CN110297178A - 基于深度学习的柴油发电机组故障诊断与检测装置及方法 - Google Patents

基于深度学习的柴油发电机组故障诊断与检测装置及方法 Download PDF

Info

Publication number
CN110297178A
CN110297178A CN201810448090.9A CN201810448090A CN110297178A CN 110297178 A CN110297178 A CN 110297178A CN 201810448090 A CN201810448090 A CN 201810448090A CN 110297178 A CN110297178 A CN 110297178A
Authority
CN
China
Prior art keywords
data
failure
fault
signal
vibration
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.)
Granted
Application number
CN201810448090.9A
Other languages
English (en)
Other versions
CN110297178B (zh
Inventor
宫文峰
陈辉
张泽辉
管冲
高海波
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.)
Beibu Gulf University
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201810448090.9A priority Critical patent/CN110297178B/zh
Priority claimed from CN201810448090.9A external-priority patent/CN110297178B/zh
Publication of CN110297178A publication Critical patent/CN110297178A/zh
Application granted granted Critical
Publication of CN110297178B publication Critical patent/CN110297178B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation
    • 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
    • G06N3/045—Combinations of networks
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

一种基于深度学习的柴油发电机组故障诊断与检测装置及方法，包含有框体1、扬声器2、显示器6、存储器10、CPU11和数据采集装置18，在框体1内部设置为包含有深度学习模块24、自适应集成策略模块20、历史信号数据库23和故障类别专家系统库19，自适应集成策略模块20设置有集成策略生成器201，故障类别专家系统库19设置有故障类别数据库191、故障指标数据库192、故障标记数据库193和故障级别数据库194，深度学习模块24还包含有聚类算法，在框体1的上端部中间位置处设置有信号收发器5，因此，人们对柴油发电机组进行故障诊断和状态在线监测更准确方便。

Description

基于深度学习的柴油发电机组故障诊断与检测装置及方法
技术领域
本发明涉及一种柴油发电机组故障诊断与状态监测装置，特别涉及一种基于深度学习的柴油发电机组故障诊断与检测装置及方法，属于故障诊断和人工智能技术领域。
背景技术
柴油发电机是电力推进船的动力心脏，同时也是大型商运船舶重要的动力源之一，对保障船舶的长时稳定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时，常因其工作负荷重，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。船舶作“独立”航行在海上的复杂系统，当航行过程中柴油发电机组发生故障时，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。船舶柴油发电机的故障诊断与状态在线监测对保障船舶的安全稳定运行至关重要，因此，船用柴油发电机组的故障诊断与状态在线监测系统装置是十分重要的船舶安全运行监测装备。
在本发明之前，目前市面上针对船舶柴油发电机的故障诊断和状态监测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备智能性，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诊断和在线状态监测的需求。
在柴油机健康状态监测装置方面，中国专利CP203069611U公开了一种基于FPGA系统的船舶柴油机瞬时转速在线监测装置，该装置包含有磁电式转速传感器、FPGA系统和计算机组成，主要是将传感器安装在柴油机的自由端，分别用来测量上止点信号和曲轴转角信号，并将传感器的输出信号传入FPGA系统中进行处理，计算出柴油机的瞬时转速，通过计算瞬时转速波动率来进行故障诊断，该方法和装置功能单一，仅对转速单一指标进行测量，基本是针对小数据样本的故障诊断，无法在海量监测大数据环境下有效工作，且不具系统性，无法实现故障的预测、状态在线监测和健康评估的功能。
发明内容
为了克服上述技术缺点，本发明的目的是提供一种基于深度学习的柴油发电机组故障诊断与检测装置及方法，本发明能够自动的进行故障诊断，并实时对柴油发电机组的工作状态进行在线监测，使船员和设备维护人员更好的掌握设备当前的运行状况，因此，技术人员对船舶柴油发电机组的故障诊断、运行状态的监测更加灵活方便。
为达到上述目的，本发明采取的技术方案是：包含有框体1、扬声器2、显示器6、存储器10、CPU11和数据采集装置18，所述框体1设置有腔体，其特征在于，在框体1内部设置为包含有集成深度学习装置、历史信号数据库23、故障类别专家系统库19和数据采集装置18，所述集成深度学习装置包含有深度学习模块24、自适应集成策略模块20，在框体1的上端部中间位置处设置有信号收发器5，在信号收发器5的右侧设置有扬声器2，在信号收发器5的左侧设置有电源关闭按钮7，在电源关闭按钮7的左侧设置有电源启动按钮8，在信号收发器5的正下方设置有显示器6，在显示器6的正下方左侧处设置有USB接口15，在USB接口15的正下方处设置有存储器10，在存储器10的正下方处设置有CPU11，在CPU11的正下方处设置有GPU12，在GPU12的正下方处设置有数据接口13，在显示器6的正下方右侧设置有历史信号数据库23，在历史信号数据库23的正下方设置有深度学习模块24，在深度学习模块24的正下方设置有自适应集成策略模块20，在自适应集成策略模块20的正下方设置有故障类别专家系统库19，在故障类别专家系统库19的正下方设置有数据采集装置18，框体1内的所有部件通过导线9连接在一起构成通路，数据采集装置18的通过导线9与框体1外部的检测单元25和传感器模块26连接在一起构成通路。
本发明设计了，深度学习模块24设置为包含有深度信念网络(DBN)、卷积神经网络(CNN)、深度玻尔兹曼机(DBM)、递归神经网络(RNN)、堆叠自编码器(SAE)、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，深度学习模块24还包含有故障识别深度模型241，用于存储已训练好的模型程序。
本发明设计了，自适应集成策略模块20设置有集成策略生成器201，用于将深度学习模块24内的多个有监督和无监督的深度学习算法模型（如：卷积神经网络(CNN)、深度信念网络(DBN)、递归神经网络(RNN)等）按照设计的集成组合策略集成在一起做并行数据处理，获得比单一学习模型显著优越的泛化性能和处理效果，集成策略生成器201将每一个深度学习网络模型定义为个体学习器，每一种个体学习器分别对故障指标数据库192中的振动信号数据集、噪声信号数据集等进行学习，集成策略生成器201自动优化设计组合策略，集成学习的方法设置为包含有Boosting法、Bagging法和“随机森林”集成学习方法。
本发明设计了，历史信号数据库23设置为包含有K台已退役的同类型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{φ}，每台机器采集P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，不同的监测指标设置有不同个数的传感器测量点，例如：振动信号设置有T1个采集振动的传感器，噪声信号设置有T2个采集噪声的传感器，第P个指标设置有TP个测量指标P的传感器；每一个传感器所测得的数据均为一个全程运行周期的时间序列样本，因此，数据总集{φ}是一个K×(T1+T2+T3+…+TP)的高维张量矩阵数据集。
本发明设计了，故障类别专家系统库19设置有故障类别数据库191、故障指标数据库192、故障标记数据库193和故障级别数据库194；所述故障指标数据库192设置有与历史信号数据库23的P个指标相对应的数据库，分别是振动信号数据库、噪声信号数据库、转速信号数据库、…和电力信号数据库等，中央处理器CPU11设置为采用反向倒推类比方法，对历史信号数据库23中的监测大数据总集{φ}按故障类别和次数进行数据切割并重新排序，将K台已退役的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并重新组合，按照反向时间序列的方式进行排序；假设该故障类别为故障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之间的数据段作为故障A的时间序列数据段；以A1表示机器1中出现故障A的次数，以A2表示机器2中出现故障A的次数，以此类推，以AK表示机器K中出现故障A的次数，因此，K台机器中出现故障A的次数总和为：A1+A2+A3+…+AK；由于在历史信号数据库23的数据总集{φ}中，每一次故障A出现时均有P个指标（振动、噪声、电力等）被监测，且不同的监测指标设置有不同个数的传感器测量点，即：振动信号设置有T1个采集振动的传感器，噪声信号设置有T2个采集噪声传感器，第P个指标设置有TP个测量指标P的传感器，则机器1出现全部次数的故障A所获得的数据可构成一个A1×(T1+T2+T3+…+TP)的数据组{δA}；因此，历史信号数据库23中所有的K台机器出现过故障A的数据构成一个(A1+A2+A3+…+AK)×(T1+T2+T3+…+TP)的数据组总集{ΨA}；按照同样的方法，所有的K台机器出现过故障B的数据构成一个(B1+B2+B3+…+BK)×(T1+T2+T3+…+TP)的数据组总集{ΨB}，以此类推，所有K台机器出现过故障N的数据将构成一个(N1+N2+N3+…+NK)×(T1+T2+T3+…+TP)的数据组总集{ΨN}；故障A的数据组总集{ΨA}中包含的K台机器出现故障A时所采集的振动信号的总个数为(A1+A2+A3+…+AK)×T1，所构成的数据集记为{ΨA振}；数据组总集{ΨA}中包含的K台机器出现故障A时所采集的噪声信号的总个数为(A1+A2+A3+…+AK)×T2，所构成的数据集记为{ΨA噪}；以此类推，数据组总集{ΨA}中包含的K台机器出现故障A时所采集的电力信号（假设电力信号为指标P）的总个数为(A1+A2+A3+…+AK)×TP，所构成的数据集记为{ΨA电}；按照同样的方法依此类推，故障N的数据组总集{ΨN}中包含的K台机器出现故障N时所采集的振动信号的总个数为(N1+N2+N3+…+NK)×T1，所构成的数据集记为{ΨN振}；数据组总集{ΨN}中包含的K台机器出现故障N时所采集的电力信号的总个数为(N1+N2+N3+…+NK)×TP，所构成的数据集记为{ΨN电}；对数据组总集{ΨA}中所有故障A的时间序列数据段在进行数据组合时，按照以故障A出现的时刻为参考点进行数据对齐，并且按照时间轴的反方向构成反向时间序列数据组总集{ΨA’}，数据组总集{ΨA’}对应故障类型A，共有(A1+A2+A3+…+AK)×(T1+T2+T3+…+TP)个反向时间序列样本，即：数据组总集{ΨA’}中包含(A1+A2+A3+…+AK)×T1个振动信号反向时间序列样本、(A1+A2+A3+…+AK)×T2个噪声信号反向时间序列样本、…、(A1+A2+A3+…+AK)×TP个电力信号反向时间序列样本，所构成的反向时间序列数据集分别记为{ΨA振’}、{ΨA噪’}、…、{ΨA电’}，即数据组总集{ΨA’}={{ΨA振’}、{ΨA噪’}、…、{ΨA电’}}；按照同样的方式，对数据组总集{ΨB}中所有故障B的时间序列数据段进行数据组合时，同样以故障B出现的时刻为参考点进行数据对齐，按照时间轴的反方向构成反向时间序列数据组总集{ΨB’}，数据组总集{ΨB’}对应故障类型B，共有(B1+B2+B3+…+BK)×(T1+T2+T3+…+TP)个反向时间序列样本，所构成的反向时间序列数据集分别为{ΨB振’}、{ΨB噪’}、…、{ΨB电’}，即数据组总集{ΨB’}={{ΨB振’}、{ΨB噪’}、…、{ΨB电’}}；依次类推，数据组总集{ΨN’}对应故障类型N，共有(N1+N2+N3+…+NK)×(T1+T2+T3+…+TP)个反向时间序列样本，即数据组总集{ΨN’}中包含(N1+N2+N3+…+NK)×T1个振动信号反向时间序列样本、 (A1+A2+A3+…+AK)×T2个噪声信号反向时间序列样本、…、(N1+N2+N3+…+NK)×TP个电力信号反向时间序列样本，所构成的反向时间序列数据集分别为{ΨN振’}、{ΨN噪’}、…、{ΨN电’}，即数据组总集{ΨN’}={{ΨN振’}、{ΨN噪’}、…、{ΨN电’}}；从而建立K台机器全部的故障类别的反向时间序列数据段总集{Ψ总’}={{ΨA’}、{ΨB’}、…、{ΨN’}}，并将故障类别总数据集{Ψ总’}存储到故障类别专家系统库19中的故障类别数据库191中。
故障指标数据库192设置为存储所有机器的所有故障中各类指标数据，即：将所有机器的所有故障中的振动信号反向时间序列数据段进行集合即可得到{Ψ总振’}={{ΨA振’}、{ΨB振’}、…、{ΨN振’}}，并将{Ψ总振’}存入故障指标数据库192的振动信号数据库中，将所有机器的所有故障中的噪声信号反向时间序列数据段进行集合即可得到{Ψ总噪’}={{ΨA噪’}、{ΨB噪’}、…、{ΨN噪’}}，并将{Ψ总噪’}存入故障指标数据库192的噪声信号数据库中，依次类推，将所有机器的所有故障中的电力信号反向时间序列数据段进行集合即可得到{Ψ总电’}={{ΨA电’}、{ΨB电’}、…、{ΨN电’}}，并将{Ψ总电’}存入故障指标数据库192的电力信号数据库中，至此，故障指标数据库192建立完毕；故障指标数据库192中包含了所有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N类故障的P种检测指标的数据组总集及对应的故障类别标记。
集成深度学习装置运用深度学习模块24中的各类深度学习网络模型对故障指标数据库192的振动信号、噪声信号、转速信号、…和电力信号等海量大数据集进行迭代学习，并且联合运用自适应集成策略模块20中的集成策略生成器201，将深度学习模块24内的多个有监督和无监督的深度学习算法模型（如：卷积神经网络(CNN)、深度信念网络(DBN)、递归神经网络(RNN)等）集成在一起做并行数据处理，由于集成策略生成器201将每一个深度学习网络模型视为个体学习器，通过每一个个体学习器分别对故障指标数据库192中的振动信号数据集、噪声信号数据集、电力信号数据库等进行有监督学习，训练网络模型，进行数据的深度挖掘和特征学习，并将特征信息保存在网络模型的连接权值中；训练过程中，深度学习模块24随机选取故障指标数据库192中的80%的数据作为训练数据，剩余20%的数据作为测试数据，当测试的正确率超过95%时，认为模型训练合格；由于不同的深度学习模型所擅长识别的对象不同，若单一使用一种深度学习网络模型难以有效同时对振动、噪声、电力等多种信号指标类型进行有效处理，因此集成策略生成器201根据不同的深度学习模型所预测的准确率，自动生成组合策略，自动选取Boosting法、Bagging法和“随机森林”等集成学习方法，为每个模型分配输出权重系数，获得比单一学习模型显著优越的泛化性能和处理效果，训练结束后，将所有的特征训练信息和模型结构的程序存储在深度学习模块24的故障识别深度模型241中。
集成深度学习装置通过对故障指标数据库192的振动信号、噪声信号、转速信号、…和电力信号等海量大数据集进行深度挖掘和特征提取，获得每一类故障所对应的振动特征数据、噪声特征数据、模态特征数据、电力特征数据等，并将每一类故障与其对应的包含有P个指标的特征数据集一一对应，进行故障标记，并将全部故障的特征数据集和对应的故障类别标记存储在故障类别专家系统库19中的故障标记数据库193中。
本发明设计了，深度学习模块24还包含有聚类算法，用于对故障标记数据库193中已存储的全部故障的特征数据集进行无监督学习，将每一类故障的特征数据按照严重程度进行聚类，生成多个级别不同的簇，每一簇对应一个故障的显著等级，从而将每一类故障划分为严重、显著、轻微、微小和正常多种级别，并对等级进行标记，最后，将聚类划分的故障等级标签和相应的特征数据一一对应并存储在故障类别专家系统库19中的故障级别数据库194中。
本发明设计了，数据采集装置18设置为包含有检测单元25和传感器模块26，检测单元25设置为包含有P类指标检测单元，分别为振动检测单元、模态检测单元、噪声检测单元、频率检测单元和转速检测单元等P种用于检测柴油发电机故障的常规检测方式，传感器模块26设置为包含有与检测单元25一一对应的检测传感器，即：振动检测单元对应振动传感器，噪声检测单元对应噪声传感器，传感器模块26中的每一类检测传感器26设置有不同个数的测试点。
故障检测时，CPU11发出指令控制数据采集装置18通过检测单元25的检测传感器26对现场的柴油发电机进行信号采集，每一台柴油发电机所采集的数据构成一个数据集，多台柴油发电机之间的数据集彼此相互独立；故障检测时，每一台柴油发电机采集振动、噪声、电力等P个指标，每个指标采集不同个数的测量点的信号，每个指标采集的数据均构成一个指标数据组，因此，每台机器现场采集的数据均构成一个包含有P个检测指标的数据组总集记为{T现场}，{T现场}={{T振}、{T噪}、…、{T电}}；将现场采集的数据输入到深度学习模块24的故障识别深度模型241中，已训练好的深度学习模型程序自动对数据组总集{T现场}中的{T振}、{T噪}和{T电}等数据进行学习，并且实时得到故障的分类结果。例如：当前现场采集的柴油机的振动监测信号、噪声监测信号、转速监测信号和电力监测信号等数据输入到故障识别深度模型241中存储的已训练好的深度学习模型程序中，该程序自动对输入的数据进行学习，通过对输入数据进行特征提取，并与故障类别专家系统库19中的故障标记数据库193中已存储的全部故障的特征数据集进行特征匹配，假设对当前采集的数据集提取的特征与故障标记数据库193中的故障C的特征数据匹配后相似度很高，则本发明就会识别出当前设备发生了故障C，并通过扬声器2发出故障警报信号，CPU11会通过信号收发器5将故障警报信息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；若当前采集的数据集的特征数据与故障类别专家系统库19中的故障标记数据库193中已存储的全部故障的特征数据集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；若当前采集的数据集的特征数据与故障类别专家系统库19中的故障标记数据库193中已存储的全部故障的特征数据集匹配均不相似而且与正常稳态特征也不相似，则系统认为机器产生了新的故障，系统自动将当前数据段特征识别为新的故障，并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到故障类别专家系统库19中的故障标记数据库193中；特征匹配相似度的门限值设置为90%，超过门限值则认为是相似，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模块24的算法自动设定。
当本发明故障识别深度模型241中已训练好的深度学习模型程序对现场采集的数据诊断出故障类型后，本发明将自动运用深度学习模块24中的聚类算法进一步对该故障的特征数据进行特征提取，将该故障的特征与故障类别专家系统库19中的故障级别数据库194中对应该故障的级别进行匹配，最终输出该故障的显著程度等级，并在显示器6和扩展屏4上输出当前故障的等级（严重、显著、轻微、微小或正常其中的一种）。
在实际使用本发明时，历史信号数据库23中的K台机器中每台机器并非必须要采集P个指标，每个指标也并非设置不同的多个测量点，根据实际情况，若采集的指标个数少于P个，在构建数据集时，可将未采集的指标的数据组数据视为0，本发明在进行数据处理时，会自动剔除整行或整列为0的数据。
本发明设计了，在框体1的右侧上方还设置有扩展屏4，扩展屏4采用液晶彩色显示屏，与显示器6配合使用，显示实时的监测信号特征和状态信息等。
本发明设计了，显示器6设置为带背景灯光的LED显示屏。
本发明设计了，检测单元25包含有P类指标检测单元，P值设计为1~100。
本发明系统装置的所有控制指令均由CPU11发出，所有的数据均保存在存储器10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6和扩展屏4显示，扬声器2设置为对操作步骤进行语音提示和故障报警，GPU12设置为对深度学习模块24和自适应集成策略模块20内的算法模型进行训练、数据处理以及辅助CPU11做深度学习运算，信号收发器5设置为将无线传感器、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15用于将外部数据输入到本发明历史信号数据库23中，数据接口13用于将本发明与笔记本电脑、大屏幕显示器、服务器等外部设备连接进行外部数据处理，提高本发明的工作效率和使用便利性。
通过使用本发明，可自动智能的进行故障诊断，可以实时的监测当前柴油发电机组的运行工作状态，通过提取现场的监测数据特征并与本发明的故障类别专家系统库19中的故障标记数据库193和故障级别数据库194的特征数据实时对比，可以清晰的诊断出当前机组发生了何种故障，并根据故障的数据特征评估出诊断到的故障目前是何种风险状态，还是微小故障状态、显著故障状态，还是重大风险阶段等，或者是稳定状态，从而评估当前设备的健康状况，对机器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。
本发明还提供了一种基于深度学习的柴油发电机组故障诊断与检测的方法，其特征在于，包括以下步骤：
步骤1)，获取已退役柴油发电机组的历史数据总集{φ}，输入到历史信号数据库23中；
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{φ}通过USB接口15或数据接口13输入到历史信号数据库23中，数据总集{φ}包含了K台同类型的柴油发电机的所有全程历史运行监测数据，每台机器采集P个信号指标，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，不同的监测指标设置有不同个数的传感器测量点，例如：振动信号设置有T1个采集振动的传感器，噪声信号设置有T2个采集噪声的传感器，第P个指标设置有TP个测量指标P的传感器；每一个传感器所测得的数据均为一个全程运行周期的时间序列样本，因此数据总集{φ}是一个K×(T1+T2+T3+…+TP)的高维张量矩阵数据集。
步骤2)，对历史信号数据库23中的监测大数据总集{φ}按故障类别和次数进行数据切割并重新排序；
中央处理器CPU11设置为采用反向倒推类比方法，将K台已退役的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并重新组合，按照反向时间序列的方式进行排序，假设该故障类别为故障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之间的数据段作为故障A的时间序列数据段；
步骤2-1)，以A1表示机器1中出现故障A的次数，以A2表示机器2中出现故障A的次数，以此类推，以AK表示机器K中出现故障A的次数，因此，K台机器中出现故障A的次数总和为：A1+A2+A3+…+AK；由于在历史信号数据库23的数据总集{φ}中，每一次故障A出现时均有P个指标（振动、噪声、电力等）被监测，且不同的监测指标设置有不同个数的传感器测量点，即：振动信号设置有T1个采集振动的传感器，噪声信号设置有T2个采集噪声传感器，第P个指标设置有TP个测量指标P的传感器，则机器1出现全部次数的故障A所获得的数据可构成一个A1×(T1+T2+T3+…+TP)的数据组{δA}；因此，历史信号数据库23中所有的K台机器出现过故障A的数据构成一个(A1+A2+A3+…+AK)×(T1+T2+T3+…+TP)的数据组总集{ΨA}；
步骤2-2)，按照同样的方法，所有的K台机器出现过故障B的数据构成一个(B1+B2+B3+…+BK)×(T1+T2+T3+…+TP)的数据组总集{ΨB}，以此类推，所有K台机器出现过故障N的数据将构成一个(N1+N2+N3+…+NK)×(T1+T2+T3+…+TP)的数据组总集{ΨN}；
步骤2-3)，故障A的数据组总集{ΨA}中包含的K台机器出现故障A时所采集的振动信号的总个数为(A1+A2+A3+…+AK)×T1，所构成的数据集记为{ΨA振}；数据组总集{ΨA}中包含的K台机器出现故障A时所采集的噪声信号的总个数为(A1+A2+A3+…+AK)×T2，所构成的数据集记为{ΨA噪}；以此类推，数据组总集{ΨA}中包含的K台机器出现故障A时所采集的电力信号（假设电力信号为指标P）的总个数为(A1+A2+A3+…+AK)×TP，所构成的数据集记为{ΨA电}；
步骤2-4)，按照同样的方法依此类推，故障N的数据组总集{ΨN}中包含的K台机器出现故障N时所采集的振动信号的总个数为(N1+N2+N3+…+NK)×T1，所构成的数据集记为{ΨN振}；数据组总集{ΨN}中包含的K台机器出现故障N时所采集的电力信号的总个数为(N1+N2+N3+…+NK)×TP，所构成的数据集记为{ΨN电}。
步骤3)，建立K台机器全部的故障类别的反向时间序列数据段总集{Ψ总’}；
步骤3-1)，对数据组总集{ΨA}中所有故障A的时间序列数据段在进行数据组合时，按照以故障A出现的时刻为参考点进行数据对齐，并且按照时间轴的反方向构成反向时间序列数据组总集{ΨA’}，数据组总集{ΨA’}对应故障类型A，共有(A1+A2+A3+…+AK)×(T1+T2+T3+…+TP)个反向时间序列样本，即：数据组总集{ΨA’}中包含(A1+A2+A3+…+AK)×T1个振动信号反向时间序列样本、(A1+A2+A3+…+AK)×T2个噪声信号反向时间序列样本、…、(A1+A2+A3+…+AK)×TP个电力信号反向时间序列样本，所构成的反向时间序列数据集分别记为{ΨA振’}、{ΨA噪’}、…、{ΨA电’}，即数据组总集{ΨA’}={{ΨA振’}、{ΨA噪’}、…、{ΨA电’}}；
步骤3-2)，按照同样的方式，对数据组总集{ΨB}中所有故障B的时间序列数据段进行数据组合时，同样以故障B出现的时刻为参考点进行数据对齐，按照时间轴的反方向构成反向时间序列数据组总集{ΨB’}，数据组总集{ΨB’}对应故障类型B，共有(B1+B2+B3+…+BK)×(T1+T2+T3+…+TP)个反向时间序列样本，所构成的反向时间序列数据集分别为{ΨB振’}、{ΨB噪’}、…、{ΨB电’}，即数据组总集{ΨB’}={{ΨB振’}、{ΨB噪’}、…、{ΨB电’}}；
步骤3-3)，依次类推，数据组总集{ΨN’}对应故障类型N，共有(N1+N2+N3+…+NK)×(T1+T2+T3+…+TP)个反向时间序列样本，即数据组总集{ΨN’}中包含(N1+N2+N3+…+NK)×T1个振动信号反向时间序列样本、 (A1+A2+A3+…+AK)×T2个噪声信号反向时间序列样本、…、(N1+N2+N3+…+NK)×TP个电力信号反向时间序列样本，所构成的反向时间序列数据集分别为{ΨN振’}、{ΨN噪’}、…、{ΨN电’}，即数据组总集{ΨN’}={{ΨN振’}、{ΨN噪’}、…、{ΨN电’}}；
步骤3-4)，从而建立K台机器全部的故障类别的反向时间序列数据段总集{Ψ总’}={{ΨA’}、{ΨB’}、…、{ΨN’}}，并将故障类别总数据集{Ψ总’}存储到故障类别专家系统库19中的故障类别数据库191中。
步骤4)，建立故障指标数据库192；
将所有机器的所有故障中的振动信号反向时间序列数据段进行集合即可得到{Ψ总振’}={{ΨA振’}、{ΨB振’}、…、{ΨN振’}}，并将{Ψ总振’}存入故障指标数据库192的振动信号数据库中，将所有机器的所有故障中的噪声信号反向时间序列数据段进行集合即可得到{Ψ总噪’}={{ΨA噪’}、{ΨB噪’}、…、{ΨN噪’}}，并将{Ψ总噪’}存入故障指标数据库192的噪声信号数据库中，依次类推，将所有机器的所有故障中的电力信号反向时间序列数据段进行集合即可得到{Ψ总电’}={{ΨA电’}、{ΨB电’}、…、{ΨN电’}}，并将{Ψ总电’}存入故障指标数据库192的电力信号数据库中，至此，故障指标数据库192建立完毕；故障指标数据库192中包含了所有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N类故障的P种检测指标的数据组总集及对应的故障类别标记。
步骤5)，对故障指标数据库192的数据进行集成深度学习，建立故障识别深度模型241；
运用深度学习模块24中的各类深度学习网络模型对故障指标数据库192的振动信号、噪声信号、转速信号、…和电力信号等海量大数据集进行迭代学习，并且联合运用自适应集成策略模块20中的集成策略生成器201，将深度学习模块24内的多个有监督和无监督的深度学习算法模型（如：卷积神经网络(CNN)、深度信念网络(DBN)、递归神经网络(RNN)等）集成在一起做并行数据处理，由于集成策略生成器201将每一个深度学习网络模型视为个体学习器，通过每一个个体学习器分别对故障指标数据库192中的振动信号数据集、噪声信号数据集、电力信号数据库等进行有监督学习，训练网络模型，进行数据的深度挖掘和特征学习，并将特征信息保存在网络模型的连接权值中；训练过程中，深度学习模块24随机选取故障指标数据库192中的80%的数据作为训练数据，剩余20%的数据作为测试数据，当测试的正确率超过95%时，认为模型训练合格；集成策略生成器201根据不同的深度学习模型所预测的准确率，自动生成组合策略，自动选取Boosting法、Bagging法和“随机森林”等集成学习方法，为每个模型分配输出权重系数，获得比单一学习模型显著优越的泛化性能和处理效果，训练结束后，将所有的特征训练信息和模型结构的程序存储在深度学习模块24的故障识别深度模型241中。
步骤6)，建立故障标记数据库193；
通过对故障指标数据库192的振动信号、噪声信号、转速信号、…和电力信号等海量大数据集进行深度挖掘和特征提取，获得每一类故障所对应的振动特征数据、噪声特征数据、模态特征数据、电力特征数据等，并将每一类故障与其对应的包含有P个指标的特征数据集一一对应，进行故障标记，并将全部故障的特征数据集和对应的故障类别标记存储在故障类别专家系统库19中的故障标记数据库193中。
步骤7)，建立故障级别数据库194；
深度学习模块24还包含有聚类算法，用于对故障标记数据库193中已存储的全部故障的特征数据集进行无监督学习，将每一类故障的特征数据按照严重程度进行聚类，生成多个级别不同的簇，每一簇对应一个故障的显著等级，从而将每一类故障划分为严重、显著、轻微、微小和正常多种级别，并对等级进行标记，最后，将聚类划分的故障等级标签和相应的特征数据一一对应并存储在故障类别专家系统库19中的故障级别数据库194中。
步骤8)，采集现场数据，进行故障在线诊断和状态监测；
步骤8-1)，CPU11发出指令控制数据采集装置18通过检测单元25的检测传感器26对现场的柴油发电机进行信号采集，每一台柴油发电机所采集的数据构成一个数据集，多台柴油发电机之间的数据集彼此相互独立；故障检测时，每一台柴油发电机采集振动、噪声、电力等P个指标，每个指标采集不同个数的测量点的信号，每个指标采集的数据均构成一个指标数据组，因此，每台机器现场采集的数据均构成一个包含有P个检测指标的数据组总集记为{T现场}，{T现场}={{T振}、{T噪}、…、{T电}}；
步骤8-2)，将现场采集的数据输入到深度学习模块24的故障识别深度模型241中，已训练好的深度学习模型程序自动对数据组总集{T现场}中的{T振}、{T噪}和{T电}等数据进行学习，并且实时得到故障的分类结果；
当前现场采集的柴油机的振动监测信号、噪声监测信号、转速监测信号和电力监测信号等数据输入到故障识别深度模型241中存储的已训练好的深度学习模型程序中，该程序自动对输入的数据进行学习，通过对输入数据进行特征提取，并与故障类别专家系统库19中的故障标记数据库193中已存储的全部故障的特征数据集进行特征匹配，假设对当前采集的数据集提取的特征与故障标记数据库193中的故障C的特征数据匹配后相似度很高，则本发明就会识别出当前设备发生了故障C，并通过扬声器2发出故障警报信号，CPU11会通过信号收发器5将故障警报信息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；
步骤8-3)，若当前采集的数据集的特征数据与故障类别专家系统库19中的故障标记数据库193中已存储的全部故障的特征数据集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；
步骤8-4)，若当前采集的数据集的特征数据与故障类别专家系统库19中的故障标记数据库193中已存储的全部故障的特征数据集匹配均不相似而且与正常稳态特征也不相似，则系统认为机器产生了新的故障，系统自动将当前数据段特征识别为新的故障，并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到故障类别专家系统库19中的故障标记数据库193中；特征匹配相似度的门限值设置为90%，超过门限值则认为是相似，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模块24的算法自动设定。
步骤9)，判定当前工作状态并输出故障的显著程度等级；
当故障识别深度模型241中已训练好的深度学习模型程序对现场采集的数据诊断出故障类型后，系统将自动运用深度学习模块24中的聚类算法进一步对该故障的特征数据进行特征提取，将该故障的特征与故障类别专家系统库19中的故障级别数据库194中对应该故障的级别进行匹配，最终输出该故障的显著程度等级，并在显示器6和扩展屏4上输出当前故障的等级（严重、显著、轻微、微小或正常其中的一种）。
附图说明
图1为本发明的实施例的结构示意图。
图2为本发明的历史信号数据库23的数据集框架示意图。
图3为本发明的故障类别专家系统库19的组成示意图。
图4为本发明的故障类别数据库191的故障数据集组成示意图。
图5为本发明的集成深度学习装置的网络模型训练框架示意图。
图6为本发明的故障识别深度模型241进行故障诊断的框架示意图。
具体实施方式
附图1为本发明的一个实施例，结合附图1~附图6具体说明本实施例，包含有框体1、扬声器2、显示器6、存储器10、CPU11和数据采集装置18，所述框体1设置有腔体，其特征在于，在框体1内部设置为包含有集成深度学习装置、历史信号数据库23、故障类别专家系统库19和数据采集装置18，所述集成深度学习装置包含有深度学习模块24、自适应集成策略模块20，在框体1的上端部中间位置处设置有信号收发器5，在信号收发器5的右侧设置有扬声器2，在信号收发器5的左侧设置有电源关闭按钮7，在电源关闭按钮7的左侧设置有电源启动按钮8，在信号收发器5的正下方设置有显示器6，在显示器6的正下方左侧处设置有USB接口15，在USB接口15的正下方处设置有存储器10，在存储器10的正下方处设置有CPU11，在CPU11的正下方处设置有GPU12，在GPU12的正下方处设置有数据接口13，在显示器6的正下方右侧设置有历史信号数据库23，在历史信号数据库23的正下方设置有深度学习模块24，在深度学习模块24的正下方设置有自适应集成策略模块20，在自适应集成策略模块20的正下方设置有故障类别专家系统库19，在故障类别专家系统库19的正下方设置有数据采集装置18，框体1内的所有部件通过导线9连接在一起构成通路，数据采集装置18的通过导线9与框体1外部的检测单元25和传感器模块26连接在一起构成通路。
在本实施例中，深度学习模块24设置为包含有深度信念网络(DBN)、卷积神经网络(CNN)、深度玻尔兹曼机(DBM)、递归神经网络(RNN)、堆叠自编码器(SAE)、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，深度学习模块24还包含有故障识别深度模型241，用于存储已训练好的模型程序。
在本实施例中，自适应集成策略模块20设置有集成策略生成器201，用于将深度学习模块24内的多个有监督和无监督的深度学习算法模型（如：卷积神经网络(CNN)、深度信念网络(DBN)、递归神经网络(RNN)等）按照设计的集成组合策略集成在一起做并行数据处理，获得比单一学习模型显著优越的泛化性能和处理效果，集成策略生成器201将每一个深度学习网络模型定义为个体学习器，每一个体学习器分别对故障指标数据库192中的振动信号数据集、噪声信号数据集等进行有监督学习，集成策略生成器201自动优化设计组合策略，集成学习的方法设置为包含有Boosting法、Bagging法和“随机森林”集成学习方法。
在本实施例中，历史信号数据库23设置为包含有K台已退役的同类型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{φ}，如附图2所示，每台机器采集P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，不同的监测指标设置有不同个数的传感器测量点，例如：振动信号设置有T1个采集振动的传感器，噪声信号设置有T2个采集噪声的传感器，第P个指标设置有TP个测量指标P的传感器；每一个传感器所测得的数据均为一个全程运行周期的时间序列样本，因此，数据总集{φ}是一个K×(T1+T2+T3+…+TP)的高维张量矩阵数据集。
在本实施例中，如附图3所示，故障类别专家系统库19设置有故障类别数据库191、故障指标数据库192、故障标记数据库193和故障级别数据库194；所述故障指标数据库192设置有与历史信号数据库23的P个指标相对应的数据库，分别是振动信号数据库、噪声信号数据库、转速信号数据库、…和电力信号数据库等，中央处理器CPU11设置为采用反向倒推类比方法，对历史信号数据库23中的监测大数据总集{φ}按故障类别和次数进行数据切割并重新排序，将K台已退役的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并重新组合，按照反向时间序列的方式进行排序；如附图4所示，假设该故障类别为故障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之间的数据段作为故障A的时间序列数据段；以A1表示机器1中出现故障A的次数，以A2表示机器2中出现故障A的次数，以此类推，以AK表示机器K中出现故障A的次数，因此，K台机器中出现故障A的次数总和为：A1+A2+A3+…+AK；由于在历史信号数据库23的数据总集{φ}中，每一次故障A出现时均有P个指标（振动、噪声、电力等）被监测，且不同的监测指标设置有不同个数的传感器测量点，即：振动信号设置有T1个采集振动的传感器，噪声信号设置有T2个采集噪声传感器，第P个指标设置有TP个测量指标P的传感器，则机器1出现全部次数的故障A所获得的数据可构成一个A1×(T1+T2+T3+…+TP)的数据组{δA}；因此，历史信号数据库23中所有的K台机器出现过故障A的数据构成一个(A1+A2+A3+…+AK)×(T1+T2+T3+…+TP)的数据组总集{ΨA}；按照同样的方法，所有的K台机器出现过故障B的数据构成一个(B1+B2+B3+…+BK)×(T1+T2+T3+…+TP)的数据组总集{ΨB}，以此类推，所有K台机器出现过故障N的数据将构成一个(N1+N2+N3+…+NK)×(T1+T2+T3+…+TP)的数据组总集{ΨN}。
故障A的数据组总集{ΨA}中包含的K台机器出现故障A时所采集的振动信号的总个数为(A1+A2+A3+…+AK)×T1，所构成的数据集记为{ΨA振}；数据组总集{ΨA}中包含的K台机器出现故障A时所采集的噪声信号的总个数为(A1+A2+A3+…+AK)×T2，所构成的数据集记为{ΨA噪}；以此类推，数据组总集{ΨA}中包含的K台机器出现故障A时所采集的电力信号（假设电力信号为指标P）的总个数为(A1+A2+A3+…+AK)×TP，所构成的数据集记为{ΨA电}；按照同样的方法依此类推，故障N的数据组总集{ΨN}中包含的K台机器出现故障N时所采集的振动信号的总个数为(N1+N2+N3+…+NK)×T1，所构成的数据集记为{ΨN振}；数据组总集{ΨN}中包含的K台机器出现故障N时所采集的电力信号的总个数为(N1+N2+N3+…+NK)×TP，所构成的数据集记为{ΨN电}。
对数据组总集{ΨA}中所有故障A的时间序列数据段在进行数据组合时，按照以故障A出现的时刻为参考点进行数据对齐，并且按照时间轴的反方向构成反向时间序列数据组总集{ΨA’}，数据组总集{ΨA’}对应故障类型A，共有(A1+A2+A3+…+AK)×(T1+T2+T3+…+TP)个反向时间序列样本，即：数据组总集{ΨA’}中包含(A1+A2+A3+…+AK)×T1个振动信号反向时间序列样本、(A1+A2+A3+…+AK)×T2个噪声信号反向时间序列样本、…、(A1+A2+A3+…+AK)×TP个电力信号反向时间序列样本，所构成的反向时间序列数据集分别记为{ΨA振’}、{ΨA噪’}、…、{ΨA电’}，即数据组总集{ΨA’}={{ΨA振’}、{ΨA噪’}、…、{ΨA电’}}；按照同样的方式，对数据组总集{ΨB}中所有故障B的时间序列数据段进行数据组合时，同样以故障B出现的时刻为参考点进行数据对齐，按照时间轴的反方向构成反向时间序列数据组总集{ΨB’}，数据组总集{ΨB’}对应故障类型B，共有(B1+B2+B3+…+BK)×(T1+T2+T3+…+TP)个反向时间序列样本，所构成的反向时间序列数据集分别为{ΨB振’}、{ΨB噪’}、…、{ΨB电’}，即数据组总集{ΨB’}={{ΨB振’}、{ΨB噪’}、…、{ΨB电’}}；依次类推，数据组总集{ΨN’}对应故障类型N，共有(N1+N2+N3+…+NK)×(T1+T2+T3+…+TP)个反向时间序列样本，即数据组总集{ΨN’}中包含(N1+N2+N3+…+NK)×T1个振动信号反向时间序列样本、 (A1+A2+A3+…+AK)×T2个噪声信号反向时间序列样本、…、(N1+N2+N3+…+NK)×TP个电力信号反向时间序列样本，所构成的反向时间序列数据集分别为{ΨN振’}、{ΨN噪’}、…、{ΨN电’}，即数据组总集{ΨN’}={{ΨN振’}、{ΨN噪’}、…、{ΨN电’}}；从而建立K台机器全部的故障类别的反向时间序列数据段总集{Ψ总’}={{ΨA’}、{ΨB’}、…、{ΨN’}}，并将故障类别总数据集{Ψ总’}存储到故障类别专家系统库19中的故障类别数据库191中。
如附图5所示，将所有机器的所有故障中的振动信号反向时间序列数据段进行集合即可得到{Ψ总振’}={{ΨA振’}、{ΨB振’}、…、{ΨN振’}}，并将{Ψ总振’}存入故障指标数据库192的振动信号数据库中，将所有机器的所有故障中的噪声信号反向时间序列数据段进行集合即可得到{Ψ总噪’}={{ΨA噪’}、{ΨB噪’}、…、{ΨN噪’}}，并将{Ψ总噪’}存入故障指标数据库192的噪声信号数据库中，依次类推，将所有机器的所有故障中的电力信号反向时间序列数据段进行集合即可得到{Ψ总电’}={{ΨA电’}、{ΨB电’}、…、{ΨN电’}}，并将{Ψ总电’}存入故障指标数据库192的电力信号数据库中，至此，故障指标数据库192建立完毕；故障指标数据库192中包含了所有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N类故障的P种检测指标的数据组总集及对应的故障类别标记。
在本实施例中，如附图5所示，运用深度学习模块24中的各类深度学习网络模型对故障指标数据库192的振动信号、噪声信号、转速信号、…和电力信号等海量大数据集进行迭代学习，并且联合运用自适应集成策略模块20中的集成策略生成器201，将深度学习模块24内的多个有监督和无监督的深度学习算法模型（如：卷积神经网络(CNN)、深度信念网络(DBN)、递归神经网络(RNN)等）集成在一起做并行数据处理，由于集成策略生成器201将每一个深度学习网络模型视为个体学习器，通过每一个个体学习器分别对故障指标数据库192中的振动信号数据集、噪声信号数据集、电力信号数据库等进行有监督学习，训练网络模型，进行数据的深度挖掘和特征学习，并将特征信息保存在网络模型的连接权值中；训练过程中，深度学习模块24随机选取故障指标数据库192中的80%的数据作为训练数据，剩余20%的数据作为测试数据，当测试的正确率超过95%时，认为模型训练合格；由于不同的深度学习模型所擅长识别的对象不同，若单一使用一种深度学习网络模型难以有效同时对振动、噪声、电力等多种信号指标类型进行有效处理，因此集成策略生成器201根据不同的深度学习模型所预测的准确率，自动生成组合策略，自动选取Boosting法、Bagging法和“随机森林”等集成学习方法，为每个模型分配输出权重系数，获得比单一学习模型显著优越的泛化性能和处理效果，训练结束后，将所有的特征训练信息和模型结构的程序存储在深度学习模块24的故障识别深度模型241中。通过对故障指标数据库192的振动信号、噪声信号、转速信号、…和电力信号等海量大数据集进行深度挖掘和特征提取，获得每一类故障所对应的振动特征数据、噪声特征数据、模态特征数据、电力特征数据等，并将每一类故障与其对应的包含有P个指标的特征数据集一一对应，进行故障标记，并将全部故障的特征数据集和对应的故障类别标记存储在故障类别专家系统库19中的故障标记数据库193中。
在本实施例中，深度学习模块24还包含有聚类算法，用于对故障标记数据库193中已存储的全部故障的特征数据集进行无监督学习，将每一类故障的特征数据按照严重程度进行聚类，生成多个级别不同的簇，每一簇对应一个故障的显著等级，从而将每一类故障划分为严重、显著、轻微、微小和正常多种级别，并对等级进行标记，最后，将聚类划分的故障等级标签和相应的特征数据一一对应并存储在故障类别专家系统库19中的故障级别数据库194中。
在本实施例中，数据采集装置18设置为包含有检测单元25和传感器模块26，检测单元25设置为包含有P类指标检测单元，分别为振动检测单元、模态检测单元、噪声检测单元、频率检测单元和转速检测单元等P种用于检测柴油发电机故障的常规检测方式，传感器模块26设置为包含有与检测单元25一一对应的检测传感器，即：振动检测单元对应振动传感器，噪声检测单元对应噪声传感器，传感器模块26中的每一类检测传感器26设置有不同个数的测试点。
故障检测时，CPU11发出指令控制数据采集装置18通过检测单元25的检测传感器26对现场的柴油发电机进行信号采集，每一台柴油发电机所采集的数据构成一个数据集，多台柴油发电机之间的数据集彼此相互独立；故障检测时，每一台柴油发电机采集振动、噪声、电力等P个指标，每个指标采集不同个数的测量点的信号，每个指标采集的数据均构成一个指标数据组，因此，每台机器现场采集的数据均构成一个包含有P个检测指标的数据组总集记为{T现场}，{T现场}={{T振}、{T噪}、…、{T电}}；如附图6所示，将现场采集的数据输入到深度学习模块24的故障识别深度模型241中，已训练好的深度学习模型程序自动对数据组总集{T现场}中的{T振}、{T噪}和{T电}等数据进行学习，并且实时得到故障的分类结果。例如：当前现场采集的柴油机的振动监测信号、噪声监测信号、转速监测信号和电力监测信号等数据输入到故障识别深度模型241中存储的已训练好的深度学习模型程序中，该程序自动对输入的数据进行学习，通过对输入数据进行特征提取，并与故障类别专家系统库19中的故障标记数据库193中已存储的全部故障的特征数据集进行特征匹配，假设对当前采集的数据集提取的特征与故障标记数据库193中的故障C的特征数据匹配后相似度很高，则本发明就会识别出当前设备发生了故障C，并通过扬声器2发出故障警报信号，CPU11会通过信号收发器5将故障警报信息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；若当前采集的数据集的特征数据与故障类别专家系统库19中的故障标记数据库193中已存储的全部故障的特征数据集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；若当前采集的数据集的特征数据与故障类别专家系统库19中的故障标记数据库193中已存储的全部故障的特征数据集匹配均不相似而且与正常稳态特征也不相似，则系统认为机器产生了新的故障，系统自动将当前数据段特征识别为新的故障，并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到故障类别专家系统库19中的故障标记数据库193中；特征匹配相似度的门限值设置为90%，超过门限值则认为是相似，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模块24的算法自动设定。
当本发明故障识别深度模型241中已训练好的深度学习模型程序对现场采集的数据诊断出故障类型后，本发明将自动运用深度学习模块24中的聚类算法进一步对该故障的特征数据进行特征提取，将该故障的特征与故障类别专家系统库19中的故障级别数据库194中对应该故障的级别进行匹配，最终输出该故障的显著程度等级，并在显示器6和扩展屏4上输出当前故障的等级（严重、显著、轻微、微小或正常其中的一种）。
在实际使用本发明时，历史信号数据库23中的K台机器中每台机器并非必须要采集P个指标，每个指标也并非设置不同的多个测量点，根据实际情况，若采集的指标个数少于P个，在构建数据集时，可将未采集的指标的数据组数据视为0，本发明在进行数据处理时，会自动剔除整行或整列为0的数据。
在本实施例中，在框体1的右侧上方还设置有扩展屏4，扩展屏4采用液晶彩色显示屏，与显示器6配合使用，显示实时的监测信号特征和状态信息等。
在本实施例中，显示器6设置为带背景灯光的LED显示屏。
在本实施例中，检测单元25包含有P类指标检测单元，P值设计为1~100。
本发明系统装置的所有控制指令均由CPU11发出，所有的数据均保存在存储器10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6和扩展屏4显示，扬声器2设置为对操作步骤进行语音提示和故障报警，GPU12设置为对深度学习模块24和自适应集成策略模块20内的算法模型进行训练、数据处理以及辅助CPU11做深度学习运算，信号收发器5设置为将无线传感器、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15用于将外部数据输入到本发明历史信号数据库23中，数据接口13用于将本发明与笔记本电脑、大屏幕显示器、服务器等外部设备连接进行外部数据处理，提高本发明的工作效率和使用便利性。
通过使用本发明，可自动智能的进行故障诊断，可以实时的监测当前柴油发电机组的运行工作状态，通过提取现场的监测数据特征并与本发明的故障类别专家系统库19中的故障标记数据库193和故障级别数据库194的特征数据实时对比，可以清晰的诊断出当前机组发生了何种故障，并根据故障的数据特征评估出诊断到的故障目前是何种风险状态，还是微小故障状态、显著故障状态，还是重大风险阶段等，或者是稳定状态，从而评估当前设备的健康状况，对机器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。
使用本发明进行故障诊断和状态在线监测的流程为：
首先按下电源启动按钮8，这时本发明系统装置启动工作，显示器6点亮，进入工作状态。
1）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{φ}通过USB接口15或数据接口13输入到历史信号数据库23中，数据总集{φ}包含了K台同类型的柴油发电机的所有全程历史运行监测数据，每台机器采集P个信号指标，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，不同的监测指标设置有不同个数的传感器测量点，例如：振动信号设置有T1个采集振动的传感器，噪声信号设置有T2个采集噪声的传感器，第P个指标设置有TP个测量指标P的传感器；每一个传感器所测得的数据均为一个全程运行周期的时间序列样本，因此数据总集{φ}是一个K×(T1+T2+T3+…+TP)的高维张量矩阵数据集。
2）对历史信号数据库23中的监测大数据总集{φ}按故障类别和次数进行数据切割并重新排序；
中央处理器CPU11设置为采用反向倒推类比方法，将K台已退役的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并重新组合，按照反向时间序列的方式进行排序，假设该故障类别为故障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之间的数据段作为故障A的时间序列数据段；以A1表示机器1中出现故障A的次数，以A2表示机器2中出现故障A的次数，以此类推，以AK表示机器K中出现故障A的次数，因此，K台机器中出现故障A的次数总和为：A1+A2+A3+…+AK；由于在历史信号数据库23的数据总集{φ}中，每一次故障A出现时均有P个指标（振动、噪声、电力等）被监测，且不同的监测指标设置有不同个数的传感器测量点，即：振动信号设置有T1个采集振动的传感器，噪声信号设置有T2个采集噪声传感器，第P个指标设置有TP个测量指标P的传感器，则机器1出现全部次数的故障A所获得的数据可构成一个A1×(T1+T2+T3+…+TP)的数据组{δA}；因此，历史信号数据库23中所有的K台机器出现过故障A的数据构成一个(A1+A2+A3+…+AK)×(T1+T2+T3+…+TP)的数据组总集{ΨA}；按照同样的方法，所有的K台机器出现过故障B的数据构成一个(B1+B2+B3+…+BK)×(T1+T2+T3+…+TP)的数据组总集{ΨB}，以此类推，所有K台机器出现过故障N的数据将构成一个(N1+N2+N3+…+NK)×(T1+T2+T3+…+TP)的数据组总集{ΨN}；故障A的数据组总集{ΨA}中包含的K台机器出现故障A时所采集的振动信号的总个数为(A1+A2+A3+…+AK)×T1，所构成的数据集记为{ΨA振}；数据组总集{ΨA}中包含的K台机器出现故障A时所采集的噪声信号的总个数为(A1+A2+A3+…+AK)×T2，所构成的数据集记为{ΨA噪}；以此类推，数据组总集{ΨA}中包含的K台机器出现故障A时所采集的电力信号（假设电力信号为指标P）的总个数为(A1+A2+A3+…+AK)×TP，所构成的数据集记为{ΨA电}；按照同样的方法依此类推，故障N的数据组总集{ΨN}中包含的K台机器出现故障N时所采集的振动信号的总个数为(N1+N2+N3+…+NK)×T1，所构成的数据集记为{ΨN振}；数据组总集{ΨN}中包含的K台机器出现故障N时所采集的电力信号的总个数为(N1+N2+N3+…+NK)×TP，所构成的数据集记为{ΨN电}。
3）建立K台机器全部的故障类别的反向时间序列数据段总集{Ψ总’}；
对数据组总集{ΨA}中所有故障A的时间序列数据段在进行数据组合时，按照以故障A出现的时刻为参考点进行数据对齐，并且按照时间轴的反方向构成反向时间序列数据组总集{ΨA’}，数据组总集{ΨA’}对应故障类型A，共有(A1+A2+A3+…+AK)×(T1+T2+T3+…+TP)个反向时间序列样本，即：数据组总集{ΨA’}中包含(A1+A2+A3+…+AK)×T1个振动信号反向时间序列样本、(A1+A2+A3+…+AK)×T2个噪声信号反向时间序列样本、…、(A1+A2+A3+…+AK)×TP个电力信号反向时间序列样本，所构成的反向时间序列数据集分别记为{ΨA振’}、{ΨA噪’}、…、{ΨA电’}，即数据组总集{ΨA’}={{ΨA振’}、{ΨA噪’}、…、{ΨA电’}}；按照同样的方式，对数据组总集{ΨB}中所有故障B的时间序列数据段进行数据组合时，同样以故障B出现的时刻为参考点进行数据对齐，按照时间轴的反方向构成反向时间序列数据组总集{ΨB’}，数据组总集{ΨB’}对应故障类型B，共有(B1+B2+B3+…+BK)×(T1+T2+T3+…+TP)个反向时间序列样本，所构成的反向时间序列数据集分别为{ΨB振’}、{ΨB噪’}、…、{ΨB电’}，即数据组总集{ΨB’}={{ΨB振’}、{ΨB噪’}、…、{ΨB电’}}；依次类推，数据组总集{ΨN’}对应故障类型N，共有(N1+N2+N3+…+NK)×(T1+T2+T3+…+TP)个反向时间序列样本，即数据组总集{ΨN’}中包含(N1+N2+N3+…+NK)×T1个振动信号反向时间序列样本、 (A1+A2+A3+…+AK)×T2个噪声信号反向时间序列样本、…、(N1+N2+N3+…+NK)×TP个电力信号反向时间序列样本，所构成的反向时间序列数据集分别为{ΨN振’}、{ΨN噪’}、…、{ΨN电’}，即数据组总集{ΨN’}={{ΨN振’}、{ΨN噪’}、…、{ΨN电’}}；从而建立K台机器全部的故障类别的反向时间序列数据段总集{Ψ总’}={{ΨA’}、{ΨB’}、…、{ΨN’}}，并将故障类别总数据集{Ψ总’}存储到故障类别专家系统库19中的故障类别数据库191中。
4）建立故障指标数据库192；
将所有机器的所有故障中的振动信号反向时间序列数据段进行集合即可得到{Ψ总振’}={{ΨA振’}、{ΨB振’}、…、{ΨN振’}}，并将{Ψ总振’}存入故障指标数据库192的振动信号数据库中，将所有机器的所有故障中的噪声信号反向时间序列数据段进行集合即可得到{Ψ总噪’}={{ΨA噪’}、{ΨB噪’}、…、{ΨN噪’}}，并将{Ψ总噪’}存入故障指标数据库192的噪声信号数据库中，依次类推，将所有机器的所有故障中的电力信号反向时间序列数据段进行集合即可得到{Ψ总电’}={{ΨA电’}、{ΨB电’}、…、{ΨN电’}}，并将{Ψ总电’}存入故障指标数据库192的电力信号数据库中，至此，故障指标数据库192建立完毕；故障指标数据库192中包含了所有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N类故障的P种检测指标的数据组总集及对应的故障类别标记。
5）对故障指标数据库192的数据进行集成深度学习，建立故障识别深度模型241；
运用深度学习模块24中的各类深度学习网络模型对故障指标数据库192的振动信号、噪声信号、转速信号、…和电力信号等海量大数据集进行迭代学习，并且联合运用自适应集成策略模块20中的集成策略生成器201，将深度学习模块24内的多个有监督和无监督的深度学习算法模型（如：卷积神经网络(CNN)、深度信念网络(DBN)、递归神经网络(RNN)等）集成在一起做并行数据处理，由于集成策略生成器201将每一个深度学习网络模型视为个体学习器，通过每一个个体学习器分别对故障指标数据库192中的振动信号数据集、噪声信号数据集、电力信号数据库等进行有监督学习，训练网络模型，进行数据的深度挖掘和特征学习，并将特征信息保存在网络模型的连接权值中；训练过程中，深度学习模块24随机选取故障指标数据库192中的80%的数据作为训练数据，剩余20%的数据作为测试数据，当测试的正确率超过95%时，认为模型训练合格；由于不同的深度学习模型所擅长识别的对象不同，若单一使用一种深度学习网络模型难以有效同时对振动、噪声、电力等多种信号指标类型进行有效处理，因此集成策略生成器201根据不同的深度学习模型所预测的准确率，自动生成组合策略，自动选取Boosting法、Bagging法和“随机森林”等集成学习方法，为每个模型分配输出权重系数，获得比单一学习模型显著优越的泛化性能和处理效果，训练结束后，将所有的特征训练信息和模型结构的程序存储在深度学习模块24的故障识别深度模型241中。
6）建立故障标记数据库193；
通过对故障指标数据库192的振动信号、噪声信号、转速信号、…和电力信号等海量大数据集进行深度挖掘和特征提取，获得每一类故障所对应的振动特征数据、噪声特征数据、模态特征数据、电力特征数据等，并将每一类故障与其对应的包含有P个指标的特征数据集一一对应，进行故障标记，并将全部故障的特征数据集和对应的故障类别标记存储在故障类别专家系统库19中的故障标记数据库193中。
7）建立故障级别数据库194；
深度学习模块24还包含有聚类算法，用于对故障标记数据库193中已存储的全部故障的特征数据集进行无监督学习，将每一类故障的特征数据按照严重程度进行聚类，生成多个级别不同的簇，每一簇对应一个故障的显著等级，从而将每一类故障划分为严重、显著、轻微、微小和正常多种级别，并对等级进行标记，最后，将聚类划分的故障等级标签和相应的特征数据一一对应并存储在故障类别专家系统库19中的故障级别数据库194中。
8）采集现场数据，进行故障在线诊断和状态监测；
CPU11发出指令控制数据采集装置18通过检测单元25的检测传感器26对现场的柴油发电机进行信号采集，每一台柴油发电机所采集的数据构成一个数据集，多台柴油发电机之间的数据集彼此相互独立；故障检测时，每一台柴油发电机采集振动、噪声、电力等P个指标，每个指标采集不同个数的测量点的信号，每个指标采集的数据均构成一个指标数据组，因此，每台机器现场采集的数据均构成一个包含有P个检测指标的数据组总集记为{T现场}，{T现场}={{T振}、{T噪}、…、{T电}}；将现场采集的数据输入到深度学习模块24的故障识别深度模型241中，已训练好的深度学习模型程序自动对数据组总集{T现场}中的{T振}、{T噪}和{T电}等数据进行学习，并且实时得到故障的分类结果；当前现场采集的柴油机的振动监测信号、噪声监测信号、转速监测信号和电力监测信号等数据输入到故障识别深度模型241中存储的已训练好的深度学习模型程序中，该程序自动对输入的数据进行学习，通过对输入数据进行特征提取，并与故障类别专家系统库19中的故障标记数据库193中已存储的全部故障的特征数据集进行特征匹配，假设对当前采集的数据集提取的特征与故障标记数据库193中的故障C的特征数据匹配后相似度很高，则本发明就会识别出当前设备发生了故障C，并通过扬声器2发出故障警报信号，CPU11会通过信号收发器5将故障警报信息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；若当前采集的数据集的特征数据与故障类别专家系统库19中的故障标记数据库193中已存储的全部故障的特征数据集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；若当前采集的数据集的特征数据与故障类别专家系统库19中的故障标记数据库193中已存储的全部故障的特征数据集匹配均不相似而且与正常稳态特征也不相似，则系统认为机器产生了新的故障，系统自动将当前数据段特征识别为新的故障，并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到故障类别专家系统库19中的故障标记数据库193中；特征匹配相似度的门限值设置为90%，超过门限值则认为是相似，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模块24的算法自动设定。
9）判定当前工作状态并输出故障的显著程度等级；
当本发明故障识别深度模型241中已训练好的深度学习模型程序对现场采集的数据诊断出故障类型后，本发明将自动运用深度学习模块24中的聚类算法进一步对该故障的特征数据进行特征提取，将该故障的特征与故障类别专家系统库19中的故障级别数据库194中对应该故障的级别进行匹配，最终输出该故障的显著程度等级，并在显示器6和扩展屏4上输出当前故障的等级（严重、显著、轻微、微小或正常其中的一种）。
本发明具有以下特点：本发明巧妙的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诊断和运行状态在线评估中，通过建立已退役的多台同类型的柴油发电机的全生命周期历史数据库，对该数据库运用反向时间序列法进行故障数据段重新排序，构建故障的多维多模态的高维张量矩阵数据集，再用集成深度学习技术对数据集进行深度数据挖掘和特征提取，建立故障多模态专家系统数据库，并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，最后通过对在线实时监测数据段进行特征提取，并与故障类别专家系统库内的故障特征匹配，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，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。
在基于深度学习的柴油发电机组故障诊断与检测装置及方法技术领域内；凡是包含有框体1、扬声器2、显示器6、存储器10、CPU11和数据采集装置18，在框体1内部设置为包含有集成深度学习装置、历史信号数据库23、故障类别专家系统库19和数据采集装置18，所述集成深度学习装置包含有深度学习模块24、自适应集成策略模块20，深度学习模块24设置为包含有深度信念网络(DBN)、卷积神经网络(CNN)、深度玻尔兹曼机(DBM)、递归神经网络(RNN)、堆叠自编码器(SAE)、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，深度学习模块24还包含有故障识别深度模型241，自适应集成策略模块20设置有集成策略生成器201，集成策略生成器201自动优化设计组合策略，集成学习的方法设置为包含有Boosting法、Bagging法和“随机森林”集成学习方法，故障类别专家系统库19设置有故障类别数据库191、故障指标数据库192、故障标记数据库193和故障级别数据库194，深度学习模块24还包含有聚类算法，用于对故障标记数据库193中已存储的全部故障的特征数据集进行无监督学习，将每一类故障的特征数据按照严重程度进行聚类，生成多个级别不同的簇，每一簇对应一个故障的显著等级，从而将每一类故障划分为严重、显著、轻微、微小和正常多种级别，并对等级进行标记，最后，将聚类划分的故障等级标签和相应的特征数据一一对应并存储在故障类别专家系统库19中的故障级别数据库194中，在框体1的上端部中间位置处设置有信号收发器5，在信号收发器5的右侧设置有扬声器2，在信号收发器5的正下方设置有显示器6，在显示器6的正下方左侧处设置有USB接口15，在USB接口15的正下方处设置有存储器10，在存储器10的正下方处设置有CPU11，在CPU11的正下方处设置有GPU12，在GPU12的正下方处设置有数据接口13，在显示器6的正下方右侧设置有历史信号数据库23，在历史信号数据库23的正下方设置有深度学习模块24，在深度学习模块24的正下方设置有自适应集成策略模块20，在自适应集成策略模块20的正下方设置有故障类别专家系统库19，在故障类别专家系统库19的正下方设置有数据采集装置18，框体1内的所有部件通过导线9连接在一起构成通路，数据采集装置18的通过导线9与框体1外部的检测单元25和传感器模块26连接在一起构成通路的技术内容都在本发明的保护范围内。
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 (10)

1.一种基于深度学习的柴油发电机组故障诊断与检测装置；包含有框体（1）、扬声器（2）、显示器（6）、存储器（10）、CPU（11）和数据采集装置（18），所述框体（1）设置有腔体，其特征在于，在框体（1）内部设置为包含有集成深度学习装置、历史信号数据库（23）、故障类别专家系统库（19）和数据采集装置（18），所述集成深度学习装置包含有深度学习模块（24）、自适应集成策略模块（20），在框体（1）的上端部中间位置处设置有信号收发器（5），在信号收发器（5）的右侧设置有扬声器（2），在信号收发器（5）的正下方设置有显示器（6），在显示器（6）的正下方左侧处设置有USB接口（15），在USB接口（15）的正下方处设置有存储器（10），在存储器（10）的正下方处设置有CPU（11），在CPU（11）的正下方处设置有GPU（12），在GPU（12）的正下方处设置有数据接口（13），在显示器（6）的正下方右侧设置有历史信号数据库（23），在历史信号数据库（23）的正下方设置有深度学习模块（24），在深度学习模块（24）的正下方设置有自适应集成策略模块（20），在自适应集成策略模块（20）的正下方设置有故障类别专家系统库（19），在故障类别专家系统库（19）的正下方设置有数据采集装置（18），框体（1）内的所有部件通过导线（9）连接在一起构成通路，数据采集装置（18）的通过导线（9）与框体（1）外部的检测单元（25）和传感器模块（26）连接在一起构成通路。
2.根据权利要求1所述的基于深度学习的柴油发电机组故障诊断与检测装置及方法；其特征是：深度学习模块（24）设置为包含有深度信念网络(DBN)、卷积神经网络(CNN)、深度玻尔兹曼机(DBM)、递归神经网络(RNN)、堆叠自编码器(SAE)、长短期记忆模型(LSTM)、门控循环单元网络(GRU)及神经图灵机(NTM)深度学习网络模型，深度学习模块（24）还包含有故障识别深度模型（241），用于存储已训练好的模型程序。
3.根据权利要求2所述的基于深度学习的柴油发电机组故障诊断与检测装置；其特征是：自适应集成策略模块（20）设置有集成策略生成器（201），用于将深度学习模块（24）内的多个有监督和无监督的深度学习算法模型按照设计的集成组合策略集成在一起做并行数据处理，集成策略生成器（201）将每一个深度学习网络模型定义为个体学习器，每一个体学习器分别对故障指标数据库（192）中的振动信号数据集、噪声信号数据集等进行学习，集成策略生成器（201）自动优化设计组合策略，集成学习的方法设置为包含有Boosting法、Bagging法和“随机森林”集成学习方法。
4.根据权利要求1所述的基于深度学习的柴油发电机组故障诊断与检测装置；其特征是：历史信号数据库（23）设置为包含有K台已退役的同类型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{φ}，每台机器采集P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，不同的监测指标设置有不同个数的传感器测量点，例如：振动信号设置有T1个采集振动的传感器，噪声信号设置有T2个采集噪声的传感器，第P个指标设置有TP个测量指标P的传感器；每一个传感器所测得的数据均为一个全程运行周期的时间序列样本，因此，数据总集{φ}是一个K×(T1+T2+T3+…+TP)的高维张量矩阵数据集。
5.根据权利要求1所述的基于深度学习的柴油发电机组故障诊断与检测装置；其特征是：故障类别专家系统库（19）设置有故障类别数据库（191）、故障指标数据库（192）、故障标记数据库（193）和故障级别数据库（194）；所述故障指标数据库（192）设置有与历史信号数据库（23）的P个指标相对应的数据库，分别是振动信号数据库、噪声信号数据库、转速信号数据库、…和电力信号数据库等，中央处理器CPU（11）设置为采用反向倒推类比方法，对历史信号数据库（23）中的监测大数据总集{φ}按故障类别和次数进行数据切割并重新排序，将K台已退役的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并重新组合，按照反向时间序列的方式进行排序；假设该故障类别为故障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之间的数据段作为故障A的时间序列数据段；以A1表示机器1中出现故障A的次数，以A2表示机器2中出现故障A的次数，以此类推，以AK表示机器K中出现故障A的次数，因此，K台机器中出现故障A的次数总和为：A1+A2+A3+…+AK；由于在历史信号数据库（23）的数据总集{φ}中，每一次故障A出现时均有P个指标（振动、噪声、电力等）被监测，且不同的监测指标设置有不同个数的传感器测量点，即：振动信号设置有T1个采集振动的传感器，噪声信号设置有T2个采集噪声传感器，第P个指标设置有TP个测量指标P的传感器，则机器1出现全部次数的故障A所获得的数据可构成一个A1×(T1+T2+T3+…+TP)的数据组{δA}；因此，历史信号数据库（23）中所有的K台机器出现过故障A的数据构成一个(A1+A2+A3+…+AK)×(T1+T2+T3+…+TP)的数据组总集{ΨA}；按照同样的方法，所有的K台机器出现过故障B的数据构成一个(B1+B2+B3+…+BK)×(T1+T2+T3+…+TP)的数据组总集{ΨB}，以此类推，所有K台机器出现过故障N的数据将构成一个(N1+N2+N3+…+NK)×(T1+T2+T3+…+TP)的数据组总集{ΨN}；故障A的数据组总集{ΨA}中包含的K台机器出现故障A时所采集的振动信号的总个数为(A1+A2+A3+…+AK)×T1，所构成的数据集记为{ΨA振}；数据组总集{ΨA}中包含的K台机器出现故障A时所采集的噪声信号的总个数为(A1+A2+A3+…+AK)×T2，所构成的数据集记为{ΨA噪}；以此类推，数据组总集{ΨA}中包含的K台机器出现故障A时所采集的电力信号（假设电力信号为指标P）的总个数为(A1+A2+A3+…+AK)×TP，所构成的数据集记为{ΨA电}；按照同样的方法依此类推，故障N的数据组总集{ΨN}中包含的K台机器出现故障N时所采集的振动信号的总个数为(N1+N2+N3+…+NK)×T1，所构成的数据集记为{ΨN振}；数据组总集{ΨN}中包含的K台机器出现故障N时所采集的电力信号的总个数为(N1+N2+N3+…+NK)×TP，所构成的数据集记为{ΨN电}；对数据组总集{ΨA}中所有故障A的时间序列数据段在进行数据组合时，按照以故障A出现的时刻为参考点进行数据对齐，并且按照时间轴的反方向构成反向时间序列数据组总集{ΨA’}，数据组总集{ΨA’}对应故障类型A，共有(A1+A2+A3+…+AK)×(T1+T2+T3+…+TP)个反向时间序列样本，即：数据组总集{ΨA’}中包含(A1+A2+A3+…+AK)×T1个振动信号反向时间序列样本、(A1+A2+A3+…+AK)×T2个噪声信号反向时间序列样本、…、(A1+A2+A3+…+AK)×TP个电力信号反向时间序列样本，所构成的反向时间序列数据集分别记为{ΨA振’}、{ΨA噪’}、…、{ΨA电’}，即数据组总集{ΨA’}={{ΨA振’}、{ΨA噪’}、…、{ΨA电’}}；按照同样的方式，对数据组总集{ΨB}中所有故障B的时间序列数据段进行数据组合时，同样以故障B出现的时刻为参考点进行数据对齐，按照时间轴的反方向构成反向时间序列数据组总集{ΨB’}，数据组总集{ΨB’}对应故障类型B，共有(B1+B2+B3+…+BK)×(T1+T2+T3+…+TP)个反向时间序列样本，所构成的反向时间序列数据集分别为{ΨB振’}、{ΨB噪’}、…、{ΨB电’}，即数据组总集{ΨB’}={{ΨB振’}、{ΨB噪’}、…、{ΨB电’}}；依次类推，数据组总集{ΨN’}对应故障类型N，共有(N1+N2+N3+…+NK)×(T1+T2+T3+…+TP)个反向时间序列样本，即数据组总集{ΨN’}中包含(N1+N2+N3+…+NK)×T1个振动信号反向时间序列样本、 (A1+A2+A3+…+AK)×T2个噪声信号反向时间序列样本、…、(N1+N2+N3+…+NK)×TP个电力信号反向时间序列样本，所构成的反向时间序列数据集分别为{ΨN振’}、{ΨN噪’}、…、{ΨN电’}，即数据组总集{ΨN’}={{ΨN振’}、{ΨN噪’}、…、{ΨN电’}}；从而建立K台机器全部的故障类别的反向时间序列数据段总集{Ψ总’}={{ΨA’}、{ΨB’}、…、{ΨN’}}，并将故障类别总数据集{Ψ总’}存储到故障类别专家系统库（19）中的故障类别数据库（191）中。
6.根据权利要求1或2或3或4或5所述的基于深度学习的柴油发电机组故障诊断与检测装置；其特征是：故障指标数据库（192）设置为存储所有机器的所有故障中各类指标数据，即：将所有机器的所有故障中的振动信号反向时间序列数据段进行集合即可得到{Ψ总振’}={{ΨA振’}、{ΨB振’}、…、{ΨN振’}}，并将{Ψ总振’}存入故障指标数据库（192）的振动信号数据库中，将所有机器的所有故障中的噪声信号反向时间序列数据段进行集合即可得到{Ψ总噪’}={{ΨA噪’}、{ΨB噪’}、…、{ΨN噪’}}，并将{Ψ总噪’}存入故障指标数据库（192）的噪声信号数据库中，依次类推，将所有机器的所有故障中的电力信号反向时间序列数据段进行集合即可得到{Ψ总电’}={{ΨA电’}、{ΨB电’}、…、{ΨN电’}}，并将{Ψ总电’}存入故障指标数据库（192）的电力信号数据库中，至此，故障指标数据库（192）建立完毕；故障指标数据库（192）中包含了所有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N类故障的P种检测指标的数据组总集及对应的故障类别标记。
7.根据权利要求1或2或3所述的基于深度学习的柴油发电机组故障诊断与检测装置；其特征是：集成深度学习装置运用深度学习模块（24）中的各类深度学习网络模型对故障指标数据库（192）的振动信号、噪声信号、转速信号、…和电力信号等海量大数据集进行迭代学习，并且联合运用自适应集成策略模块（20）中的集成策略生成器（201），将深度学习模块（24）内的多个有监督和无监督的深度学习算法模型集成在一起做并行数据处理，由于集成策略生成器（201）将每一个深度学习网络模型视为个体学习器，通过每一个个体学习器分别对故障指标数据库（192）中的振动信号数据集、噪声信号数据集、电力信号数据库等进行有监督学习，训练网络模型，进行数据的深度挖掘和特征学习，并将特征信息保存在网络模型的连接权值中；训练过程中，随机选取故障指标数据库（192）中的80%的数据作为训练数据，剩余20%的数据作为测试数据，当测试的正确率超过95%时，认为模型训练合格；集成策略生成器（201）根据不同的深度学习模型所预测的准确率，自动生成组合策略，自动选取Boosting法、Bagging法和“随机森林”等集成学习方法，为每个模型分配输出权重系数，训练结束后，将所有的特征训练信息和模型结构的程序存储在深度学习模块（24）的故障识别深度模型（241）中；通过对故障指标数据库（192）的振动信号、噪声信号、转速信号、…和电力信号等海量大数据集进行深度挖掘和特征提取，获得每一类故障所对应的振动特征数据、噪声特征数据、模态特征数据、电力特征数据等，并将每一类故障与其对应的包含有P个指标的特征数据集一一对应，进行故障标记，并将全部故障的特征数据集和对应的故障类别标记存储在故障类别专家系统库（19）中的故障标记数据库（193）中。
8.根据权利要求1或2所述的基于深度学习的柴油发电机组故障诊断与检测装置；其特征是：深度学习模块（24）还包含有聚类算法，用于对故障标记数据库（193）中已存储的全部故障的特征数据集进行无监督学习，将每一类故障的特征数据按照严重程度进行聚类，生成多个级别不同的簇，每一簇对应一个故障的显著等级，从而将每一类故障划分为严重、显著、轻微、微小和正常多种级别，并对等级进行标记，最后，将聚类划分的故障等级标签和相应的特征数据一一对应并存储在故障类别专家系统库（19）中的故障级别数据库（194）中。
9.根据权利要求1所述的基于深度学习的柴油发电机组故障诊断与检测装置；其特征是：数据采集装置（18）设置为包含有检测单元（25）和传感器模块（26），检测单元（25）设置为包含有P类指标检测单元，分别为振动检测单元、模态检测单元、噪声检测单元、频率检测单元和转速检测单元等P种用于检测柴油发电机故障的常规检测方式，传感器模块（26）设置为包含有与检测单元（25）一一对应的检测传感器，故障检测时数据采集装置（18）通过检测单元（25）的检测传感器（26）对现场的柴油发电机进行信号采集，每一台柴油发电机所采集的数据构成一个数据集，多台柴油发电机之间的数据集彼此相互独立；故障检测时，每一台柴油发电机采集振动、噪声、电力等P个指标，每个指标采集不同个数的测量点的信号，每个指标采集的数据均构成一个指标数据组，因此，每台机器现场采集的数据均构成一个包含有P个检测指标的数据组总集记为{T现场}，{T现场}={{T振}、{T噪}、…、{T电}}；将现场采集的数据输入到深度学习模块（24）的故障识别深度模型（241）中，已训练好的深度学习模型程序自动对数据组总集{T现场}中的{T振}、{T噪}和{T电}等数据进行学习，并且实时得到故障的分类结果；当前现场采集的柴油机的振动监测信号、噪声监测信号、转速监测信号和电力监测信号等数据输入到故障识别深度模型（241）中存储的已训练好的深度学习模型程序中，该程序自动对输入的数据进行学习，通过对输入数据进行特征提取，并与故障类别专家系统库（19）中的故障标记数据库（193）中已存储的全部故障的特征数据集进行特征匹配，假设对当前采集的数据集提取的特征与故障标记数据库（193）中的故障C的特征数据匹配后相似度很高，则本发明就会识别出当前设备发生了故障C，并通过扬声器（2）发出故障警报信号，CPU（11）会通过信号收发器（5）将故障警报信息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；若当前采集的数据集的特征数据与故障类别专家系统库（19）中的故障标记数据库（193）中已存储的全部故障的特征数据集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；若当前采集的数据集的特征数据与故障类别专家系统库（19）中的故障标记数据库（193）中已存储的全部故障的特征数据集匹配均不相似而且与正常稳态特征也不相似，则系统认为机器产生了新的故障，系统自动将当前数据段特征识别为新的故障，并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到故障类别专家系统库（19）中的故障标记数据库（193）中；特征匹配相似度的门限值设置为90%，超过门限值则认为是相似，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模块（24）的算法自动设定。
10.一种基于深度学习的柴油发电机组故障诊断与检测的方法，其特征在于，包括以下步骤：
步骤1)，获取已退役柴油发电机组的历史数据总集{φ}，输入到历史信号数据库（23）中；
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{φ}通过USB接口（15）或数据接口（13）输入到历史信号数据库（23）中，数据总集{φ}包含了K台同类型的柴油发电机的所有全程历史运行监测数据，每台机器采集P个信号指标，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，不同的监测指标设置有不同个数的传感器测量点，例如：振动信号设置有T1个采集振动的传感器，噪声信号设置有T2个采集噪声的传感器，第P个指标设置有TP个测量指标P的传感器；每一个传感器所测得的数据均为一个全程运行周期的时间序列样本，因此数据总集{φ}是一个K×(T1+T2+T3+…+TP)的高维张量矩阵数据集；
步骤2)，对历史信号数据库（23）中的监测大数据总集{φ}按故障类别和次数进行数据切割并重新排序；
中央处理器CPU（11）设置为采用反向倒推类比方法，将K台已退役的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并重新组合，按照反向时间序列的方式进行排序，假设该故障类别为故障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之间的数据段作为故障A的时间序列数据段；
步骤2-1)，以A1表示机器1中出现故障A的次数，以A2表示机器2中出现故障A的次数，以此类推，以AK表示机器K中出现故障A的次数，因此，K台机器中出现故障A的次数总和为：A1+A2+A3+…+AK；由于在历史信号数据库（23）的数据总集{φ}中，每一次故障A出现时均有P个指标（振动、噪声、电力等）被监测，且不同的监测指标设置有不同个数的传感器测量点，即：振动信号设置有T1个采集振动的传感器，噪声信号设置有T2个采集噪声传感器，第P个指标设置有TP个测量指标P的传感器，则机器1出现全部次数的故障A所获得的数据可构成一个A1×(T1+T2+T3+…+TP)的数据组{δA}；因此，历史信号数据库（23）中所有的K台机器出现过故障A的数据构成一个(A1+A2+A3+…+AK)×(T1+T2+T3+…+TP)的数据组总集{ΨA}；
步骤2-2)，按照同样的方法，所有的K台机器出现过故障B的数据构成一个(B1+B2+B3+…+BK)×(T1+T2+T3+…+TP)的数据组总集{ΨB}，以此类推，所有K台机器出现过故障N的数据将构成一个(N1+N2+N3+…+NK)×(T1+T2+T3+…+TP)的数据组总集{ΨN}；
步骤2-3)，故障A的数据组总集{ΨA}中包含的K台机器出现故障A时所采集的振动信号的总个数为(A1+A2+A3+…+AK)×T1，所构成的数据集记为{ΨA振}；数据组总集{ΨA}中包含的K台机器出现故障A时所采集的噪声信号的总个数为(A1+A2+A3+…+AK)×T2，所构成的数据集记为{ΨA噪}；以此类推，数据组总集{ΨA}中包含的K台机器出现故障A时所采集的电力信号（假设电力信号为指标P）的总个数为(A1+A2+A3+…+AK)×TP，所构成的数据集记为{ΨA电}；
步骤2-4)，按照同样的方法依此类推，故障N的数据组总集{ΨN}中包含的K台机器出现故障N时所采集的振动信号的总个数为(N1+N2+N3+…+NK)×T1，所构成的数据集记为{ΨN振}；数据组总集{ΨN}中包含的K台机器出现故障N时所采集的电力信号的总个数为(N1+N2+N3+…+NK)×TP，所构成的数据集记为{ΨN电}；
步骤3)，建立K台机器全部的故障类别的反向时间序列数据段总集{Ψ总’}；
步骤3-1)，对数据组总集{ΨA}中所有故障A的时间序列数据段在进行数据组合时，按照以故障A出现的时刻为参考点进行数据对齐，并且按照时间轴的反方向构成反向时间序列数据组总集{ΨA’}，数据组总集{ΨA’}对应故障类型A，共有(A1+A2+A3+…+AK)×(T1+T2+T3+…+TP)个反向时间序列样本，即：数据组总集{ΨA’}中包含(A1+A2+A3+…+AK)×T1个振动信号反向时间序列样本、(A1+A2+A3+…+AK)×T2个噪声信号反向时间序列样本、…、(A1+A2+A3+…+AK)×TP个电力信号反向时间序列样本，所构成的反向时间序列数据集分别记为{ΨA振’}、{ΨA噪’}、…、{ΨA电’}，即数据组总集{ΨA’}={{ΨA振’}、{ΨA噪’}、…、{ΨA电’}}；
步骤3-2)，按照同样的方式，对数据组总集{ΨB}中所有故障B的时间序列数据段进行数据组合时，同样以故障B出现的时刻为参考点进行数据对齐，按照时间轴的反方向构成反向时间序列数据组总集{ΨB’}，数据组总集{ΨB’}对应故障类型B，共有(B1+B2+B3+…+BK)×(T1+T2+T3+…+TP)个反向时间序列样本，所构成的反向时间序列数据集分别为{ΨB振’}、{ΨB噪’}、…、{ΨB电’}，即数据组总集{ΨB’}={{ΨB振’}、{ΨB噪’}、…、{ΨB电’}}；
步骤3-3)，依次类推，数据组总集{ΨN’}对应故障类型N，共有(N1+N2+N3+…+NK)×(T1+T2+T3+…+TP)个反向时间序列样本，即数据组总集{ΨN’}中包含(N1+N2+N3+…+NK)×T1个振动信号反向时间序列样本、 (A1+A2+A3+…+AK)×T2个噪声信号反向时间序列样本、…、(N1+N2+N3+…+NK)×TP个电力信号反向时间序列样本，所构成的反向时间序列数据集分别为{ΨN振’}、{ΨN噪’}、…、{ΨN电’}，即数据组总集{ΨN’}={{ΨN振’}、{ΨN噪’}、…、{ΨN电’}}；
步骤3-4)，从而建立K台机器全部的故障类别的反向时间序列数据段总集{Ψ总’}={{ΨA’}、{ΨB’}、…、{ΨN’}}，并将故障类别总数据集{Ψ总’}存储到故障类别专家系统库（19）中的故障类别数据库（191）中；
步骤4)，建立故障指标数据库（192）；
将所有机器的所有故障中的振动信号反向时间序列数据段进行集合即可得到{Ψ总振’}={{ΨA振’}、{ΨB振’}、…、{ΨN振’}}，并将{Ψ总振’}存入故障指标数据库（192）的振动信号数据库中，将所有机器的所有故障中的噪声信号反向时间序列数据段进行集合即可得到{Ψ总噪’}={{ΨA噪’}、{ΨB噪’}、…、{ΨN噪’}}，并将{Ψ总噪’}存入故障指标数据库（192）的噪声信号数据库中，依次类推，将所有机器的所有故障中的电力信号反向时间序列数据段进行集合即可得到{Ψ总电’}={{ΨA电’}、{ΨB电’}、…、{ΨN电’}}，并将{Ψ总电’}存入故障指标数据库（192）的电力信号数据库中，至此，故障指标数据库（192）建立完毕；故障指标数据库（192）中包含了所有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N类故障的P种检测指标的数据组总集及对应的故障类别标记；
步骤5)，对故障指标数据库（192）的数据进行集成深度学习，建立故障识别深度模型（241）；
运用深度学习模块（24）中的各类深度学习网络模型对故障指标数据库（192）的振动信号、噪声信号、转速信号、…和电力信号等海量大数据集进行迭代学习，并且联合运用自适应集成策略模块（20）中的集成策略生成器（201），将深度学习模块（24）内的多个有监督和无监督的深度学习算法模型（如：卷积神经网络(CNN)、深度信念网络(DBN)、递归神经网络(RNN)等）集成在一起做并行数据处理，由于集成策略生成器（201）将每一个深度学习网络模型视为个体学习器，通过每一个个体学习器分别对故障指标数据库（192）中的振动信号数据集、噪声信号数据集、电力信号数据库等进行有监督学习，训练网络模型，进行数据的深度挖掘和特征学习，并将特征信息保存在网络模型的连接权值中；训练过程中，随机选取故障指标数据库（192）中的80%的数据作为训练数据，剩余20%的数据作为测试数据，当测试的正确率超过95%时，认为模型训练合格；集成策略生成器（201）根据不同的深度学习模型所预测的准确率，自动生成组合策略，自动选取Boosting法、Bagging法和“随机森林”等集成学习方法，为每个模型分配输出权重系数，获得比单一学习模型显著优越的泛化性能和处理效果，训练结束后，将所有的特征训练信息和模型结构的程序存储在深度学习模块（24）的故障识别深度模型（241）中；
步骤6)，建立故障标记数据库（193）；
通过对故障指标数据库（192）的振动信号、噪声信号、转速信号、…和电力信号等海量大数据集进行深度挖掘和特征提取，获得每一类故障所对应的振动特征数据、噪声特征数据、模态特征数据、电力特征数据等，并将每一类故障与其对应的包含有P个指标的特征数据集一一对应，进行故障标记，并将全部故障的特征数据集和对应的故障类别标记存储在故障类别专家系统库（19）中的故障标记数据库（193）中；
步骤7)，建立故障级别数据库（194）；
深度学习模块（24）还包含有聚类算法，用于对故障标记数据库（193）中已存储的全部故障的特征数据集进行无监督学习，将每一类故障的特征数据按照严重程度进行聚类，生成多个级别不同的簇，每一簇对应一个故障的显著等级，从而将每一类故障划分为严重、显著、轻微、微小和正常多种级别，并对等级进行标记，最后，将聚类划分的故障等级标签和相应的特征数据一一对应并存储在故障类别专家系统库（19）中的故障级别数据库（194）中；
步骤8)，采集现场数据，进行故障在线诊断和状态监测；
步骤8-1)，CPU（11）发出指令控制数据采集装置（18）通过检测单元（25）的检测传感器（26）对现场的柴油发电机进行信号采集，每一台柴油发电机所采集的数据构成一个数据集，多台柴油发电机之间的数据集彼此相互独立；故障检测时，每一台柴油发电机采集振动、噪声、电力等P个指标，每个指标采集不同个数的测量点的信号，每个指标采集的数据均构成一个指标数据组，因此，每台机器现场采集的数据均构成一个包含有P个检测指标的数据组总集记为{T现场}，{T现场}={{T振}、{T噪}、…、{T电}}；
步骤8-2)，将现场采集的数据输入到深度学习模块（24）的故障识别深度模型（241）中，已训练好的深度学习模型程序自动对数据组总集{T现场}中的{T振}、{T噪}和{T电}等数据进行学习，并且实时得到故障的分类结果；
当前现场采集的柴油机的振动监测信号、噪声监测信号、转速监测信号和电力监测信号等数据输入到故障识别深度模型（241）中存储的已训练好的深度学习模型程序中，该程序自动对输入的数据进行学习，通过对输入数据进行特征提取，并与故障类别专家系统库（19）中的故障标记数据库（193）中已存储的全部故障的特征数据集进行特征匹配，假设对当前采集的数据集提取的特征与故障标记数据库（193）中的故障C的特征数据匹配后相似度很高，则本发明就会识别出当前设备发生了故障C，并通过扬声器（2）发出故障警报信号，CPU（11）会通过信号收发器（5）将故障警报信息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；
步骤8-3)，若当前采集的数据集的特征数据与故障类别专家系统库（19）中的故障标记数据库（193）中已存储的全部故障的特征数据集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；
步骤8-4)，若当前采集的数据集的特征数据与故障类别专家系统库（19）中的故障标记数据库（193）中已存储的全部故障的特征数据集匹配均不相似而且与正常稳态特征也不相似，则系统认为机器产生了新的故障，系统自动将当前数据段特征识别为新的故障，并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到故障类别专家系统库（19）中的故障标记数据库（193）中；特征匹配相似度的门限值设置为90%，超过门限值则认为是相似，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模块（24）的算法自动设定；
步骤9)，判定当前工作状态并输出故障的显著程度等级；
故障识别深度模型（241）中已训练好的深度学习模型程序对现场采集的数据诊断出故障类型后，系统将自动运用深度学习模块（24）中的聚类算法进一步对该故障的特征数据进行特征提取，将该故障的特征与故障类别专家系统库（19）中的故障级别数据库（194）中对应该故障的级别进行匹配，最终输出该故障的显著程度等级，并在显示器（6）和扩展屏（4）上输出当前故障的等级。
CN201810448090.9A 2018-05-11 基于深度学习的柴油发电机组故障诊断与检测装置及方法 Active CN110297178B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810448090.9A CN110297178B (zh) 2018-05-11 基于深度学习的柴油发电机组故障诊断与检测装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810448090.9A CN110297178B (zh) 2018-05-11 基于深度学习的柴油发电机组故障诊断与检测装置及方法

Publications (2)

Publication Number Publication Date
CN110297178A true CN110297178A (zh) 2019-10-01
CN110297178B CN110297178B (zh) 2024-10-25

Family

ID=

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110297179A (zh) * 2018-05-11 2019-10-01 宫文峰 基于集成深度学习的柴油发电机故障预测与监测系统装置
CN110597240A (zh) * 2019-10-24 2019-12-20 福州大学 一种基于深度学习的水轮发电机组故障诊断方法
CN110705797A (zh) * 2019-10-09 2020-01-17 浙江海洋大学 一种基于船舶传感网的船舶油耗数据预测方法
CN110763997A (zh) * 2019-11-04 2020-02-07 华北电力大学（保定） 一种同步电机定子早期故障预警方法
CN110929769A (zh) * 2019-11-14 2020-03-27 保定赛瑞电力科技有限公司 一种基于振动和声音的电抗器机械类故障联合检测模型、方法及装置
CN111025994A (zh) * 2019-12-26 2020-04-17 玳能科技(杭州)有限公司 基于CNNs的设备监控系统及方法
CN111175651A (zh) * 2020-01-10 2020-05-19 河北大学 一种基于大数据的风电机组故障预警诊断系统
CN111275938A (zh) * 2020-01-20 2020-06-12 广州普瑞电力控制系统设备有限公司 一种基于辅机设备的预警方法、装置、设备及存储介质
CN111581045A (zh) * 2020-03-18 2020-08-25 平安科技（深圳）有限公司 数据库异常监测方法、装置、计算机装置及存储介质
CN111597996A (zh) * 2020-05-18 2020-08-28 中车永济电机有限公司 基于深度学习的风力发电机轴承故障辨识模型的构建方法
CN111726351A (zh) * 2020-06-16 2020-09-29 桂林电子科技大学 基于Bagging改进的GRU并行网络流量异常检测方法
CN112036079A (zh) * 2020-08-18 2020-12-04 哈尔滨工程大学 一种基于anfis的柴油机多信息融合诊断方法
CN112241609A (zh) * 2020-10-15 2021-01-19 吉林大学 柴油机NOx排放实时估计系统
CN112791414A (zh) * 2021-04-15 2021-05-14 腾讯科技（深圳）有限公司 外挂识别模型训练方法、装置、电子设备及存储介质
CN112834224A (zh) * 2021-01-05 2021-05-25 广东核电合营有限公司 一种核电汽轮发电机健康状态评估方法及系统
CN113093709A (zh) * 2021-04-08 2021-07-09 重庆理工大学 一种主动式随车运行状态监测和故障预报方法
CN113109043A (zh) * 2021-04-08 2021-07-13 重庆理工大学 一种主动式汽车传动系统故障模型数据库的建立方法
CN114459766A (zh) * 2022-01-13 2022-05-10 武汉理工大学 一种海洋平台原油发电机组油头工作状态监测方法
CN114692755A (zh) * 2022-03-30 2022-07-01 国网电力科学研究院武汉南瑞有限责任公司 一种变压器故障智能辅助分析方法、记录媒体及系统
CN115135358A (zh) * 2020-02-27 2022-09-30 美国西门子医学诊断股份有限公司 使用机器学习的自动传感器追踪验证
CN116150636A (zh) * 2023-04-18 2023-05-23 苏州上舜精密工业科技有限公司 一种传动模组的故障监测方法及系统
CN116381490A (zh) * 2023-06-05 2023-07-04 江苏铭星智能家居有限公司 一种基于数据分析的推杆电机性能检测系统及方法
CN117057676A (zh) * 2023-10-11 2023-11-14 深圳润世华软件和信息技术服务有限公司 多数据融合的故障分析方法、设备及存储介质
CN117909717A (zh) * 2024-01-22 2024-04-19 广东电网有限责任公司 一种基于深度学习和数据挖掘的工程量辅助验收结算方法
US12124325B2 (en) 2021-02-25 2024-10-22 Siemens Healthcare Diagnostics Inc. Automatic sensor trace validation using machine learning

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101859128A (zh) * 2010-07-05 2010-10-13 北京信息科技大学 一种基于知识的车铣复合机床故障预测专家系统
CN104914851A (zh) * 2015-05-21 2015-09-16 北京航空航天大学 一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法
CN105867347A (zh) * 2016-03-29 2016-08-17 全球能源互联网研究院 一种基于机器学习技术的跨空间级联故障检测方法
CN106291351A (zh) * 2016-09-20 2017-01-04 西安工程大学 基于卷积神经网络算法的高压断路器故障检测方法
CN106441946A (zh) * 2016-11-15 2017-02-22 重庆工商大学 基于振动信号的车辆液压减震器故障识别方法及系统
CN106546892A (zh) * 2016-11-10 2017-03-29 华乘电气科技（上海）股份有限公司 基于深度学习的局部放电超声音频识别方法及系统
CN107679649A (zh) * 2017-09-13 2018-02-09 珠海格力电器股份有限公司 一种电器的故障预测方法、装置、存储介质及电器
CN108520080A (zh) * 2018-05-11 2018-09-11 武汉理工大学 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
CN108681747A (zh) * 2018-05-11 2018-10-19 武汉理工大学 基于深度学习的旋转机械故障诊断与状态监测系统及方法
CN109716346A (zh) * 2016-07-18 2019-05-03 河谷生物组学有限责任公司 分布式机器学习系统、装置和方法
CN110297179A (zh) * 2018-05-11 2019-10-01 宫文峰 基于集成深度学习的柴油发电机故障预测与监测系统装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101859128A (zh) * 2010-07-05 2010-10-13 北京信息科技大学 一种基于知识的车铣复合机床故障预测专家系统
CN104914851A (zh) * 2015-05-21 2015-09-16 北京航空航天大学 一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法
CN105867347A (zh) * 2016-03-29 2016-08-17 全球能源互联网研究院 一种基于机器学习技术的跨空间级联故障检测方法
CN109716346A (zh) * 2016-07-18 2019-05-03 河谷生物组学有限责任公司 分布式机器学习系统、装置和方法
CN106291351A (zh) * 2016-09-20 2017-01-04 西安工程大学 基于卷积神经网络算法的高压断路器故障检测方法
CN106546892A (zh) * 2016-11-10 2017-03-29 华乘电气科技（上海）股份有限公司 基于深度学习的局部放电超声音频识别方法及系统
CN106441946A (zh) * 2016-11-15 2017-02-22 重庆工商大学 基于振动信号的车辆液压减震器故障识别方法及系统
CN107679649A (zh) * 2017-09-13 2018-02-09 珠海格力电器股份有限公司 一种电器的故障预测方法、装置、存储介质及电器
CN108520080A (zh) * 2018-05-11 2018-09-11 武汉理工大学 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
CN108681747A (zh) * 2018-05-11 2018-10-19 武汉理工大学 基于深度学习的旋转机械故障诊断与状态监测系统及方法
CN110297179A (zh) * 2018-05-11 2019-10-01 宫文峰 基于集成深度学习的柴油发电机故障预测与监测系统装置

Cited By (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110297179B (zh) * 2018-05-11 2024-10-22 北部湾大学 基于集成深度学习的柴油发电机故障预测与监测系统装置
CN110297179A (zh) * 2018-05-11 2019-10-01 宫文峰 基于集成深度学习的柴油发电机故障预测与监测系统装置
CN110705797A (zh) * 2019-10-09 2020-01-17 浙江海洋大学 一种基于船舶传感网的船舶油耗数据预测方法
CN110705797B (zh) * 2019-10-09 2023-09-22 浙江海洋大学 一种基于船舶传感网的船舶油耗数据预测方法
CN110597240A (zh) * 2019-10-24 2019-12-20 福州大学 一种基于深度学习的水轮发电机组故障诊断方法
CN110763997A (zh) * 2019-11-04 2020-02-07 华北电力大学（保定） 一种同步电机定子早期故障预警方法
CN110929769A (zh) * 2019-11-14 2020-03-27 保定赛瑞电力科技有限公司 一种基于振动和声音的电抗器机械类故障联合检测模型、方法及装置
CN110929769B (zh) * 2019-11-14 2023-02-10 国网吉林省电力有限公司超高压公司 一种基于振动和声音的电抗器机械类故障联合检测模型、方法及装置
CN111025994A (zh) * 2019-12-26 2020-04-17 玳能科技(杭州)有限公司 基于CNNs的设备监控系统及方法
CN111025994B (zh) * 2019-12-26 2021-12-14 玳能科技(杭州)有限公司 基于CNNs的设备监控系统及方法
CN111175651A (zh) * 2020-01-10 2020-05-19 河北大学 一种基于大数据的风电机组故障预警诊断系统
CN111275938A (zh) * 2020-01-20 2020-06-12 广州普瑞电力控制系统设备有限公司 一种基于辅机设备的预警方法、装置、设备及存储介质
CN115135358A (zh) * 2020-02-27 2022-09-30 美国西门子医学诊断股份有限公司 使用机器学习的自动传感器追踪验证
CN111581045A (zh) * 2020-03-18 2020-08-25 平安科技（深圳）有限公司 数据库异常监测方法、装置、计算机装置及存储介质
CN111581045B (zh) * 2020-03-18 2024-05-28 平安科技（深圳）有限公司 数据库异常监测方法、装置、计算机装置及存储介质
CN111597996B (zh) * 2020-05-18 2022-03-15 中车永济电机有限公司 基于深度学习的风力发电机轴承故障辨识模型的构建方法
CN111597996A (zh) * 2020-05-18 2020-08-28 中车永济电机有限公司 基于深度学习的风力发电机轴承故障辨识模型的构建方法
CN111726351B (zh) * 2020-06-16 2022-07-05 桂林电子科技大学 基于Bagging改进的GRU并行网络流量异常检测方法
CN111726351A (zh) * 2020-06-16 2020-09-29 桂林电子科技大学 基于Bagging改进的GRU并行网络流量异常检测方法
CN112036079A (zh) * 2020-08-18 2020-12-04 哈尔滨工程大学 一种基于anfis的柴油机多信息融合诊断方法
CN112241609A (zh) * 2020-10-15 2021-01-19 吉林大学 柴油机NOx排放实时估计系统
CN112834224A (zh) * 2021-01-05 2021-05-25 广东核电合营有限公司 一种核电汽轮发电机健康状态评估方法及系统
US12124325B2 (en) 2021-02-25 2024-10-22 Siemens Healthcare Diagnostics Inc. Automatic sensor trace validation using machine learning
CN113093709A (zh) * 2021-04-08 2021-07-09 重庆理工大学 一种主动式随车运行状态监测和故障预报方法
CN113109043A (zh) * 2021-04-08 2021-07-13 重庆理工大学 一种主动式汽车传动系统故障模型数据库的建立方法
CN112791414A (zh) * 2021-04-15 2021-05-14 腾讯科技（深圳）有限公司 外挂识别模型训练方法、装置、电子设备及存储介质
CN114459766B (zh) * 2022-01-13 2024-06-11 武汉理工大学 一种海洋平台原油发电机组油头工作状态监测方法
CN114459766A (zh) * 2022-01-13 2022-05-10 武汉理工大学 一种海洋平台原油发电机组油头工作状态监测方法
CN114692755A (zh) * 2022-03-30 2022-07-01 国网电力科学研究院武汉南瑞有限责任公司 一种变压器故障智能辅助分析方法、记录媒体及系统
CN116150636B (zh) * 2023-04-18 2023-07-07 苏州上舜精密工业科技有限公司 一种传动模组的故障监测方法及系统
CN116150636A (zh) * 2023-04-18 2023-05-23 苏州上舜精密工业科技有限公司 一种传动模组的故障监测方法及系统
CN116381490B (zh) * 2023-06-05 2023-08-11 江苏铭星智能家居有限公司 一种基于数据分析的推杆电机性能检测系统及方法
CN116381490A (zh) * 2023-06-05 2023-07-04 江苏铭星智能家居有限公司 一种基于数据分析的推杆电机性能检测系统及方法
CN117057676B (zh) * 2023-10-11 2024-02-23 深圳润世华软件和信息技术服务有限公司 多数据融合的故障分析方法、设备及存储介质
CN117057676A (zh) * 2023-10-11 2023-11-14 深圳润世华软件和信息技术服务有限公司 多数据融合的故障分析方法、设备及存储介质
CN117909717A (zh) * 2024-01-22 2024-04-19 广东电网有限责任公司 一种基于深度学习和数据挖掘的工程量辅助验收结算方法

Similar Documents

Publication Publication Date Title
CN108681747A (zh) 基于深度学习的旋转机械故障诊断与状态监测系统及方法
CN108520080A (zh) 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
CN107584334A (zh) 一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法
CN105736140B (zh) 一种柴油机瞬时转速测量及气缸熄火故障诊断装置和方法
CN107332698A (zh) 一种面向明长城智能感知系统的安全态势感知系统及方法
CN108597057A (zh) 一种基于噪音深度学习的无人机故障预测诊断系统及方法
CN107066759A (zh) 一种汽轮机转子振动故障诊断方法及装置
CN111651530B (zh) 一种智能化港口监测系统
CN112859822A (zh) 基于人工智能的设备健康分析及故障诊断的方法及系统
CN109977869A (zh) 一种基于深度学习的岸桥运行机构状态评估方法
CN111597996B (zh) 基于深度学习的风力发电机轴承故障辨识模型的构建方法
CN104537273A (zh) 一种溺水模式智能推理系统及方法
CN110085005A (zh) 船舶发电机监测方法、装置、系统和存储介质
TW202208746A (zh) 風力發電機故障診斷系統及其方法
CN111143835B (zh) 基于机器学习的电力计量系统业务逻辑非侵入式防护方法
CN113094978A (zh) 一种基于深度学习的电机轴承剩余寿命的模型的构建方法
CN110910608A (zh) 一种输电线路带电作业智能屏蔽服感知系统及方法
CN115183815A (zh) 一种机械装备在线监测装置及其数据分析方法
Guan et al. Application of a novel PNN evaluation algorithm to a greenhouse monitoring system
CN118183216A (zh) 带式输送机的故障诊断方法以及系统
CN110119789A (zh) 一种旋转型机械设备启停判断方法及系统
CN110297178A (zh) 基于深度学习的柴油发电机组故障诊断与检测装置及方法
CN110044631A (zh) 船机柴油机的状态预测方法、装置及计算机设备
CN211379715U (zh) 一种输电线路带电作业智能屏蔽服
CN115641549B (zh) 一种主推进柴油机组健康监测方法和系统

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

Effective date of registration: 20240902

Address after: 535011 Beibu Gulf University, No. 12 Binhai Avenue, Qinnan District, Qinzhou City, Guangxi Zhuang Autonomous Region

Applicant after: BEIBU GULF University

Country or region after: China

Address before: No. 1 Jinji Road, Qixing District, Guilin City, Guangxi Zhuang Autonomous Region 541004 Guilin University of Electronic Science and Technology Graduate School

Applicant before: Gong Wenfeng

Country or region before: China

TA01 Transfer of patent application right
GR01 Patent grant