CN113434569A - 用于实船设备健康状态监测的船舶推进装置性能分析系统 - Google Patents

用于实船设备健康状态监测的船舶推进装置性能分析系统 Download PDF

Info

Publication number
CN113434569A
CN113434569A CN202110615627.8A CN202110615627A CN113434569A CN 113434569 A CN113434569 A CN 113434569A CN 202110615627 A CN202110615627 A CN 202110615627A CN 113434569 A CN113434569 A CN 113434569A
Authority
CN
China
Prior art keywords
knowledge
state
data
soft measurement
host
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
Application number
CN202110615627.8A
Other languages
English (en)
Other versions
CN113434569B (zh
Inventor
陈于涛
胡琦
李东亮
朱国情
黄林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Naval University of Engineering PLA
Original Assignee
Naval University of Engineering PLA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Naval University of Engineering PLA filed Critical Naval University of Engineering PLA
Priority to CN202110615627.8A priority Critical patent/CN113434569B/zh
Publication of CN113434569A publication Critical patent/CN113434569A/zh
Application granted granted Critical
Publication of CN113434569B publication Critical patent/CN113434569B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及用于实船设备健康状态监测的船舶推进装置性能分析系统，包含：数据提取模块；数据挖掘模块；主机当前状态分析模块；主机长期状态分析模块；主机异常状态分析模块；螺旋桨当前状态分析模块；螺旋桨长期水动力性能分析模块；螺旋桨异常状态监测分析模块；参数软测量计算模块；参数软测量分析模块。本发明解决了将船舶推进装置的运行数据转化为应用知识规则的问题；实现了对船舶推进装置实船设备进行长期健康状态监测的功能；提高了实船设备健康状态监测的分析能力和智能化程度。

Description

用于实船设备健康状态监测的船舶推进装置性能分析系统
技术领域
本发明涉及船舶推进装置智能健康状态监测技术领域，具体地涉及用于实船设备健康状态监测的船舶推进装置性能分析系统。
背景技术
在整个服役期内，随着运行时间的增长，船舶推进装置的性能会逐渐退化。对实船推进装置中主要设备的健康/异常状态进行连续监测和量化分析是一个重要的问题。与此同时，长期积累的运行数据中蕴含着丰富的性能分析知识。如何将运行数据转化为适用的知识规则，更加智能化地对船舶推进装置实船设备进行长期健康状态监测，对于船舶推进装置实现更科学的状态监测和主动维修，保持良好性能具有重要的工程意义。现有技术的缺陷如下：
1.由于现有监测技术对实船长期运行数据的利用还停留在较低的层次，且没有提取运行数据背后隐藏的知识，从而导致在实船设备健康状态长期监测方面的分析能力和智能化程度较低，以至于无法开展更高层次的实船设备长期健康状态监测；
2.由于舱室空间布置和传感器方面的限制，导致某些重要参数难以直接测量，从而影响了推进装置的健康状态监测效果。
发明内容
本发明针对上述问题，提供用于实船设备健康状态监测的船舶推进装置性能分析系统，其目的在于以实船运行数据为核心资源，解决将历史运行数据转化为长期健康状态监测知识规则的问题，实现更智能化的实船设备健康状态监测，可以开展更高层次的实船设备长期健康状态监测；实现了先验知识和数据挖掘知识的融合，提高船舶推进装置性能分析能力。
为解决上述问题，本发明提供的技术方案为：
用于实船设备健康状态监测的船舶推进装置性能分析系统，包含以下模块：
数据提取模块：用于对原始数据进行数据提取操作，获得并输出运行数据；所述原始数据由安装在船舶推进装置的传感器采集；所述运行数据包含主机运行数据，螺旋桨运行数据和船体运行数据；
数据挖掘模块：用于对运行数据进行数据挖掘操作，获得并输出用于获取船舶推进装置的知识规则；所述数据挖掘模块具体包括数据挖掘算法和知识规则；其中：
所述数据挖掘算法包括状态基准值挖掘算法、状态分类知识挖掘算法和状态特征知识挖掘算法；其中：
所述状态基准值挖掘算法采用聚类算法；所述状态分类知识挖掘算法采用决策树算法；所述状态特征知识挖掘算法采用关联规则算法；
所述知识规则包括当前状态知识规则、健康状态知识规则和异常状态知识规则；其中：
所述当前状态知识规则包含状态基准值、状态分类知识和状态特征知识；所述健康状态知识规则包含健康状态基准值、健康状态分类知识和健康状态特征知识；所述异常状态知识规则包含异常状态分类知识和异常状态特征知识；
所述状态基准值：用于存放所述主机参数状态基准值和螺旋桨参数状态基准值；
所述状态分类知识：用于通过决策树算法获取并保存状态分类知识；所述状态分类知识包含实船设备的健康分类知识规则和异常分类知识规则；
所述状态特征知识：用于通过关联规则算法获取并保存状态特征知识；所述状态特征知识包含实船设备的健康状态知识规则和异常状态知识规则；
主机当前状态分析模块：用于从所述知识规则中获取主机的当前的状态基准值，并将主机的当前的状态基准值和对应工况下的主机的健康状态基准值进行比对，并输出比对的结果；
主机长期状态分析模块：用于对不同时间段及不同工况下的主机的健康状态基准值进行趋势分析；
主机异常状态分析模块：用于从所述知识规则中获取不同工况下主机的状态分类知识和状态特征知识，并将当前的状态知识规则和对应工况下主机的异常状态知识规则进行比对，并输出比对的结果；
螺旋桨当前状态分析模块：用于从所述知识规则中获取不同工况下螺旋桨的当前的状态基准值，并将螺旋桨的当前的状态基准值和对应工况下的螺旋桨的健康状态基准值进行比对，并输出比对的结果；
螺旋桨长期状态分析模块：用于对不同时间段且不同工况下的螺旋桨的健康状态基准值进行趋势分析；
螺旋桨异常状态分析模块：用于从所述知识规则中获取不同工况下螺旋桨的状态分类知识和状态特征知识，并将当前的状态知识规则和对应工况下螺旋桨的异常状态知识规则进行比对，并输出比对的结果；
软测量数据源模块：用于将所述知识规则中与主机、螺旋桨相关的参数的状态基准值进行抽取操作和整合操作，以及用于对传感器无法测量的参数进行软测量计算操作；所述软测量数据源模块中包含软测量数据源；所述软测量数据源包含主机软测量数据源，螺旋桨软测量数据源和船体粗糙度软测量数据源；
参数软测量计算模块：用于通过对软测量源数据进行软测量计算操作，获得并输出软测量计算参数；所述软测量计算参数包括主机软测量计算参数、螺旋桨软测量计算参数和船体粗糙度软测量计算参数；
参数软测量分析模块：用于对不同工况及不同时间段条件下的主机的参数、螺旋桨的参数和船体粗糙度系数进行趋势分析；所述参数软测量分析模块包含主机软测量分析子模块、螺旋桨软测量分析子模块和船体粗糙度软测量分析子模块。
优选地，所述螺旋桨软测量参数包含水动力性能参数；所述水动力性能参数包含推力系数、扭矩系数、进速系数和螺旋桨效率。
优选地，所述软测量源数据包含主机源数据、螺旋桨源数据、船体源数据；其中：
所述主机源数据：用于供给所述软测量计算操作使用，以获取所述主机软测量计算参数；所述主机源数据包含主机转速、燃油齿条位置、A列气缸排气温度和B列气缸排气温度；
所述螺旋桨源数据：用于供给所述软测量计算操作使用，以获取所述螺旋桨软测量计算参数；所述螺旋桨源数据包含轴功率、轴转速、轴扭矩、航速和推力。
所述船体源数据：用于供给所述软测量计算操作使用，以获取所述船体粗糙度软测量计算参数；所述船体源数据包含轴转速、航速和推力。
优选地，所述参数软测量计算模块中包含用于对所述软测量源数据进行软测量计算操作时使用的软测量先验知识；所述软测量知识包含主机软测量公式，螺旋桨软测量公式，船体粗糙度软测量公式。
优选地，所述螺旋桨软测量公式中包含推力系数计算公式、扭矩系数计算公式、进速系数计算公式、螺旋桨功率计算公式、修正推力系数计算公式、修正扭矩系数计算公式、修正进速系数计算公式和修正螺旋桨功率计算公式。
优选地，所述主机参数状态基准值通过聚类算法获得。
优选地，所述螺旋桨参数状态基准值通过聚类算法获得。
本发明与现有技术对比，具有以下优点：
1.由于本发明以船舶推进装置运行数据为核心，对运行数据进行数据挖掘，提取了大量有价值的知识，从而解决了将历史运行数据转化为长期健康状态监测知识规则的问题，实现了更智能化的实船设备健康状态监测，可以开展更高层次的实船设备长期健康状态监测；
2.由于本发明在对船舶推进装置的性能分析中，通过软测量算法获取了一些难以直接测量的重要性能参数，并和状态基准值挖掘算法相结合，实现了先验知识和数据挖掘知识的融合，从而提高了船舶推进装置性能分析能力；
3.由于本发明在数据挖掘和软测量方法的基础上，进一步设计开发了实船主要设备健康状态监测应用系统，从而实现了对船舶推进装置的长期健康状态进行监测和分析。
附图说明
图1为本发明具体实施例的推进装置性能分析系统结构原理示意图；
图2为本发明具体实施例的主机长期状态分析模块中不同工况A1缸排温基准值分析示意图；
图3为本发明具体实施例的数据挖掘模块中主机的状态分类知识示意图；
图4为本发明具体实施例的主机长期状态分析模块界面示意图；
图5为本发明具体实施例的主机异常状态分析模块界面示意图；
图6为本发明具体实施例的螺旋桨当前状态分析模块界面示意图；
图7为本发明具体实施例的船体粗糙度软测量分析子模块中，不同粗糙度下的螺旋桨水动力特性曲线示意图；
图8为本发明具体实施例的数据挖掘模块中总体聚类数据的箱型图示意图；
图9为本发明具体实施例的数据提取模块中拉格朗日插值结果散点可视化示意图；
图10为本发明具体实施例的推进系统正常工况决策树示意图；
图11为本发明具体实施例的散点图矩阵示意图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示，用于实船设备健康状态监测的船舶推进装置性能分析系统，包含以下模块：
数据提取模块：用于对原始数据进行数据提取操作，获得并输出运行数据；原始数据由安装在船舶推进装置的传感器采集；运行数据包含主机运行数据，螺旋桨运行数据和船体运行数据。
数据挖掘模块：用于对运行数据进行数据挖掘操作，获得并输出用于获取船舶推进装置的知识规则；数据挖掘模块具体包括数据挖掘算法和知识规则；其中：
数据挖掘算法包括状态基准值挖掘算法、状态分类知识挖掘算法和状态特征知识挖掘算法；其中：
状态基准值挖掘算法采用聚类算法；状态分类知识挖掘算法采用决策树算法；状态特征知识挖掘算法采用关联规则算法。
知识规则包括当前状态知识规则、健康状态知识规则和异常状态知识规则；其中：
当前状态知识规则包含状态基准值、状态分类知识和状态特征知识；健康状态知识规则包含健康状态基准值、健康状态分类知识和健康状态特征知识；异常状态知识规则包含异常状态分类知识和异常状态特征知识。
状态基准值：用于存放主机参数状态基准值和螺旋桨参数状态基准值。
本具体实施例中，主机参数状态基准值通过聚类算法获得。
本具体实施例中，螺旋桨参数状态基准值通过聚类算法获得。
本具体实施例中，采用的聚类算法都为K-Means聚类算法。
K-Means聚类算法的原理为：通过聚类簇数K的设定，确定好各簇及簇中元素，对聚类结果进行分析，若单个簇中有数据点相对于其它数据点距离簇心较远时，则将此类点定义为离群点；若某一簇数据点数量相对于其它簇要少很多时，则该簇数据点都可当作离群点进行处理。
一个典型的状态基准知识表如表2所示：
表2.状态基准知识表(节选)
Figure BDA0003097905430000071
需要说明的是，无论哪种状态基准知识表，其包含的具体字段数量都远超过本具体实施例中的用于示例的表格。
船舶推进装置长期运行过程中，设备性能会出现一定程度的退化，及时了解设备性能变化有利于设备的维修维护，从而保证推进装置处于良好的运行状态。通过K-Means聚类算法获得的主机参数状态基准值和螺旋桨参数状态基准值，以实现对设备性能的长期监测。这样做的基本原理在于，这些基准值都是从大量运行数据中聚类得到的，因此能够较准确地反映参数的整体变化情况。
以主机为例，通过主机气缸排温参数的变化来说明本发明在长期运行过程中主机性能变化的作用效果。之所以选取主机为例，是因为船舶主机包含了大量参数，选取主机为例具有很好的代表效果：
首选从推进装置数据仓库中提取36个月的运行数据，对每个月各工况下右主机A1缸排气温度进行K-Means聚类，获取聚类基准值，对聚类获取的每个月空车、进一、进二、进三工况基准值进行数据可视化。
图2为不同工况A1缸排温基准值分析示意图。
如图2所示，图中以直方图结合折线图的形式反映基准值变化情况，分别将各工况最大、最小基准值和第12、第24个月的基准值进行了标注，整体上看，气缸排气温度基准值随着运行时间的增长逐渐上升，空车工况整体上升幅度约6.24％，进一上升5.56％，进二上升5.88％，进三上升5.78％，不同工况下气缸排气温度基准值均有不同程度的上升，进一步分析前12个月、前24个月基准值变化，发现基准值上升幅度和上升数值在不同阶段和不同工况存在差异，如进一工况1-12月上升幅度1.30％，上升数值3.64℃，13-24月之间上升幅度1.54％，上升数值4.39℃；进三工况1-12月上升幅度1.74％，上升数值7.17℃，13-24月之间上升幅度1.68％，上升数值7.02℃。气缸排温基准值上升可能是由于气缸长期工作，导致缸内结垢、积碳，影响气缸工作性能，使得缸内燃烧不充分，进而排气系统性能产生退化，气缸排温上升，这里仅考虑气缸自身情况，不考虑喷油器性能变化等其他因素。根据气缸排气温度基准值的变化，可设置一定阈值来定量判断基准值退化程度，进而对主机长期性能变化进行监测。在运行数据充足的条件下，可将单参数的监测扩展为多参数结合的形式来监测设备长期性能变化，从而更加准确地反映设备运行状态。
状态分类知识：用于通过决策树算法获取并保存状态分类知识；状态分类知识包含实船设备的健康分类知识规则和异常分类知识规则。
本具体实施例中，采用的决策树算法为C5.0决策树算法。
一个典型的状态分类知识如表3所示：
表3.状态分类知识表(节选)
规则序号 规则(IF…THEN) 置信度
状态特征知识：用于通过关联规则算法获取并保存状态特征知识；状态特征知识包含实船设备的健康状态知识规则和异常状态知识规则。
本具体实施例中，主机的状态分类知识如图3所示。
一个典型的状态特征知识如表4所示：
表4.状态特征知识表(节选)
规则序号 工况 规则(IF…THEN) 概率 重要性
主机当前状态分析模块：用于从知识规则中获取主机的当前的状态基准值，并将主机的当前的状态基准值和对应工况下的主机的健康状态基准值进行比对，并输出比对的结果。
主机长期状态分析模块：用于对不同时间段的主机的健康状态基准值和不同工况下的主机的健康状态基准值进行趋势分析。
本具体实施例中，主机长期状态分析模块界面如图4所示。
主机异常状态分析模块：用于从知识规则中获取不同工况下主机的状态分类知识和状态特征知识，并将当前状态知识规则和对应工况下主机的异常状态知识规则进行比对，并输出比对的结果。
本具体实施例中，主机异常状态监测分析界面如图5所示。
螺旋桨当前状态分析模块：用于从知识规则中获取不同工况下螺旋桨的当前的状态基准值，并将螺旋桨的当前的状态基准值和对应工况下的螺旋桨的健康状态基准值进行比对，并输出比对的结果；
本具体实施例中，螺旋桨当前状态分析模块界面如图6所示。
螺旋桨长期状态分析模块：用于对不同时间段的螺旋桨的健康状态基准值和不同工况下的螺旋桨的健康状态基准值进行趋势分析。
螺旋桨异常状态分析模块：用于从知识规则中获取不同工况下螺旋桨的状态分类知识和状态特征知识，并将当前运行工况状态知识规则和对应工况下螺旋桨的异常状态知识规则进行比对，并输出比对的结果。
船舶推进装置在运行过程中，由于船舶推进装置的设备退化和海上复杂外部因素，如大风浪，的出现，船舶推进装置会出现异常状态。
一般情况下，船舶上都安装有船舶推进监控系统，用于通过越限报警的方式实现状态监测。但是这种方式较为机械，在某些异常状态中，存在运行数据未达到报警阈值的情况，导致监控系统无法准确进行监测，因此对推进装置异常状态进行准确监测具有重要意义。
相比正常状态，异常状态出现的频率要少很多，所以异常状态下的运行数据量也较少，并且数据连续性较差，对于异常数据的筛选较为困难。
本具体实施例中，采用数据仓库实现系统中所有的交互的数据的管理工作。
数据仓库具有良好的数据处理能力，通过数据ETL能够对异常数据进行快速提取，实现对异常数据的集成管理，在异常数据的基础上开展异常状态的知识发现研究，构建船舶异常状态知识库，进而对推进装置异常状态进行监测分析。由于发明采用的数据大多来源于船舶正常运行状态下采集到的原始数据，异常状态运行数据较少，部分异常状态数据缺失关键信息，因此需要使用正常状态下的知识规则来对异常状态进行监测分析。
本具体实施例中，采用C5.0决策树算法进行异常状态监测；具体来说：
在推进装置数据仓库平台上，使用C5.0决策树算法对海量数据进行挖掘，由于异常状态包括的状态类型多，而现有的先验知识和数据量少，因此无法直接构建异常状态监测模型。
于是，本发明通过C5.0决策树算法构建正常状态监测模型，提取状态特征知识，在正常状态监测模型的基础上，通过追加待测状态数据，调用正常状态模型进行分类，从而以构建模型的方式实现异常状态监测，同时提取的状态特征知识可用作知识库构建。
本发明通过C5.0算法构建了船舶推进装置正常运行状态监测模型，正常状态下决策树算法会将9种正常工况下的数据进行分类，形成9个子节点。
本具体实施例中，将9种工况定义为-3到5之间的整数，然后通过数据追加节点，在原正常运行状态数据集中加入异常状态数据，重新运行C5.0算法构建决策树模型，将新构建的模型与正常状态下的监测模型进行对比，除去原来9个正常状态节点，剩下的节点全为异常状态数据节点，从而基于正常状态监测模型进行异常状态监测。
图中类别10为加入的异常状态数据，其他类别均为正常状态数据，可以看到在节点17中，C5.0算法将全部异常数据分类到该节点中，因此模型在一定程度上能较好地实现对异常状态的监测。
在推进装置数据仓库基础上，利用C5.0决策树算法构建状态监测模型，实现对异常状态的监测识别，这种监测方式快速高效，并且监测结果更加直观，模型构建完成后，只需要追加待测数据，调用模型即可实现监测。
需要说明的是，由于完整的异常监测模型生成的决策树较大，所以本具体实施例中只截取监测到异常状态的叶子节点。
软测量数据源模块：用于将知识规则中与主机、螺旋桨相关的参数的状态基准值进行抽取操作和整合操作，以及用于对传感器无法测量的参数进行软测量计算操作；软测量数据源模块中包含软测量数据源；软测量数据源包含主机软测量数据源，螺旋桨软测量数据源和船体粗糙度软测量数据源。
参数软测量计算模块：用于通过对软测量源数据进行软测量计算操作，获得并输出软测量计算参数；软测量计算参数包括主机软测量计算参数、螺旋桨软测量计算参数和船体粗糙度软测量计算参数。
本具体实施例中，参数软测量计算模块中包含用于对软测量源数据进行软测量计算操作时使用的软测量先验知识；软测量知识包含主机软测量公式，螺旋桨软测量公式，船体粗糙度软测量公式。
主机软测量公式放置于主机软测量公式表中；螺旋桨软测量公式放置于螺旋桨软测量公式表中；一个典型的螺旋桨软测量公式表如表5所示：
一个典型的螺旋桨软测量公式表如表5所示：
表5.螺旋桨软测量公式表(节选)
Figure BDA0003097905430000121
需要说明的是，无论哪种软测量知识表，其包含的具体公式数量都远超过本具体实施例中的用于示例的表格；每个公式都是本领域的现有技术的数学模型化结果，由人工直接预设在各个软测量知识表中；显然公式的数量、类型越丰富，则所能推算得到的船舶推进装置的数据则越全面，越有利于对船舶推进装置的状态分析和知识挖掘。
本具体实施例中，软测量源数据包含主机源数据、螺旋桨源数据、船体源数据；其中：
主机源数据：用于供给软测量计算操作使用，以获取主机软测量计算参数；主机源数据包含主机转速、燃油齿条位置、A列气缸排气温度和B列气缸排气温度。
螺旋桨源数据：用于供给软测量计算操作使用，以获取螺旋桨软测量计算参数；螺旋桨源数据包含轴功率、轴转速、轴扭矩、航速和推力。
船体源数据：用于供给所述软测量计算操作使用，以获取船体粗糙度软测量计算参数；船体源数据包含轴转速、航速和推力。
具体来说：主机源数据对应主机源数据表，螺旋桨源数据对应螺旋桨源数据表。一个典型的主机源数据表如表1所示：
表1.软测量主机源数据表(节选)
字段名 数据类型 说明
主机转速 Decimal(18,0) 转速度量值
燃油齿条位置 Decimal(18,0) 燃油齿条位置度量值
其中主要字段的意义如下：主机转速为主机旋转速度；燃油齿条位置为油门大小；
需要说明的是，无论是主机源数据还是螺旋桨源数据，其包含的具体字段数量都远超过本具体实施例中的用于示例的表格；每个字段就是采集的一种具体数据的记录；显然字段的数量、类型越丰富，则搜集到的船舶推进装置的数据则越全面，越有利于对船舶推进装置的状态分析和知识挖掘。
本具体实施例中，螺旋桨软测量公式中包含推力系数计算公式、扭矩系数计算公式、进速系数计算公式、螺旋桨功率计算公式、修正推力系数计算公式、修正扭矩系数计算公式、修正进速系数计算公式和修正螺旋桨功率计算公式。
参数软测量分析模块：用于对不同工况下的主机软测量参数、螺旋桨软测量参数和船体粗糙度系数进行趋势分析，以及用于对不同时间段条件下的主机的参数、螺旋桨的参数和船体粗糙度系数进行趋势分析；参数软测量分析模块包含主机软测量分析子模块、螺旋桨软测量分析子模块和船体粗糙度软测量分析子模块。
本具体实施例中，螺旋桨软测量参数包含水动力性能参数；水动力性能参数包含推力系数、扭矩系数、进速系数和螺旋桨效率。螺旋桨软测量参数采用螺旋桨软测量参数表的形式在系统中传递数据；一个典型的螺旋桨软测量参数表如表6所示：
表6.螺旋桨软测量参数表(节选)
Figure BDA0003097905430000141
需要说明的是，本发明所使用的螺旋桨软测量参数表，其包含的具体字段数量都远超过本具体实施例中的用于示例的表格。
本具体实施例中，船体粗糙度软测量分析子模块中，不同粗糙度下的螺旋桨水动力特性曲线如图7所示。
本具体实施例中所涉及的数据仓库，采用如下方法构建：
S100.建立分析系统框架；分析系统框架中包含多个事实表和多个维度表；具体包含以下步骤：
S110.利用人工预设的信息包图，建立概念模型。
需要说明的是，不同的船舶推进装置，其信息包图会有差异，需要使用者在使用本发明前预先设置好。
信息包图包含维度、类别和度量值；其中：
维度包含时间维、工况维、设备维和运行模式维。
这些维度组成了多个数据立方体，即本技术领域中的所谓数据单元。
在数据立方体的基础上，可通过钻取、上卷、切片、切块以及旋转这几项基本操作来进行多维数据查询分析。这几项操作统称为OLAP操作；运用这些操作不仅能完成简单的数据查询，还能通过各种聚合函数完成对数据立方体的复杂查询和分析，使数据查询分析结果变得更加直观。具体来说：
所谓钻取(Drill-down)，是指在汇总的数据中，根据维度的层次自顶向下获取低粒度层面的细节数据。所谓上卷(Roll-up)，是钻取的逆操作，数据由低层次向高层次进行聚集。所谓切片(Slice)，是对数据立方体的某一维度属性进行选定，保证其他维度不发生变化，从而生成一个子立方体。所谓切块(Dice)，是选定数据立方体的各个维的一部分属性区间或者全部区间，来生成新的子数据立方体，切块操作可看成是多步骤的切片操作。所谓旋转(Pivot)，就是变换维度位置，将工况维和设备维调换，则相对于17a，立方体进行了旋转，旋转类似二维表的行列互换，这样可使数据立方体以一个新的角度展示。
度量值与原始运行数据为一一对应关系。
S120.利用概念模型，建立逻辑模型；逻辑模型为星型模型，包含事实表和维度表。
S130.利用逻辑模型，采用数据库软件，建立得到数据仓库框架。
本具体实施例中，数据仓库框架采用MSSQL软件建立。
S200.从船舶推进装置的监控组态软件中抽取表征船舶推进装置性能的原始运行数据，然后转储到预设好的关系数据库中；船舶运行中，监控组态软件存储了海量历史数据，数据经过转储后进入关系数据库，形成构建数据仓库的源数据，根据相应分析主题，运用ETL工具进行数据预处理。
本具体实施例中，监控组态软件为紫金桥组态软件。
S300.从关系数据库中，对原始运行数据进行ETL操作，得到标准化数据；然后将标准化数据填入对应的事实表；然后将填充有标准化数据的事实表与对应的维度表辐射连接；具体来说，是使用SSIS工具对原始运行数据进行ETL操作，得到标准化数据。
本具体实施例中，推进装置数据仓库以MS-SQL平台为基础进行设计，ETL过程在高性能数据集成组件中进行。设计ETL过程首先在控制流视图选项卡中添加数据流任务组件，然后进入数据流视图选项卡，分别添加数据源组件、数据转换组件、数据目标组件，设置好相关组件内容并依次连接，然后使用连接管理器与数据源建立连接。
需要说明的是SSIS中源组件设置抽取的方式分两种：
一种是根据主题的需求添加SQL命令筛选抽取数据，这种方式减少了不必要的数据抽取，提高了数据处理效率。
另一种是从现有数据表或视图直接抽取，这种方式是基于关系数据库中表数据完全满足主题的需要，或者已整合出所需数据的视图，这种方式操作便捷，无需编写程序代码。
在数据流转换组件中可以通过编辑组件内容调整输入输出列，转换数据类型并设置长度、精度、小数位数等相应参数。数据目标组件控制数据的输出，数据输出的方式和输入的方式相似：
一种情况是直接输出到关系库中已存在的数据表或视图。
另一种是通过SQL命令创建新数据表或视图进行输出。
采用上述方法，在SSIS中建立推进装置SSIS包，添加控制流组件和数据流组件，在连接管理器中设置数据源，从数据流组件进入编辑ETL数据流任务。首先对多个数据源的数据进行合并和数据转换，然后根据车令表等先验知识设置相应的数据筛选条件，将原始运行数据分类、转换，形成一系列有规律的数据表加载到相应主题数据仓库中，加载完成后的工况事实数据表，可作为基本查询分析数据表。
同理设计推进装置参数软测量ETL数据处理流程，ETL按照设备来分类筛选数据，在各设备基础上进一步细分获取事实表。
S400.对标准化数据进行数据挖掘操作，得到船舶推进装置的状态知识；然后将状态知识回填到数据仓库框架中，得到性能分析数据仓库；状态知识包含状态基准模式知识、状态特征知识和状态关联知识。具体来说，是采用Modeler平台对标准化数据进行数据挖掘操作，得到船舶推进装置的状态知识，具体包含以下步骤：
S410.对标准化数据进行预处理操作，得到优化运行数据；具体包含以下步骤：
S411.对标准化数据采用K-Means聚类算法进行离群点检测，筛选出标准化数据中的缺失值和异常值；
本具体实施例中，S411步骤的具体做法如下：
对进一工况下气缸排温运行数据进行聚类离群点检测，借助箱型图进分析聚类数据的分布情况。表7为参数箱型图统计值情况，包括上、下四分位数、中位数、四分位距以及计算得到的正常点范围。而表8为聚类簇中各参数上、下四分位数范围。
表7.箱型图统计值表
下四分位数 中位数 上四分位数 四分位距 正常范围
A1 280.92 283.51 286.31 5.39 (272.835,294.395)
A2 296.31 299.11 301.58 5.27 (288.405,309.485)
B1 246.77 249.69 251.19 4.42 (240.14,257.82)
B2 245.81 249.22 250.33 4.52 (239.03,257.11)
表8.聚类簇中各参数上下四分位数范围表
Figure BDA0003097905430000171
Figure BDA0003097905430000181
聚类簇1各参数数据均在上、下四分位数范围内，聚类簇4中各气缸排温数据接近下四分位数，聚类簇2和聚类簇3中气缸排温数据不同程度地大于上四分位数，初步判断聚类簇2中数据为离群点。通过表7和表8定量分析，将表8中聚类簇中各参数上、下四分位数范围与表7中正常范围进行对比，发现聚类簇2中A1、A2、B1接近临界值，B2超出临界值，其余簇中参数均在正常范围内，因此确定聚类簇2中数据为离群点。
本具体实施例中，数据挖掘模块中总体聚类数据的箱型图如图8所示。
S412.通过采用拉格朗日多项式插值法对缺失值和异常值进行插补，将标准化数据转为优化运行数据；这是由于运行数据在经过检测后需要对缺失值和异常值进行处理，在数据量大时可直接删除，而有些“缺失值”是由推进监控系统中参数历史组态设置的采集频率不同导致的，同一时间段内高频采集点比低频采集点数据多出90％，直接删除这类“缺失值”会造成大量信息流失。一般采用插值法插补数据，常用插值法有拉格朗日多项式插值、Hermite插值以及范德蒙多项式逼近、切比雪夫多项式逼近等方法，这些方法的本质都是通过已有数据拟合得到插值函数，通过进行插值函数进行数据插补。本文采用拉格朗日多项式插值法插补缺失数据。
如图9所示，本具体实施例中，具体方法如下：
设函数y＝f(x)区间[a，b]上有定义，存在n+1个相异点(x0,y0)，(x1,y1)，···，(xn,yn)满足函数，令C＝{0,1,···,n}，则可以构造一个过这n+1个点的不超过n阶的多项式Pn(x)，则有式(1)：
Pn(x)＝z,i∈C (1)
该多项式形成的函数z＝Pn(x)为原函数f(x)的插值函数，相异点被称为插值点。i取集合C中任意值都有Pi(x)对应，设D＝{j|j≠i,j∈C}，则拉格朗日多项式按式(2)表达：
Figure BDA0003097905430000191
Pi(x)又被称为插值基函数，进一步得到拉格朗日插值公式按式(3)表达：
Figure BDA0003097905430000192
得到的拉格朗日插值公式相当于利用已知点拟合得到的函数，函数计算结果即为插值点。
在主机转速对应下，对主机某气缸排温进行插值，截取A、B、C、D四组数据点，A＝{(555,291.6)，(556,292.3)，(557,293.1)，(559,293.3)，(561,294.5)}，B＝{(555,282.0)，(556,283.7)，(557,283.4)，(559,281)，(561,283.7)}，C＝{(728,411.6)，(730,411.5)，(731,407.9)，(733,408.1)，(735,407.8)}，D＝{(728,408.2)，(730,408.5)，(731,407.9)，(733,407.8)，(735,408.3)}，利用Python中拉格朗日函数Lagrange()进行插值，调用函数并等距离在区间[555,561]、[728,735]上取50个点进行插值。分别对A、B组和C、D组进行验证，取横坐标558对A、B组插值结果进行验证，取732对C、D组插值结果进行验证，计算A组坐标为(558,293.4)，B组坐标也为(558,282.1)，C组坐标为(732,406.6)，D组坐标也为(732,407.6)，A组实际坐标为(558,293.1)，B组实际坐标为(558,282.1)，C组实际坐标为(732,406.4)，D组实际坐标为(732,407.9)，两组插值结果与实际值的误差基本可忽略不计。
根据运行数据分析发现，不同时间维度下相同主机转速对应的排温有一定差异，一条气缸排气温度事实数据与其前后事实数据较为接近，因此采用拉格朗日插值法进行滑动插值，通过取缺失值前后几个点来进行插值，这样得到的插值结果与实际数据更加接近。
S420.采用聚类算法对优化运行数据进行数据挖掘，得到状态基准模式知识。
本具体实施例中，聚类算法采用K-Means算法。具体来说方法如下：
首先对各稳态工况数据集分别进行聚类，参与聚类的参数包括主机转速、螺距、轴转速、轴功率、燃油齿条位置。以进一稳态工况聚类为例，依托Modeler平台执行K-Means聚类，Modeler是一个数据挖掘数据挖掘建模平台，该平台在提供各种功能节点的基础上，能直接与多种数据库连接，并且支持对MS-SQL数据库中算法的调用，符合平台推进装置一体化的要求，后续决策树、关联规则算法也基于Modeler平台执行。
然后执行K-Means聚类算法流程，根据手肘图设置聚类数K为3或4，在K＝3和K＝4时分别进行聚类得到表9。从表中簇数据占比可以看到K从3到4，聚类簇Clu-1和Clu-2簇心和数据占比没发生变化，而Clu-3拆分成了两个新的簇，新的簇数据占比较少，对基准值选取不造成影响，所以选择K＝3完成全工况聚类。进一工况聚类基准值选取Clu-1簇心。
表9.不同K值下进一工况部分参数聚类值比较表
Figure BDA0003097905430000201
经过对该船各稳态工况下的参数进行聚类后，得出了各工况参数的基准值，表10为聚类基准值与实验平台稳态值，聚类基准值与实验平台稳态值存在差异，基准值来源于实船数据，与实船性能匹配度高，因此可以聚类基准值修正实验平台中的数据模型，进而更准确地对该型船进行研究。
表10.聚类基准值与平台稳态值对比表
Figure BDA0003097905430000202
Figure BDA0003097905430000211
推进装置的基准值是当前系统设备参数的标准值，获取基准值需要对大量运行数据进行聚类分析，通过对聚类过程追加最新数据可以获取推进装置最新的基准值，长期跟踪推进装置基准值有利于研究船舶系统设备退化情况，便于进行推进装置建模和研究平台模型参数修正。同时，基准值可作为系统状态监测的标准值存储到数据仓库，状态判断时通过转储工具调用基准值来进行系统基准状态识别。
S430.采用决策树算法对优化运行数据进行数据挖掘，得到状态特征知识。
本具体实施例中，决策树算法采用C5.0算法。具体来说方法如下：
使用C5.0算法构建推进系统正常工况识别决策树，树的最大深度设置为6，运行C5.0算法得到图10推进系统正常工况决策树，图中标出了节点中包含的各工况数据占比，并将工况数据占比以直方图的形式进行展示，可以看到最终的叶子节点都只有一个工况，说明决策树模型能准确识别正常工况。获取图中决策树预测变量重要性，预测变量重要性越高表明利用该参数分类效率越高，参数的信息增益率越大，模型中主机功率重要性为0.70，主机转速0.14，燃油齿条位置0.11，桨角0.04，其余参数的重要性太低忽略不计且不参与模型构建，所以图中决策树的两层节点都是由主机功率来进行划分，因此在构建决策树模型时，参数的选取直接影响分类效率。然后，利用C5.0算法生成推进系统正常运行模式规则集，规则集相当于将决策树分类识别的过程进行逻辑化，适合快速了解决策树模型分类的依据，如表11为正常运行模型下生成的规则集，表中不同工况的规则复杂度不同，如进五工况规则前件仅包含主机功率一个参数，而进二工况包含三个参数，经过分析发现在正常工况识别中，由于进一、进二工况下某些参数值相近，当分类参数数量较少时会出现误分类的情况，因此在分类参数充足的情况下会使用多个参数保证分类准确性，而在进五工况下其主机功率与其他待分类工况的主机功率有明显差距时，直接以一个参数形成规则即可。
表11.推进系统知识规则表(正常运行模式)
Figure BDA0003097905430000221
S440.采用关联规则算法对优化运行数据进行数据挖掘，得到状态关联知识。
本具体实施例中，关联规则算法采用Apriori算法。
推进系统工况特征知识是指在一定工况下，推进系统设备运行参数间的一种对应量化关系，这种定量的关系能反映运行工况的特征。通过对工况特征知识的挖掘，实现多条特征知识与单一工况多对一的映射关系，便于快速判断运行工况，建立运行工况特征知识库。运用关联规则算法从实船运行数据中提取出特征知识十分便捷，Apriori关联规则算法在对指定参数运行数据进行挖掘时会生成大量频繁项集，在频繁项集的基础上会进一步生成规则，通过设置支持度、重要性对规则进行筛选。与决策树算法相同，Apriori算法执行前需要对数据进行离散化，因此通过类型节点设置变量类型来离散数据。由于算法节点可直接调用MS-SQL中的Apriori关联规则算法进行数据挖掘，因此也可使用MS-SQL来离散数据，并提前在MS-SQL平台中构建Apriori关联规则模型，从而提高算法流程的执行效率。
表12.推进系统空车、进一、进三工况关联规则表(正常运行模式)
Figure BDA0003097905430000222
Figure BDA0003097905430000231
表12是使用Apriori关联规则算法挖掘的正常运行模式下空车、进一、进三工况的特征知识，特征知识具体由主机转速、燃油齿条位置、A1缸排气温度三个参数形成的规则集合组成，主机转速、燃油齿条位置作为规则前件，A1缸排气温度作为后件。表12中概率为规则置信度，重要性表示规则有价值程度，根据概率阈值和重要性阈值分别筛选出空车、进一、进三概率和重要性相对较高的规则。空车工况下的规则2与先验知识匹配，规则1中A1缸排气温度区间值远大于基准值，且与离群点范围有较大差异；在进一工况下，规则3、4、5、6、7中主机转速对规则的影响不大，燃油齿条位置的范围变化是规则生成的关键，规则中的燃油齿条位置与基准值相差不大；在进三工况下，规则8、9符合先验知识，但是挖掘过程中产生的规则数较少，符合概率和重要性阈值设定的规则较少。根据以上规则中的问题，进一步分析：规则2中A1缸温度低于基准值一般发生在主机启动运行阶段，造成偏差的原因是温度参数变化速率要慢于动力学参数；规则3中A1波动范围较大，偏离基准值，因此该条规则可能来源于进一动态工况，规则4、5、6、7中的参数值都在基准值附近波动，因此适合作为进一稳态工况下的规则；进三工况规则少，并且概率与重要性偏低是因为主机转速、燃油齿条位置在进三工况下与A1缸排气温度关联性较差，即规则前件部分的参数对于挖掘结果提升度较小。利用数据可视化节点生成主机转速和A、B列气缸排温的散点图矩阵，如图11所示，通过散点图矩阵可以看出参数相关性，图中气缸排温之间成线性关系，主机转速与气缸排温之间近似线性关系。散点图矩阵便于快速观察多参数间的分布关系。根据图11散点图矩阵得到A1、A2、B1、B2列气缸排气温度成线性相关，因此将前件中的参数更换为A2、B1、B2列气缸排气温度，然后对A1列气缸排气温度重新进行数据挖掘得到表13，表中规则的概率和重要性都大于1，说明在不同工况下进行关联规则算法的特征知识挖掘时，应根据参数关联性来选择前件参数。进一步对表13中的规则进行分析，可看出410.24是进三工况下A1缸排温值，排温值在限定范围内，符合先验知识；规则1、3的相似性很高，可以进行规则整合。
表13.推进系统进三工况关联规则表(正常运行模式)
Figure BDA0003097905430000241
综合分析各项规则，发现上述规则都具有一定的实用性。通过规则可以看出关联规则算法通过对历史运行数据细分来提高知识规则的可靠性，规则中参数区间较窄是由于历史数据来源于稳态工况，稳态工况下参数的波动范围较小。同时，需要注意的是，同一稳定工况下，数据量不同挖掘得到的参数范围也存在差异。综合分析各项规则，发现上述规则都具有一定的实用性。通过规则可以看出关联规则算法通过对历史运行数据细分来提高知识规则的可靠性，规则中参数区间较窄是由于历史数据来源于稳态工况，稳态工况下参数的波动范围较小。同时，需要注意的是，同一稳定工况下，数据量不同挖掘得到的参数范围也存在差异。
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本文给出的实施例，而是与本申请公开的原理和新颖性特征的最广范围相一致。
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或”是要表示“非排它性的或者”。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种用于实船设备健康状态监测的船舶推进装置性能分析系统，其特征在于：包含以下模块：
数据提取模块：用于对原始数据进行数据提取操作，获得并输出运行数据；所述原始数据由安装在船舶推进装置的传感器采集；所述运行数据包含主机运行数据，螺旋桨运行数据和船体运行数据；
数据挖掘模块：用于对运行数据进行数据挖掘操作，获得并输出用于获取船舶推进装置的知识规则；所述数据挖掘模块具体包括数据挖掘算法和知识规则；其中：
所述数据挖掘算法包括状态基准值挖掘算法、状态分类知识挖掘算法和状态特征知识挖掘算法；其中：
所述状态基准值挖掘算法采用聚类算法；所述状态分类知识挖掘算法采用决策树算法；所述状态特征知识挖掘算法采用关联规则算法；
所述知识规则包括当前状态知识规则、健康状态知识规则和异常状态知识规则；其中：
所述当前状态知识规则包含状态基准值、状态分类知识和状态特征知识；所述健康状态知识规则包含健康状态基准值、健康状态分类知识和健康状态特征知识；所述异常状态知识规则包含异常状态分类知识和异常状态特征知识；
所述状态基准值：用于存放所述主机参数状态基准值和螺旋桨参数状态基准值；
所述状态分类知识：用于通过决策树算法获取并保存状态分类知识；所述状态分类知识包含实船设备的健康分类知识规则和异常分类知识规则；
所述状态特征知识：用于通过关联规则算法获取并保存状态特征知识；所述状态特征知识包含实船设备的健康状态知识规则和异常状态知识规则；
主机当前状态分析模块：用于从所述知识规则中获取主机的当前的状态基准值，并将主机的当前的状态基准值和对应工况下的主机的健康状态基准值进行比对，并输出比对的结果；
主机长期状态分析模块：用于对不同时间段及不同工况下的主机的健康状态基准值进行趋势分析；
主机异常状态分析模块：用于从所述知识规则中获取不同工况下主机的状态分类知识和状态特征知识，并将当前的状态知识规则和对应工况下主机的异常状态知识规则进行比对，并输出比对的结果；
螺旋桨当前状态分析模块：用于从所述知识规则中获取不同工况下螺旋桨的当前的状态基准值，并将螺旋桨的当前的状态基准值和对应工况下的螺旋桨的健康状态基准值进行比对，并输出比对的结果；
螺旋桨长期状态分析模块：用于对不同时间段且不同工况下的螺旋桨的健康状态基准值进行趋势分析；
螺旋桨异常状态分析模块：用于从所述知识规则中获取不同工况下螺旋桨的状态分类知识和状态特征知识，并将当前的状态知识规则和对应工况下螺旋桨的异常状态知识规则进行比对，并输出比对的结果；
软测量数据源模块：用于将所述知识规则中与主机、螺旋桨相关的参数的状态基准值进行抽取操作和整合操作，以及用于对传感器无法测量的参数进行软测量计算操作；所述软测量数据源模块中包含软测量数据源；所述软测量数据源包含主机软测量数据源，螺旋桨软测量数据源和船体粗糙度软测量数据源；
参数软测量计算模块：用于通过对软测量源数据进行软测量计算操作，获得并输出软测量计算参数；所述软测量计算参数包括主机软测量计算参数、螺旋桨软测量计算参数和船体粗糙度软测量计算参数；
参数软测量分析模块：用于对不同工况下的主机软测量参数、螺旋桨软测量参数和船体粗糙度系数进行趋势分析，以及用于对不同时间段条件下的主机的参数、螺旋桨的参数和船体粗糙度系数进行趋势分析；所述参数软测量分析模块包含主机软测量分析子模块、螺旋桨软测量分析子模块和船体粗糙度软测量分析子模块。
2.根据权利要求1所述的用于实船设备健康状态监测的船舶推进装置性能分析系统，其特征在于：所述螺旋桨软测量参数包含水动力性能参数；所述水动力性能参数包含推力系数、扭矩系数、进速系数和螺旋桨效率。
3.根据权利要求2所述的用于实船设备健康状态监测的船舶推进装置性能分析系统，其特征在于：所述软测量源数据包含主机源数据、螺旋桨源数据、船体源数据；其中：
所述主机源数据：用于供给所述软测量计算操作使用，以获取所述主机软测量计算参数；所述主机源数据包含主机转速、燃油齿条位置、A列气缸排气温度和B列气缸排气温度；
所述螺旋桨源数据：用于供给所述软测量计算操作使用，以获取所述螺旋桨软测量计算参数；所述螺旋桨源数据包含轴功率、轴转速、轴扭矩、航速和推力；
所述船体源数据：用于供给所述软测量计算操作使用，以获取所述船体粗糙度软测量计算参数；所述船体源数据包含轴转速、航速和推力。
4.根据权利要求4所述的用于实船设备健康状态监测的船舶推进装置性能分析系统，其特征在于：所述参数软测量计算模块中包含用于对所述软测量源数据进行软测量计算操作时使用的软测量先验知识；所述软测量知识包含主机软测量公式，螺旋桨软测量公式，船体粗糙度软测量公式。
5.根据权利要求4所述的用于实船设备健康状态监测的船舶推进装置性能分析系统，其特征在于：所述螺旋桨软测量公式中包含推力系数计算公式、扭矩系数计算公式、进速系数计算公式、螺旋桨功率计算公式、修正推力系数计算公式、修正扭矩系数计算公式、修正进速系数计算公式和修正螺旋桨功率计算公式。
6.根据权利要求1所述的用于实船设备健康状态监测的船舶推进装置性能分析系统，其特征在于：所述主机参数状态基准值通过聚类算法获得。
7.根据权利要求1所述的用于实船设备健康状态监测的船舶推进装置性能分析系统，其特征在于：所述螺旋桨参数状态基准值通过聚类算法获得。
CN202110615627.8A 2021-06-02 2021-06-02 用于实船设备健康状态监测的船舶推进装置性能分析系统 Active CN113434569B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110615627.8A CN113434569B (zh) 2021-06-02 2021-06-02 用于实船设备健康状态监测的船舶推进装置性能分析系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110615627.8A CN113434569B (zh) 2021-06-02 2021-06-02 用于实船设备健康状态监测的船舶推进装置性能分析系统

Publications (2)

Publication Number Publication Date
CN113434569A true CN113434569A (zh) 2021-09-24
CN113434569B CN113434569B (zh) 2022-06-07

Family

ID=77803650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110615627.8A Active CN113434569B (zh) 2021-06-02 2021-06-02 用于实船设备健康状态监测的船舶推进装置性能分析系统

Country Status (1)

Country Link
CN (1) CN113434569B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116773169A (zh) * 2023-06-20 2023-09-19 南通思诺船舶科技有限公司 一种推进轴健康管理方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102662365A (zh) * 2012-04-26 2012-09-12 中国人民解放军海军工程大学 一种船舶电力监控网络的状态监测方法及系统
EP2722823A2 (en) * 2012-10-18 2014-04-23 The Boeing Company Platform health monitoring system
US20170046839A1 (en) * 2015-08-14 2017-02-16 Elucid Bioimaging Inc. Systems and methods for analyzing pathologies utilizing quantitative imaging
CN109559025A (zh) * 2018-11-15 2019-04-02 安徽省交通控股集团有限公司 一种桥梁检监测一体化健康状况评估体系及其使用方法
CN110261122A (zh) * 2019-06-20 2019-09-20 大连理工大学 一种基于分块的船舶柴油机故障监测方法
CN111651530A (zh) * 2020-06-04 2020-09-11 广州港集团有限公司 一种智能化港口监测系统
CN112214866A (zh) * 2020-08-25 2021-01-12 武汉船用机械有限责任公司 船用设备健康状况判定方法、装置和计算机设备
US20210044119A1 (en) * 2019-08-08 2021-02-11 ABB Schweiz AG CH-5400 Baden Method of performing a state of health estimation for a rechargeable battery energy storage system

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102662365A (zh) * 2012-04-26 2012-09-12 中国人民解放军海军工程大学 一种船舶电力监控网络的状态监测方法及系统
EP2722823A2 (en) * 2012-10-18 2014-04-23 The Boeing Company Platform health monitoring system
US20170046839A1 (en) * 2015-08-14 2017-02-16 Elucid Bioimaging Inc. Systems and methods for analyzing pathologies utilizing quantitative imaging
CN109559025A (zh) * 2018-11-15 2019-04-02 安徽省交通控股集团有限公司 一种桥梁检监测一体化健康状况评估体系及其使用方法
CN110261122A (zh) * 2019-06-20 2019-09-20 大连理工大学 一种基于分块的船舶柴油机故障监测方法
US20210044119A1 (en) * 2019-08-08 2021-02-11 ABB Schweiz AG CH-5400 Baden Method of performing a state of health estimation for a rechargeable battery energy storage system
CN111651530A (zh) * 2020-06-04 2020-09-11 广州港集团有限公司 一种智能化港口监测系统
CN112214866A (zh) * 2020-08-25 2021-01-12 武汉船用机械有限责任公司 船用设备健康状况判定方法、装置和计算机设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡琦等: "船舶监控系统运行数据抽取与分析方案设计", 《船海工程》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116773169A (zh) * 2023-06-20 2023-09-19 南通思诺船舶科技有限公司 一种推进轴健康管理方法及系统
CN116773169B (zh) * 2023-06-20 2024-04-26 南通思诺船舶科技有限公司 一种推进轴健康管理方法及系统

Also Published As

Publication number Publication date
CN113434569B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
Rathore et al. A rapid hybrid clustering algorithm for large volumes of high dimensional data
US7765216B2 (en) Multidimensional analysis tool for high dimensional data
CN111914112B (zh) 一种基于点云分类网络的零件cad模型重用方法
JP2004532453A (ja) データ処理システムにおいてカテゴリ・データ・セットを順序付けするための連続最適化の使用
US11442915B2 (en) Methods and systems for extracting and visualizing patterns in large-scale data sets
CN109446184B (zh) 基于大数据分析平台的发电大数据预处理方法及系统
CN113434569B (zh) 用于实船设备健康状态监测的船舶推进装置性能分析系统
CN111008726A (zh) 一种电力负荷预测中类图片转换方法
Tamilselvi et al. An efficient preprocessing and postprocessing techniques in data mining
Hou et al. FuS-GCN: Efficient B-rep based graph convolutional networks for 3D-CAD model classification and retrieval
WO2020118928A1 (zh) 一种面向海量设备运行数据的分布式时间序列模式检索方法
CN114386466A (zh) 一种用于脉冲星搜寻中候选体信号挖掘的并行的混合聚类方法
CN113449045A (zh) 用于船舶推进系统性能分析的数据仓库系统
CN112215655B (zh) 一种客户画像的标签管理方法及系统
CN113378889A (zh) 密度聚类分箱方法
CN117421994A (zh) 一种边缘应用健康度的监测方法和监测系统
CN113010597A (zh) 一种面向海洋大数据的并行关联规则挖掘方法
WO2024007580A1 (zh) 一种基于混合聚类的电力设备并行故障诊断方法及装置
Malik et al. A comprehensive approach towards data preprocessing techniques & association rules
CN111831693A (zh) 一种基于数值型关联分析的光学遥感载荷指标获取方法
CN112766356A (zh) 一种基于动态权重D-XGBoost模型的预测方法及系统
Xu et al. Research on High-dimensional Data Mining Based on Big Data
CN113723835B (zh) 火电厂用水评估方法和终端设备
Milenova et al. Mining high-dimensional data for information fusion: a database-centric approach
CN112395475B (zh) 一种基于快速搜索与密度峰值聚类的服务商聚类方法

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