CN116797200A - 基于船岸协同舵机智能诊断健康管理系统及其应用方法 - Google Patents
基于船岸协同舵机智能诊断健康管理系统及其应用方法 Download PDFInfo
- Publication number
- CN116797200A CN116797200A CN202310647989.4A CN202310647989A CN116797200A CN 116797200 A CN116797200 A CN 116797200A CN 202310647989 A CN202310647989 A CN 202310647989A CN 116797200 A CN116797200 A CN 116797200A
- Authority
- CN
- China
- Prior art keywords
- fault
- ship
- data
- shore
- module
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000036541 health Effects 0.000 title claims description 27
- 238000012423 maintenance Methods 0.000 claims abstract description 113
- 238000005457 optimization Methods 0.000 claims abstract description 42
- 230000005540 biological transmission Effects 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 27
- 230000003993 interaction Effects 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims description 34
- 238000012544 monitoring process Methods 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000007689 inspection Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000013480 data collection Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 230000007774 longterm Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 5
- 230000005577 local transmission Effects 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000013508 migration Methods 0.000 claims description 4
- 230000005012 migration Effects 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 15
- 238000013461 design Methods 0.000 abstract description 6
- 239000010720 hydraulic oil Substances 0.000 description 14
- 239000003921 oil Substances 0.000 description 8
- 230000006866 deterioration Effects 0.000 description 6
- 230000001590 oxidative effect Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 239000007788 liquid Substances 0.000 description 4
- 206010063385 Intellectualisation Diseases 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/096—Transfer learning
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
基于船岸协同舵机智能诊断健康管理系统及其应用方法，所述系统包括用于采集舵机状态数据传输交互的船端数据采集传输模块、用于对船舶进行故障诊断、趋势预测与运维决策支持的故障智能诊断与决策支持模块、用于优化训练故障定位模型的船岸协同模块、用于收集信息、协同优化与决策方案更新的岸端数据中心以及用于数据交互的云端；本设计在应用中，通过一种端到端的实时故障检测系统及其使用方法，在系统出现故障时，自动定位故障和判断故障严重程度，避免了故障出现时，需要停船并依赖人工经验进行故障排除的检测方式，降低了故障检测中的不确定性，实现了多船实时优化和中心‑分布式优化。因此，本设计不仅人工依赖程度较低，而且检测较为准确。
Description
技术领域
本发明涉及一种舵机监测管理系统及其应用方法，属于机械设备监测诊断领域，尤其涉及基于船岸协同舵机智能诊断健康管理系统及其应用方法。
背景技术
随着船舶智能化、少人化甚至无人化趋势的日益兴起，船舶各个机械设备的自动化、智能化水平要求逐渐提高，这要求船舶设备一方面在设计装配时需要具备良好的自动化性能，另一方面在运行时需要具有高度智能化的无人维护管理体系；舵机作为维持船舶航向和保障船舶操纵性能的核心机械设备，其工作的可靠性严重影响船舶的航行安全和效率，例如，当船舶无法转舵时，位于海洋中的船舶即属于“瘫船”状态，必须由其他船舶拖曳回到港口，位于近海或内河航道的船舶则极易发生“冲滩”事件，造成重大损失；随着自动舵技术的普及使用，转舵系统已经拥有较高的自动化水平，然而，当前大多数船舶的转舵系统设备都缺乏配套的工况监测系统，出现跑舵、冲舵、滞舵等故障时只能依靠船上值班人员判断故障原因并进行决策，到港后请专业人员人工排除故障。
当前，大型远洋船舶大多采用柱塞式液压舵机，其监测系统局限于舵角、油箱液位信息，在船舶舵机结构中，布置了数个压力表、液位指示器、油液温度计及舵角指示器，其压力、温度和液位数据则需要人工读取并定期记录，舵机潜在的故障诊断几乎完全取决于工作人员的经验水平，在当前各个设备高度自动化、智能化的需求下，液压柱塞舵机监测系统不完善、故障诊断完全依赖人工实现且仅靠经验判断容易误判的困境亟待解决。
公开该背景技术部分的信息仅仅旨在增加对本申请的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的是克服现有技术中存在的人工依赖程度较高，而且检测确定性较低的缺陷与问题，提供一种人工依赖程度较低，而且检测较为准确的基于船岸协同舵机智能诊断健康管理系统及其应用方法。
为实现以上目的，本发明的技术解决方案是：基于船岸协同舵机智能诊断健康管理系统，所述系统包括船端数据采集传输模块、故障智能诊断与决策支持模块、船岸协同模块、岸端数据中心与云端；
所述船端数据采集传输模块用于采集舵机的状态数据与数据的传输交互；
所述故障智能诊断与决策支持模块用于对船舶进行故障诊断、趋势预测与运维决策支持；
所述船岸协同模块用于建立、优化训练故障定位模型；
所述岸端数据中心用于收集各模块回传的各种状态信息进行存储，并与船岸协同模块协同优化故障定位模型，并定期进行决策方案的更新；
所述云端用于与船端数据采集传输模块、故障智能诊断与决策支持模块、船岸协同模块、岸端数据中心进行数据交互。
所述船端数据采集传输模块包括：数据采集模块与数据传输模块；
所述数据采集模块包括：设置于液压管路上的温度传感器与压力传感器、设置于液压油缸—活塞副上的径向振动传感器、设置于液压泵与电机之间联轴器上的振动传感器、设置于舵角指示仪上的舵角采集模块以及数据本地传输存储模块；
所述数据传输模块包括：数据采集卡与工控机；所述数据采集模块采集的数据通过CAN总线协议传输至数据采集卡，所述数据采集卡将获取的数据基于以太网通讯协议传输至工控机，所述工控机对数据进行存储与处理，并将处理后的数据基于OPC UA通信协议传输至岸端数据中心。
所述故障智能诊断与决策支持模块包括转舵故障诊断模块、阈值判断模块与决策分析模块；
所述转舵故障诊断模块用于基于指令舵角与实际舵角数据进行系统故障状态的逻辑判断；
所述阈值判断模块用于对船舶设备状态进行趋势预测，并在出现异常情况时，进行报警；
所述决策分析模块用于输出故障位置提示、故障严重程度与维修决策建议。
所述基于指令舵角与实际舵角数据进行系统故障状态的逻辑判断是指：
当船舶进行转舵操作时，将检测到的实际舵角与发出的舵角指令进行比对，当判定系统存在无法转舵故障、单向转舵故障、滞舵故障、转舵速度小故障、冲舵故障与跑舵故障中的任意一种或任意组合的故障时，则自动记录故障状态，并在船端与岸端平台进行报警提示。
所述趋势预测是指长期趋势预测；
所述长期趋势预测是指：首先获得不同工况下各个监测位点的理论值，并收集船端数据采集传输模块采集的各个监测位点的历史数据，然后制定成工况谱，最后将理论值与历史数据进行趋势拟合，获得机械设备的理论阈值区间。
所述趋势预测是指短期趋势预测；
所述短期趋势预测是指：通过机器学习方法，对未来若干时间内的船舶设备的运转状态趋势进行预测，并在预测的数据超出理论阈值区间时，在船端与岸端平台进行报警提示。
所述船岸协同模块用于建立、优化训练故障定位模型是指：
首先构建虚拟的舵机运行仿真模型，并将舵机的控制逻辑写入仿真模型中，然后将若干种不同的故障注入仿真模型中，进行多次故障仿真试验，获取故障仿真数据，随后将故障仿真数据进行合并标签化处理，获得舵机故障诊断数据集，并根据舵机故障诊断数据集，建立基于LSTM与DCNN算法的故障定位模型进行预训练优化，同时根据实船运行数据执行迁移学习以自适应不同船型或舵机型号，在运行过程中不断根据实际数据训练优化模型，并将获得的故障定位模型的优化参数包上传至岸端数据中心。
所述岸端数据中心用于收集各模块回传的各种状态信息进行存储，并与船岸协同模块协同优化故障定位模型，并定期进行故障诊断方案的更新是指：
所述岸端数据中心定期从云端收集各船端设备回传的故障报警信息与检查维修信息进行本地存储，获得本地模型参数，然后定期从云端下载各船端的故障定位模型的优化参数包，并采用均值优化方法对其进行优化，获得中心优化参数包，并定期将中心优化参数包下发至各船端进行故障诊断方案的更新。
所述运维决策支持是指：当故障智能诊断与决策支持模块进行故障的诊断结果为存在故障时，则系统将根据诊断结果进行自动推理，并输出故障位置、故障严重程度提示与维修决策建议。
一种基于船岸协同舵机智能诊断健康管理系统的应用方法，所述应用方法包括以下步骤：
步骤一、首先船端数据采集传输模块实时采集、检测并存储船舶的各项设备的状态参数；若各项状态参数均处于正常值，则将数据上传至云端进行存储；若某一项状态参数出现异常，则进行步骤二；
步骤二、系统自动导出异常数据点附近的时间序列参数，然后导入故障智能诊断与决策支持模块进行故障诊断定位并输出运维决策建议；
步骤三、船上工作人员根据运维决策建议进行故障检修，并将故障报警信息、维修检查信息与运维决策建议准确性反馈至云端；所述运维决策建议准确性包括以下任意一种：
第一种：运维决策建议正确，工作人员接受运维决策建议，则记录故障报警信息与维护流程，并将数据上传至云端；
第二种：运维决策建议正确，工作人员不接受运维决策建议，采用其他方案排除故障，则记录故障报警信息与维护流程，并将数据上传至云端；
第三种：运维决策建议错误，工作人员不接受运维决策建议，则工作人员将真实故障部位上传至船岸协同模块，船岸协同模块读取真实故障部位数据后，自动训练并优化故障定位模型，并将优化后的故障定位模型上传至岸端数据中心，并进行步骤四；
步骤四、岸端数据中心定期收集故障报警信息与维修检查信息进行本地存储与优化，并定期更新故障诊断方案，同时将运维决策建议纳入知识库进行阶段性全体知识库的更新，并将数据上传至云端。
与现有技术相比，本发明的有益效果为：
1、本发明基于船岸协同舵机智能诊断健康管理系统及其应用方法中，包括用于采集舵机状态数据传输交互的船端数据采集传输模块、用于对船舶进行故障诊断、趋势预测与运维决策支持的故障智能诊断与决策支持模块、用于建立、优化训练故障定位模型的船岸协同模块、用于收集信息、协同优化与决策方案更新的岸端数据中心以及用于数据交互的云端；本设计在应用中，通过一种端到端的实时故障检测系统及其应用方法，在系统出现故障时，自动进行故障逻辑判断，避免了故障出现时，需要停船并依赖人工经验进行故障排除的检测方式，降低了故障检测中的不确定性。因此，本发明不仅人工依赖程度较低，而且检测较为准确。
2、本发明基于船岸协同舵机智能诊断健康管理系统及其应用方法中，首先采集、检测并存储船舶的各项设备的状态参数，在出现异常时，进行故障诊断并输出运维决策建议，并且在运维决策建议异常时，自动训练优化故障定位模型并更新知识库，以此不断提高运维决策的正确性，随着运维决策正确性的提高，可以降低对人工经验的依赖。因此，本发明不仅检测较为准确，而且人工依赖程度较低。
3、本发明基于船岸协同舵机智能诊断健康管理系统及其应用方法中，通过船岸协同模块与岸端数据中心的船岸协同方式，循环船端训练、参数上传、岸端优化、参数下发、船端训练的流程持续对故障定位模型进行优化，不断提高模型精度和性能，提高故障诊断准确率，有利于进一步降低人工依赖与提高检测准确性。因此，本发明不仅人工依赖程度较低，而且检测较为准确。
附图说明
图1是本发明的结构示意图。
图2是图1的局部放大示意图之一。
图3是图1的局部放大示意图之一。
图4是图1的局部放大示意图之一。
图5是本发明的应用方法流程示意图。
图中：船端数据采集传输模块1、数据采集模块10、数据传输模块11、温度传感器12、压力传感器13、径向振动传感器14、振动传感器15、舵角采集模块16、数据本地传输存储模块17、数据采集卡18、工控机19、故障智能诊断与决策支持模块2、转舵故障诊断模块21、阈值判断模块22、决策分析模块23、船岸协同模块3、岸端数据中心4、云端5。
具体实施方式
以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
参见图1—图5，基于船岸协同舵机智能诊断健康管理系统，所述系统包括船端数据采集传输模块1、故障智能诊断与决策支持模块2、船岸协同模块3、岸端数据中心4与云端5；
所述船端数据采集传输模块1用于采集舵机状态数据与数据的传输交互；
所述故障智能诊断与决策支持模块2用于对船舶进行故障诊断、趋势预测与运维决策支持；
所述船岸协同模块3用于建立、优化训练故障定位模型；
所述岸端数据中心4用于收集各模块回传的各种状态信息进行存储，并与船岸协同模块3协同优化故障定位模型，并定期进行故障诊断方案的更新；
所述云端5用于与船端数据采集传输模块1、故障智能诊断与决策支持模块2、船岸协同模块3、岸端数据中心4进行数据交互。
所述船端数据采集传输模块1包括：数据采集模块10与数据传输模块11；
所述数据采集模块10包括：设置于液压管路上的温度传感器12与压力传感器13、设置于液压油缸—活塞副上的径向振动传感器14、设置于液压泵与电机之间联轴器上的振动传感器15、设置于舵角指示仪上的舵角采集模块16以及数据本地传输存储模块17；
所述数据传输模块11包括：数据采集卡18与工控机19；所述数据采集模块10采集的数据通过CAN总线协议传输至数据采集卡18，所述数据采集卡18将获取的数据基于以太网通讯协议传输至工控机19，所述工控机19对数据进行存储与处理，并将处理后的数据基于OPC UA通信协议传输至岸端数据中心4。
所述故障智能诊断与决策支持模块2包括转舵故障诊断模块21、阈值判断模块22与决策分析模块23；
所述转舵故障诊断模块21用于基于指令舵角与实际舵角数据进行系统故障状态的逻辑判断；
所述阈值判断模块22用于对船舶设备状态进行趋势预测，并在出现异常情况时，进行报警；
所述决策分析模块23用于输出故障位置提示、故障严重程度与维修决策建议。
所述基于指令舵角与实际舵角数据进行系统故障状态的逻辑判断是指：
当船舶进行转舵操作时，将检测到的实际舵角与发出的舵角指令进行比对，当判定系统存在无法转舵故障、单向转舵故障、滞舵故障、转舵速度小故障、冲舵故障与跑舵故障中的任意一种或任意组合的故障时，则自动记录故障状态，并在船端与岸端平台进行报警提示。
所述趋势预测是指长期趋势预测；
所述长期趋势预测是指：首先获得不同工况下各个监测位点的理论值，并收集船端数据采集传输模块1采集的各个监测位点的历史数据，然后制定成工况谱，最后将理论值与历史数据进行趋势拟合，获得机械设备的理论阈值区间。
所述趋势预测是指短期趋势预测；
所述短期趋势预测是指：通过机器学习方法，对未来若干时间内的船舶设备的运转状态趋势进行预测，并在预测的数据超出理论阈值区间时，在船端与岸端平台进行报警提示。
所述船岸协同模块3用于建立、优化训练故障定位模型是指：
首先构建虚拟的舵机运行仿真模型，并将舵机的控制逻辑写入仿真模型中，然后将若干种不同的故障注入仿真模型中，进行多次故障仿真试验，获取故障仿真数据，随后将故障仿真数据进行合并标签化处理，获得舵机故障诊断数据集，并根据舵机故障诊断数据集，建立基于LSTM与DCNN算法的故障定位模型进行预训练优化，同时根据实船运行数据执行迁移学习以自适应不同船型或舵机型号，在运行过程中不断根据实际数据训练优化模型，并将获得的故障定位模型的优化参数包上传至岸端数据中心4。
所述岸端数据中心4用于收集各模块回传的各种状态信息进行存储，并与船岸协同模块3协同优化故障定位模型，并定期进行故障诊断方案的更新是指：
所述岸端数据中心4定期从云端5收集各船端设备回传的故障报警信息与检查维修信息进行本地存储，获得本地模型参数，然后定期从云端5下载各船端的故障定位模型的优化参数包，并采用均值优化方法对其进行优化，获得中心优化参数包，并定期将中心优化参数包下发至各船端进行故障诊断方案的更新。
所述运维决策支持是指：当故障智能诊断与决策支持模块2进行故障的诊断结果为存在故障时，则系统将根据诊断结果进行自动推理，输出故障位置提示、故障严重程度与维修决策建议。
一种基于船岸协同舵机智能诊断健康管理系统的应用方法，所述应用方法包括以下步骤：
步骤一、首先船端数据采集传输模块1实时采集、检测并存储船舶的各项设备的状态参数；若各项状态参数均处于正常值，则将数据上传至云端5进行存储；若某一项状态参数出现异常，则进行步骤二；
步骤二、系统自动导出异常数据点附近的时间序列参数，然后导入故障智能诊断与决策支持模块2进行故障诊断定位并输出运维决策建议；
步骤三、船上工作人员根据运维决策建议进行故障检修，并将故障报警信息、维修检查信息与运维决策建议准确性反馈至云端5；所述运维决策建议准确性包括以下任意一种：
第一种：运维决策建议正确，工作人员接受运维决策建议，则记录故障报警信息与维护流程，并将数据上传至云端5；
第二种：运维决策建议正确，工作人员不接受运维决策建议，采用其他方案排除故障，则记录故障报警信息与维护流程，并将数据上传至云端5；
第三种：运维决策建议错误，工作人员不接受运维决策建议，则工作人员将真实故障部位上传至船岸协同模块3，船岸协同模块3读取真实故障部位数据后，自动训练并优化故障定位模型，并将优化后的故障定位模型上传至岸端数据中心4，并进行步骤四；
步骤四、岸端数据中心4定期收集故障报警信息与维修检查信息进行本地存储与优化，并定期更新故障诊断方案，同时将运维决策建议纳入知识库进行阶段性全体知识库的更新，并将数据上传至云端5。
本发明的原理说明如下：
本发明中，在实船航行过程中可同时通过无监督学习的方式在船端进行训练和优化，并将优化的模型参数回传至岸端计算中心4，岸端计算中心4收集和解析船端回传的诊断模型参数包，通过优化算法给出最终模型参数并传输至同型号其他船舶转舵系统，对于不同型号的舵机，采用迁移学习的方式进行训练，从而实现船端设备系统和模型的自适应。
实施例1：
参见图1—图5，基于船岸协同舵机智能诊断健康管理系统，所述系统包括船端数据采集传输模块1、故障智能诊断与决策支持模块2、船岸协同模块3、岸端数据中心4与云端5；所述船端数据采集传输模块1用于采集舵机状态数据与数据的传输交互；所述故障智能诊断与决策支持模块2用于对船舶进行故障诊断、趋势预测与运维决策支持；所述船岸协同模块3用于建立、优化训练故障定位模型；所述岸端数据中心4用于收集各模块回传的各种状态信息进行存储，并与船岸协同模块3协同优化故障定位模型，并定期进行故障诊断方案的更新；所述云端5用于与船端数据采集传输模块1、故障智能诊断与决策支持模块2、船岸协同模块3、岸端数据中心4进行数据交互。
在应用中，基于船岸协同舵机智能诊断健康管理系统的应用方法包括以下步骤：
步骤一、首先船端数据采集传输模块1实时采集、检测并存储船舶的各项设备的状态参数；若各项状态参数均处于正常值，则将数据上传至云端5进行存储；若某一项状态参数出现异常，则进行步骤二；
步骤二、系统自动导出异常数据点附近的时间序列参数，然后导入故障智能诊断与决策支持模块2进行故障诊断定位并输出运维决策建议；
步骤三、船上工作人员根据运维决策建议进行故障检修，并将故障报警信息、维修检查信息与运维决策建议准确性反馈至云端5；所述运维决策建议准确性包括以下任意一种：
第一种：运维决策建议正确，工作人员接受运维决策建议，则记录故障报警信息与维护流程，并将数据上传至云端5；
第二种：运维决策建议正确，工作人员不接受运维决策建议，采用其他方案排除故障，则记录故障报警信息与维护流程，并将数据上传至云端5；
第三种：运维决策建议错误，工作人员不接受运维决策建议，则工作人员将真实故障部位上传至船岸协同模块3，船岸协同模块3读取真实故障部位数据后，自动训练并优化故障定位模型，并将优化后的故障定位模型上传至岸端数据中心4，并进行步骤四；
步骤四、岸端数据中心4定期收集故障报警信息与维修检查信息进行本地存储与优化，并定期更新故障诊断方案，同时将运维决策建议纳入知识库进行阶段性全体知识库的更新，并将数据上传至云端5。
实施例2：
基本内容同实施例1，不同之处在于：
所述船端数据采集传输模块1包括：数据采集模块10与数据传输模块11；所述数据采集模块10包括：设置于液压管路上的温度传感器12与压力传感器13、设置于液压油缸—活塞副上的径向振动传感器14、设置于液压泵与电机之间联轴器上的振动传感器15、设置于舵角指示仪上的舵角采集模块16以及数据本地传输存储模块17；所述数据传输模块11包括：数据采集卡18与工控机19；所述数据采集模块10采集的数据通过CAN总线协议传输至数据采集卡18，所述数据采集卡18将获取的数据基于以太网通讯协议传输至工控机19，所述工控机19对数据进行存储与处理，并将处理后的数据基于OPC UA通信协议传输至岸端数据中心4；所述故障智能诊断与决策支持模块2包括转舵故障诊断模块21、阈值判断模块22与决策分析模块23；所述转舵故障诊断模块21用于基于指令舵角与实际舵角数据进行系统故障状态的逻辑判断；所述阈值判断模块22用于对船舶设备状态进行趋势预测，并在出现异常情况时，进行报警；所述决策分析模块23用于输出故障位置提示、故障严重程度与维修决策建议。
在应用中，船端数据采集传输模块1采集船舶在一个航程内的数据信息，获取不同舵角下的不同传感器数据，计算舵机在执行每个转舵指令时各监测参数的阈值(min,max)，通过系统仿真和故障模拟采集多个不同位置的不同类型数据，通过计算Spearman相关性系数排除相关性较强的监测点，从而确定最终的各个监测点的检测参数，各监测点的检测数据包括主油路压力、伺服油路压力、主油泵出口流量与油液温度，并布设相应传感器与变送器并安装数据采集卡18，同时结合已有数据采集模块10与岸端数据中心4进行通信，建立集散式数据采集系统。
实施例3：
基本内容同实施例2，不同之处在于：
当船舶进行转舵操作时，将检测到的实际舵角与发出的舵角指令进行比对，当判定系统存在无法转舵故障、单向转舵故障、滞舵故障、转舵速度小故障、冲舵故障与跑舵故障中的任意一种或任意组合的故障时，则自动记录故障状态，并在船端与岸端平台进行报警提示。
进一步的，所述故障判断逻辑包括以下；
若舵角指令已发出，而实际舵角无变化，则判定系统存在无法转舵故障；
若舵角指令已发出，而实际舵角仅能为左转舵或右转舵时，则判定系统存在单向转舵故障；
若舵角指令已发出，而实际舵角在1秒内未执行转舵操作，则判定系统存在滞舵故障；
若舵角指令已发出，而实际舵角在从一舷35°转至另一舷30°的耗时超过30秒，则判定系统存在转舵速度小故障；
若舵角指令已发出，而实际舵角与指令舵角的偏差首次达到0，并继续偏转使偏差超过2°，则判定系统存在冲舵故障；
若舵角指令未发出，而实际舵角逐渐偏离指令舵角，当偏差超过1°时，则判定系统存在跑舵故障。
实施例4：
基本内容同实施例3，不同之处在于：
所述趋势预测是指长期趋势预测与短期趋势预测；
所述长期趋势预测是指：首先获得不同工况下各个监测位点的理论值，并收集船端数据采集传输模块1采集的各个监测位点的历史数据，然后制定成工况谱(优选的，工况谱数据包括舵角、负载转矩与环境温度)，最后将理论值与历史数据进行趋势拟合(优选的，趋势拟合采用LR模型)，获得机械设备的理论阈值区间。
进一步的，不同工况是指：在船舶不同航速(v/m/s)与转舵力矩(T/kN)进行多次转舵试验，从而获得多组不同的工况数据。
所述短期趋势预测是指：通过机器学习方法(优选的，机器学习方法包括长短期记忆神经网络与循环神经网络)，对未来若干时间内(优选为一分钟以内)的船舶设备的运转状态趋势进行预测，并在预测的数据超出理论阈值区间时，在船端与岸端平台进行报警提示；若没有超出理论阈值区间，则存储数据，并在船舶完成多个航次或达到设备存储上限时进行清空或覆盖操作。
实施例5：
基本内容同实施例4，不同之处在于：
所述船岸协同模块3用于建立、优化训练故障定位模型是指：首先构建虚拟的舵机运行仿真模型，并将舵机的控制逻辑写入仿真模型中，然后将若干种不同的故障注入仿真模型中，进行多次故障仿真试验，获取故障仿真数据，随后将故障仿真数据进行合并标签化处理，获得舵机故障诊断数据集，并根据舵机故障诊断数据集，建立基于LSTM与DCNN算法的故障定位模型进行预训练优化，同时根据实船运行数据执行迁移学习以自适应不同船型或舵机型号，在运行过程中不断根据实际数据训练优化模型，并将获得的故障定位模型的优化参数包上传至岸端数据中心4。
进一步的，构建虚拟的舵机运行仿真模型是指：在AMESim软件中，按照船舶液压舵机设计文件中的液压系统示意图，建立相应的油箱、液压油泵、换向阀、管路、安全阀、柱塞油缸、转舵动力组件与控制系统模型并正确连接各模块，并定义各模块结构参数、液压泵最大流量、管路直径、柱塞油缸尺寸、换向阀内径与局部阻力系数，按照舵机的控制逻辑搭建仿真模型的控制系统。
进一步的，若干种不同的故障是指：液压泵内部泄漏、管路不同点位破损、液压缸磨损、液压油氧化变质与过滤器堵塞故障中的任意一种或任意组合；
不同故障的设计方式如下：
液压泵内部泄漏，通过在液压泵出口处设置旁通回路以实现液压泵内部泄漏效果，并在旁通回路内增加流量控制单元，设置不同的流量系数，以模拟不同严重程度的液压泵内部泄漏；
管路不同点位破损，通过在不同的管路中设置带有流量控制单元的旁通回路，调整控制单元的流量系数以模拟管路不同程度的破损；
液压缸磨损，通过设置不同的液压缸与柱塞间隙值表征；液压油空气含量和含水量通过设置流体介质的含气量和含水量实现；
液压油氧化变质，通过设置流体介质黏性表征油液氧化变质，其主要影响是使液压油黏性增加；
过滤器堵塞故障，通过在管路中配置流量控制单元及调整控制单元的流量系数实现。
进一步的，在多次故障仿真试验中，将故障的严重处程度分为轻微故障、性能失败、严重失效三种；其中轻微失效指设备转舵时间超出设备舵机出厂空载试验状态下所需转舵时间的30％，通常为3-5秒，安全裕度可依据实船需求调整；性能失败指设备完整转舵时间达到各船级社验船规范的最大时间；严重失效指舵机无法转到指定舵角；以系统转舵达到以上三种状态为目标，调节仿真模型的参数，以实现不同严重程度的故障模拟，并导出观测数据。
进一步的，多次故障仿真试验中，单次试验获取的数据为：不同位点的液压介质压力、温度、转舵力矩与舵角的时间序列数据，在不同故障设置下重复多次进行转舵试验，收集观测数据，从而获取故障仿真数据。
进一步的，合并标签化处理是指：一个故障状态下的时间序列数据为(m,n)维矩阵，其中m为时间序列数目，n为观测参数的数目；将每组数据通过编程语言(优选为Python的Numpy库函数)重构为(1，m*n)结构，则K个故障状态下，数据重构为(K,m*n)；样本标签化主要通过人工实现，每种故障对应1个标签，采用整型数据表示工作状态，每种故障对应的标签包括以下：
0(正常状态)；1(液压泵泄漏，轻微故障)；2(液压泵泄漏，性能失败)；3(液压泵泄漏，严重失效)；4(柱塞油缸内部泄漏，轻微故障)；5(柱塞油缸内部泄漏，性能失败)；6(柱塞油缸内部泄漏，性能失败)；7(过滤器堵塞，轻微故障)；8(过滤器堵塞，性能失败)；9(过滤器堵塞；严重失效)；10(管路泄漏；轻微故障)；11(管路泄漏；性能失败)；12(管路泄漏；严重失效)；13(液压油含气量过高；轻微故障)；14(液压油含气量过高；性能失败)；15(液压油含气量过高；严重失效)；16(液压油含水量过高；轻微故障)；17(液压油含水量过高；性能失败)；18(液压油含水量过高；严重失效)；19(液压油氧化变质；轻微故障)；20(液压油氧化变质；性能失败)；21(液压油氧化变质；严重失效)；
标签集结构为(K，1)，将数据和标签进行组合后，形成最终的数据集结构为(K,m*n+1)，即获得舵机故障诊断数据集，仿真模型模拟了其中一种或任意组合的故障工况，则该工况采集的数据标签为对应的整型数据。
进一步的，建立基于LSTM与DCNN算法的故障定位模型进行预训练优化是指：利用Pytorch深度学习框架，搭建基于LSTM和DCNN算法的智能故障诊断模型：创建Network类，继承自torch.nn.Module，定义LSTM模型的LSTM层结构、DCNN模型卷积层、池化层与全连接层的网络结构，通过forward搭建模型输入、网络结构与输出，进行参数的前向传播，构建计算图；对于径向振动传感器14与振动传感器15采集到的两组振动数据，将数据处理为2维图像，基于Pytorch建立CNN网络模型，将故障诊断问题转化为卷积神经网络擅长处理的图像分类问题的故障诊断模型，并通过CWSU轴承故障诊断数据集预先训练，故障诊断模型封装嵌入软件平台后，根据实时采集的振动数据继续训练，以适应新数据。
实施例6：
基本内容同实施例5，不同之处在于：
所述岸端数据中心4用于收集各模块回传的各种状态信息进行存储，并与船岸协同模块3协同优化故障定位模型，并定期进行故障诊断方案的更新是指：所述岸端数据中心4定期从云端5收集各船端设备回传的故障报警信息与检查维修信息进行本地存储，获得本地模型参数，然后定期从云端5下载各船端的故障定位模型的优化参数包，并采用均值优化方法对其进行优化，获得中心优化参数包，并定期将中心优化参数包下发至各船端进行故障诊断方案的更新。
在应用中，实船运行中，对于运维决策错误的案例，调用船端数据采集传输模块1采集的传感器数据训练诊断模型，在模型训练完成后输出模型参数包(优选的，参数包的数据包括神经元权重W、偏置b与模型精度Accuracy)，随后船端将模型参数包周期性发送至岸端数据中心4，岸端数据中心4接收模型参数包，求出不同船舶的优化模型参数与岸端本地模型参数的均值，并将新的模型参数包发送至船端平台，通过岸端数据中心接收多条船优化参数，重复回收、优化、下发更新的流程，不断提高船端和岸端智能故障定位模型精度和性能。
实施例7：
基本内容同实施例6，不同之处在于：
所述运维决策支持是指：当故障智能诊断与决策支持模块2进行故障的诊断结果为存在故障时，则系统将根据诊断结果进行自动推理，并输出故障位置、故障严重程度提示与维修决策建议。
在应用中，首先根据舵机运维经验建立舵机故障运维决策知识库，以表格形式存储于数据库中，然后基于专家系统逻辑结构建立运维决策支持系统并写入决策分析模块23内，运维决策支持系统可以自动读取和写入数据，相比于传统专家系统，该系统不需要专业技术人员人为判断故障模式。
实施例8：
基本内容同实施例7，不同之处在于：
基于船岸协同舵机智能诊断健康管理系统的应用方法，所述应用方法包括以下步骤：
步骤一、首先船端数据采集传输模块1实时采集、检测并存储船舶上的各个传感器状态参数及舵角参数；转舵故障诊断模块21与阈值判断模块22实时分析舵角数据以及系统各监测点状态；
若舵角数据与系统各监测点状态均处于正常值，则将数据上传至云端(5)进行存储；
若舵角数据与系统各监测点状态中的至少一项出现异常，则进行步骤二；
步骤二、系统自动导出异常数据点附近一分钟的时间序列参数，然后导入故障智能诊断与决策支持模块2进行故障诊断定位并输出运维决策建议；
步骤三、船上工作人员根据运维决策建议进行故障检修，并将故障报警信息、维修检查信息与运维决策建议准确性反馈至云端5；所述运维决策建议准确性包括以下任意一种：
第一种：运维决策建议正确，工作人员接受运维决策建议，则记录故障报警信息与维护流程，并将数据上传至云端5；
第二种：运维决策建议正确，工作人员不接受运维决策建议，采用其他方案排除故障，则记录故障报警信息与维护流程，并将数据上传至云端5；
第三种：运维决策建议错误，工作人员不接受运维决策建议，则工作人员将真实故障部位上传至船岸协同模块3，船岸协同模块3读取真实故障部位数据后，自动训练并优化故障定位模型，并将优化后的故障定位模型上传至岸端数据中心4，并进行步骤四；
步骤四、岸端数据中心4定期收集故障报警信息与维修检查信息进行本地存储与优化，并定期更新故障诊断方案，同时将运维决策建议纳入知识库进行阶段性全体知识库的更新，并将数据上传至云端5。
以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。
Claims (10)
1.基于船岸协同舵机智能诊断健康管理系统，其特征在于：所述系统包括船端数据采集传输模块(1)、故障智能诊断与决策支持模块(2)、船岸协同模块(3)、岸端数据中心(4)与云端(5)；
所述船端数据采集传输模块(1)用于采集舵机状态数据与数据的传输交互；
所述故障智能诊断与决策支持模块(2)用于对船舶进行故障诊断、趋势预测与运维决策支持；
所述船岸协同模块(3)用于建立、优化训练故障定位模型；
所述岸端数据中心(4)用于收集各模块回传的各种状态信息进行存储，并与船岸协同模块(3)协同优化故障定位模型，并定期进行决策方案的更新；
所述云端(5)用于与船端数据采集传输模块(1)、故障智能诊断与决策支持模块(2)、船岸协同模块(3)、岸端数据中心(4)进行数据交互。
2.根据权利要求1所述的基于船岸协同舵机智能诊断健康管理系统，其特征在于：
所述船端数据采集传输模块(1)包括：数据采集模块(10)与数据传输模块(11)；
所述数据采集模块(10)包括：设置于液压管路上的温度传感器(12)与压力传感器(13)、设置于液压油缸—活塞副上的径向振动传感器(14)、设置于液压泵与电机之间联轴器上的振动传感器(15)、设置于舵角指示仪上的舵角采集模块(16)以及数据本地传输存储模块(17)；
所述数据传输模块(11)包括：数据采集卡(18)与工控机(19)；所述数据采集模块(10)采集的数据通过CAN总线协议传输至数据采集卡(18)，所述数据采集卡(18)将获取的数据基于以太网通讯协议传输至工控机(19)，所述工控机(19)对数据进行存储与处理，并将处理后的数据基于OPC UA通信协议传输至岸端数据中心(4)。
3.根据权利要求1所述的基于船岸协同舵机智能诊断健康管理系统，其特征在于：
所述故障智能诊断与决策支持模块(2)包括转舵故障诊断模块(21)、阈值判断模块(22)与决策分析模块(23)；
所述转舵故障诊断模块(21)用于基于指令舵角与实际舵角数据进行系统故障状态的逻辑判断；
所述阈值判断模块(22)用于对船舶设备状态进行趋势预测，并在出现异常情况时，进行报警；
所述决策分析模块(23)用于输出故障位置、故障严重程度提示与维修决策建议。
4.根据权利要求3所述的基于船岸协同舵机智能诊断健康管理系统，其特征在于：
所述基于指令舵角与实际舵角数据进行系统故障状态的逻辑判断是指：
当船舶进行转舵操作时，将检测到的实际舵角与发出的舵角指令进行比对，当判定系统存在无法转舵故障、单向转舵故障、滞舵故障、转舵速度小故障、冲舵故障与跑舵故障中的任意一种或任意组合的故障时，则自动记录故障状态，并在船端与岸端平台进行报警提示。
5.根据权利要求1-4中任意一项所述的基于船岸协同舵机智能诊断健康管理系统，其特征在于：
所述趋势预测是指长期趋势预测；
所述长期趋势预测是指：首先获得不同工况下各个监测位点的理论值，并收集船端数据采集传输模块(1)采集的各个监测位点的历史数据，然后制定成工况谱，最后将理论值与历史数据进行趋势拟合，获得机械设备的理论阈值区间。
6.根据权利要求5所述的基于船岸协同舵机智能诊断健康管理系统，其特征在于：
所述趋势预测是指短期趋势预测；
所述短期趋势预测是指：通过机器学习方法，对未来若干时间内的船舶设备的运转状态趋势进行预测，并在预测的数据超出理论阈值区间时，在船端与岸端平台进行报警提示。
7.根据权利要求1-4中任意一项所述的基于船岸协同舵机智能诊断健康管理系统，其特征在于：
所述船岸协同模块(3)用于建立、优化训练故障定位模型是指：
首先构建虚拟的舵机运行仿真模型，并将舵机的控制逻辑写入仿真模型中，然后将若干种不同的故障注入仿真模型中，进行多次故障仿真试验，获取故障仿真数据，随后将故障仿真数据进行合并标签化处理，获得舵机故障诊断数据集，并根据舵机故障诊断数据集，建立基于LSTM与DCNN算法的故障定位模型进行预训练优化，同时根据实船运行数据执行迁移学习以自适应不同船型或舵机型号，在运行过程中不断根据实际数据训练优化模型，并将获得的故障定位模型的优化参数包上传至岸端数据中心(4)。
8.根据权利要求1-4中任意一项所述的基于船岸协同舵机智能诊断健康管理系统，其特征在于：
所述岸端数据中心(4)用于收集各模块回传的各种状态信息进行存储，并与船岸协同模块(3)协同优化故障定位模型，并定期进行故障诊断方案的更新是指：
所述岸端数据中心(4)定期从云端(5)收集各船端设备回传的故障报警信息与检查维修信息进行本地存储，获得本地模型参数，然后定期从云端(5)下载各船端的故障定位模型的优化参数包，并采用均值优化方法对其进行优化，获得中心优化参数包，并定期将中心优化参数包下发至各船端进行故障诊断方案的更新。
9.根据权利要求1-4中任意一项所述的基于船岸协同舵机智能诊断健康管理系统，其特征在于：
所述运维决策支持是指：当故障智能诊断与决策支持模块(2)进行故障的诊断结果为存在故障时，则系统将根据诊断结果进行自动推理，并输出故障位置提示、故障严重程度提示与维修决策建议。
10.一种权利要求1所述的基于船岸协同舵机智能诊断健康管理系统的应用方法，其特征在于：
所述应用方法包括以下步骤：
步骤一、首先船端数据采集传输模块(1)实时采集、检测并存储船舶的各项设备的状态参数；若各项状态参数均处于正常值，则将数据上传至云端(5)进行存储；若某一项状态参数出现异常，则进行步骤二；
步骤二、系统自动导出异常数据点附近的时间序列参数，然后导入故障智能诊断与决策支持模块(2)进行故障诊断定位并输出运维决策建议；
步骤三、船上工作人员根据运维决策建议进行故障检修，并将故障报警信息、维修检查信息与运维决策建议准确性反馈至云端(5)；所述运维决策建议准确性包括以下任意一种：
第一种：运维决策建议正确，工作人员接受运维决策建议，则记录故障报警信息与维护流程，并将数据上传至云端(5)；
第二种：运维决策建议正确，工作人员不接受运维决策建议，采用其他方案排除故障，则记录故障报警信息与维护流程，并将数据上传至云端(5)；
第三种：运维决策建议错误，工作人员不接受运维决策建议，则工作人员将真实故障部位上传至船岸协同模块(3)，船岸协同模块(3)读取真实故障部位数据后，自动训练并优化故障定位模型，并将优化后的故障定位模型上传至岸端数据中心(4)，并进行步骤四；
步骤四、岸端数据中心(4)定期收集故障报警信息与维修检查信息进行本地存储与优化，并定期更新故障诊断方案，同时将运维决策建议纳入知识库进行阶段性全体知识库的更新，并将数据上传至云端(5)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310647989.4A CN116797200A (zh) | 2023-06-02 | 2023-06-02 | 基于船岸协同舵机智能诊断健康管理系统及其应用方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310647989.4A CN116797200A (zh) | 2023-06-02 | 2023-06-02 | 基于船岸协同舵机智能诊断健康管理系统及其应用方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116797200A true CN116797200A (zh) | 2023-09-22 |
Family
ID=88040736
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310647989.4A Pending CN116797200A (zh) | 2023-06-02 | 2023-06-02 | 基于船岸协同舵机智能诊断健康管理系统及其应用方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116797200A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117371994A (zh) * | 2023-12-05 | 2024-01-09 | 中国船舶集团有限公司第七一九研究所 | 一种基于意见反馈的船舶维修智能管理系统 |
| CN117784765A (zh) * | 2023-12-28 | 2024-03-29 | 易站智联科技(广州)有限公司 | 一种故障关系分析的船舶机舱诊断方法 |
| CN118133133A (zh) * | 2024-05-08 | 2024-06-04 | 深圳市国硕宏电子有限公司 | 基于深度学习的智能工控主板故障预测与预防方法及装置 |
-
2023
- 2023-06-02 CN CN202310647989.4A patent/CN116797200A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117371994A (zh) * | 2023-12-05 | 2024-01-09 | 中国船舶集团有限公司第七一九研究所 | 一种基于意见反馈的船舶维修智能管理系统 |
| CN117371994B (zh) * | 2023-12-05 | 2024-02-23 | 中国船舶集团有限公司第七一九研究所 | 一种基于意见反馈的船舶维修智能管理系统 |
| CN117784765A (zh) * | 2023-12-28 | 2024-03-29 | 易站智联科技(广州)有限公司 | 一种故障关系分析的船舶机舱诊断方法 |
| CN118133133A (zh) * | 2024-05-08 | 2024-06-04 | 深圳市国硕宏电子有限公司 | 基于深度学习的智能工控主板故障预测与预防方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116797200A (zh) | 基于船岸协同舵机智能诊断健康管理系统及其应用方法 | |
| CN104102773B (zh) | 一种设备故障预警及状态监测方法 | |
| CN113128561A (zh) | 一种机床轴承故障诊断方法 | |
| Liu et al. | Fault detection, diagnostics, and prognostics: software agent solutions | |
| CN105446821A (zh) | 一种基于改进神经网络的智能水下机器人推进器故障诊断方法 | |
| CN112083355A (zh) | 一种船舶舱室设备健康管理与故障预测系统及方法 | |
| CN116643517B (zh) | 一种水下载人潜器预防事故设备 | |
| JPH08202444A (ja) | 機械設備の異常診断方法および装置 | |
| TWI794907B (zh) | 用於系統管理之故障預測與健康管理系統與相關方法 | |
| 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 | |
| Koppen-Seliger et al. | Fuzzy logic and neural networks in fault detection | |
| CN114298384A (zh) | 适用于船用装卸臂的安全运维预测系统及方法 | |
| El Kihel et al. | Method of Implementing Maintenance 4.0 in Industry-A Case study of an Industrial System | |
| Hasan et al. | Predictive digital twins for autonomous ships | |
| Diedrich et al. | First approaches to automatically diagnose and reconfigure hybrid cyber-physical systems | |
| CN109556861A (zh) | 一种基于案例推理的轴承实时故障诊断系统 | |
| Zhao et al. | Remote intelligent expert system for operation state of marine gas turbine engine | |
| KR20230122269A (ko) | Ai 기술을 활용한 산업설비 진단 예측 시스템 | |
| CN115540935A (zh) | 一种新型护航舰艇压载水系统设备故障诊断方法 | |
| KR20220036791A (ko) | 선박내에서 수집된 필드 데이터를 검증하는 시스템 및 방법 | |
| Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
| CN112884170A (zh) | 一种综合管廊预测性智能运维系统及方法 | |
| CN112801171B (zh) | 传感器虚警识别方法、装置、计算机设备及存储介质 | |
| CN114151235A (zh) | 一种用于搭建火箭发动机试车台的智能测量系统的架构方法 | |
| JPH04211859A (ja) | 異常認知方法 |
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 |