CN113553662A - 一种船舶故障预测方法、系统、设备及存储介质 - Google Patents
一种船舶故障预测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113553662A CN113553662A CN202110818337.3A CN202110818337A CN113553662A CN 113553662 A CN113553662 A CN 113553662A CN 202110818337 A CN202110818337 A CN 202110818337A CN 113553662 A CN113553662 A CN 113553662A
- Authority
- CN
- China
- Prior art keywords
- torsional vibration
- ship
- fault prediction
- determining
- signal
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 9
- 238000004451 qualitative analysis Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 239000006096 absorbing agent Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Navigation (AREA)
Abstract
本发明实施例公开了一种船舶故障预测方法、系统、设备及存储介质。其中，该方法包括：对船舶的扭转振动信号进行自适应滤波处理，得到初始扭转振动信号；对初始扭转振动信号进行特征提取，得到船舶对应的扭转振动数据；根据预先建立的船舶故障预测模型，确定船舶对应的扭转振动参考数据；根据扭转振动数据和扭转振动参考数据之间的大小关系，确定船舶的故障预测结果。本发明实施例提供的技术方案，通过实时获取船舶的扭转振动信号，并进行相应的处理，最后得到故障预测结果，能够提高故障预测结果的准确性，从而保证行驶安全。
Description
技术领域
本发明实施例涉及故障预测技术，尤其涉及一种船舶故障预测方法、系统、设备及存储介质。
背景技术
船舶是重要的水上运输工具，通过对船舶的使用，方便人们在水上进行行动，在船舶使用过程中，常常需要对船舶进行故障预测，从而为船舶整体运行提供保障。
传统的船舶故障预测方法是对采集的数据进行离线分析，再通过人工比对的方式确定所采集的数据是否出现异常，从而判断船舶是否出现故障。但是，上述方法具有一定的滞后性，且需要人工进行比对，工作效率较低且故障预测的准确度也不高。
目前，尚未有更好的船舶故障预测方法。
发明内容
本发明实施例提供了一种船舶故障预测方法、系统、设备及存储介质，能够对船舶的故障进行预测，从而保证行驶安全。
第一方面，本发明实施例提供了一种船舶故障预测方法，该方法包括：
对船舶的扭转振动信号进行自适应滤波处理，得到初始扭转振动信号；
对所述初始扭转振动信号进行特征提取，得到所述船舶对应的扭转振动数据；
根据预先建立的船舶故障预测模型，确定所述船舶对应的扭转振动参考数据；
根据所述扭转振动数据和所述扭转振动参考数据之间的大小关系，确定所述船舶的故障预测结果。
第二方面，本发明实施例提供了一种船舶故障预测系统，该系统包括：
初始信号确定模块，用于对船舶的扭转振动信号进行自适应滤波处理，得到初始扭转振动信号；
振动数据确定模块，用于对所述初始扭转振动信号进行特征提取，得到所述船舶对应的扭转振动数据；
参考数据确定模块，用于根据预先建立的船舶故障预测模型，确定所述船舶对应的扭转振动参考数据；
故障结果确定模块，用于根据所述扭转振动数据和所述扭转振动参考数据之间的大小关系，确定所述船舶的故障预测结果。
第三方面，本发明实施例提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所述的船舶故障预测方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所述的船舶故障预测方法。
本发明实施例提供了一种船舶故障预测方法、系统、设备及存储介质，首先对船舶的扭转振动信号进行自适应滤波处理，得到初始扭转振动信号，接着对初始扭转振动信号进行特征提取，得到船舶对应的扭转振动数据，然后根据预先建立的船舶故障预测模型，确定船舶对应的扭转振动参考数据，最后根据扭转振动数据和扭转振动参考数据之间的大小关系，确定船舶的故障预测结果，上述方案通过实时获取船舶的扭转振动信号，并进行相应的处理，最后得到故障预测结果，能够提高故障预测结果的准确性，从而保证行驶安全。
附图说明
图1A为本发明实施例一提供的一种船舶故障预测方法的流程图；
图1B为本发明实施例一提供的方法中自适应滤波的原理示意图；
图2为本发明实施例二提供的一种船舶故障预测方法的流程图；
图3为本发明实施例三提供的一种船舶故障预测系统的结构示意图；
图4为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1A为本发明实施例一提供的一种船舶故障预测方法的流程图，本实施例可适用于对船舶进行故障预测，从而避免行驶过程中发生危险的情况。本实施例提供的船舶故障预测方法可以由本发明实施例提供的船舶故障预测系统来执行，该装置可以通过软件和/或硬件的方式实现，并集成在执行本方法的电子设备中，其中，所述电子设备可以是船舶中配置的与故障预测相关的电子设备。
参见图1A，本实施例的方法包括但不限于如下步骤：
S110，对船舶的扭转振动信号进行自适应滤波处理，得到初始扭转振动信号。
其中，扭转振动可能会发生在船舶的推进轴系、主轴、减振器以及联轴节等重点部位，而船舶推进轴系的扭转振动是引起内燃机动力装置故障的原因之一，扭转振动问题的加剧会造成曲轴、中间轴以及螺旋桨轴等轴段断裂、齿轮磨损、齿面点蚀、联轴器损坏以及噪声过大等问题，这些都会影响船舶的正常行驶，因此船舶的扭转振动信号可以作为船舶故障预测的重要指标。自适应滤波可以理解为一种常用的滤波方法，通常用来去除噪声的干扰。
通过船舶中的重点部位安装的传感器能够采集各重点部位对应的扭转振动信号，从而得到船舶的扭转振动信号，由于该扭转振动信号中可能包含了环境噪声，因此通过对船舶的扭转振动信号进行自适应滤波处理，能够得到初始扭转振动信号，即：滤除了环境噪声的扭转振动信号。
图1B为本发明实施例一提供的方法中自适应滤波的原理示意图，如图1B所示：
x(j)表示j时刻的输入信号值，即：船舶的扭转振动信号值，y(j)表示j时刻的输出信号值，即：初始扭转振动信号值，d(j)表示j时刻的期望响应信号值，误差信号e(j)为d(j)与y(j)之差。自适应滤波器的滤波参数受误差信号e(j)的控制，根据e(j)的值而自动调整，使之适合下一时刻的输入x(j+1)，以便使输出y(j+1)接近于所期望的参考信号d(j+1)。
S120，对初始扭转振动信号进行特征提取，得到船舶对应的扭转振动数据。
其中，特征提取可以包括时域特征提取和频域特征提取，时域特征具有直观的统计学及物理含义，频域特征可以容易的观测出现实中不易获取的信息。
在得到初始扭转振动信号之后，对初始扭转振动信号进行时域特征提取和频域特征提取，能够得到船舶对应的扭转振动数据，主要是时域数据和频域数据，其中，时域数据可以包括：扭转振动均值、扭转振动标准差、扭转振动均方根、扭转振动最大值、扭转振动最小值、扭转振动极差以及扭转振动绝对平均值等；频域数据可以包括：扭转振动曲线、扭转振动重心频率、扭转振动均方频率、扭转振动均方根频率、扭转振动频率方差以及扭转振动频率标准差等。
S130，根据预先建立的船舶故障预测模型，确定船舶对应的扭转振动参考数据。
获取预先建立的船舶故障预测模型所对应的表达式，根据该表达式将相关的数据代入之后，能够确定出船舶对应的扭转振动参考数据，以便后续根据扭转振动数据和扭转振动参考数据之间的大小关系，确定船舶的故障预测结果。
S140，根据扭转振动数据和扭转振动参考数据之间的大小关系，确定船舶的故障预测结果。
在得到了扭转振动数据和扭转振动参考数据之后，比较扭转振动数据和扭转振动参考数据之间的大小关系，例如，若扭转振动数据超过扭转振动参考数据，则能够确定船舶的故障预测结果为：船舶出现故障；相反，若扭转振动数据未超过扭转振动参考数据，则能够确定船舶的故障预测结果为：船舶未出现故障。
本实施例提供的技术方案，首先对船舶的扭转振动信号进行自适应滤波处理，得到初始扭转振动信号，接着对初始扭转振动信号进行特征提取，得到船舶对应的扭转振动数据，然后根据预先建立的船舶故障预测模型，确定船舶对应的扭转振动参考数据，最后根据扭转振动数据和扭转振动参考数据之间的大小关系，确定船舶的故障预测结果，上述方案通过实时获取船舶的扭转振动信号，并进行相应的处理，最后得到故障预测结果，能够提高故障预测结果的准确性，从而保证行驶安全。
在一些实施例中，所述船舶故障预测模型可以具体通过以下方式确定：根据定性分析方法确定与所述船舶的扭转振动强度所对应的影响因素；通过计算机软件仿真、半实物仿真以及仿真试验中的至少一种，确定所述影响因素与所述扭转振动强度之间的关系；根据所述影响因素与所述扭转振动强度之间的关系，建立所述船舶故障预测模型。
其中，所述影响因素可以包括：所述船舶的负载状态、航行前进方向、螺旋桨水深度、航行时间以及航行速度中的至少一种，各影响因素均与时间相关。定性分析方法可以包括：专家经验法、层次分析法、敏感性分析法等。
本发明实施例中，先根据定性分析方法能够确定与船舶的扭转振动强度所对应的影响因素，即得到了定性分析的结果，然后基于定性分析的结果，通过计算机软件仿真、半实物仿真以及仿真试验中的至少一种定量分析，确定各影响因素与扭转振动强度之间的关系，例如，分别确定船舶的负载状态、航行前进方向、螺旋桨水深度、航行时间以及航行速度等各个不同的影响因素与扭转振动强度之间的关系是正相关还是反相关，最后根据影响因素与扭转振动强度之间的关系，即正相关或者负相关，建立船舶故障预测模型，上述方案中，通过定性分析和定量分析的结合，使得最终确定的船舶故障预测模型更准确，也更符合实际情况。
示例性的，上述船舶故障预测模型可以通过下式进行表示：
Y(t)＝f(X1,X2,X3,...,Xn:t) (1)
其中，Y(t)表示扭转振动强度，X1,X2,X3,...,Xn表示与时间相关的影响因素，t表示船舶受到的应力。
在一些实施例中，在所述根据所述影响因素与所述扭转振动强度之间的关系，建立所述船舶故障预测模型之后，还可以具体包括：根据状态损伤关系以及所述仿真试验，对所述船舶故障预测模型进行验证，得到验证结果，其中，所述状态损伤关系包括各影响因素与所述船舶的应力之间的大小关系；若所述验证结果为所述船舶故障预测模型不准确，则对所述船舶故障预测模型进行修正。
其中，状态损伤关系可以通过对船舶进行计算机软件仿真、半实物仿真或者仿真试验得到。
本发明实施例中，在建立船舶故障预测模型之后，根据状态损伤关系以及仿真试验，能够对船舶故障预测模型进行验证，得到验证结果，根据验证结果能够确定船舶故障预测模型是否准确，若不准确，则根据仿真试验的结果对船舶故障预测模型进行修正，通过上述方案，能够提高船舶故障预测模型的准确性以及适用性，有利于提高后续的船舶故障预测结果。
实施例二
图2为本发明实施例二提供的一种船舶故障预测方法的流程图。本发明实施例是在上述实施例的基础上进行优化。可选的，本实施例对得到船舶对应的扭转振动数据的过程以及确定船舶对应的扭转振动参考数据的过程进行优化。
参见图2，本实施例的方法包括但不限于如下步骤：
S210，对船舶的扭转振动信号进行自适应滤波处理，得到初始扭转振动信号。
S220，根据船舶对应的海况、传感器的噪声以及扭转振动信号传输时的电磁干扰中的至少一种，确定初始扭转振动信号对应的干扰信号。
船舶在各种海况和各种地域行驶时，这些外部环境会对船舶产生相互作用，例如，超常海况会对船舶的振动特性产生强大的干扰，甚至严重时可能会导致船舶轴系的故障。同时传感器在采集船舶的扭转振动信号时会受到传感器的噪声和扭转振动信号传输时的电磁干扰等的影响，那么根据船舶对应的海况、传感器的噪声以及扭转振动信号传输时的电磁干扰中的至少一种，能够确定出初始扭转振动信号对应的干扰信号。
S230，对初始扭转振动信号和干扰信号进行融合，得到新的扭转振动信号，并对新的扭转振动信号进行傅里叶变换，得到船舶对应的扭转振动数据。
在确定了初始扭转振动信号对应的干扰信号之后，对初始扭转振动信号和干扰信号进行融合，能够得到新的扭转振动信号，该新的扭转振动信号相当于是考虑了干扰信号之后的融合信号，然后对新的扭转振动信号进行傅里叶变换，就能够得到船舶对应的扭转振动数据，该扭转振动数据可以包括：扭转振动均值和扭转振动曲线，由于考虑了干扰信号对初始扭转振动信号的影响，此时确定的扭转振动数据也更接近实际情况。
S240，根据预先建立的船舶故障预测模型，确定船舶对应的扭转振动参考数据。
可选的，所述根据预先建立的船舶故障预测模型，确定所述船舶对应的扭转振动参考数据，可以具体包括：建立船舶出现故障时对应的所述船舶故障预测模型中包括的各影响因素的历史数据库；从所述历史数据库中获取各影响因素对应的历史数据；根据所述历史数据确定所述船舶对应的扭转振动参考数据。
具体的，通过将船舶出现故障时船舶故障预测模型中包括的各影响因素的历史数据汇总起来，能够建立船舶出现故障时对应的各影响因素的历史数据库，从历史数据库中获取符合船舶当前行驶过程的各影响因素分别对应的历史数据；将各历史数据代入预先建立的船舶故障预测模型所对应的表达式，就能够确定出船舶对应的扭转振动参考数据。
本发明实施例中，基于船舶出现故障时对应的各影响因素的历史数据库中包含的历史数据，确定船舶对应的扭转振动参考数据，使得所确定的参考数据能够代表船舶出现故障时所对应的数据，从而有利于后续确定船舶的故障预测结果。
S250，根据扭转振动数据和扭转振动参考数据之间的大小关系，确定船舶的故障预测结果。
可选的，所述扭转振动数据包括：扭转振动均值和扭转振动曲线；所述扭转振动参考数据包括：扭转振动参考值和扭转振动参考曲线；相应的，所述根据所述扭转振动数据和所述扭转振动参考数据之间的大小关系，确定所述船舶的故障预测结果，可以具体包括：若所述扭转振动均值大于所述扭转振动参考值，或者，若同一频率下所述扭转振动曲线中对应的第一目标点的个数大于预设阈值，则确定所述船舶的故障预测结果为所述船舶出现故障，并进行告警提示，其中，所述第一目标点为其扭转振动值超过所述扭转振动参考曲线中对应的第二目标点的扭转振动值的所有目标点。
其中，第一目标点和第二目标点为同一频率下位于不同曲线中的点，且第一目标点的扭转振动值超过了扭转振动参考曲线中对应的第二目标点的扭转振动值。预设阈值可以是预先设定好的，也可以视具体情况而定，本发明实施例不做具体限制。
具体的，若扭转振动均值大于扭转振动参考值，则确定船舶的故障预测结果为船舶出现故障，并进行告警提示；相反，若扭转振动均值小于或者等于扭转振动参考值，则确定船舶的故障预测结果为船舶未出现故障。或者，若同一频率下扭转振动曲线中对应的第一目标点的个数大于预设阈值，则确定船舶的故障预测结果为船舶出现故障，并进行告警提示；相反，若同一频率下扭转振动曲线中对应的第一目标点的个数小于或者等于预设阈值，则确定船舶的故障预测结果为船舶未出现故障。
本发明实施例中，在扭转振动均值大于扭转振动参考值，或者，若同一频率下扭转振动曲线中对应的第一目标点的个数大于预设阈值时，确定船舶的故障预测结果为船舶出现故障，并进行告警提示，能够及时通知船舶上的工作人员，防止发生危险。
进一步的，扭转振动参考数据可以包括扭转振动临界参考值和扭转振动极限参考值，所述扭转振动数据包括扭转振动均值；相应的，所述根据所述扭转振动数据和所述扭转振动参考数据之间的大小关系，确定所述船舶的故障预测结果，可以具体包括：若扭转振动均值小于或者等于扭转振动临界参考值，则确定船舶的故障预测结果为船舶未出现故障；若扭转振动均值大于扭转振动临界参考值，且小于扭转振动极限参考值，则确定船舶的故障预测结果为船舶出现一级故障，并通过绿色告警信号闪烁进行告警提示；若扭转振动均值大于或者等于扭转振动极限参考值，则确定船舶的故障预测结果为船舶出现二级故障，并通过红色告警信号闪烁进行告警提示。
其中，一级故障的紧急程度低于二级故障的紧急程度。
本发明实施例中，通过不同等级的故障以及不同颜色的告警信号闪烁，能够及时通知船舶上的工作人员，并根据不同的故障等级做出不同的应对措施，防止发生危险。
本实施例提供的技术方案，首先对船舶的扭转振动信号进行自适应滤波处理，得到初始扭转振动信号，接着根据船舶对应的海况、传感器的噪声以及扭转振动信号传输时的电磁干扰中的至少一种，确定初始扭转振动信号对应的干扰信号，然后对初始扭转振动信号和干扰信号进行融合，得到新的扭转振动信号，并对新的扭转振动信号进行傅里叶变换，得到船舶对应的扭转振动数据，根据预先建立的船舶故障预测模型，确定船舶对应的扭转振动参考数据，最后根据扭转振动数据和扭转振动参考数据之间的大小关系，确定船舶的故障预测结果，上述方案中，由于考虑了干扰信号对初始扭转振动信号的影响，所确定的扭转振动数据也更接近实际情况，从而有利于提高船舶的故障预测结果的准确性，进一步保障行驶安全，防止船舶行驶过程中发生危险。
实施例三
图3为本发明实施例三提供的一种船舶故障预测系统的结构示意图，如图3所示，该装置可以包括：
初始信号确定模块310，用于对船舶的扭转振动信号进行自适应滤波处理，得到初始扭转振动信号；
振动数据确定模块320，用于对所述初始扭转振动信号进行特征提取，得到所述船舶对应的扭转振动数据；
参考数据确定模块330，用于根据预先建立的船舶故障预测模型，确定所述船舶对应的扭转振动参考数据；
故障结果确定模块340，用于根据所述扭转振动数据和所述扭转振动参考数据之间的大小关系，确定所述船舶的故障预测结果。
本实施例提供的技术方案，首先对船舶的扭转振动信号进行自适应滤波处理，得到初始扭转振动信号，接着对初始扭转振动信号进行特征提取，得到船舶对应的扭转振动数据，然后根据预先建立的船舶故障预测模型，确定船舶对应的扭转振动参考数据，最后根据扭转振动数据和扭转振动参考数据之间的大小关系，确定船舶的故障预测结果，上述方案通过实时获取船舶的扭转振动信号，并进行相应的处理，最后得到故障预测结果，能够提高故障预测结果的准确性，从而保证行驶安全。
进一步的，上述振动数据确定模块320，可以具体用于：根据所述船舶对应的海况、传感器的噪声以及扭转振动信号传输时的电磁干扰中的至少一种，确定所述初始扭转振动信号对应的干扰信号；对所述初始扭转振动信号和所述干扰信号进行融合，得到新的扭转振动信号，并对所述新的扭转振动信号进行傅里叶变换，得到所述船舶对应的扭转振动数据。
进一步的，所述船舶故障预测模型通过以下方式确定：根据定性分析方法确定与所述船舶的扭转振动强度所对应的影响因素；通过计算机软件仿真、半实物仿真以及仿真试验中的至少一种，确定所述影响因素与所述扭转振动强度之间的关系；根据所述影响因素与所述扭转振动强度之间的关系，建立所述船舶故障预测模型。
进一步的，上述船舶故障预测系统，还可以包括：验证模块，用于在所述根据所述影响因素与所述扭转振动强度之间的关系，建立所述船舶故障预测模型之后，根据状态损伤关系以及所述仿真试验，对所述船舶故障预测模型进行验证，得到验证结果，其中，所述状态损伤关系包括各影响因素与所述船舶的应力之间的大小关系；修正模块，用于若所述验证结果为所述船舶故障预测模型不准确，则对所述船舶故障预测模型进行修正。
进一步的，所述扭转振动数据包括：扭转振动均值和扭转振动曲线；所述扭转振动参考数据包括：扭转振动参考值和扭转振动参考曲线；相应的，上述故障结果确定模块340，可以具体用于：若所述扭转振动均值大于所述扭转振动参考值，或者，若同一频率下所述扭转振动曲线中对应的第一目标点的个数大于预设阈值，则确定所述船舶的故障预测结果为所述船舶出现故障，并进行告警提示，其中，所述第一目标点为其扭转振动值超过所述扭转振动参考曲线中对应的第二目标点的扭转振动值的所有目标点。
进一步的，上述参考数据确定模块330，可以具体用于：建立船舶出现故障时对应的所述船舶故障预测模型中包括的各影响因素的历史数据库；从所述历史数据库中获取各影响因素对应的历史数据；根据所述历史数据确定所述船舶对应的扭转振动参考数据。
进一步的，所述影响因素包括：所述船舶的负载状态、航行前进方向、螺旋桨水深度、航行时间以及航行速度中的至少一种。
本实施例提供的船舶故障预测系统可适用于上述任意实施例提供的船舶故障预测方法，具备相应的功能和有益效果。
实施例四
图4为本发明实施例四提供的一种电子设备的结构示意图，如图4所示，该电子设备包括处理器410和存储装置420；电子设备中处理器410的数量可以是一个或多个，图4中以一个处理器410为例；电子设备中的处理器410和存储装置420可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储装置420作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的船舶故障预测方法对应的模块(例如，用于船舶故障预测系统中的初始信号确定模块310、振动数据确定模块320参考数据确定模块330和故障结果确定模块340)。处理器410通过运行存储在存储装置420中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的船舶故障预测方法。
存储装置420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储装置420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本实施例提供的一种电子设备可用于执行上述任意实施例提供的船舶故障预测方法，具备相应的功能和有益效果。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例中的船舶故障预测方法，该方法具体包括：
对船舶的扭转振动信号进行自适应滤波处理，得到初始扭转振动信号；
对所述初始扭转振动信号进行特征提取，得到所述船舶对应的扭转振动数据；
根据预先建立的船舶故障预测模型，确定所述船舶对应的扭转振动参考数据；
根据所述扭转振动数据和所述扭转振动参考数据之间的大小关系，确定所述船舶的故障预测结果。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的船舶故障预测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述船舶故障预测系统的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种船舶故障预测方法，其特征在于，包括：
对船舶的扭转振动信号进行自适应滤波处理，得到初始扭转振动信号；
对所述初始扭转振动信号进行特征提取，得到所述船舶对应的扭转振动数据；
根据预先建立的船舶故障预测模型，确定所述船舶对应的扭转振动参考数据；
根据所述扭转振动数据和所述扭转振动参考数据之间的大小关系，确定所述船舶的故障预测结果。
2.根据权利要求1所述的方法，其特征在于，所述对所述初始扭转振动信号进行特征提取，得到所述船舶对应的扭转振动数据，包括：
根据所述船舶对应的海况、传感器的噪声以及扭转振动信号传输时的电磁干扰中的至少一种，确定所述初始扭转振动信号对应的干扰信号；
对所述初始扭转振动信号和所述干扰信号进行融合，得到新的扭转振动信号，并对所述新的扭转振动信号进行傅里叶变换，得到所述船舶对应的扭转振动数据。
3.根据权利要求1所述的方法，其特征在于，所述船舶故障预测模型通过以下方式确定：
根据定性分析方法确定与所述船舶的扭转振动强度所对应的影响因素；
通过计算机软件仿真、半实物仿真以及仿真试验中的至少一种，确定所述影响因素与所述扭转振动强度之间的关系；
根据所述影响因素与所述扭转振动强度之间的关系，建立所述船舶故障预测模型。
4.根据权利要求3所述的方法，其特征在于，在所述根据所述影响因素与所述扭转振动强度之间的关系，建立所述船舶故障预测模型之后，还包括：
根据状态损伤关系以及所述仿真试验，对所述船舶故障预测模型进行验证，得到验证结果，其中，所述状态损伤关系包括各影响因素与所述船舶的应力之间的大小关系；
若所述验证结果为所述船舶故障预测模型不准确，则对所述船舶故障预测模型进行修正。
5.根据权利要求1所述的方法，其特征在于，所述扭转振动数据包括：扭转振动均值和扭转振动曲线；所述扭转振动参考数据包括：扭转振动参考值和扭转振动参考曲线；
相应的，所述根据所述扭转振动数据和所述扭转振动参考数据之间的大小关系，确定所述船舶的故障预测结果，包括：
若所述扭转振动均值大于所述扭转振动参考值，或者，若同一频率下所述扭转振动曲线中对应的第一目标点的个数大于预设阈值，则确定所述船舶的故障预测结果为所述船舶出现故障，并进行告警提示，其中，所述第一目标点为其扭转振动值超过所述扭转振动参考曲线中对应的第二目标点的扭转振动值的所有目标点。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述根据预先建立的船舶故障预测模型，确定所述船舶对应的扭转振动参考数据，包括：
建立船舶出现故障时对应的所述船舶故障预测模型中包括的各影响因素的历史数据库；
从所述历史数据库中获取各影响因素对应的历史数据；
根据所述历史数据确定所述船舶对应的扭转振动参考数据。
7.根据权利要求3所述的方法，其特征在于，所述影响因素包括：所述船舶的负载状态、航行前进方向、螺旋桨水深度、航行时间以及航行速度中的至少一种。
8.一种船舶故障预测系统，其特征在于，包括：
初始信号确定模块，用于对船舶的扭转振动信号进行自适应滤波处理，得到初始扭转振动信号；
振动数据确定模块，用于对所述初始扭转振动信号进行特征提取，得到所述船舶对应的扭转振动数据；
参考数据确定模块，用于根据预先建立的船舶故障预测模型，确定所述船舶对应的扭转振动参考数据；
故障结果确定模块，用于根据所述扭转振动数据和所述扭转振动参考数据之间的大小关系，确定所述船舶的故障预测结果。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110818337.3A CN113553662A (zh) | 2021-07-20 | 2021-07-20 | 一种船舶故障预测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110818337.3A CN113553662A (zh) | 2021-07-20 | 2021-07-20 | 一种船舶故障预测方法、系统、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113553662A true CN113553662A (zh) | 2021-10-26 |
Family
ID=78132219
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110818337.3A Pending CN113553662A (zh) | 2021-07-20 | 2021-07-20 | 一种船舶故障预测方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113553662A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102768524A (zh) * | 2012-08-06 | 2012-11-07 | 长沙绿航节能科技有限公司 | 一种船舶运行能效的系统优化方法及其装置 |
| CN108716989A (zh) * | 2018-05-17 | 2018-10-30 | 长沙理工大学 | 一种汽轮发电机组轴系扭振故障监测方法、监测器及系统 |
| CN110044624A (zh) * | 2019-04-24 | 2019-07-23 | 华东交通大学 | 一种齿轮箱轴承故障检测方法及系统 |
| CN211234959U (zh) * | 2019-12-19 | 2020-08-11 | 宁波慧声智创科技有限公司 | 一种船舶轴系状态监测与故障智能诊断系统 |
| CN112810772A (zh) * | 2021-02-01 | 2021-05-18 | 江苏远望仪器集团有限公司 | 基于多维特征知识提取的船舶设备故障诊断方法及设备 |
| CN112857562A (zh) * | 2021-01-04 | 2021-05-28 | 中国神华能源股份有限公司国华电力分公司 | 一种自适应监测发电机扭振状态的方法 |
-
2021
- 2021-07-20 CN CN202110818337.3A patent/CN113553662A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102768524A (zh) * | 2012-08-06 | 2012-11-07 | 长沙绿航节能科技有限公司 | 一种船舶运行能效的系统优化方法及其装置 |
| CN108716989A (zh) * | 2018-05-17 | 2018-10-30 | 长沙理工大学 | 一种汽轮发电机组轴系扭振故障监测方法、监测器及系统 |
| CN110044624A (zh) * | 2019-04-24 | 2019-07-23 | 华东交通大学 | 一种齿轮箱轴承故障检测方法及系统 |
| CN211234959U (zh) * | 2019-12-19 | 2020-08-11 | 宁波慧声智创科技有限公司 | 一种船舶轴系状态监测与故障智能诊断系统 |
| CN112857562A (zh) * | 2021-01-04 | 2021-05-28 | 中国神华能源股份有限公司国华电力分公司 | 一种自适应监测发电机扭振状态的方法 |
| CN112810772A (zh) * | 2021-02-01 | 2021-05-18 | 江苏远望仪器集团有限公司 | 基于多维特征知识提取的船舶设备故障诊断方法及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 饶银辉，蒋励，李日财，张新: "船舶双轴系扭振应力测量分析软件研发", 广船科技, vol. 35, no. 6, 20 December 2015 (2015-12-20), pages 6 - 9 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112162878B (zh) | 数据库故障发现方法、装置、电子设备及存储介质 | |
| Demetriou et al. | Incipient fault diagnosis of dynamical systems using online approximators | |
| CN111913803B (zh) | 一种基于akx混合模型的服务负载细粒度预测方法 | |
| CN110588689B (zh) | 一种空调压缩机保护故障的检测方法及相关装置 | |
| RU2482999C2 (ru) | Способ и система характеризации и учета превышений порога рабочего параметра двигателя летательного аппарата | |
| CN114738205A (zh) | 一种浮式风机基础的状态监测方法、装置、设备和介质 | |
| CN115237040A (zh) | 一种船舶设备安全操作管理方法、系统、装置和介质 | |
| CN116614287A (zh) | 一种网络安全事件评估处理方法、装置、设备及介质 | |
| CN113269327A (zh) | 一种基于机器学习的流量异常预测方法 | |
| CN112712305A (zh) | 一种飞行器系统及其健康评估方法和装置 | |
| CN118172911A (zh) | 一种大坝监测异常预警方法及系统 | |
| Thieme et al. | A risk management framework for unmanned underwater vehicles focusing on human and organizational factors | |
| CN113553662A (zh) | 一种船舶故障预测方法、系统、设备及存储介质 | |
| CN109543894B (zh) | 一种核电站松脱部件事前预测系统及预测方法 | |
| CN114548280A (zh) | 故障诊断模型的训练、故障诊断方法及电子设备 | |
| CN112819083B (zh) | 液压泵故障预测方法、装置、电子设备及存储介质 | |
| CN114866338B (zh) | 网络安全检测方法、装置及电子设备 | |
| CN115640965A (zh) | 一种船舶远程控制安全防护方法、系统、设备及介质 | |
| CN115632808A (zh) | 针对入侵检测模型的威胁感知方法及装置 | |
| CN115271307A (zh) | 一种船舶设备检查管理的方法和系统 | |
| CN114622990A (zh) | 一种发动机失火风险识别方法、装置、设备和介质 | |
| Terada et al. | A motion estimation method of high speed craft in irregular sea by using onboard monitoring motion time series data for motion control | |
| CN113055442A (zh) | 基于动态因子的事件生成方法、电子设备及存储介质 | |
| CN116743503B (zh) | 一种基于工控资产的健康度评估方法 | |
| CN116468145A (zh) | 发动机运转时长预测方法及装置、状态预警方法及装置 |
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 |