CN113895587B - 基于人工智能的全回转舵桨状态监测方法及系统 - Google Patents

基于人工智能的全回转舵桨状态监测方法及系统 Download PDF

Info

Publication number
CN113895587B
CN113895587B CN202111471612.5A CN202111471612A CN113895587B CN 113895587 B CN113895587 B CN 113895587B CN 202111471612 A CN202111471612 A CN 202111471612A CN 113895587 B CN113895587 B CN 113895587B
Authority
CN
China
Prior art keywords
working condition
sub
full
sound
similarity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111471612.5A
Other languages
English (en)
Other versions
CN113895587A (zh
Inventor
李新刚
浦建康
赵颖楠
余春景
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.)
Jiangsu Xinhang Ship Technology Co ltd
Original Assignee
Jiangsu Xinhang Ship Technology Co ltd
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 Jiangsu Xinhang Ship Technology Co ltd filed Critical Jiangsu Xinhang Ship Technology Co ltd
Priority to CN202111471612.5A priority Critical patent/CN113895587B/zh
Publication of CN113895587A publication Critical patent/CN113895587A/zh
Application granted granted Critical
Publication of CN113895587B publication Critical patent/CN113895587B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • BPERFORMING OPERATIONS; TRANSPORTING
    • B63SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63BSHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B79/00Monitoring properties or operating parameters of vessels in operation
    • B63B79/40Monitoring properties or operating parameters of vessels in operation for controlling the operation of vessels, e.g. monitoring their speed, routing or maintenance schedules
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B63SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63BSHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B79/00Monitoring properties or operating parameters of vessels in operation

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Ocean & Marine Engineering (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及人工智能技术领域,具体涉及一种基于人工智能的全回转舵桨状态监测方法及系统,获取各子工况的样本数据集合,样本数据集合包括同属于一个采样时间的全回转舵桨的振动数据序列和声音数据,先对振动数据序列进行处理,得到各子工况的工况相似度并进行筛选,进而根据筛选结果,计算各子工况的声音相似度,并进行筛选,得到目标声音相似度,结合当前工况下在当前行驶速度下的全回转舵桨的实际声音数据以及标准声音数据,计算声音频域特征指标,然后结合实际振动数据序列和标准振动数据序列,计算置信度,最后根据置信度判断全回转舵桨的运行状态,得到比较准确的全回转舵桨的运行状态的监测结果,提升监测准确性。

Description

基于人工智能的全回转舵桨状态监测方法及系统
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的全回转舵桨状态监测方法及系统。
背景技术
全回转舵桨可以在360°范围内提供推力,自由地向任何方向推进,大幅提高了船舶的机动性能,广泛应用于拖船、半潜船、海洋工程船和海工平台等,通常有L型和Z型2种传动形式。对于船舶而言,船舶行进方向不同时,全回转舵桨的回转方向也不同。装配有全回转舵桨的船舶常见得到有双舵桨船舶和单舵桨船舶。以双舵桨船舶为例,如图1所示,双舵桨船舶的工况大致上包括:前进、转弯、后退和平移,全回转舵桨在不同的工况下,负荷有很大的不同,其中,前进和转弯时,船舶受到的阻力较小,后退和平移受到的阻力较大,而阻力反馈到全回转舵桨上而言,就是负荷的不同,阻力越大负荷越大。当负荷越高时,全回转舵桨的轴承会产生越大的轴向力,相应地,会产生不同程度的振动,对全回转舵桨的轴承造成不同程度的伤害。因此,全回转舵桨的运行状态监测至关重要,然而,目前全凭操作人员的经验来判断全回转舵桨的运行状态是否正常,以及故障程度,主观性比较强,无法准确检测到全回转舵桨的运行状态。
发明内容
本发明的目的在于提供一种基于人工智能的全回转舵桨状态监测方法及系统,用于解决现有的全回转舵桨的运行状态的检测方式的准确性较差的技术问题。
所采用的技术方案具体如下:
一种基于人工智能的全回转舵桨状态监测方法,包括以下步骤:
基于采样时间的不同,设定每一种工况在每一个行驶速度下具有至少两个子工况,获取各子工况的样本数据集合,所述样本数据集合包括同属于一个采样时间的全回转舵桨的振动数据序列和声音数据;
对于任意一个行驶速度,根据所述振动数据序列,计算同一行驶速度下,各子工况的工况相似度,并对同属于一个工况下的各子工况的工况相似度进行筛选,得到目标工况相似度;
根据与所述目标工况相似度相对应的声音数据,计算各子工况的声音相似度,并对同属于一个工况下的各子工况的声音相似度进行筛选,得到目标声音相似度;
采集当前工况下在当前行驶速度下的全回转舵桨的实际声音数据,根据所述目标声音相似度,以及当前工况下在当前行驶速度下的全回转舵桨正常运行状态的标准声音数据,计算当前工况下在当前行驶速度下的声音频域特征指标;
采集当前工况下在当前行驶速度下的全回转舵桨的实际振动数据序列,根据所述声音频域特征指标,以及当前工况下在当前行驶速度下的全回转舵桨正常运行状态的标准振动数据序列,计算置信度;
根据所述置信度所处的范围,判断所述当前工况下在当前行驶速度下的全回转舵桨的运行状态。
在一个具体实施方式中,所述振动数据序列的计算过程,包括:
将所述采样时间划分为至少两个采样子时间,计算各个采样子时间的振动方差,各个振动方差构成所述振动数据序列;
所述振动方差的计算过程,包括:
获取对应采样子时间中各采样时刻的振动值,采用如下计算公式计算得到所述振动方差:
Figure 100002_DEST_PATH_IMAGE001
其中,
Figure 100002_DEST_PATH_IMAGE002
为所述振动方差,n为采样子时间中的采样时刻的个数,
Figure 100002_DEST_PATH_IMAGE003
为采样子时间中的第i个采样时刻的振动值,
Figure 100002_DEST_PATH_IMAGE004
为采样子时间中的所有的振动值的均值。
在一个具体实施方式中,所述根据所述振动数据序列,计算同一行驶速度下,各子工况的工况相似度,包括:
根据所述振动数据序列,计算同一行驶速度下,任意两个子工况之间的差异距离,计算公式如下:
Figure 100002_DEST_PATH_IMAGE005
其中,
Figure 100002_DEST_PATH_IMAGE006
为子工况A和子工况B之间的差异距离,
Figure 100002_DEST_PATH_IMAGE007
为子工况A的振动数据序列,
Figure 100002_DEST_PATH_IMAGE008
为子工况B的振动数据序列,
Figure 100002_DEST_PATH_IMAGE009
为计算
Figure 100002_DEST_PATH_IMAGE010
Figure 771432DEST_PATH_IMAGE008
之间的
Figure 100002_DEST_PATH_IMAGE011
距离的函数,
Figure 100002_DEST_PATH_IMAGE012
为求取
Figure 47823DEST_PATH_IMAGE010
的极差的函数,
Figure 100002_DEST_PATH_IMAGE013
为求取
Figure 798742DEST_PATH_IMAGE008
的极差的函数,
Figure 100002_DEST_PATH_IMAGE014
为取
Figure 765561DEST_PATH_IMAGE012
Figure 100002_DEST_PATH_IMAGE015
中最大值的函数,
Figure 100002_DEST_PATH_IMAGE016
为取
Figure 412574DEST_PATH_IMAGE012
Figure 769737DEST_PATH_IMAGE015
中最小值的函数;
根据各差异距离,计算各子工况的工况相似度。
在一个具体实施方式中,所述根据各差异距离,计算各子工况的工况相似度,包括:
对于任意一个子工况,计算与该子工况相关的各个差异距离之和,得到该子工况的工况相似度。
在一个具体实施方式中,所述根据与所述目标工况相似度相对应的声音数据,计算各子工况的声音相似度,包括:
根据与所述目标工况相似度相对应的声音数据,计算任意两个子工况之间的频率差异;其中,所述声音数据包括声音信号的频率值,所述频率差异的计算公式如下:
Figure 100002_DEST_PATH_IMAGE017
其中,
Figure 100002_DEST_PATH_IMAGE018
为子工况A和子工况B之间的频率差异,
Figure 100002_DEST_PATH_IMAGE019
为子工况A的声音信号的频率值,
Figure 100002_DEST_PATH_IMAGE020
为子工况B的声音信号的频率值;
根据各频率差异,计算得到各子工况的声音相似度。
在一个具体实施方式中,所述根据各频率差异,计算得到各子工况的声音相似度,包括:
对于任意一个子工况,计算与该子工况相关的各个频率差异之和,得到该子工况的声音相似度。
在一个具体实施方式中,所述采集当前工况下在当前行驶速度下的全回转舵桨的实际声音数据,根据所述目标声音相似度,以及当前工况下在当前行驶速度下的全回转舵桨正常运行状态的标准声音数据,计算当前工况下在当前行驶速度下的声音频域特征指标,包括:
根据所述目标声音相似度,获取各工况在每一个行驶速度下的最终声音相似度;
采用如下计算公式计算当前工况下在当前行驶速度下的声音频域特征指标:
Figure 100002_DEST_PATH_IMAGE021
其中,
Figure 100002_DEST_PATH_IMAGE022
为声音频域特征指标,
Figure 100002_DEST_PATH_IMAGE023
为当前工况下在当前行驶速度下的全回转舵桨的实际声音数据在频域上的特征,
Figure 100002_DEST_PATH_IMAGE024
为当前工况下在当前行驶速度下的全回转舵桨正常运行状态的标准声音数据在频域上的特征,
Figure 100002_DEST_PATH_IMAGE025
为求取
Figure 809499DEST_PATH_IMAGE023
Figure 359386DEST_PATH_IMAGE024
余弦相似度的函数,M为当前工况下在当前行驶速度下的最终声音相似度。
在一个具体实施方式中,所述置信度的计算公式如下:
Figure 100002_DEST_PATH_IMAGE026
其中,C为置信度,
Figure 100002_DEST_PATH_IMAGE027
为当前工况下在当前行驶速度下的全回转舵桨的实际振动数据序列,
Figure 100002_DEST_PATH_IMAGE028
为当前工况下在当前行驶速度下的全回转舵桨正常运行状态的标准振动数据序列,K为当前工况下在当前行驶速度下的声音频域特征指标。
在一个具体实施方式中,所述根据所述置信度所处的范围,判断所述当前工况下在当前行驶速度下的全回转舵桨的运行状态,包括:
当所述置信度大于或者等于预设的高置信度阈值时,判断全回转舵桨的运行状态为正常;
当所述置信度小于所述预设的高置信度阈值、且大于预设的低置信度阈值时,判断全回转舵桨的运行状态为轻度故障;
当所述置信度小于或者等于所述预设的低置信度阈值时,判断全回转舵桨的运行状态为重度故障。
一种基于人工智能的全回转舵桨状态监测系统,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令以实现上述的基于人工智能的全回转舵桨状态监测方法。
本发明实施例至少具有如下有益效果:先根据获取到的样本数据集合中的振动数据序列,计算各子工况的工况相似度,并进行筛选,得到目标工况相似度,接着根据与筛选得到的目标工况相似度相对应的声音数据,计算各子工况的声音相似度,并进行筛选,根据筛选得到的目标声音相似度,计算各工况在每一个行驶速度下的声音频域特征指标,声音频域特征指标为根据样本数据得到的声音频域特征指标,在对全回转舵桨状态进行监测时,采集当前工况下在当前行驶速度下的全回转舵桨的实际振动数据序列,根据当前工况下在当前行驶速度下的声音频域特征指标,以及当前工况下在当前行驶速度下的全回转舵桨正常运行状态的标准振动数据序列,计算置信度,置信度与全回转舵桨的运行状态密切相关,因此就可以根据置信度所处的范围,判断当前工况下在当前行驶速度下的全回转舵桨的运行状态。本发明提供的全回转舵桨状态监测方法是一种根据采集到的振动数据和声音数据进行人工智能算法的自动监测方法,由于振动数据和声音数据客观反映了全回转舵桨的运行状态,就可以克服现有的采用经验判断全回转舵桨的运行状态带来的主观性比较强的缺陷,得到比较准确的全回转舵桨的运行状态的监测结果,提升监测准确性。
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和优点,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的介绍,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,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为双舵桨船舶的各工况示意图;
图2是本发明提供的一种基于人工智能的全回转舵桨状态监测方法的流程图;
图3是本发明提供的一种基于人工智能的全回转舵桨状态监测系统的结构示意图;
图4是本发明提供的一种基于人工智能的全回转舵桨状态监测装置的结构示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于人工智能的全回转舵桨状态监测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的全回转舵桨状态监测方法的具体方案。
请参阅图2,其示出了本发明一个实施例提供的一种基于人工智能的全回转舵桨状态监测方法的步骤流程图,该方法包括以下步骤:
步骤S1:基于采样时间的不同,设定每一种工况在每一个行驶速度下具有至少两个子工况,获取各子工况的样本数据集合,所述样本数据集合包括同属于一个采样时间的全回转舵桨的振动数据序列和声音数据:
全回转舵桨在工作时会产生振动,振动情况反映了全回转舵桨的运行状态,因此,在全回转舵桨处安装有振动传感器,振动传感器采集全回转舵桨的振动信号。振动传感器可以安装在全回转舵桨上,也可以安装在全回转舵桨附近,但是不能距离全回转舵桨太远。振动传感器的数量由实际需要进行设置,本实施例中,为了减小或者消除振动传感器误差,以三角部署的形式布置三个振动传感器,最终得到的振动值取三者的均值。
振动数据的采样频率由实际需要进行设置,比如10Hz,即0.1s采集一次。
声音数据由麦克风采集得到,其中,麦克风可以采用MEMS麦克风,麦克风设置在全回转舵桨内部或者全回转舵桨上,用于实时采集全回转舵桨工作时产生的声音。声音采集频率由实际需要进行设置,比如8kHz。
振动传感器和麦克风信号连接设置的控制主机,控制主机内执行有本实施例提供的基于人工智能的全回转舵桨状态监测方法。
本实施例中,设置有全回转舵桨的船舶具有多种工况,比如:前进、转弯、后退、平移等等,而且,每一种工况下,船舶可以具有多个行驶速度,比如:在前进工况下,船舶的速度可以有10km/h、20km/h、30km/h等等。为了提升监测准确性,可以将速度划分的更细。
为了提高样本数据量,进而提升后续监测的准确性,基于采样时间的不同,设定每一种工况在每一个行驶速度下具有至少两个子工况。那么,子工况并非指代不同的工况,而是指不同的数据采样时间,之所以以不同的采样时间定义不同的子工况,是因为不同的采样时间,全回转舵桨的相关运行数据可能不同,也就一定程度上能够反映运行状态。本实施例中,各采样时间的长短由实际需要进行设置,比如5分钟、10分钟等等。比如:船舶在前进工况下、行驶速度为20 km/h时,在上午10点-10点5分之间采集一次数据,在上午10点10分-10点15分之间采集一次数据,在上午10点20分-10点25分之间采集一次数据,总共采集三次数据,也就是说,船舶在前进工况下、行驶速度为20 km/h下,船舶,即全回转舵桨,具有三个子工况,分别是上午10点-10点5分对应一个子工况,上午10点10分-10点15分对应一个子工况,上午10点20分-10点25分对应一个子工况。也即,每一种工况在每一个行驶速度下,采集至少两次数据。每次采样时间采集得到的数据为样本数据集合,因此,每一个子工况均对应有样本数据集合,即每一次采集均采集得到一个样本数据集合。
获取各子工况的样本数据集合,样本数据集合包括全回转舵桨的振动数据序列和声音数据,对于同一个样本数据集合而言,该样本数据集合中的全回转舵桨的振动数据序列和声音数据是相同的采样时间所对应的数据。
本实施例中,振动数据序列为振动信号的振动方差的序列,作为一个具体实施方式,以下给出振动数据序列的一种具体的计算过程:
将对应的一个采样时间划分为至少两个采样子时间,比如:若采样时间为12分钟,则可以将采样时间划分为4个采样子时间,每一个采样子时间为3分钟。对于任意一个采样子时间,包括多个采样时刻,采样周期由实际需要进行设置,比如0.1s,每个采样时刻采集得到一个振动值。
获取对应采样子时间中各采样时刻的振动值,采用如下计算公式计算得到振动方差:
Figure 114984DEST_PATH_IMAGE001
其中,
Figure 693864DEST_PATH_IMAGE002
为振动方差,n为采样子时间中的采样时刻的个数,
Figure 317743DEST_PATH_IMAGE003
为采样子时间中的第i个采样时刻的振动值,
Figure 55892DEST_PATH_IMAGE004
为该采样子时间中的所有的振动值的均值。
将计算得到的各个采样子时间的振动方差,构成对应采样时间的振动数据序列。
振动方差表示振动的波动情况,如果方差比较小,表示振动比较正常,如果方差比较大,表示振动不稳定,很有可能出现故障或者受到了其他影响。
声音数据由后续具体运算需要进行设置和处理,比如包括声音频率值和声音能量等等。本实施例中,声音数据包括对应采样时间的一段声音信号,根据实际需要处理成所需的数据信息。
本实施例之所以根据振动信号和声音信号进行运行状态监测,是因为设备在运行过程中,因为机械结构的相互作用,会产生反映运行状态的振动信号和声音信号,因此,就可以对振动信号和声音信号进行分析,得到全回转舵桨的运行状态。
步骤S2:对于任意一个行驶速度,根据所述振动数据序列,计算同一行驶速度下,各子工况的工况相似度,并对同属于一个工况下的各子工况的工况相似度进行筛选,得到目标工况相似度:
对于任意一个行驶速度(其他各行驶速度的处理过程与此相同),在该行驶速度下,根据振动数据序列,计算同一行驶速度下各子工况的工况相似度。作为一个具体实施方式,以下给出工况相似度的计算过程:
根据振动数据序列,计算同一行驶速度下,任意两个子工况之间的差异距离,计算公式如下:
Figure 575866DEST_PATH_IMAGE005
其中,
Figure 704359DEST_PATH_IMAGE006
为子工况A和子工况B之间的差异距离,
Figure 194246DEST_PATH_IMAGE010
为子工况A的振动数据序列,
Figure 662268DEST_PATH_IMAGE008
为子工况B的振动数据序列;
Figure 149881DEST_PATH_IMAGE011
Figure 827987DEST_PATH_IMAGE011
(Dynamic Time Warping,动态时间归整)函数,具体地:
Figure 262511DEST_PATH_IMAGE009
为计算
Figure 647355DEST_PATH_IMAGE010
Figure 102608DEST_PATH_IMAGE008
之间的
Figure 205693DEST_PATH_IMAGE011
距离的函数;
Figure 178328DEST_PATH_IMAGE012
为求取
Figure 745576DEST_PATH_IMAGE010
的极差的函数,
Figure 309412DEST_PATH_IMAGE013
为求取
Figure 103056DEST_PATH_IMAGE008
的极差的函数;
Figure 738436DEST_PATH_IMAGE014
为取
Figure 662373DEST_PATH_IMAGE012
Figure 600373DEST_PATH_IMAGE015
中最大值的函数,
Figure 740367DEST_PATH_IMAGE016
为取
Figure 117122DEST_PATH_IMAGE012
Figure 268748DEST_PATH_IMAGE015
中最小值的函数。应当理解,上述中的子工况A和子工况B不局限于同属于一个工况,即将所有工况下的所有子工况两两分组,比如:设置两个工况,分别是:前进工况和后退工况,前进工况包括X1、X2和X3三个子工况,后退工况包括Y1、Y2和Y3三个子工况,那么,将X1、X2、X3、Y1、Y2和Y3六个子工况两两分组,计算两两分组下的各组的差异距离。
根据各差异距离,计算各子工况的工况相似度。本实施例中,采用如下计算方式计算工况相似度:
对于任意一个子工况,计算与该子工况相关的各个差异距离之和,得到该子工况的工况相似度,计算公式如下:
Figure DEST_PATH_IMAGE029
其中,A表示子工况A,X表示其他某一种子工况,
Figure DEST_PATH_IMAGE030
表示将所有与子工况A相关的差异距离进行求和运算,得到子工况A的工况相似度
Figure DEST_PATH_IMAGE031
。比如:基于X1、X2、X3、Y1、Y2和Y3六个子工况,与子工况X1相关的差异距离分别是:
Figure DEST_PATH_IMAGE032
Figure DEST_PATH_IMAGE033
Figure DEST_PATH_IMAGE034
Figure DEST_PATH_IMAGE035
Figure DEST_PATH_IMAGE036
,则将这五个差异距离求和,得到子工况X1的工况相似度。
通过上述过程,得到各子工况的工况相似度,然后对同属于一个工况下的各子工况的工况相似度进行筛选,得到目标工况相似度。其中,筛选是用于将同属于一个工况下的各子工况的工况相似度中的噪声工况相似度过滤掉,本实施例中,采用聚类算法(比如DBSCAN密度聚类算法)进行筛选,对同属于一个工况下的各子工况的工况相似度进行聚类,得到聚类结果,对没有处于聚类分组中的离散工况相似度进行过滤,得到目标工况相似度。作为其他的实施方式,还可以采用其他现有的异常数据剔除算法进行过滤,比如孤立森林算法、OneClassSVM算法等等。比如:前进工况中的子工况X1、X2和X3的工况相似度中,根据算法得到子工况X2的工况相似度为异常工况相似度,即噪声工况相似度,则过滤掉子工况X2的工况相似度,保留子工况X1和X3的工况相似度,子工况X1和X3的工况相似度为目标工况相似度。应当理解,如果是对两个数据进行筛选时,筛选算法还可以为:直接保留其中数值较大的工况相似度作为目标工况相似度,过滤掉数值较小的工况相似度。更为特殊地,若所有的数据均符合筛选条件,则所有的数据均可以保留,即所有的工况相似度均为目标工况相似度。
因此,通过上述过程,可以对各个工况下的各子工况进行筛选,保留得到目标工况相似度对应的子工况。
步骤S3:根据与所述目标工况相似度相对应的声音数据,计算各子工况的声音相似度,并对同属于一个工况下的各子工况的声音相似度进行筛选,得到目标声音相似度:
由于每一个子工况均具有一个样本数据集合,而样本数据集合包括一个振动数据序列和一个声音数据,因此,子工况、振动数据序列和声音数据是一一对应的关系,因此,得到目标工况相似度之后,也就得到了与各目标工况相似度相对应的子工况,进而得到与各子工况相对应的声音数据。
根据与目标工况相似度相对应的声音数据,计算各子工况的声音相似度。作为一个具体实施方式,声音数据包括声音信号的频率值,声音信号的频率值由现有的频率计算过程进行计算,不再赘述。以下给出声音相似度的一种计算过程:
根据与目标工况相似度相对应的声音数据,计算任意两个子工况之间的频率差异。其中,任意两个子工况是指经过工况相似度筛选之后保留下来的各子工况。频率差异的计算公式如下:
Figure 862803DEST_PATH_IMAGE017
其中,
Figure 490094DEST_PATH_IMAGE018
为子工况A和子工况B之间的频率差异,
Figure 404960DEST_PATH_IMAGE019
为子工况A的声音信号的频率值,
Figure 411093DEST_PATH_IMAGE020
为子工况B的声音信号的频率值。此处,子工况A和子工况B同样不局限于同属于一个工况,即将所有工况下保留下来的所有子工况两两分组,比如:前进工况保留下来的子工况为X1和X3,后退工况保留下来的子工况为Y1和Y2,那么,将X1、X3、Y1和Y2四个子工况两两分组,计算两两分组下的各组的频率差异。
根据各频率差异,计算得到各子工况的声音相似度。本实施例中,与上述子工况的工况相似度的计算过程同理,即采用如下计算方式计算声音相似度:
对于任意一个子工况,计算与该子工况相关的各个频率差异之和,得到该子工况的声音相似度,计算公式如下:
Figure DEST_PATH_IMAGE037
其中,A表示子工况A,X表示其他某一种子工况,
Figure 284371DEST_PATH_IMAGE030
表示将所有与子工况A相关的频率差异进行求和运算,得到子工况A的声音相似度
Figure DEST_PATH_IMAGE038
。比如:基于X1、X3、Y1和Y2四个子工况,与子工况X1相关的频率差异分别是:
Figure 212007DEST_PATH_IMAGE033
Figure 727302DEST_PATH_IMAGE034
Figure 119100DEST_PATH_IMAGE035
,则将这三个频率差异求和,得到子工况X1的声音相似度。
通过上述过程,得到各子工况的声音相似度,然后对同属于一个工况下的各子工况的声音相似度进行筛选,得到目标声音相似度。与上文同理,筛选是用于将同属于一个工况下的各子工况的声音相似度中的噪声声音相似度过滤掉,此处采用聚类算法(比如DBSCAN密度聚类算法)进行筛选,对同属于一个工况下的各子工况的声音相似度进行聚类,得到聚类结果,对没有处于聚类分组中的离散声音相似度进行过滤,得到目标声音相似度。作为其他的实施方式,还可以采用其他现有的异常数据剔除算法进行过滤,比如孤立森林算法、OneClassSVM算法等等。应当理解,如果是对两个数据进行筛选时,筛选算法还可以为:直接保留其中数值较大的声音相似度作为目标声音相似度,过滤掉数值较小的声音相似度。更为特殊地,对于任意一个工况而言,经过上述工况相似度的筛选之后如果只保留下来一个子工况,为了保证后续计算,则筛选条件为全部通过筛选,即直接将该子工况对应的声音相似度作为目标声音相似度。
本实施例中,还可以对目标声音相似度进行归一化处理,使值域在(0,1),方便后续分析。
步骤S4:采集当前工况下在当前行驶速度下的全回转舵桨的实际声音数据,根据所述目标声音相似度,以及当前工况下在当前行驶速度下的全回转舵桨正常运行状态的标准声音数据,计算当前工况下在当前行驶速度下的声音频域特征指标:
对于任意一个行驶速度,就可以得到各工况下的目标声音相似度,即得到各工况在每一个行驶速度下的目标声音相似度。
根据目标声音相似度,计算各工况在每一个行驶速度下的声音频域特征指标。作为一个具体实施方式,以下给出声音频域特征指标的一种具体计算过程:
根据目标声音相似度,获取各工况在每一个行驶速度下的最终声音相似度。其中,对于某一个工况、某一个行驶速度而言,若该工况在该行驶速度下的目标声音相似度不止一个,则可以选择其中最大的目标声音相似度作为该工况在该行驶速度下的最终声音相似度,或者计算目标声音相似度的均值,该均值为该工况在该行驶速度下的最终声音相似度;若该工况在该行驶速度下的目标声音相似度只剩下一个,则该目标声音相似度为该工况在该行驶速度下的最终声音相似度。
采集当前工况下在当前行驶速度下的全回转舵桨的实际声音信号(其中,当前工况和当前行驶速度可以由专门的检测设备检测得到,由于操控全回转舵桨的角度可以控制船舶前进、转弯、后退、平移等等,因此,通过设置在全回转舵桨的角度传感器检测全回转舵桨的角度来确定当前工况,通过速度传感器检测当前行驶速度),并获取该实际声音信号在频域上的特征,具体是将实际声音信号转换到频域,得到的实际声音信号在频域上的特征为实际声音信号的能量,实际声音信号的能量计算方式可以采用:计算每一帧声音信号的短时能量,所有短时能量构成所需的能量向量,应当理解,声音信号的能量还可以采用现有的其他声音信号的能量计算方式进行计算,不再赘述。相应地,还获取当前工况下在当前行驶速度下的全回转舵桨正常运行状态的标准声音信号,该标准声音信号可以事先采集得到,是已知量。进而将标准声音信号转换到频域,得到的标准声音信号在频域上的特征为标准声音信号的能量,标准声音信号的能量也可以采用上述实际声音信号的能量的计算方式进行计算。应当理解,为了监测准确性,实际声音信号和标准声音信号的长度可以与上文中的样本数据集合中的声音信号的长度相同。
采用如下计算公式计算当前工况下在当前行驶速度下的声音频域特征指标:
Figure 626262DEST_PATH_IMAGE021
其中,
Figure 962565DEST_PATH_IMAGE022
为声音频域特征指标,
Figure DEST_PATH_IMAGE039
为当前工况下在当前行驶速度下的全回转舵桨的实际声音数据在频域上的特征,
Figure 360180DEST_PATH_IMAGE024
为当前工况下在当前行驶速度下的全回转舵桨正常运行状态的标准声音数据在频域上的特征,
Figure 403222DEST_PATH_IMAGE025
为求取
Figure 415040DEST_PATH_IMAGE023
Figure 848427DEST_PATH_IMAGE024
余弦相似度的函数,M为当前工况下在当前行驶速度下的最终声音相似度。
步骤S5:采集当前工况下在当前行驶速度下的全回转舵桨的实际振动数据序列,根据所述声音频域特征指标,以及当前工况下在当前行驶速度下的全回转舵桨正常运行状态的标准振动数据序列,计算置信度:
采集当前工况下在当前行驶速度下的全回转舵桨的实际振动数据序列,应当理解,实际振动数据序列可以通过上文中的振动数据序列的获取过程获取得到。相应地,还获取当前工况下在当前行驶速度下的全回转舵桨正常运行状态的标准振动数据序列,该标准振动数据序列可以事先采集得到,是已知量。应当理解,实际振动数据序列和标准振动数据序列的长度可以与上文样本数据集合中的振动数据序列的长度相同,以提升监测准确性。
置信度的计算公式如下:
Figure 236683DEST_PATH_IMAGE026
其中,C为置信度,
Figure 134232DEST_PATH_IMAGE027
为当前工况下在当前行驶速度下的全回转舵桨的实际振动数据序列,
Figure 926738DEST_PATH_IMAGE028
为当前工况下在当前行驶速度下的全回转舵桨正常运行状态的标准振动数据序列。
步骤S6:根据所述置信度所处的范围,判断所述当前工况下在当前行驶速度下的全回转舵桨的运行状态:
根据得到的置信度所处的范围,判断当前工况下在当前行驶速度下的全回转舵桨的运行状态,其中,置信度越高,全回转舵桨的运行状态越正常,本实施例中,设置两个阈值,分别是高置信度阈值和低置信度阈值,高置信度阈值大于低置信度阈值,其中:当置信度大于或者等于预设的高置信度阈值时,判断全回转舵桨的运行状态为正常;当置信度小于预设的高置信度阈值、且大于预设的低置信度阈值时,判断全回转舵桨的运行状态为轻度故障;当置信度小于或者等于预设的低置信度阈值时,判断全回转舵桨的运行状态为重度故障。
后续就可以根据得到的监测结果对全回转舵桨进行相应的处理,比如正常维护或者维修。
本实施例还提供一种基于人工智能的全回转舵桨状态监测系统,包括处理器和存储器,处理器用于处理存储在存储器中的指令以实现上述的基于人工智能的全回转舵桨状态监测方法,如图3所示。
对应于上文实施例所述的基于人工智能的全回转舵桨状态监测方法,本实施例还提供了一种基于人工智能的全回转舵桨状态监测装置,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图4,该基于人工智能的全回转舵桨状态监测装置包括:
数据采集模块,用于基于采样时间的不同,设定每一种工况在每一个行驶速度下具有至少两个子工况,获取各子工况的样本数据集合,所述样本数据集合包括同属于一个采样时间的全回转舵桨的振动数据序列和声音数据;
工况相似度获取模块,用于对于任意一个行驶速度,根据所述振动数据序列,计算同一行驶速度下,各子工况的工况相似度,并对同属于一个工况下的各子工况的工况相似度进行筛选,得到目标工况相似度;
声音相似度获取模块,用于根据与所述目标工况相似度相对应的声音数据,计算各子工况的声音相似度,并对同属于一个工况下的各子工况的声音相似度进行筛选,得到目标声音相似度;
声音频域特征指标计算模块,用于采集当前工况下在当前行驶速度下的全回转舵桨的实际声音数据,根据所述目标声音相似度,以及当前工况下在当前行驶速度下的全回转舵桨正常运行状态的标准声音数据,计算当前工况下在当前行驶速度下的声音频域特征指标;
置信度计算模块,用于采集当前工况下在当前行驶速度下的全回转舵桨的实际振动数据序列,根据所述声音频域特征指标,以及当前工况下在当前行驶速度下的全回转舵桨正常运行状态的标准振动数据序列,计算置信度;
运行状态判断模块,用于根据所述置信度所处的范围,判断所述当前工况下在当前行驶速度下的全回转舵桨的运行状态。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的系统/装置和方法,可以通过其它的方式实现。例如,以上所描述的系统/装置实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,模块的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于人工智能的全回转舵桨状态监测方法,其特征在于,包括以下步骤:
基于采样时间的不同,设定每一种工况在每一个行驶速度下具有至少两个子工况,获取各子工况的样本数据集合,所述样本数据集合包括同属于一个采样时间的全回转舵桨的振动数据序列和声音数据;
对于任意一个行驶速度,根据所述振动数据序列,计算同一行驶速度下,各子工况的工况相似度,并对同属于一个工况下的各子工况的工况相似度进行筛选,得到目标工况相似度;
根据与所述目标工况相似度相对应的声音数据,计算各子工况的声音相似度,并对同属于一个工况下的各子工况的声音相似度进行筛选,得到目标声音相似度;
采集当前工况下在当前行驶速度下的全回转舵桨的实际声音数据,根据所述目标声音相似度,以及当前工况下在当前行驶速度下的全回转舵桨正常运行状态的标准声音数据,计算当前工况下在当前行驶速度下的声音频域特征指标;
采集当前工况下在当前行驶速度下的全回转舵桨的实际振动数据序列,根据所述声音频域特征指标,以及当前工况下在当前行驶速度下的全回转舵桨正常运行状态的标准振动数据序列,计算置信度;
根据所述置信度所处的范围,判断所述当前工况下在当前行驶速度下的全回转舵桨的运行状态。
2.根据权利要求1所述的基于人工智能的全回转舵桨状态监测方法,其特征在于,所述振动数据序列的计算过程,包括:
将所述采样时间划分为至少两个采样子时间,计算各个采样子时间的振动方差,各个振动方差构成所述振动数据序列;
所述振动方差的计算过程,包括:
获取对应采样子时间中各采样时刻的振动值,采用如下计算公式计算得到所述振动方差:
Figure DEST_PATH_IMAGE001
其中,
Figure DEST_PATH_IMAGE002
为所述振动方差,n为采样子时间中的采样时刻的个数,
Figure DEST_PATH_IMAGE003
为采样子时间中的第i个采样时刻的振动值,
Figure DEST_PATH_IMAGE004
为采样子时间中的所有的振动值的均值。
3.根据权利要求1所述的基于人工智能的全回转舵桨状态监测方法,其特征在于,所述根据所述振动数据序列,计算同一行驶速度下,各子工况的工况相似度,包括:
根据所述振动数据序列,计算同一行驶速度下,任意两个子工况之间的差异距离,计算公式如下:
Figure DEST_PATH_IMAGE005
其中,
Figure DEST_PATH_IMAGE006
为子工况A和子工况B之间的差异距离,
Figure DEST_PATH_IMAGE007
为子工况A的振动数据序列,
Figure DEST_PATH_IMAGE008
为子工况B的振动数据序列,
Figure DEST_PATH_IMAGE009
为计算
Figure 770214DEST_PATH_IMAGE007
Figure 359459DEST_PATH_IMAGE008
之间的
Figure DEST_PATH_IMAGE010
距离的函数,
Figure DEST_PATH_IMAGE011
为求取
Figure 14562DEST_PATH_IMAGE007
的极差的函数,
Figure DEST_PATH_IMAGE012
为求取
Figure 613034DEST_PATH_IMAGE008
的极差的函数,
Figure DEST_PATH_IMAGE013
为取
Figure 630668DEST_PATH_IMAGE011
Figure DEST_PATH_IMAGE014
中最大值的函数,
Figure DEST_PATH_IMAGE015
为取
Figure 62918DEST_PATH_IMAGE011
Figure 2055DEST_PATH_IMAGE014
中最小值的函数;
根据各差异距离,计算各子工况的工况相似度。
4.根据权利要求3所述的基于人工智能的全回转舵桨状态监测方法,其特征在于,所述根据各差异距离,计算各子工况的工况相似度,包括:
对于任意一个子工况,计算与该子工况相关的各个差异距离之和,得到该子工况的工况相似度。
5.根据权利要求1所述的基于人工智能的全回转舵桨状态监测方法,其特征在于,所述根据与所述目标工况相似度相对应的声音数据,计算各子工况的声音相似度,包括:
根据与所述目标工况相似度相对应的声音数据,计算任意两个子工况之间的频率差异;其中,所述声音数据包括声音信号的频率值,所述频率差异的计算公式如下:
Figure DEST_PATH_IMAGE016
其中,
Figure DEST_PATH_IMAGE017
为子工况A和子工况B之间的频率差异,
Figure DEST_PATH_IMAGE018
为子工况A的声音信号的频率值,
Figure DEST_PATH_IMAGE019
为子工况B的声音信号的频率值;
根据各频率差异,计算得到各子工况的声音相似度。
6.根据权利要求5所述的基于人工智能的全回转舵桨状态监测方法,其特征在于,所述根据各频率差异,计算得到各子工况的声音相似度,包括:
对于任意一个子工况,计算与该子工况相关的各个频率差异之和,得到该子工况的声音相似度。
7.根据权利要求1所述的基于人工智能的全回转舵桨状态监测方法,其特征在于,所述采集当前工况下在当前行驶速度下的全回转舵桨的实际声音数据,根据所述目标声音相似度,以及当前工况下在当前行驶速度下的全回转舵桨正常运行状态的标准声音数据,计算当前工况下在当前行驶速度下的声音频域特征指标,包括:
根据所述目标声音相似度,获取各工况在每一个行驶速度下的最终声音相似度;
采用如下计算公式计算当前工况下在当前行驶速度下的声音频域特征指标:
Figure DEST_PATH_IMAGE020
其中,
Figure DEST_PATH_IMAGE021
为声音频域特征指标,
Figure DEST_PATH_IMAGE022
为当前工况下在当前行驶速度下的全回转舵桨的实际声音数据在频域上的特征,
Figure DEST_PATH_IMAGE023
为当前工况下在当前行驶速度下的全回转舵桨正常运行状态的标准声音数据在频域上的特征,
Figure DEST_PATH_IMAGE024
为求取
Figure DEST_PATH_IMAGE025
Figure 493298DEST_PATH_IMAGE023
余弦相似度的函数,M为当前工况下在当前行驶速度下的最终声音相似度。
8.根据权利要求1所述的基于人工智能的全回转舵桨状态监测方法,其特征在于,所述置信度的计算公式如下:
Figure DEST_PATH_IMAGE026
其中,C为置信度,
Figure DEST_PATH_IMAGE027
为当前工况下在当前行驶速度下的全回转舵桨的实际振动数据序列,
Figure DEST_PATH_IMAGE028
为当前工况下在当前行驶速度下的全回转舵桨正常运行状态的标准振动数据序列,K为当前工况下在当前行驶速度下的声音频域特征指标。
9.根据权利要求1所述的基于人工智能的全回转舵桨状态监测方法,其特征在于,所述根据所述置信度所处的范围,判断所述当前工况下在当前行驶速度下的全回转舵桨的运行状态,包括:
当所述置信度大于或者等于预设的高置信度阈值时,判断全回转舵桨的运行状态为正常;
当所述置信度小于所述预设的高置信度阈值、且大于预设的低置信度阈值时,判断全回转舵桨的运行状态为轻度故障;
当所述置信度小于或者等于所述预设的低置信度阈值时,判断全回转舵桨的运行状态为重度故障。
10.一种基于人工智能的全回转舵桨状态监测系统,其特征在于,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令以实现如权利要求1-9中任一项所述的基于人工智能的全回转舵桨状态监测方法。
CN202111471612.5A 2021-12-06 2021-12-06 基于人工智能的全回转舵桨状态监测方法及系统 Active CN113895587B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111471612.5A CN113895587B (zh) 2021-12-06 2021-12-06 基于人工智能的全回转舵桨状态监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111471612.5A CN113895587B (zh) 2021-12-06 2021-12-06 基于人工智能的全回转舵桨状态监测方法及系统

Publications (2)

Publication Number Publication Date
CN113895587A CN113895587A (zh) 2022-01-07
CN113895587B true CN113895587B (zh) 2022-04-08

Family

ID=79195285

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111471612.5A Active CN113895587B (zh) 2021-12-06 2021-12-06 基于人工智能的全回转舵桨状态监测方法及系统

Country Status (1)

Country Link
CN (1) CN113895587B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114578871B (zh) * 2022-01-30 2022-11-08 扬州地龙机械有限公司 基于工业数据智能分析的顶管机的压力补偿系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103625629A (zh) * 2013-12-18 2014-03-12 中国长江航运集团南京金陵船厂 船舶全回转电力舵桨推进系统的安装及调试方法
CN107757857A (zh) * 2017-08-29 2018-03-06 武汉船用机械有限责任公司 一种全回转舵桨的转舵控制方法及系统
CN111824380A (zh) * 2020-06-24 2020-10-27 苏州苏净船用机械有限公司 一种全回转舵桨系统及其采用的控制方法
CN113173232A (zh) * 2021-03-08 2021-07-27 武汉理工大学 一种基于人机共融的船舶智能辅助驾控系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103625629A (zh) * 2013-12-18 2014-03-12 中国长江航运集团南京金陵船厂 船舶全回转电力舵桨推进系统的安装及调试方法
CN107757857A (zh) * 2017-08-29 2018-03-06 武汉船用机械有限责任公司 一种全回转舵桨的转舵控制方法及系统
CN111824380A (zh) * 2020-06-24 2020-10-27 苏州苏净船用机械有限公司 一种全回转舵桨系统及其采用的控制方法
CN113173232A (zh) * 2021-03-08 2021-07-27 武汉理工大学 一种基于人机共融的船舶智能辅助驾控系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
全回转舵桨船航向控制研究;施浩等;《船舶工程》;20130615(第03期);全文 *

Also Published As

Publication number Publication date
CN113895587A (zh) 2022-01-07

Similar Documents

Publication Publication Date Title
CN113895587B (zh) 基于人工智能的全回转舵桨状态监测方法及系统
CN111123212B (zh) 一种基于复杂杂波背景下的场面监视雷达的信号处理方法
Liu et al. Review on fault diagnosis of unmanned underwater vehicles
CN111398909B (zh) 一种基于倒谱分析的杂波环境无人机检测方法
CN113847950A (zh) 基于云计算的智能船舶设备状态监测系统及信息交互方法
CN112395382A (zh) 基于变分自编码器的船舶异常航迹数据检测方法和装置
CN112528775A (zh) 一种水下目标的分类方法
CN107776606B (zh) 一种轴温监测系统故障检测方法
Perera Handling big data in ship performance and navigation monitoring
CN112949402A (zh) 极小故障样本量下行星齿轮箱故障诊断方法
CN115876473A (zh) 基于PWVD和DenseNet的轴承故障诊断方法
CN115238785A (zh) 基于图像融合和集成网络的旋转机械故障诊断方法和系统
CN114330430A (zh) 一种基于大数据特征分析的电梯故障判断方法及系统
CN113237619B (zh) 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质
CN112052712A (zh) 一种电力设备状态监测与故障识别方法及系统
CN117076935B (zh) 数字孪生辅助的机械故障数据轻量级生成方法及系统
CN113655778A (zh) 一种基于时频能量的水下推进器故障诊断系统及诊断方法
CN110160781B (zh) 一种旋转机械故障分类的测试集重构和预测方法
CN109974837B (zh) 一种基于规则推理的船舶结构损伤识别方法
CN116842379A (zh) 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法
CN109359699A (zh) 一种基于Alpha稳定分布的工业机组故障诊断方法
CN115931318A (zh) 故障智能诊断方法、装置、设备及存储介质
CN115130748A (zh) 一种建筑电气系统故障诊断方法
CN108627357B (zh) 一种采煤机截割载荷软测量方法
CN111319787A (zh) 一种直升机动部件振动监测数据有效性评估方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 215000 No.16 Runsheng Road, Shengpu Town, Suzhou Industrial Park, Jiangsu Province

Applicant after: Jiangsu Xinhang Ship Technology Co.,Ltd.

Address before: 215000 No.16 Runsheng Road, Shengpu Town, Suzhou Industrial Park, Jiangsu Province

Applicant before: SMMC MARINE DRIVE SYSTEMS (SUZHOU) Co.,Ltd.

GR01 Patent grant
GR01 Patent grant