CN113204831B - 一种船舶系统设备动态基线的设计方法 - Google Patents
一种船舶系统设备动态基线的设计方法 Download PDFInfo
- Publication number
- CN113204831B CN113204831B CN202110372642.4A CN202110372642A CN113204831B CN 113204831 B CN113204831 B CN 113204831B CN 202110372642 A CN202110372642 A CN 202110372642A CN 113204831 B CN113204831 B CN 113204831B
- Authority
- CN
- China
- Prior art keywords
- data
- window
- sliding
- baseline
- base line
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013461 design Methods 0.000 title claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 35
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000009499 grossing Methods 0.000 claims abstract description 14
- 238000009826 distribution Methods 0.000 claims description 29
- 238000001914 filtration Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000003908 quality control method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000002146 bilateral effect Effects 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 19
- 238000011156 evaluation Methods 0.000 abstract description 5
- 230000036541 health Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000007619 statistical method Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007774 longterm 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
- 239000002689 soil Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Automation & Control Theory (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供一种船舶系统设备动态基线的设计方法。本发明方法,包括:参考点位法,建立初始基线;采用滑动概率神经网络模型,对建立的初始基线进行自适应更新;对自适应更新后的基线进行平滑,抽样,压缩,拉伸处理,得到最终的动态基线。本发明的动态基线能够描述系统设备状态参数在全生命周期内的变化规律,追踪状态变化,也能够可以作为系统设备健康状态评估及管理的参考基准。采用滑动概率神经网络模型,对建立的初始基线进行自适应更新,其基线是基于增量更新的思路,计算量小,速度快,方法可实现针对多个核心状态参数基线的同时自适应更新。
Description
技术领域
本发明涉及船舶系统设备动态基线技术领域,具体而言,尤其涉及一种船舶系统设备动态基线的设计方法。
背景技术
系统设备投入运行之前,出厂试验只能测试部分工况,由于实验时间及次数限制,数据量过少无法形成基线,或只能生成粗略拟合基线作为静态基线,使得基线准确性不高。随着设备使用过程中,数据量增加,船舶系统设备参数受海况等影响,瞬时波动较大,基于时间序列滑动窗口动态更新基线的方法需要的计算量较大,增加系统负担,会造成基线短时大幅度变化,影响系统设备状态的判断。试验条件下无法获得全工况覆盖范围内的数据。
目前对于船舶动力设备进行性能状态评估理想、实船应用性强的方法是采集丰富的能够反映设备运行状态的特征参数或技术状态性能指标,利用实时参数或指标与该状态下的基线值建立状态评估方法,获得相应的状态值或健康值。但是船舶航行环境复杂多变,影响特征参数发生变化的因素很多,外界因素主要包括环境温度,海水温度,风浪流情况;内在因素有运行负荷和设备的自身性能的退化。受上述因素影响,目标设备基线值不是一成不变的。对于运行负荷的变化较大的船舶动力系统设备,可以实时将负荷点的变化与特征参数的变化进行联系,建立方法寻找以负荷为自变量的性能基线确定方法;
目前现有的基线采用的是固定基线,主要计算方法包括出厂测试试验基线和历史数据统计基线。具体方案如下:
方案一:出厂测试试验基线,利用出厂的测试试验数据,采用均值作为基线。这类基线只能反应出厂时状态,系统设备实船安装后,受整体工况影响,状态值偏离较大,因此,这类基线只能作为状态参考。
方案二:利用实船工作工程中的大量历史数据,利用统计的方法计算基线。这类基线相对更符合实船特性,但是,基线建立需要大量历史数据,再者无法实现生命周期内基线的自适应变化,后期偏离较大。
发明内容
根据上述提出的技术问题,而提供一种船舶系统设备动态基线的设计方法。本发明中动态基线的设计方法由三部分构成,一是参考点位法,建立初始基线;二是基线的适应更新,实现基线增量更新;三是基线处理,目的是简化基线,减小短时波动和局部峰值对基线的影响。另外,经过模型直接计算的基线通常不能直接使用,在使用之前,需要对其处理,包括:对基线的平滑,抽样,压缩,拉伸。
本发明采用的技术手段如下:
一种船舶系统设备动态基线的设计方法,包括如下步骤:
S1、参考点位法,建立初始基线;
S2、采用滑动概率神经网络模型,对建立的初始基线进行自适应更新;
S3、对自适应更新后的基线进行平滑,抽样,压缩,拉伸处理,得到最终的动态基线。
进一步地,所述步骤S1具体包括:
S11、确定参考点位;
S12、计算参考点;
S13、计算初始性能基线。
进一步地,所述步骤S11具体包括:
S111、确定滑动数据窗口起始点位;
S112、确定滑动数据窗口起始点位后,滑动数据窗口开始滑动,判断数据量是否满足窗口容量以及数据量是否满足至少3个滑动步长,若均满足要求,则确定为参考点位;若不满足,则不符合参考点位要求,将所有数据增添到数据池中,进行数据积累,并返回执行步骤S111。
进一步地,所述步骤S12具体包括:
S121、确定研究对象,从实际监测数据中选择有效样本,并使用滑动数据窗口滤波算法进行数据预处理;
S122、选择参考点位,对参考点位处趋势数据建立滑动时间窗口,调整窗口长度确定数据数量符合正态分布;
S123、利用正态分布中3σ质量控制原则,对步骤S122确定的窗口进行处理,确定连续三个步长有效区间,获取连续三个步长区间内趋势数据均值,将三个均值点再次平均获得的二次均值点作为此参考点位处的参考点;
S124、确定下一参考点位,重复执行步骤S121、S122、S123,确定新的参考点,获得所有参考点位处的参考点并进行拟合,获得拟合基线或基线函数。
进一步地,所述步骤S13具体包括:
S131、数据预处理:
基于噪声问题,在建立滑动时间窗口前采用滑动窗口滤波算法进行滤波处理,若原始监测数据为hi,i=1,2,…,N,其中N为监测数据采集点数,滑动窗口滤波算法在计算任意采集点的去噪值时,需要对窗口中每一个采集点对应的监测数据值hi进行累加求和,即
式中,nR、nL表示计算点两边的采集点的数量,窗口的宽度根据数据的线性情况进行灵活的调整,窗口的宽度可调整为nR+nL+a,cn=1/(nR+nL+a),且cn<1,去噪结果为:
当nR=nL时,则该计算点为窗口的中心点;
基于滑动窗口滤波算法,采用迭代方法进一步减少噪声的影响,即
则窗口大小为(nR+nL+a),cn=cn'=1/a·(nL+nR+a),表示二次迭代后的结果。
S132、K-S非参数检验确定窗口容量:
作零假设M0:F(x)与G(x)分布类型相同;
将窗口内数据从小到大排列为x(1),x(2),…,x(n),计算经验累积分布函数G(x)和理论累积分布函数F(x):
记D=max|G(xi)-F(xi)|(i=1,2,…,n),则检验统计量为计算双侧显著性水平P值。
作出判断,取α=0.05,若P<α,则拒绝假设M0,若P>α,则原假设成立。
S133、确定初始性能基线:
根据正态分布定理,假设随机变量x服从期望为μ,方差为σ2的正态分布,则有:
P{|x-μ|<2σ}=2Φ(2)-1=0.9545
P{|x-μ|<3σ}=2Φ(3)-1=0.9973
将3σ区间视作为随机变量x实际情况下的取值区间,即正态分布中3σ质量控制原则;
获取参考点位处,按时间序列连续三个滑动时间窗口3σ区间内趋势数据的均值,并对三个均值进行二次平均,最终确定的均值点即参考点;
将确定的参考点位处的所有参考点进行拟合,确定初始性能基线。
进一步地,所述步骤S2具体包括:
S21、建立滑动概率神经网络模型,包含抽样层、样本层和求和层;其中,抽样层由待分析数据区间的等间隔抽样点组成,按顺序排列,固定不变;样本层为测量数据序列,按顺序滑动进入网络,求和层是抽样集合在当前测量数据条件下的概率密度;
S22、设处理后趋势数据序列为X,窗口长度为s,滑动的步长为d,每滑动一次窗口,保持原窗口内的s-d个数据同时增加d个数据;当第k次运算时,窗内样本为映射到抽样层后进行核函数计算,再在求和层得到下列条件概率:
式中,σ表示平滑因子,一般取P(yi|Xk)表示在序列Xk已知的条件下,抽样点yi的条件概率;/>表示核函数,如果核函数为高斯核函数,则
S23、当趋势数据按照给定的滑动步长滑动进入神经网络时,在求和层得到抽样点的条件概率估计值,窗内所有趋势数据得到n个概率估计值,构成的条件概率分布曲线为:
式中,Y表示抽样点集合。
进一步地,所述步骤S3中:
对基线进行平滑处理,用于减小瞬时短时波动对于基线的影响;
对基线进行抽样处理,用于简化基线形状;
对基线进行压缩处理,用于减小局部峰值对于基线的影响;
对基线进行拉伸,用于进一步消除局部影响,实现基线的再次平滑。
较现有技术相比,本发明具有以下优点:
1、本发明提供的船舶系统设备动态基线,可以描述系统设备状态参数在全生命周期内的变化规律,追踪状态变化。
2、本发明提供的船舶系统设备动态基线,可以作为系统设备健康状态评估及管理的参考基准。
3、本发明提供的船舶系统设备动态基线的设计方法,采用滑动概率神经网络模型,对建立的初始基线进行自适应更新,其基线是基于增量更新的思路,计算量小,速度快,方法可实现针对多个核心状态参数基线的同时自适应更新。
基于上述理由本发明可在船舶系统设备动态基线等领域广泛推广。
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为本发明方法流程图。
图2为本发明实施例提供的参考点位选取流程图。
图3为本发明实施例提供的质量控制原则示意图。
图4为本发明实施例提供的确定参考点示意图。
图5为本发明实施例提供的确定初始性能基线示意图。
图6为本发明实施例提供的滑动概率神经网络示意图。
图7为本发明实施例提供的参考点更新示意图。
图8为本发明实施例提供的参考点位更新示意图。
图9为本发明实施例提供的基线处理示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,而不是全部的实施例。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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
随着智能船舶的发展,船舶动力装置系统及设备需要实时掌握状态变化。而在对状态进行评估时需要确定最佳状态作为评估基准,这个最佳状态就是基线。船舶动力装置系统及设备的性能基线就是所有反映系统设备的功能参数在规定条件下,完成规定功能时的理想运行值。然而对船舶动力装置而言,其最佳状态并不是一成不变的,通常情况下会随船舶的操作状态、设备的运行工况、性能退化、环境条件、海浪等情况的变化而改变,因此将基线作为状态变化后的评估基准误差较大。目前,对于基线主要包括土壤、CPU、环境、耗电量等方面的研究。基线计算方法主要是基于迭代算法、统计方法神经网络算法等。上述基线理论的研究方法主要集中在基线矫正和光谱等领域,在船舶领域的研究少之又少。
如图1所示,本发明提供了一种船舶系统设备动态基线的设计方法,包括如下步骤:
S1、参考点位法,建立初始基线;
具体实施时,作为本发明优选的实施方式,所述步骤S1具体包括:
S11、确定参考点位;船舶动力装置无论是在出厂试验阶段还是实船运行阶段,获得的状态参数不可能覆盖全部的运行状态,因此某些系统设备在运行过程中无法获得大量的涵盖所有情况的功能参数。这类功能参数在制定基线时只能尽可能涵盖状态变化区间内的各个阶段的参考点代替整个过程,之后对参考点进行拟合获取性能基线和基线函数,也就是参考点位法确定初始基线。
所述步骤S11具体包括:
S111、确定滑动数据窗口起始点位;
S112、确定滑动数据窗口起始点位后,滑动数据窗口开始滑动,判断数据量是否满足窗口容量以及数据量是否满足至少3个滑动步长,若均满足要求,则确定为参考点位;若不满足,则不符合参考点位要求,将所有数据增添到数据池中,进行数据积累,并返回执行步骤S111。
若符合上述两个条件,则此功率点可确定为参考点位。无论是否符合参考点位要求,所有数据将增添到数据池当中,随着目标系统设备的继续运行对不同功率点的数据量进行不断的累积,以增加参考点位的数目,确定参考点位的具体流程如图2所示。随着参考点位的增加,能够对性能基线进行不断的修正和更新。
S12、计算参考点;不考虑其他因素,以动力装置运行典型状态参数为自变量,首先对目标系统设备的功能参数进行预处理获得趋势数据并确定参考点位,目标系统设备在每一参考点位处数据量随运行时间的增长会不断积累,在参考点位处建立滑动时间窗口,对每一窗口内趋势数据进行统计分析,通过调整窗口长度保证窗口内趋势数据符合高斯分布,进而利用质量控制原则对每一参考点位处的参考点进行拟合,获得随功率变化的性能基线。
所述步骤S12具体包括:
S121、确定研究对象,从实际监测数据中选择有效样本,并使用滑动数据窗口滤波算法进行数据预处理;
S122、选择参考点位,对参考点位处趋势数据建立滑动时间窗口,调整窗口长度确定数据数量符合正态分布;
S123、利用正态分布中3σ质量控制原则,对步骤S122确定的窗口进行处理,确定连续三个步长有效区间,获取连续三个步长区间内趋势数据均值,将三个均值点再次平均获得的二次均值点作为此参考点位处的参考点;
S124、确定下一参考点位,重复执行步骤S121、S122、S123,确定新的参考点,获得所有参考点位处的参考点并进行拟合,获得拟合基线或基线函数。
S13、计算初始性能基线。
所述步骤S13具体包括:
S131、数据预处理:
经过长期的数据监测发现,采集到的系统及设备功能参数都会出现不定期、不规律的噪声点,对功能参数的统计分析产生一定的影响。基于噪声问题,在建立滑动时间窗口前采用滑动窗口滤波算法进行滤波处理,若原始监测数据为hi,i=1,2,…,N,其中N为监测数据采集点数,滑动窗口滤波算法在计算任意采集点的去噪值时,需要对窗口中每一个采集点对应的监测数据值hi进行累加求和,即
式中,nR、nL表示计算点两边的采集点的数量,窗口的宽度根据数据的线性情况进行灵活的调整,窗口的宽度可调整为nR+nL+a,cn=1/(nR+nL+a),且cn<1,去噪结果为:
当nR=nL时,则该计算点为窗口的中心点;
基于滑动窗口滤波算法,采用迭代方法进一步减少噪声的影响,即
则窗口大小为(nR+nL+a),cn=cn'=1/a·(nL+nR+a),表示二次迭代后的结果。
S132、K-S非参数检验确定窗口容量:设滑动时间窗口容量为s,s值是利用K-S(Kolmogorov-Smirnov)方法检验窗口内趋势数据是否符合正态分布而确定的,K-S检验是用于检验目标数据的频率分布F(x)是否与理论假设的频率分布G(x)相符或者对两组观测值分布进行比较的一种方法。
作零假设M0:F(x)与G(x)分布类型相同;
将窗口内数据从小到大排列为x(1),x(2),…,x(n),计算经验累积分布函数G(x)和理论累积分布函数F(x):
记D=max|G(xi)-F(xi)|(i=1,2,…,n),则检验统计量为计算双侧显著性水平P值。
作出判断,取α=0.05,若P<α,则拒绝假设M0,若P>α,则原假设成立。
S133、确定初始性能基线:
在确定滑动时间窗口参数后,确定窗口内趋势数据符合正态分布并确定该窗口趋势数据的概率密度曲线,并将概率密度曲线利用3σ质量控制原则进行区间限定。根据正态分布定理,假设随机变量x服从期望为μ,方差为σ2的正态分布,如图4所示,则有:
P{|x-μ|<2σ}=2Φ(2)-1=0.9545
P{|x-μ|<3σ}=2Φ(3)-1=0.9973
由图3可知,变量x的取值在3σ区间外的概率小于0.003,即认为事件发生的概率极小,因此,将3σ区间视作为随机变量x实际情况下的取值区间,即正态分布中3σ质量控制原则;
获取参考点位处,按时间序列连续三个滑动时间窗口3σ区间内趋势数据的均值,并对三个均值进行二次平均,最终确定的均值点即参考点;如图4所示。对柴油机台架试验或者试航阶段所能确定的参考点位处的所有参考点进行拟合,确定初始性能基线,如图5所示。
将确定的参考点位处的所有参考点进行拟合,确定初始性能基线。
随着系统设备的运行,新数据的变化映射的是状态的改变。引入自适应模型,使基线能够更准确的反应最佳值的改变。本专利中采用的是滑动概率神经网络模型,模型可以实时估计测量数据的条件概率分布,获得概率密度曲线,进而判断数据是否具有变化。类似于增量更新,根据概率分布判断数据是否加入数据池进行基线运算。
S2、采用滑动概率神经网络模型,对建立的初始基线进行自适应更新;具体实施时,作为本发明优选的实施方式,所述步骤S2具体包括:
S21、建立滑动概率神经网络模型,包含抽样层、样本层和求和层;其中,抽样层由待分析数据区间的等间隔抽样点组成,按顺序排列,固定不变;样本层为测量数据序列,按顺序滑动进入网络,求和层是抽样集合在当前测量数据条件下的概率密度;
S22、设处理后趋势数据序列为X,窗口长度为s,滑动的步长为d,每滑动一次窗口,保持原窗口内的s-d个数据同时增加d个数据;当第k次运算时,窗内样本为映射到抽样层后进行核函数计算,再在求和层得到下列条件概率:
式中,σ表示平滑因子,一般取P(yi|Xk)表示在序列Xk已知的条件下,抽样点yi的条件概率;/>表示核函数,如果核函数为高斯核函数,则
S23、当趋势数据按照给定的滑动步长滑动进入神经网络时,在求和层得到抽样点的条件概率估计值,窗内所有趋势数据得到n个概率估计值,构成的条件概率分布曲线为:
式中,Y表示抽样点集合。
s值和d值能够影响滑动模型的速度以及获得的性能基线的精度,s值决定了窗口内数据容量,d值决定了窗口推移的速度,为了保证对模型进行连续的分析和统计计算,s值应该保持不变,以保持每个工况的监测数据具有同样的统计特性。d值可根据监测数据的趋势变化进行灵活的调整,当监测数据的趋势变化缓慢时,可适当增加d值,用相对较长的步长进行滑动;而当监测数据的趋势变化迅速时,可适当减少d值,用相对较短的步长进行滑动,可及时观测到变化过程的细节信息。
随着系统设备长时间运行,目标船舶系统设备在每一工作模式的功能参数采集量按时间序列不断积累,建立滑动概率神经网络模型自动获取统计样本,新的趋势数据进入滑动概率神经网络,对前一滑动窗口内的密度估计值局部进行调整,连续得到在参考点位处滑动窗口的概率密度曲线,根据参考点的确定方法,对此参考点位处的参考点进行更新,并重新对所有参考点进行新的拟合,如图7所示,实现参考点的动态更新,进而实现了性能基线的修正与更新。工作模式越来越丰富,以及每一工作模式参数的不断积累,符合条件的参考点位逐渐增多,滑动概率神经网络模型自动获取新参考点位处的趋势数据,得到在新参考点位处滑动窗口的概率密度曲线,实时估计趋势数据的条件概率分布,获得新增参考点,新增参考点与原参考点及更新后参考点进行新的拟合,替换原有基线并如图8所示,运用动态连续变化的概率曲线跟踪基线变化过程,动态计算获得新的性能基线,实现性能基线的自适应。
S3、如图9所示,对自适应更新后的基线进行平滑,抽样,压缩,拉伸处理,得到最终的动态基线。
具体实施时,作为本发明优选的实施方式,所述步骤S3中:
对基线进行平滑处理,用于减小瞬时短时波动对于基线的影响;
对基线进行抽样处理,用于简化基线形状;
对基线进行压缩处理,用于减小局部峰值对于基线的影响;
对基线进行拉伸,用于进一步消除局部影响,实现基线的再次平滑。
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 (6)
1.一种船舶系统设备动态基线的设计方法,其特征在于,包括如下步骤:
S1、参考点位法,建立初始基线;
S2、采用滑动概率神经网络模型,对建立的初始基线进行自适应更新;所述步骤S2具体包括:
S21、建立滑动概率神经网络模型,包含抽样层、样本层和求和层;其中,抽样层由待分析数据区间的等间隔抽样点组成,按顺序排列,固定不变;样本层为测量数据序列,按顺序滑动进入网络,求和层是抽样集合在当前测量数据条件下的概率密度;
S22、设处理后趋势数据序列为X,窗口长度为s,滑动的步长为d,每滑动一次窗口,保持原窗口内的s-d个数据同时增加d个数据;当第k次运算时,窗内样本为映射到抽样层后进行核函数计算,再在求和层得到下列条件概率:
式中,σ表示平滑因子,一般取P(yi|Xk)表示在序列Xk已知的条件下,抽样点yi的条件概率;/>表示核函数,如果核函数为高斯核函数,则
S23、当趋势数据按照给定的滑动步长滑动进入神经网络时,在求和层得到抽样点的条件概率估计值,窗内所有趋势数据得到n个概率估计值,构成的条件概率分布曲线为:
式中,Y表示抽样点集合;
S3、对自适应更新后的基线进行平滑,抽样,压缩,拉伸处理,得到最终的动态基线。
2.根据权利要求1所述的船舶系统设备动态基线的方法,其特征在于,所述步骤S1具体包括:
S11、确定参考点位;
S12、计算参考点;
S13、计算初始性能基线。
3.根据权利要求2所述的船舶系统设备动态基线的方法,其特征在于,所述步骤S11具体包括:
S111、确定滑动数据窗口起始点位;
S112、确定滑动数据窗口起始点位后,滑动数据窗口开始滑动,判断数据量是否满足窗口容量以及数据量是否满足至少3个滑动步长,若均满足要求,则确定为参考点位;若不满足,则不符合参考点位要求,将所有数据增添到数据池中,进行数据积累,并返回执行步骤S111。
4.根据权利要求2所述的船舶系统设备动态基线的方法,其特征在于,所述步骤S12具体包括:
S121、确定研究对象,从实际监测数据中选择有效样本,并使用滑动数据窗口滤波算法进行数据预处理;
S122、选择参考点位,对参考点位处趋势数据建立滑动时间窗口,调整窗口长度确定数据数量符合正态分布;
S123、利用正态分布中3σ质量控制原则,对步骤S122确定的窗口进行处理,确定连续三个步长有效区间,获取连续三个步长区间内趋势数据均值,将三个均值点再次平均获得的二次均值点作为此参考点位处的参考点;
S124、确定下一参考点位,重复执行步骤S121、S122、S123,确定新的参考点,获得所有参考点位处的参考点并进行拟合,获得拟合基线或基线函数。
5.根据权利要求2所述的船舶系统设备动态基线的方法,其特征在于,所述步骤S13具体包括:
S131、数据预处理:
基于噪声问题,在建立滑动时间窗口前采用滑动窗口滤波算法进行滤波处理,若原始监测数据为hi,i=1,2,…,N,其中N为监测数据采集点数,滑动窗口滤波算法在计算任意采集点的去噪值时,需要对窗口中每一个采集点对应的监测数据值hi进行累加求和,即
式中,nR、nL表示计算点两边的采集点的数量,窗口的宽度根据数据的线性情况进行灵活的调整,窗口的宽度可调整为nR+nL+a,cn=1/(nR+nL+a),且cn<1,去噪结果为:
当nR=nL时,则该计算点为窗口的中心点;
基于滑动窗口滤波算法,采用迭代方法进一步减少噪声的影响,即
则窗口大小为(nR+nL+a),cn=cn'=1/a·(nL+nR+a),表示二次迭代后的结果;
S132、K-S非参数检验确定窗口容量:
作零假设M0:F(x)与G(x)分布类型相同;
将窗口内数据从小到大排列为x(1),x(2),…,x(n),计算经验累积分布函数G(x)和理论累积分布函数F(x):
记D=max|G(xi)-F(xi)|(i=1,2,…,n),则检验统计量为计算双侧显著性水平P值;
作出判断,取α=0.05,若P<α,则拒绝假设M0,若P>α,则原假设成立;
S133、确定初始性能基线:
根据正态分布定理,假设随机变量x服从期望为μ,方差为σ2的正态分布,则有:
P{|x-μ|<2σ}=2Φ(2)-1=0.9545
P{|x-μ|<3σ}=2Φ(3)-1=0.9973
将3σ区间视作为随机变量x实际情况下的取值区间,即正态分布中3σ质量控制原则;
获取参考点位处,按时间序列连续三个滑动时间窗口3σ区间内趋势数据的均值,并对三个均值进行二次平均,最终确定的均值点即参考点;
将确定的参考点位处的所有参考点进行拟合,确定初始性能基线。
6.根据权利要求1所述的船舶系统设备动态基线的方法,其特征在于,所述步骤S3中:
对基线进行平滑处理,用于减小瞬时短时波动对于基线的影响;
对基线进行抽样处理,用于简化基线形状;
对基线进行压缩处理,用于减小局部峰值对于基线的影响;对基线进行拉伸,用于进一步消除局部影响,实现基线的再次平滑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110372642.4A CN113204831B (zh) | 2021-04-07 | 2021-04-07 | 一种船舶系统设备动态基线的设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110372642.4A CN113204831B (zh) | 2021-04-07 | 2021-04-07 | 一种船舶系统设备动态基线的设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113204831A CN113204831A (zh) | 2021-08-03 |
CN113204831B true CN113204831B (zh) | 2023-08-25 |
Family
ID=77026327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110372642.4A Active CN113204831B (zh) | 2021-04-07 | 2021-04-07 | 一种船舶系统设备动态基线的设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113204831B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106528938A (zh) * | 2016-10-11 | 2017-03-22 | 西安交通大学 | 一种基于按类统计的滚动轴承可靠性可视化动态评估方法 |
CN110188093A (zh) * | 2019-05-21 | 2019-08-30 | 江苏锐天信息科技有限公司 | 一种基于大数据平台针对ais信息源的数据挖掘系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060074558A1 (en) * | 2003-11-26 | 2006-04-06 | Williamson Walton R | Fault-tolerant system, apparatus and method |
-
2021
- 2021-04-07 CN CN202110372642.4A patent/CN113204831B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106528938A (zh) * | 2016-10-11 | 2017-03-22 | 西安交通大学 | 一种基于按类统计的滚动轴承可靠性可视化动态评估方法 |
CN110188093A (zh) * | 2019-05-21 | 2019-08-30 | 江苏锐天信息科技有限公司 | 一种基于大数据平台针对ais信息源的数据挖掘系统 |
Non-Patent Citations (1)
Title |
---|
船舶动力设备退化基线计算及预测方法;蔡玉良;孙晓磊;张晋彪;方宇;;舰船科学技术(07);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113204831A (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111967688B (zh) | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 | |
CN111079989B (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
CN111582542B (zh) | 一种基于异常修复的电力负荷预测方法及系统 | |
CN111695290B (zh) | 一种适用于变化环境下的短期径流智能预报混合模型方法 | |
CN115423163A (zh) | 一种流域短期洪水事件预测方法、装置及终端设备 | |
CN112288193A (zh) | 基于注意力机制的gru深度学习的海洋站表层盐度预测方法 | |
CN116502478B (zh) | 一种基于海底地形监测的自提升平台下桩辅助决策方法 | |
Zhao et al. | On-line least squares support vector machine algorithm in gas prediction | |
CN109344993B (zh) | 一种基于条件概率分布的河道洪峰水位预报方法 | |
CN112380992B (zh) | 一种加工过程监控数据准确性评估与优化方法及装置 | |
CN117574061B (zh) | 一种pm2.5和臭氧污染协同防控的预测方法及系统 | |
CN110879927A (zh) | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 | |
CN112084461A (zh) | 一种基于历史洪水学习的knn实时校正方法 | |
CN115689051A (zh) | 一种基于GA算法耦合Morris和GLUE的SWMM模型参数自动率定方法 | |
CN107273659B (zh) | 一种基于ransac算法改进的用于空间碎片光电跟踪的轨迹预测方法 | |
CN114186194B (zh) | 一种基于空间风暴过程的设计波高计算方法 | |
CN117310118B (zh) | 一种地下水污染可视化监测方法 | |
CN113204831B (zh) | 一种船舶系统设备动态基线的设计方法 | |
CN113887119B (zh) | 一种基于sarima-lstm的河流水质预测方法 | |
CN110458344B (zh) | 一种自适应时间分辨率的超短期风电功率预测方法 | |
CN109902266B (zh) | 一种基于Copula函数的河道流量演算方法 | |
CN115619045B (zh) | 一种河口潮差预报方法和系统 | |
CN116776539A (zh) | 一种基于交叉小波分析的咸潮预报方法和系统 | |
CN109886455A (zh) | 雷电气候下超短期负荷预测方法 | |
CN113866204A (zh) | 一种基于贝叶斯正则化的土壤重金属定量分析方法 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210803 Assignee: DALIAN LANDSEA MARITECH Co.,Ltd. Assignor: Dalian Maritime University Contract record no.: X2024210000004 Denomination of invention: A Design Method for Dynamic Baseline of Ship System Equipment Granted publication date: 20230825 License type: Common License Record date: 20240115 |
|
EE01 | Entry into force of recordation of patent licensing contract |