CN108961468B - 一种基于集成学习的船舶动力系统故障诊断方法 - Google Patents
一种基于集成学习的船舶动力系统故障诊断方法 Download PDFInfo
- Publication number
- CN108961468B CN108961468B CN201810682258.2A CN201810682258A CN108961468B CN 108961468 B CN108961468 B CN 108961468B CN 201810682258 A CN201810682258 A CN 201810682258A CN 108961468 B CN108961468 B CN 108961468B
- Authority
- CN
- China
- Prior art keywords
- sample set
- ship
- samples
- training
- strain
- 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
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24317—Piecewise classification, i.e. whereby each classification requires several discriminant rules
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于集成学习的船舶动力系统故障诊断方法,通过基学习算法建立若干个具有差异性的弱分类器,对测试样本分别进行单一的故障类型的判断,得出具有差异性的预测结果,并形成强分类器,达到智能诊断船舶主机故障的目的。
Description
技术领域
本发明属于船舶系统设备故障诊断领域,具体涉及一种基于集成学习的船舶动力系统故障诊断方法。
背景技术
近几年,国内外掀起了智能船舶建造浪潮。智能船舶属于多学科先进技术的综合应用,它充分利用传感器、先进材料、通讯等方面的技术创新以及大数据、机器学习等新兴人工智能技术,实现船舶控制操纵和监测管理的自动化智能化,被广泛誉为是航运业和造船业的下一次技术革新。而且,近年来世界经济贸易下行,全球航运市场遭受了不小的打击,运营成本较高、利润低、安全性不足等问题一直困扰着传统航运业,如何降低运营成本航运界普遍关注的问题。根据调查显示,船舶维修成本占船舶运营成本的7.7%,采用先进的船舶设备故障诊断技术,可以降低船舶维修成本,进一步降低运营成本。
然而,目前船舶的故障诊断维修还是主要依赖于有经验的人员,人力成本较高,而且还会存在一定的过度维修以及维护不当等现象。另外,船舶的系统设备复杂,很难及时全面地掌握分布于各个舱室的设备运行状况,不利于管理维护人员做出合理的决策。船舶的监测报警系统中存储着大量的设备运行参数、报警以及故障信息,而这些数据信息在以往处于搁置的状态,并没有得到有效利用。因此,如何充分地利用这些状态监测数据,达到设备系统的故障诊断的目的,符合了未来智能船舶乃至无人船舶的发展趋势。值得指出的是,中国船级社于2015 年颁布了《智能船舶规范》,明确地将船舶状态监测和故障诊断技术作为未来智能船舶发展一项必不可少的技术。因此,如何合理有效的利用船舶各系统的数据信息资源,提高船舶智能化水平,已经成为一个研究热点。
目前,机器学习人工智能技术在经济、人文、医疗等领域应用较为广泛,但在像船舶这样的重工业,发展相对缓慢。
船舶动力系统为船舶提供各种能量,以保证船舶正常航行、人员正常生活以及各种作业,它是船舶的一个重要组成部分。在船舶动力系统中,主机是最重要的设备,它作为船舶心脏,为船舶推进提供动力。在主机的正常运转中,需要燃油系统、滑油系统、冷却水系统以及配气机构等辅助运行。比如燃油系统主要为主机的运转提供燃烧所消耗的燃油,以此获得动力。在船舶航行中,对主机设置诸多的监控传感器,通过传感器可以获取主机的运行状态参数,再结合机器学习算法,就可以达到故障预判的目的。但是对主机进行故障诊断需要解决的问题也很多,数据量大、冗余、推理手段不完善以及专家知识不充分等。另外,数据信息还可能存在不完整、不准确甚至冲突的问题。因此,选取集成学习的算法,将其应用于船舶主机的智能故障诊断中,可以充分利用这些数据,获得较好的数据泛化能力和较高的分类速度和准确率的故障诊断分类器。
发明内容
本发明的目的在于克服现有技术中存在的上述缺陷,提供一种基于集成学习的算法,充分利用主机状态数据,达到智能诊断船舶主机故障的目的。
为实现上述目的,本发明的技术方案如下:
一种基于集成学习的船舶动力系统故障诊断方法,其特征在于,包括以下步骤:
步骤S01:采集样本,每一个样本包括船舶动力系统的参数向量xi、船舶故障类型代码yi,并对参数向量xi进行归一化处理,共采集n个样本,形成样本集S={(x1,y1),(x2,y2),…(xn,yn)},其中船舶动力系统的参数向量长度为Lp,共有Lf种船舶故障类型;
步骤S02:针对每一船舶故障类型,在保持同样比例的情况下,将样本集S 按照一定的比例划分训练样本集Strain和测试样本集Stest,训练样本集的样本个数为nstrain,测试样本集的样本个数为ntest;
步骤S03:针对每一船舶故障类型,建立一个强分类器Hj(x),j=1~Lf,共建立Lf个强分类器;
步骤S04:利用以上建立的多个类别的强分类器Hj(x),j=1~Lf,分别对测试样本集中的测试样本进行故障判断,最后采用投票的方式确定最终的故障类别。
优选地,步骤S01中所述的船舶动力系统的参数向量xi,长度为13,即Lp=13,具体包括:(1)缸内压力、(2)气缸进气温度、(3)气缸排气温度、(4) 气缸进气压力、(5)气缸排气压力、(6)中冷器进口温度、(7)中冷器出口温度、 (8)中冷器进口压力、(9)中冷器出口压力、(10)增压器进口温度、(11)增压器出口温度、(12)增压器进口压力、(13)增压器出口压力。
优选地,步骤S01中所述的船舶动力系统的故障类型共包括10种,即Lf= 10种,船舶故障类型代码yi包括:A-各缸供油量减少、B-喷油正时故障、C-压缩比变化、D-曲轴箱窜气、E-中冷器效率故障、F-涡轮流道污堵、G-排气阀提前关闭、H-排气阀延迟关闭、I-增压器效率故障,J-正常状态。
优选地,步骤S03中所述的强分类器建立方法包括
步骤S31:设置训练的次数T,并对训练样本集Strain的各样本赋以初始化权值w1,r, r是训练样本集中样本的序号,r=1~nstrain,nstrain是训练样本集中样本的个数,样本集的初始权值分布为一个长度为nstrain的向量
步骤S32:按照训练样本的权值分布,从训练样本集Strain随机抽取部分样本组成训练集L;
步骤S33:使用基学习算法对训练集L进行训练,生成弱分类器hk,k为当前训练的次数;
步骤S34:使用步骤S33中生成的弱分类器hk对训练样本集Strain的样本进行预测,计算该弱分类器hk的错误率εk
εk=P{hk(xr)≠yr(xr)}
其中yr(xr)是训练样本集Strain中的样本,hk(xr)是使用弱分类器hk得到的预测结果,r=1~nstrain;
如果该弱分类器hk的错误率εk>0.5,该弱分类器失效,返回步骤S32;
如果该弱分类器hk的错误率εk≤0.5,进入步骤S35;
并更新训练样本集的权重分布
其中Zk是归一化因子
增加循环次数k=k+1,如果k<T,进入步骤S32,如果k=T,进入步骤S36;
优选地,步骤S31中所述的初始化权值为平均分布,wi=1/nstrain。
优选地,步骤S33中所述的基学习算法为支持向量机算法、极限学习机算法、神经网络算法、决策树算法或贝叶斯分类算法。
从上述技术方案可以看出,本发明通过基学习算法建立若干个具有差异性的弱分类器,对测试样本分别进行单一的故障类型的判断,得出具有差异性的预测结果,并形成强分类器,用于故障类型的判断。因此,本发明具有提高船舶主机数据利用率,判断准确率高等显著特点。
附图说明
图1是本发明的流程图;
具体实施方式
下面结合附图,对本发明的具体实施方式作进一步的详细说明。
需要说明的是,在下述的具体实施方式中,在详述本发明的实施方式时,为了清楚地表示本发明的结构以便于说明,特对附图中的结构不依照一般比例绘图,并进行了局部放大、变形及简化处理,因此,应避免以此作为对本发明的限定来加以理解。
在以下本发明的具体实施方式中,请参阅图1,图1是本发明流程图。如图所示,
一种基于集成学习的船舶动力系统故障诊断方法,其特征在于,包括以下步骤:
步骤S01:采集样本,每一个样本包括船舶动力系统的参数向量xi、船舶故障类型代码yi,并对参数向量xi进行归一化处理,共采集n个样本,形成样本集S={(x1,y1),(x2,y2),…(xn,yn)},其中船舶动力系统的参数向量长度为Lp,共有Lf种船舶故障类型;
具体的,船舶动力系统的参数向量xi,长度为13,即Lp=13,具体包括:(1) 缸内压力、(2)气缸进气温度、(3)气缸排气温度、(4)气缸进气压力、(5)气缸排气压力、(6)中冷器进口温度、(7)中冷器出口温度、(8)中冷器进口压力、 (9)中冷器出口压力、(10)增压器进口温度、(11)增压器出口温度、(12)增压器进口压力、(13)增压器出口压力。
具体的,船舶动力系统的故障类型共包括10种,即Lf=10,船舶故障类型代码yi包括:A-各缸供油量减少、B-喷油正时故障、C-压缩比变化、D-曲轴箱窜气、E-中冷器效率故障、F-涡轮流道污堵、G-排气阀提前关闭、H-排气阀延迟关闭、I-增压器效率故障,J-正常状态。
步骤S02:针对每一船舶故障类型,在保持同样比例的情况下,将样本集S 按照一定的比例划分训练样本集Strain和测试样本集Stest,训练样本集的样本个数为nstrain,测试样本集的样本个数为ntest;
具体来说,样本集S有90个样本,每种状态对应9个样本,从每个状态里面选6个作为训练样本集的样本,即Strain有60个样本,其他的作为测试样本,即Stest有30个样本。
步骤S03:针对每一船舶故障类型,建立一个强分类器Hj(x),j=1~Lf,共建立Lf个强分类器。
本具体实施例有Lf=10种船舶故障类型,故需要按照以下步骤建立10个强分类器。
步骤S31:设置训练的次数T,并对训练样本集Strain的各样本赋以初始化权值w1,r,r是训练样本集中样本的序号,r=1~nstrain,nstrain是训练样本集中样本的个数,样本集的初始权值分布为一个长度为nstrain的向量
本具体实施例中设置训练次数为T=10次,初始化权值为平均分布,
步骤S32:按照训练样本的权值分布,从训练样本集Strain随机抽取部分样本组成训练集L;
本具体实施例中选择训练集L的样本个数为训练样本集的一半,即30个。
步骤S33:使用基学习算法对训练集L进行训练,生成弱分类器hk,k为当前训练的次数;
步骤S33中所述的基学习算法为支持向量机算法、极限学习机算法、神经网络算法、决策树算法或贝叶斯分类算法
本具体实施例中采用的基学习算法为支持向量机算法。
步骤S34:使用步骤S33中生成的弱分类器hk对训练样本集Strain的样本进行预测,计算该弱分类器hk的错误率εk
εk=P{hk(xr)≠yr(xr)}
其中yr(xr)是训练样本集Strain中的样本,hk(xr)是使用弱分类器hk得到的预测结果,r=1~nstrain;
如果该弱分类器hk的错误率εk>0.5,该弱分类器失效,返回步骤S32。
如果弱分类器失效,根据当前样本的权值分布返回步骤S32,重新对训练样本集Strain进行采样,再基于新的采样结果重新训练出基学习器,从而使得学习过程可以持续到预设的轮数10次。
如果该弱分类器hk的错误率εk≤0.5,进入步骤S35。
并更新训练样本集的权重分布
其中Zk是归一化因子
增加循环次数k=k+1,如果k<T,进入步骤S32,如果k=T,进入步骤S36。
通过函数sign的作用得到强分类器为:
在这些分类器的错误率都相互独立的情况下,由Hoeffding不等式可知,集成的错误率为:
即随集成中的个体分类器数目T的增大,集成的错误率也将按照指数下降,最终趋向于零。
步骤S04:利用以上建立的多个类别的强分类器Hj(x),j=1~Lf,分别对测试样本集中的测试样本进行故障判断,最后采用投票的方式确定最终的故障类别。
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 (3)
1.一种基于集成学习的船舶动力系统故障诊断方法,其特征在于,包括以下步骤:
步骤S01:采集样本,每一个样本包括船舶动力系统的参数向量xi、船舶故障类型代码yi,并对参数向量xi进行归一化处理,共采集n个样本,形成样本集S={(x1,y1),(x2,y2),…(xn,yn)},其中船舶动力系统的参数向量长度为Lp,共有Lf种船舶故障类型;
步骤S02:针对每一船舶故障类型,在保持同样比例的情况下,将样本集S按照一定的比例划分训练样本集Strain和测试样本集Stest,训练样本集的样本个数为nstrain,测试样本集的样本个数为ntest;
步骤S03:针对每一船舶故障类型,建立一个强分类器Hj(x),j=1~Lf,共建立Lf个强分类器;
步骤S04:利用以上建立的多个类别的强分类器Hj(x),j=1~Lf,分别对测试样本集中的测试样本进行故障判断,最后采用投票的方式确定最终的故障类别;
所述步骤S01中所述的船舶动力系统的参数向量xi,长度为13,即Lp=13,具体包括:(1)缸内压力、(2)气缸进气温度、(3)气缸排气温度、(4)气缸进气压力、(5)气缸排气压力、(6)中冷器进口温度、(7)中冷器出口温度、(8)中冷器进口压力、(9)中冷器出口压力、(10)增压器进口温度、(11)增压器出口温度、(12)增压器进口压力、(13)增压器出口压力;
所述步骤S01中所述的船舶动力系统的故障类型共包括10种,即Lf=10,船舶故障类型代码yi包括:A-各缸供油量减少、B-喷油正时故障、C-压缩比变化、D-曲轴箱窜气、E-中冷器效率故障、F-涡轮流道污堵、G-排气阀提前关闭、H-排气阀延迟关闭、I-增压器效率故障,J-正常状态;
所述步骤S03中所述的强分类器建立方法包括
步骤S31:设置训练的次数T,并对训练样本集Strain的各样本赋以初始化权值w1,r, r是训练样本集中样本的序号,r=1~nstrain,nstrain是训练样本集中样本的个数,样本集的初始权值分布为一个长度为nstrain的向量
步骤S32:按照训练样本的权值分布,从训练样本集Strain随机抽取部分样本组成训练集L;
步骤S33:使用基学习算法对训练集L进行训练,生成弱分类器hk,k为当前训练的次数;
步骤S34:使用步骤S33中生成的弱分类器hk对训练样本集Strain的样本进行预测,计算该弱分类器hk的错误率εk
εk=P{hk(xr)≠yr(xr)}
其中yr(xr)是训练样本集Strain中的样本,hk(xr)是使用弱分类器hk得到的预测结果,r=1~nstrain;
如果该弱分类器hk的错误率εk>0.5,该弱分类器失效,返回步骤S32;
如果该弱分类器hk的错误率εk≤0.5,进入步骤S35;
并更新训练样本集的权重分布
其中Zk是归一化因子
增加循环次数k=k+1,如果k<T,进入步骤S32,如果k=T,进入步骤S36;
2.根据权利要求1所述的基于集成学习的船舶动力系统故障诊断方法,其特征在于,步骤S31中所述的初始化权值为平均分布,wi=1/nstrain。
3.根据权利要求1所述的基于集成学习的船舶动力系统故障诊断方法,其特征在于,步骤S33中所述的基学习算法为支持向量机算法、极限学习机算法、神经网络算法、决策树算法或贝叶斯分类算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810682258.2A CN108961468B (zh) | 2018-06-27 | 2018-06-27 | 一种基于集成学习的船舶动力系统故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810682258.2A CN108961468B (zh) | 2018-06-27 | 2018-06-27 | 一种基于集成学习的船舶动力系统故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108961468A CN108961468A (zh) | 2018-12-07 |
CN108961468B true CN108961468B (zh) | 2020-12-08 |
Family
ID=64487567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810682258.2A Active CN108961468B (zh) | 2018-06-27 | 2018-06-27 | 一种基于集成学习的船舶动力系统故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108961468B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109459235B (zh) * | 2018-12-13 | 2021-07-13 | 中国航空工业集团公司上海航空测控技术研究所 | 基于集成学习增强型齿轮单故障类别诊断方法 |
CN110633353B (zh) * | 2019-07-29 | 2020-05-19 | 南京莱斯网信技术研究院有限公司 | 一种基于集成学习的船舶类型仿冒监测方法 |
CN111079783B (zh) * | 2019-11-11 | 2022-11-08 | 东北石油大学 | 一种基于多核集成学习识别地层岩性参数的方法 |
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 |
CN116300837B (zh) * | 2023-05-25 | 2023-08-18 | 山东科技大学 | 一种水面无人艇执行器故障诊断方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622609B (zh) * | 2012-03-01 | 2013-10-09 | 西北工业大学 | 一种基于支持向量机的三维模型自动分类方法 |
CN102819745B (zh) * | 2012-07-04 | 2014-11-05 | 杭州电子科技大学 | 一种基于AdaBoost的高光谱遥感影像分类方法 |
CN103728551B (zh) * | 2013-01-30 | 2016-03-09 | 中国人民解放军海军航空工程学院 | 一种基于级联集成分类器的模拟电路故障诊断方法 |
US10304263B2 (en) * | 2016-12-13 | 2019-05-28 | The Boeing Company | Vehicle system prognosis device and method |
CN106874934A (zh) * | 2017-01-12 | 2017-06-20 | 华南理工大学 | 基于加权极限学习机集成算法的污水处理故障诊断方法 |
CN107992895A (zh) * | 2017-10-19 | 2018-05-04 | 电子科技大学 | 一种Boosting支持向量机学习方法 |
-
2018
- 2018-06-27 CN CN201810682258.2A patent/CN108961468B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108961468A (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961468B (zh) | 一种基于集成学习的船舶动力系统故障诊断方法 | |
WO2023231995A1 (zh) | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 | |
CN109141847B (zh) | 一种基于mscnn深度学习的飞机系统故障诊断方法 | |
CN108197648A (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 | |
AU2020101535A4 (en) | Fault Diagnosis Method for Ship Power System Based on Integrated Learning | |
CN111597760B (zh) | 一种实现小样本条件下获取气路参数偏差值的方法 | |
CN111652461A (zh) | 基于sae-hmm的航空发动机连续健康状态评估方法 | |
CN111190349A (zh) | 船舶机舱设备状态监测及故障诊断方法、系统及介质 | |
CN114813105A (zh) | 一种基于工况相似性评估的齿轮箱故障预警方法及系统 | |
CN112149350B (zh) | 解决热泵系统故障诊断中数据依赖问题的模型迁移方法 | |
CN114676742A (zh) | 一种基于注意力机制和残差网络的电网异常用电检测方法 | |
CN108304976A (zh) | 一种电力系统精细化负荷预测和分析方法 | |
CN110033126A (zh) | 基于注意力机制与逻辑回归的长短期记忆网络预测方法 | |
CN110826587B (zh) | 基于改进的加权一类支持向量机的涡轴发动机故障检测方法 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN115774847A (zh) | 一种柴油机性能评估及预测方法和系统 | |
CN112613227B (zh) | 基于混合机器学习的航空发动机剩余使用寿命预测模型 | |
Won et al. | Prediction of remaining useful lifetime of membrane using machine learning | |
CN112465145A (zh) | 一种基于逻辑推理与模糊综合的无人集群智能定性评价方法 | |
Fu et al. | A Novel Label Correction Method for Remaining Useful Life Prediction of Turbofan Engines | |
Wang et al. | Fault diagnosis of ship ballast water system based on support vector machine optimized by improved sparrow search algorithm | |
CN106446495B (zh) | 碳纤维原丝生产过程中牵伸环节性能指标的预测方法 | |
CN113742860B (zh) | 一种基于DBN-Bayes算法的涡轴发动机功率估计方法 | |
Yin | Intelligent clustering evaluation of marine equipment manufacturing based on network connection strength | |
CN113361558B (zh) | 基于ihpso-kmsvdd的航空发动机故障检测方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201118 Address after: 524000 Guangdong city of Zhanjiang province sea Mazhang District Road No. 1 Applicant after: Guangdong Ocean University Address before: 116000 No. 1, Ling Hai Road, Liaoning, Dalian Applicant before: Dalian Maritime University |
|
GR01 | Patent grant | ||
GR01 | Patent grant |