CN114313140A - 一种船舶装置性能参数退化轨迹的拟合方法和系统 - Google Patents
一种船舶装置性能参数退化轨迹的拟合方法和系统 Download PDFInfo
- Publication number
- CN114313140A CN114313140A CN202111515011.XA CN202111515011A CN114313140A CN 114313140 A CN114313140 A CN 114313140A CN 202111515011 A CN202111515011 A CN 202111515011A CN 114313140 A CN114313140 A CN 114313140A
- Authority
- CN
- China
- Prior art keywords
- performance parameter
- ship device
- model
- device performance
- parameter degradation
- 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
Landscapes
- Complex Calculations (AREA)
Abstract
本发明公开了一种船舶装置性能参数退化轨迹的拟合方法和系统，涉及船舶装置技术领域。包括：获得船舶装置性能参数退化数据的时间序列；利用求和自回归滑动平均模型对船舶装置性能参数退化数据建模，得到船舶装置性能参数退化轨迹模型；如果船舶装置性能参数退化数据的时间序列属于平稳序列，则对船舶装置性能参数退化轨迹进行拟合，并对船舶装置性能参数退化趋势进行预测，反之则对船舶装置性能参数退化数据的时间序列进行差分处理，然后重新判断是否属于平稳序列。本发明利用求和自回归滑动平均模型得到船舶装置性能参数退化轨迹模型的拟合曲线，同时，根据拟合曲线对船舶装置性能参数退化趋势进行预测。
Description
技术领域
本发明属于船舶装置技术领域，更具体地，涉及一种船舶装置性能参数退化轨迹的拟合方法和系统。
背景技术
在船舶装置技术领域，需对船舶装置部分系统的性能参数进行跟踪监测采集，由于性能参数数据的采集时间不规律，因此采集的性能参数数据具有离散、不规则、时间跨度大的特点，需要对性能参数数据退化轨迹进行预测，得到连续、规则的性能参数退化轨迹模型，为船舶装置系统所属设备或附件的维修和更换方案的时间、数量等主要内容的制定提供数据支持。
发明内容
针对现有技术的缺陷，本发明提供了一种船舶装置性能参数退化轨迹的拟合方法和系统，解决了现有技术采集的性能参数离散、不规则、时间跨度大，无法为船舶装置系统所属设备或附件提供维修和更换时间、数量提供数据支持的技术问题。
为实现上述目的，本发明提供了一种船舶装置性能参数退化轨迹的拟合方法，包括如下步骤：
(1)船舶装置性能参数退化数据采集步骤：在预设时间段内对船舶装置性能参数退化数据进行采集，得到各时刻船舶装置性能参数退化数据；
(2)建立船舶装置性能参数退化轨迹模型步骤：利用求和自回归滑动平均模型对船舶装置性能参数退化数据进行建模，得到船舶装置性能参数退化轨迹模型；
(3)平稳序列判断步骤：判断船舶装置性能参数退化数据的时间序列是否为平稳序列，若是，则转至步骤(5)进行处理，若否，则转至步骤(4)进行处理；
(4)船舶装置性能参数退化数据的时间序列差分处理步骤：对船舶装置性能参数退化数据的时间序列进行差分处理，然后返回步骤(3)进行处理；
(5)船舶装置性能参数退化轨迹拟合步骤：获取求和自回归滑动平均模型的模型阶次和模型未知参数，根据求和自回归滑动平均模型的模型阶次和模型未知参数，得到船舶装置性能参数退化轨迹模型的拟合曲线，根据拟合曲线对对船舶装置性能参数退化趋势进行预测。
在一个可选的实施例中，所述船舶装置性能参数退化数据采集步骤和建立船舶装置性能参数退化轨迹模型步骤之间，还包括船舶装置性能参数退化数据扩充步骤：
采用插补再抽样法对船舶装置性能参数退化数据进行扩充，得到扩充后的船舶装置性能参数退化数据，作为船舶装置性能参数退化数据的时间序列。
在一个可选的实施例中，所述建立船舶装置性能参数退化轨迹模型步骤中求和自回归滑动平均模型，具体为：
所述求和自回归滑动平均模型，包括：自回归滑动平均模型和差分运算，其中，自回归滑动平均模型包括：自回归模型和滑动平均模型组成。
在一个可选的实施例中，所述船舶装置性能参数退化轨迹预测步骤中求和自回归滑动平均模型的模型阶次，具体为：
所述求和自回归滑动平均模型的模型阶次，包括：自回归模型阶次、滑动平均模型阶次以及差分运算阶次。
在一个可选的实施例中，所述船舶装置性能参数退化轨迹预测步骤中分别计算求和自回归滑动平均模型的模型阶次和模型未知参数，具体为：
计算不同差分运算阶次情况下自相关函数的值，当自相关函数以指数速度趋于0时，此时差分运算阶次的数值即为求和自回归滑动平均模型的差分运算阶次；
利用自相关函数确定自回归模型阶次，利用偏自相关函数确定滑动平均模型阶次；
采用极大似然法，对求和自回归滑动平均模型的未知参数进行估计。
在一个可选的实施例中，所述利用差分序列的自相关函数确定自回归模型阶次，利用偏自相关函数确定滑动平均模型阶次，具体为：
当自相关函数近似为零时，它的拖尾阶次即为自回归模型阶次；当偏自相关函数近似为零时，它的拖尾阶次即为滑动平均模型阶次。
本发明的另一目的在于提供一种船舶装置性能参数退化轨迹的拟合系统，包括如下单元：
(1)船舶装置性能参数退化数据采集单元：在预设时间段内对船舶装置性能参数退化数据进行采集，得到各时刻船舶装置性能参数退化数据；
(2)建立船舶装置性能参数退化轨迹模型单元：利用求和自回归滑动平均模型对船舶装置性能参数退化数据进行建模，得到船舶装置性能参数退化轨迹模型；
(3)平稳序列判断单元：判断船舶装置性能参数退化数据的时间序列是否为平稳序列，若是，则转至步骤(5)进行处理，若否，则转至步骤(4)进行处理；
(4)船舶装置性能参数退化数据的时间序列差分处理单元：对船舶装置性能参数退化数据的时间序列进行差分处理，然后返回步骤(3)进行处理；
(5)船舶装置性能参数退化轨迹拟合单元：获取求和自回归滑动平均模型的模型阶次和模型未知参数，根据求和自回归滑动平均模型的模型阶次和模型未知参数，得到船舶装置性能参数退化轨迹模型的拟合曲线，根据拟合曲线对对船舶装置性能参数退化趋势进行预测。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
本发明提供了一种船舶装置性能参数退化轨迹的拟合方法和系统，利用求和自回归滑动平均模型建立船舶装置性能参数退化轨迹模型，实现对船舶装置性能数据的拟合和预测，为船舶装置部分系统所属设备或附件的维修和更换方案的时间、数量等主要内容的制定提供数据支持。
附图说明
图1为本发明的船舶装置性能参数退化轨迹的拟合方法的流程图；
图2为本发明实施例的某船舶装置海水管路壁厚退化数据插补抽样前/后对比图；
图3为本发明实施例的某船舶装置海水管路壁厚退化轨迹拟合曲线图；
图4为本发明实施例的某船舶装置海水泵进出口压差退化数据插补抽样前/后对比图；
图5为本发明实施例的某船舶装置海水泵进出口压差退化轨迹拟合曲线图。
图6为本发明实施例的某船舶装置海水泵机脚震动退化数据插补抽样前/后对比图；
图7为本发明实施例的某船舶装置海水泵机脚震动退化轨迹拟合曲线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1为本发明的船舶装置性能参数退化轨迹的拟合方法的流程图，如图1所示，包括如下步骤：
(1)船舶装置性能参数退化数据采集步骤：在预设时间段内对船舶装置性能参数退化数据进行采集，得到各时刻船舶装置性能参数退化数据；
(2)建立船舶装置性能参数退化轨迹模型步骤：利用求和自回归滑动平均模型对船舶装置性能参数退化数据进行建模，得到船舶装置性能参数退化轨迹模型；
(3)平稳序列判断步骤：判断船舶装置性能参数退化数据的时间序列是否为平稳序列，若是，则转至步骤(5)进行处理，若否，则转至步骤(4)进行处理；
(4)船舶装置性能参数退化数据的时间序列差分处理步骤：对船舶装置性能参数退化数据的时间序列进行差分处理，然后返回步骤(3)进行处理；
(5)船舶装置性能参数退化轨迹拟合步骤：获取求和自回归滑动平均模型的模型阶次和模型未知参数，根据求和自回归滑动平均模型的模型阶次和模型未知参数，得到船舶装置性能参数退化轨迹模型的拟合曲线，根据拟合曲线对对船舶装置性能参数退化趋势进行预测。
具体地，本发明提供的船舶装置性能参数退化轨迹的拟合方法，以下是详细的技术方案，包括如下步骤：
(1)船舶装置性能参数退化数据采集步骤。
在预设时间段T内船舶装置性能参数退化数据进行抽样，得到各时刻的船舶装置性能参数退化数据{1,…,m}，采用插补抽样法在所述预设时间T内对船舶装置性能参数退化数据扩容5倍，得到抽样后的船舶装置性能参数退化数据{1,…,5m}，作为船舶装置性能参数退化数据的时间序列。
其中，n代表船舶装置性能参数退化数据的序号。
(2)建立船舶装置性能参数退化轨迹模型步骤。
求和自回归滑动平均模型(Autoregression Integrated Moving Average,简称：ARIMA模型)是一种经典的时间序列模型，它常被用于时间序列建模、预测和控制。
ARIMA是对自回归滑动平均模型(Autoregressive moving average model，简称：ARMA模型)的拓展，在ARMA模型的基础上增加了差分运算，其中ARMA模型又包括：自回归模型(Autoregression，简称：AR模型)和滑动平均模型(Moving Average，简称：MA模型)
ARIMA模型可以表示为:
其中，i代表AR模型和MA模型的阶次序号，p代表AR模型阶次，
代表AR模型未知参数，q代表MA模型阶次，θi代表MA模型未知参数，Li代表阶次i条件下的向后位移算子，t代表船舶装置性能参数退化数据的时间序列的任一时刻，Xt代表任一时刻船舶装置性能参数退化数据，εt代表高斯白噪声，且满足标准正态分布，d代表差分运算阶次，简记为ARIMA(p,d,q)。
(3)平稳序列判断步骤。
自相关函数(Auto Correlation Function，简称：ACF)是判断时间序列是否为平稳序列的常用方法。自相关函数R(τ)可以用如下公式表示：
其中，τ代表时间延迟，E代表求取船舶装置性能参数退化数据的期望，μ代表船舶装置性能参数退化数据的均值,σ代表标准正态分布的标准差。
将船舶装置性能参数退化数据的时间序列带入到自相关函数中进行计算，若自相关函数以指数速度趋于0，则转至步骤(5)处理；反之，则转至步骤(4)进行处理；
(4)船舶装置性能参数退化数据差分处理步骤。
对船舶装置性能参数退化数据的时间序列进行差分处理，然后返回步骤(3)进行处理。
(5)船舶装置性能参数退化轨迹预测步骤。
(5.1)ARIMA模型中(p,d,q)的确定。
分别计算差分运算阶次d＝0,1,2三种情况下自相关函数的值，当自相关函数以指数速度趋于0时，此时差分运算阶次d的数值即为ARIMA模型中差分运算阶次d的数值。
AR模型的阶次p是由偏自相关函数确定，即当偏自相关函数近似为零时，它的拖尾阶次即为AR模型阶次p。其中，偏自相关函数(Partial Autocorrelation Function,简称：PACF)是求取AR模型阶次的常用方法
同理，MA模型阶次q是由自相关函数确定，即当自相关函数近似为零时，它的拖尾阶次即为MA模型阶次q。
(5.2)计算AR模型的未知参数
和MA模型的未知参数θi。
采用极大似然估计方法得到AR模型的未知参数
和MA模型的未知参数θi。
(5.3)船舶装置性能参数退化轨迹的拟合以及预测。
根据步骤(5.2)和(5.3)计算得到的ARIMA模型(p,d,q)数值以及AR模型的未知参数
和MA模型的未知参数θi，可以对船舶装置性能参数退化轨迹进行拟合，以及对船舶装置性能参数数据进行预测。
具体地，本发明提供的船舶装置性能参数退化轨迹的拟合系统，包括如下单元：
(1)船舶装置性能参数退化数据采集单元：在预设时间段内对船舶装置性能参数退化数据进行采集，得到各时刻船舶装置性能参数退化数据；
(2)建立船舶装置性能参数退化轨迹模型单元：利用求和自回归滑动平均模型对船舶装置性能参数退化数据进行建模，得到船舶装置性能参数退化轨迹模型；
(3)平稳序列判断单元：判断船舶装置性能参数退化数据的时间序列是否为平稳序列，若是，则转至步骤(5)进行处理，若否，则转至步骤(4)进行处理；
(4)船舶装置性能参数退化数据的时间序列差分处理单元：对船舶装置性能参数退化数据的时间序列进行差分处理，然后返回步骤(3)进行处理；
(5)船舶装置性能参数退化轨迹拟合单元：获取求和自回归滑动平均模型的模型阶次和模型未知参数，根据求和自回归滑动平均模型的模型阶次和模型未知参数，得到船舶装置性能参数退化轨迹模型的拟合曲线，根据拟合曲线对对船舶装置性能参数退化趋势进行预测。
某船舶装置海水管路壁厚退化数据插补抽样前/后对比图，如图2所示。根据船舶装置性能参数退化轨迹模型对抽样后的船舶装置海水管路壁厚退化数据进行拟合，得到某船舶装置海水管路壁厚退化轨迹拟合曲线图，如图3所示，同时，也可以对船舶装置海水管路性能退化趋势进行预测。
某船舶装置海水泵进出口压差退化数据插补抽样前/后对比图，如图4所示。根据船舶装置性能参数退化轨迹模型对抽样后的船舶装置海水泵进出口压差退化数据进行拟合，得到某船舶装置海水泵进出口压差退化轨迹拟合曲线图，如图5所示，同时，也可以对船舶装置海水泵进出口压差退化趋势进行预测。
某船舶装置海水泵机脚震动退化数据插补抽样前/后对比图，如图6所示。根据船舶装置性能参数退化轨迹模型对抽样后的船舶装置海水泵机脚震动退化数据进行拟合，得到某船舶装置海水泵机脚震动退化轨迹拟合曲线图，如图7所示，同时，也可以对船舶装置海水泵机脚震动退化趋势进行预测。
从上述船舶装置不同性能参数的退化轨迹拟合曲线图与抽样后的船舶装置性能参数退化数据对比情况来看，两者的吻合度较高，由此可知，本发明所用的ARIMA模型对船舶装置性能参数退化轨迹的拟合和退化趋势的预测是准确、合理的。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种船舶装置性能参数退化轨迹的拟合方法，其特征在于，包括以下步骤：
(1)船舶装置性能参数退化数据采集步骤：在预设时间段内对船舶装置性能参数退化数据进行采集，得到各时刻船舶装置性能参数退化数据；
(2)建立船舶装置性能参数退化轨迹模型步骤：利用求和自回归滑动平均模型对船舶装置性能参数退化数据进行建模，得到船舶装置性能参数退化轨迹模型；
(3)平稳序列判断步骤：判断船舶装置性能参数退化数据的时间序列是否为平稳序列，若是，则转至步骤(5)进行处理，若否，则转至步骤(4)进行处理；
(4)船舶装置性能参数退化数据的时间序列差分处理步骤：对船舶装置性能参数退化数据的时间序列进行差分处理，然后返回步骤(3)进行处理；
(5)船舶装置性能参数退化轨迹拟合步骤：获取求和自回归滑动平均模型的模型阶次和模型未知参数，根据求和自回归滑动平均模型的模型阶次和模型未知参数，得到船舶装置性能参数退化轨迹模型的拟合曲线，根据拟合曲线对对船舶装置性能参数退化趋势进行预测。
2.如权利要求1所述的一种船舶装置性能参数退化轨迹的拟合方法，其特征在于，所述船舶装置性能参数退化数据采集步骤和建立船舶装置性能参数退化轨迹模型步骤之间，还包括船舶装置性能参数退化数据扩充步骤：
采用插补再抽样法对船舶装置性能参数退化数据进行扩充，得到扩充后的船舶装置性能参数退化数据，作为船舶装置性能参数退化数据的时间序列。
3.如权利要求1所述的一种船舶装置性能参数退化轨迹的拟合方法，其特征在于，所述建立船舶装置性能参数退化轨迹模型步骤中求和自回归滑动平均模型，具体为：
所述求和自回归滑动平均模型，包括：自回归滑动平均模型和差分运算，其中，自回归滑动平均模型包括：自回归模型和滑动平均模型组成。
4.如权利要求1所述的一种船舶装置性能参数退化轨迹的拟合方法，其特征在于，所述船舶装置性能参数退化轨迹预测步骤中求和自回归滑动平均模型的模型阶次，具体为：
所述求和自回归滑动平均模型的模型阶次，包括：自回归模型阶次、滑动平均模型阶次以及差分运算阶次。
5.如权利要求1所述的一种船舶装置性能参数退化轨迹的拟合方法，其特征在于，所述船舶装置性能参数退化轨迹预测步骤中分别计算求和自回归滑动平均模型的模型阶次和模型未知参数，具体为：
计算不同差分运算阶次情况下自相关函数的值，当自相关函数以指数速度趋于0时，此时差分运算阶次的数值即为求和自回归滑动平均模型的差分运算阶次；
利用自相关函数确定自回归模型阶次，利用偏自相关函数确定滑动平均模型阶次；
采用极大似然法，对求和自回归滑动平均模型的未知参数进行估计。
6.如权利要求5所述的一种船舶装置性能参数退化轨迹的拟合方法，其特征在于，所述利用差分序列的自相关函数确定自回归模型阶次，利用偏自相关函数确定滑动平均模型阶次，具体为：
当自相关函数近似为零时，它的拖尾阶次即为自回归模型阶次；当偏自相关函数近似为零时，它的拖尾阶次即为滑动平均模型阶次。
7.一种船舶装置性能参数退化轨迹的拟合系统，其特征在于，包括以下单元：
(1)船舶装置性能参数退化数据采集单元：在预设时间段内对船舶装置性能参数退化数据进行采集，得到各时刻船舶装置性能参数退化数据；
(2)建立船舶装置性能参数退化轨迹模型单元：利用求和自回归滑动平均模型对船舶装置性能参数退化数据进行建模，得到船舶装置性能参数退化轨迹模型；
(3)平稳序列判断单元：判断船舶装置性能参数退化数据的时间序列是否为平稳序列，若是，则转至步骤(5)进行处理，若否，则转至步骤(4)进行处理；
(4)船舶装置性能参数退化数据的时间序列差分处理单元：对船舶装置性能参数退化数据的时间序列进行差分处理，然后返回步骤(3)进行处理；
(5)船舶装置性能参数退化轨迹拟合单元：获取求和自回归滑动平均模型的模型阶次和模型未知参数，根据求和自回归滑动平均模型的模型阶次和模型未知参数，得到船舶装置性能参数退化轨迹模型的拟合曲线，根据拟合曲线对对船舶装置性能参数退化趋势进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111515011.XA CN114313140B (zh) | 2021-12-13 | 2021-12-13 | 一种船舶装置性能参数退化轨迹的拟合方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111515011.XA CN114313140B (zh) | 2021-12-13 | 2021-12-13 | 一种船舶装置性能参数退化轨迹的拟合方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114313140A true CN114313140A (zh) | 2022-04-12 |
| CN114313140B CN114313140B (zh) | 2023-04-28 |
Family
ID=81051460
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111515011.XA Active CN114313140B (zh) | 2021-12-13 | 2021-12-13 | 一种船舶装置性能参数退化轨迹的拟合方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114313140B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115042933A (zh) * | 2022-04-27 | 2022-09-13 | 广船国际有限公司 | 一种船舶稳性参数的输出方法、装置、设备及介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040224577A1 (en) * | 2003-05-09 | 2004-11-11 | Yamaha Hatsudoki Kabushiki Kaisha | Parameter optimization method, parameter optimization apparatus, parameter optimization program, and marine vessel navigation control apparatus |
| CN101620045A (zh) * | 2009-07-31 | 2010-01-06 | 北京航空航天大学 | 基于时间序列的步进应力加速退化试验可靠性评估方法 |
| CN101894221A (zh) * | 2010-08-02 | 2010-11-24 | 北京航空航天大学 | 基于退化量分布非平稳时序分析的加速退化试验产品寿命预测方法 |
| CN102288166A (zh) * | 2011-05-13 | 2011-12-21 | 河海大学 | 基于视频的多模型结合水面船舶检测方法 |
| CN102520669A (zh) * | 2011-11-30 | 2012-06-27 | 华中科技大学 | 一种面向多性能参数的数控装备性能可靠性评估方法 |
| CN106774267A (zh) * | 2016-12-28 | 2017-05-31 | 中南大学 | 一种时序输出的控制系统的性能评估方法及装置 |
| CN108009723A (zh) * | 2017-12-01 | 2018-05-08 | 大连海事大学 | 一种船舶航行状态判断与能效状态评估系统 |
| CN108088379A (zh) * | 2017-12-19 | 2018-05-29 | 湖北工业大学 | 一种基于三标准棒法的双光路激光扫描测径系统及方法 |
| CN110888077A (zh) * | 2019-10-30 | 2020-03-17 | 无锡市产品质量监督检验院 | 一种基于arima时间序列的锂离子电池寿命加速评估方法 |
| US20200285997A1 (en) * | 2019-03-04 | 2020-09-10 | Iocurrents, Inc. | Near real-time detection and classification of machine anomalies using machine learning and artificial intelligence |
-
2021
- 2021-12-13 CN CN202111515011.XA patent/CN114313140B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040224577A1 (en) * | 2003-05-09 | 2004-11-11 | Yamaha Hatsudoki Kabushiki Kaisha | Parameter optimization method, parameter optimization apparatus, parameter optimization program, and marine vessel navigation control apparatus |
| CN101620045A (zh) * | 2009-07-31 | 2010-01-06 | 北京航空航天大学 | 基于时间序列的步进应力加速退化试验可靠性评估方法 |
| CN101894221A (zh) * | 2010-08-02 | 2010-11-24 | 北京航空航天大学 | 基于退化量分布非平稳时序分析的加速退化试验产品寿命预测方法 |
| CN102288166A (zh) * | 2011-05-13 | 2011-12-21 | 河海大学 | 基于视频的多模型结合水面船舶检测方法 |
| CN102520669A (zh) * | 2011-11-30 | 2012-06-27 | 华中科技大学 | 一种面向多性能参数的数控装备性能可靠性评估方法 |
| CN106774267A (zh) * | 2016-12-28 | 2017-05-31 | 中南大学 | 一种时序输出的控制系统的性能评估方法及装置 |
| CN108009723A (zh) * | 2017-12-01 | 2018-05-08 | 大连海事大学 | 一种船舶航行状态判断与能效状态评估系统 |
| CN108088379A (zh) * | 2017-12-19 | 2018-05-29 | 湖北工业大学 | 一种基于三标准棒法的双光路激光扫描测径系统及方法 |
| US20200285997A1 (en) * | 2019-03-04 | 2020-09-10 | Iocurrents, Inc. | Near real-time detection and classification of machine anomalies using machine learning and artificial intelligence |
| CN110888077A (zh) * | 2019-10-30 | 2020-03-17 | 无锡市产品质量监督检验院 | 一种基于arima时间序列的锂离子电池寿命加速评估方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115042933A (zh) * | 2022-04-27 | 2022-09-13 | 广船国际有限公司 | 一种船舶稳性参数的输出方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114313140B (zh) | 2023-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107145645B (zh) | 带不确定冲击的非平稳退化过程剩余寿命预测方法 | |
| CN108205713B (zh) | 一种区域风电功率预测误差分布确定方法和装置 | |
| CN103927436A (zh) | 一种自适应高阶容积卡尔曼滤波方法 | |
| CN114313140A (zh) | 一种船舶装置性能参数退化轨迹的拟合方法和系统 | |
| CN112506752A (zh) | 基于时序数据趋势预测的运维方法、装置及设备 | |
| CN101187991A (zh) | 一种腐蚀深度的混沌预测方法 | |
| CN112631881A (zh) | 基于时序数据趋势预测的运维方法、装置及设备 | |
| CN107516279A (zh) | 一种网络舆情自动预警的方法 | |
| CN110705797A (zh) | 一种基于船舶传感网的船舶油耗数据预测方法 | |
| CN110516883B (zh) | 一种基于空间计量模型的供水管网区域漏失预测方法 | |
| CN116311594B (zh) | 一种船舶子系统状态分析方法、装置及存储介质 | |
| CN115470936B (zh) | 一种基于nwdaf的机器学习模型更新方法及装置 | |
| US20170299472A9 (en) | Method for predicting a plant health status, system for predicting a plant health status, and a computer-readable storage medium in which a program for performing the method is stored | |
| CN116384277A (zh) | 一种基于滤波器的多分支供水管漏损检测与定位方法、装置及系统 | |
| CN111401642A (zh) | 自动调整预测值的方法、装置、设备及存储介质 | |
| CN110657807B (zh) | 基于小波变换检测不连续性的室内定位位移测量方法 | |
| CN116629843B (zh) | 智能化柴油发电机组的远程预警与维护决策支持系统 | |
| Wang et al. | Particle filtering-based system degradation prediction applied to jet engines | |
| JP2008311720A (ja) | 基準値予測方法とシステムおよびプログラム | |
| WO2023160922A1 (en) | Automatically quantifying an uncertainty of a prediction provided by a trained regression model | |
| CN113221248B (zh) | 一种基于pf-garch模型的船舶系统设备状态参数预测方法 | |
| CN109670243B (zh) | 一种基于勒贝格空间模型的寿命预测方法 | |
| CN109241605B (zh) | 一种考虑状态转移相关性的多状态系统可靠度评估方法 | |
| CN114492507A (zh) | 一种数模协同驱动下的轴承剩余寿命预测方法 | |
| EP3417169A1 (en) | A prognostics and health management model for predicting wind turbine oil filter wear level |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |