CN115964883A - 一种无人艇的状态监测与维修保障系统 - Google Patents
一种无人艇的状态监测与维修保障系统 Download PDFInfo
- Publication number
- CN115964883A CN115964883A CN202211726534.3A CN202211726534A CN115964883A CN 115964883 A CN115964883 A CN 115964883A CN 202211726534 A CN202211726534 A CN 202211726534A CN 115964883 A CN115964883 A CN 115964883A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- prediction
- fault
- diagnosis
- 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.)
- Pending
Links
Images
Abstract
本发明公开一种无人艇的状态监测与维修保障系统,涉及无人艇的状态监测与维修保障领域,可通过设置数据采集及处理模块、故障诊断模块、故障预测模块、健康评估模块、状态监测模块和维修保障模块,及时的监测无人艇的各项设备的运行状态并及时的进行故障的维修,保障了无人艇各项设备稳定运行且延长无人艇及各项设备的使用寿命。
Description
技术领域
本发明涉及无人艇状态监测和维修保障领域,特别是涉及一种无人艇的状态监测与维修保障系统。
背景技术
水面无人艇是一种具有自助规划、自主航行能力,并可自主完成环境感知、目标探测等任务的水面平台。在海面上执行任务,需要综合考虑湿度、风流、洋流等复杂环境条件,相比其他无人装备,无人艇对设备器件的可靠性要求更高。若装备微小的功能失效没有得到及时处理,将导致无人艇和周边船只、设施、人员出现灾难性后果。
因此,对无人艇平台采取必要的健康管理措施,有助于保障装备执行任务能力以及延长使用寿命。
发明内容
本发明的目的是提供一种无人艇的状态监测与维修保障系统,可通过设置数据采集及处理模块、故障诊断模块、故障预测模块、健康评估模块、状态监测模块和维修保障模块,及时的监测无人艇的状态并及时的进行故障的维修,保障了无人艇各项设备稳定运行且延长无人艇使用的寿命。
为实现上述目的,本发明提供了如下方案:
一种无人艇的状态监测与维修保障系统,所述系统包括:数据采集及处理模块、故障诊断模块、故障预测模块、健康评估模块、状态监测模块和维修保障模块;
所述数据采集及处理模块,分别与所述故障诊断模块、所述故障预测模块、所述健康评估模块连接,用于采集无人艇的设备运行数据并对所述设备运行数据进行预处理;
所述故障诊断模块,分别与所述健康评估模块和所述状态监测模块连接,用于基于预处理后的设备运行数据对无人艇的设备进行故障诊断;
所述故障预测模块,与所述状态监测模块连接,用于基于预处理后的设备运行数据对无人艇的设备进行运行数据预测得到设备运行预测数据,根据所述设备运行预测数据进行故障预测;
所述健康评估模块,与所述状态监测模块连接,用于根据所述预处理后的设备运行数据和故障诊断结果对所述无人艇的设备进行健康状态评估;
所述状态监测模块连接,与所述维修保障模块连接,用于根据所述预处理后的设备运行数据、故障诊断结果、故障预测结果和健康状态评估结果监测所述无人艇的设备的工作状态;
所述维修保障模块,用于根据状态监测结果对所述无人艇的设备进行维修管理。
可选的,所述数据采集及处理模块包括第一预处理子模块和第二预处理子模块;
所述第一预处理子模块包括存储单元和异常数据处理单元;
所述存储单元,用于将所述无人艇的设备运行数据按照预设的周期进行存储;
所述异常数据处理单元,用于将存储的所述无人艇的设备运行数据中的异常数据进行识别和剔除并补充和估计缺失的数据;
所述第二预处理子模块包括数据抽取单元;
所述数据抽取单元,用于对所述第一预处理子模块输出的数据进行数据抽取。
可选的,当所述无人艇的设备运行数据包括无人艇的设备的振动信号时,所述第二预处理子模块还包括数据特征提取单元;
所述数据特征提取单元,用于对所述振动信号进行特征提取。
可选的,所述故障诊断模块包括规则诊断子模块;
所述规则诊断子模块包括规则库设置单元和第一诊断单元;
所述规则库设置单元,用于在数据库中预设诊断规则和所述诊断规则对应的规则诊断结果;
所述第一诊断单元,用于将所述预处理后的设备运行数据在所述诊断规则查找匹配的规则,并输出匹配的所述规则诊断结果。
可选的,所述故障诊断模块还包括案例诊断子模块;
所述案例诊断子模块包括关键字检索单元、第二诊断单元和存储有历史故障案例的案例库;
所述关键字检索单元,用于基于所述预处理后的设备运行数据中故障现象描述信息确定检索关键字;
所述第二诊断单元,用于从所述案例库中检索包含所述检索关键字的历史故障案例,参考检索出的历史故障案例中的故障诊断信息得出所述预处理后的设备运行数据对应的故障诊断结果。
可选的,所述故障预测模块包括预测配置管理子模块、数据预测子模块和故障预测子模块;
所述预测配置管理子模块,用于配置预测算法、预测的设备和预测的参数;
所述数据预测子模块,用于对所述预处理后的设备运行数据应用配置的预测算法得到预测数据;
所述故障预测子模块,用于根据所述预测结果进行故障预测。
可选的,所述数据预测子模块包括最近邻算法预测单元;
所述最近邻算法预测单元包括数据分组子单元、相似度计算子单元、相似数据序列确定子单元和预测子单元;
所述数据分组子单元,用于对无人艇的历史设备运行数据进行分组;
所述相似度计算子单元,用于分别计算每组历史设备运行数据与所述预处理后的设备运行数据的相似度;
所述相似数据序列确定子单元,用于选取相似度计算值最小的所述历史设备运行数据作为所述预处理后的设备运行数据的相似度数据序列;
所述预测子单元,用于将所述历史设备运行数据中,所述相似度数据序列的下一个数据序列中前m个数据作为所述预测数据。
可选的,所述故障预测子模块包括参数评估单元;
所述参数评估单元包括特征提取子单元和故障预测子单元;
所述特征提取子单元,用于对所述预测数据进行特征提取;
所述故障预测子单元,用于将所述特征提取结果输入到五段分段线性函数模型中,得到故障预测结果。
可选的,五段分段线性函数模型的表达式为:
其中,a、b、c、d分别对应报警下限、健康下限、健康上限、报警上限;h为故障预测结果;x为特征提取结果。
可选的,所述健康评估模块包括健康状态评估子模块和案例匹配子模块;
所述健康状态评估子模块,用于基于所述预处理后的设备运行数据和故障诊断结果对所述无人艇的设备进行健康状态评估;
所述案例匹配子模块,用于从案例库中匹配包含所述健康状态评估结果的案例,根据匹配的案例得出案例中的决策信息;所述案例库存储有包含健康状态信息的案例。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供一种无人艇的状态监测与维修保障系统,可通过设置数据采集及处理模块、故障诊断模块、故障预测模块、健康评估模块、状态监测模块和维修保障模块,及时的监测无人艇的各项设备的运行状态并及时的进行故障的维修,保障了无人艇各项设备稳定运行且延长无人艇及各项设备的使用寿命。
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,下面将对实施例中所需要使用的附图作简单地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的无人艇的状态监测与维修保障系统框图。
符号说明:
数据采集及处理模块—1,第一预处理子模块—11,存储单元—111,异常数据处理单元—112,数据分类单元—113,第二预处理子模块—12,数据抽取单元—121,数据特征提取单元—122,故障诊断模块—2,规则诊断子模块—21,规则库设置单元—211,第一诊断单元—212,案例诊断子模块—22,关键字检索单元—221、第二诊断单元—222,案例库—223,故障预测模块—3,预测配置管理子模块—31,数据预测子模块—32,最近邻算法预测单元—321,数据分组子单元—3211、相似度计算子单元—3212、相似数据序列确定子单元—3213,预测子单元—3214,故障预测子模块—33,参数评估单元—331,特征提取子单元—3311,故障预测子单元—3312,健康评估模块—4,健康状态评估子模块—41,案例匹配子模块—42,状态监测模块—5,维修保障模块—6。
具体实施方式
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,所描述的实施例仅仅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。
本发明的目的是提供一种无人艇的状态监测与维修保障系统,应用于无人艇端,引入边缘计算技术,管理汇总无人艇设备的状态监测与性能评估系统上传信息,实现维修决策与支持,保障了无人艇各项设备稳定运行且延长无人艇及各项设备的使用寿命。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例
如图1所示,本发明提供一种无人艇的状态监测与维修保障系统,采用分布式结构设计,所述系统包括:数据采集及处理模块1、故障诊断模块2、故障预测模块3、健康评估模块4、状态监测模块5和维修保障模块6。
所述数据采集及处理模块1,分别与所述故障诊断模块2、所述故障预测模块3、所述健康评估模块4连接,用于采集无人艇的设备运行数据并对所述设备运行数据进行预处理。
通过传感器以及机内测试(BIT)采集设备的多种数据,对采集的对象状态参数信息进行预处理、储存、分析并提取其特征,并将数据信息输送至故障诊断模块2,故障预测模块3与健康评估模块4。
数据采集及处理模块1中,传感器接收数据称为性能数据;BIT采集设备上传的数据称为状态数据,BIT采集设备包括柴油机、摄像机、通讯设备、辅助控制设备、主控制设备、姿态设备、光电设备、遥控器、气象设备、北斗等系统。输出的数据信息包括无人艇传感器接收的性能数据、提取的数据特征以及BIT上传的状态数据。
数据采集及处理模块1涉及数据采集与解析流程,实现数据采集、协议加载数据解析、数据储存与数据转发(数据采集及处理模块1将数据发送至其他模块)。
数据预处理的过程包括:
数据缓存:开辟系统内存空间,将待处理的数据按照一定周期进行存储。
误码剔除:采用以往知识,按照无参数、误码等形式,对解析后数据进行剔除。
样本处理:对数据进行异常数据的识别和剔除,并补充和估计丢失数据,在保留原始数据变化趋势前提下,得到规范化的数据序列。
类型提取:将数据按照不同类型进行分类。
所述数据采集及处理模块1包括第一预处理子模块11和第二预处理子模块12。
所述第一预处理子模块11包括存储单元111和异常数据处理单元112。
所述存储单元111,用于将所述无人艇的设备运行数据按照预设的周期进行存储。
所述异常数据处理单元112,用于将存储的所述无人艇的设备运行数据中的异常数据进行识别和剔除并补充和估计缺失的数据。这里将前述的误码剔除和样本处理均统称为了异常数据处理。
对于类型提取,第一预处理子模块11还可包括数据分类单元113,用于将异常处理后的数据进行分类。
所述第二预处理子模块12包括数据抽取单元121。
所述数据抽取单元121,用于对所述第一预处理子模块11输出的数据进行数据抽取。
数据抽取:通过接收数据计算分析请求,抽取与数据分析计算接口对应的数据项,并转发至状态监测模块5、故障诊断模块2、故障预测模块3和健康评估模块4。
当所述无人艇的设备运行数据包括无人艇的设备的振动信号时,所述第二预处理子模块12还包括数据特征提取单元122。
所述数据特征提取单元122,用于对所述振动信号进行特征提取。
数据特征提取:对振动信号进行分析,包括了对均值、均方值、均方根值、方差、峰值、峭度与波峰因子的提取与分析,基于傅里叶变换的频谱分析,基于快速傅里叶变换、小波变换、希尔伯特变换的时频特征提起与分析。
所述故障诊断模块2,分别与所述健康评估模块4和所述状态监测模块5连接,用于基于预处理后的设备运行数据对无人艇的设备进行故障诊断。
本实施例中,可选择应用规则诊断的故障诊断方法。
规则诊断:通过提前录入的诊断规则,在执行具体参数故障诊断时,参数值跟参数参与的规则进行匹配。根据参数值是否满足规则条件(例如大于、小于某个界限,或者在指定范围等),验证参数是否故障。
具体的,规则诊断首先加载各参数的数据和规则库文件,进而根据加载参数在规则库中查找匹配信息,将最终匹配的规则诊断结果信息输出,如48V电源电压数据为32.2V,则触发“48V电源电压”规则,出现故障,故障名称为48V电源电压异常,从而导致目标检测单元无法正常工作。
所以,本实施例提供的系统中,所述故障诊断模块2包括规则诊断子模块21。
所述规则诊断子模块21包括规则库设置单元211和第一诊断单元212。
所述规则库设置单元211,用于在数据库中预设诊断规则和所述诊断规则对应的规则诊断结果(例如上述举例中的“48V电源电压异常”)。
所述第一诊断单元212,用于将所述预处理后的设备运行数据在所述诊断规则查找匹配的规则,并输出匹配的所述规则诊断结果。
本实施例中,还可选择应用案例诊断的故障诊断方法。
案例诊断,对经典案例的关键字进行快速检索,查找相关案例进行分析,对故障现象故障原因查看和诊断。
具体的,案例诊断通过故障搜索匹配方法实现,根据故障现象的关键字入手,如部件名称等,采用模糊匹配的方法对案例库223中的已有故障案例进行检索,可参考检索到的故障案例中的故障诊断结果。为了便于后续的故障维修管理,可同时找出以往成功的故障解决方案,便于维修保障模块6的维修工,便于指导现场排故。在利用故障案例进行诊断时,首先将使用过程中出现的故障现象(故障现象信息包括于采集的数据中,采集数据时,如BIT采集设备能够输出故障现象信息)以及出现故障的时机(工作条件)输入到故障案例检索界面中,检索程序根据该字段的内容在故障字典中查得与此现象对应的故障原因及处理方法。如果字典中每个故障对应的故障现象都是不相同的,则所查到的故障一定是唯一的。如果在故障案例库223中查不到与此现象对应的故障,则可能发生了故障案例库223未收录的故障,此时便需要调用其它的诊断推理方法。以某射频单元故障为例,当搜索关键字“发射系统电压”后,系统进行模糊匹配,匹配出来的关键字有以下几组:“发射、系统、电压”、“发射系统、电压”、“发射、系统电压”、“发射系统电压”,搜索结果中出现“发射系统48V电源电压过高或过低,有可能造成发射系统电源保护”等具体案例以及故障原因。
所以,本实施例提供的系统中,所述故障诊断模块2还包括案例诊断子模块22。
所述案例诊断子模块22包括关键字检索单元221、第二诊断单元222和存储有历史故障案例的案例库223;
所述关键字检索单元221,用于基于所述预处理后的设备运行数据中故障现象描述信息确定检索关键字;
所述第二诊断单元222,用于从所述案例库223中检索包含所述检索关键字的历史故障案例,参考检索出的历史故障案例中的故障诊断信息得出所述预处理后的设备运行数据对应的故障诊断结果。
所述故障预测模块3,与所述状态监测模块5连接,用于基于预处理后的设备运行数据对无人艇的设备进行运行数据预测得到设备运行预测数据,根据所述设备运行预测数据进行故障预测。
故障预测模块3,结合预测推理模型进行趋势分析,计算故障征兆的发展趋势、影响和估计剩余寿命,并将预测结果发送至状态监测模块5。
故障预测模块3,包括了预测配置管理,预测算法与模型的训练,根据配置信息驱动预测模型实施故障预测以及剩余寿命计算三部分。故障预测流程中第一步确定需要预测的数据,包括振动、温度、电压等,进而选取需要配置的参数信息以及预测模型;第二步根据上一步调用接口,接收数据采集及处理模块1发送的对应数据,调取配置信息中涉及到的参数信息与模型;第三步根据预测算法进行样本预测,获取未来一段时间的估计值作为预测数据;第四步将获取的预测数据输入参数模型获取预测数据的健康评估指标,进而通过分析实现故障预测以及剩余寿命计算。
本实施例提供的系统中,所述故障预测模块3包括预测配置管理子模块31、数据预测子模块32和故障预测子模块33。
所述预测配置管理子模块31,用于配置预测算法,预测的设备和预测的参数。
预测配置管理需要对预测配置信息、参数模型信息(可理解为参数模型具体采用何种模型,本实施例中采用的是五段分段线性函数模型)和预测算法信息进行配置。
预测配置信息包括:预测算法模型的加载,预测分系统、设备、参数的选择(例如对动力系统的发动机的振动数据进行预测,则需要配置分系统为动力系统,设备为发动机,参数为振动数据)。
所述数据预测子模块32,用于对所述预处理后的设备运行数据应用配置的预测算法得到预测数据。
本实施例中,预测算法采用最近邻算法,对数据历史规律挖掘,得到故障发展的预测值,先利用滑窗截取时间序列获取历史设备运行数据,再进行预测。
(1)数据截取:根据预测需求,选取历史设备运行数据序列L,把历史设备运行数据分成k组,以初始数据的时间t作为起始划分,移动g个窗口获得连续数据Pk={Zt+1,Zt+2,...,Zt+g},L=[P1,P2,...,Pk]。待预测的数据序列为Pn=[Zn+1,Zn+2,...,Zn+g]。
(2)循环输入i的值,且i的值小于等于时间序列个数k;
(3)令Ps={Zi+1,Zi+2,...,Zi+g}=min(sim(Pi,Pn)),得到待预测的数据序列Pn的最相似的时间序列Ps;
(4)抽取m(Zi+g+1,Zi+g+2,…,Zi+g+m)个数在Ps序列的Zi+g之后的数据,作为待预测的数据序列Pn的下m个预测值。
本实施例提供的系统中,所述数据预测子模块32包括最近邻算法预测单元321。
所述最近邻算法预测单元321包括数据分组子单元3211、相似度计算子单元3212、相似数据序列确定子单元3213和预测子单元3214。
所述数据分组子单元3211,用于对无人艇的历史设备运行数据进行分组。
所述相似度计算子单元3212,用于分别计算每组历史设备运行数据与所述预处理后的设备运行数据的相似度。
所述相似数据序列确定子单元3213,用于选取相似度计算值最小的所述历史设备运行数据作为所述预处理后的设备运行数据的相似度数据序列。
所述预测子单元3214,用于将所述历史设备运行数据中,所述相似度数据序列的下一个数据序列中前m个数据作为所述预测数据。
所述故障预测子模块33,用于根据所述预测结果进行故障预测。
故障预测应用了参数模型,包括参数评估模型和参数表征库,参数评估模型为了实现不同类型特征参数在预测过程中具有归一化的量纲,使接收到的全部数据(预测算法预测出的预测数据)转换为具有可比性的归一化值,即“健康度”。以健康度描述的系统具有健康传递特性、并且可建立起相应的健康评估指标。预测的数据输入参数评估模型来作为评判,进而预测未来一段时间的健康水平,使参数的数值与健康水平挂钩,称为健康度。参数评估模型采用五段分段线性函数模型。线性函数模型中根据报警下限、健康下限、健康上限、报警上限四个关键阶段数据划分为五个阶段,具体公式为:
a、b、c、d分别对应报警下限、健康下限、健康上限、报警上限四个关键节点,这些数据存储在参数表征库中,h为函数的表征值(健康度)。x为预测数据的特征提取结果。
其中,所述故障预测子模块33包括参数评估单元331。
所述参数评估单元331包括特征提取子单元3311和故障预测子单元3312。
所述特征提取子单元3311,用于对所述预测数据进行特征提取。
得到预测数据后,需要先进行数据的特征提取,例如计算均值,均方差等特征,将得到的特征值输出到参数评估模型中,参数评估模型则输出健康度值,从而预测未来的故障。
所述故障预测子单元3312,用于将所述特征提取结果输入到五段分段线性函数模型中,得到故障预测结果。
所述健康评估模块4,与所述状态监测模块5连接,用于根据所述预处理后的设备运行数据和故障诊断结果对所述无人艇的设备进行健康状态评估。
健康评估模块4,接收远程传输的装备工作状态信息、性能状态信息、故障信息等数据,对装备保障能力进行分析,并建立相应的装备性能分析评估模型,对无人艇装备的综合性能进行评估,由技术状态分析、保障性指标统计、技术等级统计、完好率统计、评估结果等部分组成,将统计与评估结果与数据库中存储的对象(已有案例)相关健康信息进行模糊匹配,对设备进行综合分析、评判决策,获取设备的健康状态并输出至状态监测模块5。
模糊匹配,在数据库中搜索历史案例,匹配与实际统计值、评估结果等指标相似的案例,参考历史案例中设备的状态分析与评判决策,为当前案例分析评估与决策提供支撑。举例,比如航行时,无人艇的输出功率数值要低于常规数值5%,在历史案例中搜索输出功率降低的案例,参考当时的排故以及决策,作为当前事件评判的参考。
健康评估结果包括健康状态分级和评判决策信息。
健康状态分级,将无人艇装备健康状态分为三类:
(1)、正常,主要战术技术指标满足规定值要求,没有检测到次要或警报故障。
(2)、低效,性能下降不超过10%,或部分功能发生失效但不影响完成日常战备任务;凡是无人艇装备的任一部分不正常,使无人艇装备的任一项战术、技术性能参数低于该无人艇装备所处技术等级的规定值,但未达到停机故障程度者,列为低效故障。
(3)、停机故障,性能下降超过10%或主要功能失效必须停机维修的故障;凡是无人艇装备的任一部分不正常或处于危险状态,使无人艇不能开机;或其航行、探测等主要功能中的任一项基本丧失者,列为停机故障。
本实施例提供的所述健康评估模块4包括健康状态评估子模块41和案例匹配子模块42。
所述健康状态评估子模块41,用于基于所述预处理后的设备运行数据和故障诊断结果对所述无人艇的设备进行健康状态评估。
所述案例匹配子模块42,用于从案例库223中匹配包含所述健康状态评估结果的案例,根据匹配的案例得出案例中的决策信息;所述案例库223存储有包含健康状态信息的案例。
所述状态监测模块5,与所述维修保障模块6连接,用于根据所述预处理后的设备运行数据、故障诊断结果、故障预测结果和健康状态评估结果监测所述无人艇的设备的工作状态。
状态监测模块5,接收数据接收与处理模块、故障诊断模块2、故障预测模块3、健康评估模块4发送的无人艇各种数据信息,加载无人艇型号对应的数据判读知识,监控无人艇的工作状态。
其中,这里的数据信息,包括:
工作状态信息,实时接收信息采集系统发送的无人艇状态数据信息。
性能状态信息,实时接收信息采集系统发送的无人艇性能数据信息。
故障状态信息,一方面通过对与超限相关联参数的分析,实现超限事件的判定;超限事件监控是指当接收到无人艇参数后,系统会加载参数判断准则,判断数据是否超限。
另一方面,可以接收其他模块传送过来的故障信息。
监控无人艇状态数据信息判定的超限事件,接收故障诊断模块2与故障预测模块3,健康评估模块4的输出信息。
另外,状态监测模块5还具有监控数据回放与对比信息的功能,可选择回放数据的时间与数据类型,实现任意时间段任意类型的监控数据与历史数据进行对比分析。
所述维修保障模块6,用于根据状态监测结果对所述无人艇的设备进行维修管理。
维护保障模块,对作业以及维修信息进行管理,为维修资源配置以及维修决策提供依据及建议。
维修保障模块6,包括对维修任务进行记录统计、维修任务管理以及综合维修分析。
对设备、装备的作业、维修记录进行全过程统计。
其中,维修任务管理包括:
(1)、故障上报与任务制定,用于现场的故障事件上报以及维修任务的制定,并可通过平台实现发布与流转提示。
(2)、维修资源调度,提供对维修排故方案中所涉及的备件、工具的列表显示及调度提醒等功能。
(3)、维修监控,提供对维修任务的查询管理以及对维修流程进度的跟踪、结果的编辑记录等功能。
综合维修分析,根据维修对象、维修任务和维修方式的不同,向维修人员提供维修报告设计与输出功能,生成的报告由用户在使用过程中从报告模板中进行选择。具体步骤包括了:
(1)、维修信息数据采集。该部分包括了舰上维修信息采集和地面系统信息(测试数据、诊断数据、趋势信息以及剩余寿命等)。
(2)、维修预案选择。根据单船及舰队的故障诊断、健康预测结果,依据无人艇装备实际维修模式,加载相应的维修预案和历史维修反馈信息。
(3)、维修建议生成。根据维修预案和历史维修反馈信息,维护人员将对维修方案进行部分配置、信息录入,系统利用推理引擎对维修方案中的维修方式、维修措施以及维修时机等进行推理计算,并向用户提供建议结果。
(4)、备件配置建议。根据维修建议,分析本次维修所需部件类型、数量,并根据维修管理信息系统中的备件信息,制定备件供应策略(维修厂、备件中心配置建议)。
(5)、维修建议分析。根据维修建议和备件配置建议,系统利用故障分析、维修分析以及维修优化等对维修方案、维修建议进行分析计算,给出维修性结果。
(6)、维修信息反馈。每次维修建议生成后将提供给维护人员,同时在完成维修后,该次维修信息将反馈给本系统,从而为后续维修知识生成、本次维修建议评价以及综合建议分析提供依据。
本实施例中,可通过设置数据采集及处理模块、故障诊断模块、故障预测模块、健康评估模块、状态监测模块和维修保障模块,及时的监测无人艇的状态并及时的进行故障的维修,保障了无人艇各项设备稳定运行且延长无人艇使用的寿命。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种无人艇的状态监测与维修保障系统,其特征在于,所述系统包括:数据采集及处理模块、故障诊断模块、故障预测模块、健康评估模块、状态监测模块和维修保障模块;
所述数据采集及处理模块,分别与所述故障诊断模块、所述故障预测模块、所述健康评估模块连接,用于采集无人艇的设备运行数据并对所述设备运行数据进行预处理;
所述故障诊断模块,分别与所述健康评估模块和所述状态监测模块连接,用于基于预处理后的设备运行数据对无人艇的设备进行故障诊断;
所述故障预测模块,与所述状态监测模块连接,用于基于预处理后的设备运行数据对无人艇的设备进行运行数据预测得到设备运行预测数据,根据所述设备运行预测数据进行故障预测;
所述健康评估模块,与所述状态监测模块连接,用于根据所述预处理后的设备运行数据和故障诊断结果对所述无人艇的设备进行健康状态评估;
所述状态监测模块连接,与所述维修保障模块连接,用于根据所述预处理后的设备运行数据、故障诊断结果、故障预测结果和健康状态评估结果监测所述无人艇的设备的工作状态;
所述维修保障模块,用于根据状态监测结果对所述无人艇的设备进行维修管理。
2.根据权利要求1所述的系统,其特征在于,所述数据采集及处理模块包括第一预处理子模块和第二预处理子模块;
所述第一预处理子模块包括存储单元和异常数据处理单元;
所述存储单元,用于将所述无人艇的设备运行数据按照预设的周期进行存储;
所述异常数据处理单元,用于将存储的所述无人艇的设备运行数据中的异常数据进行识别和剔除并补充和估计缺失的数据;
所述第二预处理子模块包括数据抽取单元;
所述数据抽取单元,用于对所述第一预处理子模块输出的数据进行数据抽取。
3.根据权利要求2所述的系统,其特征在于,当所述无人艇的设备运行数据包括无人艇的设备的振动信号时,所述第二预处理子模块还包括数据特征提取单元;
所述数据特征提取单元,用于对所述振动信号进行特征提取。
4.根据权利要求1所述的系统,其特征在于,所述故障诊断模块包括规则诊断子模块;
所述规则诊断子模块包括规则库设置单元和第一诊断单元;
所述规则库设置单元,用于在数据库中预设诊断规则和所述诊断规则对应的规则诊断结果;
所述第一诊断单元,用于将所述预处理后的设备运行数据在所述诊断规则查找匹配的规则,并输出匹配的所述规则诊断结果。
5.根据权利要求1或4所述的系统,其特征在于,所述故障诊断模块还包括案例诊断子模块;
所述案例诊断子模块包括关键字检索单元、第二诊断单元和存储有历史故障案例的案例库;
所述关键字检索单元,用于基于所述预处理后的设备运行数据中故障现象描述信息确定检索关键字;
所述第二诊断单元,用于从所述案例库中检索包含所述检索关键字的历史故障案例,参考检索出的历史故障案例中的故障诊断信息得出所述预处理后的设备运行数据对应的故障诊断结果。
6.根据权利要求1所述的系统,其特征在于,所述故障预测模块包括预测配置管理子模块、数据预测子模块和故障预测子模块;
所述预测配置管理子模块,用于配置预测算法、预测的设备和预测的参数;
所述数据预测子模块,用于对所述预处理后的设备运行数据应用配置的预测算法得到预测数据;
所述故障预测子模块,用于根据所述预测结果进行故障预测。
7.根据权利要求6所述的系统,其特征在于,所述数据预测子模块包括最近邻算法预测单元;
所述最近邻算法预测单元包括数据分组子单元、相似度计算子单元、相似数据序列确定子单元和预测子单元;
所述数据分组子单元,用于对无人艇的历史设备运行数据进行分组;
所述相似度计算子单元,用于分别计算每组历史设备运行数据与所述预处理后的设备运行数据的相似度;
所述相似数据序列确定子单元,用于选取相似度计算值最小的所述历史设备运行数据作为所述预处理后的设备运行数据的相似度数据序列;
所述预测子单元,用于将所述历史设备运行数据中,所述相似度数据序列的下一个数据序列中前m个数据作为所述预测数据。
8.根据权利要求6所述的系统,其特征在于,所述故障预测子模块包括参数评估单元;
所述参数评估单元包括特征提取子单元和故障预测子单元;
所述特征提取子单元,用于对所述预测数据进行特征提取;
所述故障预测子单元,用于将所述特征提取结果输入到五段分段线性函数模型中,得到故障预测结果。
10.根据权利要求1所述的系统,其特征在于,所述健康评估模块包括健康状态评估子模块和案例匹配子模块;
所述健康状态评估子模块,用于基于所述预处理后的设备运行数据和故障诊断结果对所述无人艇的设备进行健康状态评估;
所述案例匹配子模块,用于从案例库中匹配包含所述健康状态评估结果的案例,根据匹配的案例得出案例中的决策信息;所述案例库存储有包含健康状态信息的案例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211726534.3A CN115964883A (zh) | 2022-12-30 | 2022-12-30 | 一种无人艇的状态监测与维修保障系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211726534.3A CN115964883A (zh) | 2022-12-30 | 2022-12-30 | 一种无人艇的状态监测与维修保障系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115964883A true CN115964883A (zh) | 2023-04-14 |
Family
ID=87357515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211726534.3A Pending CN115964883A (zh) | 2022-12-30 | 2022-12-30 | 一种无人艇的状态监测与维修保障系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115964883A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116258484A (zh) * | 2023-05-16 | 2023-06-13 | 青岛创新奇智科技集团股份有限公司 | 设备的预测性运维方案生成方法、装置、终端设备和介质 |
-
2022
- 2022-12-30 CN CN202211726534.3A patent/CN115964883A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116258484A (zh) * | 2023-05-16 | 2023-06-13 | 青岛创新奇智科技集团股份有限公司 | 设备的预测性运维方案生成方法、装置、终端设备和介质 |
CN116258484B (zh) * | 2023-05-16 | 2023-08-18 | 青岛创新奇智科技集团股份有限公司 | 设备的预测性运维方案生成方法、装置、终端设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200278273A9 (en) | Computer System and Method for Recommending an Operating Mode of an Asset | |
CN115578015A (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
EP3223095A1 (en) | Method and apparatus for optimizing diagnostics of rotating equipment | |
CN112817280A (zh) | 一种用于火电厂智慧监盘报警系统实现方法 | |
CN112101764A (zh) | 基于状态监测的船舶技术状况综合评估系统 | |
CN112990656A (zh) | 一种it设备监测数据的健康评价系统及健康评价方法 | |
CN114611616B (zh) | 一种基于集成孤立森林的无人机智能故障检测方法及系统 | |
CN115964883A (zh) | 一种无人艇的状态监测与维修保障系统 | |
WO2019209146A1 (ru) | Способ и система идентификации и прогнозирования развития дефектов объектов | |
CN114239734A (zh) | 一种分布式车载健康管理系统 | |
CN117078227A (zh) | 一种基于标识解析的环境监测运维平台 | |
CN112699597A (zh) | 一种核电启动水泵滚动轴承故障检测方法及系统 | |
CN116257663A (zh) | 面向无人地面车辆的异常检测与关联分析方法及相关设备 | |
CN108845285B (zh) | 电能计量装置检测方法和系统 | |
EP3847434A1 (en) | Computer system and method for recommending an operating mode of an asset | |
CN113919207A (zh) | 上面级开放式电气智能健康监测与管理系统 | |
CN112967417A (zh) | 智能船舶数据采集组网方法、装置、设备及存储介质 | |
CN117041312A (zh) | 基于物联网的企业级信息技术监控系统 | |
CN116071902A (zh) | 一种监控机房动力设备的方法、设备及介质 | |
CN112966785B (zh) | 一种智能化星座状态识别方法和系统 | |
CN114676021A (zh) | 作业日志监控方法、装置、计算机设备和存储介质 | |
CN115374961A (zh) | 一种船舶动力运维系统及运维方法 | |
CN107862394A (zh) | 一种设备主动维修保障协同方法 | |
CN114104329A (zh) | 基于传感器数据的修复的自动预测 | |
CN112785074A (zh) | 一种基于深度学习的装备维护修理时机确定系统及方法 |
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 |