CN116976849A - 一种基于大数据的船舶作业设备的故障预测方法及系统 - Google Patents

一种基于大数据的船舶作业设备的故障预测方法及系统 Download PDF

Info

Publication number
CN116976849A
CN116976849A CN202310622990.1A CN202310622990A CN116976849A CN 116976849 A CN116976849 A CN 116976849A CN 202310622990 A CN202310622990 A CN 202310622990A CN 116976849 A CN116976849 A CN 116976849A
Authority
CN
China
Prior art keywords
fault
failure
operation equipment
equipment
prediction
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
Application number
CN202310622990.1A
Other languages
English (en)
Inventor
宫大鑫
夏凯
方才华
胡迟
施亚光
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.)
719th Research Institute Of China State Shipbuilding Corp
Original Assignee
719th Research Institute Of China State Shipbuilding Corp
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 719th Research Institute Of China State Shipbuilding Corp filed Critical 719th Research Institute Of China State Shipbuilding Corp
Priority to CN202310622990.1A priority Critical patent/CN116976849A/zh
Publication of CN116976849A publication Critical patent/CN116976849A/zh
Pending legal-status Critical Current

Links

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Mathematical Analysis (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Algebra (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于大数据的船舶作业设备的故障预测方法及系统，该方法包括：获取船舶上所有作业设备的历史故障信息，其中，历史故障信息包括：故障持续时间、故障类型、故障类型权重和已使用年限；设置故障预测模型，并通过随机森林算法，将故障预测模型分别与每个决策树进行映射，并根据历史故障信息，计算每个决策树上的作业设备发生故障的概率，将所有决策树得到的作业设备发生故障的概率，进行求和平均，得到作业设备发生故障的平均概率；将故障类型对所有作业设备进行分组，将故障类型相同的作业设备分为一组，设置故障预测准确模型，并以故障预测模型作为概率密度函数，结合平均概率，得到作业设备的最终预测故障率。

Description

一种基于大数据的船舶作业设备的故障预测方法及系统
技术领域
本发明属于船舶作业设备故障预测技术领域，更具体地，涉及一种基于大数据的船舶作业设备的故障预测方法及系统。
背景技术
对于深远海复杂装备，出航作业或执行任务时，将长时间处于独立运行状态，陆上指挥及运维保障部门无法实时获取装备运行情况以及人员操作情况，难以对装备健康程度以及人员操作情况进行监控和分析，仅能在装备返港后通过计划维修、养护等手段检查系统设备可用性，以及通过有限的测量和人员操作记录复盘分析可能存在的问题。
发明内容
为解决以上技术问题，本发明提出一种基于大数据的船舶作业设备的故障预测方法，包括：
获取船舶上所有作业设备的历史故障信息，其中，历史故障信息包括：故障持续时间、故障类型、故障类型权重和已使用年限；
设置故障预测模型，并通过随机森林算法，将故障预测模型分别与每个决策树进行映射，并根据历史故障信息，计算每个决策树上的作业设备发生故障的概率，将所有决策树得到的作业设备发生故障的概率，进行求和平均，得到作业设备发生故障的平均概率；
将故障类型对所有作业设备进行分组，将故障类型相同的作业设备分为一组，设置故障预测准确模型，并以故障预测模型作为概率密度函数，结合平均概率，得到作业设备的最终预测故障率。
进一步的，故障预测模型为：
其中，pi(t)为作业设备i在未来t个小时内发生故障的概率，m为作业设备的历史故障次数，ti，j为作业设备i第j次故障的故障持续时间，hi，j为第i个作业设备的第j次故障的时间影响常数，wi，j为第i个作业设备的第j次故障的影响因子，e为自然数的底数。
进一步的，计算影响因子wi，j包括：
其中，gi，j为第i个作业设备的第j次故障的故障类型权重，t″i为第i个作业设备的已使用年限，t′i，j为第i个作业设备的第j次故障距离上次故障的持续时间。
进一步的，故障预测准确模型为：
其中，Q为最终预测故障率，k为第k个分组，n为分组的个数，xk为第k个分组的权重，y为决策树的个数。
进一步的，故障类型包括：电路故障、机械零件故障、误操作故障；故障类型权重由小到大为：电路故障权重、机械零件故障权重、误操作故障权重。
本发明还提出一种基于大数据的船舶作业设备的故障预测系统，包括：
获取历史故障信息模块，用于获取船舶上所有作业设备的历史故障信息，其中，历史故障信息包括：故障持续时间、故障类型、故障类型权重和已使用年限；
设置故障预测模型模块，用于设置故障预测模型，并通过随机森林算法，将故障预测模型分别与每个决策树进行映射，并根据历史故障信息，计算每个决策树上的作业设备发生故障的概率，将所有决策树得到的作业设备发生故障的概率，进行求和平均，得到作业设备发生故障的平均概率；
分组模块，用于将故障类型对所有作业设备进行分组，将故障类型相同的作业设备分为一组，设置故障预测准确模型，并以故障预测模型作为概率密度函数，结合平均概率，得到作业设备的最终预测故障率。
进一步的，故障预测模型为：
其中，pi(t)为作业设备i在未来t个小时内发生故障的概率，m为作业设备的历史故障次数，ti，j为作业设备i第j次故障的故障持续时间，hi，j为第i个作业设备的第j次故障的时间影响常数，wi，j为第i个作业设备的第j次故障的影响因子，e为自然数的底数。
进一步的，计算影响因子wi，j包括：
其中，gi，j为第i个作业设备的第j次故障的故障类型权重，t″i为第i个作业设备的已使用年限，t′i，j为第i个作业设备的第j次故障距离上次故障的持续时间。
进一步的，故障预测准确模型为：
其中，Q为最终预测故障率，k为第k个分组，n为分组的个数，xk为第k个分组的权重，y为决策树的个数。
进一步的，故障类型包括：电路故障、机械零件故障、误操作故障；故障类型权重由小到大为：电路故障权重、机械零件故障权重、误操作故障权重。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
本发明通过设置故障预测模型，并通过随机森林算法，将故障预测模型分别与每个决策树进行映射，并根据历史故障信息，计算每个决策树上的作业设备发生故障的概率，将所有决策树得到的作业设备发生故障的概率，进行求和平均，得到作业设备发生故障的平均概率；同时，将故障类型对所有作业设备进行分组，将故障类型相同的作业设备分为一组，设置故障预测准确模型，并以故障预测模型作为概率密度函数，结合平均概率，得到作业设备的最终预测故障率，能够非常准确的根据历史故障数据对未来的作业设备的故障进行预测。
附图说明
图1是本发明实施例1的方法的流程图；
图2是本发明实施例2的系统的结构图；
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
本发明提供的方法可以在如下的终端环境中实施，所述终端可以包括一个或多个如下部件：处理器、存储介质和显示屏。其中，存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现下述实施例所述的方法。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个终端内的各个部分，通过运行或执行存储在存储介质内的指令、程序、代码集或指令集，以及调用存储在存储介质内的数据，执行终端的各种功能和处理数据。
存储介质可以包括随机存储介质(Random Access Memory，RAM)，也可以包括只读存储介质(Read-Only Memory，ROM)。存储介质可用于存储指令、程序、代码、代码集或指令。
显示屏用于显示各个应用程序的用户界面。
除此之外，本领域技术人员可以理解，上述终端的结构并不构成对终端的限定，终端可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。比如，终端中还包括射频电路、输入单元、传感器、音频电路、电源等部件，在此不再赘述。
实施例1
如图1所示，本发明实施例提供一种基于大数据的船舶作业设备的故障预测方法，包括：
步骤101，获取船舶上所有作业设备的历史故障信息，其中，历史故障信息包括：故障持续时间、故障类型、故障类型权重和已使用年限；
具体的，故障类型包括：电路故障、机械零件故障、误操作故障；故障类型权重由小到大为：电路故障权重、机械零件故障权重、误操作故障权重。
步骤102，设置故障预测模型，并通过随机森林算法，将故障预测模型分别与每个决策树进行映射，并根据历史故障信息，计算每个决策树上的作业设备发生故障的概率，将所有决策树得到的作业设备发生故障的概率，进行求和平均，得到作业设备发生故障的平均概率；
具体的，故障预测模型为：
其中，pi(t)为作业设备i在未来t个小时内发生故障的概率，m为作业设备的历史故障次数，ti，j为作业设备i第j次故障的故障持续时间，hi，j为第i个作业设备的第j次故障的时间影响常数(为hi，j可调节的参数，值越小，表示故障对未来短时间内的影响越大，反之亦然)，wi，j为第i个作业设备的第j次故障的影响因子，e为自然数的底数。
具体的，计算影响因子wi，j包括：
其中，gi，j为第i个作业设备的第j次故障的故障类型权重，t″i为第i个作业设备的已使用年限，t′i，j为第i个作业设备的第j次故障距离上次故障的持续时间。
步骤103，将故障类型对所有作业设备进行分组，将故障类型相同的作业设备分为一组，设置故障预测准确模型，并以故障预测模型作为概率密度函数，结合平均概率，得到作业设备的最终预测故障率。
具体的，故障预测准确模型为：
其中，Q为最终预测故障率，k为第k个分组，n为分组的个数，xk为第k个分组的权重，y为决策树的个数。
实施例2
如图2所示，本发明实施例还提供一种基于大数据的船舶作业设备的故障预测系统，包括：
获取历史故障信息模块，用于获取船舶上所有作业设备的历史故障信息，其中，历史故障信息包括：故障持续时间、故障类型、故障类型权重和已使用年限；
具体的，故障类型包括：电路故障、机械零件故障、误操作故障；故障类型权重由小到大为：电路故障权重、机械零件故障权重、误操作故障权重。
设置故障预测模型模块，用于设置故障预测模型，并通过随机森林算法，将故障预测模型分别与每个决策树进行映射，并根据历史故障信息，计算每个决策树上的作业设备发生故障的概率，将所有决策树得到的作业设备发生故障的概率，进行求和平均，得到作业设备发生故障的平均概率；
具体的，故障预测模型为：
其中，pi(t)为作业设备i在未来t个小时内发生故障的概率，m为作业设备的历史故障次数，ti，j为作业设备i第j次故障的故障持续时间，hi，j为第i个作业设备的第j次故障的时间影响常数(为hi，j可调节的参数，值越小，表示故障对未来短时间内的影响越大，反之亦然)，wi，j为第i个作业设备的第j次故障的影响因子，e为自然数的底数。
具体的，计算影响因子wi，j包括：
其中，gi，j为第i个作业设备的第j次故障的故障类型权重，t″i为第i个作业设备的已使用年限，t′i，j为第i个作业设备的第j次故障距离上次故障的持续时间。
分组模块，用于将故障类型对所有作业设备进行分组，将故障类型相同的作业设备分为一组，设置故障预测准确模型，并以故障预测模型作为概率密度函数，结合平均概率，得到作业设备的最终预测故障率。
具体的，故障预测准确模型为：
其中，Q为最终预测故障率，k为第k个分组，n为分组的个数，xk为第k个分组的权重，y为决策树的个数。
实施例3
本发明实施例还提出一种存储介质，存储有多条指令，所述指令用于实现所述的一种基于大数据的船舶作业设备的故障预测方法。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：步骤101，获取船舶上所有作业设备的历史故障信息，其中，历史故障信息包括：故障持续时间、故障类型、故障类型权重和已使用年限；
具体的，故障类型包括：电路故障、机械零件故障、误操作故障；故障类型权重由小到大为：电路故障权重、机械零件故障权重、误操作故障权重。
步骤102，设置故障预测模型，并通过随机森林算法，将故障预测模型分别与每个决策树进行映射，并根据历史故障信息，计算每个决策树上的作业设备发生故障的概率，将所有决策树得到的作业设备发生故障的概率，进行求和平均，得到作业设备发生故障的平均概率；
具体的，故障预测模型为：
其中，pi(t)为作业设备i在未来t个小时内发生故障的概率，m为作业设备的历史故障次数，ti，j为作业设备i第j次故障的故障持续时间，hi，j为第i个作业设备的第j次故障的时间影响常数(为hi，j可调节的参数，值越小，表示故障对未来短时间内的影响越大，反之亦然)，wi，j为第i个作业设备的第j次故障的影响因子，e为自然数的底数。
具体的，计算影响因子wi，j包括：
其中，gi，j为第i个作业设备的第j次故障的故障类型权重，t″i为第i个作业设备的已使用年限，t′i，j为第i个作业设备的第j次故障距离上次故障的持续时间。
步骤103，将故障类型对所有作业设备进行分组，将故障类型相同的作业设备分为一组，设置故障预测准确模型，并以故障预测模型作为概率密度函数，结合平均概率，得到作业设备的最终预测故障率。
具体的，故障预测准确模型为：
其中，Q为最终预测故障率，k为第k个分组，n为分组的个数，xk为第k个分组的权重，y为决策树的个数。
实施例4
本发明实施例还提出一种电子设备，包括处理器和与所述处理器连接的存储介质，所述存储介质存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行所述的一种基于大数据的船舶作业设备的故障预测方法。
具体的，本实施例的电子设备可以是计算机终端，所述计算机终端可以包括：一个或多个处理器、以及存储介质。
其中，存储介质可用于存储软件程序以及模块，如本发明实施例中的一种基于大数据的船舶作业设备的故障预测方法，对应的程序指令/模块，处理器通过运行存储在存储介质内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的一种基于大数据的船舶作业设备的故障预测方法。存储介质可包括高速随机存储介质，还可以包括非易失性存储介质，如一个或者多个磁性存储系统、闪存、或者其他非易失性固态存储介质。在一些实例中，存储介质可进一步包括相对于处理器远程设置的存储介质，这些远程存储介质可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输系统调用存储介质存储的信息及应用程序，以执行下述步骤：步骤101，获取船舶上所有作业设备的历史故障信息，其中，历史故障信息包括：故障持续时间、故障类型、故障类型权重和已使用年限；
具体的，故障类型包括：电路故障、机械零件故障、误操作故障；故障类型权重由小到大为：电路故障权重、机械零件故障权重、误操作故障权重。
步骤102，设置故障预测模型，并通过随机森林算法，将故障预测模型分别与每个决策树进行映射，并根据历史故障信息，计算每个决策树上的作业设备发生故障的概率，将所有决策树得到的作业设备发生故障的概率，进行求和平均，得到作业设备发生故障的平均概率；
具体的，故障预测模型为：
其中，pi(t)为作业设备i在未来t个小时内发生故障的概率，m为作业设备的历史故障次数，ti，j为作业设备i第j次故障的故障持续时间，hi，j为第i个作业设备的第j次故障的时间影响常数(为hi，j可调节的参数，值越小，表示故障对未来短时间内的影响越大，反之亦然)，wi，j为第i个作业设备的第j次故障的影响因子，e为自然数的底数。
具体的，计算影响因子wi，j包括：
其中，gi，j为第i个作业设备的第j次故障的故障类型权重，t″i为第i个作业设备的已使用年限，t′i，j为第i个作业设备的第j次故障距离上次故障的持续时间。
步骤103，将故障类型对所有作业设备进行分组，将故障类型相同的作业设备分为一组，设置故障预测准确模型，并以故障预测模型作为概率密度函数，结合平均概率，得到作业设备的最终预测故障率。
具体的，故障预测准确模型为：
其中，Q为最终预测故障率，k为第k个分组，n为分组的个数，xk为第k个分组的权重，y为决策树的个数。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中，应所述理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者所述技术方案的全部或部分可以以软件产品的形式体现出来，所述计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储介质(ROM，Read-Only磁碟或者光盘等各种可以存储程序代码的介质。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种基于大数据的船舶作业设备的故障预测方法，其特征在于，包括：
获取船舶上所有作业设备的历史故障信息，其中，历史故障信息包括：故障持续时间、故障类型、故障类型权重和已使用年限；
设置故障预测模型，并通过随机森林算法，将故障预测模型分别与每个决策树进行映射，并根据历史故障信息，计算每个决策树上的作业设备发生故障的概率，将所有决策树得到的作业设备发生故障的概率，进行求和平均，得到作业设备发生故障的平均概率；
将故障类型对所有作业设备进行分组，将故障类型相同的作业设备分为一组，设置故障预测准确模型，并以故障预测模型作为概率密度函数，结合平均概率，得到作业设备的最终预测故障率。
2.如权利要求1所述的一种基于大数据的船舶作业设备的故障预测方法，其特征在于，故障预测模型为：
其中，pi(t)为作业设备i在未来t个小时内发生故障的概率，m为作业设备的历史故障次数，ti，j为作业设备i第j次故障的故障持续时间，hi，j为第i个作业设备的第j次故障的时间影响常数，wi，j为第i个作业设备的第j次故障的影响因子，e为自然数的底数。
3.如权利要求2所述的一种基于大数据的船舶作业设备的故障预测方法，其特征在于，计算影响因子wi，j包括：
其中，gi，j为第i个作业设备的第j次故障的故障类型权重，t″i为第i个作业设备的已使用年限，t′i，j为第i个作业设备的第j次故障距离上次故障的持续时间。
4.如权利要求2所述的一种基于大数据的船舶作业设备的故障预测方法，其特征在于，故障预测准确模型为：
其中，Q为最终预测故障率，k为第k个分组，n为分组的个数，xk为第k个分组的权重，y为决策树的个数。
5.如权利要求1所述的一种基于大数据的船舶作业设备的故障预测方法，其特征在于，故障类型包括：电路故障、机械零件故障、误操作故障；故障类型权重由小到大为：电路故障权重、机械零件故障权重、误操作故障权重。
6.一种基于大数据的船舶作业设备的故障预测系统，其特征在于，包括：
获取历史故障信息模块，用于获取船舶上所有作业设备的历史故障信息，其中，历史故障信息包括：故障持续时间、故障类型、故障类型权重和已使用年限；
设置故障预测模型模块，用于设置故障预测模型，并通过随机森林算法，将故障预测模型分别与每个决策树进行映射，并根据历史故障信息，计算每个决策树上的作业设备发生故障的概率，将所有决策树得到的作业设备发生故障的概率，进行求和平均，得到作业设备发生故障的平均概率；
分组模块，用于将故障类型对所有作业设备进行分组，将故障类型相同的作业设备分为一组，设置故障预测准确模型，并以故障预测模型作为概率密度函数，结合平均概率，得到作业设备的最终预测故障率。
7.如权利要求6所述的一种基于大数据的船舶作业设备的故障预测系统，其特征在于，故障预测模型为：
其中，pi(t)为作业设备i在未来t个小时内发生故障的概率，m为作业设备的历史故障次数，ti，j为作业设备i第j次故障的故障持续时间，hi，j为第i个作业设备的第j次故障的时间影响常数，wi，j为第i个作业设备的第j次故障的影响因子，e为自然数的底数。
8.如权利要求7所述的一种基于大数据的船舶作业设备的故障预测系统，其特征在于，计算影响因子wi，j包括：
其中，gi，j为第i个作业设备的第j次故障的故障类型权重，t″i为第i个作业设备的已使用年限，t′i，j为第i个作业设备的第j次故障距离上次故障的持续时间。
9.如权利要求7所述的一种基于大数据的船舶作业设备的故障预测系统，其特征在于，故障预测准确模型为：
其中，Q为最终预测故障率，k为第k个分组，n为分组的个数，xk为第k个分组的权重，y为决策树的个数。
10.如权利要求6所述的一种基于大数据的船舶作业设备的故障预测系统，其特征在于，故障类型包括：电路故障、机械零件故障、误操作故障；故障类型权重由小到大为：电路故障权重、机械零件故障权重、误操作故障权重。
CN202310622990.1A 2023-05-25 2023-05-25 一种基于大数据的船舶作业设备的故障预测方法及系统 Pending CN116976849A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310622990.1A CN116976849A (zh) 2023-05-25 2023-05-25 一种基于大数据的船舶作业设备的故障预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310622990.1A CN116976849A (zh) 2023-05-25 2023-05-25 一种基于大数据的船舶作业设备的故障预测方法及系统

Publications (1)

Publication Number Publication Date
CN116976849A true CN116976849A (zh) 2023-10-31

Family

ID=88482209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310622990.1A Pending CN116976849A (zh) 2023-05-25 2023-05-25 一种基于大数据的船舶作业设备的故障预测方法及系统

Country Status (1)

Country Link
CN (1) CN116976849A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110261122A (zh) * 2019-06-20 2019-09-20 大连理工大学 一种基于分块的船舶柴油机故障监测方法
US20190324430A1 (en) * 2018-04-24 2019-10-24 Uptake Technologies, Inc. Computer System and Method for Creating a Supervised Failure Model
CN114707401A (zh) * 2022-03-08 2022-07-05 通号城市轨道交通技术有限公司 信号系统设备的故障预警方法及装置
CN115526345A (zh) * 2022-08-23 2022-12-27 共青科技职业学院 船舶维护管理方法、系统、可读存储介质及计算机设备
CN115640895A (zh) * 2022-10-21 2023-01-24 华能烟台新能源有限公司 一种变压器故障预测方法、装置及电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190324430A1 (en) * 2018-04-24 2019-10-24 Uptake Technologies, Inc. Computer System and Method for Creating a Supervised Failure Model
CN110261122A (zh) * 2019-06-20 2019-09-20 大连理工大学 一种基于分块的船舶柴油机故障监测方法
CN114707401A (zh) * 2022-03-08 2022-07-05 通号城市轨道交通技术有限公司 信号系统设备的故障预警方法及装置
CN115526345A (zh) * 2022-08-23 2022-12-27 共青科技职业学院 船舶维护管理方法、系统、可读存储介质及计算机设备
CN115640895A (zh) * 2022-10-21 2023-01-24 华能烟台新能源有限公司 一种变压器故障预测方法、装置及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
卢泽生: "《制造系统自动化技术》", 哈尔滨工业大学出版社, pages: 34 - 35 *

Similar Documents

Publication Publication Date Title
CN111796955B (zh) 故障根源定位方法、系统、装置及存储介质
CN111199244B (zh) 一种数据的分类方法、装置、存储介质及电子装置
CN115269342B (zh) 一种基于边缘计算的监测云平台及其监测方法
CN105681088B (zh) 一种面向物联网的可靠性和性能综合评估方法
CN116522284B (zh) 一种船闸机械及金属结构多源信息融合方法及系统
CN113487086B (zh) 设备剩余使用寿命预测方法、装置、计算机设备和介质
CN117057538B (zh) 一种基于模型的门店维修人员调度方法及系统
CN117635106A (zh) 电力设备监测方法、系统、终端及存储介质
CN117057772A (zh) 一种设备故障检测维修实时跟踪展示方法及系统
CN104536926B (zh) 串口设备的控制方法及装置
CN116976849A (zh) 一种基于大数据的船舶作业设备的故障预测方法及系统
CN113691310B (zh) 光纤链路的故障监测方法、装置、设备和存储介质
CN117375855A (zh) 一种异常检测方法、模型训练方法及相关设备
CN115314400A (zh) 网络系统异常检测方法、装置、电子设备及存储介质
CN115372752A (zh) 故障检测方法、装置、电子设备以及存储介质
CN117057527B (zh) 一种汽车制造设备工业物联网智慧运维方法及系统
CN118469402B (zh) 一种数字孪生辅助的故障诊断方法、系统和介质
CN117057773B (zh) 一种设备维修策略的推荐方法及系统
CN117273199B (zh) 一种航运信息动态监测及超前预报方法及系统
CN113781237B (zh) 基于分布式人工智能系统的产品订购单消费方法
Fu et al. Design and Research of Optical Cable Monitoring System Based on Multi-Channel Sensing
CN117057704B (zh) 一种复杂工况下多品类备件快速调度的方法及系统
CN114221874B (zh) 流量分析及调度方法、装置、计算机设备及可读存储介质
CN118689687A (zh) 一种基于分布式数据的设备故障诊断方法及系统
Feng et al. Fault Identification and Analysis of Communication Network Based on Deep Learning

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