CN110297179A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110297179A CN110297179A CN201810449268.1A CN201810449268A CN110297179A CN 110297179 A CN110297179 A CN 110297179A CN 201810449268 A CN201810449268 A CN 201810449268A CN 110297179 A CN110297179 A CN 110297179A
- Authority
- CN
- China
- Prior art keywords
- failure
- data
- deep learning
- modal
- fault
- 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.)
- Pending
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 87
- 238000012544 monitoring process Methods 0.000 title claims abstract description 63
- 230000010354 integration Effects 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000015654 memory Effects 0.000 claims abstract description 13
- 230000002093 peripheral effect Effects 0.000 claims abstract description 8
- 230000036541 health Effects 0.000 claims abstract description 7
- 238000013459 approach Methods 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 11
- 238000013461 design Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 230000001537 neural effect Effects 0.000 claims description 7
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000009412 basement excavation Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 230000008707 rearrangement Effects 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 238000004886 process control Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 239000002283 diesel fuel Substances 0.000 claims 1
- 230000007774 longterm Effects 0.000 claims 1
- 239000002585 base Substances 0.000 description 26
- 238000005516 engineering process Methods 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 10
- 230000003862 health status Effects 0.000 description 5
- 230000007257 malfunction Effects 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000011780 sodium chloride Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (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 And Monitoring For Control Systems (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
一种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,包含有框体1,显示器4、警报器6、电源9和数据处理装置,数据处理装置包含有深度学习集成模块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,深度学习集成模块5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7包含所有故障特征数据及对应的故障类别标记,在框体1内设置有电源启动按钮2、电源关闭按钮3、显示器4、警报器6、存储器8、GPU10、CPU11、外部设备控制接口12、数据采集模块17和无线信号收发装置18等,因此,人们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
技术领域
本发明涉及一种船舶柴油发电机故障预测装置,特别涉及一种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,属于故障预测和人工智能技术领域。
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
为了克服上述技术缺点,本发明的目的是提供一种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。通过对批量已退役的同类型柴油发电机进行数据统计,建立全生命周期历史数据库;运用无监督深度学习技术,对全生命周期历史数据库的海量大数据进行自主学习,对正常状态和故障状态的特性深度挖掘,提取故障特征,并实现故障类型和故障程序标记,并将所有故障数据和标记进行整合,建立故障多模态专家系统数据库;设计集成组合策略,联合运用多种深度学习神经网络模型和算法,将有监督深度学习模型和无监督深度学习模型共同对正在作业的船只在现场采集的数据进行自主学习,实时在线提取当前监测信号的特征,并与故障多模态专家系统数据库里现存的故障模式进行特征匹配,计算相似度,实现状态在线监测。采用“双向”类比法,将实船采集的现有全程历史数据视为多维时间序列,以正向类比方式推测当前装置所在工作时间段发生故障的概率;采用反向倒推类比方法,对全生命周期历史数据库的大数据进行数据切割,将所有同类型设备出现某类相同故障的数据段进行截断提取重新组合,并以反向时间序列法进行排序,以该类故障出现的时刻为终点,至上一次故障出现的时刻为起点,并将全生命周期数据库中的所有机器出现过此类故障的数据构成一个数据集,该数据集在组合时,以该类故障出现的时刻为参考点进行数据对齐,以时间轴的反方向为坐标轴构成反向时间序列样本数据集,并将该类故障的数据集输入到深度学习模型中进行数据遍历,对数据集进行深度挖掘和特征提取,并将该类故障数据集以反向时间轴为坐标,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。每一类故障均采用这种方式建立一个数据集,并将所有故障的总数据集存储到故障多模态专家系统数据库中。最后,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。
为达到上述目的,本发明采取的技术方案是:包含有框体1、显示器4、警报器6、电源9和数据处理装置,其特征是:所述数据处理装置设置为包含有深度学习集成模块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,所述深度学习集成模块5设置为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,深度学习集成模块5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。
所述全生命周期历史数据库14设置为包含了已退役的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{φ},每台机器采集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,因此,数据总集{φ}是一个K×N×Q的多维多模态的高维张量矩阵数据集。
所述故障多模态专家系统数据库7设置为包含有全生命周期历史数据库14中的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。中央处理器CPU11设置为采用反向倒推类比方法,对全生命周期历史数据库14中的监测大数据总集{φ}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,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{δA};将全生命周期历史数据库14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{ΨA };数据组总集{ΨA }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{ΨA’},数据组总集{ΨA’}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5中的各类网络模型对故障A的反向时间序列数据组总集{ΨA’}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{ΨA’}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{ΨA’}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7中;每一类故障(故障B、故障C……)均采用这种方式建立一个对应数据组总集({ΨB’}、{ΨC’}……),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7中。
框体1设置有腔体,在框体1上侧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18的左侧设置有数据采集模块17,在在无线信号收发装置18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18的正下方设置有显示器4,在显示器4的正下方中间处设置有深度学习集成模块5,在深度学习集成模块5的左侧设置有USB接口15,在深度学习集成模块5的右侧设置有警报器6,在深度学习集成模块5的下方左侧设置有全生命周期历史数据库14,在全生命周期历史数据库14的右侧设置有故障多模态专家系统数据库7,在故障多模态专家系统数据库7的正下方右侧设置有存储器8,在存储器8的左侧设置有GPU10、在GPU10的左侧设置有CPU11,在CPU11的左侧设置有网络模块13,在框体1的最底端右侧设置有电源9,在电源9的左侧设置有外部设备控制接口12,框体1内的所有部件采用导线16连接在一起构成通路。
本发明设计了,数据采集模块17设置有多个数据输入接口19,数据输入接口19的数量优选的设置有4~10个,对应于可接收现场实时监测的4~10种类型的监测信号,信号类型包括振动信号、噪声信号、电力信号、力信号等,每一个数据输入接口19对应其中一类监测信号,每一个数据输入接口19获得的监测信号均是一个多维时间序列数据组,数据采集模块17获取的信号数据存储在存储器8中。
本发明设计了,显示器4设置为采用高分辨率的液晶显示屏。
本发明设计了,深度学习集成模块5对数据采集模块17中获取的监测数据实时学习提取特征,并与故障多模态专家系统数据库7中已存储的故障模式类进行相似性特征匹配,若相似度高,则本发明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6发出故障警报,CPU11会通过网络模块13产生警报信息并由无线信号收发装置18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7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;若当前数据特征与故障多模态专家系统数据库7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7中的故障总数据集{Τ}中;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5的算法自动设定。
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8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4显示,警报器6设置为对操作步骤进行语音提示和故障报警,中央处理器CPU11设置为对整个系统装置的程序控制及数据运算,GPU10设置为对深度学习集成模块5内的网络模型进行模型训练、数据处理以及辅助CPU11做深度学习运算,网络模块13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18设置为将网络模块13、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12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。
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7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。
本发明还提供了一种基于集成深度学习的柴油发电机故障预测与健康评估方法,其特征在于,包括:
步骤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输入到全生命周期历史数据库14中,数据总集{φ}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{φ}是一个K×N×Q的多维多模态的高维张量矩阵数据集;
步骤2),对全生命周期历史数据库14中的数据总集{φ}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{δA};将全生命周期历史数据库14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{ΨA };
步骤3),数据组总集{ΨA }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{ΨA’},数据组总集{ΨA’}对应故障类型A,共有K×M×N×Q个反向时间序列样本;
步骤4),通过深度学习集成模块5中的各类网络模型对故障A的反向时间序列数据组总集{ΨA’}中的数据进行迭代学习,深度学习集成模块5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5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5对反向时间序列数据组总集{ΨA’}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{ΨA’}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{ΨA’}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7中;
步骤5),每一类故障(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({ΨB’}、{ΨC’}……),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7中包含全生命周期历史数据库14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;
步骤6),当数据采集模块17通过数据输入接口19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5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7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6发出故障警报,CPU11会通过网络模块13产生警报信息并由无线信号收发装置18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7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5的算法自动设定;
步骤7),若当前数据特征与故障多模态专家系统数据库7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7中的故障总数据集{Τ}中。
附图说明
图1为本发明的实施例的结构示意图。
图2为本发明的系统流程框架图。
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2具体说明本实施例,包含有框体1、显示器4、警报器6、电源9和数据处理装置,其特征是:所述数据处理装置包含有深度学习集成模块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,所述深度学习集成模块5设置为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,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5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。
所述全生命周期历史数据库14设置为包含了已退役的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{φ},每台机器采集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,因此,数据总集{φ}是一个K×N×Q的多维多模态的高维张量矩阵数据集。
所述故障多模态专家系统数据库7设置为包含有全生命周期历史数据库14中的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。中央处理器CPU11设置为采用反向倒推类比方法,对全生命周期历史数据库14中的监测大数据总集{φ}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,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{δA};将全生命周期历史数据库14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{ΨA };数据组总集{ΨA }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{ΨA’},数据组总集{ΨA’}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5中的各类网络模型对故障A的反向时间序列数据组总集{ΨA’}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{ΨA’}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{ΨA’}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7中;每一类故障(故障B、故障C……)均采用这种方式建立一个对应数据组总集({ΨB’}、{ΨC’}……),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7中。
框体1设置有腔体,在框体1上侧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18的左侧设置有数据采集模块17,在在无线信号收发装置18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18的正下方设置有显示器4,在显示器4的正下方中间处设置有深度学习集成模块5,在深度学习集成模块5的左侧设置有USB接口15,在深度学习集成模块5的右侧设置有警报器6,在深度学习集成模块5的下方左侧设置有全生命周期历史数据库14,在全生命周期历史数据库14的右侧设置有故障多模态专家系统数据库7,在故障多模态专家系统数据库7的正下方右侧设置有存储器8,在存储器8的左侧设置有GPU10、在GPU10的左侧设置有CPU11,在CPU11的左侧设置有网络模块13,在框体1的最底端右侧设置有电源9,在电源9的左侧设置有外部设备控制接口12,框体1内的所有部件采用导线16连接在一起构成通路。
在本实施例中,数据采集模块17设置有多个数据输入接口19,数据输入接口19的数量优选的设置有4~10个,对应于可接收现场实时监测的4~10种类型的监测信号,信号类型包括振动信号、噪声信号、电力信号、力信号等,每一个数据输入接口19对应其中一类监测信号,每一个数据输入接口19获得的监测信号均是一个多维时间序列数据组,数据采集模块17获取的信号数据存储在存储器8中。
在本实施例中,显示器4设置为采用高分辨率的液晶显示屏。
在本实施例中,深度学习集成模块5对数据采集模块17中获取的监测数据实时学习提取特征,并与故障多模态专家系统数据库7中已存储的故障模式类进行相似性特征匹配,若相似度高,则本发明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6发出故障警报,CPU11会通过网络模块13产生警报信息并由无线信号收发装置18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7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;若当前数据特征与故障多模态专家系统数据库7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7中的故障总数据集{Τ}中;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5的算法自动设定。
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8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4显示,警报器6设置为对操作步骤进行语音提示和故障报警,中央处理器CPU11设置为对整个系统装置的程序控制及数据运算,GPU10设置为对深度学习集成模块5内的网络模型进行模型训练、数据处理以及辅助CPU11做深度学习运算,网络模块13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18设置为将网络模块13、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12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。
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2,这时本发明系统装置启动工作,显示器4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{φ}通过USB接口15输入到全生命周期历史数据库14中,数据总集{φ}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{φ}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14中的数据总集{φ}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{δA};将全生命周期历史数据库14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{ΨA }。
3)数据组总集{ΨA }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{ΨA’},数据组总集{ΨA’}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5中的各类网络模型对故障A的反向时间序列数据组总集{ΨA’}中的数据进行迭代学习,深度学习集成模块5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5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5对反向时间序列数据组总集{ΨA’}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{ΨA’}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{ΨA’}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7中。
5)每一类故障(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({ΨB’}、{ΨC’}……),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7中包含全生命周期历史数据库14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17通过数据输入接口19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5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7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6发出故障警报,CPU11会通过网络模块13产生警报信息并由无线信号收发装置18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7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5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7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7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7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。
本发明具有以下优点: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预测和健康评估中,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,并与故障多模态专家系统数据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。
在基于集成深度学习的柴油发电机故障预测与监测系统装置技术领域内;凡是包含有框体1、显示器4、警报器6、电源9和数据处理装置,其特征是:所述数据处理装置设置为包含有深度学习集成模块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,所述深度学习集成模块5设置为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,深度学习集成模块5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;全生命周期历史数据库14设置为包含了已退役的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{φ},每台机器采集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,因此,数据总集{φ}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7设置为包含有全生命周期历史数据库14中的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。中央处理器CPU11设置为采用反向倒推类比方法,对全生命周期历史数据库14中的监测大数据总集{φ}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,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{δA};将全生命周期历史数据库14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{ΨA };数据组总集{ΨA }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{ΨA’},数据组总集{ΨA’}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5中的各类网络模型对故障A的反向时间序列数据组总集{ΨA’}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{ΨA’}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{ΨA’}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7中;每一类故障(故障B、故障C……)均采用这种方式建立一个对应数据组总集({ΨB’}、{ΨC’}……),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;框体1设置有腔体,在框体1内设置有电源启动按钮2、电源关闭按钮3、显示器4、警报器6、存储器8、GPU10、CPU11、外部设备控制接口12、网络模块13、USB接口15、数据采集模块17、无线信号收发装置18,框体1内的所有部件采用导线16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 (8)
1.一种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;包含有框体(1)、显示器(4)、警报器(6)、电源(9)和数据处理装置,其特征是:所述数据处理装置设置为包含有深度学习集成模块(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),所述深度学习集成模块(5)设置为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,深度学习集成模块(5)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,框体(1)设置有腔体,在框体(1)上侧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(18)的左侧设置有数据采集模块(17),在在无线信号收发装置(18)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(18)的正下方设置有显示器(4),在显示器(4)的正下方中间处设置有深度学习集成模块(5),在深度学习集成模块(5)的左侧设置有USB接口(15),在深度学习集成模块(5)的右侧设置有警报器(6),在深度学习集成模块(5)的下方左侧设置有全生命周期历史数据库(14),在全生命周期历史数据库(14)的右侧设置有故障多模态专家系统数据库(7),在故障多模态专家系统数据库(7)的正下方右侧设置有存储器(8),在存储器(8)的左侧设置有GPU(10)、在GPU(10)的左侧设置有CPU(11),在CPU(11)的左侧设置有网络模块(13),在框体(1)的最底端右侧设置有电源(9),在电源(9)的左侧设置有外部设备控制接口(12),框体(1)内的所有部件采用导线(16)连接在一起构成通路。
2.根据权利要求1所述的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;其特征是:全生命周期历史数据库(14)设置为包含有已退役的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{φ},每台机器采集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{φ}是一个K×N×Q的多维多模态的高维张量矩阵数据集,所述故障多模态专家系统数据库(7)设置为包含有全生命周期历史数据库(14)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(11)设置为采用反向倒推类比方法,对全生命周期历史数据库(14)中的监测大数据总集{φ}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,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{δA};将全生命周期历史数据库(14)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{ΨA };数据组总集{ΨA }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{ΨA’},数据组总集{ΨA’}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(5)中的各类网络模型对故障A的反向时间序列数据组总集{ΨA’}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{ΨA’}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{ΨA’}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(7)中;每一类故障(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({ΨB’}、{ΨC’}……),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(7)中。
3.根据权利要求1所述的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;其特征是:数据采集模块(17)设置有多个数据输入接口(19),数据输入接口(19)的数量设置为4~10个,对应于可接收现场实时监测的4~10种类型的监测信号,信号类型包括振动信号、噪声信号、电力信号、力信号等,每一个数据输入接口(19)对应其中一类监测信号,每一个数据输入接口(19)获得的监测信号均是一个多维时间序列数据组。
4.根据权利要求1所述的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;其特征是:深度学习集成模块(5)对数据采集模块(17)中获取的监测数据实时学习提取特征,并与故障多模态专家系统数据库(7)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,若当前数据特征与故障多模态专家系统数据库(7)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,若当前数据特征与故障多模态专家系统数据库(7)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(7)中的故障总数据集{Τ}中。
5.根据权利要求4所述的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;其特征是: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(5)的算法自动设定。
6.根据权利要求1所述的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;其特征是:中央处理器CPU(11)设置为对整个系统装置的程序控制及数据运算,GPU(10)设置为对深度学习集成模块(5)内的网络模型进行模型训练、数据处理以及辅助CPU(11)做深度学习运算,网络模块(13)设置为与互联网云平台进行连接,无线信号收发装置(18)设置为将网络模块(13)、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。
7.根据权利要求1所述的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;其特征是:外部设备控制接口(12)设置为可连接笔记本电脑、大屏幕显示器、服务器等外部设备,用于外部数据处理。
8.一种基于集成深度学习的柴油发电机故障预测与健康评估方法,其特征在于,包括以下步骤:
步骤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)输入到全生命周期历史数据库(14)中,数据总集{φ}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{φ}是一个K×N×Q的多维多模态的高维张量矩阵数据集;
步骤2),对全生命周期历史数据库(14)中的数据总集{φ}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{δA};将全生命周期历史数据库(14)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{ΨA };
步骤3),数据组总集{ΨA }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{ΨA’},数据组总集{ΨA’}对应故障类型A,共有K×M×N×Q个反向时间序列样本;
步骤4),通过深度学习集成模块(5)中的各类网络模型对故障A的反向时间序列数据组总集{ΨA’}中的数据进行迭代学习,深度学习集成模块(5)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(5)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(5)对反向时间序列数据组总集{ΨA’}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{ΨA’}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{ΨA’}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(7)中;
步骤5),每一类故障(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({ΨB’}、{ΨC’}……),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(7)中包含全生命周期历史数据库(14)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;
步骤6),当数据采集模块(17)通过数据输入接口(19)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(5)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(7)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(6)发出故障警报,CPU(11)会通过网络模块(13)产生警报信息并由无线信号收发装置(18)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(7)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(5)的算法自动设定;
步骤7),若当前数据特征与故障多模态专家系统数据库(7)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(7)中的故障总数据集{Τ}中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810449268.1A CN110297179A (zh) | 2018-05-11 | 2018-05-11 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810449268.1A CN110297179A (zh) | 2018-05-11 | 2018-05-11 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110297179A true CN110297179A (zh) | 2019-10-01 |
Family
ID=68026346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810449268.1A Pending CN110297179A (zh) | 2018-05-11 | 2018-05-11 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110297179A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110297178A (zh) * | 2018-05-11 | 2019-10-01 | 宫文峰 | 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 |
CN110866672A (zh) * | 2019-10-10 | 2020-03-06 | 重庆金融资产交易所有限责任公司 | 数据处理方法、装置、终端及介质 |
CN111184948A (zh) * | 2020-01-09 | 2020-05-22 | 北京理工大学 | 基于血管靶向光动力疗法的鲜红斑痣处理方法及系统 |
CN111722145A (zh) * | 2020-06-12 | 2020-09-29 | 华北电力大学(保定) | 一种同步电机励磁绕组匝间短路轻度故障诊断方法 |
CN112051503A (zh) * | 2020-04-14 | 2020-12-08 | 中鹏机电有限公司 | 一种柴油发电机组多路市电监测装置 |
CN112596104A (zh) * | 2020-12-09 | 2021-04-02 | 成都理工大学 | 一种结合张量分解和全变分的地震资料去噪方法 |
CN112650204A (zh) * | 2020-12-30 | 2021-04-13 | 中南大学 | 一种智慧轨道无人驾驶车辆故障基因识别方法及系统 |
CN112988843A (zh) * | 2021-03-26 | 2021-06-18 | 桂林电子科技大学 | 一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统 |
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 |
CN113586241A (zh) * | 2021-09-28 | 2021-11-02 | 丹华海洋工程装备(南通)有限公司 | 一种船舶柴油机转速故障检测方法 |
CN113671421A (zh) * | 2021-08-24 | 2021-11-19 | 华北电力大学(保定) | 一种变压器状态评估与故障预警方法 |
CN117390407A (zh) * | 2023-12-13 | 2024-01-12 | 国网山东省电力公司济南供电公司 | 变电站设备的故障识别方法、系统、介质和设备 |
CN117453492A (zh) * | 2023-12-20 | 2024-01-26 | 北京中航科电测控技术股份有限公司 | 基于武器装备的通用测试平台 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106168539A (zh) * | 2016-10-21 | 2016-11-30 | 常州信息职业技术学院 | 基于卷积神经网络的滚动轴承故障诊断方法及系统 |
CN106408088A (zh) * | 2016-11-22 | 2017-02-15 | 北京六合智汇技术有限责任公司 | 一种基于深度学习理论的旋转机械设备故障诊断方法 |
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 |
CN110297178A (zh) * | 2018-05-11 | 2019-10-01 | 宫文峰 | 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 |
-
2018
- 2018-05-11 CN CN201810449268.1A patent/CN110297179A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106168539A (zh) * | 2016-10-21 | 2016-11-30 | 常州信息职业技术学院 | 基于卷积神经网络的滚动轴承故障诊断方法及系统 |
CN106408088A (zh) * | 2016-11-22 | 2017-02-15 | 北京六合智汇技术有限责任公司 | 一种基于深度学习理论的旋转机械设备故障诊断方法 |
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 |
CN110297178A (zh) * | 2018-05-11 | 2019-10-01 | 宫文峰 | 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 |
Non-Patent Citations (2)
Title |
---|
赵光权;葛强强;刘小勇;彭喜元;: "基于DBN的故障特征提取及诊断方法研究", 仪器仪表学报, no. 09 * |
赵洪山等: "基于堆叠自编码网络的风电机组发电机状态监测与故障诊断", 《电力系统自动化》, pages 102 - 107 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110297178A (zh) * | 2018-05-11 | 2019-10-01 | 宫文峰 | 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 |
CN110866672A (zh) * | 2019-10-10 | 2020-03-06 | 重庆金融资产交易所有限责任公司 | 数据处理方法、装置、终端及介质 |
CN111184948A (zh) * | 2020-01-09 | 2020-05-22 | 北京理工大学 | 基于血管靶向光动力疗法的鲜红斑痣处理方法及系统 |
CN112051503A (zh) * | 2020-04-14 | 2020-12-08 | 中鹏机电有限公司 | 一种柴油发电机组多路市电监测装置 |
CN111722145A (zh) * | 2020-06-12 | 2020-09-29 | 华北电力大学(保定) | 一种同步电机励磁绕组匝间短路轻度故障诊断方法 |
CN112596104A (zh) * | 2020-12-09 | 2021-04-02 | 成都理工大学 | 一种结合张量分解和全变分的地震资料去噪方法 |
CN112596104B (zh) * | 2020-12-09 | 2022-04-01 | 成都理工大学 | 一种结合张量分解和全变分的地震资料去噪方法 |
CN112650204B (zh) * | 2020-12-30 | 2021-12-24 | 中南大学 | 一种智慧轨道无人驾驶车辆故障基因识别方法及系统 |
CN112650204A (zh) * | 2020-12-30 | 2021-04-13 | 中南大学 | 一种智慧轨道无人驾驶车辆故障基因识别方法及系统 |
CN112988843A (zh) * | 2021-03-26 | 2021-06-18 | 桂林电子科技大学 | 一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统 |
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 |
CN113093709B (zh) * | 2021-04-08 | 2023-06-23 | 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 |
CN113671421A (zh) * | 2021-08-24 | 2021-11-19 | 华北电力大学(保定) | 一种变压器状态评估与故障预警方法 |
CN113586241A (zh) * | 2021-09-28 | 2021-11-02 | 丹华海洋工程装备(南通)有限公司 | 一种船舶柴油机转速故障检测方法 |
CN113586241B (zh) * | 2021-09-28 | 2021-12-03 | 丹华海洋工程装备(南通)有限公司 | 一种船舶柴油机转速故障检测方法 |
CN117390407A (zh) * | 2023-12-13 | 2024-01-12 | 国网山东省电力公司济南供电公司 | 变电站设备的故障识别方法、系统、介质和设备 |
CN117390407B (zh) * | 2023-12-13 | 2024-04-05 | 国网山东省电力公司济南供电公司 | 变电站设备的故障识别方法、系统、介质和设备 |
CN117453492A (zh) * | 2023-12-20 | 2024-01-26 | 北京中航科电测控技术股份有限公司 | 基于武器装备的通用测试平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110297179A (zh) | 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 | |
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 | |
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 | |
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 | |
Thai-Nghe et al. | Deep learning approach for forecasting water quality in IoT systems | |
CN110415494A (zh) | 一种基于历史运行数据的设备报警阈值计算方法 | |
CN109543210A (zh) | 一种基于机器学习算法平台的风电机组故障预测系统 | |
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 | |
CN107272654B (zh) | 一种用于无人机飞控系统故障检测的数据聚类降维方法 | |
CN102680242B (zh) | 基于群体智能的柴油机故障诊断方法 | |
CN111651530B (zh) | 一种智能化港口监测系统 | |
CN109657982A (zh) | 一种故障预警方法及装置 | |
CN111413565B (zh) | 一种可识别量测篡改攻击的智能电网故障诊断方法 | |
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 | |
CN113339204B (zh) | 一种基于混合神经网络的风力发电机故障识别方法 | |
CN110243595B (zh) | 一种基于LabVIEW的远程齿轮箱故障监测系统 | |
CN107025355A (zh) | 一种基于模糊贴近度的船舶故障诊断方法及系统 | |
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 | |
CN106981873A (zh) | 一种基于动力学行为的孤岛式电力系统潜隐故障预测方法 | |
CN109855873A (zh) | 汽轮机大轴的故障诊断方法及装置 | |
CN113378887B (zh) | 一种乳化液泵故障分级诊断方法 | |
Liu et al. | Remaining useful life prediction of aircraft auxiliary power unit with on-wing sensing data | |
CN115641549B (zh) | 一种主推进柴油机组健康监测方法和系统 | |
Zou et al. | Research on mechanical fault diagnosis based on MADS evidence fusion theory | |
CN209296300U (zh) | 一种智能化振动分析及故障诊断装置 |
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 |