CN116643517A - 一种水下载人潜器预防事故设备 - Google Patents
一种水下载人潜器预防事故设备 Download PDFInfo
- Publication number
- CN116643517A CN116643517A CN202310551637.9A CN202310551637A CN116643517A CN 116643517 A CN116643517 A CN 116643517A CN 202310551637 A CN202310551637 A CN 202310551637A CN 116643517 A CN116643517 A CN 116643517A
- Authority
- CN
- China
- Prior art keywords
- fault
- underwater
- data
- module
- information
- 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
- 230000002265 prevention Effects 0.000 title claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012800 visualization Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000012423 maintenance Methods 0.000 claims description 72
- 238000003745 diagnosis Methods 0.000 claims description 62
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 42
- 238000007726 management method Methods 0.000 claims description 33
- 238000012360 testing method Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 28
- 238000004891 communication Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 238000013480 data collection Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000004088 simulation Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 14
- 239000000463 material Substances 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 10
- 230000007774 longterm Effects 0.000 claims description 9
- 150000003839 salts Chemical class 0.000 claims description 9
- 239000013535 sea water Substances 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013523 data management Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000004804 winding Methods 0.000 claims description 5
- 230000033001 locomotion Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 2
- 239000004973 liquid crystal related substance Substances 0.000 claims 8
- 238000007689 inspection Methods 0.000 claims 1
- 230000014759 maintenance of location Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 abstract description 8
- 239000011159 matrix material Substances 0.000 description 34
- 230000009467 reduction Effects 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 230000008439 repair process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000007787 long-term memory Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000004321 preservation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 230000005355 Hall effect Effects 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000000827 velocimetry Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63G—OFFENSIVE OR DEFENSIVE ARRANGEMENTS ON VESSELS; MINE-LAYING; MINE-SWEEPING; SUBMARINES; AIRCRAFT CARRIERS
- B63G8/00—Underwater vessels, e.g. submarines; Equipment specially adapted therefor
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24024—Safety, surveillance
Abstract
本发明公开了一种水下载人潜器预防事故设备,属于预防事故。本发明预防事故设备包含五个部分:动力模块监测子系统、功能模块监测子系统、内部可视化子系统、信号处理子系统、外部可视化子系统,此外根据形式分别给出硬件系统原理图和软件系统技术架构;采用本发明的预防事故设备分析水下载人潜器工作过程中各传感器数据,分析预测潜器的故障,为水下载人潜器的正常工作与潜航员的生命安全提供保障,最大限度减少水下载人潜器故障带来的各种损失。
Description
技术领域
本发明涉及预防事故领域,具体涉及一种水下载人潜器预防事故设备。
背景技术
海洋约占地球表面积的71%,并以其辽阔的面积,蕴含极其丰富的生物和矿产资源,随着陆地化石能源的快速消耗,海洋资源的探测及开发利用越来越迫切。为探索海洋,人们已经研究出多种载人潜器,并用于海洋的科学考察、水下打捞、海底资源勘探等方面。但是水下环境错综复杂,载人潜器在运行过程中可能会出现异物缠绕螺旋桨、螺旋桨腐蚀破损、电动机机械故障、动力不足等故障,一旦发生故障,不仅不能够顺利完成潜航使命和任务,而且将对载人潜器本身甚至是潜航员带来无法挽回的损失。因此,对载人潜器展开实时故障预测、健康管理以及图像数据处理是一项至关重要的工作。
目前,对于潜器的故障监测以及图像数据处理主要是关于水下无人潜器的研究,水下载人潜器中的潜航员将会带来不确定的人因影响,且潜航员的生命安全具有更高的价值。
此外,目前对于载人潜器的故障诊断、预测以及图像数据处理目前主要依靠人工来实现,缺乏对潜器各部件工作状态和剩余寿命的判断。零部件的维修最早依靠事后维修策略,即在发生故障后进行维修的一种被动性策略,这种维修策略只适用于结构较为简单且出现故障后果不严重的位置,对于水下载人潜器这种具有复杂系统结构并且关系到潜航员生命安全而言,事后维修策略具有极大的局限性;为提前发现故障的发生,领域内的专家先后提出了定时维修策略和基于状态的维修策略,即定期检查设备状态或实时监测设备状态并给出维修方案,这种方法在一定程度上解决了事后维修策略的不足,但是两种方法缺乏预测性维修思想且经常的检查会带来大量人力和物力的浪费。
发明内容
针对现有技术中存在的上述技术问题,本发明提出了一种水下载人潜器预防事故设备,设计合理,克服了现有技术的不足,具有良好的效果。
为了实现上述目的,本发明采用如下技术方案:一种水下载人潜器预防事故设备,包括硬件系统;其中,硬件系统包括动力模块监测子系统、功能模块监测子系统、内部可视化子系统、信号处理子系统和外部可视化子系统,内部可视化子系统和信号处理子系统分别与动力模块监测子系统、功能模块监测子系统通过线路连接;动力模块监测子系统,被配置为用于实时监测轴承振动情况、电动机的电压情况、通过电动机的电流情况以及推进器螺旋桨的转动速度;功能模块监测子系统,被配置为用于接收导航所需要的声学信息、视觉信息和卫星信息并实时监测电池组的各项参数、水下载人潜器的航行速度、载人潜器的下潜深度、载人潜器周围海水的温度盐度和下潜深度信息以及载人潜器的艏朝向信息;内部可视化子系统,被配置为用于收集并处理动力模块监测子系统和功能模块监测子系统采集到的信号,通过数据库与故障模型对比,判断当前是否发生故障,进一步判断发生故障的类别;通过水下载人潜器内置计算机进行机器学习算法,结合对水下载人潜器各设备的运行数据多级故障状态评估,预测潜在的故障及其剩余寿命,并将收集到的信息、故障诊断和预测结果以及维护建议信息显示在第一显示屏中;信号处理子系统,被配置为用于将接收到的来自动力模块子系统和功能模块子系统的信息转换为声学信号,将转换后的信号通过水声通信发送给接收信号的母船;外部可视化子系统,被配置为用于接收水下载人潜器发出的信号;集处理分析水下载人潜器的各种信息;对水下载人潜器传递的数据进行具体的故障判断和故障分类,根据相关信息给予远程帮助,水上故障预测模块通过陆上工作站进行机器学习,判断水下载人潜器零部件当前剩余寿命,根据实时数据情况做出决策;调遣相关技术人员及时进行维护或更换零部件作业;向仓库部门派送需要维护或更换的零部件及工具;将收集的信息、故障诊断和预测结果以及调遣人员物资情况显示在第二显示屏上,实时监测数据和发出指令。
优选地,动力模块子系统包括加速度传感器、电压传感器、电流传感器和转速传感器;其中,加速度传感器,被配置为用于实时监测轴承振动情况;电压传感器,被配置为用于实时监测电动机的电压情况;电流传感器,被配置为用于实时监测通过电动机的电流情况;转速传感器,被配置为用于实时监测推进器螺旋桨的转动速度。
优选地,功能模块监测子系统包括电池传感器、导航传感器、偏航率传感器、多普勒测速声呐、深度传感器、温盐深仪和罗盘;其中,电池传感器,被配置为用于实时监测电池组的各项参数;导航传感器,被配置为用于接收导航所需要的声学信息、视觉信息和卫星信息,偏航率传感器,被配置为用于监测载人潜器在横轴、纵轴和垂直轴三个方向的绕轴运动,多普勒测速声呐,被配置为用于监测水下载人潜器的航行速度;深度传感器,被配置为用于监测载人潜器的下潜深度;温盐深仪,被配置为用于监测载人潜器周围海水的温度、盐度和下潜深度信息;罗盘,被配置为用于负责监测载人潜器的艏朝向信息。
优选地,内部可视化子系统包括水下数据收集及处理模块、水下故障诊断模块、水下故障预测模块、水下信息转换模块和第一显示屏;其中,水下数据收集及处理模块,被配置为用于收集并处理动力模块监测子系统和功能模块监测子系统采集到的信号;水下故障诊断模块,被配置为用于通过数据库与故障模型对比,判断当前是否发生故障,进一步判断发生故障的类别;水下故障预测模块,被配置为用于通过水下载人潜器内置计算机进行机器学习算法,结合对水下载人潜器各设备的运行数据多级故障状态评估,预测潜在的故障及其剩余寿命;水下信息转换模块,被配置为用于将收集到的信息、故障诊断和预测结果以及维护建议信息显示在第一显示屏中,收集到的信息包括水下载人潜器各传感器的信息,故障诊断包括诊断出的故障类型,故障预测包括预测出的剩余寿命和故障发生的概率,维户建议信息包括制定的立即维修、短期维修计划和长期维修计划的建议。
优选地,信号处理子系统包括信号处理模块和水下通信模块;其中,信号处理模块,被配置为用于将接收到的来自动力模块子系统和功能模块子系统的信息转换为声学信号;水下通信模块,被配置为用于将转换后的信号通过水声通信发送给接收信号的母船。
优选地,外部可视化子系统包括水上通信模块、水上数据收集及处理模块、水上故障诊断模块、水上故障预测模块、人员调度模块、物资管理模块、水上信息转换模块和第二显示屏;水上通信模块,被配置为用于接收水下载人潜器发出的信号;水上数据收集及处理模块,被配置为用于收集处理分析水下载人潜器的各种信息;水上故障诊断模块,被配置为用于对水下载人潜器传递的数据进行具体的故障判断和故障分类,根据相关信息给予远程帮助,水上故障预测模块通过陆上工作站进行机器学习,判断水下载人潜器零部件当前剩余寿命,根据实时数据情况做出决策;人员调度模块,被配置为用于调遣相关技术人员及时进行维护或更换零部件作业;物资管理模块,被配置为用于向仓库部门派送需要维护或更换的零部件及工具;水上信息转换模块,被配置为用于将收集的信息、故障诊断和预测结果以及调遣人员物资情况显示在第二显示屏上,实时监测数据和发出指令;收集到的信息包括水下载人潜器各传感器的信息,故障诊断包括诊断出的故障类型,故障预测包括预测出的剩余寿命和故障发生的概率,维户建议信息包括制定的立即维修、短期维修计划和长期维修计划的建议。
优选地,还包括软件系统,软件系统包括数据管理模块、技术管理模块、HMI人机交互模块和用户管理模块;数据管理模块包括历史数据库、专家经验数据库、仿真试验数据库、实际试验数据库、在线数据库和备份数据库;历史数据库,被配置为用于存储历次实际作业任务时获得的正常运行和故障数据;专家经验数据库,被配置为用于存储常见的可靠性数据;仿真试验数据库,被配置为用于存储仿真软件得到的故障仿真数据,包括仿真软件模拟能源不足故障、异物缠绕故障、轴承损伤故障和螺旋桨叶片损伤故障等仿真模型所得到的故障数据;实际试验数据库,被配置为用于存储载人潜器实际下水试验以及载人潜器模型实际下水试验所得到的正常运行和故障数据;在线数据库,被配置为用于接收、存储水下载人潜器进行作业任务时实时传输的设备数据,以用于故障的实时诊断及预测;备份数据库,被配置为用于备份历史数据库、专家经验数据库、仿真试验数据库、实际试验数据库和在线数据库中的数据,防止数据发生丢失;技术管理模块,包括数据预处理单元、算法管理单元、故障诊断单元、故障预测单元和剩余寿命单元;数据预处理单元,被配置为用于负责处理在线数据;算法管理单元,被配置为用于负责管理数据预处理方法、故障诊断方法、故障预测方法的更新维护,保证全技术的正常使用;故障诊断单元,被配置为通过CNN-LSTM算法对预处理后的在线数据进行模型识别,判断是否发生故障且发生哪种故障;故障预测单元,被配置为通过CNN-LSTM算法对未发生故障的数据进行深入分析,预测未来可能发生的故障;剩余寿命单元,被配置为用于负责在故障预测的基础上对当前状态进行评级,按照内置的状态等级划分推测出零部件剩余使用寿命;HMI人机交互模块,包括运行数据显示单元、运行状态显示单元、故障诊断显示单元、剩余寿命显示单元、维修建议单元和维修日志填报单元;运行数据显示单元,被配置为用于显示当前各零部件实时数据情况,并支持使用人员查看历史运行数据;运行状态显示单元,被配置为用于实时显示当前水下载人潜器运行状态并支持使用人员查看历史运行状态;故障诊断显示单元,被配置为用于显示故障诊断结果,显示故障发生的零部件与故障类型情况;剩余寿命显示单元,被配置为根据内置的状态等级划分给出可能发生故障零部件的剩余使用寿命;维修建议单元,被配置为用于根据当前故障类型和潜在故障排除的需要给出维修建议,包括排除潜在故障时间节点,故障维修方式和所需更换的零部件;维修日志填报单元,被配置为用于故障维护后维修人员填写记录,以备用于查看,提高工作效率;用户管理模块,包括技术人员、维修人员、管理人员和专家顾问,按需求为不同职能人员发出不同任务。
此外,本发明还提到一种水下载人潜器预防事故处理方法,该方法采用如上所述的一种水下载人潜器预防事故设备,包括以下步骤:步骤1:根据历史故障数据库、专家经验数据库和试验数据库,建立水下载人潜器故障预测与健康管理离线模型,作为在线监测诊断预测的使用依据;步骤2:水下载人潜器故障实时数据的收集和处理,根据不同设备零部件出现的包括振动信号、电流和电压在内的故障数据,标记出对应的故障标签,作为建立故障预测与健康管理的模型;步骤3:输入水下载人潜器故障数据,将实时采集到的数据进行数据预处理;步骤4:建立模型,结合步骤1中的离线模型,建立故障诊断CNN卷积神经网络和故障预测LSTM长短期记忆网络,根据诊断和预测结果给出维修建议;步骤5:数据可视化,将数据、诊断结果、预测结果以及剩余寿命信息以包括表格、图片和风险等级在内的形式显示出来;步骤6:维修管理,根据建议做出决策,调遣相关专业维修人员并从仓库调用所需的物资材料,配合完成维护;步骤7:更新模型,根据实际维护情况进行维修反馈,将反馈结果和新故障数据作为更新模型的根据。
优选地,在步骤3中,数据预处理,包括通过PCA主成分分析法进行降维,通过DBSCAN聚类算法筛选故障数据和正常数据;其中,PCA主成分分析法具体如下:假设有m个数据,数据的维度是n,这m个数据所组成的矩阵记为X,X是一个n×m的矩阵,X的每一行代表一个数据,将矩阵X写成Xn×m=(X1,X2,…,Xm);其中,m为数据个数;n为数据维度;X为m个数据组成的矩阵即为Xn×m。
对于关键变量X,采用以下形式进行降维:(1)将每一列的数据进行中心化,得到新的数据矩阵,中心化的公式如下所示:其中,m为数据的列数;X′为中心化后的矩阵;xi为需要中心化的数据;xj为该行的每一个数据。
(2)计算样本的协方差矩阵:其中,C为样本的协方差矩阵;X′为中心化后的矩阵;T代表矩阵转置。
(3)基于特征值或者SVD分解协方差矩阵,求解出协方差矩阵的特征值以及对应的特征向量。
(4)将特征向量按对应特征值大小从上到下按行排列成矩阵,取前k行组成矩阵P。
(5)得到降维后的新数据Y:Y=PX;其中,Y为降维后的新数据;P为取出的前k行组成的矩阵。
获得降维数据:Yk×m=(Y1,Y2,…,Ym);其中,Yk×m为降维后的k行m列矩阵,即降维至k维。
DBSCAN聚类算法具体如下:设定M个数以及邻域的半径,将数据点分为以下三类:核心点:若样本点的邻域内至少包含M个样本,则样本点为核心点;边界点:若样本点的邻域内包含的样本数目小于M个样本,但是它在其他核心点的邻域内,则样本点为边界点;噪音点:既不是核心点也不是边界点的点;预处理完成后,把不同故障数据分别整理在一个文件中并赋予对应的故障标签以备训练。
优选地,步骤4中,故障诊断和预测包含以下步骤:卷积计算→批量标准化→激活函数→池化→舍弃→全连接层;卷积运算尺寸变化表示为: 其中,Woutput和Houtput为输出数据的两维特征长度,Winput和Hinput是输入数据的两维特征长度;Wfilter和Hfilter是卷积核的宽和高;Q是全零填充的圈数;S是卷积核的步长;ReLU激活函数:其中,f(x)为激活函数;x为自变量;e为自然对数;α为常数。
池化运算尺寸变化表示为: 其中,Uoutput和Voutput为输出数据的两维特征长度,Uinput和Vinput是输入数据的两维特征长度;Ufilter和Vfilter是池化核的宽和高;S′是池化核的步长。
利用建立的卷积神经网络,设定卷积层对故障数据进行故障特征提取,对数据进行批量标准化和,使用ReLU激活函数,通过池化减少特征数量,舍弃部分神经元防止出现过拟合,再设定训练集与测试集比例,使用全连接层进行训练,配合Softmax函数完成故障分类,得到诊断结果输出;再将卷积神经网络训练后的数据数如到长短期记忆网络(LSTM)中,使用tanh激活函数,首先通过遗忘门决定保留和丢弃信息,再通过输入门选择性更新信息,再通过输出门得到确定当前的输出信息,再将长短期记忆网络处理后的数据输入全连接层,通过反向传播计算更新各门控的参数,最终得到预测结果输出。长短期记忆网络包含输入门、遗忘门和输出门三个门控,输入门负责对输入的信息进行选择性保留,遗忘门负责决定是否舍弃或保留上一时刻的信息,输出门负责决定当前时刻的输出,长短期记忆网络通过三个门控对信息的传递,对长期需要保留的信息具有较好的保存功能,并能够舍弃与预测相关性不大的信息,在长期预测方面具有较好的性能。
本发明所带来的有益技术效果:采用本发明的预防事故设备分析水下载人潜器工作过程中各传感器数据,分析预测潜器的故障,并进行图像数据处理,为水下载人潜器的正常工作与潜航员的生命安全提供了保障,最大限度地减少了水下载人潜器故障带来的各种损失。
附图说明
图1是本发明方法流程示意图。
图2是本发明中DBSCAN聚类算法示意图。
图3是本发明的CNN-LSTM模型图。
图4是本发明硬件系统原理图。
图5是本发明硬件系统安装位置示意图。
图6是本发明软件系统技术架构图。
其中,101-动力模块监测子系统;106-功能模块监测子系统;114-内部可视化子系统;120-信号处理子系统;124-外部可视化子系统;102-加速度传感器;103-电压传感器;104-电流传感器;105-转速传感器;107-电池传感器;108-导航传感器;109-偏航率传感器;110-多普勒测速声呐;111-深度传感器;112-温盐深仪;113-罗盘;115-水下数据收集及处理模块;116-水下故障诊断模块;117-水下故障预测模块;118-水下信息转换模块;119-第一显示屏;121-信号处理模块;122-水下通信模块;123-母船;125-水上通信模块;126-水上数据收集及处理模块;127-水上故障诊断模块;128-水上故障预测模块;129-人员调度模块;130-物资管理模块;131-水上信息转换模块;132-第二显示屏。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:如图1所示,本发明一种水下载人潜器预防事故处理方法,包括以下步骤:对以往水下载人潜器工作中发生的故障进行数据收集并存入历史故障数据库中,例如:推进器异物缠绕故障、推进器轴承损伤故障、螺旋桨桨叶损伤故障等;收集领域中常见的一些可靠性数据存入专家数据库中;使用模拟仿真软件生成模拟故障数据,利用水下载人潜器在合适水域展开实际试验并收集数据,利用潜器等比例缩放模型在合适水域中进行模型试验并收集数据,所述三种试验数据收集整理合并为试验数据库。
将收集到的数据进行预处理,当数据的维度为二维和三维时,尚且能够通过画图看出数据的大致分布,但是对于L维(L>3)的数据,就不能够将数据绘制出来,而且过高维度的数据将会增加分类难度,增加神经网络构建难度,占用计算机大量存储空间。鉴于PCA方法能够降低数据维度、节省存储空间和减小问题复杂度的优点,采用PCA方法对变量进行降维,提取故障相关输入输出关键变量。
PCA方法可解释为假设有m个数据,数据的维度是n,这m个数据所组成的矩阵记为X,X是一个n×m的矩阵,X的每一行代表一个数据,将矩阵X写成Xn×m=(X1,X2,…,Xm);其中,m为数据个数;n为数据维度;X为m个数据组成的矩阵即为Xn×m。
对于关键变量X,采用以下形式进行降维:(1)将每一列的数据进行中心化,得到新的数据矩阵,中心化的公式如下所示:其中,m为数据的列数;X′为中心化后的矩阵;xi为需要中心化的数据;xj为该行的每一个数据。
(2)计算样本的协方差矩阵:其中,C为样本的协方差矩阵;X′为中心化后的矩阵;T代表矩阵转置。
(3)基于特征值或者SVD分解协方差矩阵,求解出协方差矩阵的特征值以及对应的特征向量。
(4)将特征向量按对应特征值大小从上到下按行排列成矩阵,取前k行组成矩阵P。
(5)得到降维后的新数据Y:Y=PX;其中,Y为降维后的新数据;P为取出的前k行组成的矩阵。
获得降维数据:Yk×m=(Y1,Y2,…,Ym);其中,Yk×m为降维后的k行m列矩阵,即降维至k维。
考虑到水下载人潜器运行过程中,采集的运行数据样本绝大多数为正常样本,只有极少部分为故障或近似故障样本,如果直接用来对故障模型进行预训练,样本的不平衡极易导致所训练模型的诊断与预测性能难以达到理想效果。因此需要采用DBSCAN算法对数据进行分类。
由于经过了PCA算法进行降维,在一定程度上解决了DBSCAN聚类算法难处理高维数据的缺点,在DBSCAN算法中设定M个数以及邻域R的半径,将数据点分为以下三类:核心点:若样本点的邻域内至少包含M个样本,即则样本点为核心点。
边界点:若样本点的邻域内包含的样本数目小于M个样本,但是它在其他核心点的邻域内,则样本点为边界点。
噪音点:既不是核心点也不是边界点的点。
DBSCAN聚类如图2所示。
把不同故障数据分别整理在一个文件中并赋予对应的故障标签,对历史数据信号再进行时频分析,提取数据信号的时域与频域特征和其之间的关系,完成数据预处理步骤。
卷积神经网络包含以下步骤:卷积计算→批量标准化→激活函数→池化→舍弃→全连接层。
卷积运算尺寸变化表示为: 其中,Woutput和Houtput为输出数据的两维特征长度,Winput和Hinput是输入数据的两维特征长度;Wfilter和Hfilter是卷积核的宽和高;Q是全零填充的圈数;S是卷积核的步长。
ReLU激活函数:其中,f(x)为激活函数;x为自变量;e为自然对数;α为常数。
池化运算尺寸变化表示为: 其中,Uoutput和Voutput为输出数据的两维特征长度,Uinput和Vinput是输入数据的两维特征长度;Ufilter和Vfilter是池化核的宽和高;S′是池化核的步长。
利用建立的卷积神经网络,设定卷积层对故障数据进行故障特征提取,对数据进行批量标准化和,使用ReLU激活函数,通过池化减少特征数量,舍弃部分神经元防止出现过拟合,再设定训练集与测试集比例,使用全连接层进行训练,配合Softmax函数完成故障分类,得到诊断结果输出;再将卷积神经网络训练后的数据数如到长短期记忆网络(LSTM)中,使用tanh激活函数,首先通过遗忘门决定保留和丢弃信息,再通过输入门选择性更新信息,再通过输出门得到确定当前的输出信息,再将长短期记忆网络处理后的数据输入全连接层,通过反向传播计算更新各门控的参数,最终得到预测结果输出。长短期记忆网络包含输入门、遗忘门和输出门三个门控,输入门负责对输入的信息进行选择性保留,遗忘门负责决定是否舍弃或保留上一时刻的信息,输出门负责决定当前时刻的输出,长短期记忆网络通过三个门控对信息的传递,对长期需要保留的信息具有较好的保存功能,并能够舍弃与预测相关性不大的信息,在长期预测方面具有较好的性能。
实时数据采集模块包括各传感器实时采集对应设备零部件的电流电压等数据,例如,加速度传感器实时监测电动机轴承的振动信号,转速传感器实时监测螺旋桨的转速信号,电压电流传感器实时监测电动机的电压情况和流过的电流情况,在潜器腹部安装的多普勒测速声呐实时监测水下载人潜器的航速情况等等。
对各个传感器收集到的数据进行预处理操作,利用PCA主成分分析法对采集的数据进行实时的降维,由于传感器采集到的信号容易受到外界其他因素的影响,传输的信号中掺杂的部分噪声,需利用小波变换对采集的信号进行去噪处理,并将去噪处理后的信号进行时频分析,利用时频分析方法,将信号的时域与频域之间的联系和特征显现出来。
将预处理后的实时数据与已有的故障模型进行实时故障诊断分析,计算机通过对比识别,实时显示出当前的运行状态,并将实时采集预处理的数据输入到故障预测功能模块,利用神经网络方法预测各设备零部件发生故障的趋势,预测设备零部件的剩余寿命,根据设定的状态等级评估规则,给出当前运行状态等级,并根据状态等级给出设备零部件的维护建议。
管理中心工作站首先按照计算机给出的状态等级以及故障维护的专家建议及时向资源管理中心给出维护人员与维修资源调配任务,并将数据上传至数据库管理中心,作为更新维护故障预测模型的依据,维护人员根据实际维修情况填写维修日志,技术人员与专家顾问对比维修日志与预测结果,分析判断当前模型的准确率,若存在误判需对模型进行更新,采用新数据进行训练,增强训练模型的泛化能力以及更新卷积神经网络模型内部神经元,增加或减少神经元个数,防止出现欠拟合与过拟合问题。
如图3所示,本发明CNN-LSTM模型图,CNN将输入的数据首先送入卷积层对故障数据进行故障特征提取,再对数据进行批量标准化,使用ReLU激活函数,通过池化减少特征数量,舍弃部分神经元防止出现过拟合,再设定训练集与测试集比例,使用全连接层进行训练,配合Softmax函数完成故障分类,得到诊断结果输出;再将卷积神经网络训练后的数据数如到长短期记忆网络(LSTM)中,使用tanh激活函数,首先通过遗忘门决定保留和丢弃信息,再通过输入门选择性更新信息,再通过输出门得到确定当前的输出信息,再将长短期记忆网络处理后的数据输入全连接层,通过反向传播计算更新各门控的参数,最终得到预测结果输出。长短期记忆网络包含输入门、遗忘门和输出门三个门控,输入门负责对输入的信息进行选择性保留,遗忘门负责决定是否舍弃或保留上一时刻的信息,输出门负责决定当前时刻的输出,长短期记忆网络通过三个门控对信息的传递,对长期需要保留的信息具有较好的保存功能,并能够舍弃与预测相关性不大的信息,在长期预测方面具有较好的性能。
如图4所示,本发明硬件系统原理图,电池组向各元件及传感器提供电力。电动机驱动推进器,电动机轴承配备加速度传感器实时监测轴承振动情况,采用STYV-II型号的低噪音电缆传输,以降低摩擦电噪声,同时电动机配备电流电压传感器实时监控电动机电压电流的变化,监测电动机是否发生卷入异物等突发的引起故障的情况,推进器配有霍尔效应传感器实时监测推进器螺旋桨转速;舱内可视化设备包含PHM系统、信息转化设备和显示屏,PHM系统通过内置计算机判断当前运行状态、分析潜在故障和预警剩余寿命,信息转化设备把各传感器的电信号转化为可视化的图片信息或图表信息,显示屏通过HDMI与信息转化设备连接,将转化后的信息呈现在显示屏上;导航元件由声学导航、视觉导航和惯性导航设备组成,声学导航采用长基线LBL导航系统,提升声学导航准确性,视觉导航采用声视觉和光视觉组合导航,光视觉通过摄像头负责小范围区域的导航定位,声视觉通过声呐处理不同物体返回的声波,进行远距离的导航定位,惯性导航根据水下载人潜器加速度的2次积分推算出位置信息,三种导航系统协同配合提高水下载人潜器的全局导航准确性;电池组同时直接向部分传感器提供电力,这部分传感器负责监视水下载人潜器的整体性能,包括电池传感器、多普勒测速声纳、深度传感器、罗盘、偏航率传感器和温盐深仪,电池传感器基于CAN总线实时监测锂离子电池的各项性能包括电流、电压、温度和计算电池剩余时间,多普勒测速声呐通过测量水流速度计算出水下载人潜器当前的速度,并配合惯性导航仪精确计算出速度、位姿和艏向信息,深度传感器测量水下的压力计算出下潜深度信息,罗盘用于判断当前水下载人潜器艏向,偏航率传感器基于CAN总线实时监测当前水下载人潜器在横轴、纵轴、垂直轴三个方向的绕轴运动,温盐深仪通过实时监测水下载人潜器周围海水的电导率计算得到海水的盐度,通过热敏电阻实时监测周围海水温度并根据压力测量深度,得到海水的科学考察信息;各传感器信息通过CAN通讯协议传输至存储元件,再由通信元件接收并发送存储元件中的各数据信息,利用声音在水中衰减缓慢,传播距离远的特点使用水声通信与母船建立联系,实时传输采集到的海洋信息和各设备零部件的运行状态信息,同时通信元件接收母船发送的任务信息、维护指令和上浮下潜等信息;位于母船的PHM系统工作站对水下载人潜器传递的数据进行具体的故障判断和故障分类,并通过机器学习方法预测水下载人潜器各设备零部件的剩余寿命,并将得到的信息通过互联网媒介实时上传至资源管理工作站,按需调用维护人员和设备零部件,同时将原始数据和故障诊断和预测数据通过互联网上传至数据库工作站,数据库工作站负责存储上传数据,工作站专家对数据深入分析,对有误差的模型及时更正更新,提升系统的功能。
如图5所示,本发明硬件系统安装位置示意图,硬件系统包括5个部分,分别为动力模块监测子系统101、功能模块监测子系统106、内部可视化子系统114、信号处理子系统120和外部可视化子系统124。
其中,动力模块监测子系统101包括加速度传感器102、电压传感器103、电流传感器104和转速传感器105,加速度传感器102实时监测轴承振动情况,电压传感器103实时监测电动机的电压情况,电流传感器104实时监测通过电动机的电流情况、转速传感器105实时监测推进器螺旋桨的转动速度。
功能模块监测子系统106包括电池传感器107、导航传感器108、偏航率传感器109、多普勒测速声呐110、深度传感器111、温盐深仪112、罗盘113,电池传感器107实时监测电池组的各项参数,导航传感器108接收导航所需要的声学信息、视觉信息和卫星信息,偏航率传感器109监测载人潜器在横轴、纵轴和垂直轴三个方向的绕轴运动,多普勒测速声呐110监测水下载人潜器的航行速度,深度传感器监测载人潜器的下潜深度,温盐深仪112监测载人潜器周围海水的温度、盐度和下潜深度信息,罗盘113负责监测载人潜器的艏朝向信息。
内部可视化子系统114包括水下数据收集及处理模块115、水下故障诊断模块116、水下故障预测模块117、水下信息转换模块118和第一显示屏119,水下数据收集及处理模块115用于收集并处理动力模块监测子系统和功能模块监测子系统采集到的信号,水下故障诊断模块116通过与数据库故障模型对比,判断当前是否发生故障,进一步判断发生故障的类别,水下故障预测模块117通过水下载人潜器内置计算机进行机器学习算法,结合对水下载人潜器各设备的运行数据多级故障状态评估,预测潜在的故障及其剩余寿命,水下信息转换模块118,被配置为用于将收集到的信息、故障诊断和预测结果以及维护建议信息显示在第一显示屏119中,收集到的信息包括水下载人潜器各传感器的信息,故障诊断包括诊断出的故障类型,故障预测包括预测出的剩余寿命和故障发生的概率,维户建议信息包括制定的立即维修、短期维修计划和长期维修计划的建议。
信号处理子系统120包括信号处理模块121和水下通信模块122,信号处理模块121将接收到的来自动力模块子系统101和功能模块子系统106的信息转换为声学信号,水下通信模块122再将转换后的信号通过水声通信发送给接收信号的母船123。
外部可视化子系统124包括水上通信模块125、水上数据收集及处理模块126、水上故障诊断模块127、水上故障预测模块128、人员调度模块129、物资管理模块130、水上信息转换模块131和第二显示屏132,水上通信模块125用于接收水下载人潜器发出的信号,水上数据收集及处理模块126用于收集处理分析水下载人潜器的各种信息,水上故障诊断模块127对水下载人潜器传递的数据进行具体的故障判断和故障分类,专家、技术人员等人可根据相关信息给予远程帮助,水上故障预测模块128通过工作站进行机器学习,判断水下载人潜器零部件当前剩余寿命,专家、技术人员等人根据实时数据情况做出决策,人员调度模块129用于调遣相关技术人员及时进行维护或更换零部件,物资管理模块130用于向仓库部门派送需要维护或更换的零部件及工具,水上信息转换模块131用于将收集的信息、故障诊断和预测结果以及调遣人员物资情况显示在第二显示屏132上,由技术人员、专家等人实时监测数据和发出指令,收集到的信息包括水下载人潜器各传感器的信息,故障诊断包括诊断出的故障类型,故障预测包括预测出的剩余寿命和故障发生的概率,维户建议信息包括制定的立即维修、短期维修计划和长期维修计划的建议。
如图6所示,本发明软件系统技术架构图,提出的软件应包括数据管理模块、技术管理模块、HMI人机交互模块和用户管理模块。
数据管理模块应包含历史数据库、专家经验数据、仿真试验数据、实际试验数据、在线数据库和备份数据库功能。历史数据库用于存储历次实际作业任务时获得的正常运行和故障数据;专家经验数据库用于存储常见的可靠性数据;仿真试验数据库用于存储仿真软件得到的故障仿真数据,包括仿真软件模拟能源不足故障、异物缠绕故障、轴承损伤故障和螺旋桨叶片损伤故障等仿真模型所得到的故障数据;实际试验数据库用于存储载人潜器实际下水试验以及载人潜器模型实际下水试验所得到的正常运行和故障数据;在线数据库用于接收、存储水下载人潜器进行作业任务时实时传输的设备数据,以用于故障的实时诊断及预测;备份数据库用于备份历史数据库、专家经验数据库、仿真试验数据库、实际试验数据库和在线数据库中的数据,防止数据发生丢失等问题。
技术管理模块应包含数据预处理方法、算法管理、故障诊断、故障预测和剩余寿命功能。数据预处理方法包含输入数据所需的去噪降维方法,负责处理在线数据;算法管理负责管理数据预处理方法、故障诊断方法、故障预测方法的更新维护,保证全技术的正常使用;故障诊断负责对预处理后的在线数据进行模型识别,判断是否发生故障且发生哪种故障;故障预测负责对未发生故障的数据进行深入分析,预测未来可能发生的故障;剩余寿命负责在故障预测的基础上对当前状态进行评级,按照内置的状态等级划分推测出零部件剩余使用寿命。
HMI人机交互模块应包含运行数据显示、运行状态显示、故障诊断显示、剩余寿命显示、维修建议、维修日志填报功能。运行数据显示用于显示当前各零部件实时数据情况,并支持使用人员查看历史运行数据;运行状态显示用于实时显示当前水下载人潜器运行状态并支持使用人员查看历史运行状态;故障诊断显示用于显示故障诊断结果,显示故障发生的零部件与故障类型情况;剩余寿命显示根据内置的状态等级划分给出可能发生故障零部件的剩余使用寿命;维修建议用于根据当前故障类型和潜在故障排除的需要给出维修建议,包括排除潜在故障时间节点,故障维修方式和所需更换的零部件;维修日志填报用于故障维护后维修人员填写记录,以备用于查看,提高工作效率。
用户管理模块应包含技术人员、维修人员、管理人员和专家顾问,可以按需求为不同职能人员发出不同任务。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (7)
1.一种水下载人潜器预防事故设备,其特征在于:包括硬件系统;其中,硬件系统包括动力模块监测子系统、功能模块监测子系统、内部可视化子系统、信号处理子系统和外部可视化子系统,内部可视化子系统和信号处理子系统分别与动力模块监测子系统、功能模块监测子系统通过线路连接;
动力模块监测子系统,被配置为用于实时监测轴承振动情况、电动机的电压情况、通过电动机的电流情况以及推进器螺旋桨的转动速度;
功能模块监测子系统,被配置为用于接收导航所需要的声学信息、视觉信息和卫星信息并实时监测电池组的各项参数、水下载人潜器的航行速度、载人潜器的下潜深度、载人潜器周围海水的温度盐度和下潜深度信息以及载人潜器的艏朝向信息;
内部可视化子系统,被配置为用于收集并处理动力模块监测子系统和功能模块监测子系统采集到的信号,通过数据库与故障模型对比,判断当前是否发生故障,进一步判断发生故障的类别;通过水下载人潜器内置计算机进行机器学习算法,结合对水下载人潜器各设备的运行数据多级故障状态评估,预测剩余寿命,并将收集到的信息、故障诊断和预测结果以及维护建议信息显示在第一显示屏中;
信号处理子系统,被配置为用于将接收到的来自动力模块子系统和功能模块子系统的信息转换为声学信号,将转换后的信号通过水声通信发送给接收信号的母船;
外部可视化子系统,被配置为用于接收水下载人潜器发出的信号;集处理分析水下载人潜器的各种信息;对水下载人潜器传递的数据进行具体的故障判断和故障分类,根据相关信息给予远程帮助,水上故障预测模块通过陆上工作站进行机器学习,判断水下载人潜器零部件当前剩余寿命,根据实时数据情况做出决策;调遣相关技术人员及时进行维护或更换零部件作业;向仓库部门派送需要维护或更换的零部件及工具;将收集的信息、故障诊断和预测结果以及调遣人员物资情况显示在第二显示屏上,实时监测数据和发出指令。
2.根据权利要求1所述的一种水下载人潜器预防事故设备,其特征在于:动力模块子系统包括加速度传感器、电压传感器、电流传感器和转速传感器;其中,
加速度传感器,被配置为用于实时监测轴承振动情况;
电压传感器,被配置为用于实时监测电动机的电压情况;
电流传感器,被配置为用于实时监测通过电动机的电流情况;
转速传感器,被配置为用于实时监测推进器螺旋桨的转动速度。
3.根据权利要求1所述的一种水下载人潜器预防事故设备,其特征在于:功能模块监测子系统包括电池传感器、导航传感器、偏航率传感器、多普勒测速声呐、深度传感器、温盐深仪和罗盘;其中,
电池传感器,被配置为用于实时监测电池组的各项参数;
导航传感器,被配置为用于接收导航所需要的声学信息、视觉信息和卫星信息,
偏航率传感器,被配置为用于监测载人潜器在横轴、纵轴和垂直轴三个方向的绕轴运动,
多普勒测速声呐,被配置为用于监测水下载人潜器的航行速度;
深度传感器,被配置为用于监测载人潜器的下潜深度;
温盐深仪,被配置为用于监测载人潜器周围海水的温度、盐度和下潜深度信息;
罗盘,被配置为用于负责监测载人潜器的艏朝向信息。
4.根据权利要求1所述的一种水下载人潜器预防事故设备,其特征在于:内部可视化子系统包括水下数据收集及处理模块、水下故障诊断模块、水下故障预测模块、水下信息转换模块和第一显示屏;其中,
水下数据收集及处理模块,被配置为用于收集并处理动力模块监测子系统和功能模块监测子系统采集到的信号;
水下故障诊断模块,被配置为用于通过数据库与故障模型对比,判断当前是否发生故障,进一步判断发生故障的类别;
水下故障预测模块,被配置为用于通过水下载人潜器内置计算机进行机器学习算法,结合对水下载人潜器各设备的运行数据多级故障状态评估,预测其剩余寿命;
水下信息转换模块,被配置为用于将收集到的信息、故障诊断和预测结果以及维护建议信息显示在第一显示屏中,收集到的信息包括水下载人潜器各传感器的信息,故障诊断包括诊断出的故障类型,故障预测包括预测出的剩余寿命和故障发生的概率,维户建议信息包括制定的立即维修、短期维修计划和长期维修计划的建议。
5.根据权利要求1所述的一种水下载人潜器预防事故设备,其特征在于:信号处理子系统包括信号处理模块和水下通信模块;其中,
信号处理模块,被配置为用于将接收到的来自动力模块子系统和功能模块子系统的信息转换为声学信号;
水下通信模块,被配置为用于将转换后的信号通过水声通信发送给接收信号的母船。
6.根据权利要求1所述的一种水下载人潜器预防事故设备,其特征在于:外部可视化子系统包括水上通信模块、水上数据收集及处理模块、水上故障诊断模块、水上故障预测模块、人员调度模块、物资管理模块、水上信息转换模块和第二显示屏;
水上通信模块,被配置为用于接收水下载人潜器发出的信号;
水上数据收集及处理模块,被配置为用于收集处理分析水下载人潜器的各种信息;
水上故障诊断模块,被配置为用于对水下载人潜器传递的数据进行具体的故障判断和故障分类,根据相关信息给予远程帮助,水上故障预测模块通过陆上工作站根据CNN-LSTM算法进行预测,判断水下载人潜器零部件当前剩余寿命,根据实时数据情况做出决策;
人员调度模块,被配置为用于调遣相关技术人员及时进行维护或更换零部件作业;
物资管理模块,被配置为用于向仓库部门派送需要维护或更换的零部件及工具;
水上信息转换模块,被配置为用于将收集的信息、故障诊断和预测结果以及调遣人员物资情况显示在第二显示屏上,实时监测数据和发出指令;收集到的信息包括水下载人潜器各传感器的信息,故障诊断包括诊断出的故障类型,故障预测包括预测出的剩余寿命和故障发生的概率,维户建议信息包括制定的立即维修、短期维修计划和长期维修计划的建议。
7.根据权利要求1所述的一种水下载人潜器预防事故设备,其特征在于:还包括软件系统,软件系统包括数据管理模块、技术管理模块、HMI人机交互模块和用户管理模块;
数据管理模块包括历史数据库、专家经验数据库、仿真试验数据库、实际试验数据库、在线数据库和备份数据库;
历史数据库,被配置为用于存储历次实际作业任务时获得的正常运行和故障数据;
专家经验数据库,被配置为用于存储常见的可靠性数据;
仿真试验数据库,被配置为用于存储仿真软件得到的故障仿真数据,包括仿真软件模拟能源不足故障、异物缠绕故障、轴承损伤故障和螺旋桨叶片损伤故障等仿真模型所得到的故障数据;
实际试验数据库,被配置为用于存储载人潜器实际下水试验以及载人潜器模型实际下水试验所得到的正常运行和故障数据;
在线数据库,被配置为用于接收、存储水下载人潜器进行作业任务时实时传输的设备数据,以用于故障的实时诊断及预测;
备份数据库,被配置为用于备份历史数据库、专家经验数据库、仿真试验数据库、实际试验数据库和在线数据库中的数据,防止数据发生丢失;
技术管理模块,包括数据预处理单元、算法管理单元、故障诊断单元、故障预测单元和剩余寿命单元;
数据预处理单元,被配置为用于负责处理在线数据;
算法管理单元,被配置为用于负责管理数据预处理方法、故障诊断方法、故障预测方法的更新维护,保证全技术的正常使用;
故障诊断单元,被配置为通过建立的卷积神经网络,设定卷积层对故障数据进行故障特征提取,对数据进行批量标准化和,使用ReLU激活函数,通过池化减少特征数量,舍弃部分神经元防止出现过拟合,再设定训练集与测试集比例,使用全连接层进行训练,配合Softmax函数完成故障分类,得到诊断结果输出;
故障预测单元,被配置为通过将卷积神经网络训练后的数据数如到长短期记忆网络中,使用tanh激活函数,首先通过遗忘门决定保留和丢弃信息,再通过输入门选择性更新信息,再通过输出门得到确定当前的输出信息,再将长短期记忆网络处理后的数据输入全连接层,通过反向传播计算更新各门控的参数,最终得到预测结果输出;
剩余寿命单元,被配置为用于负责在故障预测的基础上对当前状态进行评级,按照内置的状态等级划分推测出零部件剩余使用寿命;
HMI人机交互模块,包括运行数据显示单元、运行状态显示单元、故障诊断显示单元、剩余寿命显示单元、维修建议单元和维修日志填报单元;
运行数据显示单元,被配置为用于显示当前各零部件实时数据情况,并支持使用人员查看历史运行数据;
运行状态显示单元,被配置为用于实时显示当前水下载人潜器运行状态并支持使用人员查看历史运行状态;
故障诊断显示单元,被配置为用于显示故障诊断结果,显示故障发生的零部件与故障类型情况;
剩余寿命显示单元,被配置为根据内置的状态等级划分给出可能发生故障零部件的剩余使用寿命;
维修建议单元,被配置为用于根据当前故障类型和潜在故障排除的需要给出维修建议,包括排除潜在故障的时间节点,故障维修方式和所需更换的零部件;
维修日志填报单元,被配置为用于故障维护后维修人员填写记录,以备查看,提高工作效率;
用户管理模块,包括技术人员、维修人员、管理人员和专家顾问,按需求为不同职能人员发出不同任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310551637.9A CN116643517B (zh) | 2023-05-17 | 2023-05-17 | 一种水下载人潜器预防事故设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310551637.9A CN116643517B (zh) | 2023-05-17 | 2023-05-17 | 一种水下载人潜器预防事故设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116643517A true CN116643517A (zh) | 2023-08-25 |
CN116643517B CN116643517B (zh) | 2024-02-23 |
Family
ID=87623990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310551637.9A Active CN116643517B (zh) | 2023-05-17 | 2023-05-17 | 一种水下载人潜器预防事故设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116643517B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117214591A (zh) * | 2023-11-09 | 2023-12-12 | 青岛哈尔滨工程大学创新发展中心 | 一种用于深潜器推进器的故障诊断系统及方法 |
CN117555279A (zh) * | 2024-01-11 | 2024-02-13 | 杭州企茏电子科技有限公司 | 危化品储存仓库远程即时监控系统及方法 |
CN117710759A (zh) * | 2024-02-06 | 2024-03-15 | 青岛哈尔滨工程大学创新发展中心 | 一种载人潜器故障和寿命预测系统及方法 |
CN117706961A (zh) * | 2024-02-04 | 2024-03-15 | 青岛哈尔滨工程大学创新发展中心 | 一种深海潜器机械臂控制系统故障仿真平台 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105737876A (zh) * | 2014-12-08 | 2016-07-06 | 哈尔滨米米米业科技有限公司 | 水下自主潜器传感器状态诊断与信号恢复系统 |
CN107230409A (zh) * | 2017-07-28 | 2017-10-03 | 国家深海基地管理中心 | 基于载人潜水器模拟器的潜航员训练系统及训练方法 |
CN114298384A (zh) * | 2021-12-16 | 2022-04-08 | 连云港杰瑞自动化有限公司 | 适用于船用装卸臂的安全运维预测系统及方法 |
KR102433556B1 (ko) * | 2021-10-19 | 2022-08-18 | 삼원에프에이(주) | 선박 장비 고장 진단 서버 및 그 시스템 |
CN115526375A (zh) * | 2022-07-26 | 2022-12-27 | 中国人民解放军63926部队 | 一种航天装备预测性维护系统 |
-
2023
- 2023-05-17 CN CN202310551637.9A patent/CN116643517B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105737876A (zh) * | 2014-12-08 | 2016-07-06 | 哈尔滨米米米业科技有限公司 | 水下自主潜器传感器状态诊断与信号恢复系统 |
CN107230409A (zh) * | 2017-07-28 | 2017-10-03 | 国家深海基地管理中心 | 基于载人潜水器模拟器的潜航员训练系统及训练方法 |
KR102433556B1 (ko) * | 2021-10-19 | 2022-08-18 | 삼원에프에이(주) | 선박 장비 고장 진단 서버 및 그 시스템 |
CN114298384A (zh) * | 2021-12-16 | 2022-04-08 | 连云港杰瑞自动化有限公司 | 适用于船用装卸臂的安全运维预测系统及方法 |
CN115526375A (zh) * | 2022-07-26 | 2022-12-27 | 中国人民解放军63926部队 | 一种航天装备预测性维护系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117214591A (zh) * | 2023-11-09 | 2023-12-12 | 青岛哈尔滨工程大学创新发展中心 | 一种用于深潜器推进器的故障诊断系统及方法 |
CN117555279A (zh) * | 2024-01-11 | 2024-02-13 | 杭州企茏电子科技有限公司 | 危化品储存仓库远程即时监控系统及方法 |
CN117555279B (zh) * | 2024-01-11 | 2024-04-05 | 杭州企茏电子科技有限公司 | 危化品储存仓库远程即时监控系统及方法 |
CN117706961A (zh) * | 2024-02-04 | 2024-03-15 | 青岛哈尔滨工程大学创新发展中心 | 一种深海潜器机械臂控制系统故障仿真平台 |
CN117706961B (zh) * | 2024-02-04 | 2024-05-03 | 青岛哈尔滨工程大学创新发展中心 | 一种深海潜器机械臂控制系统故障仿真平台 |
CN117710759A (zh) * | 2024-02-06 | 2024-03-15 | 青岛哈尔滨工程大学创新发展中心 | 一种载人潜器故障和寿命预测系统及方法 |
CN117710759B (zh) * | 2024-02-06 | 2024-04-26 | 青岛哈尔滨工程大学创新发展中心 | 一种载人潜器故障和寿命预测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116643517B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116643517B (zh) | 一种水下载人潜器预防事故设备 | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
Liu et al. | An audio-based fault diagnosis method for quadrotors using convolutional neural network and transfer learning | |
CN111336996A (zh) | 一种海洋环境与船舶运动监测预报系统及监测预报方法 | |
CN116588282B (zh) | 一种auv智能运维系统及方法 | |
CN113033011B (zh) | 一种船舶机械健康状态评估方法及系统 | |
CN113847950A (zh) | 基于云计算的智能船舶设备状态监测系统及信息交互方法 | |
CN116228186A (zh) | 基于人因工程的船舶机舱智能运维系统 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN114492642A (zh) | 一种多尺度元深度残差收缩网络的机械故障在线诊断方法 | |
CN112434948A (zh) | 一种海上打捞作业海气环境风险评估系统 | |
CN115616067A (zh) | 一种管道检测数字孪生系统 | |
CN116246366A (zh) | 一种基于数字孪生的无人机健康运行评估方法 | |
CN111753603A (zh) | 一种应急发电机组edg故障诊断系统 | |
CN117218375A (zh) | 基于先验知识与数据驱动的环境能见度预测方法及设备 | |
CN113984114B (zh) | 一种海洋浮式平台水下结构异常诊断方法 | |
CN116910574A (zh) | 基于元学习和时间卷积网络的机械设备诊断方法及装置 | |
CN115659778A (zh) | 风力发电机轴承故障诊断模型在线构建方法及在线更新设备 | |
CN115271307A (zh) | 一种船舶设备检查管理的方法和系统 | |
CN116395105B (zh) | 一种无人船的自动升降补偿方法及系统 | |
CN114019935A (zh) | 一种基于工业物联网设备实时检测诊断系统 | |
CN117710759B (zh) | 一种载人潜器故障和寿命预测系统及方法 | |
KR20220036791A (ko) | 선박내에서 수집된 필드 데이터를 검증하는 시스템 및 방법 | |
Zheng et al. | An unsupervised transfer learning method based on SOCNN and FBNN and its application on bearing fault diagnosis |
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 |