CN113449045A - 用于船舶推进系统性能分析的数据仓库系统 - Google Patents

用于船舶推进系统性能分析的数据仓库系统 Download PDF

Info

Publication number
CN113449045A
CN113449045A CN202110615583.9A CN202110615583A CN113449045A CN 113449045 A CN113449045 A CN 113449045A CN 202110615583 A CN202110615583 A CN 202110615583A CN 113449045 A CN113449045 A CN 113449045A
Authority
CN
China
Prior art keywords
data
soft measurement
propulsion system
parameters
propeller
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.)
Pending
Application number
CN202110615583.9A
Other languages
English (en)
Inventor
陈于涛
胡琦
朱国情
李东亮
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 CN202110615583.9A priority Critical patent/CN113449045A/zh
Publication of CN113449045A publication Critical patent/CN113449045A/zh
Pending legal-status Critical Current

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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
    • 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)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Fuzzy Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及用于船舶推进系统性能分析的数据仓库系统，包含以下模块：源数据模块，包含源数据表；源数据表中的每个字段与一种原始运行数据一一对应，且数据格式一致；数据提取模块，包含软测量主题事实表和状态监测主题事实表；多维分析处理模块，获得并输出软测量数据表、推进系统设备特性表；数据挖掘模块，获得并输出知识规则表、推进系统状态监测结果表。本发明解决了监控系统的数据的存储、查询、分析、应用问题；对推进系统进行数据挖掘能提取大量有价值的知识，有利于推进系统知识库的构建和相关应用的展开；从而提高了数据仓库多维分析效率和数据可视化能力。

Description

用于船舶推进系统性能分析的数据仓库系统
技术领域
本发明涉及船舶推进系统大数据技术领域，具体地涉及用于船舶推进系统性能分析的数据仓库系统。
背景技术
船舶推进系统在运行过程中会产生海量运行数据，推进监控系统采集传输运行数据，并将数据存储在上位机监控组态软件数据库中。当前船舶推进监控系统对于这些运行数据的利用还非常简单，对数据的利用仍停留在较低的层次，处于直接应用的阶段，即只能读取和使用由各传感器采集的原始数据，并根据这些原始数据做相应的判断与决策，且这个过程是完全依赖于监控组态软件的。现有技术的缺陷如下：
1.由于利用原始数据完成决策工作的过程是依赖于监控组态软件的，但监控组态软件并不具备存储、查询、分析大量历史数据的能力，从而使得海量的数据无法作为有价值的历史数据提供进一步的知识；
2.由于对原始数据是直接应用，没有进一步提取数据背后隐藏的知识，从而在浪费了海量且宝贵的运行数据资源的同时，还使船舶推进系统的管理工作处于低效的状态；
3.由于对原始数据的利用方式尚停留在较低的层次，数据的可视化程度很低，从而使得操作人员读取数据的时很不直观，进一步降低了船舶推进系统的管理工作效率。
发明内容
本发明针对上述问题，提供用于船舶推进系统性能分析的数据仓库系统，其目的在于[优点]
为解决上述问题，本发明提供的技术方案为：
一种用于船舶推进系统性能分析的数据仓库系统，包含以下模块：
源数据模块：用于保存船舶推进系统在运行过程中产生的原始运行数据；所述源数据模块包含源数据表；所述源数据表中的每个字段与一种原始运行数据一一对应，且数据格式一致；
数据提取模块：用于通过对所述源数据表进行ETL操作，获得供多维分析处理模块进行数据分析所使用的软测量主题事实表，和供数据挖掘模块进行数据挖据所使用的状态监测主题事实表；
多维分析处理模块：用于对所述软测量主题事实表进行多维分析处理操作，获得并输出用于对船舶推进系统的特性参数进行软计算操作的软测量数据表，以及获得并输出用于对船舶推进系统的参数特征进行计算的推进系统设备特性表；
数据挖掘模块：用于对所述状态监测主题事实表进行数据挖掘操作，获得并输出用于获取船舶推进系统中的知识规则的知识规则表，以及获得并输出用于对船舶推进系统进行状态监测操作的推进系统状态监测结果表。
优选地，所述软测量主题事实表具体包含：
软测量主机事实表：用于对主机的运行参数进行软测量计算；所述软测量主机事实表具体包含的字段有：主机转速和燃油齿条位置；
软测量螺旋桨事实表：用于对螺旋桨的水动力特性参数进行软测量计算；所述软测量螺旋桨事实表具体包含的字段有：轴功率、轴转速、轴扭矩、航速和维度表索引；
软测量传动装置事实表：用于对传动装置的运行参数进行软测量计算；
软测量其他事实表：用于对船舶推进系统的其他设备的运行参数进行软测量计算。
优选地，所述软测量数据表具体包含：
主机参数软测量数据表：用于装载对主机的运行参数进行软测量计算的结果；所述主机参数软测量数据表的字段与所述软测量主机事实表的字段相同且对应字段的数据结构一致；
螺旋桨参数软测量数据表：用于装载对螺旋桨的水动力特性参数进行软测量计算的结果；所述螺旋桨参数软测量数据表的字段与所述软测量螺旋桨事实表的字段相同且对应字段的数据结构一致；
传动装置参数软测量数据表：用于装载对传动装置的运行参数进行软测量计算的结果；所述传动装置参数软测量数据表的字段与所述软测量传动装置事实表的字段相同且对应字段的数据结构一致；
其他参数软测量数据表：用于装载对船舶推进系统的其他设备的运行参数进行软测量计算的结果；所述其他参数软测量数据表的字段与所述软测量其他事实表的字段相同且对应字段的数据结构一致。
优选地，所述多维分析处理模块还包含用于提供软测量所需公式的软测量先验知识表；所述软测量先验知识表包含主机软测量公式表、螺旋桨软测量公式表、传动装置软测量公式表和其他软测量公式表。
优选地，所述螺旋桨软测量公式表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，所述推进系统设备特性表具体包含：
主机特性表：用于对主机的运行参数进行软测量计算的结果进行整理，并记录所述主机的运行参数的变化；
螺旋桨特性表：用于对螺旋桨的水动力特性参数进行软测量计算的结果进行整理，并记录所述水动力特性参数的变化；
传动装置特性表：用于对传动装置的运行参数进行软测量计算的结果进行整理，并记录所述传动装置的运行参数的变化；
其他特性表：用于对船舶推进系统的其他设备的运行参数进行软测量计算的结果进行整理，并记录所述其他设备的运行参数的变化。
优选地，所述知识规则表具体包含：
状态基准知识表：用于存放主机的参数点的基准值、螺旋桨的参数点的基准值、传动装置的参数点的基准值和船舶推进系统的其他设备的参数点的基准值；
所述主机的参数点的基准值通过聚类算法获取；
所述螺旋桨的参数点的基准值通过聚类算法获取；
所述传动装置的参数点的基准值通过聚类算法获取；
所述船舶推进系统的其他设备的参数点的基准值通过聚类算法获取；
状态分类知识表：用于通过决策树算法获取并保存状态分类知识；
状态特征知识表：用于通过关联规则算法获取并保存状态特征知识。
优选地，所述数据提取模块中还包含用于对所述软测量主题事实表中的所述维度进行具体解释的维度表；所述维度表具体包括：
工况维度表：用于将所述原始运行数据按不同工况组织形成数据集合；
运行模式维度表：用于将所述原始运行数据按不同运行模式组织形成数据集合；
舰船维度表：用于将所述原始运行数据按不同舰船组织形成数据集合；
设备维度表：用于将所述原始运行数据按不同设备组织形成数据集合；
时间维度表：用于将所述原始运行数据按不同时间组织形成数据集合；
位置维度表：用于将所述原始运行数据按不同位置组织形成数据集合。
优选地，所述推进系统状态监测结果表具体包含：
主机状态监测表：用于记录并检测主机在运行时的待监测参数；所述主机在运行时的待监测参数包含A1缸排气温度和A2缸排气温度；
螺旋桨状态监测表：用于记录并检测螺旋桨在运行时的待监测参数；所述螺旋桨在运行时的待监测参数包含调距桨液压系统油压和调距桨液压系统油温；
传动装置状态监测表：用于记录并检测传动装置在运行时的待监测参数；所述传动装置在运行时的待监测参数包含滑油进口温度和滑油进口压力；
其他状态监测表：用于记录并检测船舶推进系统的其他设备在运行时的待监测参数。
优选地，所述数据挖掘模块还包含用于装载船舶推进系统待监测参数的待监测参数数据表；所述船舶推进系统待监测参数包含主机待监测参数、螺旋桨待监测参数、传动装置待监测参数和其他待监测参数。
本发明与现有技术对比，具有以下优点：
1.由于本发明构建了推进系统数据仓库体系来存储海量的原始数据，并对原始数据进行了可人工定制的多维度转化，从而从根本上解决了监控系统的数据的存储、查询、分析、应用的问题；
2.由于本发明在数据仓库的基础上，在对船舶推进系统性能分析中，通过数据挖掘算法提取了状态基准知识、状态分类知识、状态特征知识，状态基准知识，而状态基准知识可以用来对稳态工况下的基准模式进行识别，状态分类知识可以对系统工况和系统故障类型进行分类识别，状态特征知识有助于实现系统状态的监测，从而对推进系统进行数据挖掘能提取大量有价值的知识，有利于推进系统知识库的构建和相关应用的展开；
3.由于本发明在推进系统参数软测量和状态监测数据仓库基础上，将 Tableau与MS-SQL数据集成，采用了可视化方法实现船舶推进系统数据查询，从而提高了数据仓库多维分析效率和数据可视化能力。
附图说明
图1为本发明具体实施例的数据仓库系统结构示意图；
图2为本发明具体实施例的时间维度表示意图；
图3为本发明具体实施例的工况维度表示意图；
图4为本发明具体实施例的工况维度表(外键)示意图；
图5为本发明具体实施例的舰船维度表示意图；
图6为本发明具体实施例的舰船维度表(外键)示意图；
图7为本发明具体实施例的运行模式维度表示意图；
图8为本发明具体实施例的运行模式维度表(外键)示意图；
图9为本发明具体实施例的设备维度表示意图；
图10为本发明具体实施例的设备维度表(外键)示意图；
图11为本发明具体实施例的位置维度表示意图；
图12为本发明具体实施例的位置维度表(外键)示意图；
图13为本发明具体实施例的状态分类知识表的规则所对应的决策树示意图；
图14为本发明具体实施例的状态特征知识表的规则所对应的决策树示意图；
图15为本发明具体实施例的数据仓库的构建方法的流程示意图；
图16为本发明具体实施例的信息包图示意图；
图17为本发明具体实施例的数据立方体示意图；
图17a为本发明具体实施例的数据立方体的钻取操作示意图；
图17b为本发明具体实施例的数据立方体的切片操作示意图；
图17c为本发明具体实施例的数据立方体的切块操作示意图；
图17d为本发明具体实施例的数据立方体的旋转操作示意图；
图18为本发明具体实施例的船舶推进系统性能分析数据ETL流程示意图；
图19为本发明具体实施例的工况事实数据表(节选)示意图；
图20为本发明具体实施例的参数软测量数据仓库ETL流程(节选)示意图；
图21为本发明具体实施例的总体聚类数据的箱型图示意图；
图22为本发明具体实施例的拉格朗日插值结果散点可视化示意图；
图23为本发明具体实施例的聚类算法流程示意图；
图24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25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，一种用于船舶推进系统性能分析的数据仓库系统，包含以下模块：
源数据模块：用于保存船舶推进系统在运行过程中产生的原始运行数据；源数据模块包含源数据表；源数据表中的每个字段与一种原始运行数据一一对应，且数据格式一致；
数据提取模块：用于通过对源数据表进行ETL操作，获得供多维分析处理模块进行数据分析所使用的软测量主题事实表，和供数据挖掘模块进行数据挖据所使用的状态监测主题事实表；
数据提取模块中还包含用于对软测量主题事实表中的维度进行具体解释的维度表；维度表具体包括：
如图2所示，时间维度表：用于将原始运行数据按不同时间组织形成数据集合；
一个典型的时间维度表如表1所示：
表1.时间维度表
字段名 数据类型 说明
DateKey int 时间维表主键
Date Datetime 日期
Year int 年
Month int 月
Day int 日
如图3、图4所示，工况维度表：用于将原始运行数据按不同工况组织形成数据集合；
如图5、图6所示，舰船维度表：用于将原始运行数据按不同舰船组织形成数据集合；
如图7、图8所示，运行模式维度表：用于将原始运行数据按不同运行模式组织形成数据集合；
如图9、图10所示，设备维度表：用于将原始运行数据按不同设备组织形成数据集合；
如图11、图12所示，位置维度表：用于将原始运行数据按不同位置组织形成数据集合。
多维分析处理模块：用于对软测量主题事实表进行多维分析处理操作，获得并输出用于对船舶推进系统的特性参数进行软计算操作的软测量数据表，以及获得并输出用于对船舶推进系统的参数特征进行计算的推进系统设备特性表；
软测量主题事实表具体包含：
软测量主机事实表：用于对主机的运行参数进行软测量计算；软测量主机事实表具体包含的字段有：主机转速和燃油齿条位置；
一个典型的软测量主机事实表如表2所示：
表2.软测量主机事实表(节选)
字段名 数据类型 说明
FACT_ID int 事实表序列
主机转速 Decimal(18,0) 转速度量值
右轴功率 Decimal(18,0) 主机功率度量值
右轴扭矩 Decimal(18,1) 轴扭矩度量值
右轴转速 Decimal(18,0) 轴转速度量值
… … …
工况_ID int 工况维外键
舰船_ID int 舰船维外键
位置_ID int 位置维外键
运行模式_ID int 运行模式外键
DateKey datetime 时间维外键
其中主要字段的意义如下：主机转速为主机旋转速度；右轴功率为在一定流量和扬程下，原动机单位时间内给予右泵轴的功；右轴扭矩为右轴输出的扭矩；右轴转速为右轴在单位时间内转过的圈数；
需要说明的是，无论哪种事实表，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；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系统的数据则越全面，越有利于对船舶推进系统的状态分析和知识挖掘。
软测量螺旋桨事实表：用于对螺旋桨的水动力特性参数进行软测量计算；软测量螺旋桨事实表具体包含的字段有：轴功率、轴转速、轴扭矩、航速和维度表索引；
软测量传动装置事实表：用于对传动装置的运行参数进行软测量计算；
软测量其他事实表：用于对船舶推进系统的其他设备的运行参数进行软测量计算。
软测量数据表具体包含：
主机参数软测量数据表：用于装载对主机的运行参数进行软测量计算的结果；主机参数软测量数据表的字段与软测量主机事实表的字段相同且对应字段的数据结构一致；
螺旋桨参数软测量数据表：用于装载对螺旋桨的水动力特性参数进行软测量计算的结果；螺旋桨参数软测量数据表的字段与软测量螺旋桨事实表的字段相同且对应字段的数据结构一致；
传动装置参数软测量数据表：用于装载对传动装置的运行参数进行软测量计算的结果；传动装置参数软测量数据表的字段与软测量传动装置事实表的字段相同且对应字段的数据结构一致；
其他参数软测量数据表：用于装载对船舶推进系统的其他设备的运行参数进行软测量计算的结果；其他参数软测量数据表的字段与软测量其他事实表的字段相同且对应字段的数据结构一致。
多维分析处理模块还包含用于提供软测量所需公式的软测量先验知识表；软测量先验知识表包含主机软测量公式表、螺旋桨软测量公式表、传动装置软测量公式表和其他软测量公式表。
一个典型的螺旋桨软测量公式表如表3所示：
表3.螺旋桨软测量公式表(节选)
Figure BDA0003097883520000101
Figure BDA0003097883520000111
需要说明的是，无论哪种软测量先验知识表，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先验知识表中；显然公式的数量、类型越丰富，则所能推算得到的船舶推进系统的数据则越全面，越有利于对船舶推进系统的状态分析和知识挖掘。
本具体实施例中，螺旋桨软测量公式表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。
推进系统设备特性表具体包含：
主机特性表：用于对主机的运行参数进行软测量计算的结果进行整理，并记录主机的运行参数的变化；
螺旋桨特性表：用于对螺旋桨的水动力特性参数进行软测量计算的结果进行整理，并记录水动力特性参数的变化；
一个典型的螺旋桨特性表如表4所示：
表4.螺旋桨特性表(节选)
Figure BDA0003097883520000112
需要说明的是，无论哪种特性表，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。
传动装置特性表：用于对传动装置的运行参数进行软测量计算的结果进行整理，并记录传动装置的运行参数的变化；
其他特性表：用于对船舶推进系统的其他设备的运行参数进行软测量计算的结果进行整理，并记录其他设备的运行参数的变化。
数据挖掘模块：用于对状态监测主题事实表进行数据挖掘操作，获得并输出用于获取船舶推进系统中的知识规则的知识规则表，以及获得并输出用于对船舶推进系统进行状态监测操作的推进系统状态监测结果表。
知识规则表具体包含：
状态基准知识表：用于存放主机的参数点的基准值、螺旋桨的参数点的基准值、传动装置的参数点的基准值和船舶推进系统的其他设备的参数点的基准值；
一个典型的状态基准知识表如表5所示：
表5.状态基准知识表(节选)
Figure BDA0003097883520000121
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。
主机的参数点的基准值通过聚类算法获取；
螺旋桨的参数点的基准值通过聚类算法获取；
传动装置的参数点的基准值通过聚类算法获取；
船舶推进系统的其他设备的参数点的基准值通过聚类算法获取；
状态分类知识表：用于通过决策树算法获取并保存状态分类知识，部分知识以规则形式存入表中；
一个典型的状态分类知识表如表6所示：
表6.状态分类知识表(节选)
规则序号 规则(IF…THEN) 置信度
而规则所对应的决策树，则如图13所示。
状态特征知识表：用于通过关联规则算法获取并保存状态特征知识。
一个典型的状态特征知识表如表7所示：
表7.状态特征知识表(节选)
规则序号 工况 规则(IF…THEN) 概率 重要性
而规则所对应的决策树，则如图14所示。
推进系统状态监测结果表具体包含：
主机状态监测表：用于记录并检测主机在运行时的待监测参数；主机在运行时的待监测参数包含A1缸排气温度和A2缸排气温度；
螺旋桨状态监测表：用于记录并检测螺旋桨在运行时的待监测参数；螺旋桨在运行时的待监测参数包含调距桨液压系统油压和调距桨液压系统油温；
传动装置状态监测表：用于记录并检测传动装置在运行时的待监测参数；传动装置在运行时的待监测参数包含滑油进口温度和滑油进口压力；
其他状态监测表：用于记录并检测船舶推进系统的其他设备在运行时的待监测参数。
数据挖掘模块还包含用于装载船舶推进系统待监测参数的待监测参数数据表；船舶推进系统待监测参数包含主机待监测参数、螺旋桨待监测参数、传动装置待监测参数和其他待监测参数。
以下为构建本发明数据仓库系统的方法
如图15所示，一种船舶推进系统的性能分析的数据仓库的构建方法，包含以下步骤：
S100.建立数据仓库框架；数据仓库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；
一个典型的船舶推进系统的信息包图如图16所示，需要说明的是，不同的船舶推进系统，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；
如图17为推进系统数据立方体，图中标注了三个维，分别为时间维、工况维、设备维。在时间维下标明了“2017”为维的成员。选取了其中一个子立方块，即本技术领域中的所谓数据单元，并将气缸温度度量值“298”标注在其中。
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。数据立方体从图17变化为图17a的过程就是时间维上的钻取，钻取得到月份层次上的汇总数据。
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。从图17a到图17的过程是时间维上上卷的过程。
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。如图17b为切片后的立方体。
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。如图17c 为切块后的立方体。
所谓旋转(Pivot)，就是变换维度位置，如图17d，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.从船舶推进系统的监控组态软件中抽取表征船舶推进系统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，推进系统数据仓库以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。
如图18所示，即为一种典型的推进系统性能分析数据ETL流程图的一部分。
采用上述方法，在SSIS中建立推进系统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。如图18为推进系统性能分析数据ETL流程图，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，如图19为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。
同理设计推进系统参数软测量ETL数据处理流程，如图20所示，图中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，得到船舶推进系统的状态知识；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，得到船舶推进系统的状态知识，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；
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。
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。如图21为总体数据的箱型图，图中大的矩形区域代表单参数的总体数据，白色矩形区域为下四分位数到上四分位数的区间，白色矩形左侧线为下四分位数QL，上四分位数QU与下四分位数QL之差为四分位距IQR，大矩形被上、下四分位数和中位数分为四个区域，每个区域包含总体数据量的四分之一，图中四种形状和线段表示聚类各簇中参数的箱型图分布情况。通常将总体数据中小于QL-1.5IQR和大于QU+1.5IQR的值定义为离群点，表8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9为聚类簇中各参数上、下四分位数范围。
表8.箱型图统计值表
Figure BDA0003097883520000171
Figure BDA0003097883520000181
表9.聚类簇中各参数上下四分位数范围表
聚类簇1 聚类簇2 聚类簇3 聚类簇4
A1 (283.49,284.07) (292.29,293.60) (286.26,287.47) (280.39,281.01)
A2 (299.10,299.55) (306.52,308.20) (301.53,302.38) (296.28,296.79)
B1 (249.60,250.20) (256.21,257.57) (251.19,252.06) (246.10,246.89)
B2 (249.02,249.92) (256.92,260.27) (250.28,251.78) (245.40,245.91)
由图21可以发现：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，根据图21初步判断聚类簇2中数据为离群点。通过表8和表9定量分析，将表9中聚类簇中各参数上、下四分位数范围与表8 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。
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。
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 BDA0003097883520000191
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 BDA0003097883520000192
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。如图22为插值后的散点图，散点图根据拉格朗日插值公式生成，图中散点为等距取数后插值的结果。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：
如图23所示，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，符合平台推进系统一体化的要求，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10。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10.不同K值下进一工况部分参数聚类值比较表
Figure BDA0003097883520000201
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11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11.聚类基准值与平台稳态值对比表
Figure BDA0003097883520000202
Figure BDA0003097883520000211
推进系统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系统最新的基准值，长期跟踪推进系统基准值有利于研究船舶系统设备退化情况，便于进行推进系统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24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13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13.推进系统知识规则表(正常运行模式)
Figure BDA0003097883520000221
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14.推进系统空车、进一、进三工况关联规则表(正常运行模式)
Figure BDA0003097883520000231
表14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14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25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25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15，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15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15.推进系统进三工况关联规则表(正常运行模式)
Figure BDA0003097883520000241
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。
此外，还需要说明的是，通常数据仓库中的数据可视化采用外部数据透视表实现，但是数据透视表在分析和可视化多样性方面仍有一定不足，因此本文中将数据分析与可视化软件Tableau与数据仓库进行集成，开展推进系统数据仓库可视化分析。
Tableau支持丰富的数据源连接，能自由整合来自不同数据源的数据，并且具有一定的数据处理能力。在推进系统多维分析的应用中使用Tableau主要有以下几方面的考虑：
首先，Tableau能直接连接MS-SQL中已构建完成的数据仓库，并且能对多维数据集中的事实数据和维度进行多维分析操作；
其次，在Tableau的可视化界面窗口中可像SSAS多维数据集浏览器中那样以拖拽的方式进行维度和度量值的添加；
再次，Tableau具有维度属性筛选、字段创建以及自由设置聚合度量等功能。此外，Tableau能够很好的支持数据透视，其可视化功能提供了多样化的输出形式，可以将数据以报表、图形、仪表盘的形式输出，符合快速分析查询的要求；
最后，Tableau具有一定的数据存储能力，在Tableau中进行数据操作和可视化时不会导致数据仓库中数据的变化，较好地维护了数据仓库不可更新的特点，同时提高了查询分析效率。
综合以上几点，将Tableau与数据仓库相结合，开展多维数据分析，能够有效提高数据查询分析和可视化能力，有利于提高平台推进系统的综合信息化能力。
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。
最后，应当指出，以上实施例仅是本发明较有代表性的例子。显然，本发明不限于上述实施例，还可以有许多变形。凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应认为属于本发明的保护范围。
在此，需要说明的是，上述技术方案的描述是示例性的，本说明书可以以不同形式来体现，并且不应被解释为限于本文阐述的技术方案。相反，提供这些说明将使得本发明公开将是彻底和完整的，并且将向本领域技术人员充分传达本说明书所公开的范围。此外，本发明的技术方案仅由权利要求的范围限定。
用于描述本说明书和权利要求的各方面公开的形状、尺寸、比率、角度和数字仅仅是示例，因此，本说明书和权利要求的不限于所示出的细节。在以下描述中，当相关的已知功能或配置的详细描述被确定为不必要地模糊本说明书和权利要求的重点时，将省略详细描述。
在使用本说明书中描述的“包括”、“具有”和“包含”的情况下，除非使用否则还可以具有另一部分或其他部分，所用的术语通常可以是单数但也可以表示复数形式。
应该指出，尽管在本说明书可能出现并使用术语“第一”、“第二”、“顶部”、“底部”、“一侧”、“另一侧”、“一端”、“另一端”等来描述各种不同的组件，但是这些成分和部分不应受这些术语的限制。这些术语仅用于区分一个成分和部分和另一个成分和部分。例如，在不脱离本说明书的范围的情况下，第一部件可以被称为第二部件，并且类似地，第二部件可以被称为第一部件，顶部和底部的部件在一定情况下，也可以彼此对调或转换；一端和另一端的部件可以彼此性能相同或者不同。
此外，在构成部件时，尽管没有其明确的描述，但可以理解必然包括一定的误差区域。
在描述位置关系时，例如，当位置顺序被描述为“在...上”、“在...上方”、“在...下方”和“下一个”时，除非使用“恰好”或“直接”这样的词汇或术语，此外则可以包括它们之间不接触或者接触的情形。如果提到第一元件位于第二元件“上”，则并不意味着在图中第一元件必须位于第二元件的上方。所述部件的上部和下部会根据观察的角度和定向的改变而改变。因此，在附图中或在实际构造中，如果涉及了第一元件位于第二元件“上”的情况可以包括第一元件位于第二元件“下方”的情况以及第一元件位于第二元件“上方”的情况。在描述时间关系时，除非使用“恰好”或“直接”，否则在描述“之后”、“后续”、“随后”和“之前”时，可以包括步骤之间并不连续的情况。本发明的各种实施方案的特征可以部分地或全部地彼此组合或者拼接，并且可以如本领域技术人员可以充分理解的以各种不同地构造来执行。本发明的实施方案可以彼此独立地执行，或者可以以相互依赖的关系一起执行。

Claims (10)

1.一种用于船舶推进系统性能分析的数据仓库系统，其特征在于：包含以下模块：
源数据模块：用于保存船舶推进系统在运行过程中产生的原始运行数据；所述源数据模块包含源数据表；所述源数据表中的每个字段与一种原始运行数据一一对应，且数据格式一致；
数据提取模块：用于通过对所述源数据表进行ETL操作，获得供多维分析处理模块进行数据分析所使用的软测量主题事实表，和供数据挖掘模块进行数据挖据所使用的状态监测主题事实表；
多维分析处理模块：用于对所述软测量主题事实表进行多维分析处理操作，获得并输出用于对船舶推进系统的特性参数进行软计算操作的软测量数据表，以及获得并输出用于对船舶推进系统的参数特征进行计算的推进系统设备特性表；
数据挖掘模块：用于对所述状态监测主题事实表进行数据挖掘操作，获得并输出用于获取船舶推进系统中的知识规则的知识规则表，以及获得并输出用于对船舶推进系统进行状态监测操作的推进系统状态监测结果表。
2.根据权利要求1所述的用于船舶推进系统性能分析的数据仓库系统，其特征在于：所述软测量主题事实表具体包含：
软测量主机事实表：用于对主机的运行参数进行软测量计算；所述软测量主机事实表具体包含的字段有：主机转速和燃油齿条位置；
软测量螺旋桨事实表：用于对螺旋桨的水动力特性参数进行软测量计算；所述软测量螺旋桨事实表具体包含的字段有：轴功率、轴转速、轴扭矩、航速和维度表索引；
软测量传动装置事实表：用于对传动装置的运行参数进行软测量计算；
软测量其他事实表：用于对船舶推进系统的其他设备的运行参数进行软测量计算。
3.根据权利要求2所述的用于船舶推进系统性能分析的数据仓库系统，其特征在于：所述软测量数据表具体包含：
主机参数软测量数据表：用于装载对主机的运行参数进行软测量计算的结果；所述主机参数软测量数据表的字段与所述软测量主机事实表的字段相同且对应字段的数据结构一致；
螺旋桨参数软测量数据表：用于装载对螺旋桨的水动力特性参数进行软测量计算的结果；所述螺旋桨参数软测量数据表的字段与所述软测量螺旋桨事实表的字段相同且对应字段的数据结构一致；
传动装置参数软测量数据表：用于装载对传动装置的运行参数进行软测量计算的结果；所述传动装置参数软测量数据表的字段与所述软测量传动装置事实表的字段相同且对应字段的数据结构一致；
其他参数软测量数据表：用于装载对船舶推进系统的其他设备的运行参数进行软测量计算的结果；所述其他参数软测量数据表的字段与所述软测量其他事实表的字段相同且对应字段的数据结构一致。
4.根据权利要求3所述的用于船舶推进系统性能分析的数据仓库系统，其特征在于：所述多维分析处理模块还包含用于提供软测量所需公式的软测量先验知识表；所述软测量先验知识表包含主机软测量公式表、螺旋桨软测量公式表、传动装置软测量公式表和其他软测量公式表。
5.根据权利要求4所述的用于船舶推进系统性能分析的数据仓库系统，其特征在于：所述螺旋桨软测量公式表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5所述的用于船舶推进系统性能分析的数据仓库系统，其特征在于：所述推进系统设备特性表具体包含：
主机特性表：用于对主机的运行参数进行软测量计算的结果进行整理，并记录所述主机的运行参数的变化；
螺旋桨特性表：用于对螺旋桨的水动力特性参数进行软测量计算的结果进行整理，并记录所述水动力特性参数的变化；
传动装置特性表：用于对传动装置的运行参数进行软测量计算的结果进行整理，并记录所述传动装置的运行参数的变化；
其他特性表：用于对船舶推进系统的其他设备的运行参数进行软测量计算的结果进行整理，并记录所述其他设备的运行参数的变化。
7.根据权利要求6所述的用于船舶推进系统性能分析的数据仓库系统，其特征在于：所述知识规则表具体包含：
状态基准知识表：用于存放主机的参数点的基准值、螺旋桨的参数点的基准值、传动装置的参数点的基准值和船舶推进系统的其他设备的参数点的基准值；
所述主机的参数点的基准值通过聚类算法获取；
所述螺旋桨的参数点的基准值通过聚类算法获取；
所述传动装置的参数点的基准值通过聚类算法获取；
所述船舶推进系统的其他设备的参数点的基准值通过聚类算法获取；
状态分类知识表：用于通过决策树算法获取并保存状态分类知识；
状态特征知识表：用于通过关联规则算法获取并保存状态特征知识。
8.根据权利要求1所述的用于船舶推进系统性能分析的数据仓库系统，其特征在于：所述数据提取模块中还包含用于对所述软测量主题事实表中的所述维度进行具体解释的维度表；所述维度表具体包括：
工况维度表：用于将所述原始运行数据按不同工况组织形成数据集合；
运行模式维度表：用于将所述原始运行数据按不同运行模式组织形成数据集合；
舰船维度表：用于将所述原始运行数据按不同舰船组织形成数据集合；
设备维度表：用于将所述原始运行数据按不同设备组织形成数据集合；
时间维度表：用于将所述原始运行数据按不同时间组织形成数据集合；
位置维度表：用于将所述原始运行数据按不同位置组织形成数据集合。
9.根据权利要求8所述的用于船舶推进系统性能分析的数据仓库系统，其特征在于：所述推进系统状态监测结果表具体包含：
主机状态监测表：用于记录并检测主机在运行时的待监测参数；所述主机在运行时的待监测参数包含A1缸排气温度和A2缸排气温度；
螺旋桨状态监测表：用于记录并检测螺旋桨在运行时的待监测参数；所述螺旋桨在运行时的待监测参数包含调距桨液压系统油压和调距桨液压系统油温；
传动装置状态监测表：用于记录并检测传动装置在运行时的待监测参数；所述传动装置在运行时的待监测参数包含滑油进口温度和滑油进口压力；
其他状态监测表：用于记录并检测船舶推进系统的其他设备在运行时的待监测参数。
10.根据权利要求1～9任一所述的用于船舶推进系统性能分析的数据仓库系统，其特征在于：所述数据挖掘模块还包含用于装载船舶推进系统待监测参数的待监测参数数据表；所述船舶推进系统待监测参数包含主机待监测参数、螺旋桨待监测参数、传动装置待监测参数和其他待监测参数。
CN202110615583.9A 2021-06-02 2021-06-02 用于船舶推进系统性能分析的数据仓库系统 Pending CN113449045A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110615583.9A CN113449045A (zh) 2021-06-02 2021-06-02 用于船舶推进系统性能分析的数据仓库系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110615583.9A CN113449045A (zh) 2021-06-02 2021-06-02 用于船舶推进系统性能分析的数据仓库系统

Publications (1)

Publication Number Publication Date
CN113449045A true CN113449045A (zh) 2021-09-28

Family

ID=77810818

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110615583.9A Pending CN113449045A (zh) 2021-06-02 2021-06-02 用于船舶推进系统性能分析的数据仓库系统

Country Status (1)

Country Link
CN (1) CN113449045A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116522472A (zh) * 2023-03-15 2023-08-01 中国船舶集团有限公司第七一九研究所 一种船舶多专业通用数据包构建及传递方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105404637A (zh) * 2015-09-18 2016-03-16 北京锐安科技有限公司 数据挖掘方法和装置
CN106248864A (zh) * 2016-07-13 2016-12-21 大唐南京环保科技有限责任公司 一种基于海量运行数据的scr脱硝催化剂寿命预测方法
CN107704608A (zh) * 2017-10-17 2018-02-16 北京览群智数据科技有限责任公司 一种olap多维分析和数据挖掘系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105404637A (zh) * 2015-09-18 2016-03-16 北京锐安科技有限公司 数据挖掘方法和装置
CN106248864A (zh) * 2016-07-13 2016-12-21 大唐南京环保科技有限责任公司 一种基于海量运行数据的scr脱硝催化剂寿命预测方法
CN107704608A (zh) * 2017-10-17 2018-02-16 北京览群智数据科技有限责任公司 一种olap多维分析和数据挖掘系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
QI HU, YUTAO CHEN*: ""Construction and performance analysis of data warehouse based"", 《2021 3RD INTERNATIONAL CONFERENCE ON CIVIL ARCHITECTURE AND ENERGY SCIENCE (CAES 2021)》 *
宋飞等: "数据挖掘在陆用锅炉-汽轮机装置中的应用及对舰船蒸汽动力装置的启示", 《中国水运(下半月)》 *
牟金磊等: "高速双体穿浪船艏部结构动态位移监测与分析", 《船舶工程》 *
王国胤等: "多粒度认知计算――一种大数据智能计算的新模型", 《数据与计算发展前沿》 *
邱磊等: "基于微动测量原理的高速船艏部结构运动规律研究", 《中国修船》 *
马治国: ""基于工作仓库的 OLAM 技术在"", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116522472A (zh) * 2023-03-15 2023-08-01 中国船舶集团有限公司第七一九研究所 一种船舶多专业通用数据包构建及传递方法
CN116522472B (zh) * 2023-03-15 2023-11-24 中国船舶集团有限公司第七一九研究所 一种船舶多专业通用数据包构建及传递方法

Similar Documents

Publication Publication Date Title
US10817534B2 (en) Systems and methods for interest-driven data visualization systems utilizing visualization image data and trellised visualizations
US7565335B2 (en) Transform for outlier detection in extract, transfer, load environment
CN1379887A (zh) 用于分析和改善药物以及其他资本密集制造流程的系统
CA2751295C (en) Analysis of object structures such as benefits and provider contracts
US7836090B2 (en) Method and system for data mining of very large spatial datasets using vertical set inner products
US20220382733A1 (en) Methods And Systems For Extracting And Visualizing Patterns In Large-Scale Data Sets
CN106446004B (zh) 数字病理全切片图像检索方法
CN112541729A (zh) 基于大数据的生产全流程可视化智能管控方法及系统
Hou et al. FuS-GCN: Efficient B-rep based graph convolutional networks for 3D-CAD model classification and retrieval
Johnson et al. Comparing Massive High-Dimensional Data Sets.
CN113449045A (zh) 用于船舶推进系统性能分析的数据仓库系统
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
CN117369813B (zh) 一种基于数据中台的用能监测指标体系可视化展示方法
CN105787113B (zh) 一种基于plm数据库面向dpipp工艺信息的挖掘算法
CN113254517A (zh) 一种基于互联网大数据的服务提供方法
CN116401212A (zh) 一种基于数据分析的人事文书档案快速查找系统
CN118331952B (zh) 一种基于大数据的财务数据清洗管理系统及方法
Milenova et al. Mining high-dimensional data for information fusion: a database-centric approach
US11281689B1 (en) Distributed interaction feature generation system
Dong Improvement of the model by preprocessing big data of tapping temperature prediction industry
CN113723835B (zh) 火电厂用水评估方法和终端设备
Khvostichenko et al. Apples to Apples: Impartial Assessment of Drilling Technologies Through Big Data and Machine Learning
CN116775753B (zh) 一种数据资产可视化方法及系统
Hu et al. A new product family mining method based on PLM database
Xiaoqiang et al. An Outlier Detection Algorithm Based on Spectral Clustering

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210928

RJ01 Rejection of invention patent application after publication