CN112632711A - 船舶故障预测方法、装置、计算机设备和存储介质 - Google Patents
船舶故障预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112632711A CN112632711A CN202110012566.6A CN202110012566A CN112632711A CN 112632711 A CN112632711 A CN 112632711A CN 202110012566 A CN202110012566 A CN 202110012566A CN 112632711 A CN112632711 A CN 112632711A
- Authority
- CN
- China
- Prior art keywords
- regression equation
- target
- prediction
- initial
- ship
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012360 testing method Methods 0.000 claims abstract description 60
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 46
- 238000004590 computer program Methods 0.000 claims description 16
- 238000007476 Maximum Likelihood Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 8
- 238000012217 deletion Methods 0.000 claims description 6
- 230000037430 deletion Effects 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000007689 inspection Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000001134 F-test Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及一种船舶故障预测方法、装置、计算机设备和存储介质。其中，船舶故障预测方法，包括步骤：接收船舶数据，并在船舶数据中筛选出与发动机故障存在耦合性的性能参数；根据性能参数，构建船舶数据集；对第一初始回归方程和第二初始回归方程进行拟合检验，并根据拟合检验的结果分别调整第一初始回归方程的精度和第二初始回归方程的精度，得到第一目标回归方程和第二目标回归方程；获取第一目标回归方程的第一预测误差和第二目标回归方程的第二预测误差；并根据第一预测误差和第二预测误差，采用第一目标回归方程或第二目标回归方程，确认并输出故障预测结果。通过上述方法进行船舶故障预测，能准确识别故障的前提下保证较小的计算量。
Description
技术领域
本申请涉及船舶技术领域，特别是涉及一种船舶故障预测方法、装置、计算机设备和存储介质。
背景技术
早期的船舶故障检查，基本依靠专业人士的经验来判别。然而，对于隐藏在柴油机的内部故障，单纯依靠经验较难准确判断。目前的智能船舶可以通过传感器、信息及网络、物联网等技术手段自动感知及获取船舶自身、海洋环境、物流、港口等方面的信息和数据。
在实现过程中，发明人发现传统技术中至少存在如下问题：传统技术中无法基于获取到的船舶自身数据实现船舶发动机的故障预测。
发明内容
基于此，有必要针对上述技术问题，提供一种能够基于获取到的船舶自身数据实现船舶发动机的故障预测的船舶故障预测方法、装置、计算机设备和存储介质。
为了实现上述目的，一方面，本发明实施例提供了一种船舶故障预测方法，包括步骤：
接收船舶数据，并在船舶数据中筛选出与发动机故障存在耦合性的性能参数；
根据性能参数，构建船舶数据集；
对第一初始回归方程和第二初始回归方程进行拟合检验，并根据拟合检验的结果分别调整第一初始回归方程的精度和第二初始回归方程的精度，得到第一目标回归方程和第二目标回归方程；其中，第一初始回归方程为采用船舶数据集和最小二乘法对各回归模型处理得到；第二初始回归方程为采用船舶数据集和最大似然法对各回归模型处理得到；
获取第一目标回归方程的第一预测误差和第二目标回归方程的第二预测误差；并根据第一预测误差和第二预测误差，采用第一目标回归方程或第二目标回归方程，确认并输出故障预测结果。
在其中一个实施例中，根据性能参数，构建船舶数据集的步骤包括：
对性能参数进行预处理，并根据预处理后的数据生成船舶数据集。
在其中一个实施例中，对性能参数进行预处理的步骤包括：
对性能参数中存在数据缺失的部分进行差值填补处理；
对性能参数的奇异值依次进行识别处理、删除处理和修补处理；和/或
识别性能参数中的噪声数据，并对噪声数据进行降噪处理。
在其中一个实施例中，还包括步骤：
采用预设测试数据集对第一初始回归方程进行F检验，并获取预设显著水平对应的第一最高精度；
根据第一最高精度调整第一初始回归方程的精度，得到第一目标回归方程；
采用预设测试数据集对第二初始回归方程进行F检验，并获取预设显著水平对应的第二最高精度；
根据第二最高精度调整第二初始回归方程的精度，得到第二目标回归方程。
在其中一个实施例中，获取第一目标回归方程的第一预测误差的步骤包括：
采用第一目标回归方程获取未来时间点的第一预测参数值；
采集未来时间点的实际值，并根据第一预测参数值和实际值，得到第一预测误差；
获取第二目标回归方程的第二预测误差的步骤包括：
采用第二目标回归方程获取未来时间点的第二预测参数值；
根据第二预测参数值和实际值，得到第二预测误差。
在其中一个实施例中，故障预测结果包括未来故障时间点；
确认故障预测结果的步骤包括：
根据第一预测误差和第二预测误差，将误差值最小的目标回归方程确认为故障预测模型；
采用故障预测模型获取各未来时间点对应的参数值；
将大于设定值的参数值对应的时间点，确认为未来故障时间点并输出。
一方面，本发明实施例还提供了一种船舶故障预测装置，包括：
接收模块，用于接收船舶数据，并在船舶数据中筛选出与发动机故障存在耦合性的性能参数；
构建模块，用于根据性能参数，构建船舶数据集；
检验模块，用于对第一初始回归方程和第二初始回归方程进行拟合检验，并根据拟合检验的结果分别调整第一初始回归方程的精度和第二初始回归方程的精度，得到第一目标回归方程和第二目标回归方程；其中，第一初始回归方程为采用船舶数据集和最小二乘法对各回归模型处理得到；第二初始回归方程为采用船舶数据集和最大似然法对各回归模型处理得到；
故障预测模块，用于获取第一目标回归方程的第一预测误差和第二目标回归方程的第二预测误差；并根据第一预测误差和第二预测误差，采用第一目标回归方程或第二目标回归方程，确认并输出故障预测结果；故障预测结果包括未来故障时间点。
在其中一个实施例中，还包括：
第一F检验模块，用于采用预设测试数据集对第一初始回归方程进行F检验，并获取预设显著水平对应的第一最高精度；
第一目标回归方程获取模块，用于根据第一最高精度调整第一初始回归方程的精度，得到第一目标回归方程；
第二F检验模块，用于采用预设测试数据集对第二初始回归方程进行F检验，并获取预设显著水平对应的第二最高精度；
第二目标回归方程获取模块，用于根据第二最高精度调整第二初始回归方程的精度，得到第二目标回归方程。
一方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述任一项方法的步骤。
另一方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一项方法的步骤。
上述技术方案中的一个技术方案具有如下优点和有益效果：
上述船舶故障预测方法，筛选出一个存在耦合性的性能参数，通过降维处理降低数据处理量。根据筛选出的性能参数建立船舶数据集，并构建多种回归模型，从而得到第一初始回归方程和第二初始回归方程。对第一初始回归方程和第二初始回归方程进行拟合检验，并根据拟合检验的结果分别调整第一初始回归方程的精度和第二初始回归方程的精度，得到第一目标回归方程和第二目标回归方程。基于第一目标回归方程的第一预测误差和第二目标回归方程的第二预测误差，采用第一目标回归方程或第二目标回归方程，确认并输出故障预测结果。通过上述方法进行船舶故障预测，能准确识别故障的前提下保证较小的计算量，运行效率高。
附图说明
通过附图中所示的本申请的优选实施例的更具体说明，本申请的上述及其它目的、特征和优势将变得更加清晰。在全部附图中相同的附图标记指示相同的部分，且并未刻意按实际尺寸等比例缩放绘制附图，重点在于示出本申请的主旨。
图1为一个实施例中船舶故障预测方法的第一示意性流程示意图；
图2为一个实施例中对性能参数进行预处理的步骤的流程示意图；
图3为一个实施例中船舶故障预测方法的第二示意性流程示意图；
图4为一个实施例中获取第一目标回归方程的第一预测误差的步骤的流程示意图；
图5为一个实施例中获取第二目标回归方程的第二预测误差的步骤的流程示意图；
图6为一个实施例中确认故障预测结果的步骤的流程示意图；
图7为一个实施例中船舶故障预测装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种船舶故障预测方法，包括步骤：
S110，接收船舶数据，并在船舶数据中筛选出与发动机故障存在耦合性的性能参数；
其中，船舶数据可以为反应船舶工作状态的任意指标数据，在一个具体示例中，船舶数据包括船舶发动机的热力参数，例如：气缸排气温度、转速、功率、爆发压力等。
具体的，在船舶数据中筛选出与发动机故障存在耦合性的数据，若船舶数据中只存在一类与发动机故障存在耦合性的数据，则将其筛选出来。若船舶数据中存在多类与发动机故障存在耦合性的数据，则从多类与发动机故障存在耦合性的数据中选择出一类，并作为与发动机故障存在耦合性的性能参数。举例而言，船舶数据可以包括气缸排气温度、转速、功率、爆发压力，并在船舶数据中筛选出气缸排气温度。
S120，根据性能参数，构建船舶数据集；
其中，性能参数包括参数本身以及对应的时间点。
具体的，将参数本身以及对应的时间点作为该船舶气缸排气温度数据的一个元素，由多个元素组成该船舶数据集。
S130，对第一初始回归方程和第二初始回归方程进行拟合检验，并根据拟合检验的结果分别调整第一初始回归方程的精度和第二初始回归方程的精度，得到第一目标回归方程和第二目标回归方程；其中，第一初始回归方程为采用船舶数据集和最小二乘法对各回归模型处理得到；第二初始回归方程为采用船舶数据集和最大似然法对各回归模型处理得到；
其中，回归模型可以包括线性回归模型、多项式回归模型、指数回归模型、对数回归模型；第一初始回归方程可以包括第一初始线性回归方程、第一初始多项式回归方程、第一初始指数回归方程、第一初始对数回归方程；第二初始回归方程可以包括第二初始线性回归方程、第二初始多项式回归方程、第二初始指数回归方程、第二初始对数回归方程；
具体而言，可以根据船舶数据集，并采用最小二乘法对线性回归模型进行求解，得到第一初始线性回归方程；根据船舶数据集，并采用最小二乘法对多项式回归模型进行求解，得到第一初始多项式回归方程；根据船舶数据集，并采用最小二乘法对指数回归模型进行求解，得到第一初始指数回归方程；根据船舶数据集，并采用最小二乘法对对数回归模型进行求解，得到第一初始对数回归方程。
进一步的，可以根据船舶数据集，并采用最大似然法对线性回归模型进行求解，得到第二初始线性回归方程；根据船舶数据集，并采用最大似然法对多项式回归模型进行求解，得到第二初始多项式回归方程；根据船舶数据集，并采用最大似然法对指数回归模型进行求解，得到第二初始指数回归方程；根据船舶数据集，并采用最大似然法对对数回归模型进行求解，得到第二初始对数回归方程。
需要说明的是，可以采用本领域任意一种技术手段对第一初始回归方程和第二初始回归方程进行拟合检验。在一个具体示例中，可以通过F减压评价各个第一初始回归方程在设定精度下的拟合效果。拟合结果包括在预设显著水平下的最高精度。可以采用本领域任意一种技术手段根据该拟合结果调整第一初始回归方程的精度和第二初始回归方程的精度。需要说明的是，每一个拟合结果均对应有一个初始回归方程，根据拟合结果，调整对应的初始回归方程的精度，最终得到第一目标线性回归方程、第一目标多项式回归方程、第一目标指数回归方程、第一目标对数回归方程、第二目标线性回归方程、第二目标多项式回归方程、第二目标指数回归方程、第二目标对数回归方程。
S140，获取第一目标回归方程的第一预测误差和第二目标回归方程的第二预测误差；并根据第一预测误差和第二预测误差，采用第一目标回归方程或第二目标回归方程，确认并输出故障预测结果。
具体的，可以通过本领域任意一种技术手段获取第一目标回归方程的第一预测误差以及第二目标回归方程的第二预测误差。例如可以根据实测数据建立一个样本集，从而将第一目标回归方程的预测结果与实测数据进行比较，得到第一预测误差，将第二目标回归方程的预测结果与实测数据进行比较，得到第二预测误差。进一步的，第一预测误差也可以是平均误差，可以由多个预测结果与对应的实测数据的差值做平均得到。第二预测误差也可以为平均误差，可以由多个预测结果与对应的实测数据的差值做平均得到。
在得到第一预测误差和第二预测误差之后，可以采用误差值最小的目标回归方程确认故障预测结果。需要说明的是，第一预测误差可以包括第一目标线性回归方程的预测误差、第一目标多项式回归方程的预测误差、第一目标指数回归方程的预测误差、第一目标对数回归方程的预测误差。第二预测误差可以包括第二目标线性回归方程的预测误差、第二目标多项式回归方程的预测误差、第二目标指数回归方程的预测误差、第二目标对数回归方程的预测误差。
上述船舶故障预测方法，筛选出一个存在耦合性的性能参数，通过降维处理降低数据处理量。根据筛选出的性能参数建立船舶数据集，并构建多种回归模型，从而得到第一初始回归方程和第二初始回归方程。对第一初始回归方程和第二初始回归方程进行拟合检验，并根据拟合检验的结果分别调整第一初始回归方程的精度和第二初始回归方程的精度，得到第一目标回归方程和第二目标回归方程。基于第一目标回归方程的第一预测误差和第二目标回归方程的第二预测误差，采用第一目标回归方程或第二目标回归方程，确认并输出故障预测结果。通过上述方法进行船舶故障预测，能准确识别故障的前提下保证较小的计算量，运行效率高。
在其中一个实施例中，根据性能参数，构建船舶数据集的步骤包括：
对性能参数进行预处理，并根据预处理后的数据生成船舶数据集。
具体的，可以采用本领域任意一种预处理手段对性能参数进行预处理。通过对性能参数进行预处理，可以使得数据更加真实可靠，提高了预测准确性。
在其中一个实施例中，如图2所示，对性能参数进行预处理的步骤包括：
S210，对性能参数中存在数据缺失的部分进行差值填补处理；
S220，对性能参数的奇异值依次进行识别处理、删除处理和修补处理；和/或
S230，识别性能参数中的噪声数据，并对噪声数据进行降噪处理。
具体的，性能参数包括各时间点对应的气缸排气温度。需要对每一个时间点对应的气缸排气温度进行一一预处理。对传感器采样频率不一致等问题导致的部分数据缺失进行插值填补，对偶然出现的奇异值进行识别、删除和修补，对受噪声影响较大的数据进行降噪处理。其目的主要是去除数据中客观因素导致的干扰，提高数据质量。需要说明的是，上述预处理的手段可以应用一种或多种，具体视性能参数本身存在的问题而定。
在其中一个实施例中，如图3所示，还包括步骤：
S310，采用预设测试数据集对第一初始回归方程进行F检验，并获取预设显著水平对应的第一最高精度；
其中，预设测试数据集为用于对各种初始回归方程进行检验的实测数据集。
具体的，可以采用本领域任意手段获取到预设显著水平对应的第一最高精度。
S320，根据第一最高精度调整第一初始回归方程的精度，得到第一目标回归方程；
具体而言，将第一初始回归方程的精度依次从高精度到低精度进行设置，并进行F检验，得到的显著水平。通过给定预设显著水平，若不能通过检验，则重新设定精度直至通过检验为止。
S330，采用预设测试数据集对第二初始回归方程进行F检验，并获取预设显著水平对应的第二最高精度；
具体的，可以采用本领域任意手段获取到预设显著水平对应的第一最高精度。
S340，根据第二最高精度调整第二初始回归方程的精度，得到第二目标回归方程。
具体而言，将第二初始回归方程的精度依次从高精度到低精度进行设置，并进行F检验，得到的显著水平。通过给定预设显著水平，若不能通过检验，则重新设定精度直至通过检验为止。
在其中一个实施例中，如图4所示，获取第一目标回归方程的第一预测误差的步骤包括：
S410，采用第一目标回归方程获取未来时间点的第一预测参数值；
具体的，采用第一目标回归方程获取未来时间点的第一预测参数值。未来时间点的数量可以为多个。在一个具体示例中，第一预测参数值可以为气缸排气温度值。
S420，采集未来时间点的实际值，并根据第一预测参数值和实际值，得到第一预测误差；
具体的，可以通过本领域任意手段采集未来时间点的实际值，在第一预测参数值为气缸排气温度值的情况下，第一预测误差可以为多个预测温度值与实际温度值的平均误差。
如图5所示，获取第二目标回归方程的第二预测误差的步骤包括：
S510，采用第二目标回归方程获取未来时间点的第二预测参数值；
具体的，采用第二目标回归方程获取未来时间点的第二预测参数值。未来时间点的数量可以为多个。在一个具体示例中，第二预测参数值可以为气缸排气温度值。
S520，根据第二预测参数值和实际值，得到第二预测误差。
具体的，可以通过本领域任意手段采集未来时间点的实际值，在第二预测参数值为气缸排气温度值的情况下，第二预测误差可以为多个第二预测温度值与实际温度值的平均误差。
在其中一个实施例中，故障预测结果包括未来故障时间点；
其中，未来故障时间点为发生故障的时间点。
如图6所示，确认故障预测结果的步骤包括：
S610，根据第一预测误差和第二预测误差，将误差值最小的目标回归方程确认为故障预测模型；
具体的，可以采用第一预测误差和第二预测误差中误差值最小的目标回归方程作为故障预测模型。
S620，采用故障预测模型获取各未来时间点对应的参数值；
具体而言，在确认了故障预测模型之后，即可采用故障预测模型进行预测。
S630，将大于设定值的参数值对应的时间点，确认为未来故障时间点并输出。
具体的，大于设定值的参数值为故障数值，而故障数值对应的时间点即为未来故障点。输出未来故障时间点，从而实现船舶故障预测。
应该理解的是，虽然图1-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种船舶故障预测装置，包括：
接收模块，用于接收船舶数据，并在船舶数据中筛选出与发动机故障存在耦合性的性能参数；
构建模块，用于根据性能参数，构建船舶数据集；
检验模块，用于对第一初始回归方程和第二初始回归方程进行拟合检验，并根据拟合检验的结果分别调整第一初始回归方程的精度和第二初始回归方程的精度，得到第一目标回归方程和第二目标回归方程；其中，第一初始回归方程为采用船舶数据集和最小二乘法对各回归模型处理得到；第二初始回归方程为采用船舶数据集和最大似然法对各回归模型处理得到；
故障预测模块，用于获取第一目标回归方程的第一预测误差和第二目标回归方程的第二预测误差；并根据第一预测误差和第二预测误差，采用第一目标回归方程或第二目标回归方程，确认并输出故障预测结果；故障预测结果包括未来故障时间点。
在其中一个实施例中，还包括：
第一F检验模块，用于采用预设测试数据集对第一初始回归方程进行F检验，并获取预设显著水平对应的第一最高精度；
第一目标回归方程获取模块，用于根据第一最高精度调整第一初始回归方程的精度，得到第一目标回归方程；
第二F检验模块，用于采用预设测试数据集对第二初始回归方程进行F检验，并获取预设显著水平对应的第二最高精度；
第二目标回归方程获取模块，用于根据第二最高精度调整第二初始回归方程的精度，得到第二目标回归方程。
在其中一个实施例中，构建模块，还用于对性能参数进行预处理，并根据预处理后的数据生成船舶数据集。
关于船舶故障预测装置的具体限定可以参见上文中对于船舶故障预测方法的限定，在此不再赘述。上述船舶故障预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储船舶数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种船舶故障预测方法。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
接收船舶数据，并在船舶数据中筛选出与发动机故障存在耦合性的性能参数；
根据性能参数，构建船舶数据集；
对第一初始回归方程和第二初始回归方程进行拟合检验，并根据拟合检验的结果分别调整第一初始回归方程的精度和第二初始回归方程的精度，得到第一目标回归方程和第二目标回归方程；其中，第一初始回归方程为采用船舶数据集和最小二乘法对各回归模型处理得到；第二初始回归方程为采用船舶数据集和最大似然法对各回归模型处理得到；
获取第一目标回归方程的第一预测误差和第二目标回归方程的第二预测误差；并根据第一预测误差和第二预测误差，采用第一目标回归方程或第二目标回归方程，确认并输出故障预测结果。
在一个实施例中，处理器执行根据性能参数，构建船舶数据集的步骤时还实现以下步骤：
对性能参数进行预处理，并根据预处理后的数据生成船舶数据集。
在一个实施例中，处理器执行对性能参数进行预处理的步骤时还实现以下步骤：
对性能参数中存在数据缺失的部分进行差值填补处理；
对性能参数的奇异值依次进行识别处理、删除处理和修补处理；和/或
识别性能参数中的噪声数据，并对噪声数据进行降噪处理。
在一个实施例中，处理器执行计算机程序时实现以下步骤：
采用预设测试数据集对第一初始回归方程进行F检验，并获取预设显著水平对应的第一最高精度；
根据第一最高精度调整第一初始回归方程的精度，得到第一目标回归方程；
采用预设测试数据集对第二初始回归方程进行F检验，并获取预设显著水平对应的第二最高精度；
根据第二最高精度调整第二初始回归方程的精度，得到第二目标回归方程。
在一个实施例中，处理器执行获取第一目标回归方程的第一预测误差的步骤时实现以下步骤：
采用第一目标回归方程获取未来时间点的预测参数值；
采集未来时间点的实际值，并根据预测参数值和实际值，得到第一预测误差；
在一个实施例中，处理器执行获取第二目标回归方程的第二预测误差的步骤时实现以下步骤：
采用第二目标回归方程获取未来时间点的预测参数值；
采集未来时间点的实际值，并根据预测参数值和实际值，得到第二预测误差。
在一个实施例中，处理器执行确认故障预测结果的步骤时实现以下步骤：
根据第一预测误差和第二预测误差，将误差值最小的目标回归方程确认为故障预测模型；
采用故障预测模型获取各未来时间点对应的参数值；
将大于设定值的参数值对应的时间点，确认为未来故障时间点并输出。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
接收船舶数据，并在船舶数据中筛选出与发动机故障存在耦合性的性能参数；
根据性能参数，构建船舶数据集；
对第一初始回归方程和第二初始回归方程进行拟合检验，并根据拟合检验的结果分别调整第一初始回归方程的精度和第二初始回归方程的精度，得到第一目标回归方程和第二目标回归方程；其中，第一初始回归方程为采用船舶数据集和最小二乘法对各回归模型处理得到；第二初始回归方程为采用船舶数据集和最大似然法对各回归模型处理得到；
获取第一目标回归方程的第一预测误差和第二目标回归方程的第二预测误差；并根据第一预测误差和第二预测误差，采用第一目标回归方程或第二目标回归方程，确认并输出故障预测结果。
在一个实施例中，根据性能参数，构建船舶数据集的步骤被处理器执行时还实现以下步骤：
对性能参数进行预处理，并根据预处理后的数据生成船舶数据集。
在一个实施例中，对性能参数进行预处理的步骤被处理器执行时还实现以下步骤：
对性能参数中存在数据缺失的部分进行差值填补处理；
对性能参数的奇异值依次进行识别处理、删除处理和修补处理；和/或
识别性能参数中的噪声数据，并对噪声数据进行降噪处理。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
采用预设测试数据集对第一初始回归方程进行F检验，并获取预设显著水平对应的第一最高精度；
根据第一最高精度调整第一初始回归方程的精度，得到第一目标回归方程；
采用预设测试数据集对第二初始回归方程进行F检验，并获取预设显著水平对应的第二最高精度；
根据第二最高精度调整第二初始回归方程的精度，得到第二目标回归方程。
在一个实施例中，获取第一目标回归方程的第一预测误差的步骤被处理器执行时还实现以下步骤：
采用第一目标回归方程获取未来时间点的预测参数值；
采集未来时间点的实际值，并根据预测参数值和实际值，得到第一预测误差；
在一个实施例中，获取第二目标回归方程的第二预测误差的步骤被处理器执行时还实现以下步骤：
采用第二目标回归方程获取未来时间点的预测参数值；
采集未来时间点的实际值，并根据预测参数值和实际值，得到第二预测误差。
在一个实施例中，确认故障预测结果的步骤被处理器执行时还实现以下步骤：
根据第一预测误差和第二预测误差，将误差值最小的目标回归方程确认为故障预测模型；
采用故障预测模型获取各未来时间点对应的参数值；
将大于设定值的参数值对应的时间点，确认为未来故障时间点并输出。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线式动态随机存储器(Rambus DRAM，简称RDRAM)、以及接口动态随机存储器(DRDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种船舶故障预测方法，其特征在于，包括步骤：
接收船舶数据，并在所述船舶数据中筛选出与发动机故障存在耦合性的性能参数；
根据所述性能参数，构建船舶数据集；
对第一初始回归方程和第二初始回归方程进行拟合检验，并根据所述拟合检验的结果分别调整所述第一初始回归方程的精度和所述第二初始回归方程的精度，得到第一目标回归方程和第二目标回归方程；其中，所述第一初始回归方程为采用所述船舶数据集和最小二乘法对各回归模型处理得到；所述第二初始回归方程为采用所述船舶数据集和最大似然法对各所述回归模型处理得到；
获取所述第一目标回归方程的第一预测误差和所述第二目标回归方程的第二预测误差；并根据所述第一预测误差和所述第二预测误差，采用所述第一目标回归方程或所述第二目标回归方程，确认并输出故障预测结果。
2.根据权利要求1所述的船舶故障预测方法，其特征在于，根据所述性能参数，构建船舶数据集的步骤包括：
对所述性能参数进行预处理，并根据预处理后的数据生成所述船舶数据集。
3.根据权利要求2所述的船舶故障预测方法，其特征在于，对所述性能参数进行预处理的步骤包括：
对所述性能参数中存在数据缺失的部分进行差值填补处理；
对所述性能参数的奇异值依次进行识别处理、删除处理和修补处理；和/或
识别所述性能参数中的噪声数据，并对所述噪声数据进行降噪处理。
4.根据权利要求1所述的船舶故障预测方法，其特征在于，还包括步骤：
采用预设测试数据集对所述第一初始回归方程进行F检验，并获取预设显著水平对应的第一最高精度；
根据所述第一最高精度调整所述第一初始回归方程的精度，得到所述第一目标回归方程；
采用所述预设测试数据集对所述第二初始回归方程进行F检验，并获取所述预设显著水平对应的第二最高精度；
根据所述第二最高精度调整所述第二初始回归方程的精度，得到所述第二目标回归方程。
5.根据权利要求1所述的船舶故障预测方法，其特征在于，获取所述第一目标回归方程的第一预测误差的步骤包括：
采用所述第一目标回归方程获取未来时间点的第一预测参数值；
采集所述未来时间点的实际值，并根据所述第一预测参数值和所述实际值，得到所述第一预测误差；
获取所述第二目标回归方程的第二预测误差的步骤包括：
采用所述第二目标回归方程获取未来时间点的第二预测参数值；
根据所述第二预测参数值和所述实际值，得到所述第二预测误差。
6.根据权利要求1所述的船舶故障预测方法，其特征在于，所述故障预测结果包括未来故障时间点；
确认故障预测结果的步骤包括：
根据所述第一预测误差和所述第二预测误差，将误差值最小的目标回归方程确认为故障预测模型；
采用所述故障预测模型获取各未来时间点对应的参数值；
将大于设定值的所述参数值对应的时间点，确认为所述未来故障时间点并输出。
7.一种船舶故障预测装置，其特征在于，包括：
接收模块，用于接收船舶数据，并在所述船舶数据中筛选出与发动机故障存在耦合性的性能参数；
构建模块，用于根据所述性能参数，构建船舶数据集；
检验模块，用于对第一初始回归方程和第二初始回归方程进行拟合检验，并根据所述拟合检验的结果分别调整所述第一初始回归方程的精度和所述第二初始回归方程的精度，得到第一目标回归方程和第二目标回归方程；其中，所述第一初始回归方程为采用所述船舶数据集和最小二乘法对各回归模型处理得到；所述第二初始回归方程为采用所述船舶数据集和最大似然法对各所述回归模型处理得到；
故障预测模块，用于获取所述第一目标回归方程的第一预测误差和所述第二目标回归方程的第二预测误差；并根据所述第一预测误差和所述第二预测误差，采用所述第一目标回归方程或所述第二目标回归方程，确认并输出故障预测结果；所述故障预测结果包括未来故障时间点。
8.根据权利要求7所述的船舶故障预测装置，其特征在于，还包括：
第一F检验模块，用于采用预设测试数据集对所述第一初始回归方程进行F检验，并获取预设显著水平对应的第一最高精度；
第一目标回归方程获取模块，用于根据所述第一最高精度调整所述第一初始回归方程的精度，得到所述第一目标回归方程；
第二F检验模块，用于采用所述预设测试数据集对所述第二初始回归方程进行F检验，并获取所述预设显著水平对应的第二最高精度；
第二目标回归方程获取模块，用于根据所述第二最高精度调整所述第二初始回归方程的精度，得到所述第二目标回归方程。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110012566.6A CN112632711B (zh) | 2021-01-06 | 2021-01-06 | 船舶故障预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110012566.6A CN112632711B (zh) | 2021-01-06 | 2021-01-06 | 船舶故障预测方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112632711A true CN112632711A (zh) | 2021-04-09 |
| CN112632711B CN112632711B (zh) | 2024-01-30 |
Family
ID=75290781
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110012566.6A Active CN112632711B (zh) | 2021-01-06 | 2021-01-06 | 船舶故障预测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112632711B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115979509A (zh) * | 2022-12-13 | 2023-04-18 | 国家石油天然气管网集团有限公司 | 一种压力变送器故障检测方法、装置及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103743563A (zh) * | 2013-08-13 | 2014-04-23 | 华北电力大学（保定） | 一种基于温度数据的风机齿轮箱子空间故障预测方法 |
| 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 |
| JP2018173793A (ja) * | 2017-03-31 | 2018-11-08 | 富士通株式会社 | 情報処理装置、情報処理方法、およびプログラム |
| CN110044586A (zh) * | 2019-03-13 | 2019-07-23 | 中交广州航道局有限公司 | 船机设备故障判定方法、装置、系统和存储介质 |
| CN110081927A (zh) * | 2019-03-13 | 2019-08-02 | 中交广州航道局有限公司 | 船机设备故障预测方法、装置、系统和存储介质 |
| CN110209999A (zh) * | 2018-02-28 | 2019-09-06 | 广州地铁集团有限公司 | 一种车载设备故障趋势预测方法 |
| CN110457786A (zh) * | 2019-05-06 | 2019-11-15 | 浙江工业大学 | 基于深度置信网络的卸船机关联规则故障预测模型方法 |
| CN112179655A (zh) * | 2020-08-17 | 2021-01-05 | 中国农业大学 | 一种基于阈值分级的汽轮发电机故障预警方法 |
-
2021
- 2021-01-06 CN CN202110012566.6A patent/CN112632711B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103743563A (zh) * | 2013-08-13 | 2014-04-23 | 华北电力大学（保定） | 一种基于温度数据的风机齿轮箱子空间故障预测方法 |
| JP2018173793A (ja) * | 2017-03-31 | 2018-11-08 | 富士通株式会社 | 情報処理装置、情報処理方法、およびプログラム |
| CN110209999A (zh) * | 2018-02-28 | 2019-09-06 | 广州地铁集团有限公司 | 一种车载设备故障趋势预测方法 |
| 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 |
| CN110044586A (zh) * | 2019-03-13 | 2019-07-23 | 中交广州航道局有限公司 | 船机设备故障判定方法、装置、系统和存储介质 |
| CN110081927A (zh) * | 2019-03-13 | 2019-08-02 | 中交广州航道局有限公司 | 船机设备故障预测方法、装置、系统和存储介质 |
| CN110457786A (zh) * | 2019-05-06 | 2019-11-15 | 浙江工业大学 | 基于深度置信网络的卸船机关联规则故障预测模型方法 |
| CN112179655A (zh) * | 2020-08-17 | 2021-01-05 | 中国农业大学 | 一种基于阈值分级的汽轮发电机故障预警方法 |
Non-Patent Citations (1)
| Title |
|---|
| 邓力;范庚;刘治学;: "基于回归分析方法的网络故障预测", 计算机工程, no. 20, pages 251 - 255 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115979509A (zh) * | 2022-12-13 | 2023-04-18 | 国家石油天然气管网集团有限公司 | 一种压力变送器故障检测方法、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112632711B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7499842B2 (en) | Process model based virtual sensor and method | |
| CN111210024A (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
| US7542879B2 (en) | Virtual sensor based control system and method | |
| US20070203864A1 (en) | Process model error correction method and system | |
| CN109086876B (zh) | 设备的运行状态检测方法、装置、计算机设备和存储介质 | |
| CN109948276B (zh) | 失效分析方法、装置、设备和存储介质 | |
| CN110391840B (zh) | 太阳同步轨道卫星遥测参数异常判断方法和系统 | |
| CN115656673A (zh) | 变压器数据的处理及装置、设备存储介质 | |
| CN111325159A (zh) | 故障诊断方法、装置、计算机设备和存储介质 | |
| CN115310562B (zh) | 一种适用于极端状态的储能设备的故障预测模型生成方法 | |
| CN111104644A (zh) | 可靠性评估方法、装置、计算机设备和存储介质 | |
| CN112771462A (zh) | 劣化检测系统 | |
| CN112632711B (zh) | 船舶故障预测方法、装置、计算机设备和存储介质 | |
| CN108471114B (zh) | 输电线路状态评价方法、装置、计算机设备及存储介质 | |
| CN110866682B (zh) | 基于历史数据的地下电缆预警方法和装置 | |
| CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
| CN116994641A (zh) | 一种半导体老化测试方法及其系统 | |
| CN109542782B (zh) | 基于机器学习的nfc测试方法、装置和计算机设备 | |
| CN110553678A (zh) | 多传感器系统检测方法、装置、计算机设备和存储介质 | |
| CN110865939B (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
| CN112866234B (zh) | 一种网络攻击溯源方法、装置和系统 | |
| CN114219035A (zh) | 一种多传感器的数据融合方法及装置 | |
| CN114117340A (zh) | 一种发动机装配检测方法、装置、存储介质和电子设备 | |
| CN111210105A (zh) | 连续工作性能验证、装置、计算机设备和存储介质 | |
| CN117478394B (zh) | 一种基于数字孪生的网络安全分析方法、系统、计算机设备及计算机可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |