CN116773168A - 一种推进轴故障诊断方法及系统 - Google Patents

一种推进轴故障诊断方法及系统 Download PDF

Info

Publication number
CN116773168A
CN116773168A CN202310730514.1A CN202310730514A CN116773168A CN 116773168 A CN116773168 A CN 116773168A CN 202310730514 A CN202310730514 A CN 202310730514A CN 116773168 A CN116773168 A CN 116773168A
Authority
CN
China
Prior art keywords
fault
measure
health degree
health
shaft
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
Application number
CN202310730514.1A
Other languages
English (en)
Other versions
CN116773168B (zh
Inventor
吴子俊
高翔
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.)
Nantong Sinoe Marine Technology Co ltd
Original Assignee
Nantong Sinoe Marine Technology 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 Nantong Sinoe Marine Technology Co ltd filed Critical Nantong Sinoe Marine Technology Co ltd
Priority to CN202310730514.1A priority Critical patent/CN116773168B/zh
Publication of CN116773168A publication Critical patent/CN116773168A/zh
Application granted granted Critical
Publication of CN116773168B publication Critical patent/CN116773168B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本申请提供的一种推进轴故障诊断方法及系统，具体应用于故障诊断领域，包括采集目标船舶推进轴当前时刻的第一气象数据、第一物理数据和第一运行数据；分别计算第一气象数据、第一物理数据和第一运行数据的第一健康度、第二健康度和第三健康度；联合所述第一健康度、所述第二健康度和所述第三健康度，得到故障测度；根据所述故障测度，得到故障诊断结果。由此实现船舶推进轴故障的准确识别，提高航行安全性。

Description

一种推进轴故障诊断方法及系统
技术领域
本申请涉及故障诊断领域，更具体地，涉及一种推进轴故障诊断方法及系统。
背景技术
近年来，随着云计算、大数据、物联网等计算机技术的飞速发展，各机构积极推动智能船舶的研究。船舶推进轴系作为一种大型旋转机械，其健康状态是船舶安全、稳定运行的重要保证之一。然而由于船舶推进轴系长期在船体震动、设备震动等外力耦合作用下，发生故障的概率大大增加。
现有技术中通常采用频谱分析、信号滤波等方法对船舶推进轴系进行周期性故障诊断，然而这种方式无法准确高效的获取故障诊断结果。
发明内容
本发明实施例的目的在于提供一种推进轴故障诊断方法及系统，采集目标船舶推进轴当前时刻的第一气象数据、第一物理数据和第一运行数据；分别计算所第一气象数据、第一物理数据和第一运行数据的第一健康度、第二健康度和第三健康度；联合所述第一健康度、所述第二健康度和所述第三健康度，得到故障测度；根据所述故障测度，得到故障诊断结果。由此实现船舶推进轴故障的准确识别，提高航行安全性。具体技术方案如下：
在本发明实施例的第一方面，提供一种推进轴故障诊断方法，该方法包括：采集目标船舶推进轴当前时刻的第一气象数据、第一物理数据和第一运行数据；计算所述第一气象数据的第一健康度；计算所述第一物理数据的第二健康度；计算所述第一运行数据的第三健康度；联合所述第一健康度、所述第二健康度和所述第三健康度，得到故障测度；根据所述故障测度，得到故障诊断结果。
可选地，所述第一气象数据包括：降水量、风速和温度；所述第一物理数据包括艉轴温度、艉轴压力和船尾结构震动频率；所述第一运行数据包括主机转速和螺旋桨转速。
可选地，所述计算所述第一气象数据的第一健康度，包括：当降水量D处于降水量区间[D0,D1]内，且风速W处于风速区间[W0,W1]内，且温度T处于温度区间[T0,T1]内时，利用如下公式计算第一健康度：
F1＝(D-D0)/(D1-D0)
F2＝(W-W0)/(W1-W0)
F3＝(T-T0)/(T1-T0)
其中，α、β和γ表示F1、F2和F3对应的参数因子，取值为(0,1)。
可选地，所述计算所述第一物理数据的第二健康度，包括：当艉轴温度ST处于艉轴温度区间[ST0,ST1]内，且艉轴压力SP处于压力区间[SP0,SP1]内，且船尾结构震动频率FR处于震动区间[FR0,FR1]内时，利用如下公式计算第二健康度：
F4＝(ST-ST0)/(ST1-ST0)
F5＝(SP-SP0)/(SP1-SP0)
F6＝(FR-FR0)/(FR1-FR0)
其中，λ、η和θ表示F4、F5和F6对应的参数因子，取值为(0,1)。
可选地，所述计算所述第一运行数据的第三健康度，包括：当主机转速M处于主机转速区间[M0,M1]内，且螺旋桨转速P处于螺旋桨转速区间[P0,P1]内时，利用如下公式计算第三健康度：
F7＝(M-M0)/(M1-M0)
F8＝(P-P0)/(P1-P0)
其中，ε表示F7和F8对应的参数因子，取值为(0,1)。
可选地，所述联合所述第一健康度、所述第二健康度和所述第三健康度，得到故障测度，包括：联合所述第一健康度、所述第二健康度和所述第三健康度，构建健康向量H＝[H1,H2,H3]；将所述健康向量输入故障诊断模型，输出故障测度。
可选地，所述故障诊断模型是双向LSTM神经网络模型。
可选地，所述根据所述故障测度，得到故障诊断结果，包括：预设第一测度阈值和第二测度阈值；其中，所述第一测度阈值小于所述第二测度阈值；若所述故障测度小于等于所述第一测度阈值，则所述推进轴无故障；若所述故障测度大于所述第一测度阈值且小于等于所述第二测度阈值，则所述推进轴存在故障，但能够继续工作；若所述故障测度大于第二测度阈值，则所述推进轴存在故障，已无法工作。
在本发明实施例的又一方面，提供一种推进轴故障诊断系统，该系统包括：数据采集模块，用于采集目标船舶推进轴当前时刻的第一气象数据、第一物理数据和第一运行数据；测度计算模块，用于计算所述第一气象数据的第一健康度；计算所述第一物理数据的第二健康度；计算所述第一运行数据的第三健康度；联合所述第一健康度、所述第二健康度和所述第三健康度，得到故障测度；故障诊断模块，用于根据所述故障测度，得到故障诊断结果。
可选地，所述第一气象数据包括：降水量、风速和温度；所述第一物理数据包括艉轴温度、艉轴压力和船尾结构震动频率；所述第一运行数据包括主机转速和螺旋桨转速。
可选地，所述计算所述第一气象数据的第一健康度，包括：当降水量D处于降水量区间[D0,D1]内，且风速W处于风速区间[W0,W1]内，且温度T处于温度区间[T0,T1]内时，利用如下公式计算第一健康度：
F1＝(D-D0)/(D1-D0)
F2＝(W-W0)/(W1-W0)
F3＝(T-T0)/(T1-T0)
其中，α、β和γ表示F1、F2和F3对应的参数因子，取值为(0,1)。
可选地，所述计算所述第一物理数据的第二健康度，包括：当艉轴温度ST处于艉轴温度区间[ST0,ST1]内，且艉轴压力SP处于压力区间[SP0,SP1]内，且船尾结构震动频率FR处于震动区间[FR0,FR1]内时，利用如下公式计算第二健康度：
F4＝(ST-ST0)/(ST1-ST0)
F5＝(SP-SP0)/(SP1-SP0)
F6＝(FR-FR0)/(FR1-FR0)
其中，λ、η和θ表示F4、F5和F6对应的参数因子，取值为(0,1)。
可选地，所述计算所述第一运行数据的第三健康度，包括：当主机转速M处于主机转速区间[M0,M1]内，且螺旋桨转速P处于螺旋桨转速区间[P0,P1]内时，利用如下公式计算第三健康度：
F7＝(M-M0)/(M1-M0)
F8＝(P-P0)/(P1-P0)
其中，ε表示F7和F8对应的参数因子，取值为(0,1)。
可选地，所述联合所述第一健康度、所述第二健康度和所述第三健康度，得到故障测度，包括：联合所述第一健康度、所述第二健康度和所述第三健康度，构建健康向量H＝[H1,H2,H3]；将所述健康向量输入故障诊断模型，输出故障测度。
可选地，所述故障诊断模型是双向LSTM神经网络模型。
可选地，所述故障诊断模块具体用于：预设第一测度阈值和第二测度阈值；其中，所述第一测度阈值小于所述第二测度阈值；若所述故障测度小于等于所述第一测度阈值，则所述推进轴无故障；若所述故障测度大于所述第一测度阈值且小于等于所述第二测度阈值，则所述推进轴存在故障，但能够继续工作；若所述故障测度大于第二测度阈值，则所述推进轴存在故障，已无法工作。
有益效果：
本发明采集目标船舶推进轴当前时刻的第一气象数据、第一物理数据和第一运行数据；引入全新的计算方式，分别计算第一气象数据、第一物理数据和第一运行数据的第一健康度、第二健康度和第三健康度；联合所述第一健康度、所述第二健康度和所述第三健康度，通过双向LSTM模型得到故障测度；根据所述故障测度，得到故障诊断结果。由此实现船舶推进轴故障的准确识别，提高航行安全性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种推进轴故障诊断方法的流程示意图；
图2是本申请实施例提供的一种推进轴故障诊断系统的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
本申请实施例提供了一种推进轴故障诊断方法及系统，具体应用于故障诊断领域，包括采集目标船舶推进轴当前时刻的第一气象数据、第一物理数据和第一运行数据；分别计算第一气象数据、第一物理数据和第一运行数据的第一健康度、第二健康度和第三健康度；联合所述第一健康度、所述第二健康度和所述第三健康度，得到故障测度；根据所述故障测度，得到故障诊断结果。由此实现船舶推进轴故障的准确识别，提高航行安全性。
该推进轴故障诊断方法及系统，具体可以集成在电子设备中，该电子设备可以为终端、服务器等设备。其中，终端可以为光场摄像机、车载相机、手机、平板电脑、智能蓝牙设备、笔记本电脑、或者个人电脑(Personal Computer，PC)等设备；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群。
人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
近年来，随着人工智能技术研究和进步，人工智能技术在多个领域得到广泛应用，本公开实施例提供的方案涉及计算机视觉技术、人工智能的机器学习/深度学习等技术，具体通过如下实施例进行说明：
图1示出了本申请实施例提供的推进轴故障诊断方法的流程示意图，请参考图1，具体包括如下步骤：
首先，船舶推进轴系是船舶的推进系统，它由中间轴、中间轴承、艉轴、艉轴承、螺旋桨以及前后密封装置构成，它们整体连接后由主机提供动力发挥作用。船舶推进轴系的作用是将主机发出的功率传递给螺旋桨，螺旋桨旋转后产生轴向推力通过轴系传给推力轴承，再由推力轴承传递给船体，使船舶前进或者后退。
下面结合附图和具体实施例对本发明进行详细阐述。
S110、采集目标船舶推进轴当前时刻的第一气象数据、第一物理数据和第一运行数据。
其中，所述第一气象数据包括：降水量、风速和温度；所述第一物理数据包括艉轴温度、艉轴压力和船尾结构震动频率；所述第一运行数据包括主机转速和螺旋桨转速。
S120、计算所述第一气象数据的第一健康度。
具体地，当降水量D处于降水量区间[D0,D1]内，且风速W处于风速区间[W0,W1]内，且温度T处于温度区间[T0,T1]内时，利用如下公式计算第一健康度：
F1＝(D-D0)/(D1-D0)
F2＝(W-W0)/(W1-W0)
F3＝(T-T0)/(T1-T0)
其中，α、β和γ表示F1、F2和F3对应的参数因子，取值为(0,1)。
S130、计算所述第一物理数据的第二健康度。
具体地，当艉轴温度ST处于艉轴温度区间[ST0,ST1]内，且艉轴压力SP处于压力区间[SP0,SP1]内，且船尾结构震动频率FR处于震动区间[FR0,FR1]内时，利用如下公式计算第二健康度：
F4＝(ST-ST0)/(ST1-ST0)
F5＝(SP-SP0)/(SP1-SP0)
F6＝(FR-FR0)/(FR1-FR0)
其中，λ、η和θ表示F4、F5和F6对应的参数因子，取值为(0,1)。
S140、计算所述第一运行数据的第三健康度。
具体地，当主机转速M处于主机转速区间[M0,M1]内，且螺旋桨转速P处于螺旋桨转速区间[P0,P1]内时，利用如下公式计算第三健康度：
F7＝(M-M0)/(M1-M0)
F8＝(P-P0)/(P1-P0)
其中，ε表示F7和F8对应的参数因子，取值为(0,1)。
由此通过多项参数的归一化计算，得到客观、准确的健康度评估结果。
S150、联合所述第一健康度、所述第二健康度和所述第三健康度，得到故障测度。
在一种实施方式中，步骤S150可以具体包括以下步骤：
S151、联合所述第一健康度、所述第二健康度和所述第三健康度，构建健康向量H＝[H1,H2,H3]。
S152、将所述健康向量输入故障诊断模型，输出故障测度。
其中，故障诊断模型是双向LSTM神经网络模型。所述双向LSTM神经网络模型包括Input层，Forward层，Backward层和Output层。
在一种实施方式中，可以通过以下步骤训练所述故障诊断模型：
采集目标船舶历史第二气象数据、第二物理数据和第二运行数据；分别计算第二气象数据、第二物理数据和第二运行数据的第四健康度、第五健康度和第六健康度；联合第四健康度、第五健康度和第六健康度，得到历史故障测度；将所述历史故障测度输入双向LSTM神经网络模型进行训练，得到训练好的故障诊断模型。
S160、根据所述故障测度，得到故障诊断结果。
具体地，预设第一测度阈值和第二测度阈值；其中，所述第一测度阈值小于所述第二测度阈值；若所述故障测度小于等于所述第一测度阈值，则所述推进轴无故障；若所述故障测度大于所述第一测度阈值且小于等于所述第二测度阈值，则所述推进轴存在故障，但能够继续工作；若所述故障测度大于第二测度阈值，则所述推进轴存在故障，已无法工作。
进一步地，可以预先采集目标船舶的统计资料；其中，统计资料可以包括目标船舶的长度、用途、承载量等，基于此预设第一测度阈值和第二测度阈值，在此不做具体限定。
综上所述，本发明采集目标船舶推进轴当前时刻的第一气象数据、第一物理数据和第一运行数据，分别计算第一气象数据、第一物理数据和第一运行数据的第一健康度、第二健康度和第三健康度；联合所述第一健康度、所述第二健康度和所述第三健康度，通过双向LSTM模型得到故障测度；根据所述故障测度，得到故障诊断结果。由此实现船舶推进轴故障的准确识别，提高航行安全性。
本实施例还提供一种推进轴故障诊断系统，如图2所示，该系统包括：
数据采集模块210，用于采集目标船舶推进轴当前时刻的第一气象数据、第一物理数据和第一运行数据。
测度计算模块220，用于计算所述第一气象数据的第一健康度；计算所述第一物理数据的第二健康度；计算所述第一运行数据的第三健康度；联合所述第一健康度、所述第二健康度和所述第三健康度，得到故障测度。
故障诊断模块230，用于根据所述故障测度，得到故障诊断结果。
可选地，所述第一气象数据包括：降水量、风速和温度；所述第一物理数据包括艉轴温度、艉轴压力和船尾结构震动频率；所述第一运行数据包括主机转速和螺旋桨转速。
可选地，所述计算所述第一气象数据的第一健康度，包括：当降水量D处于降水量区间[D0,D1]内，且风速W处于风速区间[W0,W1]内，且温度T处于温度区间[T0,T1]内时，利用如下公式计算第一健康度：
F1＝(D-D0)/(D1-D0)
F2＝(W-W0)/(W1-W0)
F3＝(T-T0)/(T1-T0)
其中，α、β和γ表示F1、F2和F3对应的参数因子，取值为(0,1)。
可选地，所述计算所述第一物理数据的第二健康度，包括：当艉轴温度ST处于艉轴温度区间[ST0,ST1]内，且艉轴压力SP处于压力区间[SP0,SP1]内，且船尾结构震动频率FR处于震动区间[FR0,FR1]内时，利用如下公式计算第二健康度：
F4＝(ST-ST0)/(ST1-ST0)
F5＝(SP-SP0)/(SP1-SP0)
F6＝(FR-FR0)/(FR1-FR0)
其中，λ、η和θ表示F4、F5和F6对应的参数因子，取值为(0,1)。
可选地，所述计算所述第一运行数据的第三健康度，包括：当主机转速M处于主机转速区间[M0,M1]内，且螺旋桨转速P处于螺旋桨转速区间[P0,P1]内时，利用如下公式计算第三健康度：
F7＝(M-M0)/(M1-M0)
F8＝(P-P0)/(P1-P0)
其中，ε表示F7和F8对应的参数因子，取值为(0,1)。
可选地，所述联合所述第一健康度、所述第二健康度和所述第三健康度，得到故障测度，包括：联合所述第一健康度、所述第二健康度和所述第三健康度，构建健康向量H＝[H1,H2,H3]；将所述健康向量输入故障诊断模型，输出故障测度。
可选地，所述故障诊断模型是双向LSTM神经网络模型。
可选地，所述故障诊断模块230具体用于：预设第一测度阈值和第二测度阈值；其中，所述第一测度阈值小于所述第二测度阈值；若所述故障测度小于等于所述第一测度阈值，则所述推进轴无故障；若所述故障测度大于所述第一测度阈值且小于等于所述第二测度阈值，则所述推进轴存在故障，但能够继续工作；若所述故障测度大于第二测度阈值，则所述推进轴存在故障，已无法工作。
本发明提供的推进轴故障诊断系统能够实现船舶推进轴故障的准确识别，提高航行安全性。
以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种推进轴故障诊断方法，其特征在于，该方法包括：
采集目标船舶推进轴当前时刻的第一气象数据、第一物理数据和第一运行数据；
计算所述第一气象数据的第一健康度；
计算所述第一物理数据的第二健康度；
计算所述第一运行数据的第三健康度；
联合所述第一健康度、所述第二健康度和所述第三健康度，得到故障测度；
根据所述故障测度，得到故障诊断结果。
2.根据权利要求1所述的推进轴故障诊断方法，其特征在于，所述第一气象数据包括：降水量、风速和温度；所述第一物理数据包括艉轴温度、艉轴压力和船尾结构震动频率；所述第一运行数据包括主机转速和螺旋桨转速。
3.根据权利要求2所述的推进轴故障诊断方法，其特征在于，所述计算所述第一气象数据的第一健康度，包括：
当降水量D处于降水量区间[D0,D1]内，且风速W处于风速区间[W0,W1]内，且温度T处于温度区间[T0,T1]内时，利用如下公式计算第一健康度：
F1＝(D-D0)D1-D0
F2＝(W-W0)W1-W0
F3＝(T-T0)T1-T0
其中，α、β和γ表示F1、F2和F3对应的参数因子，取值为(0,1)。
4.根据权利要求3所述的推进轴故障诊断方法，其特征在于，所述计算所述第一物理数据的第二健康度，包括：
当艉轴温度ST处于艉轴温度区间[ST0,ST1]内，且艉轴压力SP处于压力区间[SP0,SP1]内，且船尾结构震动频率FR处于震动区间[FR0,FR1]内时，利用如下公式计算第二健康度：
F4＝(ST-ST0)ST1-ST0
F5＝(SP-SP0)SP1-SP0
F6＝(FR-FR0)FR1-FR0
其中，λ、η和θ表示F4、F5和F6对应的参数因子，取值为(0,1)。
5.根据权利要求4所述的推进轴故障诊断方法，其特征在于，所述计算所述第一运行数据的第三健康度，包括：
当主机转速M处于主机转速区间[M0,M1]内，且螺旋桨转速P处于螺旋桨转速区间[P0,P1]内时，利用如下公式计算第三健康度：
F7＝(M-M0)M1-M0
F8＝(P-P0)P1-P0
其中，ε表示F7和F8对应的参数因子，取值为(0,1)。
6.根据权利要求5所述的推进轴故障诊断方法，其特征在于，所述联合所述第一健康度、所述第二健康度和所述第三健康度，得到故障测度，包括：
联合所述第一健康度、所述第二健康度和所述第三健康度，构建健康向量H＝[H1,H2,H3]；
将所述健康向量输入故障诊断模型，输出故障测度。
7.根据权利要求6所述的推进轴故障诊断方法，其特征在于，所述故障诊断模型是双向LSTM神经网络模型。
8.根据权利要求1所述的推进轴故障诊断方法，其特征在于，所述根据所述故障测度，得到故障诊断结果，包括：
预设第一测度阈值和第二测度阈值；其中，所述第一测度阈值小于所述第二测度阈值；
若所述故障测度小于等于所述第一测度阈值，则所述推进轴无故障；
若所述故障测度大于所述第一测度阈值且小于等于所述第二测度阈值，则所述推进轴存在故障，但能够继续工作；
若所述故障测度大于第二测度阈值，则所述推进轴存在故障，已无法工作。
9.一种推进轴故障诊断系统，其特征在于，该系统包括：
数据采集模块，用于采集目标船舶推进轴当前时刻的第一气象数据、第一物理数据和第一运行数据；
测度计算模块，用于计算所述第一气象数据的第一健康度；
计算所述第一物理数据的第二健康度；
计算所述第一运行数据的第三健康度；
联合所述第一健康度、所述第二健康度和所述第三健康度，得到故障测度；
故障诊断模块，用于根据所述故障测度，得到故障诊断结果。
10.根据权利要求9所述的推进轴故障诊断系统，其特征在于，所述故障诊断模块具体用于：
预设第一测度阈值和第二测度阈值；其中，所述第一测度阈值小于所述第二测度阈值；
若所述故障测度小于等于所述第一测度阈值，则所述推进轴无故障；
若所述故障测度大于所述第一测度阈值且小于等于所述第二测度阈值，则所述推进轴存在故障，但能够继续工作；
若所述故障测度大于第二测度阈值，则所述推进轴存在故障，已无法工作。
CN202310730514.1A 2023-06-20 2023-06-20 一种推进轴故障诊断方法及系统 Active CN116773168B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310730514.1A CN116773168B (zh) 2023-06-20 2023-06-20 一种推进轴故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310730514.1A CN116773168B (zh) 2023-06-20 2023-06-20 一种推进轴故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN116773168A true CN116773168A (zh) 2023-09-19
CN116773168B CN116773168B (zh) 2024-03-12

Family

ID=88007495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310730514.1A Active CN116773168B (zh) 2023-06-20 2023-06-20 一种推进轴故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN116773168B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101992837A (zh) * 2010-10-27 2011-03-30 天津大学 船舶推进轴系风险预警方法
CN106347578A (zh) * 2016-10-27 2017-01-25 江苏科技大学 一种船舶推进轴系轴承振动故障监测方法
CN108549951A (zh) * 2018-03-09 2018-09-18 璇飞（武汉）科技有限公司 一种基于关键器件的船用电气设备寿命预测方法及装置
CN109934358A (zh) * 2019-01-30 2019-06-25 中国人民解放军32181部队 装备故障预测和健康评估方法、系统及终端设备
CN113569475A (zh) * 2021-07-21 2021-10-29 上海工程技术大学 一种基于数字孪生技术的地铁轴箱轴承故障诊断系统
CN114254904A (zh) * 2021-12-13 2022-03-29 华北电力大学 一种风电机组机舱运行健康度评价方法及装置
CN114648136A (zh) * 2022-04-01 2022-06-21 姚红昭 动设备健康度评估方法、装置、设备及存储介质
CN115060491A (zh) * 2022-06-23 2022-09-16 华能湖南桂东风电有限责任公司 一种基于多源数据的风机轴承运行健康度评估方法及系统
CN115186883A (zh) * 2022-06-29 2022-10-14 成都航天科工大数据研究院有限公司 基于边云协同计算的工业设备健康状态监测系统及方法
CN115270993A (zh) * 2022-08-23 2022-11-01 南通思诺船舶科技有限公司 柴油机组状态检测方法及系统
CN115586009A (zh) * 2022-11-09 2023-01-10 上海仁童电子科技有限公司 一种故障诊断与健康管理系统、方法
CN115641549A (zh) * 2022-10-18 2023-01-24 南通思诺船舶科技有限公司 一种主推进柴油机组健康监测方法和系统
CN115685879A (zh) * 2023-01-05 2023-02-03 广东美的制冷设备有限公司 机床状态调整方法、装置、设备、机床、介质及程序产品

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101992837A (zh) * 2010-10-27 2011-03-30 天津大学 船舶推进轴系风险预警方法
CN106347578A (zh) * 2016-10-27 2017-01-25 江苏科技大学 一种船舶推进轴系轴承振动故障监测方法
CN108549951A (zh) * 2018-03-09 2018-09-18 璇飞（武汉）科技有限公司 一种基于关键器件的船用电气设备寿命预测方法及装置
CN109934358A (zh) * 2019-01-30 2019-06-25 中国人民解放军32181部队 装备故障预测和健康评估方法、系统及终端设备
CN113569475A (zh) * 2021-07-21 2021-10-29 上海工程技术大学 一种基于数字孪生技术的地铁轴箱轴承故障诊断系统
CN114254904A (zh) * 2021-12-13 2022-03-29 华北电力大学 一种风电机组机舱运行健康度评价方法及装置
CN114648136A (zh) * 2022-04-01 2022-06-21 姚红昭 动设备健康度评估方法、装置、设备及存储介质
CN115060491A (zh) * 2022-06-23 2022-09-16 华能湖南桂东风电有限责任公司 一种基于多源数据的风机轴承运行健康度评估方法及系统
CN115186883A (zh) * 2022-06-29 2022-10-14 成都航天科工大数据研究院有限公司 基于边云协同计算的工业设备健康状态监测系统及方法
CN115270993A (zh) * 2022-08-23 2022-11-01 南通思诺船舶科技有限公司 柴油机组状态检测方法及系统
CN115641549A (zh) * 2022-10-18 2023-01-24 南通思诺船舶科技有限公司 一种主推进柴油机组健康监测方法和系统
CN115586009A (zh) * 2022-11-09 2023-01-10 上海仁童电子科技有限公司 一种故障诊断与健康管理系统、方法
CN115685879A (zh) * 2023-01-05 2023-02-03 广东美的制冷设备有限公司 机床状态调整方法、装置、设备、机床、介质及程序产品

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈应天;: "船舶机电设备健康管理系统关键技术分析", 《中国水运(下半月)》, vol. 17, no. 12, 15 December 2017 (2017-12-15), pages 120 - 121 *

Also Published As

Publication number Publication date
CN116773168B (zh) 2024-03-12

Similar Documents

Publication Publication Date Title
Wang et al. Modified multiscale weighted permutation entropy and optimized support vector machine method for rolling bearing fault diagnosis with complex signals
Tang et al. An improved convolutional neural network with an adaptable learning rate towards multi-signal fault diagnosis of hydraulic piston pump
CN108520080B (zh) 船舶柴油发电机故障预测与健康状态在线评估系统及方法
Liao et al. Hydroelectric generating unit fault diagnosis using 1-D convolutional neural network and gated recurrent unit in small hydro
CN101670886B (zh) 水下机器人推进器信息融合故障诊断方法及装置
Liang et al. Bearing fault diagnosis based on improved ensemble learning and deep belief network
Cheng et al. Wind turbine blade icing detection: A federated learning approach
Nie et al. A fault diagnosis framework insensitive to noisy labels based on recurrent neural network
CN116773168B (zh) 一种推进轴故障诊断方法及系统
Zhang et al. A novel wind turbine fault diagnosis based on deep transfer learning of improved residual network and multi-target data
Tsai et al. Multisensor fusion time–frequency analysis of thruster blade fault diagnosis based on deep learning
Yuan et al. An underwater thruster fault diagnosis simulator and thrust calculation method based on fault clustering
Han et al. The multilabel fault diagnosis model of bearing based on integrated convolutional neural network and gated recurrent unit
Jian et al. LAFD-net: learning with noisy pseudo-labels for semisupervised bearing fault diagnosis
CN115641549B (zh) 一种主推进柴油机组健康监测方法和系统
Zhong et al. Intelligent fault diagnosis scheme for rotating machinery based on momentum contrastive bi-tuning framework
ZHANG et al. Strategies of parameter fault detection for rocket engines based on transfer learning
Tang et al. Multi-level Amplified iterative training of semi-supervision deep learning for glaucoma diagnosis
Pan et al. A SENet-TSCNN model developed for fault diagnosis considering squeeze-excitation networks and two-stream feature fusion
CN116773169A (zh) 一种推进轴健康管理方法及系统
He et al. Fault diagnosis of full-drive AUV based on graph theory and recurrent neural network
Xu et al. Discriminative subspace embedded dynamic geometrical and statistical alignment based on pseudo-label correction for cross-domain bearing fault diagnosis
Li et al. Joint threshold learning convolutional networks for intelligent fault diagnosis under nonstationary conditions
Wen et al. Bearing fault diagnosis via fusing small samples and training multi-state siamese neural networks
Liu et al. Twin prototype networks with noisy label self-correction for fault diagnosis of wind turbine gearboxes

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