CN115526345A - 船舶维护管理方法、系统、可读存储介质及计算机设备 - Google Patents
船舶维护管理方法、系统、可读存储介质及计算机设备 Download PDFInfo
- Publication number
- CN115526345A CN115526345A CN202211010281.XA CN202211010281A CN115526345A CN 115526345 A CN115526345 A CN 115526345A CN 202211010281 A CN202211010281 A CN 202211010281A CN 115526345 A CN115526345 A CN 115526345A
- Authority
- CN
- China
- Prior art keywords
- training
- sample
- data
- ship equipment
- ship
- 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.)
- Withdrawn
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 48
- 238000007726 management method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 131
- 230000036541 health Effects 0.000 claims abstract description 130
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000012360 testing method Methods 0.000 claims abstract description 47
- 238000003745 diagnosis Methods 0.000 claims abstract description 45
- 238000012544 monitoring process Methods 0.000 claims abstract description 41
- 238000010801 machine learning Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000007637 random forest analysis Methods 0.000 claims abstract description 19
- 238000012795 verification Methods 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000008030 elimination Effects 0.000 claims description 7
- 238000003379 elimination reaction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种船舶维护管理方法、系统、可读存储介质及计算机设备，本发明将健康样本数据作为机器学习的训练样本，并将故障样本数据作为机器学习的测试样本，通过训练样本对随机森林方法进行模型训练，以得到诊断模型，当船舶设备的实时健康指标从T1时刻到T2时刻的实时健康指标持续超过预设值时，通过诊断模型对T1时刻到T2时刻之间的船舶设备运行数据进行诊断，以得到T1时刻到T2时刻之间的船舶设备故障分类结果，最后在数据库中查找并输出船舶设备故障分类结果对应的故障处理方案，实现了对设备的健康状态的有效监测管理。
Description
技术领域
本发明涉及船舶管理处理技术领域，特别是涉及一种船舶维护管理方法、系统、可读存储介质及计算机设备。
背景技术
随着现代化进程的逐步推进和科技水平的日益提高，设备的自动化水平增强，同时其组成结构变得复杂。设备在运行过程中，会受到多种因素的影响，如果发生故障，必然引起其效能下降，严重时可能导致重大安全事故。其中，对船舶中设备的运行状态监测和设备运行性能分析在船舶设备的日常维护管理过程中变得非常重要。
在对船舶设备进行实时监测时，由于整个设备系统复杂，为实时监测整个设备系统的健康状态，通常会使用多个传感器元件用于采集设备的运行信息特征，导致监测数据特征变量多、数据体量大，数据处理过程繁琐、计算量大，难以有效的对设备的健康状态进行监测管理。
发明内容
为此，本发明的一个实施例提出一种船舶维护管理方法，以解决现有技术计算量大，难以有效的对船舶设备的健康状态进行监测管理的技术问题。
根据本发明一实施例的船舶维护管理方法，包括：
从船舶设备运行历史数据中获取船舶维护的整体样本数据，所述整体样本数据包括健康样本数据和故障样本数据；
将所述健康样本数据作为机器学习的训练样本，并将所述故障样本数据作为机器学习的测试样本，通过所述训练样本对随机森林方法进行模型训练，以得到诊断模型；
通过所述测试样本对所述诊断模型的准确性进行验证，以判断诊断模型的准确性验证是否通过；
若诊断模型的准确性验证通过，则对船舶设备的运行状态进行监测，以获取船舶设备的实时健康指标；
当船舶设备的实时健康指标从T1时刻到T2时刻的实时健康指标持续超过预设值时，通过所述诊断模型对T1时刻到T2时刻之间的船舶设备运行数据进行诊断，以得到T1时刻到T2时刻之间的船舶设备故障分类结果；
在数据库中查找并输出所述船舶设备故障分类结果对应的故障处理方案。
根据本发明实施例的船舶维护管理方法，将健康样本数据作为机器学习的训练样本，并将故障样本数据作为机器学习的测试样本，通过训练样本对随机森林方法进行模型训练，以得到诊断模型，当船舶设备的实时健康指标从T1时刻到T2时刻的实时健康指标持续超过预设值时，通过诊断模型对T1时刻到T2时刻之间的船舶设备运行数据进行诊断，以得到T1时刻到T2时刻之间的船舶设备故障分类结果，最后在数据库中查找并输出船舶设备故障分类结果对应的故障处理方案，实现了对设备的健康状态的有效监测管理。
另外，根据本发明上述实施例的船舶维护管理方法，还可以具有如下附加的技术特征：
进一步地，通过所述训练样本对随机森林方法进行模型训练，以得到诊断模型的步骤具体包括：
通过所述训练样本对随机森林方法进行模型训练，训练过程中，采用预设的抽样策略，并且结合网格搜索方法和ROC曲线进行参数选择，根据筛选出的最优参数训练得到诊断模型。
进一步地，所述方法还包括：
从船舶设备运行历史数据中获取船舶维护的整体样本数据，所述整体样本数据包括健康样本数据和故障样本数据；
将所述健康样本数据作为机器学习的原始训练样本，并将所述故障样本数据作为机器学习的原始测试样本；
采用滑动时间窗口策略，以时间窗口Tw内前n个原始训练样本/原始测试样本作为训练输入，第n+1个原始训练样本/原始测试样本作为训练输出，使窗口从前往后滑动生成训练数据集/测试数据集；
采用梯度提升树并使用训练数据集进行模型训练，在训练过程中，结合随机搜索方法进行参数选择，根据筛选出的最优参数训练出预测模型，然后使用测试数据集对预测模型的准确性进行验证，以判断预测模型的准确性验证是否通过；
若预测模型的准确性验证通过，则对船舶设备的运行状态进行监测，以获取船舶设备的实时健康指标；
当船舶设备的实时健康指标从T1时刻到T2时刻的实时健康指标持续超过预设值时，通过所述预测模型对T1时刻到T2时刻之间的船舶设备运行数据进行预测，以得到T1时刻到T2时刻之间的船舶设备故障预测结果；
在数据库中查找并输出所述船舶设备故障预测结果对应的故障处理方案。
进一步地，对船舶设备的运行状态进行监测，以获取船舶设备的实时健康指标的步骤具体包括：
根据数据库中存储的多个用于监测船舶设备的传感器采集的历史数据，提取健康时段数据作为第一健康样本参考空间；
对所述第一健康样本参考空间的多个特征进行特征选择，得到第二健康样本参考空间；
对所述第二健康样本参考空间进行数据标准化处理，得到目标健康样本；
计算所述目标健康样本的马氏距离，并对所述目标健康样本进行有效性验证；
对计算出的所述目标健康样本的马氏距离进行异常点剔除；
构建健康指数模型，并确定警戒值和阈值；
获取所述传感器实时采集的数据，并计算当前时刻的马氏距离，以及根据所述健康指数模型计算船舶设备的实时健康指标。
进一步地，对所述第一健康样本参考空间的多个特征进行特征选择，得到第二健康样本参考空间的步骤具体包括：
采用基于交叉验证的递归特征消除方法确定最佳数量的特征；
基于确定的最佳数量的特征，对所述第一健康样本参考空间的多个特征进行特征选择，以得到第二健康样本参考空间。
本发明的另一个实施例提出一种船舶维护管理系统，以解决现有技术计算量大，难以有效的对船舶设备的健康状态进行监测管理的技术问题。
根据本发明一实施例的船舶维护管理系统，包括：
第一获取模块，用于从船舶设备运行历史数据中获取船舶维护的整体样本数据，所述整体样本数据包括健康样本数据和故障样本数据；
第一训练模块，用于将所述健康样本数据作为机器学习的训练样本，并将所述故障样本数据作为机器学习的测试样本，通过所述训练样本对随机森林方法进行模型训练，以得到诊断模型；
第一验证模块，用于通过所述测试样本对所述诊断模型的准确性进行验证，以判断诊断模型的准确性验证是否通过；
第一监测模块，用于若诊断模型的准确性验证通过，则对船舶设备的运行状态进行监测，以获取船舶设备的实时健康指标；
诊断模块，用于当船舶设备的实时健康指标从T1时刻到T2时刻的实时健康指标持续超过预设值时，通过所述诊断模型对T1时刻到T2时刻之间的船舶设备运行数据进行诊断，以得到T1时刻到T2时刻之间的船舶设备故障分类结果；
第一输出模块，用于在数据库中查找并输出所述船舶设备故障分类结果对应的故障处理方案。
根据本发明实施例的船舶维护管理系统，将健康样本数据作为机器学习的训练样本，并将故障样本数据作为机器学习的测试样本，通过训练样本对随机森林方法进行模型训练，以得到诊断模型，当船舶设备的实时健康指标从T1时刻到T2时刻的实时健康指标持续超过预设值时，通过诊断模型对T1时刻到T2时刻之间的船舶设备运行数据进行诊断，以得到T1时刻到T2时刻之间的船舶设备故障分类结果，最后在数据库中查找并输出船舶设备故障分类结果对应的故障处理方案，实现了对设备的健康状态的有效监测管理。
另外，根据本发明上述实施例的船舶维护管理系统，还可以具有如下附加的技术特征：
进一步地，所述第一训练模块具体用于：
通过所述训练样本对随机森林方法进行模型训练，训练过程中，采用预设的抽样策略，并且结合网格搜索方法和ROC曲线进行参数选择，根据筛选出的最优参数训练得到诊断模型。
进一步地，所述系统还包括：
第二获取模块，用于从船舶设备运行历史数据中获取船舶维护的整体样本数据，所述整体样本数据包括健康样本数据和故障样本数据；
构建模块，用于将所述健康样本数据作为机器学习的原始训练样本，并将所述故障样本数据作为机器学习的原始测试样本，采用滑动时间窗口策略，以时间窗口Tw内前n个原始训练样本/原始测试样本作为训练输入，第n+1个原始训练样本/原始测试样本作为训练输出，使窗口从前往后滑动生成训练数据集/测试数据集；
第二训练模块，用于采用梯度提升树并使用训练数据集进行模型训练，在训练过程中，结合随机搜索方法进行参数选择，根据筛选出的最优参数训练出预测模型；
第二验证模块，用于使用测试数据集对预测模型的准确性进行验证，以判断预测模型的准确性验证是否通过；
第二监测模块，用于若预测模型的准确性验证通过，则对船舶设备的运行状态进行监测，以获取船舶设备的实时健康指标；
预测模块，用于当船舶设备的实时健康指标从T1时刻到T2时刻的实时健康指标持续超过预设值时，通过所述预测模型对T1时刻到T2时刻之间的船舶设备运行数据进行预测，以得到T1时刻到T2时刻之间的船舶设备故障预测结果；
第二输出模块，用于在数据库中查找并输出所述船舶设备故障预测结果对应的故障处理方案。
进一步地，所述第二监测模块具体用于：
根据数据库中存储的多个用于监测船舶设备的传感器采集的历史数据，提取健康时段数据作为第一健康样本参考空间；
对所述第一健康样本参考空间的多个特征进行特征选择，得到第二健康样本参考空间；
对所述第二健康样本参考空间进行数据标准化处理，得到目标健康样本；
计算所述目标健康样本的马氏距离，并对所述目标健康样本进行有效性验证；
对计算出的所述目标健康样本的马氏距离进行异常点剔除；
构建健康指数模型，并确定警戒值和阈值；
获取所述传感器实时采集的数据，并计算当前时刻的马氏距离，以及根据所述健康指数模型计算船舶设备的实时健康指标。
进一步地，所述第二监测模块具体用于：
采用基于交叉验证的递归特征消除方法确定最佳数量的特征；
基于确定的最佳数量的特征，对所述第一健康样本参考空间的多个特征进行特征选择，以得到第二健康样本参考空间。
本发明还提供一种可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的船舶维护管理方法。
本发明还提供一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的船舶维护管理方法。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实施例了解到。
附图说明
本发明实施例的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本发明一实施例的船舶维护管理方法的流程图；
图2是根据本发明一实施例的船舶维护管理系统的结构示意图。
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，本领域普通技术人员在没有做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。
请参阅图1，本发明一实施例提出的船舶维护管理方法，所述方法包括步骤S101～S108：
S101，从船舶设备运行历史数据中获取船舶维护的整体样本数据，所述整体样本数据包括健康样本数据和故障样本数据。
S102，将所述健康样本数据作为机器学习的训练样本，并将所述故障样本数据作为机器学习的测试样本，通过所述训练样本对随机森林方法进行模型训练，以得到诊断模型。
其中，具体的，通过所述训练样本对随机森林方法进行模型训练，训练过程中，采用预设的抽样策略，并且结合网格搜索方法和ROC曲线进行参数选择，根据筛选出的最优参数训练得到诊断模型。
S103，通过所述测试样本对所述诊断模型的准确性进行验证，以判断诊断模型的准确性验证是否通过。
S104，若诊断模型的准确性验证通过，则对船舶设备的运行状态进行监测，以获取船舶设备的实时健康指标。
S105，当船舶设备的实时健康指标从T1时刻到T2时刻的实时健康指标持续超过预设值时，通过所述诊断模型对T1时刻到T2时刻之间的船舶设备运行数据进行诊断，以得到T1时刻到T2时刻之间的船舶设备故障分类结果。
S106，在数据库中查找并输出所述船舶设备故障分类结果对应的故障处理方案。
其中，步骤S104，对船舶设备的运行状态进行监测，以获取船舶设备的实时健康指标的步骤具体包括步骤S1041～S1047：
S1041，根据数据库中存储的多个用于监测船舶设备的传感器采集的历史数据，提取健康时段数据作为第一健康样本参考空间。
S1042，对所述第一健康样本参考空间的多个特征进行特征选择，得到第二健康样本参考空间。
由于数据特征间可能存在相关性和某些特征可能对分析结果会产生非积极影响，因此，本实施例中，使用基于交叉验证的递归特征消除的特征选择方法对数据样本进行特征的筛选，以减少数据处理总量，能避免特征之间的冗余。
其中，对所述第一健康样本参考空间的多个特征进行特征选择，得到第二健康样本参考空间的步骤具体包括：
采用基于交叉验证的递归特征消除方法确定最佳数量的特征；
基于确定的最佳数量的特征，对所述第一健康样本参考空间的多个特征进行特征选择，以得到第二健康样本参考空间。
S1043，对所述第二健康样本参考空间进行数据标准化处理，得到目标健康样本。
具体的，使用原始数据的平均值和标准差对所述第二健康样本参考空间进行数据标准化处理，以得到目标健康样本，便于不同单位或数量级的特征能够进行比较和加权。
S1044，计算所述目标健康样本的马氏距离，并对所述目标健康样本进行有效性验证。
S1045，对计算出的所述目标健康样本的马氏距离进行异常点剔除。
其中，在监测过程中，可能受某些原因影响导致通过监测所获得的数据在个别时刻会有一些偏离，这样就会导致由健康数据计算出的马氏距离中也存在个别的异常距离，为避免此类异常值对设备健康状态评估造成不利影响，需要对健康数据样本的马氏距离中存在的异常值进行剔除。
本实施例中，对计算出的所述目标健康样本的马氏距离进行异常点剔除的步骤具体包括：
采用箱形图方法对健康数据的马氏距离数值进行由大到小的排序，根据数据个数分别计算1/4位、3/4位的数据点，并分别记为K1、K3；
计算四分位数间距E＝K1-K3；
计算上边缘点Kup＝K1+1.5E，下边缘点Kdown＝K3-1.5E；
筛选位于区间[Kup,Kdown]之外的数据点并予以剔除。
S1046，构建健康指数模型，并确定警戒值和阈值。
其中，构建健康指数模型，具体使用函数映射的方法将马氏距离映射到区间[0,1]上，且输出值与设备的健康状态呈正相关。
具体的，健康指数模型H(MD)的表达式为：
其中，β表示调节指数。
H(MD)的取值范围为(0,1)，在得到H(MD)的具体数值时，通过设定一些不同设备状态的分类标准，即设定警戒值和阈值，其中，警戒值为提醒设备可能异常的参考值，阈值为设备故障的参考值。
S1047，获取所述传感器实时采集的数据，并计算当前时刻的马氏距离，以及根据所述健康指数模型计算船舶设备的实时健康指标。
此外，本发明实施方式的船舶维护管理方法，还包括步骤S201～S208：
S201，从船舶设备运行历史数据中获取船舶维护的整体样本数据，所述整体样本数据包括健康样本数据和故障样本数据。
S202，将所述健康样本数据作为机器学习的原始训练样本，并将所述故障样本数据作为机器学习的原始测试样本。
S203，采用滑动时间窗口策略，以时间窗口Tw内前n个原始训练样本/原始测试样本作为训练输入，第n+1个原始训练样本/原始测试样本作为训练输出，使窗口从前往后滑动生成训练数据集/测试数据集。
S204，采用梯度提升树并使用训练数据集进行模型训练，在训练过程中，结合随机搜索方法进行参数选择，根据筛选出的最优参数训练出预测模型，然后使用测试数据集对预测模型的准确性进行验证，以判断预测模型的准确性验证是否通过。
S205，若预测模型的准确性验证通过，则对船舶设备的运行状态进行监测，以获取船舶设备的实时健康指标。
S206，当船舶设备的实时健康指标从T1时刻到T2时刻的实时健康指标持续超过预设值时，通过所述预测模型对T1时刻到T2时刻之间的船舶设备运行数据进行预测，以得到T1时刻到T2时刻之间的船舶设备故障预测结果。
S207，在数据库中查找并输出所述船舶设备故障预测结果对应的故障处理方案。
通过上述步骤S201～S207能够实现对船舶设备的故障预测。
综上，根据本实施例提供的船舶维护管理方法，将健康样本数据作为机器学习的训练样本，并将故障样本数据作为机器学习的测试样本，通过训练样本对随机森林方法进行模型训练，以得到诊断模型，当船舶设备的实时健康指标从T1时刻到T2时刻的实时健康指标持续超过预设值时，通过诊断模型对T1时刻到T2时刻之间的船舶设备运行数据进行诊断，以得到T1时刻到T2时刻之间的船舶设备故障分类结果，最后在数据库中查找并输出船舶设备故障分类结果对应的故障处理方案，实现了对设备的健康状态的有效监测管理。
请参阅图2，本发明一实施例提出的船舶维护管理系统，所述系统包括：
第一获取模块，用于从船舶设备运行历史数据中获取船舶维护的整体样本数据，所述整体样本数据包括健康样本数据和故障样本数据；
第一训练模块，用于将所述健康样本数据作为机器学习的训练样本，并将所述故障样本数据作为机器学习的测试样本，通过所述训练样本对随机森林方法进行模型训练，以得到诊断模型；
第一验证模块，用于通过所述测试样本对所述诊断模型的准确性进行验证，以判断诊断模型的准确性验证是否通过；
第一监测模块，用于若诊断模型的准确性验证通过，则对船舶设备的运行状态进行监测，以获取船舶设备的实时健康指标；
诊断模块，用于当船舶设备的实时健康指标从T1时刻到T2时刻的实时健康指标持续超过预设值时，通过所述诊断模型对T1时刻到T2时刻之间的船舶设备运行数据进行诊断，以得到T1时刻到T2时刻之间的船舶设备故障分类结果；
第一输出模块，用于在数据库中查找并输出所述船舶设备故障分类结果对应的故障处理方案。
本实施例中，所述第一训练模块具体用于：
通过所述训练样本对随机森林方法进行模型训练，训练过程中，采用预设的抽样策略，并且结合网格搜索方法和ROC曲线进行参数选择，根据筛选出的最优参数训练得到诊断模型。
本实施例中，所述系统还包括：
第二获取模块，用于从船舶设备运行历史数据中获取船舶维护的整体样本数据，所述整体样本数据包括健康样本数据和故障样本数据；
构建模块，用于将所述健康样本数据作为机器学习的原始训练样本，并将所述故障样本数据作为机器学习的原始测试样本，采用滑动时间窗口策略，以时间窗口Tw内前n个原始训练样本/原始测试样本作为训练输入，第n+1个原始训练样本/原始测试样本作为训练输出，使窗口从前往后滑动生成训练数据集/测试数据集；
第二训练模块，用于采用梯度提升树并使用训练数据集进行模型训练，在训练过程中，结合随机搜索方法进行参数选择，根据筛选出的最优参数训练出预测模型；
第二验证模块，用于使用测试数据集对预测模型的准确性进行验证，以判断预测模型的准确性验证是否通过；
第二监测模块，用于若预测模型的准确性验证通过，则对船舶设备的运行状态进行监测，以获取船舶设备的实时健康指标；
预测模块，用于当船舶设备的实时健康指标从T1时刻到T2时刻的实时健康指标持续超过预设值时，通过所述预测模型对T1时刻到T2时刻之间的船舶设备运行数据进行预测，以得到T1时刻到T2时刻之间的船舶设备故障预测结果；
第二输出模块，用于在数据库中查找并输出所述船舶设备故障预测结果对应的故障处理方案。
本实施例中，所述第二监测模块具体用于：
根据数据库中存储的多个用于监测船舶设备的传感器采集的历史数据，提取健康时段数据作为第一健康样本参考空间；
对所述第一健康样本参考空间的多个特征进行特征选择，得到第二健康样本参考空间；
对所述第二健康样本参考空间进行数据标准化处理，得到目标健康样本；
计算所述目标健康样本的马氏距离，并对所述目标健康样本进行有效性验证；
对计算出的所述目标健康样本的马氏距离进行异常点剔除；
构建健康指数模型，并确定警戒值和阈值；
获取所述传感器实时采集的数据，并计算当前时刻的马氏距离，以及根据所述健康指数模型计算船舶设备的实时健康指标。
本实施例中，所述第二监测模块具体用于：
采用基于交叉验证的递归特征消除方法确定最佳数量的特征；
基于确定的最佳数量的特征，对所述第一健康样本参考空间的多个特征进行特征选择，以得到第二健康样本参考空间。
根据本实施例提供的船舶维护管理系统，将健康样本数据作为机器学习的训练样本，并将故障样本数据作为机器学习的测试样本，通过训练样本对随机森林方法进行模型训练，以得到诊断模型，当船舶设备的实时健康指标从T1时刻到T2时刻的实时健康指标持续超过预设值时，通过诊断模型对T1时刻到T2时刻之间的船舶设备运行数据进行诊断，以得到T1时刻到T2时刻之间的船舶设备故障分类结果，最后在数据库中查找并输出船舶设备故障分类结果对应的故障处理方案，实现了对设备的健康状态的有效监测管理。
此外，本发明的实施例还提出一种可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的船舶维护管理方法。
此外，本发明的实施例还提出一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的船舶维护管理方法。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通讯、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种船舶维护管理方法，其特征在于，包括：
从船舶设备运行历史数据中获取船舶维护的整体样本数据，所述整体样本数据包括健康样本数据和故障样本数据；
将所述健康样本数据作为机器学习的训练样本，并将所述故障样本数据作为机器学习的测试样本，通过所述训练样本对随机森林方法进行模型训练，以得到诊断模型；
通过所述测试样本对所述诊断模型的准确性进行验证，以判断诊断模型的准确性验证是否通过；
若诊断模型的准确性验证通过，则对船舶设备的运行状态进行监测，以获取船舶设备的实时健康指标；
当船舶设备的实时健康指标从T1时刻到T2时刻的实时健康指标持续超过预设值时，通过所述诊断模型对T1时刻到T2时刻之间的船舶设备运行数据进行诊断，以得到T1时刻到T2时刻之间的船舶设备故障分类结果；
在数据库中查找并输出所述船舶设备故障分类结果对应的故障处理方案。
2.根据权利要求1所述的船舶维护管理方法，其特征在于，通过所述训练样本对随机森林方法进行模型训练，以得到诊断模型的步骤具体包括：
通过所述训练样本对随机森林方法进行模型训练，训练过程中，采用预设的抽样策略，并且结合网格搜索方法和ROC曲线进行参数选择，根据筛选出的最优参数训练得到诊断模型。
3.根据权利要求1所述的船舶维护管理方法，其特征在于，所述方法还包括：
从船舶设备运行历史数据中获取船舶维护的整体样本数据，所述整体样本数据包括健康样本数据和故障样本数据；
将所述健康样本数据作为机器学习的原始训练样本，并将所述故障样本数据作为机器学习的原始测试样本；
采用滑动时间窗口策略，以时间窗口Tw内前n个原始训练样本/原始测试样本作为训练输入，第n+1个原始训练样本/原始测试样本作为训练输出，使窗口从前往后滑动生成训练数据集/测试数据集；
采用梯度提升树并使用训练数据集进行模型训练，在训练过程中，结合随机搜索方法进行参数选择，根据筛选出的最优参数训练出预测模型，然后使用测试数据集对预测模型的准确性进行验证，以判断预测模型的准确性验证是否通过；
若预测模型的准确性验证通过，则对船舶设备的运行状态进行监测，以获取船舶设备的实时健康指标；
当船舶设备的实时健康指标从T1时刻到T2时刻的实时健康指标持续超过预设值时，通过所述预测模型对T1时刻到T2时刻之间的船舶设备运行数据进行预测，以得到T1时刻到T2时刻之间的船舶设备故障预测结果；
在数据库中查找并输出所述船舶设备故障预测结果对应的故障处理方案。
4.根据权利要求1或3所述的船舶维护管理方法，其特征在于，对船舶设备的运行状态进行监测，以获取船舶设备的实时健康指标的步骤具体包括：
根据数据库中存储的多个用于监测船舶设备的传感器采集的历史数据，提取健康时段数据作为第一健康样本参考空间；
对所述第一健康样本参考空间的多个特征进行特征选择，得到第二健康样本参考空间；
对所述第二健康样本参考空间进行数据标准化处理，得到目标健康样本；
计算所述目标健康样本的马氏距离，并对所述目标健康样本进行有效性验证；
对计算出的所述目标健康样本的马氏距离进行异常点剔除；
构建健康指数模型，并确定警戒值和阈值；
获取所述传感器实时采集的数据，并计算当前时刻的马氏距离，以及根据所述健康指数模型计算船舶设备的实时健康指标。
5.根据权利要求4所述的船舶维护管理方法，其特征在于，对所述第一健康样本参考空间的多个特征进行特征选择，得到第二健康样本参考空间的步骤具体包括：
采用基于交叉验证的递归特征消除方法确定最佳数量的特征；
基于确定的最佳数量的特征，对所述第一健康样本参考空间的多个特征进行特征选择，以得到第二健康样本参考空间。
6.一种船舶维护管理系统，其特征在于，包括：
第一获取模块，用于从船舶设备运行历史数据中获取船舶维护的整体样本数据，所述整体样本数据包括健康样本数据和故障样本数据；
第一训练模块，用于将所述健康样本数据作为机器学习的训练样本，并将所述故障样本数据作为机器学习的测试样本，通过所述训练样本对随机森林方法进行模型训练，以得到诊断模型；
第一验证模块，用于通过所述测试样本对所述诊断模型的准确性进行验证，以判断诊断模型的准确性验证是否通过；
第一监测模块，用于若诊断模型的准确性验证通过，则对船舶设备的运行状态进行监测，以获取船舶设备的实时健康指标；
诊断模块，用于当船舶设备的实时健康指标从T1时刻到T2时刻的实时健康指标持续超过预设值时，通过所述诊断模型对T1时刻到T2时刻之间的船舶设备运行数据进行诊断，以得到T1时刻到T2时刻之间的船舶设备故障分类结果；
第一输出模块，用于在数据库中查找并输出所述船舶设备故障分类结果对应的故障处理方案。
7.根据权利要求6所述的船舶维护管理系统，其特征在于，所述第一训练模块具体用于：
通过所述训练样本对随机森林方法进行模型训练，训练过程中，采用预设的抽样策略，并且结合网格搜索方法和ROC曲线进行参数选择，根据筛选出的最优参数训练得到诊断模型。
8.根据权利要求6所述的船舶维护管理系统，其特征在于，所述系统还包括：
第二获取模块，用于从船舶设备运行历史数据中获取船舶维护的整体样本数据，所述整体样本数据包括健康样本数据和故障样本数据；
构建模块，用于将所述健康样本数据作为机器学习的原始训练样本，并将所述故障样本数据作为机器学习的原始测试样本，采用滑动时间窗口策略，以时间窗口Tw内前n个原始训练样本/原始测试样本作为训练输入，第n+1个原始训练样本/原始测试样本作为训练输出，使窗口从前往后滑动生成训练数据集/测试数据集；
第二训练模块，用于采用梯度提升树并使用训练数据集进行模型训练，在训练过程中，结合随机搜索方法进行参数选择，根据筛选出的最优参数训练出预测模型；
第二验证模块，用于使用测试数据集对预测模型的准确性进行验证，以判断预测模型的准确性验证是否通过；
第二监测模块，用于若预测模型的准确性验证通过，则对船舶设备的运行状态进行监测，以获取船舶设备的实时健康指标；
预测模块，用于当船舶设备的实时健康指标从T1时刻到T2时刻的实时健康指标持续超过预设值时，通过所述预测模型对T1时刻到T2时刻之间的船舶设备运行数据进行预测，以得到T1时刻到T2时刻之间的船舶设备故障预测结果；
第二输出模块，用于在数据库中查找并输出所述船舶设备故障预测结果对应的故障处理方案。
9.一种可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现上述权利要求1至5任意一项所述的船舶维护管理方法。
10.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在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程序时实现如权利要求1至5任意一项所述的船舶维护管理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211010281.XA CN115526345A (zh) | 2022-08-23 | 2022-08-23 | 船舶维护管理方法、系统、可读存储介质及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211010281.XA CN115526345A (zh) | 2022-08-23 | 2022-08-23 | 船舶维护管理方法、系统、可读存储介质及计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115526345A true CN115526345A (zh) | 2022-12-27 |
Family
ID=84697811
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211010281.XA Withdrawn CN115526345A (zh) | 2022-08-23 | 2022-08-23 | 船舶维护管理方法、系统、可读存储介质及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115526345A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116976849A (zh) * | 2023-05-25 | 2023-10-31 | 中国船舶集团有限公司第七一九研究所 | 一种基于大数据的船舶作业设备的故障预测方法及系统 |
| CN117741429A (zh) * | 2023-12-15 | 2024-03-22 | 广东海洋大学 | 确定船舶交流电机健康指数的方法、装置、介质及设备 |
| CN119167528A (zh) * | 2024-11-22 | 2024-12-20 | 湖北工业大学 | 一种基于机器学习的船体涂层破损识别方法及系统 |
-
2022
- 2022-08-23 CN CN202211010281.XA patent/CN115526345A/zh not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116976849A (zh) * | 2023-05-25 | 2023-10-31 | 中国船舶集团有限公司第七一九研究所 | 一种基于大数据的船舶作业设备的故障预测方法及系统 |
| CN117741429A (zh) * | 2023-12-15 | 2024-03-22 | 广东海洋大学 | 确定船舶交流电机健康指数的方法、装置、介质及设备 |
| CN119167528A (zh) * | 2024-11-22 | 2024-12-20 | 湖北工业大学 | 一种基于机器学习的船体涂层破损识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115526345A (zh) | 船舶维护管理方法、系统、可读存储介质及计算机设备 | |
| CN110807024B (zh) | 动态阈值异常检测方法、系统、存储介质及智能设备 | |
| KR101948604B1 (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
| CN112414694B (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
| CN110738255A (zh) | 一种基于聚类算法的设备状态监测方法 | |
| CN111611294A (zh) | 星敏感器数据异常检测方法 | |
| CN115271408A (zh) | 船舶设备的管理方法、系统、可读存储介质及计算机设备 | |
| CN110703743A (zh) | 设备故障预测与检测系统和方法 | |
| CN116304909A (zh) | 一种异常检测模型训练方法、故障场景定位方法及装置 | |
| CN113574480A (zh) | 用于预测设备损坏的装置 | |
| CN111176872B (zh) | 面向it运维的监控数据处理方法、系统、装置及存储介质 | |
| CN116306806A (zh) | 故障诊断模型确定方法、装置及非易失性存储介质 | |
| CN117783792B (zh) | 基于多参数实时监测的阀侧套管绝缘状态检测方法及系统 | |
| CN118311529A (zh) | 一种利用MiniSAR技术进行灾情监测的方法及系统 | |
| CN116610996A (zh) | 线缆的状态检测方法、装置和计算机设备 | |
| KR102212022B1 (ko) | 양수 수차의 건전성 자동 판정 방법 및 이를 위한 시스템 | |
| CN112149833B (zh) | 基于机器学习的预测方法、装置、设备和存储介质 | |
| CN113593694A (zh) | 一种重症患者预后的预测方法 | |
| CN112187555B (zh) | 一种基于机器学习的实时kpi数据异常检测方法及装置 | |
| CN117369425B (zh) | 汽车仪表总成故障诊断方法、系统、存储介质及计算机 | |
| CN118465475B (zh) | 水轮发电机超高频局部放电稳定测试方法及装置 | |
| CN119272170A (zh) | 一种户用故障智能识别方法及系统 | |
| CN115762568A (zh) | 一种核反应堆控制棒驱动机构启动检测方法及系统 | |
| CN118381461A (zh) | 分布式光伏发电数据的异常值检测方法、装置及电子设备 | |
| CN119441800A (zh) | 基于大数据分析的企业管理数据治理方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221227 |
|
| WW01 | Invention patent application withdrawn after publication |