CN115374961A - 一种船舶动力运维系统及运维方法 - Google Patents

Abstract

本发明公开了一种船舶动力运维系统，其特征在于，包括：参数设置模块、实时数据采集模块、故障分析模块、船舶历史大数据模块、故障树优化模块和数据终端模块；故障分析模块分别与参数设置模块、实时数据采集模块、故障树优化模块和数据终端模块连接；船舶历史大数据模块与故障树优化模块连接；故障分析模块通过参数设置模块设置的参数以及船舶历史大数据模块构建的故障树模型，对船舶故障进行分析；故障树优化模块通过船舶历史大数据模块的历史数据对故障分析模块构建的故障树模型进行优化。本发明通过对属性进行相关系数分析，对于关系密切的属性进行合并，增加运算速度、减少分支和判断次数，调高效率。

Description

一种船舶动力运维系统及运维方法

技术领域

本发明属于船舶运维技术领域，具体涉及一种船舶动力运维系统及运维方法。

背景技术

作为船舶机械设备中最重要的组成部分，船舶动力系统设备是各种能量产生、传递、消耗的主要机械设备的组合体。以科学和工业技术为支撑，现代船舶日趋大型化，船舶动力系统也向着大型化、集成化、复杂化和智能化方向发展。现代船舶动力系统开始应用越来越多的高新技术，系统规模结构、技术复杂程度日益增加，导致其运行过程中极易发生故障。故障维修所需技术和设备的复杂程度与难度急剧增加，维修费用也将大幅提升，现有运维服务已无法满足现代船舶日益增长的运维要求。维护保养不善和故障的处理不及时是导致船舶事故发生的一个非常重要的原因。在工程类船舶尤其针对大型运输船的经营管理中，更加需要对船舶的日常进行动态管理，准确掌握船舶动态、机械设备的运行状况等信息；但是只靠人工维护不可避免会出现差错，使企业或使用单位面临蒙受经济损失的危险，而且给船舶经营管理带来众多不便。

鉴于以上问题，建立一种船舶动力运维系统及运维方法来保障船舶动力系统远程运维管理，保障备品备件管理供应，可查看船舶动力设备的运转情况以及维修管理等已成为船舶运维保障现代化的尚需解决的关键。

发明内容

针对现有技术中的不足，本发明提供了一种船舶动力运维系统及运维方法，以解决现有技术中对船舶运维状况不能准确掌握，不能获得准确的运维方法的技术问题。

本发明提供了一种船舶动力运维系统，包括：参数设置模块、实时数据采集模块、故障分析模块、船舶历史大数据模块、故障树优化模块和数据终端模块；

所述故障分析模块分别与所述参数设置模块、实时数据采集模块、故障树优化模块和数据终端模块连接；所述船舶历史大数据模块与所述故障树优化模块连接；

所述故障分析模块通过参数设置模块设置的参数以及所述船舶历史大数据模块构建的故障树模型，并根据所述实时数据采集模块采集的实时数据对船舶故障进行分析；

所述数据终端模块根据船舶故障分析结果产生报警信号、运维决策；

所述故障树优化模块通过所述船舶历史大数据模块的历史数据对所述故障分析模块构建的故障树模型进行优化。

进一步地，所述参数设置模块包括设置设备基本参数、设置岸基参数；其中，所述设备基本参数包括设备厂商提供的系统知识库、设备故障库、设计数据；所述岸基参数包括岸基提供的船舶动力系统使用场景数据、可靠性数据、维修数据。

进一步地，所述故障分析模块通过S4000P标准构建故障树模型对船舶故障进行分析。

进一步地，所述故障树优化模块通过所述船舶历史大数据模块的历史数据构建参考用故障树模型，将所述故障分析模块构建的故障模型与参考用故障树模型比较，对故障模型进行增加和/或删减树枝的优化。

本发明的技术方案为一种船舶动力运维方法，具体方法如下：

步骤1：获取历史故障数据，进行数据预处理，得到训练集、测试集，训练集、测试集中包括柴油机状态属性；

步骤2：对训练集样本、测试集样本进行随机有放回抽取，形成若干个子训练集、若干个子测试集，对若干子训练集的缺失的柴油机状态属性填充及连续的柴油机状态属性的离散处理；对若干子测试集的缺失的柴油机状态属性填充及连续的柴油机状态属性的离散处理；

步骤3：将子训练集的柴油机状态属性中相似的属性进行合并；

步骤4：根据柴油机状态属性中各属性的相关度对故障树的最大深度临界值进行确定，再根据最大深度临界值及训练集通过信息增益方法构建故障树；

步骤5：对构建好的故障树进行剪枝操作，并用测试集测试故障树；

步骤6：将实时的柴油机状态输入至故障树中对故障进行诊断。

进一步地，所述步骤4中最大深度临界值的确定方法：

当前属性个数小于5时，不进行最大深度临界值限制；当当前属性个数大于等于5时，故障树临界值为

其中，m表示属性的个数。

进一步地，所述步骤4中在构建故障树时，当需要产生新分支时，先对信息增益率中的分裂因子项进行优化，当分裂前后信息增益的差距满足预设条件时，分裂形成新分支；当分裂前后信息增益的差距不满足预设条件时，再根据分裂前后信息增益的差距对信息增益率中的分裂因子项进行重复优化，直至满足预设条件，进行分裂形成新分支。

进一步地，先对信息增益率中的分裂因子项进行优化时，分裂因子项的获取公式如下：

其中，S_k表示当前第k个属性的样本数据个数；S为数据集样本个数；β_k为概率平均系数，

(0＜β_k＜1)，其中p_k为当前属性概率，p_max为属性概率最大值，p_min为属性概率最小值。

进一步地，根据分裂前后信息增益的差距对信息增益率中的分裂因子项进行重复优化时，分裂因子项的获取公式如下：

其中，S_k表示当前第k个属性的样本数据个数；S为数据集样本个数；β_k为概率平均系数，

(0＜β_k＜1)，其中p_k为当前属性概率，p_max为属性概率最大值，p_min为属性概率最小值；α为分裂之前的信息增益值与分裂之后的信息增益值的差值。

进一步地，所述预设条件为分裂之前的信息增益值与分裂之后的信息增益值的差值小于预设值。

进一步地，所述预设值的获取方法为：通过皮尔逊相关属性系数r的平方值r²，来确定预设值，取值范围为(0，1)之间。

进一步地，所述预设值为0.05。

本发明的有益效果：

本发明通过对属性进行相关系数分析，探究属性与属性及目标之间的关系，对于关系密切的属性进行合并，可增加运算速度、减少分支和判断次数。有利于减少故障树的规模大小。并对测试集进行测试之前，对其连续属性处理及属性缺失处理，有利于减少因测试集的不完善，导致测试评估的误判和准确度下降。对故障树算法的优化，具体的为优化分裂因子项中引入概率平均系数，改善信息增益对取值个数较多或集中的偏向问题。并通过设置最大深度临界值，限制了故障树的分支深度，有利于减少无效枝及空枝的影响。通过对比分支前后的信息增益是否满足预设值，来判断分支是否满足条件，来解决分裂效果不理想，或不准确的情况。提高故障树判断的精确度。

附图说明

通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：

图1是本发明具体实施例的系统整体架构图；

图2是本发明具体实施例的系统决策方法逻辑流程图；

图3是本发明具体实施例的系统功能图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合具体实施例，进一步阐明本发明。本领域的技术人员应该了解这些实施例仅用于说明本发明而不用于限制本发明的范围，对本发明的各种等价形式的修改均落于本申请所附权利要求书所限定的范围。

在本发明的描述中，需要说明的是，提及到的故障树特征属性包含热工参数中的爆发压力、压缩压力、排温、排压、转速、功率等反应各部件的工作状况和运行状态；振动信号中的机身整体振动、表面局部振动和轴系扭转振动可以有效诊断燃油系统、配气机构、活塞—缸套、连杆轴承和滑动主轴承、涡轮增压器等；噪声信号及其他信号。

如图1所示，本发明提供一种船舶动力运维系统，包括：参数设置模块1、实时数据采集模块6、故障分析模块2、船舶历史大数据模块3、故障树优化模块4和数据终端模块5。

故障分析模块2分别与参数设置模块1、实时数据采集模块6、故障树优化模块4和数据终端模块5连接；船舶历史大数据模块3与故障树优化模块4连接；

故障分析模块2通过参数设置模块1设置的参数以及船舶历史大数据模块3构建的故障树模型，并根据实时数据采集模块6采集的实时数据对船舶故障进行分析；

数据终端模块5根据船舶故障分析结果产生报警信号、运维决策；若故障已经发生，对其进行故障发现，故障定位、视情维护，并给出维修建议。

故障树优化模块4通过船舶历史大数据模块3的历史数据构建参考用故障树模型，将故障分析模块2构建的故障模型与参考用故障树模型比较，对故障模型进行增加和/或删减树枝的优化。

参数设置模块1包括设置设备基本参数、设置岸基参数；其中，设备基本参数包括设备厂商提供的系统知识库、设备故障库、设计数据；岸基参数包括岸基提供的船舶动力系统使用场景数据、可靠性数据、维修数据。

故障分析模块2通过S4000P标准构建故障树模型对船舶故障进行分析。首先进行数据预处理，制定预防性维修任务相关数据，对数据集形成主任务清单；根据主任务清单及相关数据依次进行系统故障维修分析、其中包括系统故障模式与影响分析、故障层分析、PMTRI分析；结构检查任务分析、区域检查任务分析可得到故障树模型。根据得到的故障树进行模型验证，并判断是否满足精度要求，若判断不满足则重新规划分析，若满足则执行预防性维修分析。

如图3所示，是本发明具体实施例所述系统可以实现的功能，包括：配置管理功能、远程运维管理功能、辅助管理功能、维修管理功能、设备技术资料管理功能、备品备件管理功能；

配置管理功能，该功能具体包括：

维修配置表汇总功能，对所有维修所需操作、工具及注意事项表格，分类集中配置；

动态配置功能，对备品备件配置，采购信息汇总统计配置；

数据类配置功能，对设备信息、技术资料进行统一配置；

远程运维管理功能，该功能具体包括：

动力状态监控功能，对主机装置、辅助装置、电力系统和传动装置进行实时的信号采集、处理与检测等；

能效管理功能，根据船舶实时状态数据和排放、油耗、航线信息及电力系统等，对船舶的航次油耗和历史油耗进行对比分析，输出船舶的油、电使用详情，并根据算法对航线进行优化，实现船舶节能减排和安全、绿色船舶；

设备健康功能，结合船舶实时运行状态的数据，依据不同级别的设备健康模型和故障结构树，对设备健康进行预警和评估。根据船舶时间故障，通过远程运维的移动端岸端设备厂商、船检或者专家进行综合诊断，给出船端设备故障诊断原因分析和维修保养建议。同时根据数据积累，建立专家知识库和维修保养手册；

机舱监控功能，将船上采集到的主要设备和辅助设备的数据，根据设备的状态量、报警量、开关量及阀值，分为多层级的报警等级别、多维度的数据分析结果和多动态的图示，并实时统计设备历史3天趋势图和工况对比，实时监测设备的实时状态，并为机舱健康的判别分析奠定预警和维修基础；

辅助管理功能，该功能具体包括：

访问与管理账户功能，该模块可以对访问账户进行权限设置，其中包括仅查看、可增删内容与注销户等权限；

登录与访问记录功能，该模块可对历史访问人员的所有访问信息进行查看，包括查看文件名与访问账户名称；

图片显示辅助功能，对图片显示效果不理想进行调整大小、旋转、移动、复制与一键最大化；

文件打印输出功能，该模块可对文件内容进行打印操作、亦可对界面内容进行打印操作，或选择输出链接；

维修管理功能，该功能具体包括：

预防性维修检查和保养功能，可以查看零部件预防性维修相关的信息，如维修间隔、人力和备件等。设备/耗材信息查询功能用来查询设备的位置、数量和编号等信息，提供保养计划，与操作手册；

使用与维修工作功能，对维修的时间间隔、维修的级别、维修的分类信息、维修的类型信息进行分类；

维修设施信息功能，可提供设施相关维修信息，包括操作流程，维修所需工具与零部件、备件及相关注意事项；

修理计划管理功能，对所需进行的维修按照系统框架进行逐条显示，对已完成维修进行删除确认处理；

维修记录功能，主要用于记录历史与当前维修录入功能用来记录当前维修所涉及到的所有信息。历史维修记录功能是用来查看当前零部件的维修历史信息，它以列表的形式供用户浏览查询；

设备技术资料管理功能，该功能具体包括：

设备研制单位信息管理功能，可显示按船号排序的研制单位信息，联系方式，研制时间等；

系统初始配置及主要性能管理功能，包含全系统的初始配置数据，按照船舶动力类型进行管理，可按船号划分子类；

系统和设备设计资料及图纸管理功能，涵盖了全套系统及设备的设计资料，技术档案亦按照船舶动力类型进行管理，可按船号划分子类；

设备培训材料管理功能，船舶的设备操作所需对人员的培训进行分类为重要、一般与普通三大子类；

设备使用维修手册管理功能，记录设备历史使用时间、用途、人员、归还时间、及摆放位置；

备品备件管理功能，该功能具体包括：

备品备件的细目功能，该功能包含备件描述信息原理、功能、构造、位置、备件图纸信息；

备品目前的性能状态功能，对备品的位置及数量进行统计、是否为全新还是某处有故障；

关重件和寿命件故障率及实际寿命功能，从投入使用时进行关重件和寿命件时间统计包括故障次数及剩余使用寿命；

设备无故障工作时间及平均维修时间功能，收集设备没有故障的工作时长、平均维修时间进行显示。

备件采购近期与远期计划功能，备件的近期采购与远期计划进行拉取清单。

本发明具体实施例还提供了一种船舶动力运维方法，具体步骤如下：

步骤1：获取历史故障数据，进行数据预处理，包含归一化处理、标准化处理，去除特征中大小相差较大的，或容易支配目标结果，增强鲁棒性，得到用于建模的数据；按相应比例进行数据随机划分，得到训练集、测试集，训练集、测试集中包括柴油机状态属性；

步骤2：对训练集样本、测试集样本进行随机有放回抽取，形成若干个子训练集、若干个子测试集，对若干子训练集的缺失的柴油机状态属性填充及连续的柴油机状态属性的离散处理；对若干子测试集的缺失的柴油机状态属性填充及连续的柴油机状态属性的离散处理；

对连续特征的离散处理：

x个样本的连续特征A有x个值，从小到大排列a₁，a₂，...，a_x，取相邻两样本值的平均数做划分点，一共有x-1个，其中第i个划分点T_i表示为：T_i＝(a_i+a_i+1)/2。

分别计算以这x-1个点作为二元切分点时的信息增益率。选择信息增益率最大的点为该连续特征的最佳切分点。比如取到的信息增益率最大的点为a_t，则小于a_t的值为类别1，大于a_t的值为类别2，这样就做到了连续特征的离散化。

步骤3：将子训练集的柴油机状态属性中相似的属性进行合并；

步骤4：根据柴油机状态属性中各属性的相关度对故障树的最大深度临界值进行确定，再根据最大深度临界值及训练集通过信息增益方法构建故障树；

最大深度临界值的确定方法：

当前属性个数小于5时，不进行最大深度临界值限制；当前属性个数大于等于5时，故障树临界值为

其中，m表示属性的个数。

当需要产生新分支时，先对信息增益率中的分裂因子项进行优化，先对信息增益率中的分裂因子项进行优化时，分裂因子项的获取公式如下：

其中，S_k表示当前第k个属性的样本数据个数；S为数据集样本个数；β_k为概率平均系数，

(0＜β_k＜1)，其中p_k为当前属性概率，p_max为属性概率最大值，p_min为属性概率最小值；

当分裂前后信息增益的差距满足预设条件时，分裂形成新分支；当分裂前后信息增益的差距不满足预设条件时，再根据分裂前后信息增益的差距对信息增益率中的分裂因子项进行重复优化，直至满足预设条件，进行分裂形成新分支，根据分裂前后信息增益的差距对信息增益率中的分裂因子项进行重复优化时，分裂因子项的获取公式如下：

其中，S_k表示当前第k个属性的样本数据个数；S为数据集样本个数；β_k为概率平均系数，

(0＜β_k＜1)，其中p_k为当前属性概率，p_max为属性概率最大值，p_min为属性概率最小值；α为分裂之前的信息增益值与分裂之后的信息增益值的差值。

其中，预设条件为分裂之前的信息增益值与分裂之后的信息增益值的差值小于预设值，预设值的获取方法为：通过皮尔逊相关属性系数r的平方值r²，来确定预设值，取值范围为(0，1)之间，预设值优选为0.05。

故障树构建过程：

假设S是由l个数据组成的样本集，类别属性具有x个不同的值s₁，s₂，…，s_x，一个属性A有k个不同的值，那么S就是决策树上新的叶节点，A是非叶节点。按照取值决定非叶节点的位置：属性A的取值越高，其位置就越高；依次向下排列。总取值可以表示为：

式中，P_i是当前参数值在总的样本值中的比例。根据属性值计算样本的当前取值，属性A的值为：

其中，

最终，用属性A划分样本集S的信息增益取值为：

G(A)＝I(s₂，s₂，…，s_x)-E(A)

按照此优化算法，拟定一个简单的设备运行状态建立决策树模型。

而优化C4.5算法采用信息增益率来选择最优划分属性。

步骤5：对构建好的故障树进行剪枝操作，并用测试集测试故障树；

剪枝具体步骤如下：

对于一颗叶子节点，它覆盖了N个样本，其中有E个错误，那么该叶子节点的错误率为(E+0.5)/N。这个0.5就是惩罚因子，那么一颗子树，它有L个叶子节点，那么该子树的误判率估计为：

其中，E_i表示子树的每一个叶子节点的误判样本数量，L为子树的叶子节点个数，N_i为每一个叶子节点的样本数量。

估计出该树的误判次数的均值和标准差：

E(子树误判次数)＝N*e

把子树替换成叶子节点后，因为子树合并为一个叶子节点了，所以，L＝1，将其代入上面计算误判率的公式中，可以得到叶子节点的误判率为

因此叶子节点的误判次数均值为

E(叶子节点的误判次数)＝N*e

剪枝的条件：

E(子树误判次数)+std(子树误判次数)＞E(叶子节点的误判次数)

步骤6：将实时的柴油机状态输入至故障树中对故障进行诊断。

虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种船舶动力运维系统，其特征在于，包括：参数设置模块、实时数据采集模块、故障分析模块、船舶历史大数据模块、故障树优化模块和数据终端模块；

所述故障分析模块分别与所述参数设置模块、实时数据采集模块、故障树优化模块和数据终端模块连接；所述船舶历史大数据模块与所述故障树优化模块连接；

所述故障分析模块通过参数设置模块设置的参数以及所述船舶历史大数据模块构建的故障树模型，并根据所述实时数据采集模块采集的实时数据对船舶故障进行分析；

所述数据终端模块根据船舶故障分析结果产生报警信号、运维决策；

所述故障树优化模块通过所述船舶历史大数据模块的历史数据对所述故障分析模块构建的故障树模型进行优化。

2.如权利要求1所述的船舶动力运维系统，其特征在于，所述参数设置模块包括设置设备基本参数、设置岸基参数；其中，所述设备基本参数包括设备厂商提供的系统知识库、设备故障库、设计数据；所述岸基参数包括岸基提供的船舶动力系统使用场景数据、可靠性数据、维修数据。

3.如权利要求1所述的船舶动力运维系统，其特征在于，所述故障分析模块通过S4000P标准构建故障树模型对船舶故障进行分析。

4.如权利要求1所述的船舶动力运维系统，其特征在于，所述故障树优化模块通过所述船舶历史大数据模块的历史数据构建参考用故障树模型，将所述故障分析模块构建的故障模型与参考用故障树模型比较，对故障模型进行增加和/或删减树枝的优化。

5.一种船舶动力运维方法，适用于如权利要求1-4中任一所述的船舶动力运维系统，其特征在于，所述船舶动力运维方法包括如下步骤：

步骤1：获取历史故障数据，进行数据预处理，得到训练集、测试集，训练集、测试集中包括柴油机状态属性；

步骤2：对训练集样本、测试集样本进行随机有放回抽取，形成若干个子训练集、若干个子测试集，对若干子训练集的缺失的柴油机状态属性填充及连续的柴油机状态属性的离散处理；对若干子测试集的缺失的柴油机状态属性填充及连续的柴油机状态属性的离散处理；

步骤3：将子训练集的柴油机状态属性中相似的属性进行合并；

步骤4：根据柴油机状态属性中各属性的相关度对故障树的最大深度临界值进行确定，再根据最大深度临界值及训练集通过信息增益方法构建故障树；

步骤5：对构建好的故障树进行剪枝操作，并用测试集测试故障树；

步骤6：将实时的柴油机状态输入至故障树中对故障进行诊断。

6.如权利要求5所述的船舶动力运维方法，其特征在于，所述步骤4中最大深度临界值的确定方法：

当前属性个数小于5时，不进行最大深度临界值限制；当当前属性个数大于等于5时，故障树临界值为

其中，m表示属性的个数。

7.如权利要求5所述的船舶动力运维方法，其特征在于，所述步骤4中在构建故障树时，当需要产生新分支时，先对信息增益率中的分裂因子项进行优化，当分裂前后信息增益的差距满足预设条件时，分裂形成新分支；当分裂前后信息增益的差距不满足预设条件时，再根据分裂前后信息增益的差距对信息增益率中的分裂因子项进行重复优化，直至满足预设条件，进行分裂形成新分支。

8.如权利要求7所述的船舶动力运维方法，其特征在于，先对信息增益率中的分裂因子项进行优化时，分裂因子项的获取公式如下：

其中，S_k表示当前第k个属性的样本数据个数；S为数据集样本个数；β_k为概率平均系数，

其中p_k为当前属性概率，p_max为属性概率最大值，p_min为属性概率最小值。

9.如权利要求7或8所述的船舶动力运维方法，其特征在于，根据分裂前后信息增益的差距对信息增益率中的分裂因子项进行重复优化时，分裂因子项的获取公式如下：

其中，S_k表示当前第k个属性的样本数据个数；S为数据集样本个数；β_k为概率平均系数，

其中p_k为当前属性概率，p_max为属性概率最大值，p_min为属性概率最小值；α为分裂之前的信息增益值与分裂之后的信息增益值的差值。

10.如权利要求7所述的船舶动力运维方法，其特征在于，所述预设条件为分裂之前的信息增益值与分裂之后的信息增益值的差值小于预设值，其中，所述预设值的获取方法为：通过皮尔逊相关属性系数r的平方值r²，来确定预设值，取值范围为(0，1)之间。

Images