CN108520080B - 船舶柴油发电机故障预测与健康状态在线评估系统及方法 - Google Patents

Abstract

本发明提出一种船舶柴油发电机故障预测与健康状态在线评估系统及方法，包含有壳体、显示器、警报器、电源和数据处理装置，数据处理装置包含有深度学习集成模块、全生命周期历史数据库、故障多模态专家系统数据库，深度学习集成模块采用集成学习方法，包含多种有监督和无监督的深度学习网络模型，故障多模态专家系统数据库包含所有故障特征数据及对应的故障类别标记，还包括存储器、GPU、CPU、外部设备控制接口、数据采集模块和无线信号收发装置，实现设备的自动监测及评估。本发明对设备进行故障预测、状态在线监测和健康评估更准确方便。

Description

船舶柴油发电机故障预测与健康状态在线评估系统及方法

技术领域

本发明属于船舶柴油发电机故障预测与健康评估的技术领域，尤其涉及一种船舶柴油发电机故障预测与健康状态在线评估系统及方法。

背景技术

随着现代科技和先进制造技术的快速提高，船舶向着大型化、智能化、自动化、集成化和多功能化方向发展，船舶柴油发电机作为大型船舶的重要动力源之一，对保障船舶高效稳定的航行具有不可替代的作用。船舶柴油发电机在复杂多变的海况环境下长时间连续运行，其工作负荷重，负载多变、并车与解电切换频繁，受盐碱腐蚀和高温等影响易于发生各类故障。大型船舶是“独立”航行在海上的复杂系统，当航行过程中柴油发电机发生故障时，所有的检修和排查工作都要求不能影响船舶的正常运行；若故障无法有效及时的诊断和排除，将面临“孤立无援”的局面，在强耦合状态下一旦故障危害蔓延将可能带来重大损失。由此可见，船舶柴油发电机的故障预测与健康评估对保障船舶的安全运行至关重要，因此，船舶柴油发电机故障预测与健康评估系统装置是十分重要的船舶运行安全监测装备。

在本发明之前，目前市面上针对船舶柴油发电机的故障预测和检修维护的产品或方法较为稀少，运用较多的仍是传统的针对陆路装备的“事后维修”、“计划维修”和“定时维护”的方式，但是这套方法越来越不适于现代航运的需求，因为在海上突发故障时，由于海上无法给船员足够的时间去检修，而外部救援又无法及时到位，并且船舶这种长航时的大型装备又不可能遇到问题就反航，所以传统的方式方法往往效率十分低下且不具智能性，并且以往的根据经验定期维护和定时更换部件，以经验估计零部件寿命的维护方式易于造成浪费和误判，带来安全隐患，因此不能满足船员智能故障预测和健康评估的需求。

发明内容

本发明所要解决的技术问题在于针对上述存在的问题，提供一种船舶柴油发电机故障预测与健康状态在线评估系统，对当前正在运行的设备提取自服役以来所有的历史监测数据，运用深度学习模型进行特征提取，并将其特征与故障多模态专家系统数据库中的故障集进行特征匹配，从而评估当前设备的健康状况，并且准确的对故障类型和寿命进行预测，从而使船员可以在故障未发生或早期微小故障时能够进行及时的维护和保养。

本发明解决上述技术问题所采用的技术方案是：船舶柴油发电机故障预测与健康状态在线评估系统，其特征在于，包括壳体、显示器、警报器、电源和数据处理装置，所述数据处理装置包括深度学习集成模块、全生命周期历史数据库、故障多模态专家系统数据库，壳体设置有腔体，在壳体上部中间位置处设置有无线信号收发装置，在无线信号收发装置的左侧设置有数据采集模块，在无线信号收发装置的右侧设置有电源启闭按钮，在无线信号收发装置的正下方设置所述显示器，在显示器的正下方中间处设置有深度学习集成模块，在深度学习集成模块的左侧设置有USB接口，在深度学习集成模块的右侧设置所述警报器，在深度学习集成模块的下方左侧设置所述全生命周期历史数据库，在全生命周期历史数据库的右侧设置所述故障多模态专家系统数据库，在故障多模态专家系统数据库的正下方右侧设置有存储器，在存储器的左侧设置有图形处理器GPU、在GPU的左侧设置有中央处理器CPU，在CPU的左侧设置有网络模块，在壳体的最底端右侧设置所述电源，在电源的左侧设置有外部设备控制接口，壳体内的所有部件通过导线连接构成通路。

按上述方案，所述深度学习集成模块包括卷积神经网络、深度信念网络、递归神经网络、堆叠自编码器、深度玻尔兹曼机、长短期记忆模型、门控循环单元网络及神经图灵机，深度学习集成模块采用集成学习方法和自动优化设计组合策略，将多个有监督和无监督的深度学习算法模型组合在一起并行数据处理。

按上述方案，所述全生命周期历史数据库为包含有已退役的K台同类型的柴油发电机自服役到退役整个运行阶段的全部监测离线数据总集

每台柴油发电机监测N种类型的监测型号，每一种监测信号设置有Q个传感器测量点，每一个传感器所测得的数据均为一个时间序列样本，数据总集

是一个K×N×Q的多维多模态的高维张量矩阵数据集。

按上述方案，所述故障多模态专家系统数据库设置为包含有所述全生命周期历史数据库中的K台柴油发电机自从服役到退役整个运行阶段中所有出现过的故障特征数据组总集及对应的故障类别标记，中央处理器CPU设置为采用反向倒推类比方法，对全生命周期历史数据库中的监测大数据总集

进行数据切割，将K台同类型柴油发电机出现某类相同故障的数据段进行截断提取重新组合，并按照反向时间序列的方式进行排序，定义该故障类别为故障A，以故障A出现的时刻为起点，至前一次其他类故障B出现的时刻为终点，截取故障A至故障B之间的数据作为故障A的时间序列数据段；以M表示一台机器中出现故障A的次数，N表示每一次故障A出现时均有N个指标被监测，Q表示每一个监测指标均布置有Q个传感器测量点，则一台机器出现故障A所获得的数据可构成一个M×N×Q的多维数据组{δ_A}；数据组总集{Ψ_A}在进行数据组合时，以故障A出现的时刻为参考点进行数据对齐，按时间轴的反方向构成反向时间序列样本数据组总集{Ψ_A’}，数据组总集{Ψ_A’}对应故障类型A，共有K×M×N×Q个反向时间序列样本；通过深度学习集成模块中的各类网络模型对故障A的反向时间序列数据组总集{Ψ_A’}中的数据进行迭代学习，实现数据的深度挖掘和特征提取，并将故障A的数据组总集{Ψ_A’}以反向时间轴为方向按故障严重程序划分为严重、显著、轻微、微小和正常多种级别，最终把数据组总集{Ψ_A’}的特征信息集合和对应的故障A识别符号组成一个故障模式类存储到故障多模态专家系统数据库中；每一类故障(故障A、故障B、故障C……)均采用这种方式建立一个对应的数据组总集({Ψ_A’}、{Ψ_B’}、{Ψ_C’}……)，构成故障总集{Τ}，并将所有故障的总数据集{Τ}存储到故障多模态专家系统数据库中。

按上述方案，所述数据采集模块设置有多个数据输入接口，数据输入接口对应于可接收现场实时监测的多种类型的监测信号，每一个数据输入接口对应其中一类监测信号，每一个数据输入接口获得的监测信号均是一个多维时间序列数据组。

按上述方案，所述监测信号类型包括电力信号、振动信号、噪声信号、力信号，所述电力信号包括电压信号和电流信号。

一种柴油发电机故障预测与健康评估方法，其特征在于，包括如下步骤：

S1)将批量已退役的K台同类型的柴油发电机自从服役到退役整个运行阶段的全部监测离线数据总集

通过USB接口输入到全生命周期历史数据库中；

S2)将全生命周期历史数据库中所有的K台机器出现过故障A的数据构成一个K×M×N×Q数据组总集{Ψ_A}，数据组总集{Ψ_A}在进行数据组合时，以故障A出现的时刻为参考点进行数据对齐，按时间轴的反方向构成反向时间序列样本数据组总集{Ψ_A’}，数据组总集{Ψ_A’}对应故障类型A，共有K×M×N×Q个反向时间序列样本；

S3)通过深度学习集成模块中的各类网络模型对故障A的反向时间序列数据组总集{Ψ_A’}中的数据进行迭代学习，深度学习集成模块对反向时间序列数据组总集{Ψ_A’}进行数据的深度挖掘和特征提取，并将故障A的数据组总集{Ψ_A’}以反向时间轴为方向按故障严重程序划分为严重、显著、轻微、微小和正常多种级别，最后把数据组总集{Ψ_A’}的特征和对应的故障A识别符号组成一个故障模式类存储到故障多模态专家系统数据库中；

S4)每一类故障均建立一个对应的数据组总集({Ψ_A’}、{Ψ_B’}、{Ψ_C’}……)，构成故障总集{Τ}，并将所有故障的总数据集{Τ}存储到故障多模态专家系统数据库中，故障多模态专家系统数据库中包含全生命周期历史数据库中所有K台柴油发电机自从服役到退役整个运行阶段的所有出现过的故障特征数据组总集及对应的故障类别标记；

S5)当数据采集模块通过数据输入接口获取来自柴油发电机组工作现场的振动、噪声、电力、转速多个指标的实时在线监测数据时，深度学习集成模块会自动对监测数据进行特征学习和数据挖掘，并将提取的实时数据特征与故障多模态专家系统数据库中已存储的故障模式类进行相似性特征匹配，若相似度高，则将当前数据段自动分类到对应的故障类别中，就会识别出当前设备发生了对应的故障，并通过警报器发出故障警报，CPU会通过网络模块产生警报信息并由无线信号收发装置发送至船员的驾控台或安全监控中心，提醒船员及时排查该类故障；

S6)若当前数据特征与故障多模态专家系统数据库中已存储的故障模式类匹配均不相似且与正常稳态特征相似，则认为当前状态为正常状态，特征匹配相似度的门限值设置为85％，超过门限值则设为是相似，低于门限值则认为是不相似，相似度门限值人们还可以选择由深度学习集成模块的算法自动设定；若当前数据特征与故障多模态专家系统数据库中已存储的故障模式类匹配均不相似但与正常稳态特征也不相似，则认为新的故障出现了，系统自动将当前数据段特征识别为新的故障，进行新故障类别标记，同时系统自动将该新故障特征数据和标记值更新至故障多模态专家系统数据库中的故障总数据集{Τ}中。

本发明的有益效果是：提供一种船舶柴油发电机故障预测与健康状态在线评估系统及方法，将人工智能领域的最前沿深度学习技术应用于柴油发电机的故障预测和健康评估中，可以实时的监测当前运行的柴油发电机组的工作状态，通过提取现场的监测数据并与本发明的故障多模态专家系统数据库实时对比，可以清晰的观察到当前机组的数据特征是何种风险状态，是稳定状态，还是微小故障状态、显著故障状态，还是重大风险阶段等，从而评估当前设备的健康状况，对运行状态进行实时检测，并且准确的对故障类型进行实时预测，从而使船员可以在故障未发生之前或早期微小故障时能够进行及时的维护和保养。本发明具有结构设计灵巧，智能化和自动化程度高的优点，工作可靠、使用方便，可广泛应用在与船舶柴油机相类似的旋转机械、动力机械领域。

附图说明

图1为本发明一个实施例的结构示意图。

图2为本发明一个实施例的系统流程框架图。

其中：1-壳体，2-电源启动按钮，3-电源关闭按钮，4-显示器，5-深度学习集成模块，6-警报器，7-故障多模态专家系统数据库，8-存储器，9-电源，10-GPU，11-CPU，12-外部设备控制接口，13-网络模块，14-全生命周期历史数据库，15-USB接口，16-导线，17-数据采集模块，18-无线信号收发装置，19-数据输入接口。

具体实施方式

为更好地理解本发明，下面结合附图和实施例对本发明进一步的描述。

如图1所示，船舶柴油发电机故障预测与健康状态在线评估系统，包括壳体1、显示器4、警报器6、电源9和数据处理装置，数据处理装置包括深度学习集成模块5、全生命周期历史数据库14、故障多模态专家系统数据库7，壳体设置有腔体，在壳体上部中间位置处设置有无线信号收发装置18，在无线信号收发装置的左侧设置有数据采集模块17，在无线信号收发装置的右侧设置有电源启动按钮2和电源关闭按钮3，在无线信号收发装置的正下方设置显示器，在显示器的正下方中间处设置有深度学习集成模块，在深度学习集成模块的左侧设置有USB接口15，在深度学习集成模块的右侧设置警报器，在深度学习集成模块的下方左侧设置全生命周期历史数据库，在全生命周期历史数据库的右侧设置故障多模态专家系统数据库，在故障多模态专家系统数据库的正下方右侧设置有存储器8，在存储器的左侧设置有图形处理器GPU10、在GPU的左侧设置有中央处理器CPU11，在CPU的左侧设置有网络模块13，在壳体的最底端右侧设置电源，在电源的左侧设置有外部设备控制接口12，壳体内的所有部件通过导线16连接构成通路。

本发明的所有控制指令均由CPU发出，所有的数据均保存在存储器中，人机交互的操作流程以及结果的输出的可视化由显示器显示，警报器设置为对操作步骤进行语音提示和故障报警，中央处理器CPU设置为对整个系统装置的程序控制及数据运算，GPU设置为对深度学习集成模块内的网络模型进行模型训练、数据处理以及辅助CPU做深度学习运算，网络模块设置为将本发明与互联网云平台进行连接，无线信号收发装置设置为将网络模块、无线传感器、智能手机等无线电设备产生的无线电信号进行接收、发射以及将本发明与互联网无线连接，USB接口设置为将外部数据输入本发明数据库中，本发明还可通过外部设备控制接口连接笔记本电脑、大屏幕显示器、服务器等外部设备，用于外部数据处理，提高本发明的使用效率和工作性能。

深度学习集成模块包括卷积神经网络(CNN)、深度信念网络(DBN)、递归神经网络(RNN)、堆叠自编码器(SAE)、深度玻尔兹曼机(DBM)、长短期记忆模型(LSTM)、门控循环单元网络(GRU)及神经图灵机(NTM)等深度学习网络模型，这些模型针对不同的识别对象各有优缺点，因此，单一使用一种深度学习网络模型难以有效同时对本发明所涉及的振动、噪声、电力等多种信号类型进行处理，因此，深度学习集成模块采用集成学习方法和自动优化设计组合策略，将多个有监督和无监督的深度学习算法模型组合在一起并行数据处理，获得比单一学习模型显著优越的泛化性能和处理效果。

全生命周期历史数据库为包含有已退役的K台同类型的柴油发电机自服役到退役整个运行阶段的全部监测离线数据总集

每台柴油发电机采集N个指标，其指标设置为包含有振动信号、噪声信号、电力信号、转速信号及其他用于柴油发电机故障检测的常规信号指标，每一种监测指标设置有Q个传感器测量点，每一个传感器所测得的数据均为一个时间序列样本，数据总集

是一个K×N×Q的多维多模态的高维张量矩阵数据集。

故障多模态专家系统数据库设置为包含有所述全生命周期历史数据库中的K台柴油发电机自从服役到退役整个运行阶段中所有出现过的故障特征数据组总集及对应的故障类别标记，中央处理器CPU设置为采用反向倒推类比方法，对全生命周期历史数据库中的监测大数据总集

进行数据切割，将K台同类型柴油发电机出现某类相同故障的数据段进行截断提取重新组合，并按照反向时间序列的方式进行排序，定义该故障类别为故障A，以故障A出现的时刻为起点，至前一次其他类故障B出现的时刻为终点，截取故障A至故障B之间的数据作为故障A的时间序列数据段；以M表示一台机器中出现故障A的次数，N表示每一次故障A出现时均有N个指标被监测，Q表示每一个监测指标均布置有Q个传感器测量点，则一台机器出现故障A所获得的数据可构成一个M×N×Q的多维数据组{δ_A}。

数据采集模块设置有多个数据输入接口，数据输入接口对应于可接收现场实时监测的多种类型的监测信号，每一个数据输入接口对应其中一类监测信号，每一个数据输入接口获得的监测信号均是一个多维时间序列数据组。

使用本发明进行故障预测和健康状态在线评估的流程为：

1)按下电源启动按钮，这时本发明系统装置启动工作，显示器点亮，进入工作状态，首先将批量已退役的K台同类型的柴油发电机自从服役到退役整个运行阶段的全部监测离线数据总集

通过USB接口15输入到全生命周期历史数据库中，数据总集

包含有K台同类型的机器，每台机器采集N个信号指标，其指标包含有振动信号、噪声信号、电力信号、转速信号及其他用于柴油发电机故障检测的常规信号，每一种监测指标设置有Q个传感器测量点，每一个传感器所测得的数据均为一个时间序列，因此数据总集

是一个K×N×Q的多维多模态的高维张量矩阵数据集；

2)对全生命周期历史数据库中的数据总集

按故障类别和次数进行数据切割重新排序，将K台同类型柴油发电机出现某类相同故障的数据段进行截断提取重新组合，并按照反向时间序列的方式进行排序，假设该故障为故障A，即：以故障A出现的时刻为起点，至前一次他类故障(故障B)出现的时刻为终点，截取故障A至故障B之间的数据作为故障A的时间序列数据段；以M表示一台机器中出现故障A的次数，N表示每一次故障A出现时均有N个指标(振动、噪声、电力等)被监测，Q表示每一个监测指标均布置有Q个传感器测量点，则一台机器出现故障A所获得的数据可构成一个M×N×Q的多维数据组{δ_A}；将全生命周期历史数据库中所有的K台机器出现过故障A的数据构成一个K×M×N×Q数据组总集{Ψ_A}；

3)数据组总集{Ψ_A}在进行数据组合时，以故障A出现的时刻为参考点进行数据对齐，按时间轴的反方向构成反向时间序列样本数据组总集{Ψ_A’}，数据组总集{Ψ_A’}对应故障类型A，共有K×M×N×Q个反向时间序列样本；

4)通过深度学习集成模块中的各类网络模型对故障A的反向时间序列数据组总集{Ψ_A’}中的数据进行迭代学习，深度学习集成模块包含有卷积神经网络(CNN)、深度信念网络(DBN)、递归神经网络(RNN)、堆叠自编码器(SAE)、深度玻尔兹曼机(DBM)、长短期记忆模型(LSTM)、门控循环单元网络(GRU)及神经图灵机(NTM)等深度学习网络模型，这些模型针对不同的识别对象各有优缺点，若单一使用一种神度学习网络模型则难以有效同时对本发明所涉及的振动、噪声、电力等多种信号类型进行处理，因此深度学习集成模块采用集成学习方法，自动优化设计组合策略，将多个有监督和无监督的深度学习算法模型组合在一起并行数据处理，获得比单一学习模型显著优越的泛化性能和处理效果，深度学习集成模块对反向时间序列数据组总集{Ψ_A’}进行数据的深度挖掘和特征提取，并将故障A的数据组总集{Ψ_A’}以反向时间轴为方向按故障严重程序划分为严重、显著、轻微、微小和正常多种级别，最后把数据组总集{Ψ_A’}的特征和对应的故障A识别符号组成一个故障模式类存储到故障多模态专家系统数据库中；

5)每一类故障(故障A、故障B、故障C……)均采用这种方式建立一个对应的数据组总集({Ψ_A’}、{Ψ_B’}、{Ψ_C’}……)，构成故障总集{Τ}，并将所有故障的总数据集{Τ}存储到故障多模态专家系统数据库中，故障多模态专家系统数据库中包含全生命周期历史数据库中所有K台柴油发电机自从服役到退役整个运行阶段的所有出现过的故障特征数据组总集及对应的故障类别标记；

6)当数据采集模块通过数据输入接口获取来自柴油发电机组工作现场的振动、噪声、电力、转速等多个指标的实时在线监测数据时，深度学习集成模块会自动对监测数据进行特征学习和数据挖掘，并将提取的实时数据特征与故障多模态专家系统数据库中已存储的故障模式类进行相似性特征匹配，若相似度高，则将当前数据段自动分类到对应的故障类别中，例如：当前数据段的特征数据与故障C相似，则本发明就会识别出当前设备发生了故障C，并通过警报器发出故障警报，CPU11会通过网络模块产生警报信息并由无线信号收发装置发送至船员的驾控台或安全监控中心，提醒船员及时排查故障C；若当前数据特征与故障多模态专家系统数据库中已存储的故障模式类匹配均不相似且与正常稳态特征相似，则认为当前状态为正常状态，特征匹配相似度的门限值设置为85％，超过门限值则设为是相似，低于门限值则认为是不相似，相似度门限值人们还可以选择由深度学习集成模块的算法自动设定；

7)若当前数据特征与故障多模态专家系统数据库中已存储的故障模式类匹配均不相似但与正常稳态特征也不相似，则认为新的故障出现了，系统自动将当前数据段特征识别为新的故障，进行新故障类别标记，同时系统自动将该新故障特征数据和标记值更新至故障多模态专家系统数据库中的故障总数据集{Τ}中。

通过使用本发明，可以实时的监测当前运行的柴油发电机组的工作状态，通过提取现场的监测数据并与本发明的故障多模态专家系统数据库实时对比，可以清晰的观察到当前机组的数据特征是何种风险状态，是稳定状态，还是微小故障状态、显著故障状态，还是重大风险阶段等，从而评估当前设备的健康状况，对运行状态进行实时检测，并且准确的对故障类型进行实时预测，从而使船员可以在故障未发生之前或早期微小故障时能够进行及时的维护和保养。

应当指出，本发明还可用在与柴油发电机相类似的旋转机械、动力机械等其他设备中，但只要是涉及本发明所披露的技术内容也在本发明的保护范围之内；另外本发明的保护范围不应受限于基本外形特征，凡是造型不同而实质的技术内容与本发明相同的一切技术内容也在本发明的保护范围之内；同时，还应当指出，本技术领域技术人员在本发明内容的基础上作常规的显而易见的小改进或小组合，只要技术内容包含在本发明所记载的内容范围之内的技术内容也在本发明的保护范围之内。

Claims (7)

1.船舶柴油发电机故障预测与健康状态在线评估系统，其特征在于，包括壳体、显示器、警报器、电源和数据处理装置，所述数据处理装置包括深度学习集成模块、全生命周期历史数据库、故障多模态专家系统数据库和数据采集模块，壳体设置有腔体，在壳体上部中间位置处设置有无线信号收发装置，在无线信号收发装置的右侧设置有电源启闭按钮，在无线信号收发装置的正下方设置所述显示器，在显示器的正下方中间左侧设置有USB接口，右侧设置所述警报器，腔体内设置有存储器，在存储器的左侧设置有图形处理器GPU，在GPU的左侧设置有中央处理器CPU，在壳体的最底端右侧设置所述电源，在电源的左侧设置有外部设备控制接口，壳体内的所有部件通过导线连接构成通路，电源为所有部件提供电力，并通过电源启闭按钮控制电源通断，故障多模态专家系统数据库载入全生命周期历史数据库中所有故障特征数据，数据采集模块实时在线监测柴油发电机组工作现场的指标数据，深度学习集成模块会自动对数据进行迭代学习提取特征，并将该特征与故障多模态专家系统数据库中特征数据进行相似性比对识别出当前设备发生的故障，并通过警报器发出故障警报，CPU会将警报信息通过无线信号收发装置发送至船员的驾控台或安全监控中心，提醒船员及时排查对应故障。

2.根据权利要求1所述的船舶柴油发电机故障预测与健康状态在线评估系统，其特征在于，所述深度学习集成模块包括卷积神经网络、深度信念网络、递归神经网络、堆叠自编码器、深度玻尔兹曼机、长短期记忆模型、门控循环单元网络及神经图灵机，深度学习集成模块采用集成学习方法和自动优化设计组合策略，将多个有监督和无监督的深度学习算法模型组合在一起并行数据处理。

3.根据权利要求2所述的船舶柴油发电机故障预测与健康状态在线评估系统，其特征在于，所述全生命周期历史数据库为包含有已退役的K台同类型的柴油发电机自服役到退役整个运行阶段的全部监测离线数据总集

每台柴油发电机监测N种类型的监测信号，每一种监测信号设置有Q个传感器测量点，每一个传感器所测得的数据均为一个时间序列样本，数据总集

是一个K×N×Q的多维多模态的高维张量矩阵数据集。

4.根据权利要求3所述的船舶柴油发电机故障预测与健康状态在线评估系统，其特征在于，所述故障多模态专家系统数据库设置为包含有所述全生命周期历史数据库中的K台柴油发电机自从服役到退役整个运行阶段中所有出现过的故障特征数据组总集及对应的故障类别标记，反向倒推类比方法是作为程序被写入系统内，然后由CPU控制执行，对全生命周期历史数据库中的监测大数据总集

进行数据切割，将K台同类型柴油发电机出现某类相同故障的数据段进行截断提取重新组合，并按照反向时间序列的方式进行排序，定义该故障类别为故障A，以故障A出现的时刻为起点，至前一次其他类故障B出现的时刻为终点，截取故障A至故障B之间的数据作为故障A的时间序列数据段；以M表示一台机器中出现故障A的次数，N表示每一次故障A出现时均有N个指标被监测，Q表示每一个监测指标均布置有Q个传感器测量点，则一台机器出现故障A所获得的数据可构成一个M×N×Q的多维数据组{δ_A}；数据组总集{Ψ_A}在进行数据组合时，以故障A出现的时刻为参考点进行数据对齐，按时间轴的反方向构成反向时间序列样本数据组总集{Ψ_A’}，数据组总集{Ψ_A’}对应故障类型A，共有K×M×N×Q个反向时间序列样本；通过深度学习集成模块中的各类网络模型对故障A的反向时间序列数据组总集{Ψ_A’}中的数据进行迭代学习，实现数据的深度挖掘和特征提取，并将故障A的数据组总集{Ψ_A’}以反向时间轴为方向按故障严重程序划分为严重、显著、轻微、微小和正常多种级别，最终把数据组总集{Ψ_A’}的特征信息集合和对应的故障A识别符号组成一个故障模式类存储到故障多模态专家系统数据库中；每一类故障(故障A、故障B、故障C……)均采用这种方式建立一个对应的数据组总集({Ψ_A’}、{Ψ_B’}、{Ψ_C’}……)，构成故障总集{Τ}，并将所有故障的总数据集{Τ}存储到故障多模态专家系统数据库中。

5.根据权利要求4所述的船舶柴油发电机故障预测与健康状态在线评估系统，其特征在于，所述数据采集模块设置有多个数据输入接口，数据输入接口对应于可接收现场实时监测的多种类型的监测信号，每一个数据输入接口对应其中一类监测信号，每一个数据输入接口获得的监测信号均是一个多维时间序列数据组。

6.根据权利要求5所述的船舶柴油发电机故障预测与健康状态在线评估系统，其特征在于，所述监测信号类型包括电力信号、振动信号、噪声信号、力信号，所述电力信号包括电压信号和电流信号。

7.采用权利要求6所述的船舶柴油发电机故障预测与健康状态在线评估系统的方法，其特征在于，包括如下步骤：

S1)将批量已退役的K台同类型的柴油发电机自从服役到退役整个运行阶段的全部监测离线数据总集

通过USB接口输入到全生命周期历史数据库中；

S2)将全生命周期历史数据库中所有的K台机器出现过故障A的数据构成一个K×M×N×Q数据组总集{Ψ_A}，数据组总集{Ψ_A}在进行数据组合时，以故障A出现的时刻为参考点进行数据对齐，按时间轴的反方向构成反向时间序列样本数据组总集{Ψ_A’}，数据组总集{Ψ_A’}对应故障类型A，共有K×M×N×Q个反向时间序列样本；

S3)通过深度学习集成模块中的各类网络模型对故障A的反向时间序列数据组总集{Ψ_A’}中的数据进行迭代学习，深度学习集成模块对反向时间序列数据组总集{Ψ_A’}进行数据的深度挖掘和特征提取，并将故障A的数据组总集{Ψ_A’}以反向时间轴为方向按故障严重程序划分为严重、显著、轻微、微小和正常多种级别，最后把数据组总集{Ψ_A’}的特征和对应的故障A识别符号组成一个故障模式类存储到故障多模态专家系统数据库中；

S4)每一类故障均建立一个对应的数据组总集({Ψ_A’}、{Ψ_B’}、{Ψ_C’}……)，构成故障总集{Τ}，并将所有故障的总数据集{Τ}存储到故障多模态专家系统数据库中，故障多模态专家系统数据库中包含全生命周期历史数据库中所有K台柴油发电机自从服役到退役整个运行阶段的所有出现过的故障特征数据组总集及对应的故障类别标记；

S5)当数据采集模块通过数据输入接口获取来自柴油发电机组工作现场的振动、噪声、电力、转速多个指标的实时在线监测数据时，深度学习集成模块会自动对监测数据进行特征学习和数据挖掘，并将提取的实时数据特征与故障多模态专家系统数据库中已存储的故障模式类进行相似性特征匹配，若相似度高，则将当前数据段自动分类到对应的故障类别中，就会识别出当前设备发生了对应的故障，并通过警报器发出故障警报，CPU会通过网络模块产生警报信息并由无线信号收发装置发送至船员的驾控台或安全监控中心，提醒船员及时排查该类故障；

S6)若当前数据特征与故障多模态专家系统数据库中已存储的故障模式类匹配均不相似且与正常稳态特征相似，则认为当前状态为正常状态，特征匹配相似度的门限值设置为85％，超过门限值则设为是相似，低于门限值则认为是不相似；若当前数据特征与故障多模态专家系统数据库中已存储的故障模式类匹配均不相似但与正常稳态特征也不相似，则认为新的故障出现了，系统自动将当前数据段特征识别为新的故障，进行新故障类别标记，同时系统自动将该新故障特征数据和标记值更新至故障多模态专家系统数据库中的故障总数据集{Τ}中。

Images