CN110261122B - 一种基于分块的船舶柴油机故障监测方法 - Google Patents

一种基于分块的船舶柴油机故障监测方法 Download PDF

Info

Publication number
CN110261122B
CN110261122B CN201910538312.0A CN201910538312A CN110261122B CN 110261122 B CN110261122 B CN 110261122B CN 201910538312 A CN201910538312 A CN 201910538312A CN 110261122 B CN110261122 B CN 110261122B
Authority
CN
China
Prior art keywords
fault
monitoring
block
principal component
space
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
Application number
CN201910538312.0A
Other languages
English (en)
Other versions
CN110261122A (zh
Inventor
钟凯
韩敏
李锦冰
韩冰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN201910538312.0A priority Critical patent/CN110261122B/zh
Publication of CN110261122A publication Critical patent/CN110261122A/zh
Application granted granted Critical
Publication of CN110261122B publication Critical patent/CN110261122B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/04—Testing internal-combustion engines
    • G01M15/05—Testing internal-combustion engines by combined monitoring of two or more different engine parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Combustion & Propulsion (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

一种基于分块的船舶柴油机故障监测方法，属于船舶柴油机故障监测领域，包括：在船舶柴油机各子系统安装传感器监测运行状态，同时根据结构和工作原理对监测变量进行分块；分别构建每一分块对应的主成分分析监控空间和支持向量机分类模型；使用T2和SPE统计量实时监测每一分块中的运行数据，将超出对应控制限的监测变量导入构建的对应支持向量机分类模型中；使用支持向量机确定滑动窗口内出现故障的概率，根据故障阈值确定故障是否发生；最后根据故障贡献率确定故障发生分块。本发明使用分块方法可以提升故障监测过程的计算效率，根据主成分分析和支持向量机实现二次故障检测降低故障误判，最后利用故障贡献率确定故障发生位置，降低船舶柴油机维护难度。

Description

一种基于分块的船舶柴油机故障监测方法
技术领域
本发明属于船舶柴油机故障监测领域，涉及一种分块实现船舶柴油机故障监测的方法。
背景技术
船舶柴油机是当前最主要的船舶动力装置，在完整的船舶运输中占据十分重要的地位。其故障占完整船舶故障的60％～80％，而当船舶发生故障时会造成巨大的经济损失，严重的甚至会影响操作人员的人身安全。此外，随着“工业4.0”背景下的“E-航海”战略的实施，人们对船舶长期稳定运行提出了更高的要求，因此十分有必要实时监控船舶柴油机健康状态以保证其正常的工作。基于数据驱动的故障监测方法主要是发现和监测由故障引起的监测变量波动，进而实时监测其健康状态，由于这种方法不需要过多的船舶柴油机机理知识和专家经验，已经受到了人们的广泛关注。
船舶柴油机是典型的多系统、多层次的复杂系统，各种监测变量携带不同的系统健康状态信息，为尽量的扩大故障监控范围并提升故障检测精度，通常需要同时监测多个变量，因此可以认为多种不同的监测变量是实现基于数据驱动的故障监测技术的基础。然而并不是每一个监测变量均与所有的故障相关，大量监测变量的存在也必然会引起计算复杂度的增加。同时某些监测变量之间关联关系较小，没有必要同时处理，因此发明一种基于分块的船舶柴油机故障监测方法，用以高效精确的确定故障发生位置具有十分重要的理论和实际意义。
经对现有技术的文献检索发现，发明名称为“基于离群分析的柴油机故障诊断方法”(公开号为CN103969052A，公开日为2014.08.06)的专利中提出一种使用群体智能实现故障诊断的方法。该专利申请自述为：“本发明包括如下步骤：1)实时采集柴油机运行数据，包括各气缸排气温度、各气缸的爆发压力及各缸发货时刻对应的转速；2)各气缸参数标准化处理；3)对气缸运行状态进行聚类分析；4)通过计算异常状态气缸的离群因子定量的描述其故障程度”。其不足之处是：选用的监测变量较少，易受噪声因素的影响，此外该故障诊断方法不利于大型柴油机故障因素的确定，因此难以实现高精度的复杂船舶柴油机系统的故障监测。
发明内容
本发明致力于解决现有船舶柴油机存在大量监测变量引起的故障监测过程计算效率较低的问题，提出一种基于分块的船舶柴油机故障监测方法，可以在保证故障检测精度的同时提升计算效率。
为了达到上述目的，本发明采用的技术方案是：
一种基于分块的船舶柴油机故障监测方法，该方法根据船舶柴油机的结构和工作原理对其监测变量进行分块，分别使用主成分分析方法和支持向量机分类模型实现每一分块监测数据的二次故障检测，随后根据滑动窗口内出现故障的概率和人为设定的故障阈值确定故障发生的可能性以减小故障误判，最后利用故障贡献率确定故障发生的具体分块。上述人为设定的故障阈值是根据具体的故障情况和故障危害程度一起确定的，当故障危害严重或故障发生频繁时可以选取较小的故障阈值以及时发现故障，当要求故障误判率低时则可以选择较大的故障阈值。具体包括以下步骤：
步骤S1：在船舶柴油机重要节点安装状态参数监测传感器，并按照结构和工作原理对监测变量进行分块。
为扩大本发明所提方法实现的故障监控范围，需要对柴油机重要节点的状态参数进行采集和处理。所述的状态参数主要包括温度、压力、各种介质的质量流量及各子系统的工作效率等。所述的重要节点主要包括不同介质流经各子系统前后位置节点和各个工作步骤的发生位置节点，其中所述的介质主要包括空气、冷却水及滑油等，工作步骤包括燃烧过程、冷却过程及空气增压过程等，所述的子系统包括涡轮器、增压器、机械增压器、空冷器、滤清器、滑油冷却器、扫气箱及气缸等。对上述重要节点的状态参数进行采集和处理之后即可获得监测变量。
本发明主要是基于对监测变量的分块实现故障监测，所述的分块方法主要是根据船舶柴油机的结构和工作原理实现的。由于每一单独的工作步骤均会引起对应节点的状态参数变化而对其他节点的状态参数影响较小，因此可以将每一个单独的工作步骤获得的监测变量分为一块，即最简单的分块方案就是分别将每一子系统的监测变量分为一块。
步骤S2：在每一分块中使用主成分分析方法将监测变量从原始监测空间映射到主成分分析监测空间，并同时训练获得支持向量机故障分类模型。
所述的主成分分析方法对分块中的监测数据矩阵X(维度为n×J，即矩阵行数为n，列数为J)的具体处理方式如下式所示：
T＝XPt
Figure BDA0002101767400000021
其中，T为得分矩阵，Pt是主元空间的负载矩阵，维度为J×Jt(即矩阵行数为J，列数为Jt)，E为残差空间，Pe是残差空间中的负载矩阵，维度为J×Je(即矩阵行数为J，列数为Je)；根据累计方差贡献率准则选定主元空间中负载矩阵，一般认为选定的累计方差贡献率为85％时可以得到较好的结果。由于这些负载矩阵是主成分分析监测空间的方向向量，因此所述的主成分分析监测空间可以表述为根据上述说明确定的每一分块中主元空间和残差空间的负载矩阵Pt和Pe。
所述的支持向量机分类函数表达式如下所示：
Figure BDA0002101767400000031
其中，αk＝[α1,α2,…,αn]是支持向量机分类函数的系数矩阵，c是对应的偏差量，K(xi,xj)＝exp(-||xi-xj||2/2σ2)是选定的高斯核函数，σ为xi和xj的协方差矩阵。这里主要是利用每一分块中历史正常数据和故障数据确定的系数α和c，获得故障分类模型即为根据历史正常和故障数据确定的可以实现正常监测变量和故障监测变量分类的函数。
步骤S3：分别在每一分块的主元空间和残差空间中构建两个监控统计量及其对应的控制限，实现监测变量的一次故障检测，随后将检测出可能存在故障的监测变量传递给对应分块的支持向量机分类模型。
所述的监控统计量构建公式如下式所示：
T2＝(XPt)Λ-1(XPt)T
Figure BDA0002101767400000032
其中，T2用于表征当前主元空间中监测数据与正常数据的距离，SPE用于表征残差空间中监测变量之间关系的变化程度。分析获得两种监控统计量的正常情况下的分布规律如下式所示：
Figure BDA0002101767400000033
Figure BDA0002101767400000034
其中，F为统计学中的F分布，β是置信度系数，两个统计量可以根据其取值确定对应的控制限。χ2为统计学中的卡方分布，g＝μ/δ，h＝2δ2/μ，其中μ为正常情况下监控统计量的均值，δ为正常情况下监控统计量的标准差。当实时监测数据的监控统计量均超出控制限时说明当前数据中可能存在故障因素，完成一次故障检测。将检测出的可能存在故障的监测数据传递给对应分块的支持向量机分类模型，继续监测后续数据。
步骤S4：当连续t个采样点的监控统计量均超出控制限时则使用对应分块的支持向量机分类模型对步骤S3中传递过来的监测数据进行二次故障检测，使用设定的长度为N的滑动窗口中出现故障因素的概率和人为设定的故障阈值最终确定故障是否发生。
所述的连续监控统计量超出控制限的采样点个数t必须大于或等于滑动窗口长度N，因此可以直接认为只有当t≥N时才会开始二次故障检测。所述的二次故障检测是指当连续n个采样点的监测变量均可以被主成分分析方法检测出故障因素时，将这些数据输入到对应分块的支持向量机分类模型中再次进行故障检测，判断是否可能存在故障因素。随后建立一个长度为N的滑动窗口，当滑动窗口内出现故障的概率超出人为设定的阈值时即可确定系统此时存在故障。所述的出现故障的概率是指滑动窗口内检测出故障的采样点个数与滑动窗口长度的比值。当此时的故障发生概率超出人为设定的故障阈值时即可确定故障已经发生。此外操作人员可以根据实际故障情况与故障监测要求调整滑动窗口长度与对应故障阈值获得更合理的故障检测误判率和漏判率。
步骤S5：构建故障贡献率参数，分别计算出现故障时每一分块的故障贡献率，确定故障发生的具体分块。
所述的故障贡献率主要用于表现不同分块中监测变量内的故障严重程度，具体的可以通过监控统计量超出控制限的倍数确定，因此具体的第b个分块的故障贡献率计算方法如下式所示：
Figure BDA0002101767400000041
其中，下标b是指具体的分块编号，
Figure BDA0002101767400000042
为第b个分块的T2统计量；
Figure BDA0002101767400000043
为对应的第b个分块的T2统计量控制限；SPEb为第b个分块的SPE统计量；SPEb,lim为对应的第b个分块的SPE统计量控制限。
使用T2和SPE统计量超出控制限的倍数作为此时对应分块的故障贡献率，确定其中故障贡献率最高的分块，选定故障贡献率最大的分块即为故障发生分块。
与现有技术相比，本发明的有益效果为：将分块理论应用于船舶柴油机故障监测领域，提升故障监测过程的计算效率；使用主成分分析和支持向量机两种方法实现故障的二次检测，降低故障误判率；使用滑动窗口方法评估出现故障的可能性，可以根据人为设定的故障阈值和实际要求调整故障检测结果的误判率和漏判率；使用贡献率方法确定船舶柴油机故障发生分块，降低故障维护难度。
附图说明
图1是基于分块的船舶柴油机故障监测方法流程图；
图2是六缸二冲程船舶柴油机分块情况说明；
图3是涡轮增压器分块情况示意图；
图4是多缸柴油机气缸分块情况示意图；
图5是空冷器冷却不足故障不同分块故障贡献率示意图。
图中：1涡轮增压器；2空冷器分块；3气缸；1-1增压器分块；1-2涡轮器分块；3-1气缸分块；3-2气缸分块；3-3气缸分块；3-4气缸分块；3-5气缸分块；3-6气缸分块。
具体实施方式
以下结合空冷器冷却不足故障具体实施例对本发明做进一步说明，但本发明的保护范围不限于下述的实施例。完整的故障监测过程包括如下步骤：
步骤S1：分别在船舶柴油机的不同子系统的不同位置装入传感器。以最简单的船舶柴油机为例，如图2图3和图4所示，对所述的船舶柴油机监测变量具体分块进行说明，当前柴油机主要由涡轮增压器1、空冷器2、气缸3组成。所述涡轮增压器1包括增压器1-1和涡轮器1-2两个分块，其中增压器1-1分块的监测变量包括流经增压器的空气质量流量、增压器前后空气温差、增压器前后空气压差和增压器转速；涡轮器1-2分块的监测变量包括涡轮器工作效率、涡轮器前后空气温差、涡轮器前后空气压差、流经涡轮器的空气质量流量。所述的空冷器2分块监测变量包括空冷器前后温差、空冷器前后空气压差、流经空冷器的空气质量流量和空冷器冷却液质量流量等。所述的气缸3是柴油机中燃烧过程发生的场所，可以被看作是整个柴油机的核心，因此将每个气缸作为单独的分块，这里以六缸船舶柴油机为例，气缸包括1号气缸3-1、2号气缸3-2、3号气缸3-3、4号气缸3-4、5号气缸3-5和6号气缸3-6六个分块，每个气缸分块中提取的监测变量包括扫气温度、扫气压力、最大爆发压力、排气温度、排气压力、滑油流量和滑油温度。
步骤S2：构建不同分块对应的主成分分析监测空间，本实施例中所述的增压器1-1分块中主元空间负载矩阵为
Figure BDA0002101767400000051
残差空间负载矩阵为
Figure BDA0002101767400000052
所述的涡轮器1-2分块中主元空间负载矩阵为
Figure BDA0002101767400000053
残差空间负载矩阵为
Figure BDA0002101767400000054
所述的空冷器2分块中主元空间负载矩阵为[0.6650 0.7407 0.0832 0.0469]T，残差空间负载矩阵为
Figure BDA0002101767400000061
所述的1号气缸3-1分块选用主元空间负载矩阵为
Figure BDA0002101767400000062
残差空间负载矩阵为
Figure BDA0002101767400000063
所述的2号气缸3-2分块中主元空间负载矩阵为
Figure BDA0002101767400000064
残差空间负载矩阵为
Figure BDA0002101767400000065
3号气缸3-3分块中主元空间负载矩阵为
Figure BDA0002101767400000066
残差空间负载矩阵为
Figure BDA0002101767400000067
4号气缸3-4分块中主元空间负载矩阵为
Figure BDA0002101767400000071
残差空间负载矩阵为
Figure BDA0002101767400000072
5号气缸3-5分块主元空间负载矩阵为
Figure BDA0002101767400000073
残差空间负载矩阵为
Figure BDA0002101767400000074
6号气缸3-6分块中主元空间负载矩阵为
Figure BDA0002101767400000075
残差空间负载矩阵为
Figure BDA0002101767400000076
步骤S3：在每个不同的分块中构建监控统计量，设定β＝95％以确定此时的控制限，分别监控不同分块中的监控统计量超出控制限的情况，认为分块中两个监控统计量均超出控制限时可能存在故障因素，将此时的监测变量传递给对应分块的支持向量机分类模型。
步骤S4：设定滑动窗口长度N为10，阈值为90％，当连续10个采样点的监控统计量均超出控制限时使用支持向量机对上述对应的监测变量进行二次故障检测。当滑动窗口内检测出故障的采样点个数与滑动窗口长度的比值超出设定的故障阈值90％时则确定出现故障，计算此时的故障检测精度，可以发现获得的误判率为0，漏判率均为0.002.
步骤S5：分别计算并比较每一分块的故障贡献率，确定具有最大故障贡献率的分块即为故障发生分块。具体的如图5所示，可以发现对于空冷器冷却不足故障影响最大的是空冷器2分块。此外由于空冷器冷却不足造成进入气缸空气温度上升，同样会影响气缸工作，可见对于不同的气缸分块，故障的影响相似。随后进入涡轮器，影响开始变小，而对于增压器的影响最小。
以上所述实施例仅表达本发明的实施方式，但并不能因此而理解为对本发明专利的范围的限制，应当指出，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些均属于本发明的保护范围。

Claims (2)

1.一种基于分块的船舶柴油机故障监测方法，其特征在于，该方法根据船舶柴油机的结构和工作原理对其监测变量进行分块，分别使用主成分分析方法和支持向量机分类模型实现每一分块监测数据的二次故障检测，随后根据滑动窗口内出现故障的概率和人为设定的故障阈值确定故障发生的可能性以减小故障误判，最后利用故障贡献率确定故障发生的具体分块；具体包括以下步骤：
步骤S1：在船舶柴油机重要节点安装状态参数监测传感器，并对监测变量进行分块；
对柴油机重要节点的状态参数进行采集和处理，得到监测变量；所述的状态参数包括温度、压力、各种介质的质量流量及各子系统的工作效率；所述的重要节点包括不同介质流经各子系统前后位置节点和各个工作步骤的发生位置节点，其中所述介质包括空气、冷却水及滑油，工作步骤包括燃烧过程、冷却过程及空气增压过程，子系统包括涡轮器、增压器、机械增压器、空冷器、滤清器、滑油冷却器、扫气箱及气缸；
基于对监测变量的分块实现故障监测，分块方法是根据船舶柴油机的结构和工作原理实现，将每一个单独的工作步骤获得的监测变量分为一块；
步骤S2：在每一分块中使用主成分分析方法将监测变量从原始监测空间映射到主成分分析监测空间，并同时训练获得支持向量机故障分类模型；
所述的主成分分析监测空间可以表示为不同分块中主元空间和残差空间的负载矩阵；所述的支持向量机故障分类模型是根据历史正常和故障数据确定的可以实现正常监测变量和故障监测变量分类的函数；
步骤S3：分别在每一分块的主元空间和残差空间中构建两个监控统计量及其对应的控制限，实现监测变量的一次故障检测，随后将检测出可能存在故障的监测变量传递给对应分块的支持向量机分类模型；
所述的监控统计量构建公式如下式所示：
T2＝(XPt)Λ-1(XPt)T
Figure FDA0002447926930000011
其中，T2用于表征当前主元空间中监测数据与正常数据的距离，SPE用于表征残差空间中监测变量之间关系的变化程度；X表示分块中的监测数据矩阵，Pt表示主成分分析方法中主元空间的负载矩阵，Pe表示主成分分析方法中残差空间的负载矩阵；
分析获得两种监控统计量的正常情况下的分布规律如下式所示：
Figure FDA0002447926930000021
Figure FDA0002447926930000022
其中，F为统计学中的F分布，β是置信度系数，两个统计量可以根据其取值确定对应的控制限；χ2为统计学中的卡方分布，g＝μ/δ，h＝2δ2/μ，其中μ为正常情况下监控统计量的均值，δ为正常情况下监控统计量的标准差；n表示监测数据矩阵X的行数，Jt表示负载矩阵Pt的列数；当实时监测数据的监控统计量均超出控制限时说明当前数据中可能存在故障因素，完成一次故障检测；将检测出的可能存在故障的监测数据传递给对应分块的支持向量机分类模型，继续监测后续数据；
步骤S4：当连续t个采样点的监控统计量均超出控制限时则使用对应分块的支持向量机分类模型对步骤S3中传递过来的监测数据进行二次故障检测，使用设定的长度为N的滑动窗口中出现故障因素的概率和人为设定的故障阈值最终确定故障是否发生；
所述的连续监控统计量超出控制限的采样点个数t必须大于或等于滑动窗口长度N，因此认为只有当t≥N时才开始二次故障检测；所述的二次故障检测是指当连续n个采样点的监测变量均可以被主成分分析方法检测出故障因素时，将这些数据输入到对应分块的支持向量机分类模型中再次进行故障检测，判断是否可能存在故障因素；随后建立一个长度为N的滑动窗口，当滑动窗口内出现故障的概率超出人为设定的阈值时即可确定系统此时存在故障；所述的出现故障的概率是指滑动窗口内检测出故障的采样点个数与滑动窗口长度的比值；
步骤S5：构建故障贡献率参数，分别计算出现故障时每一分块的故障贡献率，确定故障发生的具体分块；
第b个分块的故障贡献率计算方法如下式所示：
Figure FDA0002447926930000023
其中，下标b是指具体的分块编号，
Figure FDA0002447926930000024
为第b个分块的T2统计量；
Figure FDA0002447926930000025
为对应的第b个分块的T2统计量控制限；SPEb为第b个分块的SPE统计量；SPEb,lim为对应的第b个分块的SPE统计量控制限；
使用T2和SPE统计量超出控制限的倍数作为此时对应分块的故障贡献率，确定其中故障贡献率最高的分块，选定故障贡献率最大的分块即为故障发生分块。
2.根据权利要求1所述的一种基于分块的船舶柴油机故障监测方法，其特征在于，所述的步骤S2中：
所述的主成分分析方法对分块中的监测数据矩阵X的处理方式如下式所示，其中监测数据矩阵X的维度为n×J：
T＝XPt
Figure FDA0002447926930000031
其中，T为得分矩阵，Pt是主元空间的负载矩阵，维度为J×Jt，即矩阵行数为J，列数为Jt，E为残差空间，Pe是残差空间中的负载矩阵，维度为J×Je，即矩阵行数为J，列数为Je；根据累计方差贡献率准则选定主元空间中负载矩阵，选定的累计方差贡献率为85％时可以得到较好的结果；由于这些负载矩阵是主成分分析监测空间的方向向量，因此所述的主成分分析监测空间可以表述为根据上述说明确定的每一分块中主元空间和残差空间的负载矩阵Pt和Pe；
所述的支持向量机分类函数表达式如下所示：
Figure FDA0002447926930000032
其中，αk＝[α1，α2，…，αn]是支持向量机分类函数的系数矩阵，c是对应的偏差量，K(xi,xj)＝exp(-||xi-xj||2/2σ2)是选定的高斯核函数，σ为xi和xj的协方差矩阵；这里是利用每一分块中历史正常数据和故障数据确定的系数αk和c，获得故障分类模型即为根据历史正常和故障数据确定的可以实现正常监测变量和故障监测变量分类的函数。
CN201910538312.0A 2019-06-20 2019-06-20 一种基于分块的船舶柴油机故障监测方法 Active CN110261122B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910538312.0A CN110261122B (zh) 2019-06-20 2019-06-20 一种基于分块的船舶柴油机故障监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910538312.0A CN110261122B (zh) 2019-06-20 2019-06-20 一种基于分块的船舶柴油机故障监测方法

Publications (2)

Publication Number Publication Date
CN110261122A CN110261122A (zh) 2019-09-20
CN110261122B true CN110261122B (zh) 2020-06-16

Family

ID=67920057

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910538312.0A Active CN110261122B (zh) 2019-06-20 2019-06-20 一种基于分块的船舶柴油机故障监测方法

Country Status (1)

Country Link
CN (1) CN110261122B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113532866B (zh) * 2020-04-16 2023-04-14 中国船舶集团有限公司第七一一研究所 一种柴油机异常状态检测方法、系统以及计算机储存介质
CN113833567B (zh) * 2020-06-23 2022-07-26 北京大学 一种机理数据融合的柴油机涡轮增压器故障检测方法
CN112814784A (zh) * 2020-12-29 2021-05-18 江苏奥畋工程科技有限公司 一种基于复杂网络的智慧船舶轮机故障诊断系统
CN113434569B (zh) * 2021-06-02 2022-06-07 中国人民解放军海军工程大学 用于实船设备健康状态监测的船舶推进装置性能分析系统
CN113884305B (zh) * 2021-09-29 2022-06-28 山东大学 基于svm的柴油机装配冷试检测方法及系统
CN115307670B (zh) * 2022-10-12 2023-01-13 蘑菇物联技术（深圳）有限公司 用于定位中央空调系统异常传感器的方法、设备和介质
CN116976849A (zh) * 2023-05-25 2023-10-31 中国船舶集团有限公司第七一九研究所 一种基于大数据的船舶作业设备的故障预测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105869408A (zh) * 2016-04-27 2016-08-17 长安大学 一种轮毂温度异常检测与预警方法及系统
CN106384122A (zh) * 2016-09-05 2017-02-08 江苏科技大学 一种基于改进cs‑lssvm的设备故障模式识别方法
CN107238507A (zh) * 2017-06-20 2017-10-10 佛山市南海区广工大数控装备协同创新研究院 一种基于深度学习的工业设备故障预测方法
CN108022325A (zh) * 2017-10-23 2018-05-11 重庆长安汽车股份有限公司 一种汽车发动机数据采集与故障隐患分析预警模型
CN108520302A (zh) * 2018-03-23 2018-09-11 佛山科学技术学院 一种柴油机故障诊断系统
CN109187038A (zh) * 2018-08-06 2019-01-11 大连理工大学 一种仿真获得船舶柴油机故障数据的方法
CN109298633A (zh) * 2018-10-09 2019-02-01 郑州轻工业学院 基于自适应分块非负矩阵分解的化工生产过程故障监测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4004911B2 (ja) * 2002-10-04 2007-11-07 本田技研工業株式会社 内燃機関制御デバイスの故障診断装置
JP2004156516A (ja) * 2002-11-06 2004-06-03 Mitsubishi Heavy Ind Ltd エンジン故障診断装置およびエンジン故障診断プログラム
JP2008175107A (ja) * 2007-01-17 2008-07-31 Yamaha Marine Co Ltd エンジンの故障診断装置、船舶

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105869408A (zh) * 2016-04-27 2016-08-17 长安大学 一种轮毂温度异常检测与预警方法及系统
CN106384122A (zh) * 2016-09-05 2017-02-08 江苏科技大学 一种基于改进cs‑lssvm的设备故障模式识别方法
CN107238507A (zh) * 2017-06-20 2017-10-10 佛山市南海区广工大数控装备协同创新研究院 一种基于深度学习的工业设备故障预测方法
CN108022325A (zh) * 2017-10-23 2018-05-11 重庆长安汽车股份有限公司 一种汽车发动机数据采集与故障隐患分析预警模型
CN108520302A (zh) * 2018-03-23 2018-09-11 佛山科学技术学院 一种柴油机故障诊断系统
CN109187038A (zh) * 2018-08-06 2019-01-11 大连理工大学 一种仿真获得船舶柴油机故障数据的方法
CN109298633A (zh) * 2018-10-09 2019-02-01 郑州轻工业学院 基于自适应分块非负矩阵分解的化工生产过程故障监测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Ship diesel engine fault diagnosis based on the SVM and association rule mining;C. Cai, H. Zong and B. Zhang;《Proceedings of the 2016 IEEE 20th International Conference on Computer Supported Cooperative Work in Design (CSCWD)》;20160915;第400-405页 *
船用低速柴油机台架试验及试航管理系统开发;郭蕴华 等;《武汉理工大学学报(交通科学与工程版)》;20120815;第36卷(第4期);第840-843、847页 *
船舶舵机控制系统故障分析及其改造;张桂臣 等;《船舶工程》;20061015;第28卷(第5期);第78-81页 *

Also Published As

Publication number Publication date
CN110261122A (zh) 2019-09-20

Similar Documents

Publication Publication Date Title
CN110261122B (zh) 一种基于分块的船舶柴油机故障监测方法
CN110322048B (zh) 一种生产物流输送装备故障预警方法
Wang et al. Research on the fault monitoring method of marine diesel engines based on the manifold learning and isolation forest
CN110441065B (zh) 基于lstm的燃气轮机在线检测方法与装置
CN111797567B (zh) 一种基于深度学习网络的轴承故障分类方法及系统
CN110208019B (zh) 一种动设备状态监测动态阈值预警方法
CN111474919B (zh) 基于aann网络组的航空发动机控制系统传感器故障诊断方法
DE102017128693A1 (de) Merkmal- und Grenzeinstellung zur Bedrohungserkennung in einem industriellen Anlagensteuersystem
CN103969052B (zh) 基于离群分析的柴油机故障诊断方法
CN111648992B (zh) 燃气轮机压气机故障识别预警方法
CN111289256A (zh) 一种数据驱动的船舶柴油机故障检测方法
CN113640027A (zh) 基于边缘计算和神经网络的换热机组故障诊断方法及系统
CN114881342A (zh) 一种船舶动力设备剩余寿命预测系统及方法
CN111860775A (zh) 基于cnn和rnn融合的船舶故障实时诊断方法
CN111367253B (zh) 基于局部自适应标准化的化工系统多工况故障检测方法
CN111271183B (zh) 一种自适应在线预测柴油机状态方法及系统
CN114738132B (zh) 基于实船数据的增压器转速传感器故障诊断方法及系统
Zhong et al. Fault detection for marine diesel engine using semi-supervised principal component analysis
CN113157732B (zh) 一种基于pso-bp神经网络的地下铲运机故障诊断方法
CN115774847A (zh) 一种柴油机性能评估及预测方法和系统
Tong et al. Fault prediction of marine diesel engine based on time series and support vector machine
CN116878902A (zh) 基于深度学习CNN-BiLSTM的船舶柴油机故障预警方法和系统
Wang et al. A novel scheme for intelligent fault diagnosis of marine diesel engine using the multi-information fusion technology
CN116677570A (zh) 基于海上风电机组机舱温度监测的故障预警方法及系统
CN105373701A (zh) 一种机电设备关联度确定方法

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
GR01 Patent grant
GR01 Patent grant