CN116384973B - 一种船舶检修管理系统 - Google Patents

一种船舶检修管理系统 Download PDF

Info

Publication number
CN116384973B
CN116384973B CN202310365378.0A CN202310365378A CN116384973B CN 116384973 B CN116384973 B CN 116384973B CN 202310365378 A CN202310365378 A CN 202310365378A CN 116384973 B CN116384973 B CN 116384973B
Authority
CN
China
Prior art keywords
component
ship
unit
determining
index
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.)
Active
Application number
CN202310365378.0A
Other languages
English (en)
Other versions
CN116384973A (zh
Inventor
徐小建
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Hongkai Shipping Co ltd
Original Assignee
Guangdong Hongkai Shipping Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Hongkai Shipping Co ltd filed Critical Guangdong Hongkai Shipping Co ltd
Priority to CN202310365378.0A priority Critical patent/CN116384973B/zh
Publication of CN116384973A publication Critical patent/CN116384973A/zh
Application granted granted Critical
Publication of CN116384973B publication Critical patent/CN116384973B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B81/00—Repairing or maintaining vessels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Library & Information Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Mechanical Engineering (AREA)
  • Ocean & Marine Engineering (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Combustion & Propulsion (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及船舶检修技术领域，具体公开了一种船舶检修管理系统，所述系统包括指令生成模块，用于获取船舶的备案信息，根据所述备案信息查询标准模型，基于标准模型向预设的人工端发送指向部件的采集指令；矩阵生成模块，用于接收人工端反馈的部件图像，对所述部件图像进行识别，确定部件状态矩阵；异常识别模块，用于对所述部件状态矩阵进行识别，生成各部件的异常值；方案确定模块，用于根据所述异常值确定检修方案。本发明通过船舶的标准模型确定采集流程，根据采集结果确定标准模型的部件状态，对所述部件状态进行分析，确定检修方案，将识别过程与检测过程分离，极大地提高了检修效率，变相地提高运输量。

Description

一种船舶检修管理系统
技术领域
本发明涉及船舶检修技术领域，具体是一种船舶检修管理系统。
背景技术
随着经济贸易量的增加，贸易运输量急剧增加，海运作为一种主流运输方式，承载了大量的运输需求；海运的核心运输工具就是船舶，船舶在运输过程中，会产生一定的损耗，因此，船舶需要定期的维修；船舶维修是使得使用期内的船舶为保持良好的技术状态而进行的定期维护和修理。
现有的船舶检修过程主要包括两种模式，一种是耗时短，全面性低的快速检修，还有一种是耗时长，全面性高的全面检修；对于前者，现有的检修方式还是基于人工进行排查，相当于全面检修来说，耗时极短，但是实际上，它的耗时还是很多，如果能够优化快速检修过程，能够变相地提高船舶投入使用的时长，提供更多的运输量，这一优化对于海运过程来说，是极具价值的。
如何优化快速检修过程，进一步提高效率是本发明技术方案想要解决的技术问题。
发明内容
本发明的目的在于提供一种船舶检修管理系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种船舶检修管理系统，所述系统包括：
指令生成模块，用于获取船舶的备案信息，根据所述备案信息查询标准模型，基于标准模型向预设的人工端发送指向部件的采集指令；
矩阵生成模块，用于接收人工端反馈的部件图像，对所述部件图像进行识别，确定部件状态矩阵；
异常识别模块，用于对所述部件状态矩阵进行识别，生成各部件的异常值；
方案确定模块，用于根据所述异常值确定检修方案。
作为本发明进一步的方案：所述指令生成模块包括：
装配体查询单元，用于接收需求方上传的船舶型号，根据船舶型号查询船舶装配体；所述船舶装配体的颗粒度与人工端检修的颗粒度匹配；
损耗率确定单元，用于获取需求方上传的行驶记录，将所述行驶记录和所述船舶装配体输入预设的仿真模型，确定各部件的损耗率；
标准模型生成单元，用于将各部件的损耗率插入所述船舶装配体，得到标准模型；
指令发送单元，用于基于标准模型确定各部件的采集指令，并向人工端发送。
作为本发明进一步的方案：所述矩阵生成模块包括：
图像接收单元，用于接收人工端反馈的含有部件编号和采集波段的部件图像；
图像识别单元，用于将所述部件图像输入训练好的神经网络识别模型，确定部件参数；其中，所述神经网络识别模型以波段和部件编号为索引进行预分类；
指标特性确定单元，用于根据所述标准模型计算部件参数的变化值，并确定变化值的指标特性；所述指标特性包括极大型指标、极小型指标、中间型指标和区间型指标；所述变化值以所述损耗率为基准；
指标特性应用单元，用于基于所述指标特性确定部件状态矩阵。
作为本发明进一步的方案：所述指标特性应用单元包括：
矩阵建立子单元，用于根据部件编号确定行数及第一列数据；
数据插入子单元，用于将各部件的部件参数的变化值插入对应行，得到统计矩阵；
数据转换子单元，用于根据预设的转换规则对变化值进行修正，将所有变化值的指标特性转换为极大型指标，得到部件状态矩阵。
作为本发明进一步的方案：所述转换规则包括：
极小型转换模型，用于将极小型指标转换为极大型指标；
中间型转换模型，用于将中间型指标转换为极大型指标；
区间型转换模型，用于将区间型指标转换为极大型指标；
所述极小型转换模型为：
Xi'＝max{X1,X2,X3,......}-Xi；
所述中间型转换模型为：
式中，M1＝max{Xi-Xz}；Xz为中间型指标对应的数值。
所述区间型转换模型为：
式中，M2＝max{a-min{Xi},max{Xi}-b}；[a,b]为区间型指标对应的区间；
上述极小型转换模型、中间型转换模型和区间型转换模型中，Xi为第i个指标的待转换数值，X1,X2,X3,......为第i个指标中的具体值，Xi'为第i个指标的转换后数值。
作为本发明进一步的方案：所述异常识别模块包括：
最值组生成单元，用于遍历所述部件状态矩阵中的列向量，查询并统计各列的最值，得到最值组，所述最值组包括最大值组和最小值组；
距离计算单元，用于基于预设的第一计算公式计算各行的正向距离和逆向距离；所述正向距离由各行元素和最大值组生成，所述逆向距离由各行元素和最小值生成；
分数计算单元，用于根据所述正向距离和逆向距离计算归一化得分，根据所述归一化得到确定异常值；
所述第一计算公式包括正向距离公式和逆向距离公式：
所述正向距离公式为：
式中，D+第i行数据的正向距离，m为列数，/>为最大值组中第j个元素，Zij为第i行数据中的第j个元素。
所述逆向距离公式为：
式中，D-第i行数据的逆向距离，m为列数，/>为最小值组中第j个元素，Zij为第i行数据中的第j个元素。
作为本发明进一步的方案：所述分数计算单元包括：
评分计算子单元，用于读取各行的正向距离和逆向距离，将所述正向距离和所述逆向距离输入预设的第二计算公式，得到各部件的评分；
归一处理子单元，用于根据所有部件的评分对各个部件的评分进行归一化处理，计算异常值；
其中，所述第二计算公式为：
式中，S为第i行数据的评分。
作为本发明进一步的方案：所述方案确定模块包括：
次序查询单元，用于根据所述异常值确定各部件的查询次序；
权重确定单元，用于将所述异常值与预设的异常阈值进行比对，根据比对结果确定各部件的检修权重；所述异常阈值为等差数列，一个异常阈值对应一个检修权重；
路径确定单元，用于根据检修权重和查询次序确定至少一个检修路径；
路径选取单元，用于根据检修路径的路径选取目标路径。
作为本发明进一步的方案：所述方案确定模块还包括：
范围确定单元，用于读取船舶装配体，确定所述船舶装配体中各部件的风险范围；
机率读取单元，用于将所述异常值与预设的异常阈值进行比对，根据比对结果确定所有部件的掉落机率；
目标定位单元，用于当确定好检修路径后，获取检测路径经过的风险范围，并定位目标部件；
路径筛选单元，用于根据目标部件的掉落机率对检测路径进行筛选。
作为本发明进一步的方案：所述范围确定单元包括：
实际参数获取单元，用于读取船舶装配体，获取船舶的停靠参数；
空间角度设定单元，用于根据所述停靠参数确定船舶装配体的空间角度；
计算执行单元，用于基于所述空间角度依次计算各部件在自由落体条件下的风险范围。
与现有技术相比，本发明的有益效果是：本发明通过船舶的标准模型确定采集流程，根据采集结果确定标准模型的部件状态，对所述部件状态进行分析，确定检修方案，将识别过程与检测过程分离，极大地提高了检修效率，变相地提高运输量。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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。
图1为船舶检修管理系统的组成结构框图。
图2为船舶检修管理系统中指令生成模块的组成结构框图。
图3为船舶检修管理系统中矩阵生成模块的组成结构框图。
图4为船舶检修管理系统中异常识别模块的组成结构框图。
图5为船舶检修管理系统中方案确定模块的组成结构框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，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为船舶检修管理系统的组成结构框图，本发明实施例中，一种船舶检修管理系统，所述系统10包括：
指令生成模块11，用于获取船舶的备案信息，根据所述备案信息查询标准模型，基于标准模型向预设的人工端发送指向部件的采集指令；
对于投入使用的船舶来说，一定存在对应的备案信息，这些备案信息有很多，用于表征船舶的状态；比如，在船舶建造时，一定会有相关的工程制图，工程制图的细节属于生产方的机密，但是示意图，可以一并交付使用方，方面使用方更好地了解船身构造(不涉及到具体的精细化零件或其尺寸等核心技术)；获取相关的权限，基于权限获取工程制图信息(备案信息的一种)，即可得到标准模型；以标准模型为基准，向预设的人工端发送数据采集指令。
值得一提的是，进行检修工作的人员一般是生产方的工作人员，此时，本身就具备相关的权限，标准模型的获取过程并不困难。
矩阵生成模块12，用于接收人工端反馈的部件图像，对所述部件图像进行识别，确定部件状态矩阵；
人工端在接收到数据采集指令时，会根据指令获取各部件的图像，称为部件图像，然后上传至本方法的执行主体中；本方法的执行主体对所述部件图像进行识别，可以得到部件的应变程度、划痕和腐蚀程度等参数；实际上，人工端可以采用预先规划好路径的智能移动端完成。需要说明的是，所述检修过程一般以视觉特征为主，这是因为像强度一样的物理参数很难在成品上获取，或者获取成本较高，由于摄像头及图像识别算法的普及，采用视觉特征的性价表最高。
异常识别模块13，用于对所述部件状态矩阵进行识别，生成各部件的异常值；
船舶所有部件的所有参数均由一个矩阵表示，结合矩阵对各个部件进行评估，可以整体性的计算各部件的异常值。
方案确定模块14，用于根据所述异常值确定检修方案；
由各部件的异常值可以确定具体的检修方案，所述检修方案包括检修路径以及检修过程中需要携带的设备；一般情况下，检修过程中都会借助检修车，设备准备的都比较全面，因此，检修方案的重点在于检修路径。
图2为船舶检修管理系统中指令生成模块的组成结构框图，所述指令生成模块11包括：
装配体查询单元111，用于接收需求方上传的船舶型号，根据船舶型号查询船舶装配体；所述船舶装配体的颗粒度与人工端检修的颗粒度匹配；
接收需求方上传的船舶型号，由船舶型号即可快速的查询到对应的船舶装配体；对于船舶装配体，引入了颗粒度这一概念，所述颗粒度用于表征最小组成单元的尺寸；通俗地说，一个船舶中涉及到的零件极多，有很多零件在日常检修中无须过多关注，只有在全面检修时，才会进行检修，因此，船舶装配体的最小组成单元可以较大，比如某一个舱室或者船壳等，它与人工端检修的最小组成单元有关。换而言之，如果人工端仅检测到电机部分，那么对应的船舶装配体中最小的组成单元就是电机，对于电机内部，不进行显示。
损耗率确定单元112，用于获取需求方上传的行驶记录，将所述行驶记录和所述船舶装配体输入预设的仿真模型，确定各部件的损耗率；
获取需求方上传的行驶记录，行驶记录的真实性本发明技术方案不做考虑，取决于需求方；船舶在行驶过程中一定会产生损耗，所述损耗可以由行驶记录和船舶装配体共同确定，由现有的仿真模型即可进行模拟，模拟的输入是各个部件的损耗率。
标准模型生成单元113，用于将各部件的损耗率插入所述船舶装配体，得到标准模型；
将损耗率插入所述船舶装配体，即可得到最终的模型，称为标准模型。
指令发送单元114，用于基于标准模型确定各部件的采集指令，并向人工端发送；
由标准模型确定各个部件的采集指令，向人工端发送即可。
图3为船舶检修管理系统中矩阵生成模块的组成结构框图，所述矩阵生成模块12包括：
图像接收单元121，用于接收人工端反馈的含有部件编号和采集波段的部件图像；
图像识别单元122，用于将所述部件图像输入训练好的神经网络识别模型，确定部件参数；其中，所述神经网络识别模型以波段和部件编号为索引进行预分类；
指标特性确定单元123，用于根据所述标准模型计算部件参数的变化值，并确定变化值的指标特性；所述指标特性包括极大型指标、极小型指标、中间型指标和区间型指标；所述变化值以所述损耗率为基准；
指标特性应用单元124，用于基于所述指标特性确定部件状态矩阵。
上述内容对部件状态矩阵的生成过程进行了限定，首先，接收人工端反馈的部件图像，在本发明技术方案中，增设了波段这一概念，所述波段包括可见光、红外光和紫外光，在不同波段下采集部件的部件图像，能够更加全面的反映部件状态；然后，根据波段和部件编号选取预先训练好的神经网络识别模型，将采集到的部件图像输入该模型，即可得到变化值。
具体的，根据所述标准模型计算部件参数的变化值的过程为，读取神经网络识别模型的识别结果，由识别结果确定实际的损耗率，将所述实际的损耗率与标准模型中的损耗率(理论上的)进行比对，即可得到一个差值，称为变化值，变化值反映了船舶与理论状态下的差异，这一差异更能体现各部件的异常程度。
此外，对极大型指标、极小型指标、中间型指标和区间型指标进行举例解释，如下：
极大型指标为，数值越大，船舶状态越好，比如内应力，它需要在使用中消除，如果内应力变化值越大，那么内应力消除结果越好，船舶性能越好，在本领域中，极大型指标较少。
极小型指标为，数值越小，船舶状态越好，比如腐蚀程度，腐蚀程度越小，船舶性能越好。
相应的，中间型指标指的就是越接近某一数值，船舶状态越好，区间型指标指的就是越接收某一区间，船舶状态越好。
进一步的，对于神经网络识别模型，借助现有的神经网络模型即可，样本集需要由工作人员预先获取，并根据样本集对神经网络模型进行识别。
作为本发明技术方案的一个优选实施例，所述指标特性应用单元124包括：
矩阵建立子单元，用于根据部件编号确定行数及第一列数据；
数据插入子单元，用于将各部件的部件参数的变化值插入对应行，得到统计矩阵；
数据转换子单元，用于根据预设的转换规则对变化值进行修正，将所有变化值的指标特性转换为极大型指标，得到部件状态矩阵。
上述内容对部件状态矩阵进行了具体的说明，部件参数包括多项数据，比如应变、腐蚀程度等；在建立矩阵的过程中，先由一个部件建立一行数据，然后将多项数据填充在各个部件的对应位置处即可；一列数据对于部件参数的一项数据，数据插入完成后，可以得到统计矩阵。
由预设的转换规则对统计矩阵中的变化值进行调整，将所有指标均调整为极大型指标，即可得到最终矩阵，称为部件状态矩阵。这一调节的目的是，使得各项数据的评价过程同步，都是越大，船舶性能越好，此时，最终得到的评分也是评分越高，对应的部件的状态越好。
进一步的，所述转换规则包括：
极小型转换模型，用于将极小型指标转换为极大型指标；
中间型转换模型，用于将中间型指标转换为极大型指标；
区间型转换模型，用于将区间型指标转换为极大型指标；
所述极小型转换模型为：
Xi'＝max{X1,X2,X3,......}-Xi；
所述中间型转换模型为：
式中，M1＝max{Xi-Xz}；Xz为中间型指标对应的数值。
所述区间型转换模型为：
式中，M2＝max{a-min{Xi},max{Xi}-b}；[a,b]为区间型指标对应的区间；
上述极小型转换模型、中间型转换模型和区间型转换模型中，Xi为第i个指标的待转换数值，X1,X2,X3,......为第i个指标中的具体值，Xi'为第i个指标的转换后数值。
图4为船舶检修管理系统中异常识别模块的组成结构框图，所述异常识别模块13包括：
最值组生成单元131，用于遍历所述部件状态矩阵中的列向量，查询并统计各列的最值，得到最值组，所述最值组包括最大值组和最小值组；
由上述内容可知，部件状态矩阵中的每一列都对应着一项数据，在每一列中都查询到一个最小值和一个最大值，然后将所有列对应的最小值和最大值统计起来，可以得到最小值组和最大值组；所述最小值组和最大值组均可视为行向量，也就是一行数据。
距离计算单元132，用于基于预设的第一计算公式计算各行的正向距离和逆向距离；所述正向距离由各行元素和最大值组生成，所述逆向距离由各行元素和最小值生成；
然后，对每一行数据(一行数据对应一个部件)进行分析，采用传统的距离公式计算每一行数据中与最大值组之间的距离，得到正向距离，计算每一行数据中与最小值组之间的距离，得到逆向距离。
分数计算单元133，用于根据所述正向距离和逆向距离计算归一化得分，根据所述归一化得到确定异常值；
计算好正向距离和逆向距离后，根据正向距离和逆向距离这两个参数，即可得到最终得分。
其中，所述第一计算公式包括正向距离公式和逆向距离公式：
所述正向距离公式为：
式中，D+第i行数据的正向距离，m为列数，/>为最大值组中第j个元素，Zij为第i行数据中的第j个元素。
所述逆向距离公式为：
式中，D-第i行数据的逆向距离，m为列数，/>为最小值组中第j个元素，Zij为第i行数据中的第j个元素。
具体的，为了便于阅读人员更好地理解本发明，对最大值组和最小值组的举例说明如下：
应变 腐蚀程度 磨损面积
部件A 3％ 10％ 0％
部件B 4％ 12％ 50％
部件C 2％ 15％ 10％
表1示例表
在所述示例表中，最小值组为(2％，10％，0％)，最大值组为(4％，12％，50％)，原理非常简单，就是选取每一列中的最小值和最大值。
作为本发明技术方案的一个优选实施例，所述分数计算单元133包括：
评分计算子单元，用于读取各行的正向距离和逆向距离，将所述正向距离和所述逆向距离输入预设的第二计算公式，得到各部件的评分；
归一处理子单元，用于根据所有部件的评分对各个部件的评分进行归一化处理，计算异常值。
其中，所述第二计算公式为：
式中，S为第i行数据的评分，D+第i行数据的正向距离，D-第i行数据的逆向距离；第i行数据对应第i个部件，其中，D+越小，S越接近于1。
上述内容对分数的计算过程进行了具体的限定，重点在于由正向距离和逆向距离计算评分；归一化处理过程的目的是使得评分在一定范围内，更加容易处理，对处理后的评分进行取反，即可得到异常值，取反方式很简单，用1减去归一化处理后的评分即可。
图5为船舶检修管理系统中方案确定模块的组成结构框图，所述方案确定模块14包括：
次序查询单元141，用于根据所述异常值确定各部件的查询次序；
权重确定单元142，用于将所述异常值与预设的异常阈值进行比对，根据比对结果确定各部件的检修权重；所述异常阈值为等差数列，一个异常阈值对应一个检修权重；
路径确定单元143，用于根据检修权重和查询次序确定至少一个检修路径；
路径选取单元144，用于根据检修路径的路径选取目标路径。
在本发明技术方案的一个实例中，由异常值确定查询次序；在此基础上，再结合异常值的具体数值，确定哪些部件更加需要检修，异常值越大，检修权重越高；由次序和检修权重这两个参数，可以确定具体的多个检修路径，根据检修路径的路程等参数，可以选取目标路径。
其中，次序和检修权重这两个参数的使用规则由工作人员具体设定。
所述方案确定模块14还包括：
范围确定单元，用于读取船舶装配体，确定所述船舶装配体中各部件的风险范围；
机率读取单元，用于将所述异常值与预设的异常阈值进行比对，根据比对结果确定所有部件的掉落机率；
目标定位单元，用于当确定好检修路径后，获取检测路径经过的风险范围，并定位目标部件；
路径筛选单元，用于根据目标部件的掉落机率对检测路径进行筛选。
在本发明技术方案的一个实例中，在船舶装配体已知的前提下，根据异常值确定各部件的掉落机率，异常值与掉落机率的关系由工作人员预先设定；当获取到检测路径后，引入掉落机率，再对检测路径进行筛选，可以进一步的提高得到的目标路径的安全性。
其中，具体的筛选规则为，统计可能对路径有影响的目标部件及其掉落机率，可以得到掉落机率数组，基于现有的数学手段对掉落机率数组进行分析，即可完成筛选过程。
具体的，所述范围确定单元包括：
实际参数获取单元，用于读取船舶装配体，获取船舶的停靠参数；
空间角度设定单元，用于根据所述停靠参数确定船舶装配体的空间角度；
计算执行单元，用于基于所述空间角度依次计算各部件在自由落体条件下的风险范围。
上述内容对风险范围的生成过程进行了限定，引入了空间角度这一参数，因此船舶的实际停泊情况与水平面之间可能存在一定的角度，由内置于船舶的水平仪即可测得；由这一角度对船舶装配体的角度进行调整，可以使得自由落体模拟过程更加契合实际。
此外，在自由落体模拟过程中还可以引入爆炸特征，由部件的连接紧密度确定散落机率，进而扩大影响范围。
本发明还提供一种计算机可读取存储介质，所述计算机可读取存储介质存储有基于酒店的信息聚类处理平台控制程序，所述的基于酒店的信息聚类处理平台控制程序，实现所述的船舶检修管理步骤。
在本发明的实施方式的描述中，需要说明的是，流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
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、包括处理模块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，“计算机可读取介质”可以是任何可以包含、存储、通信、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，计算机可读取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。
在本发明实施例中，为实现上述目的，本发明还提供一种芯片系统，所述芯片系统包括至少一个处理器，当程序指令在所述至少一个处理器中执行时，使得所述芯片系统执行所述的船舶检修管理步骤。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明通过方法获取设定区域内现存与酒店相应数据信息，并生成与所述数据信息相应的数据集；根据生成的数据集，划分成至少两个数据信息相近的簇，并聚类处理所述数据信息相近的簇；生成满足酒店相应特定业务需求的簇，并推送与满足特定业务需求簇相应的数据信息，以及与所述方法相应的系统、平台及存储介质；实现了酒店按不同维度分群,不同的分组可再次组合,按序排列,满足了各业务场景如:影视版面内容智能推送,营销活动精准推送,也可支持入住酒店推荐；按照不同业务场景,组装不同组合的群体酒店,可满足各种酒店信息推送业务场景获取对应酒店数据需求。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种船舶检修管理系统，其特征在于，所述系统包括：
指令生成模块，用于获取船舶的备案信息，根据所述备案信息查询标准模型，基于标准模型向预设的人工端发送指向部件的采集指令；
矩阵生成模块，用于接收人工端反馈的部件图像，对所述部件图像进行识别，确定部件状态矩阵；其中，所述部件图像为采集指令指向的部件的图像；
异常识别模块，用于对所述部件状态矩阵进行识别，生成各部件的异常值；
方案确定模块，用于根据所述异常值确定检修方案；
所述指令生成模块包括：
装配体查询单元，用于接收需求方上传的船舶型号，根据船舶型号查询船舶装配体；所述船舶装配体的颗粒度与人工端检修的颗粒度匹配；
损耗率确定单元，用于获取需求方上传的行驶记录，将所述行驶记录和所述船舶装配体输入预设的仿真模型，确定各部件的损耗率；
标准模型生成单元，用于将各部件的损耗率插入所述船舶装配体，得到标准模型；
指令发送单元，用于基于标准模型确定各部件的采集指令，并向人工端发送；
所述矩阵生成模块包括：
图像接收单元，用于接收人工端反馈的含有部件编号和采集波段的部件图像；
图像识别单元，用于将所述部件图像输入训练好的神经网络识别模型，确定部件参数；其中，所述神经网络识别模型以波段和部件编号为索引进行预分类；
指标特性确定单元，用于根据所述标准模型计算部件参数的变化值，并确定变化值的指标特性；所述指标特性包括极大型指标、极小型指标、中间型指标和区间型指标；所述变化值以所述损耗率为基准；
指标特性应用单元，用于基于所述指标特性确定部件状态矩阵；
所述异常识别模块包括：
最值组生成单元，用于遍历所述部件状态矩阵中的列向量，查询并统计各列的最值，得到最值组，所述最值组包括最大值组和最小值组；
距离计算单元，用于基于预设的第一计算公式计算各行的正向距离和逆向距离；所述正向距离由各行元素和最大值组生成，所述逆向距离由各行元素和最小值生成；
分数计算单元，用于根据所述正向距离和逆向距离计算归一化得分，根据所述归一化得到确定异常值；
所述第一计算公式包括正向距离公式和逆向距离公式：
所述正向距离公式为：
式中，D+第i行数据的正向距离，m为列数，/>为最大值组中第j个元素，Zij为第i行数据中的第j个元素；
所述逆向距离公式为：
式中，D-第i行数据的逆向距离，m为列数，/>为最小值组中第j个元素，Zij为第i行数据中的第j个元素；
所述方案确定模块包括：
次序查询单元，用于根据所述异常值确定各部件的查询次序；
权重确定单元，用于将所述异常值与预设的异常阈值进行比对，根据比对结果确定各部件的检修权重；所述异常阈值为等差数列，一个异常阈值对应一个检修权重；
路径确定单元，用于根据检修权重和查询次序确定至少一个检修路径；
路径选取单元，用于根据检修路径的路径选取目标路径。
2.根据权利要求1所述的船舶检修管理系统，其特征在于，所述指标特性应用单元包括：
矩阵建立子单元，用于根据部件编号确定行数及第一列数据；
数据插入子单元，用于将各部件的部件参数的变化值插入对应行，得到统计矩阵；
数据转换子单元，用于根据预设的转换规则对变化值进行修正，将所有变化值的指标特性转换为极大型指标，得到部件状态矩阵。
3.根据权利要求2所述的船舶检修管理系统，其特征在于，所述转换规则包括：
极小型转换模型，用于将极小型指标转换为极大型指标；
中间型转换模型，用于将中间型指标转换为极大型指标；
区间型转换模型，用于将区间型指标转换为极大型指标；
所述极小型转换模型为：
X′i＝max{X1,X2,X3,......}-Xi；
所述中间型转换模型为：
式中，M1＝max{|Xi-Xz|}；Xz为中间型指标对应的数值；
所述区间型转换模型为：
式中，M2＝max{a-min{Xi},max{Xi}-b}；[a,b]为区间型指标对应的区间；
上述极小型转换模型、中间型转换模型和区间型转换模型中，Xi为第i个指标的待转换数值，X1,X2,X3,......为第i个指标中的具体值，X′i为第i个指标的转换后数值。
4.根据权利要求1所述的船舶检修管理系统，其特征在于，所述分数计算单元包括：
评分计算子单元，用于读取各行的正向距离和逆向距离，将所述正向距离和所述逆向距离输入预设的第二计算公式，得到各部件的评分；
归一处理子单元，用于根据所有部件的评分对各个部件的评分进行归一化处理，计算异常值；
其中，所述第二计算公式为：
式中，S为第i行数据的评分。
5.根据权利要求1所述的船舶检修管理系统，其特征在于，所述方案确定模块还包括：
范围确定单元，用于读取船舶装配体，确定所述船舶装配体中各部件的风险范围；
机率读取单元，用于将所述异常值与预设的异常阈值进行比对，根据比对结果确定所有部件的掉落机率；
目标定位单元，用于当确定好检修路径后，获取检测路径经过的风险范围，并定位目标部件；
路径筛选单元，用于根据目标部件的掉落机率对检测路径进行筛选。
6.根据权利要求5所述的船舶检修管理系统，其特征在于，所述范围确定单元包括：
实际参数获取单元，用于读取船舶装配体，获取船舶的停靠参数；
空间角度设定单元，用于根据所述停靠参数确定船舶装配体的空间角度；
计算执行单元，用于基于所述空间角度依次计算各部件在自由落体条件下的风险范围。
CN202310365378.0A 2023-04-07 2023-04-07 一种船舶检修管理系统 Active CN116384973B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310365378.0A CN116384973B (zh) 2023-04-07 2023-04-07 一种船舶检修管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310365378.0A CN116384973B (zh) 2023-04-07 2023-04-07 一种船舶检修管理系统

Publications (2)

Publication Number Publication Date
CN116384973A CN116384973A (zh) 2023-07-04
CN116384973B true CN116384973B (zh) 2023-10-17

Family

ID=86963069

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310365378.0A Active CN116384973B (zh) 2023-04-07 2023-04-07 一种船舶检修管理系统

Country Status (1)

Country Link
CN (1) CN116384973B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112580153A (zh) * 2020-12-29 2021-03-30 成都运达科技股份有限公司 一种车辆走行部监测部件健康状态管理系统及方法
KR20210096454A (ko) * 2020-01-28 2021-08-05 케이제이엔지니어링 주식회사 선박 안전 관리 시스템 및 이에 대한 방법
CN115237040A (zh) * 2022-09-23 2022-10-25 河北东来工程技术服务有限公司 一种船舶设备安全操作管理方法、系统、装置和介质
CN115291121A (zh) * 2022-08-23 2022-11-04 广东技术师范大学 一种电动船舶的动力电池状态检测系统和方法
CN115577808A (zh) * 2022-09-23 2023-01-06 国家电投集团江西峡江发电有限公司 基于多源信息融合的水电机组健康状态评价方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210096454A (ko) * 2020-01-28 2021-08-05 케이제이엔지니어링 주식회사 선박 안전 관리 시스템 및 이에 대한 방법
CN112580153A (zh) * 2020-12-29 2021-03-30 成都运达科技股份有限公司 一种车辆走行部监测部件健康状态管理系统及方法
CN115291121A (zh) * 2022-08-23 2022-11-04 广东技术师范大学 一种电动船舶的动力电池状态检测系统和方法
CN115237040A (zh) * 2022-09-23 2022-10-25 河北东来工程技术服务有限公司 一种船舶设备安全操作管理方法、系统、装置和介质
CN115577808A (zh) * 2022-09-23 2023-01-06 国家电投集团江西峡江发电有限公司 基于多源信息融合的水电机组健康状态评价方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于HMM-SVR 的船舶动力设备故障 模式识别与状态预测研究;杨奕飞 等;船舶工程;第40卷(第3期);正文第68-72、97页 *

Also Published As

Publication number Publication date
CN116384973A (zh) 2023-07-04

Similar Documents

Publication Publication Date Title
CN102792332B (zh) 图像管理装置、图像管理方法及集成电路
CN110956273A (zh) 融合多种机器学习模型的征信评分方法及系统
CN110852881B (zh) 风险账户识别方法、装置、电子设备及介质
CN116523262B (zh) 基于大数据的生产计划智能规划方法、系统和介质
CN105528465A (zh) 信用状况评估方法及装置
CN104766215A (zh) 一种综合性、多维度的货主选择量化方法
CN111709790B (zh) 一种日前市场异常电价辨识方法、装置、设备和存储介质
CN109447153A (zh) 用于非均衡数据分类的散度-激励自编码器及其分类方法
CN114625406A (zh) 应用开发管控方法、计算机设备、存储介质
CN116384973B (zh) 一种船舶检修管理系统
Nourbakhsh et al. Considering supply risk for supplier selection using an integrated framework of data envelopment analysis and neural networks
CN113011788A (zh) 一种海上交通事故应急决策方法、终端设备及存储介质
CN112417280A (zh) 一种基于虚拟现实主持人体系的推荐方法和系统
CN114386781A (zh) 一种基于gra-topsis的物流园区智慧化水平评价方法
CN113379211A (zh) 基于区块链的物流信息平台违约风险管控系统及方法
CN112766785B (zh) 用于保险数据的质量评价方法、系统、设备及存储介质
CN112836765B (zh) 分布式学习的数据处理方法、装置、电子设备
CN116701962B (zh) 边缘数据处理方法、装置、计算设备及存储介质
CN117688503B (zh) 一种基于移动端的用电安全检查系统
Vieira et al. Credit scoring for SME using a Manifold supervised learning algorithm
Marulli et al. Exploring the Faithfulness of Synthetic Data by Generative Models
Nowak Multicriteria technique for Project selection under risk
Kheirallah et al. Anomaly Detection in a Production Line: an Online/Offline Statistical Learning Approach
CN117834622A (zh) 用于用户不确定需求的服务排名方法、系统、设备和介质
CN117726439A (zh) 基于机器学习的金融风险数据管理方法

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
GR01 Patent grant
GR01 Patent grant