CN113532866A - 一种柴油机异常状态检测方法、系统以及计算机储存介质 - Google Patents
一种柴油机异常状态检测方法、系统以及计算机储存介质 Download PDFInfo
- Publication number
- CN113532866A CN113532866A CN202010304112.1A CN202010304112A CN113532866A CN 113532866 A CN113532866 A CN 113532866A CN 202010304112 A CN202010304112 A CN 202010304112A CN 113532866 A CN113532866 A CN 113532866A
- Authority
- CN
- China
- Prior art keywords
- diesel engine
- abnormal
- state
- marine diesel
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/04—Testing internal-combustion engines
- G01M15/05—Testing internal-combustion engines by combined monitoring of two or more different engine parameters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/02—Details or accessories of testing apparatus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种柴油机异常状态检测方法、系统以及计算机储存介质。该方法包括步骤:通过设置在船用柴油机上的多个传感器获取多个船用柴油机状态参数;根据多个船用柴油机状态参数确定船用柴油机运行状态是否异常;当船用柴油机运行状态异常时将异常状态数据传输给决柴油机维修保障系统。本发明通过一类支持下向量机方法,实现柴油机异常状态快速识别,在重大故障发生前能提前获取柴油机的异常状态,进而可以克服柴油机在不同运行工况和运行环境带来的运行状态识别自适应性差的问题,从而使本发明在柴油机异常状态识别上具有更高的准确性,可增强柴油机维修的针对性、有效性。
Description
技术领域
本发明涉及柴油机维修领域,尤其涉及一种柴油机异常状态检测方法、系统以及计算机储存介质。
背景技术
船用柴油机作为船舶重要的动力系统,其是否能长时间安全可靠的运行,对船舶正常航行与任务执行具有至关重要的意义。
船用柴油机长期运行在高转速、高负荷的苛刻条件下,在运行过程中极容易发生故障,严重影响了它的使用效率和船舶的生命力。可见,准确、快速、有效的柴油机维修保障是保证船舶正常运行的重要手段。柴油机健康状态的准确、快速识别是保障船舶正常运行的重要手段,因此,提出一种能实时对柴油机异常状态是亟需解决的问题。
发明内容
针对上述问题,本发明的目的在于提供了一种柴油机异常状态检测方法、系统以及计算机储存介质,用于解决上述问题中的至少一个。
为了实现上述目的,本发明提供了一种柴油机异常状态检测方法。该方法包括步骤:
通过设置在船用柴油机上的多个传感器获取多个船用柴油机状态参数;
根据多个所述船用柴油机状态参数确定所述船用柴油机运行状态是否异常;
当所述船用柴油机运行状态异常时将异常状态数据传输给柴油机维修保障系统。
在实施方式中,所述根据多个所述船用柴油机状态参数确定所述船用柴油机运行状态是否异常的步骤包括:
S101:定义一个包含m个船用柴油机正常状态的传感器的数据样本集M1和n个船用柴油机异常状态的传感器的数据样本集M2,其中,参数m、n用于控制样本选择的数目;
S102:对所述数据样本集M1以及数据样本集M2中的数据分别使用均值平移聚类算法,并分别记录下所述数据样本集M1以及数据样本集M2中各类样本的M1聚类中心和M2聚类中心;
S103:分别计算所述数据样本集M1中各类数据的所述M1聚类中心到所述数据样本集M2中各类数据的所述M2聚类中心的距离,记作di;分别计算所述数据样本集M2中各类数据的所述M2聚类中心到所述数据样本集M1中各类数据的所述M1聚类中心的距离,记作dj;
S104:选出所述数据样本集M1中距离所述数据样本集M2最近的前m个类和最远的n个类,并对数据样本点进行标记;
S105:选出所述数据样本集M2中距离所述数据样本集M1最近的前m个类和最远的n个类,并对数据样本点进行标记;
S106:根据步骤S104中标记过的所述数据样本点,构造一个超球面,使得所述超球面包含至少部分所述数据样本点;
S107:通过设定的约束条件对超球面半径R进行最小化进而对所述超球面进行优化处理;
S108:判断获取的多个所述船用柴油机状态参数是否在所述超球面内,如果不在,所述船用柴油机运行状态异常。在一实施例中,所述样本集M1包括对所述船用柴油机维修保障过程中获取的柴油机正常状态参数;所述样本集M2包括对所述船用柴油机维修保障过程中获取的柴油机异常状态参数。
在一实施例中,步骤对所述超球面进行优化处理,通过设定的约束条件对超球面半径R进行最小化包括:
针对所述超球面以外存在的孤立数据,通过引入了一个松弛变量因子ξi,所述松弛变量因子ξi用于对错误惩罚和超球面半径R进行优化处理,使得二者之和最小化,即
f(R,α,ξi)=R2+C∑ξi,
(xi-α)(xi-α)T≤R2+ξi
其中,ξi≥0,α为超球面的圆心,R为半径,C表示错误惩罚变量。由此引入拉格朗日乘子αi,γi,该函数为
f(R,α,αi,ξi)=R2+C∑ξi-∑γiξi∑αi(R2+ξi-(xi-α)2)。
在一实施例中,所述超球面进行优化包括:处理调整S107中的参数,使得S104中的标记样本包含在超球面中的最多,而S105中的标记样本包含在超球面中的最少;
在一实施例中,步骤当所述船用柴油机运行状态异常时将异常状态数据传输给柴油机维修保障系统包括:当所述船用柴油机运行状态异常时,柴油机监控系统将获取到的异常状态发送给柴油机柴油机维修保障系统。
本发明还公开了一种计算机储存介质,所述存储介质上存储有计算机程序,所述程序被处理器执行时实现如上所述的柴油机异常状态检测方法的步骤。
本发明还公开了一种柴油机异常状态检测系统。该系统包括:
检测单元,用于通过设置在船用柴油机上的多个传感器获取多个船用柴油机状态参数;
判断单元,用于根据多个所述船用柴油机状态参数确定所述船用柴油机运行状态是否异常;
传输单元,用于当所述船用柴油机运行状态异常时将异常状态数据传输给柴油机维修保障系统。
本发明在对柴油机维修保障过程中利用了机器学习的一类支持向量机技术,由于支持向量机具有在线学习能力,可以克服柴油机在不同运行工况和运行环境带来的运行状态识别的自适应性差的问题,从而使本发明在柴油机异常状态识别上具有更高的准确性、鲁棒性和自适应性,能够应用于柴油机运行环境复杂的场合。
参照后文的说明和附图,详细公开了本发明的特定实施方式,指明了本发明的原理可以被采用的方式。应该理解,本发明的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内,本发明的实施方式包括许多改变、修改和等同。
针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用,与其它实施方式中的特征相组合,或替代其它实施方式中的特征。
应该强调,术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在,但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。
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作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,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为本发明的实施例提供的一种柴油机异常状态检测方法的流程图;
图2为本发明的实施例提供的根据多个所述船用柴油机状态参数确定所述船用柴油机是否运行状态异常步骤的流程图;
图3为本发明的实施例提供的柴油机维修保障系统根据接收到的所述异常状态数据生成维修保障方案步骤的流程图。
具体实施方式
下面将结合附图和具体实施方式,对本发明的技术方案作详细说明,应理解这些实施方式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入本申请所附权利要求所限定的范围内。
本发明的一种柴油机异常状态检测方法,通过现场采集模块获取柴油机运行状态数据,对柴油机运行数据进行监测报警、异常状态识别,然后将报警或识别到的异常状态发送给柴油机维修保障系统。
参照图1所示,具体可以包括步骤:
S1:通过设置在船用柴油机上的多个传感器获取多个船用柴油机状态参数;
S2:根据多个所述船用柴油机状态参数确定所述船用柴油机运行状态是否异常;
S3:当所述船用柴油机运行状态异常时将异常状态数据传输给柴油机维修保障系统。
在具体的实施方式中,本发明的方法采用一类支持向量机方法对柴油机的运行状态进行异常检测。关于一类支持向量机方法,在故障诊断和异常检测应用中,由于样本获取的难度太大或者代价较高,只能获得一类样本或获得的样本类别极端不平衡,通常的异常检测方法则不能很好地处理这样的情况。因此这种检测只能利用一类样本训练分类器,故称为一类分类。一类支持向量机方法是一种有效的一类分类方法,基本思想是在特征空间寻找能够包围所有正常样本点的最小包围超球面。
因此,本发明在对柴油机的异常状态进行检测过程中利用了机器学习的一类支持向量机技术,由于支持向量机具有在线学习能力,可以克服柴油机在不同运行工况和运行环境带来的运行状态识别的自适应性差的问题,从而使本发明在柴油机异常状态识别上具有更高的准确性、鲁棒性和自适应性,能够应用于柴油机运行环境复杂的场合。
在本实施方式中,所述根据多个所述船用柴油机状态参数确定所述船用柴油机是否运行状态异常的步骤包括:
首先,设存在n个相互独立分布的输入为m维向量Xi、输出为yi(正常或者异常)标签的样本组成的样本集(例如样本集M1和M2),其输入的m维向量Xi组成为:柴油机转速、滑油温度、滑油压力、燃油温度、燃油压力、冷却水压力、冷却水温度、轴承温度等,可以表示成{(X1,y1),(X2,y2),...,(Xn,yn)},其中Xi=(xi1,xi2,...,xi5)。参照图2所示,具体应用到本项目中,一类支持向量机算法计算如下:
S101:定义一个包含m个船用柴油机正常状态的传感器数据样本集M1和n个船用柴油机异常状态的传感器数据样本集M2,其中,参数m、n用于控制样本选择的数目;
在该步骤中,参数m、n通过多次实验选取,T为训练样本集。所述样本集M1包括对所述船用柴油机维修保障过程中获取的柴油机正常状态参数;所述样本集M2包括对所述船用柴油机维修保障过程中获取的柴油机异常状态参数。因此,本发明的方法可以通过在使用过程中获取大量的参数数据并进行自学习,进而不断提高检测出故障的精度。
S102:对所述数据样本集M1以及所述数据样本集M2中的数据分别使用均值平移聚类算法,并分别记录下所述数据样本集M1以及所述数据样本集M2中各类样本的M1聚类中心和M2聚类中心
S103:分别计算所述数据样本集M1中各类数据的所述M1聚类中心到所述数据样本集M2中各类数据的所述M2聚类中心的距离,记作di;分别计算所述数据样本集M2中各类数据的所述M2聚类中心到所述数据样本集M1中各类数据的所述M1聚类中心的距离,记作dj;
S104:选出所述数据样本集M1中距离所述数据样本集M2最近的前m个类和最远的n个类,并对数据样本点进行标记;
S105:选出所述数据样本集M2中距离所述数据样本集M1最近的前m个类和最远的n个类,并对数据样本点进行标记;
S106:根据步骤S104中标记过的所述数据样本点,构造一个超球面,使得所述超球面包含至少部分所述数据样本点;
例如,超球面上可以包括90%以上的数据样本点。
S107:通过设定的约束条件对超球面半径R进行最小化进而对所述超球面进行优化处理;
在该步骤中,针对所述超球面以外存在的孤立数据,通过引入了一个松弛变量因子ξi,所述松弛变量因子ξi用于对错误惩罚和超球面半径R进行优化处理,使得错误惩罚和超球面半径R之和最小化,即
f(R,α,ξi)=R2+C∑ξi,
(xi-α)(xi-α)T≤R2+ξi
其中,ξi≥0,α为超球面的圆心,R为半径,C表示错误惩罚变量。由此引入拉格朗日乘子αi,γi,该函数为
f(R,α,αi,ξi)=R2+C∑ξi-∑γiξi∑αi(R2+ξi-(xi-α)2)。
同时,对所述超球面进行优化还包括:处理调整S107中的参数,使得S104中的标记样本包含在超球面中的最多,而S105中的标记样本包含在超球面中的最少。
S108:判断获取的多个所述船用柴油机状态参数是否在所述超球面内,如果不在,则所述船用柴油机运行状态异常例如,计算样本输入的Xi是否在超球面内,如果在,在该样本是正常样本,否则就是异常样本,完成柴油机运行状态的异常检测。
参照图3所示,当通过上述的步骤识别出柴油机运行过程中的异常状态,例如滑油压力低时,可以将该异常状态发送给柴油机维修保障系统。该柴油机维修保障系统可以为IETM柴油机维修保障系统,则将该异常状态发送给柴油机的IETM柴油机维修保障系统,或柴油机监控系统直接将获取到的异常状态发送给柴油机IETM柴油机维修保障系统,IETM柴油机维修保障系统的执行步骤如下:
S201:根据识别到的异常状态生成柴油机维护需求作为资源查找规则;
S202:将所述资源查找规则输入给所述IETM柴油机维修保障系统并根据所述资源查找规则利用逻辑引擎自动匹配与当前维修任务相关的描述类、程序类、维修计划类、故障隔离类、操作类数据模块;
S203:根据所述IETM柴油机维修保障系统的故障原因索引,通过所述IETM柴油机维修保障系统的交互显示界面上的控件,定位到故障件或故障位置;
S204:所述IETM柴油机维修保障系统的故障隔离程序定位到故障件后,进入故障件维修指导程序,所述IETM柴油机维修保障系统以多媒体综合显示模式和/或以步骤导航形式生成维修保障方案。
用户可以按照生成维修保障方案的步骤指引,开展故障件维修更换工作。
较佳的,在进行步骤S204中,可通过IETM柴油机维修保障系统中图解零部件数据模块查找维修工作所需要的图解和零件信息,并可通过备品备件清单中获取所需设备的型号、规格、生产厂商等详细信息,帮助用户快速锁定备品备件。
IETM(Interactive Electronic Technical Manual)是将装备技术资料电子化、结构化,并且在其内部按照一定的逻辑功能重新编制后存储到数据库中的信息系统,辅之以计算机或便携式维修辅助对信息系统中的技术资料进行交互式调用,甚至智能推理,具有辅助功能多样化、表现力强、方便查询、异地传输、多用户访问、维护简单以及更新方便等优点,是目前柴油机保障体系信息化的一个重要发展方向。
IETM作为一项重要的柴油机信息化保障手段,具有信息共享、人机交互等特点,对于柴油机技术资料管理、柴油机维修、柴油机使用及人员培训等都具有无可比拟的优势。本发明汲取IETM的优势并结合柴油机异常状态的识别,在重大故障发生前,有效开展对柴油机使用与维修的管理,明显增强了柴油机维修的针对性、有效性,提高了柴油机的使用效率,保障了船舶的安全航行。
通过以上各步骤,最终实现基于IETM柴油机维修保障系统的柴油机维修保障,柴油机IETM也按照预定的时间对柴油机的维修项目进行汇总并显示,帮助用户根据柴油机使用状态进行预防性维修作业。
可见,本发明的方法能够实时监测柴油机的运行状态,在报警发生前将异常状态给到柴油机IETM决策系统。柴油机IETM柴油机决策系统根据接收的柴油机异常状态信息,利用逻辑引擎将维修指导、故障隔离、安装/拆卸程序、备品备件等数据模块进行线性组装,快速匹配生成柴油机自我维护数据包,供维修人员查阅,维修人员可按流程指引,快速定位故障原因并找到故障排除方法,可有效提高柴油机维修成功率。
本发明还公开了一种计算机储存介质。该计算机存储介质上存储有计算机程序,所述程序被处理器执行时实现柴油机异常状态检测方法的步骤。
本发明还公开了一种柴油机异常状态检测系统,该系统包括:
检测单元,用于通过设置在船用柴油机上的多个传感器获取多个船用柴油机状态参数;
判断单元,用于根据多个所述船用柴油机状态参数确定所述船用柴油机运行状态是否异常;
传输单元,用于当所述船用柴油机运行状态异常时将异常状态数据传输给柴油机维修保障系统。
应该理解,以上描述是为了进行图示说明而不是为了进行限制。通过阅读上述描述,在所提供的示例之外的许多实施方式和许多应用对本领域技术人员来说都将是显而易见的。因此,本教导的范围不应该参照上述描述来确定,而是应该参照所附权利要求以及这些权利要求所拥有的等价物的全部范围来确定。出于全面之目的,所有文章和参考包括专利申请和公告的公开都通过参考结合在本文中。在前述权利要求中省略这里公开的主题的任何方面并不是为了放弃该主体内容,也不应该认为发明人没有将该主题考虑为所公开的发明主题的一部分。
Claims (8)
1.一种柴油机异常状态检测方法,包括步骤:
通过设置在船用柴油机上的多个传感器获取多个船用柴油机状态参数;
根据多个所述船用柴油机状态参数确定所述船用柴油机运行状态是否异常;
当所述船用柴油机运行状态异常时将异常状态数据传输给柴油机维修保障系统。
2.根据权利要求1所述的柴油机异常状态检测方法,其特征在于,所述根据多个所述船用柴油机状态参数确定所述船用柴油机运行状态是否异常的步骤包括:
S101:定义一个包含m个船用柴油机正常状态的传感器的数据样本集M1和n个船用柴油机异常状态的传感器的数据样本集M2,其中,参数m、n用于控制样本选择的数目;
S102:对所述数据样本集M1以及所述数据样本集M2中的数据分别使用均值平移聚类算法,并分别记录下所述数据样本集M1以及所述数据样本集M2中各类样本的M1聚类中心和M2聚类中心;
S103:分别计算所述数据样本集M1中各类数据的所述M1聚类中心到所述数据样本集M2中各类数据的所述M2聚类中心的距离,记作di;分别计算所述数据样本集M2中各类数据的所述M2聚类中心到所述数据样本集M1中各类数据的所述M1聚类中心的距离,记作dj;
S104:选出所述数据样本集M1中距离所述数据样本集M2最近的前m个类和最远的n个类,并对数据样本点进行标记;
S105:选出所述数据样本集M2中距离所述数据样本集M1最近的前m个类和最远的n个类,并对数据样本点进行标记;
S106:根据步骤S104中标记过的所述数据样本点,构造一个超球面,使得所述超球面包含至少部分所述数据样本点;
S107:通过设定的约束条件对超球面半径R进行最小化进而对所述超球面进行优化处理;
S108:判断获取的多个所述船用柴油机状态参数是否在所述超球面内,如果不在,则所述船用柴油机运行状态异常。
3.根据权利要求2所述的柴油机异常状态检测方法,其特征在于,所述样本集M1包括对所述船用柴油机维修保障过程中获取的柴油机正常状态参数;所述样本集M2包括对所述船用柴油机维修保障过程中获取的柴油机异常状态参数。
4.根据权利要求2所述的柴油机异常状态检测方法,其特征在于,所述S107包括:
针对所述超球面以外存在的孤立数据,引入松弛变量因子ξi,以用于对错误惩罚和超球面半径R进行优化处理,使得所述错误惩罚和所述超球面半径R之和最小化:
f(R,α,ξi)=R2+C∑ξi,
(xi-α)(xi-α)T≤R2+ξi
其中,ξi≥0,α为超球面的圆心,R为半径,C表示错误惩罚变量,由此引入拉格朗日乘子αi,γi,函数为:
f(R,α,αi,ξi)=R2+C∑ξi-∑γiξi∑αi(R2+ξi-(xi-α)2)。
5.根据权利要求4所述的柴油机异常状态检测方法,其特征在于,所述超球面进行优化包括:处理调整所述S107中的参数,使得所述S104中的标记样本包含在超球面中的最多,而S105中的标记样本包含在超球面中的最少。
6.根据权利要求1所述的柴油机异常状态检测方法,其特征在于,步骤当所述船用柴油机运行状态异常时将异常状态数据传输给柴油机维修保障系统包括:当所述船用柴油机运行状态异常时,柴油机监控系统将获取到的异常状态发送给柴油机维修保障系统。
7.一种计算机储存介质,其特征在于,所述计算机存储介质上存储有计算机程序,所述程序被处理器执行时实现权利要求1-6中任意一项所述的柴油机异常状态检测方法的步骤。
8.一种柴油机异常状态检测系统,其特征在于,包括:
检测单元,用于通过设置在船用柴油机上的多个传感器获取多个船用柴油机状态参数;
判断单元,用于根据多个所述船用柴油机状态参数确定所述船用柴油机运行状态是否异常;
传输单元,用于当所述船用柴油机运行状态异常时将异常状态数据传输给柴油机维修保障系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010304112.1A CN113532866B (zh) | 2020-04-16 | 2020-04-16 | 一种柴油机异常状态检测方法、系统以及计算机储存介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010304112.1A CN113532866B (zh) | 2020-04-16 | 2020-04-16 | 一种柴油机异常状态检测方法、系统以及计算机储存介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113532866A true CN113532866A (zh) | 2021-10-22 |
CN113532866B CN113532866B (zh) | 2023-04-14 |
Family
ID=78093441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010304112.1A Active CN113532866B (zh) | 2020-04-16 | 2020-04-16 | 一种柴油机异常状态检测方法、系统以及计算机储存介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113532866B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116415201A (zh) * | 2023-06-07 | 2023-07-11 | 哈尔滨工业大学(威海) | 基于深度同心学习的船舶主动力异常检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2931302A (en) * | 2001-08-10 | 2003-02-13 | City West Water Limited | A method and system for optimising decision making for managing constructed facilities |
CN103969052A (zh) * | 2014-05-21 | 2014-08-06 | 哈尔滨工程大学 | 基于离群分析的柴油机故障诊断方法 |
CN106569056A (zh) * | 2016-10-21 | 2017-04-19 | 广州供电局有限公司 | 电力变压器的故障诊断方法及诊断装置 |
CN107328582A (zh) * | 2017-08-25 | 2017-11-07 | 中国人民解放军镇江船艇学院 | 柴油机故障检测装置 |
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 |
CN110825545A (zh) * | 2019-08-31 | 2020-02-21 | 武汉理工大学 | 一种云服务平台异常检测方法与系统 |
-
2020
- 2020-04-16 CN CN202010304112.1A patent/CN113532866B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2931302A (en) * | 2001-08-10 | 2003-02-13 | City West Water Limited | A method and system for optimising decision making for managing constructed facilities |
CN103969052A (zh) * | 2014-05-21 | 2014-08-06 | 哈尔滨工程大学 | 基于离群分析的柴油机故障诊断方法 |
CN106569056A (zh) * | 2016-10-21 | 2017-04-19 | 广州供电局有限公司 | 电力变压器的故障诊断方法及诊断装置 |
CN107328582A (zh) * | 2017-08-25 | 2017-11-07 | 中国人民解放军镇江船艇学院 | 柴油机故障检测装置 |
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 |
CN110825545A (zh) * | 2019-08-31 | 2020-02-21 | 武汉理工大学 | 一种云服务平台异常检测方法与系统 |
Non-Patent Citations (2)
Title |
---|
MENGJIE LV等: "Probabilistic diagnosis of clustered faults for hypercube-based multiprocessor system", 《THEORETICAL COMPUTER SCIENCE》 * |
杨勇兵: "船用柴油机模块化监控系统及其应用", 《船舶工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116415201A (zh) * | 2023-06-07 | 2023-07-11 | 哈尔滨工业大学(威海) | 基于深度同心学习的船舶主动力异常检测方法 |
CN116415201B (zh) * | 2023-06-07 | 2023-08-15 | 哈尔滨工业大学(威海) | 基于深度同心学习的船舶主动力异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113532866B (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5439265B2 (ja) | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム | |
JP5808605B2 (ja) | 異常検知・診断方法、および異常検知・診断システム | |
WO2012090624A1 (ja) | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム並びに企業資産管理・設備資産管理システム | |
WO2021151521A1 (en) | Maching learning using time series data | |
US20150161573A1 (en) | Device for searching and method for searching for similar breakdown cases | |
Dorgo et al. | Sequence mining based alarm suppression | |
JPS6014303A (ja) | 知識ベ−ス型診断方式 | |
CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
CN116522088B (zh) | 一种基于机器学习的核动力装置运行数据分析方法与系统 | |
CN113532866B (zh) | 一种柴油机异常状态检测方法、系统以及计算机储存介质 | |
CN110134070A (zh) | 故障分类装置、故障分类方法以及故障分类程序 | |
CN115659263A (zh) | 一种基于大数据的船舶操控行为风险评估系统及评估方法 | |
WO2018154558A1 (en) | Methods and systems for problem-alert aggregation | |
Wu et al. | Construction of an intelligent processing platform for equestrian event information based on data fusion and data mining | |
CN114688926A (zh) | 一种运载火箭健康检测验证评估系统和方法 | |
CN113530675A (zh) | 一种柴油机维修保障方法、系统以及计算机储存介质 | |
Mohamed Almazrouei et al. | A review on the advancements and challenges of artificial intelligence based models for predictive maintenance of water injection pumps in the oil and gas industry | |
Zhang et al. | Research on condition monitoring and fault diagnosis of intelligent copper ball production lines based on big data | |
JP7378367B2 (ja) | 故障診断装置および故障診断方法 | |
CN113296994A (zh) | 一种基于国产计算平台的故障诊断系统及方法 | |
CN112327733A (zh) | 一种船舶机舱智能监控系统 | |
Ebrahimipour et al. | Ontology-based knowledge platform to support equipment health in plant operations | |
JP3655501B2 (ja) | 情報検索方法、情報検索装置及び記録媒体 | |
Tsaganos et al. | Fault detection and diagnosis of two-stroke low-speed marine engine with machine learning algorithms | |
Cao et al. | Soft Sensor Change Point Detection and Root Causal Analysis |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 201108 Shanghai city Minhang District Huaning Road No. 3111 Applicant after: The 711 Research Institute of China Shipbuilding Corp. Address before: 201108 Shanghai city Minhang District Huaning Road No. 3111 Applicant before: Shanghai Marine Diesel Engine Research Institute |
|
GR01 | Patent grant | ||
GR01 | Patent grant |