CN110874088B - 基于多维向量模型的船舶关键设备系统的监测方法 - Google Patents
基于多维向量模型的船舶关键设备系统的监测方法 Download PDFInfo
- Publication number
- CN110874088B CN110874088B CN201811022763.0A CN201811022763A CN110874088B CN 110874088 B CN110874088 B CN 110874088B CN 201811022763 A CN201811022763 A CN 201811022763A CN 110874088 B CN110874088 B CN 110874088B
- Authority
- CN
- China
- Prior art keywords
- sub
- model
- sample set
- dimensional vector
- parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000013598 vector Substances 0.000 title claims abstract description 127
- 238000012544 monitoring process Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000010687 lubricating oil Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Manufacturing & Machinery (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了基于多维向量模型的船舶关键设备系统的监测方法，该方法包括：S1：构建所述船舶关键设备系统的系统多维向量监测模型；S2：实时监测所述船舶关键设备系统的工况条件，按照当前工况，调用相应工况条件下的系统多维向量监测模型；S3：判断是否存在与子模块的特征参数所对应的多维向量未落入相应的正常态多维向量集，若是，则判断在所述当前工况下所述子模块处于故障状态；若否，则判断在所述当前工况下所述子模块处于正常状态。本发明的监测方法只需调用当前工况的各个子多维向量监测模型，即可实时监测船舶设备系统各部分的运行状态，且不需要通过异常数据样本来实现子多维向量监测模型的构建，使得适用性更加广泛。
Description
技术领域
本发明涉及船舶关键设备系统的监测设计技术领域，尤其涉及一种基于多维向量模型的船舶关键设备系统的监测方法。
背景技术
船舶设备的状态监测和维护是保障设备正常运行、提高设备工作效率、延长设备使用寿命的主要手段。现有设备的监测多采用设置阈值报警进行运行状态监控，能够解决一些常规的故障的发生，但是在船舶设备工况多变的背景下，同一参数在不同工况下数值波动很大，有时为了避免频繁报警，阈值会预留较大的余量，因此报警时往往已经出现较为严重的故障，现有技术存在不能灵活根据实时工况进行设备状态监测的缺陷；且对于较为复杂的设备，需要监控的参数很多，当发生故障时，人工很难迅速定位引起故障的主次要因素。
因此，需要提供一种基于多维向量模型的船舶关键设备系统的监测方法，以至少部分地解决上面提到的问题。
发明内容
在发明内容部分中引入了一系列简化形式的概念，这将在具体实施例部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。
为了至少部分地解决上述问题，本发明提供了一种基于多维向量模型的船舶关键设备系统的监测方法，包括以下步骤：
S1：构建所述船舶关键设备系统的系统多维向量监测模型；
S2：实时监测所述船舶关键设备系统的工况条件，按照当前工况，调用相应工况条件下的系统多维向量监测模型；
S3：判断是否存在与子模块的特征参数所对应的多维向量未落入相应的正常态多维向量集，若是，则判断在所述当前工况下所述子模块处于故障状态；若否，则判断在所述当前工况下所述子模块处于正常状态，
其中，所述S1包括：
S11：将所述船舶关键设备系统划分成各子模块；
S12：基于机器学习的多维向量模型法，利用各所述子模块在健康状态运行的一段时间内，各种典型工况下的特征参数构建与所述子模块对应的子多维向量监测模型，各所述子模块的子多维向量监测模型均包括正常态多维向量样本集；
S13：利用测试性建模软件构建包括各所述子模块的子多维向量监测模型的系统多维向量监测模型。
根据本发明的基于多维向量模型的船舶关键设备系统的监测方法，将船舶设备系统按照组成结构划分成各个子模块，并采用各子模块在健康状态运行的一段时间内，各种典型工况下的特征参数，构建相应的子多维向量监测模型进而形成系统多维向量监测模型，在监测过程中，只需调用当前工况的各个子多维向量监测模型，即可实时监测船舶设备系统各部分的运行状态，本发明不需要通过异常数据样本来实现模型的构建，使得适用性更加广泛。
优选地，所述S12包括：
S121：选定与所述子模块对应的子多维向量监测模型的特征参数；
S122：根据所选定的特征参数提取训练样本集和测试样本集，所述训练样本集与所述测试样本集由与所述特征参数对应的多维向量构成；
S123：初始化所述子多维向量监测模型的模型参数；
S124：对所述模型参数寻优以构建各所述子模块的子多维向量监测模型：
利用所述训练样本集对所述子多维向量监测模型进行训练，之后利用所述测试样本集对所述子多维向量监测模型进行验证，以优化所述模型参数，得到优化后的子多维向量监测模型。
由此，可以得到优化后的子模块的子多维向量监测模型。
优选地，所述S122包括以下步骤：
S1221：按照时间标签进行与所述子模块对应的特征参数的原始数据样本的提取和筛选；
S1222：对所述S1221中所提取的所述原始数据样本进行随机抽样，并对抽样数据进行可视化，判断所述原始数据样本是否均衡，若是，则转到步骤S1223；若否，则返回步骤S1221；
S1223：将所述S1222中提取的所述原始数据样本用于进行所述子多维向量监测模型的训练或测试。
由此，可以得到合适的训练样本集和测试样本集。
优选地，所述S123中：
所述模型参数包括惩罚参数nu，和核函数的参数，其中所述核函数是通过对相应的训练样本集进行搜索学习得到的。
优选地，所述S124包括以下步骤：
S1241：所述模型参数构成多维参数矩阵；
S1242：利用与所述子模块对应的训练样本集，寻求所述多维参数矩阵中的每一组模型参数训练出的子多维向量监测模型；
S1243：利用与所述子模块对应的测试样本集验证同一批训练样本在不同模型参数下的准确度，选定准确度最高的为最优模型参数。
由此，可以得到子多维向量监测模型的最优模型参数。
优选地，所述S2中，
各所述子模块的子多维向量监测模型包括正常态多维向量样本集X1＝{X11，X12，X13…,X1n}，以及异常态多维向量样本集X2＝{X21，X22，X23…,X2n}；
判断出当前工况下船舶关键设备系统的子模块处于故障状态后，指出具体故障信息的步骤包括：
S21：计算存在故障的子模块的子多维向量监测模型中，各特征参数的正常态多维向量样本集与异常态多维向量样本集间的判别距离D，计算公式为：
其中，m1为所述X1中的所计算的特征参数的均值向量，m2为所述X2中的所计算的特征参数的均值，s1为所述X1中的所计算的特征参数的方差，s2为所述X2中的所计算的特征参数的方差；
S22：对各特征参数的判别距离D进行排序，所述判别距离D越大，表示该特征参数偏离正常态多维向量样本集的程度越大；
S23：按照所述判别距离D由大到小输出具体故障特征参数。
由此，可以通过对各特征参数的判别距离D的计算，并比较大小，进一步指出具体的故障特征参数，为后续故障诊断和辅助决策提供明确指引信息。
附图说明
本发明实施例的下列附图在此作为本发明的一部分用于理解本发明。附图中示出了本发明的实施例及其描述，用来解释本发明的原理。在附图中，
图1为根据本发明的基于多维向量模型的船舶关键设备系统的监测方法的优选实施方式的流程图；
图2为图1中步骤S12的具体流程图；
图3为图2中步骤S122的具体流程图；
图4为图2中步骤S124的具体流程图；
图5为图1中步骤2的具体流程图；
图6为根据本发明的基于多维向量模型的船舶关键设备系统的监测方法，一种船舶机舱主动力设备系统划分成各子模块的示意图。
具体实施方式
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员来说显而易见的是，本发明实施例可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明实施例发生混淆，对于本领域公知的一些技术特征未进行描述。
为了彻底了解本发明实施例，将在下列的描述中提出详细的结构。显然，本发明实施例的施行并不限定于本领域的技术人员所熟习的特殊细节。本发明的较佳实施例详细描述如下，然而除了这些详细描述外，本发明还可以具有其他实施例。
以下，对根据本发明的优选实施方式的进行详细说明。
图1示出了根据本发明的基于多维向量模型的船舶关键设备系统的监测方法的流程图。具体地，监测方法包括以下步骤：
S1：构建船舶关键设备系统的系统多维向量监测模型；
S2：实时监测船舶关键设备系统的工况条件，按照当前工况，调用相应工况条件下的系统多维向量监测模型；
S3：判断是否存在与子模块的特征参数所对应的多维向量未落入相应的正常态多维向量集，若是，则判断在所述当前工况下子模块处于故障状态；若否，则判断在当前工况下子模块处于正常状态，
其中，步骤S1包括：
S11：将船舶关键设备系统划分成各子模块；
S12：基于机器学习的多维向量模型法，利用各子模块在健康状态运行的一段时间内，各种典型工况下的特征参数构建与子模块对应的子多维向量监测模型，各子模块的子多维向量监测模型均包括正常态多维向量样本集；
S13：利用测试性建模软件构建包括各子模块的子多维向量监测模型的系统多维向量监测模型。
需要说明的是，船舶关键设备系统的关键设备可以是机舱，也可以是船舶电站，电气设备等。参照图6，示出了一种船舶机舱主动力设备系统的划分成各子模块的示意图，其中各设备作为子模块的最小单元。
在步骤S12中，子模块的健康状态是指在子模块投运初期，运行状态良好，可认为此时的子模块对应的特征参数为健康的数据样本，由此用来构建子多维向量监测模型。
在步骤S3中，判断在当前工况下子模块处于正常状态后，则返回步骤S2，继续进行各子模块运行状态的实时监测。
根据本发明的基于多维向量模型的船舶关键设备系统的监测方法，将船舶设备系统划分成各个子模块，并采用各子模块在健康状态运行的一段时间内，各种典型工况下的特征参数，构建相应的子多维向量监测模型进而形成系统多维向量监测模型，在监测过程中，只需调用当前工况的各个子多维向量监测模型，即可实时监测船舶设备系统各部分的运行状态，本发明不需要通过异常数据样本来实现模型的构建，使得适用性更加广泛。
具体地，如图2所示，步骤S12可以包括：
S121：选定与子模块对应的子多维向量监测模型的特征参数；
S122：根据所选定的特征参数提取训练样本集和测试样本集，训练样本集与测试样本集由与特征参数对应的多维向量构成；
S123：初始化子多维向量监测模型的模型参数；
S124：对模型参数寻优以构建各子模块的子多维向量监测模型：
利用训练样本集对子多维向量监测模型进行训练，之后利用测试样本集对子多维向量监测模型进行验证，以优化所述模型参数，得到优化后的子多维向量监测模型。
其中，对于步骤S121，继续参考图2加以详细说明，图6中的增压器作为船舶机舱主动力设备系统的一个子模块，通过机理分析，选定的参数包括：增压器转速、增压器振动有效值、增压器滑油进口压力、增压器滑油出口压力、增压器进口排气温度、增压器出口排气温度，其中增压器转速用于反映增压器的工况；增压器振动有效值用于反映增压器的轴承故障以及增压器转子的动平衡改变；增压器滑油进口压力和增压器滑油出口压力用于反映增压器的润滑状况；增压器进口排气温度和增压器出口排气温度用于反映增压器的做功效率。
具体地，如图3所示，步骤S122可以包括：
S1221：按照时间标签进行与子模块对应的特征参数的原始数据样本的提取和筛选；
S1222：对步骤S1221中所提取的原始数据样本进行随机抽样，并对抽样数据进行可视化，判断原始数据样本是否均衡，若是，则转到步骤S1223；若否，则返回步骤S1221；
S1223：将步骤S1222中提取的原始数据样本用于进行子多维向量监测模型的训练或测试。
在本实施方式中，即为采用步骤S1221-S1223，分别对调速机、增压器、滑油泵、电启动器、海水冷却器、燃油输送泵、燃油双联滤器等各子模块提取相应的子多维向量监测模型的训练样本集和测试样本集，并可以保存为CSV格式。其中增压器对应的子多维向量监测模型的训练样本集和测试样本集是利用增压器在健康状态运行的一段时间内，前述6个特征参数的数据对应的多维向量形成的。
具体地，在步骤S123中：
模型参数包括惩罚参数nu，和核函数的参数，其中核函数是通过对相应的训练样本集进行搜索学习得到的。
需要说明的是，nu(惩罚参数)是影响该子多维向量监测模型进行状态监测的一个重要参数，即对误差的宽容度。nu越大，说明越不能容忍出现误差，容易过拟合，nu越小，容易欠拟合。nu过大或过小，都会导致模型的泛化能力变差。
选定的核函数不同，其相应的参数也不同。在本实施方式中，增压器的子多维向量监测模型可选用RBF(Radial Basis Function)核函数，RBF核函数具有gamma系数，gamma是选择RBF核函数后，该核函数自带的一个参数。隐含地决定了数据映射到新的特征空间后的分布，gamma越大，支持向量越少，gamma值越小，支持向量越多。支持向量的个数影响训练与预测的速度。
具体地，如图4所示，步骤S124可以包括：
S1241：模型参数构成多维参数矩阵；
S1242：利用与子模块对应的训练样本集，寻求多维参数矩阵中的每一组模型参数训练出的子多维向量监测模型；
S1243：利用与子模块对应的测试样本集验证同一批训练样本在不同模型参数下的准确度，选定准确度最高的为最优模型参数。
在本实施方式中，以增压器为例，详细说明如何确定增压器对应的子多维向量监测模型，其他设备如何确定其子多维向量监测模型将不再赘述：
增压器的子多维向量监测模型的模型参数包括nu(惩罚参数)，RBF核函数的gamma系数。该子多维向量监测模型的参数优化即寻求在nu、gamma组成的二维参数矩阵中，每一组参数训练出的模型，之后，用测试样本集进行验证，并统计同一批训练样本在不同组参数下的准确度。优选地，为了保证结果的准确性，可以用多个测试样本进行验证，选取准确度最高的作为最优的nu、gamma。最优模型参数nu、gamma确定后，即可用最优模型参数训练出增压器对应的子多维向量监测模型。
训练好的各子模块的子多维向量监测模型具有
正常态多维向量样本集X1＝{X11，X12，X13…,X1n}，和异常态多维向量样本集X2＝{X21，X22，X23…,X2n}，
具体地，如图5所示，判断出当前工况下船舶关键设备系统的子模块处于故障状态后，可以进一步指出具体故障信息，该步骤包括：
S21：计算存在故障的子模块的子多维向量监测模型中，各特征参数的正常态多维向量样本集与异常态多维向量样本集间的判别距离D，计算公式为：
其中，m1为X1中的所计算的特征参数的均值向量，m2为X2中的所计算的特征参数的均值，s1为X1中的所计算的特征参数的方差，s2为X2中的所计算的特征参数的方差；
S22：对各特征参数的判别距离D进行排序，判别距离D越大，表示该特征参数偏离正常态多维向量样本集的程度越大；
S23：按照判别距离D由大到小输出具体故障特征参数。
需要说明的是，在本实施方式中，假设增压器存在故障，则计算前述6个特征参数的正常态多维向量样本集与异常态多维向量样本集间的判别距离D，并对得到的6个判别距离进行排序，判别距离D越大，表示该特征参数偏离正常态多维向量样本集的程度越大，则容易为主故障参数。
根据本发明的基于多维向量模型的船舶关键设备系统的监测方法，将船舶设备系统划分成各个子模块，并采用各子模块在健康状态运行的一段时间内，各种典型工况下的特征参数，构建相应的子多维向量监测模型进而形成系统多维向量监测模型，在监测过程中，只需调用当前工况的各个子多维向量监测模型，即可实时监测船舶设备系统各部分的运行状态，并在确定故障状态的子模块后，能进一步根据该子模块的子多维向量监测模型中，正常态多维向量样本集与异常态多维向量样本集间的判别距离D，找出故障的主次要因素；且本发明不需要通过异常数据样本来实现模型的构建，使得适用性更加广泛。
除非另有定义，本文中所使用的技术和科学术语与本发明的技术领域的技术人员通常理解的含义相同。本文中使用的术语只是为了描述具体的实施目的，不是旨在限制本发明。本文中出现的诸如“部件”等术语既可以表示单个的零件，也可以表示多个零件的组合。本文中出现的诸如“安装”、“设置”等术语既可以表示一个部件直接附接至另一个部件，也可以表示一个部件通过中间件附接至另一个部件。本文中在一个实施方式中描述的特征可以单独地或与其它特征结合地应用于另一个实施方式，除非该特征在该另一个实施方式中不适用或是另有说明。
本发明已经通过上述实施方式进行了说明，但应当理解的是，上述实施方式只是用于举例和说明的目的，而非意在将本发明限制于所描述的实施方式范围内。本领域技术人员可以理解的是，根据本发明的教导还可以做出更多种的变型和修改，这些变型和修改均落在本发明所要求保护的范围以内。
Claims (3)
1.一种基于多维向量模型的船舶关键设备系统的监测方法，其特征在于，包括以下步骤：
S1：构建所述船舶关键设备系统的系统多维向量监测模型；
S2：实时监测所述船舶关键设备系统的工况条件，按照当前工况，调用相应工况条件下的系统多维向量监测模型；
S3：判断是否存在与子模块的特征参数所对应的多维向量未落入相应的正常态多维向量集，若是，则判断在所述当前工况下所述子模块处于故障状态；若否，则判断在所述当前工况下所述子模块处于正常状态，
其中，所述S1包括：
S11：将所述船舶关键设备系统划分成各子模块；
S12：基于机器学习的多维向量模型法，利用各所述子模块在健康状态运行的一段时间内，各种典型工况下的特征参数构建与所述子模块对应的子多维向量监测模型，各所述子模块的子多维向量监测模型均包括正常态多维向量样本集；
S13：利用测试性建模软件构建包括各所述子模块的子多维向量监测模型的系统多维向量监测模型，
所述S2中，各所述子模块的子多维向量监测模型包括正常态多维向量样本集X1＝{X11，X12，X12...，X1n}，以及异常态多维向量样本集X2＝{X21，X22，X23...，X2n}；
判断出当前工况下船舶关键设备系统的子模块处于故障状态后，指出具体故障信息的步骤包括：
S21：计算存在故障的子模块的子多维向量监测模型中，各特征参数的正常态多维向量样本集与异常态多维向量样本集间的判别距离D，计算公式为：
其中，m1为所述X1中的所计算的特征参数的均值向量，m2为所述X2中的所计算的特征参数的均值，s1为所述X1中的所计算的特征参数的方差，s2为所述X2中的所计算的特征参数的方差；
S22：对各特征参数的判别距离D进行排序，所述判别距离D越大，表示该特征参数偏离正常态多维向量样本集的程度越大；
S23：按照所述判别距离D由大到小输出具体故障特征参数，
在所述S3中，判断在当前工况下子模块处于正常状态后，则返回所述S2，
所述S12包括：
S121：选定与所述子模块对应的子多维向量监测模型的特征参数；
S122：根据所选定的特征参数提取训练样本集和测试样本集，所述训练样本集与所述测试样本集由与所述特征参数对应的多维向量构成；
S123：初始化所述子多维向量监测模型的模型参数；
S124：对所述模型参数寻优以构建各所述子模块的子多维向量监测模型：
利用所述训练样本集对所述子多维向量监测模型进行训练，之后利用所述测试样本集对所述子多维向量监测模型进行验证，以优化所述模型参数，得到优化后的子多维向量监测模型，
所述S122包括以下步骤：
S1221：按照时间标签进行与所述子模块对应的特征参数的原始数据样本的提取和筛选；
S1222：对所述S1221中所提取的所述原始数据样本进行随机抽样，并对抽样数据进行可视化，判断所述原始数据样本是否均衡，若是，则转到步骤S1223；若否，则返回步骤S1221；
S1223：将所述S1222中提取的所述原始数据样本用于进行所述子多维向量监测模型的训练或测试。
2.根据权利要求1所述的监测方法，其特征在于，所述S123中：
所述模型参数包括惩罚参数nu，和核函数的参数，其中所述核函数是通过对相应的训练样本集进行搜索学习得到的。
3.根据权利要求1所述的监测方法，其特征在于，所述S124包括以下步骤：
S1241：所述模型参数构成多维参数矩阵；
S1242：利用与所述子模块对应的训练样本集，寻求所述多维参数矩阵中的每一组模型参数训练出的子多维向量监测模型；
S1243：利用与所述子模块对应的测试样本集验证同一批训练样本在不同模型参数下的准确度，选定准确度最高的为最优模型参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811022763.0A CN110874088B (zh) | 2018-09-03 | 2018-09-03 | 基于多维向量模型的船舶关键设备系统的监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811022763.0A CN110874088B (zh) | 2018-09-03 | 2018-09-03 | 基于多维向量模型的船舶关键设备系统的监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110874088A CN110874088A (zh) | 2020-03-10 |
| CN110874088B true CN110874088B (zh) | 2022-12-23 |
Family
ID=69716169
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811022763.0A Active CN110874088B (zh) | 2018-09-03 | 2018-09-03 | 基于多维向量模型的船舶关键设备系统的监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110874088B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113009341A (zh) * | 2021-03-24 | 2021-06-22 | 河南中烟工业有限责任公司 | 电机异常状态的监测方法及系统 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7383238B1 (en) * | 2004-02-24 | 2008-06-03 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Inductive monitoring system constructed from nominal system data and its use in real-time system monitoring |
| CN102339389B (zh) * | 2011-09-14 | 2013-05-29 | 清华大学 | 一种基于密度的参数优化单分类支持向量机故障检测方法 |
| CN104062258B (zh) * | 2013-05-07 | 2017-02-22 | 山东东阿阿胶股份有限公司 | 一种采用近红外光谱快速测定复方阿胶浆中可溶性固形物的方法 |
| CN104121949A (zh) * | 2014-08-18 | 2014-10-29 | 中国船舶重工集团公司第七一二研究所 | 一种船舶电力推进系统状态监测方法 |
| CN106368816B (zh) * | 2016-10-27 | 2018-09-25 | 中国船舶工业系统工程研究院 | 一种基于基线偏差的船舶低速柴油机在线异常检测方法 |
| CN108108583A (zh) * | 2016-11-24 | 2018-06-01 | 南京理工大学 | 一种自适应svm近似模型参数优化方法 |
| CN108008718B (zh) * | 2017-12-07 | 2019-05-10 | 上海海事大学 | 基于模型的智能型船舶机舱监测报警系统 |
-
2018
- 2018-09-03 CN CN201811022763.0A patent/CN110874088B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110874088A (zh) | 2020-03-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101955305B1 (ko) | 희소 코딩 방법론을 활용한 가스 터빈 센서 고장 검출 | |
| Zhang et al. | Fault diagnosis of rotating machinery based on kernel density estimation and Kullback-Leibler divergence | |
| CN115034248A (zh) | 用于设备的自动诊断方法、系统和存储介质 | |
| CN109997025A (zh) | 引擎健康诊断装置和方法 | |
| CN110674842A (zh) | 一种风电机组主轴轴承故障预测方法 | |
| Li et al. | Bearing fault feature selection method based on weighted multidimensional feature fusion | |
| CN112860183B (zh) | 基于高阶矩匹配的多源蒸馏-迁移机械故障智能诊断方法 | |
| CN109540562A (zh) | 一种冷水机组故障诊断方法 | |
| CN111207067A (zh) | 一种基于模糊支持向量机的空压机故障诊断方法 | |
| CN115638875B (zh) | 基于图谱分析的电厂设备故障诊断方法及系统 | |
| CN110837852A (zh) | 一种轧机齿轮箱的故障诊断方法、装置及终端设备 | |
| CN112308038A (zh) | 基于课堂式生成对抗网络模型的机械设备故障信号识别方法 | |
| CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
| CN110874088B (zh) | 基于多维向量模型的船舶关键设备系统的监测方法 | |
| Dutta et al. | PROAD (Process Advisor): A health monitoring framework for centrifugal pumps | |
| CN110826600B (zh) | 基于自适应共振网络在线增量学习的发动机喘振预测方法 | |
| CN110749443B (zh) | 一种基于高阶原点矩的滚动轴承故障诊断方法及系统 | |
| CN110794683A (zh) | 基于深度神经网络和峭度特征的风电齿轮箱状态评估方法 | |
| Yaqub et al. | Machine fault severity estimation based on adaptive wavelet nodes selection and SVM | |
| CN115906437A (zh) | 一种风机状态确定方法、装置、设备和存储介质 | |
| CN115563868A (zh) | 一种航空交流发电机油路系统故障诊断方法及装置 | |
| CN113503232A (zh) | 一种风机运行健康状态预警方法及系统 | |
| CN112380782A (zh) | 一种基于混合指标和神经网络的旋转设备故障预测方法 | |
| Gelman et al. | Novel anomaly detection technique based on the nearest neighbour and sequential methods | |
| Wu et al. | Automatic Diagnosis of Rolling Element Bearing Under Different Conditions Based on RVMD and Envelope Order Capture |
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 | ||
| CB02 | Change of applicant information |
Address after: 201108 Shanghai city Minhang District Huaning Road No. 3111 Applicant after: The 711 Research Institute of China Shipbuilding Corp. Address before: 201108 Shanghai city Minhang District Huaning Road No. 3111 Applicant before: Shanghai Marine Diesel Engine Research Institute |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |