CN113033011B - 一种船舶机械健康状态评估方法及系统 - Google Patents

Abstract

本发明提供一种船舶机械健康状态评估方法及系统。本发明系统，包括初始化信息配置模块、数据预处理模块、子模型健康值计算模块、节点综合健康值计算模块、健康值预测模块、辅助决策模块、数据库模块、初始化信息配置模块、动态阈值计算模块；在实船应用前进行初始化信息配置，包括数据的通道值信号以及各个模块的配置等；实时采集船舶机舱数据并对其进行预处理及存储；然后提取相关数据进行子模型健康值计算并存储；再提取相应的子模型计算结果计算节点综合健康值；根据节点的历史健康值对未来的发展趋势进行预测，如果预测有故障会发生，则会自动触发辅助决策模块，给轮机员以警示与维保建议，避免重大故障的发生。

Description

一种船舶机械健康状态评估方法及系统

技术领域

本发明涉及船舶机械健康状态监控技术领域，具体而言，尤其涉及一种船舶机械健康状态评估方法及系统。

背景技术

在“工业4.0”以及“中国制造2025”的时代背景之下，智能船舶、无人船舶成为当今造船业和船舶营运业发展的重点。机舱智能化作为船舶智能化的核心内容，其中船舶动力装置的重要系统及设备的健康状态评估和剩余寿命预测技术研究，能通过对设备运行信息的分析研究，合理安排机舱设备的维护保养，及早发现设备潜在失效因素，自动进行故障查找乃至故障排除，是新时代技术发展的要求和社会需求，是航运安全管理的关键环节。

现如今船用的机舱集中监控报警系统是通过实时采集并监视机舱系统设备的温度、压力等热力参数，并在系统中对每个热力参数均设置报警阈值，当超过该报警阈值后，发生参数报警。但这种报警方式是单一的，仅是针对某一个系统或设备的某一个信号报警，并不能完全评价整个系统或者设备的运行状态。因而，需要从多维分析的角度对系统及设备进行健康状态评估，进而指导轮机员对机舱系统设备进行准确的维护保养工作。

发明内容

根据上述提出的技术问题，而提供一种船舶机械健康状态评估方法和系统。本发明构建了一套全新的从参数感知到得出评估结果的全部过程，并根据评估结果给出较为准确的维护保养建议，适用于实船应用。

本发明采用的技术手段如下：

一种船舶机械健康状态评估方法，包括以下步骤：

S1、初始化设置：采用初始化信息配置模块对实船数据进行初始化设置；

S2、数据预处理：采用数据预处理模块对船舶机舱实时采集的数据进行预处理，将预处理后的数据存储到数据库中；

S3、计算子模型健康值：子模型健康值计算模块对预处理后的各项实时数据进行单开线程实时计算，得到实时的子模型健康值的计算结果，将其存储到数据库的子模型健康值表格中；

S4、计算实船机舱整个节点的综合健康值：节点综合健康值计算模块将每个节点下的一个或多个计算子模型健康值的模型采用权重法、木桶原理法、均值法进行融合计算，得到对应节点的健康值，并将其存储到数据库的综合健康值表格中；

S5、趋势预测：健康值预测模块根据上述计算得到的对应节点健康值的历史值进行健康值的趋势预测，得到预测值，并将其存储到数据库的预测值表格中；

S6、辅助决策：辅助决策模块定时提取综合健康值表格和预测值结果表格的数值，若数值小于设定值，辅助决策模块将自动诊断并预测出即将出现的故障，并提前给出预警措施和建议；

S7、阈值的动态自适应调整：根据环境及柴油机负荷变化，动态阈值计算模块对实船参数的阈值进行动态调整。

进一步地，所述预处理包括：

S21、采用拉依达方法对数据中的奇异值进行剔除；

S22、采用均值法对剔除后的数据进行填补，还原数据的真实性，存储到数据库中；

S23、对存储的数据进行二次处理，计算其小时均值和日均值。

进一步地，所述步骤S3中计算子模块健康值的具体过程如下：

S31、首先选取表征设备或系统健康状态的性能参数x，并查阅船舶设备说明书找到性能参数x的基线值D_opt，极大值D_emax和极小值D_emin；

S32、采用线性法，通过两组实数对(Dopt，100)和(Demax，60)/(Demin，60)确定健康值y随性能参数x变化的曲线，y＝kx+b，将上述两点代入方程计算出k和b的值，得到健康值随采集实时参数变化的数学表达式，即得到子模块健康值。

进一步地，所述步骤S4中计算实船机舱整个节点的综合健康值的具体过程如下：

采用均值法，将该节点所有所述子模块的健康值取平均值，或

采用木桶原理，将该节点所有所述子模块的健康值取最小值。

进一步地，所述步骤S4中计算实船机舱整个节点的综合健康值的具体过程还包括：

采用权重法，将该节点所有所述子模块分别赋予权重w，得到该节点所有所述子模块的健康值如下：

y＝y₁*w₁+y₂*w₂+…+y_n*w_n

w₁+w₂+…+w_n＝1。

进一步地，所述步骤S5中趋势预测的具体过程如下：

S51、采用时间序列预测法，时间序列模型的具体表达式如下：

其中，

为模型系数，p,q为模型的阶数；

S52、采集一段时间内设备或系统正常运行期间有上升或下降趋势的状态参数序列{x_i}(i＝1,2…n)；

S53、根据公式Δx_t＝x_t-x_t-1对数据进行一阶差分处理，得到平稳序列；

S54、根据以下公式计算自相关系数ρ_k与偏自相关系数

/>

其中，

根据相关系数和偏相关系数的拖尾性或截尾性来选择时间序列模型；

S55、选用yule-walker逆矩阵法求解模型参数

采用BIC、AIC准则确定模型阶数p,q；

S56、模型验证，检查模型残差是否满足期望为0、方差为常数的条件，若满足，则通过验证，若不满足，则返回步骤S53对数据重新进行一阶差分；

S57、将状态参数的历史数据作为模型的训练数据，对未来数据的发展变化趋势进行预测。

进一步地，所述步骤S7中阈值的动态自适应调整的具体过程如下：

S71、采用优化的回归支持向量机、相关向量机等预测模型，确定核函数和超参数；

S72、采用测试集样本对支持向量机预测模型进行预测和验证，对船舶系统设备的常规状态特征参数进行建模；

S73、对建模残差进行正态转化，并结合滑动时间窗来构建自适应阈值模型，具体如下：

获取一组船舶系统设备历史监测数据{x_i}(i＝1,2…n)并求取最大值x_max、最小值x_min，根据公式

作归一化处理；

计算核函数K，K(x_i,x_j)＝exp{{-||x_i-x_j||²/(2σ²)}(i,j＝1,2…n)；

采用支持向量机、相关向量机模型对训练集进行训练与验证，并将实时测试数据和支持向量机训练的模拟数据作差后得到残差，再对残差数据进行正态转化；

选择Johnson分布体系中的公式

h＝γ+η·ln(X-ε)，

计算自适应阈值；

模拟队列尾插法，利用实时监测数据不断更新模型训练样本和预测样本，即实现阈值连续计算。

本发明还提供了一种船舶机械健康状态评估系统，包括：初始化信息配置模块、数据预处理模块、子模型健康值计算模块、节点综合健康值计算模块、健康值预测模块、辅助决策模块、数据库模块、初始化信息配置模块、动态阈值计算模块；

所述数据库模块包括用于存储运算处理过程中的中间数据及结果，包括用于存储子模型健康值的表格、用于存储综合健康值的表格以及用于存储预测值的表格；

所述初始化信息配置模块用于对实船数据进行初始化设置；

所述数据预处理模块用于对船舶机舱实时采集的数据进行预处理，预处理后的数据存储到数据库中；

所述子模型健康值计算模块用于对预处理后的各项实时数据进行单开线程实时计算，得到实时的子模型健康值的计算结果，将其存储到数据库的子模型健康值表格中；每个节点下配置一个或多个所述子模型健康值计算模块；

所述节点综合健康值计算模块用于将每个节点下的一个或多个计算子模型健康值的模型采用权重法、木桶原理法、均值法进行融合计算，得到对应节点的健康值，并将其存储到数据库的综合健康值表格中；

所述健康值预测模块用于根据上述计算得到的对应节点健康值的历史值进行健康值的趋势预测，得到预测值，并将其存储到数据库的预测值表格中；

所述辅助决策模块用于定时提取综合健康值表格和预测值结果表格的数值，将自动诊断并预测出即将出现的故障，并提前给出预警措施和建议；

所述动态阈值计算模块用于根据环境及柴油机负荷变化，对参数的阈值进行动态调整。

进一步地，所述阈值包括基线值及极限值。

较现有技术相比，本发明具有以下优点：

1、本发明提供的船舶机械健康状态评估方法，首先在实船应用前进行初始化信息配置，通过实时采集船舶机舱数据，对其进行预处理及存储；然后提取相关数据进行子模型健康值计算并存储；再提取相应的子模型计算结果计算节点综合健康值；还能根据节点的历史健康值对未来的发展趋势进行预测，如果预测有故障会发生，则会自动触发辅助决策模块，给轮机员以警示与维保建议，避免重大故障的发生。本发明方法构架思路清晰，实施过程简单可靠，易于实船应用。

2、本发明提供的船舶机械健康状态评估系统，采用模块化架构，每个计算模块都可以添加新的计算方法。例如：计算子模块健康值的方法可以随时修改或添加新的计算方法来计算子模块健康值，动态阈值调整方法也可以修改与添加，辅助决策知识库里的专家知识也可以不断的更新和完善。其专家知识库较为全面，可供轮机员自行在线进行学习，方便提升轮机员的专业技能。

3、本发明提供的船舶机械健康状态评估系统，可以提前预警各系统设备的健康状态，并给轮机员提供较为准确的维护保养措施，大大降低轮机员的工作强度，提高工作效率。

基于上述理由本发明可在船舶机械健康状态监控等领域广泛推广。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明方法流程框图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当清楚，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员己知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任向具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

在本发明的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制：方位词“内、外”是指相对于各部件本身的轮廓的内外。

为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其位器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。

此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本发明保护范围的限制。

健康状态评估，亦可称作健康评估、状态评估等。依靠先进的监测手段，结合可靠有效的评估方法，采取积极主动的措施监视系统设备的健康状态，得到系统设备当前的状态并能够预测系统设备将来的状态。健康状态评估的目的是根据健康状态的评估值，对设备的老化程度进行监视，并能对可能发生的故障提出预警，同时能够提供相关的决策支持(维修方案)，保证设备安全可靠的运行。具体的：

如图1所示，本发明提供了一种船舶机械健康状态评估方法，包括以下步骤：

S1、初始化设置：采用初始化信息配置模块对实船数据进行初始化设置；具体的，将用于机舱系统设备健康评估的参数、阈值、子模型健康值计算模块、节点综合健康值计算模块、健康值预测模块、辅助决策模块在系统正式投入使用之前配置完毕，并可在运行一段时间后进行调整；

S2、数据预处理：采用数据预处理模块对船舶机舱实时采集的数据(包括：温度、压力、振动信号等)进行预处理，将预处理后的数据存储到数据库中，等待后续调用。

具体实施时，作为本发明优选的实施方式，所述预处理包括：

S21、采用拉依达方法对数据中的奇异值进行剔除；具体是指先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除。使用原理具体如下：设对被测量进行等精度测量，独立得到Y₁,Y₂,…Y_n，算出其算术平均值y及剩余误差v_i＝y_i-y(i＝1,2,3…n)，并按贝塞尔公式算出标准误差σ，若某个测量值v_b的剩余误差v_b(1≤b≤n)，则认为v_b是含有粗大误差值的坏值，应予剔除。

S22、采用均值法对剔除后的数据进行填补，还原数据的真实性，存储到数据库中；具体步骤如下：数据的属性分为定距型和非定距型，如果缺失值是定距型的，就以该属性存在值的前后值的平均值来插补缺失的值；假设X＝(X₁,X₂…X_n)为信息完全的变量，假设X_i为X_i+1和X_i-1之间的存在缺失值的变量。则缺失的值就为(X_i+1+X_i-1)/2来补齐；如果缺失值是非定距型的，就根据统计学中的众数原理，用该属性的众数(即出现频率最高的值)来补齐缺失的值。

S23、对存储的数据进行二次处理，计算其小时均值和日均值。小时均值指对1个小时内得到的实时数据进行平均值计算，得到的就是小时均值；日均值指对24个小时内得到的实时数据进行平均值计算，得到的就是日均值。

S3、计算子模型健康值：子模型健康值计算模块对预处理后的各项实时数据进行单开线程实时计算，得到实时的子模型健康值的计算结果，将其存储到数据库的子模型健康值表格中；

进一步地，作为本发明优选的实施方式，所述步骤S3中计算子模块健康值的具体过程如下：

S31、首先选取表征设备或系统健康状态的性能参数x，并查阅船舶设备说明书找到性能参数x的基线值D_opt，极大值D_emax和极小值D_emin；

S32、采用线性法，通过两组实数对(Dopt，100)和(Demax，60)/(Demin，60)确定健康值y随性能参数x变化的曲线，y＝kx+b，将上述两点代入方程计算出k和b的值，得到健康值随采集实时参数变化的数学表达式，即得到子模块健康值。

具体实施时，作为本发明优选的实施方式，所述步骤S3中计算子模块健康值的具体过程还包括：

采用非线性法，通过两组实数对(Dopt，100)、(Demax，60)/(Demin，60)和中间一点给出分数依据的点确定健康值y随性能参数x变化的曲线，y＝a₀+a₁x+a₂x²，将上述三点带入到方程计算出系数a₀、a₁和a₂的数值，得到健康值随采集实时参数变化的数学表达式，即得到子模块健康值。

S4、计算实船机舱整个节点的综合健康值：节点综合健康值计算模块将每个节点下的一个或多个计算子模型健康值的模型采用权重法、木桶原理法、均值法进行融合计算，得到对应节点的健康值，并将其存储到数据库的综合健康值表格中；

具体实施时，作为本发明优选的实施方式，所述步骤S4中计算实船机舱整个节点的综合健康值的具体过程如下：

采用均值法，将该节点所有所述子模块的健康值取平均值，或

采用木桶原理，将该节点所有所述子模块的健康值取最小值。

具体实施时，作为本发明优选的实施方式，所述步骤S4中计算实船机舱整个节点的综合健康值的具体过程还包括：

采用权重法，将该节点所有所述子模块分别赋予权重w，得到该节点所有所述子模块的健康值如下：

y＝y₁*w₁+y₂*w₂+…+y_n*w_n

w₁+w₂+…+w_n＝1。

S5、趋势预测：健康值预测模块根据上述计算得到的对应节点健康值的历史值进行健康值的趋势预测，得到预测值，并将其存储到数据库的预测值表格中；

具体实施时，作为本发明优选的实施方式，所述步骤S5中趋势预测的具体过程如下：

S51、采用时间序列预测法，时间序列模型的具体表达式如下：

其中，

为模型系数，p,q为模型的阶数；

S52、采集一段时间内设备或系统正常运行期间有上升或下降趋势的状态参数序列{x_i}(i＝1,2…n)；

S53、根据公式Δx_t＝x_t-x_t-1对数据进行一阶差分处理，得到平稳序列；

S54、根据以下公式计算自相关系数ρ_k与偏自相关系数

/>

其中，

根据相关系数和偏相关系数的拖尾性或截尾性来选择时间序列模型；

S55、选用yule-walker逆矩阵法求解模型参数

采用BIC、AIC准则确定模型阶数p,q；

S56、模型验证，检查模型残差是否满足期望为0、方差为常数的条件，若满足，则通过验证，若不满足，则返回步骤S53对数据重新进行一阶差分；

S57、将状态参数的历史数据作为模型的训练数据，对未来数据的发展变化趋势进行预测。

S6、辅助决策：辅助决策模块定时提取综合健康值表格和预测值结果表格的数值，若数值小于设定值(70)，辅助决策模块将自动诊断并预测出即将出现的故障，并提前给出预警措施和建议；

S7、阈值的动态自适应调整：根据环境及柴油机负荷变化，动态阈值计算模块对实船参数的阈值进行动态调整。

具体实施时，作为本发明优选的实施方式，在正常运转过程中由于外界环境(风，浪，海水温度等)影响，对评估较为重要的参数的基线值和极限值会发生变化。动态阈值计算模块就会根据多项式拟合法以及大数据聚类分析法对基线值及极限值进行动态自动更改，以适应外界环境条件的变化，提高整个智能机舱系统运行的安全性和可靠性。所述步骤S7中阈值的动态自适应调整的具体过程如下：

S71、采用优化的回归支持向量机、相关向量机等预测模型，确定核函数和超参数；

S72、采用测试集样本对支持向量机预测模型进行预测和验证，对船舶系统设备的常规状态特征参数进行建模；

S73、对建模残差进行正态转化，并结合滑动时间窗来构建自适应阈值模型，具体如下：

获取一组船舶系统设备历史监测数据{x_i}(i＝1,2…n)并求取最大值x_max、最小值x_min，根据公式

作归一化处理；

计算核函数K，K(x_i,x_j)＝exp{{-||x_i-x_j||²/(2σ²)}(i,j＝1,2…n)；

采用支持向量机、相关向量机模型对训练集进行训练与验证，并将实时测试数据和支持向量机训练的模拟数据作差后得到残差，再对残差数据进行正态转化；

选择Johnson分布体系中的公式

h＝γ+η·ln(X-ε)，

计算自适应阈值；

模拟队列尾插法，利用实时监测数据不断更新模型训练样本和预测样本，即实现阈值连续计算。

本发明还提供了一种船舶机械健康状态评估系统，包括：初始化信息配置模块、数据预处理模块、子模型健康值计算模块、节点综合健康值计算模块、健康值预测模块、辅助决策模块、数据库模块、初始化信息配置模块、动态阈值计算模块；

所述数据库模块包括用于存储运算处理过程中的中间数据及结果，包括用于存储子模型健康值的表格、用于存储综合健康值的表格以及用于存储预测值的表格；

所述初始化信息配置模块用于对实船数据进行初始化设置；

所述数据预处理模块用于对船舶机舱实时采集的数据进行预处理，预处理后的数据存储到数据库中；

所述子模型健康值计算模块用于对预处理后的各项实时数据进行单开线程实时计算，得到实时的子模型健康值的计算结果，将其存储到数据库的子模型健康值表格中；每个节点下配置一个或多个所述子模型健康值计算模块；

所述节点综合健康值计算模块用于将每个节点下的一个或多个计算子模型健康值的模型采用权重法、木桶原理法、均值法进行融合计算，得到对应节点的健康值，并将其存储到数据库的综合健康值表格中；

所述健康值预测模块用于根据上述计算得到的对应节点健康值的历史值进行健康值的趋势预测，得到预测值，并将其存储到数据库的预测值表格中；

所述辅助决策模块用于定时提取综合健康值表格和预测值结果表格的数值，将自动诊断并预测出即将出现的故障，并提前给出预警措施和建议；

所述动态阈值计算模块用于根据环境及柴油机负荷变化，对参数的阈值进行动态调整。

进一步地，作为本发明优选的实施方式，所述阈值包括基线值及极限值。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种船舶机械健康状态评估方法，其特征在于，包括以下步骤：

S1、初始化设置：采用初始化信息配置模块对实船数据进行初始化设置；

S2、数据预处理：采用数据预处理模块对船舶机舱实时采集的数据进行预处理，将预处理后的数据存储到数据库中；

S3、计算子模型健康值：子模型健康值计算模块对预处理后的各项实时数据进行单开线程实时计算，得到实时的子模型健康值的计算结果，将其存储到数据库的子模型健康值表格中；

S4、计算实船机舱整个节点的综合健康值：节点综合健康值计算模块将每个节点下的一个或多个计算子模型健康值的模型采用权重法、木桶原理法、均值法进行融合计算，得到对应节点的健康值，并将其存储到数据库的综合健康值表格中；

S5、趋势预测：健康值预测模块根据上述计算得到的对应节点健康值的历史值进行健康值的趋势预测，得到预测值，并将其存储到数据库的预测值表格中；

S6、辅助决策：辅助决策模块定时提取综合健康值表格和预测值结果表格的数值，若数值小于设定值，辅助决策模块将自动诊断并预测出即将出现的故障，并提前给出预警措施和建议；

S7、阈值的动态自适应调整：根据环境及柴油机负荷变化，动态阈值计算模块对实船参数的阈值进行动态调整。

2.根据权利要求1所述的船舶机械健康状态评估方法，其特征在于，所述预处理包括：

S21、采用拉依达方法对数据中的奇异值进行剔除；

S22、采用均值法对剔除后的数据进行填补，还原数据的真实性，存储到数据库中；

S23、对存储的数据进行二次处理，计算其小时均值和日均值。

3.根据权利要求1所述的船舶机械健康状态评估方法，其特征在于，所述步骤S3中计算子模块健康值的具体过程如下：

S31、首先选取表征设备或系统健康状态的性能参数x，并查阅船舶设备说明书找到性能参数x的基线值D_opt，极大值D_emax和极小值D_emin；

S32、采用线性法，通过两组实数对(Dopt，100)和(Demax，60)/(Demin，60)确定健康值y随性能参数x变化的曲线，y＝kx+b，将上述两点代入方程计算出k和b的值，得到健康值随采集实时参数变化的数学表达式，即得到子模块健康值。

4.根据权利要求1所述的船舶机械健康状态评估方法，其特征在于，所述步骤S3中计算子模块健康值的具体过程还包括：

采用非线性法，通过两组实数对(Dopt，100)、(Demax，60)/(Demin，60)和中间一点给出分数依据的点确定健康值y随性能参数x变化的曲线，y＝a₀+a₁x+a₂x²，将上述三点带入到方程计算出系数a₀、a₁和a₂的数值，得到健康值随采集实时参数变化的数学表达式，即得到子模块健康值。

5.根据权利要求1所述的船舶机械健康状态评估方法，其特征在于，所述步骤S4中计算实船机舱整个节点的综合健康值的具体过程如下：

采用均值法，将该节点所有所述子模块的健康值取平均值，或

采用木桶原理，将该节点所有所述子模块的健康值取最小值。

6.根据权利要求5所述的船舶机械健康状态评估方法，其特征在于，所述步骤S4中计算实船机舱整个节点的综合健康值的具体过程还包括：

采用权重法，将该节点所有所述子模块分别赋予权重w，得到该节点所有所述子模块的健康值如下：

y＝y₁*w₁+y₂*w₂+…+y_n*w_n

w₁+w₂+…+w_n＝1。

7.根据权利要求1所述的船舶机械健康状态评估方法，其特征在于，所述步骤S5中趋势预测的具体过程如下：

S51、采用时间序列预测法，时间序列模型的具体表达式如下：

其中，

{θ₁，θ₂…θ_q}为模型系数，p,q为模型的阶数；

S52、采集一段时间内设备或系统正常运行期间有上升或下降趋势的状态参数序列{x_i}(i＝1,2…n)；

S53、根据公式Δx_t＝x_t-x_t-1对数据进行一阶差分处理，得到平稳序列；

S54、根据以下公式计算自相关系数ρ_k与偏自相关系数

其中，

根据相关系数和偏相关系数的拖尾性或截尾性来选择时间序列模型；

S55、选用yule-walker逆矩阵法求解模型参数

{θ₁，θ₂…θ_q}，采用BIC、AIC准则确定模型阶数p,q；

S56、模型验证，检查模型残差是否满足期望为0、方差为常数的条件，若满足，则通过验证，若不满足，则返回步骤S53对数据重新进行一阶差分；

S57、将状态参数的历史数据作为模型的训练数据，对未来数据的发展变化趋势进行预测。

8.根据权利要求1所述的船舶机械健康状态评估方法，其特征在于，所述步骤S7中阈值的动态自适应调整的具体过程如下：

S71、采用优化的回归支持向量机、相关向量机等预测模型，确定核函数和超参数；

S72、采用测试集样本对支持向量机预测模型进行预测和验证，对船舶系统设备的常规状态特征参数进行建模；

S73、对建模残差进行正态转化，并结合滑动时间窗来构建自适应阈值模型，具体如下：

获取一组船舶系统设备历史监测数据{x_i}(i＝1,2…n)并求取最大值x_max、最小值x_min，根据公式

作归一化处理；

计算核函数K，K(x_i,x_j)＝exp{{-||x_i-x_j||²/(2σ²)}(i,j＝1,2…n)；

采用支持向量机、相关向量机模型对训练集进行训练与验证，并将实时测试数据和支持向量机训练的模拟数据作差后得到残差，再对残差数据进行正态转化；

选择Johnson分布体系中的公式

h＝γ+η·ln(X-ε)，

计算自适应阈值；

模拟队列尾插法，利用实时监测数据不断更新模型训练样本和预测样本，即实现阈值连续计算。

9.一种实现权利要求1-8任意一项权利要求所述评估方法的船舶机械健康状态评估系统，其特征在于，包括：初始化信息配置模块、数据预处理模块、子模型健康值计算模块、节点综合健康值计算模块、健康值预测模块、辅助决策模块、数据库模块、初始化信息配置模块、动态阈值计算模块；

所述数据库模块包括用于存储运算处理过程中的中间数据及结果，包括用于存储子模型健康值的表格、用于存储综合健康值的表格以及用于存储预测值的表格；

所述初始化信息配置模块用于对实船数据进行初始化设置；

所述数据预处理模块用于对船舶机舱实时采集的数据进行预处理，预处理后的数据存储到数据库中；

所述子模型健康值计算模块用于对预处理后的各项实时数据进行单开线程实时计算，得到实时的子模型健康值的计算结果，将其存储到数据库的子模型健康值表格中；每个节点下配置一个或多个所述子模型健康值计算模块；

所述节点综合健康值计算模块用于将每个节点下的一个或多个计算子模型健康值的模型采用权重法、木桶原理法、均值法进行融合计算，得到对应节点的健康值，并将其存储到数据库的综合健康值表格中；

所述健康值预测模块用于根据上述计算得到的对应节点健康值的历史值进行健康值的趋势预测，得到预测值，并将其存储到数据库的预测值表格中；

所述辅助决策模块用于定时提取综合健康值表格和预测值结果表格的数值，将自动诊断并预测出即将出现的故障，并提前给出预警措施和建议；

所述动态阈值计算模块用于根据环境及柴油机负荷变化，对参数的阈值进行动态调整。

10.根据权利要求9所述的船舶机械健康状态评估系统，其特征在于，所述阈值包括基线值及极限值。

Images