CN114994451A - 一种船舶电气设备故障探测方法及系统 - Google Patents
一种船舶电气设备故障探测方法及系统 Download PDFInfo
- Publication number
- CN114994451A CN114994451A CN202210942036.6A CN202210942036A CN114994451A CN 114994451 A CN114994451 A CN 114994451A CN 202210942036 A CN202210942036 A CN 202210942036A CN 114994451 A CN114994451 A CN 114994451A
- Authority
- CN
- China
- Prior art keywords
- similarity
- electrical
- sequence
- equipment
- obtaining
- 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
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/005—Testing of electric installations on transport means
- G01R31/008—Testing of electric installations on transport means on air- or spacecraft, railway rolling stock or sea-going vessels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电数字数据处理技术领域,具体涉及一种船舶电气设备故障探测方法及系统。该方法采集每个电气设备的设备特征参数,并根据设备特征参数获得质量评分。根据工作情况之间的第一相似性将电气设备分为多个工况组。通过分析工况组内的无功功率和电磁辐射的相似性获得每个工况组的样本权重。根据样本权重和工况组内的数据对时间卷积网络进行训练。通过将目标设备的目标设备特征参数输入时间卷积网络中,输出目标质量评分和预测设备特征参数。本发明通过电气设备产生的电数字数据之间的关联性控制网络的训练,输出当前时刻的质量评分和预测的设备特征参数,实现了对电气设备故障的有效探测。
Description
技术领域
本发明涉及电数字数据处理技术领域,具体涉及一种船舶电气设备故障探测方法及系统。
背景技术
船舶上的电力系统工作条件比较复杂,因为海上随时会出现恶劣环境,且船舶体积有限,使得电气设备之间距离很短,容易出现安全隐患。并且因为船舶电站容量有限的电气设备运行时相互的影响较大,如果出现电器故障需要及时且快速的制定维护方案。
对于常规的故障分析方法,仅考虑的当前时刻的电气设备数据特征,当故障来临时无法做到预留足够的时间的对故障进行针对性维护。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种船舶电气设备故障探测方法及系统,所采用的技术方案具体如下:
本发明提出了一种船舶电气设备故障探测方法,所述方法包括:
根据预设采样时间采集每个电气设备的设备特征参数;所述设备特征参数包括工作情况序列、无功功率序列和电磁辐射序列;根据每个电气设备的耗电参数和负荷参数获得工作情况序列;获得每个所述电气设备的无功功率序列;获得每个所述电气设备位置处的电磁辐射序列;根据所述设备特征参数获得每个所述电气设备的质量评分;
获取每个所述电气设备和其他电气设备间的所述工作情况序列的第一相似性;将每个所述电气设备对应的所有所述第一相似性累加,获得每个所述电气设备对于电网的整体使用强度;根据所述整体使用强度对所述电气设备进行分类,获得多个工况组;
获得每个所述工况组内每个所述电气设备的所述无功功率序列的第二相似性;获得每个所述工况组内每个所述电气设备的所述电磁辐射序列的第三相似性;
根据每个工况组内的所述第二相似性和所述第三相似性获得每个所述工况组的样本权重;以所述工况组作为训练数据,结合所述样本权重训练时间卷积网络;
获得目标设备的目标设备特征参数;将所述目标设备特征参数输入所述时间卷积网络中,输出目标质量评分和预测设备特征参数;根据所述目标质量评分和所述预测设备特征参数进行故障评估和预警。
进一步地,所述根据所述设备特征参数获得每个所述电气设备的质量评分包括:
获得所述无功功率序列和预设标准无功功率序列的第一差异;获得所述电磁辐射序列和预设标准电磁辐射序列的第二差异;根据所述第一差异和第二差异获得所述质量评分;所述质量评分与所述第一差异和所述第二差异呈反比。
进一步地,所述获取每个所述电气设备和其他电气设备间的所述工作情况的第一相似性包括:
根据第一相似性公式获得所述第一相似性;所述第一相似性公式包括:
进一步地,所述根据所述整体使用强度对所述电气设备进行分类,获得多个工况组包括:
利用密度聚类算法根据所述整体使用强度进行聚类,获得多个聚类簇,每个所述聚类簇为所述工况组。
进一步地,所述获得每个所述工况组内每个所述电气设备的所述无功功率序列的第二相似性包括:
根据第二相似性公式获得所述第二相似性;所述第二相似性公式包括:
其中,为电气设备和电气设备之间的所述第二相似性,为电气设备的所述无功功率序列,为电气设备的所述无功功率序列,为电气设备的所述无功功率序列中的最大值,为电气设备的所述无功功率序列中的最大值,为动态时间弯曲距离函数。
进一步地,所述获得每个所述工况组内每个所述电气设备的所述电磁辐射序列的第三相似性包括:
根据第三相似性公式获得所述第三相似性;所述第三相似性公式包括:
进一步地,所述根据每个工况组内的所述第二相似性和所述第三相似性获得每个所述工况组的样本权重包括:
将所述工况组内所述第二相似性累加并归一化,获得第一组内联系强度;将所述工况组内所述第三相似性累加并归一化,获得第二组内联系强度;将所述第一组内联系强度和所述第二组内联系强度相乘后归一化,获得所述样本权重。
进一步地,所述以所述工况组作为训练数据,结合所述样本权重训练时间卷积网络包括:
以所述样本权重作为子损失函数的权重;将所述子损失函数累加后获得所述时间卷积网络的损失函数;根据所述损失函数训练所述时间卷积网络。
本发明还提出了一种船舶电气设备故障探测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任意一项所述一种船舶电气设备故障探测方法的步骤。
本发明具有如下有益效果:
1.本发明实施例获取每个电气设备的设备特征参数,根据设备特征参数可对当前电气设备的状态进行评分,针对质量评分可对当前电气设备故障进行判断。进一步为了使得故障检测更具有参考性和安全性,根据设备特征参数中工作情况序列的相似度进行相关性分组。根据每个工况组内的无功功率之间的相似性和电磁辐射序列之间的相似性获得工况组的样本权重。利用样本权重和工况组数据对时间卷积网络,实现对下一刻设备特征参数的预测。样本权重结合了设备特征参数数据内的关联性,使得样本权重更具有参考性,训练出的时间卷积网络准确性更高。
2.本发明实施例以工作情况、无功功率和电磁辐射作为设备特征参数,可以有效的反映出当前电气设备的状态,因此可根据设备特征参数获得电气设备参考性强的的质量评分,可根据质量评分大小判断当前电气设备是否发生故障。
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为本发明一个实施例所提供的一种船舶电气设备故障探测方法流程图。
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船舶电气设备故障探测方法及系统,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船舶电气设备故障探测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种船舶电气设备故障探测方法流程图,该方法包括:
步骤S1:根据预设采样时间采集每个电气设备的设备特征参数;设备特征参数包括工作情况序列、无功功率序列和电磁辐射序列;根据每个电气设备的耗电参数和负荷参数获得工作情况序列;获得每个电气设备的无功功率序列;获得每个电气设备位置处的电磁辐射序列;根据设备特征参数获得每个电气设备的质量评分。
在船舶电力系统中,不同的用电设备分布在不同区域,比如工作负荷用电,生活用电等,电气设备复杂且多样化,因此除了分析电气设备本身特征参数外还需要考虑到电气设备之间的关联性。
根据预设采样时间采集每个电气设备本身的设备特征参数。设备特征参数包括工作情况序列,无功功率序列和电磁辐射序列。工作情况反映了当前电气设备的工作状态,如是否开启,开启程度等。无功功率表示了当前电气设备能量转换状态。电磁辐射反映了电气设备对周围环境的影响状态。
船舶电力系统中包括生活用电系统、工作用电系统等多个电气设备组成的电力系统。对于每个电气设备来说设备本身的耗电量和负荷参数可用于反映本身的工作状态。
在本发明实施例中,考虑到生活用电相对于其他用电来说对电网的负荷量较小,且出现故障能及时的发现,因此对生活用电不做考虑。对于船舶上常规的负荷设备,如泵机、风机等,相对于生活用电这类设备在启用时会因为负荷量对电网造成影响。因此在本发明实施例中可根据设备运行时的耗电参数和负荷参数设置工作状态等级,等级范围为[0,5],0表示电气设备未开启,等级值越高说明该用电设备当前所需电网负荷量越大。进一步将大型电器设备,如起重机,舵机等依照同样的规则设置等级,等级范围为[10,20]和0。根据每个电气设备在连续时刻内的工作状态等级获得工作情况序列。在其他实施例中可设定其他等级划分方法,在此不做限定。即工作情况序列中的元素为每个采样时刻下的工作状态等级。在本发明实施例中,以常规负荷设备为例,提供了两组不同的工作情况序列: {5,4,4,0,3,3,2,3,1,0}和{4,4,5,0,2,1,1,4,2,2}。
无功功率为建立交变磁场和感应磁通而需要的电功率,对于电气设备而言,电动机的转子磁场是靠从电源取得的无功功率建立的。与无功功率对应的为有功功率,有功功率是保持电气设备正常运行所需的电功率,即将电能转换至机械能、光能等其他形式能量的功率。有功功率与总功率的比值为功率因数,如果一个电气设备发生故障,会导致无功功率占比增加,有功功率占比减少,功率因数发生变化。因此可利用无功功率反映电气设备能量转换状态。需要说明的是,具体的获取功率方法可利用本领域技术人员常用技术手段,在此不做限定。即无功功率序列中的每个元素为每个采样时刻下的无功功率数值。在本发明实施例中提供了两组不同的无功功率序列: {43,45,45,46,47,47,49,50,53,52,50}和{41,42,44,45,46,47,47,49,51,52,52},序列内每个元素的物理单位为w。
由于船舶的电气设备大多都采用交流电进行工作,在工作过程中会因为电流频率变化对设备附近产生一定的电磁辐射,如果设备发生异常,则电磁辐射的大小也会出现异常,因此可根据电磁辐射反映了电气设备对周围环境的影响状态。在本发明实施例中,通过部署在电气设备附近的电磁检测仪检测电气设备所产生电磁辐射,需要说明的是,对于同一类型设备,安装电磁检测仪的位置应保持一致,以免出现测量误差。即电磁辐射序列中的每个元素为每个采样时刻下电磁检测仪中的示数。在本发明实施例中,提供了两组不同的电磁辐射序列:{216,221,220,224,231,233,244,243,251,247,246,251,255,258}和{207,218,220,218,229,230,232,246,253,244,244,249,254,260},序列内每个元素的物理单位为nT。
在本发明实施例中,采用时间设置为5秒,即5秒采集一次设备特征参数。采样周期为10分钟。
因为设备特征参数可反映出当前电气设备的状态,所以可根据设备特征参数对电气设备进行质量评分,具体包括:
获得无功功率序列和预设标准无功功率序列的第一差异。获得电磁辐射序列和预设标准电磁辐射序列的第二差异。根据第一差异和第二差异获得质量评分。质量评分与第一差异和第二差异呈反比。在本发明实施例中,质量评分通过质量评分公式进行获取,质量评分公式包括:
其中,为第时刻的质量系数,为第时刻的无功功率,为标准无功功率,为第时刻的电磁辐射,为标准电磁辐射,和为差异权重,,。根据质量评分公式可获得每个采样时刻下的质量评分,可根据质量评分对当前电气设备的运行质量进行判断。
需要说明的是,因为电气设备种类不同,因此标准无功功率、标准电磁辐射和质量评分分析过程需要根据电气设备的实际情况自行设定,在此不做赘述。在本发明实施例中,将标准无功功率设置为48w,标准电磁辐射设置为235nT。以本发明实施例提供的第一个无功功率序列和第一个电磁辐射序列为例,经过质量评分计算后,可获得质量评分序列{0.909822695,0.939255319,0.936702128,0.955248227,0.981453901,0.986560284,0.968687943,0.962907801,0.91748227,0.936028369,0.955248227};以本发明实施例提供的第二个无功功率序列和第二个电磁辐射序列为例,经过质量评分计算后,可获得质量评分序列{0.870177305,0.906595745,0.928368794,0.931595745,0.968014184,0.978900709,0.984007092,0.96358156,0.929042553,0.943687943,0.943687943}。由质量评分序列可知,序列内的元素越接近1说明对应设备在对应时刻下的运行质量越好。
步骤S2:获取每个电气设备和其他电气设备间的工作情况序列的第一相似性;将每个电气设备对应的所有第一相似性累加,获得每个电气设备对于电网的整体使用强度;根据整体使用强度对电气设备进行分类,获得多个工况组。
工作情况序列反映了在一个时间段内电气设备的工作状态,船舶上电气设备类型和数量较多,为了对设备特征参数进行准确的分析,方便后续网络的处理,可将电气设备根据工作情况进行分组,具体包括:
获取每个电气设备和其他电气设备间的工作情况序列的第一相似性,具体根据第一相似性公式获得第一相似性。第一相似性公式包括:
其中,为电气设备和电气设备之间的第一相似性,为电气设备的工作情况序列,为电气设备的工作情况序列,为余弦相似度函数,为绝对值函数。在第一相似性公式中,将两个设备的工作情况序列视为两个向量,两个设备的工作情况序列余弦相似度越大,则第一相似性越大;进一步考虑两个工作情况序列的模,模的差值越小,两个向量越接近,则第一相似性越大。将本发明实施例提供的两组不同的工作情况序列代入第一相似性公式中可求出第一相似性为0.832,因为第一相似性的值域为[0,1],因此说明两个工作情况序列具有一定的相似度。
根据第一相似性公式可获得船舶上所有电气设备之间的第一相似性。将每个电气设备对应的所有第一相似性累加,获得每个电气设备对于电网的整体使用强度。整体使用强度越大,说明该电气设备的工作情况在电网内占比较大且与该电气设备工作情况相似的其他电气设备也越多。因此整体使用强度即表示了当前电气设备工作情况的隶属关系,还表示当前工作情况在整体电网中的强度值。因此可根据整体使用强度对电气设备进行分类,获得多个工况组。
优选的,利用密度聚类算法根据整体使用强度进行聚类,获得多个聚类簇,每个聚类簇为工况组。在本发明实施例中,聚类操作中整体使用强度的搜索半径设置为0.2。
需要说明的是,在聚类操作后会可能会出现孤立样本,孤立样本中包括少量或者一个的电气设备。孤立样本可能是些特殊的使用情况,比如一些大型设备在特殊任务过程中的的全功率运行,该孤立样本中的电气设备可经过工作人员进行分析,如果孤立样本内的设备特征参数经分析后为异常情况,可将孤立样本剔除不做分析;反之则保留数据供后续分析。
步骤S3:获得每个工况组内每个电气设备的无功功率序列的第二相似性;获得每个工况组内每个电气设备的电磁辐射序列的第三相似性。
因为无功功率和电磁辐射更能判断出电气设备的故障情况,因此将电气设备分组后可在组内对无功功率和电磁辐射进行分析。
获得每个工况组内每个电气设备的无功功率序列的第二相似性包括:
根据第二相似性公式获得第二相似性;第二相似性公式包括:
第二相似性公式中,动态时间弯曲距离越大,则两个电气设备的无功功率序列越相似。进一步结合序列最大值的差异可表示两个序列的相对波动性。第二相似度越大,则说明在无功功率序列之间的大小和波动都比较相似,两个电气设备没有异常状态出现;反之,如果第二相似度偏小,则说明某个设备可能出现异常,导致相同工作情况的无功功率出现变化。将本发明实施例提供的两组无功功率序列代入第二相似性公式中可获得第二相似性为0.945,说明两个序列状态及其相似。
获得每个工况组内每个电气设备的电磁辐射序列的第三相似性包括:
根据第三相似性公式获得第三相似性;第三相似性公式包括:
在第三相似性公式中,皮尔逊相关系数的值域为[0,1],反映的是两个序列的变化趋势,变化趋势越一致,则皮尔逊相关系数越接近1。进一步结合均值差异和动态时间弯曲距离衡量两个电气设备间电磁辐射序列的大小相似性和变化趋势相似性,获得第三相似性。将本发明实施例提供的两组电磁辐射序列代入第三相似性公式中可获得第三相似性为0.923,说明两个序列状态及其相似。
步骤S4:根据每个工况组内的第二相似性和第三相似性获得每个工况组的样本权重;以工况组作为训练数据,结合样本权重训练时间卷积网络。
分析每个工况组内电气设备之间所有的第二相似性和第三相似性,具体包括:将工况组内第二相似性累加并归一化,获得第一组内联系强度;将工况组内第三相似性累加并归一化,获得第二组内联系强度。将第一组内联系强度和第二组内联系强度相乘后归一化,获得样本权重。
样本权重表示了当前工况组内设备之间设备特征参数的一致程度,即设备特征参数越一致则说明该工况组中电气设备属于同种相似设备,组内数据的参考性较强,在后续时间卷积网络中数据越容易结合分析,即样本权重越大。需要说明的是,所有工况组的样本权重相加后为1。
以样本权重作为子损失函数的权重。将子损失函数累加后获得时间卷积网络的损失函数。根据损失函数训练时间卷积网络。通过样本权重控制损失值大小,使得网络更关注样本权重大的数据进行序列分析。
需要说明的是,时间卷积网络在训练时可采集大量的不同的工况组数据进行训练。可采用常规时间卷积网络的结构和损失函数,在此不做限定,可视任务需求自行设定。
步骤S5:获得目标设备的目标设备特征参数;将目标设备特征参数输入时间卷积网络中,输出目标质量评分和预测设备特征参数;根据目标质量评分和预测设备特征参数进行故障评估和预警。
在时间卷积网络结构中可添加质量评分模块,用于分析目标设备的目标设备特征参数,获得目标质量评分。需要说明的是,目标质量评分为当前时刻的质量评分,为了使得故障探测参考性更强,且当故障发生时能够预留足够时间制定安全策略,需要根据经过时间卷积网络分析序列变化趋势后输出的预测设备特征参数进行分析。预测设备特征参数表示了未来时刻目标设备的设备特征参数,如果预测设备特征参数经过分析后存在故障情况,则说明该设备当前时刻存在安全隐患,可根据电磁辐射信息对目标设备进行定位,并制定有效的安全手段,防止故障发生。
综上所述,本发明实施例采集每个电气设备的设备特征参数,并根据设备特征参数获得质量评分。根据工作情况之间的第一相似性将电气设备分为多个工况组。通过分析工况组内的无功功率和电磁辐射的相似性获得每个工况组的样本权重。根据样本权重和工况组内的数据对时间卷积网络进行训练。通过将目标设备的目标设备特征参数输入时间卷积网络中,输出目标质量评分和预测设备特征参数。本发明实施例通过数据之间的关联性控制网络的训练,输出当前时刻的质量评分和预测的设备特征参数,实现了对电气设备故障的有效探测。
本发明还提出了一种船舶电气设备故障探测系统,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现任意一项一种船舶电气设备故障探测方法的步骤。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种船舶电气设备故障探测方法,其特征在于,所述方法包括:
根据预设采样时间采集每个电气设备的设备特征参数;所述设备特征参数包括工作情况序列、无功功率序列和电磁辐射序列;根据每个电气设备的耗电参数和负荷参数获得工作情况序列;获得每个所述电气设备的无功功率序列;获得每个所述电气设备位置处的电磁辐射序列;根据所述设备特征参数获得每个所述电气设备的质量评分;
获取每个所述电气设备和其他电气设备间的所述工作情况序列的第一相似性;将每个所述电气设备对应的所有所述第一相似性累加,获得每个所述电气设备对于电网的整体使用强度;根据所述整体使用强度对所述电气设备进行分类,获得多个工况组;
获得每个所述工况组内每个所述电气设备的所述无功功率序列的第二相似性;获得每个所述工况组内每个所述电气设备的所述电磁辐射序列的第三相似性;
根据每个工况组内的所述第二相似性和所述第三相似性获得每个所述工况组的样本权重;以所述工况组作为训练数据,结合所述样本权重训练时间卷积网络;
获得目标设备的目标设备特征参数;将所述目标设备特征参数输入所述时间卷积网络中,输出目标质量评分和预测设备特征参数;根据所述目标质量评分和所述预测设备特征参数进行故障评估和预警。
2.根据权利要求1所述的一种船舶电气设备故障探测方法,其特征在于,所述根据所述设备特征参数获得每个所述电气设备的质量评分包括:
获得所述无功功率序列和预设标准无功功率序列的第一差异;获得所述电磁辐射序列和预设标准电磁辐射序列的第二差异;根据所述第一差异和第二差异获得所述质量评分;所述质量评分与所述第一差异和所述第二差异呈反比。
4.根据权利要求1所述的一种船舶电气设备故障探测方法,其特征在于,所述根据所述整体使用强度对所述电气设备进行分类,获得多个工况组包括:
利用密度聚类算法根据所述整体使用强度进行聚类,获得多个聚类簇,每个所述聚类簇为所述工况组。
7.根据权利要求1所述的一种船舶电气设备故障探测方法,其特征在于,所述根据每个工况组内的所述第二相似性和所述第三相似性获得每个所述工况组的样本权重包括:
将所述工况组内所述第二相似性累加并归一化,获得第一组内联系强度;将所述工况组内所述第三相似性累加并归一化,获得第二组内联系强度;将所述第一组内联系强度和所述第二组内联系强度相乘后归一化,获得所述样本权重。
8.根据权利要求1所述的一种船舶电气设备故障探测方法,其特征在于,所述以所述工况组作为训练数据,结合所述样本权重训练时间卷积网络包括:
以所述样本权重作为子损失函数的权重;将所述子损失函数累加后获得所述时间卷积网络的损失函数;根据所述损失函数训练所述时间卷积网络。
9.一种船舶电气设备故障探测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~8任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210942036.6A CN114994451B (zh) | 2022-08-08 | 2022-08-08 | 一种船舶电气设备故障探测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210942036.6A CN114994451B (zh) | 2022-08-08 | 2022-08-08 | 一种船舶电气设备故障探测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114994451A true CN114994451A (zh) | 2022-09-02 |
CN114994451B CN114994451B (zh) | 2022-10-11 |
Family
ID=83023302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210942036.6A Active CN114994451B (zh) | 2022-08-08 | 2022-08-08 | 一种船舶电气设备故障探测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114994451B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115877363A (zh) * | 2023-02-28 | 2023-03-31 | 济宁安泰矿山设备制造有限公司 | 一种机器人避障评估方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2276571A1 (en) * | 1999-03-19 | 2000-09-19 | Oleg V. Ivanov | System and method for diagnosing and controlling electric machines |
CN106779505A (zh) * | 2017-02-28 | 2017-05-31 | 中国南方电网有限责任公司 | 一种基于大数据驱动的输电线路故障预警方法及系统 |
CN110621003A (zh) * | 2019-09-23 | 2019-12-27 | 上海大学 | 一种电气设备故障诊断装置 |
CN111275295A (zh) * | 2020-03-23 | 2020-06-12 | 华北电力大学 | 一种基于反距离权重插值的分布式光伏故障诊断方法 |
CN111950505A (zh) * | 2020-08-24 | 2020-11-17 | 湖南科技大学 | 一种ssa-aann的风力发电机传感器状态评估方法 |
CN113375941A (zh) * | 2021-06-08 | 2021-09-10 | 西安交通大学 | 高速动车组轴承的开集故障诊断方法 |
CN113869444A (zh) * | 2021-10-09 | 2021-12-31 | 中国南方电网有限责任公司超高压输电公司昆明局 | 变电站故障检测方法、装置、计算机设备和存储介质 |
CN113947746A (zh) * | 2021-08-27 | 2022-01-18 | 国网浙江省电力有限公司 | 一种基于反馈机制监督下的配网安全质量管控方法 |
CN114722895A (zh) * | 2022-03-04 | 2022-07-08 | 国网辽宁省电力有限公司辽阳供电公司 | 一种基于非侵入式状态检测的光伏阵列故障诊断方法 |
-
2022
- 2022-08-08 CN CN202210942036.6A patent/CN114994451B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2276571A1 (en) * | 1999-03-19 | 2000-09-19 | Oleg V. Ivanov | System and method for diagnosing and controlling electric machines |
CN106779505A (zh) * | 2017-02-28 | 2017-05-31 | 中国南方电网有限责任公司 | 一种基于大数据驱动的输电线路故障预警方法及系统 |
CN110621003A (zh) * | 2019-09-23 | 2019-12-27 | 上海大学 | 一种电气设备故障诊断装置 |
CN111275295A (zh) * | 2020-03-23 | 2020-06-12 | 华北电力大学 | 一种基于反距离权重插值的分布式光伏故障诊断方法 |
CN111950505A (zh) * | 2020-08-24 | 2020-11-17 | 湖南科技大学 | 一种ssa-aann的风力发电机传感器状态评估方法 |
CN113375941A (zh) * | 2021-06-08 | 2021-09-10 | 西安交通大学 | 高速动车组轴承的开集故障诊断方法 |
CN113947746A (zh) * | 2021-08-27 | 2022-01-18 | 国网浙江省电力有限公司 | 一种基于反馈机制监督下的配网安全质量管控方法 |
CN113869444A (zh) * | 2021-10-09 | 2021-12-31 | 中国南方电网有限责任公司超高压输电公司昆明局 | 变电站故障检测方法、装置、计算机设备和存储介质 |
CN114722895A (zh) * | 2022-03-04 | 2022-07-08 | 国网辽宁省电力有限公司辽阳供电公司 | 一种基于非侵入式状态检测的光伏阵列故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
蔡玉良等: "船舶动力设备退化基线计算及预测方法", 《舰船科学技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115877363A (zh) * | 2023-02-28 | 2023-03-31 | 济宁安泰矿山设备制造有限公司 | 一种机器人避障评估方法 |
CN115877363B (zh) * | 2023-02-28 | 2023-05-16 | 济宁安泰矿山设备制造有限公司 | 一种机器人避障评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114994451B (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103115789B (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
Hübner et al. | Detection of mass imbalance in the rotor of wind turbines using Support Vector Machine | |
JPH07168619A (ja) | 機器/設備診断方法およびシステム | |
CN109978039B (zh) | 一种基于不平衡数据集情况下的风机叶片结冰预测方法 | |
CN114994451B (zh) | 一种船舶电气设备故障探测方法及系统 | |
CN111327070A (zh) | 风电场能量管理方法及系统 | |
Tang et al. | Rolling bearing remaining useful life prediction via weight tracking relevance vector machine | |
Song et al. | Data and decision level fusion-based crack detection for compressor blade using acoustic and vibration signal | |
CN116796182A (zh) | 风电机组发电机故障评估模型训练方法和故障诊断方法 | |
CN111881594A (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
CN116796271A (zh) | 一种居民用能异常识别方法 | |
Zhang et al. | A novel fault diagnosis method for wind turbine based on adaptive multivariate time-series convolutional network using SCADA data | |
CN113009338B (zh) | 海上风电变桨电机定子匝间短路故障诊断方法 | |
Jiang et al. | Remaining useful life prediction of rolling bearings based on TCN-MSA | |
Ondel et al. | FDI based on pattern recognition using Kalman prediction: Application to an induction machine | |
CN110874088B (zh) | 基于多维向量模型的船舶关键设备系统的监测方法 | |
Leite et al. | A robust fleet-based anomaly detection framework applied to wind turbine vibration data | |
Su et al. | Lifetime evaluation and extension of wind turbines based on big data | |
CN115169434B (zh) | 基于k均值聚类算法的主机工况特征值提取方法及系统 | |
Ma et al. | Fault detection and diagnosis of mine hoist machine based on RS and SVM | |
CN116148519B (zh) | 一种海上风电场电压监测预警方法及系统 | |
Li et al. | Real-time remaining useful life kernel density estimation considering dynamic transition of degradation states | |
Liu et al. | Wind turbine spindle operating state recognition and early warning driven by SCADA data | |
CN112630666B (zh) | 蓄电池测试排期方法及装置 | |
Wang et al. | Research Progress on the Application of Machine Learning in Power System Security |
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 |