航道拥堵等问题。
附图说明
图1为本发明的系统框图。
具体实施方式
下面结合附图对本发明的技术方案做进一步详细描述。
参见图1,基于北斗卫星通信的船队柴油机远程状态监测系统,其特征在于:包括北斗通信系统1、状态判别与调度系统2和数据采集系统3,其中所述数据采集系统3采集柴油机的机油压力、转速、冷却水温、缸盖振动信号、发电机三相输出电压和输出电流、启动蓄电池的电压、电流和温度,并对这些信号进行编码处理,然后通过北斗通信系统1发送给状态判别与调度系统2,状态判别与调度系统2判断柴油机的运行状态,并根据运行状态对进港船队进行调度。数据采集系统3包括电源模块Ⅰ3-1、微处理器3-2、信号调理电路3-3、压力传感器3-4、磁电式转速传感器3-5、温度传感器3-6、电压传感器3-7、电流传感器3-8和加速度传感器3-9,压力传感器3-4采集柴油机的机油压力信号,磁电式转速传感器3-5采集柴油机的转速信号,温度传感器3-6采集柴油机冷却水温和蓄电池温度信号,电压传感器3-7采集发电机输出电压和蓄电池电压信号,电流传感器3-8采集发电机输出电流和蓄电池电流信号,加速度传感器3-9采集柴油机缸盖振动信号,以上信号经信号调理电路3-3处理(包括对信号进行整形、放大和滤波)后输入微处理器3-2中,微处理器3-2处理后通过串口传输到北斗通信终端1-2,电源模块Ⅰ3-1给各模块供电。压力传感器3-4采用VDO10bar,磁电式转速传感器3-5采用CG-10,温度传感器3-6采用VDO120℃,电压传感器3-7采用CHV-20L,电流传感器3-8采用CHB-200P,加速度传感器3-9采用KD1300。
在上述实施例中,微处理器选用英飞凌XC886,主要负责信号的模数转换、中断触发和数据编码等功能;电源模块Ⅰ采用LM2576。北斗通信系统1包括电源模块Ⅱ1-1和北斗通信终端1-2,电源模块Ⅱ1-1给北斗通信终端1-2供电,北斗通信终端1-2实现与北斗1代卫星通讯。北斗通信终端包括发射器和接收器,选用北斗RDSS 5W全功能模块,通过RS-232C串口和数据采集系统交换信息,主要负责将进港船队的柴油机运行参数实时传送至岸上的远程监测平台;电源模块Ⅱ采用LTC3633。状态判别和调度系统由岸上的远程监测系统执行,主要负责接收柴油机的实时运行参数、判断柴油机的运行状态,并根据状态对进港船队进行调度。
本发明的工作流程如下:
第一步:采集柴油机的运行状态参数
主要包括柴油机的温度、水温、机油压力、转速、缸盖振动信号、启动蓄电池电压、电流、发电机的三相输出电压和电流等参数。
第二步:对采集到的参数进行预处理
包括数字滤波、标度变换、参数计算等。
第三步:对预处理后的数据进行编码,数据包内容为船舶编号、柴油机编号、水温、油压、转速、缸盖振动信号、启动蓄电池温度、电压和电流、发电机的A相输出电压和电流、B相输出电压和电流、C相输出电压和电流,该数据包即为后续北斗短报文的通讯内容。
第四步:采用北斗RDSS 5W全功能模块,北斗RDSS 5W全功能模块采用北斗RDSS射频收发芯片、基带处理芯片、功放芯片设计而成。该模块集成了北斗RDSS射频收发芯片、基带电路、功放芯片等,可完整实现北斗RDSS收发信号、调制解调等全部功能。
北斗RDSS 5W与微处理器之间采用RS-232C通信方式进行参数传递,并利用北斗卫星短报文通讯系统实现船队柴油机运行参数的实时传输,短报文通讯的传输频率可设定为10分钟1次。短报文发送方首先将包含接收方ID号和通讯内容的通讯申请信号加密后通过北斗卫星转发入站;地面中心站接收到通讯申请信号后,经脱密和再加密后加入持续广播的出站广播电文中,经卫星广播给用户;接收方用户机接收出站信号,解调解密出站电文。
第五步:建立柴油机运行状态监测和故障诊断模型,实现柴油机的状态监测与故障诊断
针对柴油机的水温、油压、转速、振动等信号,采用基于多信息源融合的柴油机运行状态监测模型来判断柴油机运行状态正常与否,从而为船队进港调度提供决策参考。
基于多信息源融合的柴油机运行状态监测模型工作流程如下:
1、针对柴油机的水温、油压、转速、发电机的输出电压和电流以及蓄电池启动电池电压、电流和温度等参数,通过判断其值是否超过规定的阈值,分别建立其与柴油机状态正常与否的对应关系;
2、针对柴油机缸盖振动信号,将其进行小波包分解,得到其在第三层上8个能量谱特征参数,采用基于PSO优化的RBF方法对其进行特征级融合,得到缸盖振动信号与柴油机正常与否的映射关系;
算法实现步骤如下:
1)将采集到的柴油机缸盖振动信号采用db10小波包在整个频率范围内进行3层小波包分解,得到8个独立的频带;然后以各个小波包子空间内信号的能量所组成的序列(即振动信号的小波包能量谱)作为气门的故障特征参数,也就是RBF神经网络的输入信号;
2)初始化种群数目m、最大迭代次数k、惯性权重w以及两个不同的加速常数c1和c2;确定RBF网络的结构,即确定输入层、隐含层和输出层的神经元个数(或节点数),网络输入层的神经元个数为振动信号分解后能量谱序列个数,即8个,输出层的神经元个数为1个,即用0,1来表征柴油机状态是否正常,隐层节点数由动态K-均值算法根据样本确定,具体步骤如下:
a)初始化:设置类别数K,为每个类别的聚类中心赋初值;
b)样本划分:划分所有的样本矢量。通过这一步使每个样本矢量与K类中之一相联系,其划分条件为:X(p)∈Sj(l),如果||X(p)-zj(l)||<||X(p)-zi(l)||,i≠j
其中,X(p)为待分析的样本,Sj(l)为第l次迭代时类别j的全体,||·||为求取范数的运算符,zi(l)为第l次迭代的聚类中心值,若上式成立,则认为X(p)∈Sj(l)。
c)计算新的聚类中心:用在步骤b)中建立的新类的所有成员集合,来重新计算每类的中心位置,以便使从类别中的每个矢量到新的聚类中心的距离之和最小。
d)检查收敛:收敛情形是在步骤c)中没有任何聚类中心再变化其位置,即认为收敛,算法结束,否则再返回步骤b)。
初始化种群中所有微粒的位置向量Xi和速度Vi,Xi和Vi均为D维向量,其中向量Xi包含了RBF网络待优化的参数;
3)将每个微粒的当前位置设为当前个体最优位置Pi,将第i个微粒的Pi中所代表的权值和阈值代入神经网络中,按照式(1)计算每个微粒的适应度值f(i),
为了在一定程度上抑制过拟和,在性能公式f(i)中加入一个与网络权值总量相应的惩罚项,式中,γ是性能比例;S是样本数;q是RBF网络隐含层的节点数。p为RBF网络输出层的节点数;为第s个样本中神经网络输出层第j个节点的期望值;为第s个样本中神经网络输出层第j个节点的实际值;wij为神经网络隐含层第i个节点到输出层第j个节点之间的权重;m为种群数目;并将其设为当前的个体极值fi,同时通过评价f(i)得到当前全局最优极值fbest以及全局最优位置pg;
4)将每个微粒的位置向量Xi所代表的权值和阈值带入神经网络,根据公式(2)和(3)计算网络的实际输出,然后根据公式(1)计算每个微粒的适应度值f(i);
αi(in)为RBF神经网络隐层第i个节点的输出,In为RBF神经网络的输入,也即输入样本,Ci为第i个隐含层节点高斯函数的中心,q为隐含层节点的个数,σi为第i个隐含层节点的基宽度,oj(in)为RBF神经网络输出层第j个节点的输出,bj为输出层第j个节点的阈值,p是输出层节点的个数。
5)评价每个微粒,将其适应值与上一时刻的个体极值进行比较,若较优,则更新当前的个体最优位置与个体极值;
6)将每个微粒的个体极值与上一时刻的全局最优极值进行比较,若较优,则更新当前的全局最优位置与全局最优值;
7)根据公式(4)和(5)更新微粒的速度和位置;
vi,j(t+1)=wvi,j(t)+c1r1[pi,j(t)-xi,j(t)]+c2r2[pg,j(t)-xi,j(t)] (4)
Xi,j(t+1)=Xi,j(t)+Vi,j(t) (5)
vi,j(t)为微粒在t时刻的速度,t表示时刻,w为惯性权重,c1和c2为正的加速常数,r1和r2为0到1之间均匀分布的随机数,pi,j(t)为微粒的个体极值,xi,j(t)为第i个微粒在第j维上的位置,pg,j(t)为群体最优值,Xi(t)为第i个微粒的位置向量,Vi(t)为第i个微粒的速度向量。
8)若未达到最大迭代次数k,则返回步骤3);否则,算法结束。
3、针对水温、油压、振动等信号的诊断结果,采用证据理论方法对这些诊断结果进行决策级融合,最终得到柴油机运行状态是否正常的结论。具体步骤如下:
1)由柴油机故障现象组成辨识框架Ω={w1,w2,w3...},其中,wi为柴油机的某一种故障现象。根据专家经验对之前得到的每个柴油机故障诊断结果设定每一结果的基本信任分配函数m(wi),且有
2)如果满足称A为焦元。对于辨识框架Ω下两组证据E1和E2,对应的基本信任分配函数分别为m1和m2,焦元分别为Ai和Bj,则按如下的Dempster规则将两组证据进行合成:
第一步:合取运算
其中,A为焦元,Ω为柴油机所有故障现象的集合,m(A)*为两个焦元Ai和Bj合成后的信任分配,m1(Ai)为焦元Ai的基本信任分配,m2(Bj)为焦元Bj的基本信任分配,k为两组证据的合取冲突,
第二步:归一化
当k=1时,
其中,m(A)为为两个焦元Ai和Bj合成并归一化后的信任分配。
3)选择m(A)最大的假设作为系统的最终融合结果输出。
第六步:岸上的远程监测平台基于柴油机状态对进港船队进行调度。
Claims (3)
1.基于北斗卫星通信的船队柴油机远程状态监测方法,包括以下步骤:
第一步:数据采集系统(3)中的各传感器分别采集柴油机的运行状态参数,包括柴油机的机油压力信号、柴油机的转速信号、冷却水温和蓄电池温度信号、柴油机缸盖振动信号、发电机输出电压和蓄电池电压信号、发电机输出电流和蓄电池电流信号;
第二步:数据采集系统(3)中的信号调理电路(3-3)对第一步采集到的参数进行预处理;
第三步:数据采集系统(3)中的微处理器(3-2)对预处理后的数据进行编码,编码后数据包内容为船舶编号、柴油机编号、冷却水温、机油压力、转速、缸盖振动信号、发电机A相输出电压和电流、B相输出电压和电流、C相输出电压和电流、蓄电池电压、电流和温度;
第四步:利用北斗卫星短报文通讯系统将编码后的数据包通过北斗1代卫星发送给状态判别与调度系统(2);
第五步:状态判别与调度系统(2)建立柴油机运行状态监测和故障诊断模型,实现柴油机的状态监测与故障诊断,从而为船队进港调度提供决策参考;
所述运行状态监测和故障诊断模型包括以下处理:
①针对柴油机冷却水温、机油压力、转速、发电机输出电压和电流以及蓄电池电压、电流和温度,通过判断其值是否超过规定的阈值,分别建立其与柴油机状态正常与否的对应关系;
②针对柴油机缸盖振动信号,将其进行小波包分解,得到其在第三层上8个能量谱特征参数,采用基于PSO优化的RBF方法对其进行特征级融合,得到缸盖振动信号与柴油机正常与否的映射关系;
③针对 步骤①和步骤②的诊断结果,采用证据理论方法对这些诊断结果进行决策级融合,最终得到柴油机运行状态是否正常的结论。
2.根据权利要求1所述基于北斗卫星通信的船队柴油机远程状态监测方法,其特征在于:所述基于PSO优化的RBF方法包括如下步骤:
1)将采集到的柴油机缸盖振动信号采用小波包在整个频率范围内进行n层小波包分解,得到2n个独立的频带;然后以振动信号的小波包能量谱作为RBF神经网络的输入信号;
2)初始化种群数目m、最大迭代次数k、惯性权重w以及两个不同的加速常数c1和c2;确定RBF网络的输入层节点为振动信号分解后能量谱序列个数;输出层节点数为1个,即柴油机状态是否正常,若正常为1,不正常为0;隐含层节点数由动态K-均值算法根据柴油机故障数据样本确定;
3)将每个微粒的当前位置设为当前个体最优位置Pi,将第i个微粒的Pi中所代表的权值和阈值代入神经网络中,按照式(1)计算微粒的适应度值f(i),
式中,γ是性能比例;S是样本数;q是RBF网络隐含层的节点数;p为RBF 网络输出层的节点数;为第s个样本中神经网络输出层第j个节点的期望值;为第s个样本中神经网络输出层第j个节点的实际值;wij为神经网络隐含层第i个节点到输出层第j个节点之间的权重;m为种群数目;并将其设为当前的个体极值fi,同时通过评价f(i)得到当前全局最优极值fbest以及全局最优位置pg;
4)将每个微粒的位置向量Xi所代表的权值和阈值带入神经网络,根据公式(2)和(3)计算网络的实际输出,然后根据公式(1)计算每个微粒的适应度值f(i);
αi(in)为RBF神经网络隐层第i个节点的输出,In为RBF神经网络的输入,Ci为第i个隐含层节点高斯函数的中心,q为隐含层节点的个数,σi为第i个隐含层节点的基宽度,oj(in)为RBF神经网络输出层第j个节点的输出,bj为输出层第j个节点的阈值,p是输出层节点的个数;
5)将每个微粒的适应值与上一时刻的个体极值进行比较,若较优,则更新当前的个体最优位置与个体极值;
6)将每个微粒的个体极值与上一时刻的全局最优极值进行比较,若较优,则更新当前的全局最优位置与全局最优值;
7)根据公式(4)和(5)更新微粒的速度和位置;
vi,j(t+1)=wvi,j(t)+c1r1[pi,j(t)-xi,j(t)]+c2r2[pg,j(t)-xi,j(t)] (4)
Xi(t+1)=Xi(t)+Vi(t) (5)
vi,j(t)为微粒在t时刻的速度,t表示时刻,w为惯性权重,c1和c2为正的加速常数,r1和r2为0到1之间均匀分布的随机数,pi,j(t)为微粒的个体极值,xi,j(t)为第i个微粒在第j维上的位置,pg,j(t)为群体最优值,Xi(t)为第i个微粒的位置向量,Vi(t)为第i个微粒的速度向量;
8)若未达到最大迭代次数k,则返回步骤3);否则,结束。
3.根据权利要求1所述基于北斗卫星通信的船队柴油机远程状态监测方法,其特征在于:所述决策级融合包括以下步骤:
1)对之前得到的每个柴油机的诊断结果计算每一结果的基本概率分配函数、似然度及置信度;
2)根据D-S证据理论的组合规则计算出所有证据联合作用下的基本概率分配函数、似然度和置信度;
3)选择置信度和似然度最大的假设作为系统的最终融合结果输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710160605.0A CN106958484B (zh) | 2017-03-17 | 2017-03-17 | 基于北斗卫星通信的船队柴油机远程状态监测系统及监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710160605.0A CN106958484B (zh) | 2017-03-17 | 2017-03-17 | 基于北斗卫星通信的船队柴油机远程状态监测系统及监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106958484A CN106958484A (zh) | 2017-07-18 |
CN106958484B true CN106958484B (zh) | 2019-08-20 |
Family
ID=59471407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710160605.0A Active CN106958484B (zh) | 2017-03-17 | 2017-03-17 | 基于北斗卫星通信的船队柴油机远程状态监测系统及监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106958484B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108563158B (zh) * | 2018-01-11 | 2019-09-24 | 威海蓝创环保设备有限公司 | 船用多源数据采集系统及船舶数据处理方法 |
CN109100150A (zh) * | 2018-08-09 | 2018-12-28 | 中国船舶重工集团柴油机有限公司 | 低速柴油机远程状态监测及故障诊断系统 |
CN110320886A (zh) * | 2019-06-04 | 2019-10-11 | 武汉理工大学 | 一种船舶辅助系统船岸一体化监控和故障诊断的方法 |
CN110307990B (zh) * | 2019-06-05 | 2020-12-25 | 中国中车股份有限公司 | 一种柴油机机油系统故障的智能诊断方法及系统 |
CN112682254B (zh) * | 2020-12-21 | 2022-09-16 | 北京华能新锐控制技术有限公司 | 一种基于动态多模型预测控制器的风机有功功率跟踪方法 |
CN114542281B (zh) * | 2021-12-23 | 2023-03-14 | 中国北方发动机研究所(天津) | 一种基于多源数据融合的柴油机失火故障识别方法 |
CN116381480A (zh) * | 2023-03-30 | 2023-07-04 | 湖南雪墨电气科技有限公司 | 一种智能化脱硫脱硝除尘设备的监测方法、系统及介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1633636B8 (en) * | 2003-05-19 | 2014-02-19 | Aeplog Inc. | Autonomous swimming cargo containers |
CN202023631U (zh) * | 2011-04-19 | 2011-11-02 | 北京中兴恒和能源科技有限公司 | 燃气/柴油双燃料船舶 |
CN104933663A (zh) * | 2014-03-17 | 2015-09-23 | 林兴志 | 内河航运船联网北斗智能交互装置系统及方法 |
JP6561362B2 (ja) * | 2014-10-29 | 2019-08-21 | 株式会社三井E&Sマシナリー | 船舶の機関運転方式 |
-
2017
- 2017-03-17 CN CN201710160605.0A patent/CN106958484B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106958484A (zh) | 2017-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106958484B (zh) | 基于北斗卫星通信的船队柴油机远程状态监测系统及监测方法 | |
Lee et al. | Deep cooperative sensing: Cooperative spectrum sensing based on convolutional neural networks | |
Wang et al. | Transfer learning for semi-supervised automatic modulation classification in ZF-MIMO systems | |
CN108616302A (zh) | 一种功率控制下的无人机多重覆盖模型及部署方法 | |
Hou et al. | UAV-enabled covert federated learning | |
CN100581119C (zh) | 无线传感器网络分布式融合识别方法 | |
Gu et al. | Support vector machine (svm) based sybil attack detection in vehicular networks | |
CN110995761B (zh) | 检测虚假数据注入攻击的方法、装置及可读存储介质 | |
CN110933091B (zh) | 区块链通信节点验证方法、装置及电子设备 | |
Li et al. | MD-GAN-based UAV trajectory and power optimization for cognitive covert communications | |
Chen et al. | Collaborative spectrum sensing for illegal drone detection: A deep learning-based image classification perspective | |
Liu et al. | A heterogeneous information fusion deep reinforcement learning for intelligent frequency selection of HF communication | |
CN111586633A (zh) | 一种面向海洋环境感知的无人船协作传输方法 | |
CN106059840A (zh) | 一种认知无线系统功率分配方法及装置 | |
CN112649002A (zh) | 一种基于边缘计算的野保无人机监测系统 | |
CN107450076A (zh) | 测云雷达的协同组网测量方法及装置 | |
CN112068160A (zh) | 一种基于导航定位系统的无人机信号干扰方法 | |
CN110061946A (zh) | 一种面向高铁的深度信号检测方法 | |
CN105785413A (zh) | 一种定位方法及浮标 | |
Uccellari et al. | On the use of support vector machines for the prediction of propagation losses in smart metering systems | |
CN115114965A (zh) | 风电机组齿轮箱故障诊断模型、方法、设备及存储介质 | |
Ihsan et al. | Location verification for emerging wireless vehicular networks | |
JP7276432B2 (ja) | 通信システム及び端末 | |
CN110087233B (zh) | 一种基于射频指纹的无人机身份认证方法 | |
Liu et al. | A novel BeiDou satellite transmission framework with missing package imputation applied to smart ships |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |