计算机可读介质、发动机故障检测装置以及船舶的制作方法

本发明属于故障检测领域，尤其涉及一种计算机可读介质、发动机故障检测装置以及船舶。

背景技术：

对于复杂的系统，对可能出现的故障进行早期检测，可以节省宝贵的时间和成本来采取补救措施，以避免危险状况的情况。近年来，故障诊断得到了广泛的研究。一般来说，故障诊断方法可以分为基于模型，基于信号，基于知识的方法。其中基于知识的方法也被称为数据驱动方法。该方法需要大量历史数据来建立系统的故障模式，无需先验的已知模型或信号模式，因此非常适合运用在难以建立显式模型或信号特征的复杂系统的故障诊断上。

机器学习是处理数据驱动故障诊断数据最主要的方法之一。然而，机器学习方法依赖于原始数据的数据特征，需要先对原始数据进行特征提取之后，才能采用机器学习方法进行故障诊断，但特征提取过程是非常耗时耗力的工作，并且对最终的结果有很大的影响。

技术实现要素：

本发明针对上述的技术问题，提出一种可以准确检测或预测发动机故障的计算机可读介质、发动机故障检测装置以及船舶。

为了实现上述目的，本发明提供了一种计算机可读介质，储存有多层的神经网络模型以及预设程序，该预设程序被执行时能够实现以下步骤：根据输入的转速、尾气各成分的含量以及对应的故障类型，训练神经网络模型并修正神经网络模型中的各个参数。

作为优选，该预设程序被执行时还能够实现以下步骤：根据接收的转速、尾气各成分的含量，使用多层神经网络模型进行计算，根据预设的故障类型进行判断。

作为优选，该预设程序被执行时能够实现以下步骤：初始化神经网络模型中每层的连接权值和阈值，神经网络模型按照预设的学习算法和学习速率进行训练。

作为优选，该神经网络模型包括2层隐藏层。

作为优选，该预设程序被执行时，神经网络模型按照以下步骤进行训练：计算隐藏层每个神经元的、输出，感觉上层神经元的输出并计算下一层神经元的输入、输出，若输出与预设的故障类型对应的的误差不在预设范围内，则输出层每个神经元的归一化误差，将隐含层每个神经元的误差归一化，根据归一化的误差调整隐藏层与输出层的连接权值和隐藏层阈值，调整输入层和隐藏层的连接权值和隐藏层阈值。

作为优选，该预设程序被执行时，神经网络模型训练时进一步包括以下步骤：若输出与预设的故障类型对应的的误差在预设范围内，则保存神经网络模型中的各个参数。

作为优选，该预设程序被执行时能够实现以下步骤：在预设范围内的数值中随机选出对应于神经网络模型中连接权值和阈值的数值以初始化神经网络模型中的连接权值和阈值。

一种发动机故障检测装置，包括尾气成分分析单元，转速检测单元，以及分别与所述尾气成分分析单元和所述转速检测单元电性连接的处理器，所述处理器包括如上任一项中所述的计算机可读介质。

一种船舶，包括发动机，以及如上任一项中所述的发动机故障检测装置。

作为优选，还包括与所述发动机故障检测装置电性连接的显示单元。

与现有技术相比，本发明的优点和积极效果在于：

本发明所述的计算机可读介质，根据输入的转速、尾气各成分的含量以及对应的故障类型，训练多层神经网络模型并修正神经网络模型中的各个参数，可以应用于不同的不同型号或类型的发动机的故障检测，以针对该发动机建立合适的模型，从而可以精确地检测或预测该发动机的故障类型。

本发明所述的发动机故障检测装置，包括处理器，该处理器包括上述计算机可读介质，根据输入的转速、尾气各成分的含量以及对应的故障类型，训练多层神经网络模型并修正神经网络模型中的各个参数，可以应用于不同的不同型号或类型的发动机的故障检测，以针对该发动机建立合适的模型，从而可以精确地检测或预测该发动机的故障类型。

本发明所述的船舶，包括上述发动机故障检测装置，根据输入的转速、尾气各成分的含量以及对应的故障类型，训练多层神经网络模型并修正神经网络模型中的各个参数，可以应用于不同的不同型号或类型的发动机的故障检测，以针对该发动机建立合适的模型，从而可以精确地检测或预测该发动机的故障类型。

附图说明

图1为本发明所述计算机可读介质中神经网络模型结构示意图；

图2为本发明神经网络模型训练的流程图；

图3为本发明所述发动机故障检测装置的原理图。

其中：1、尾气成分分析单元；2、转速检测单元；3、处理器。

具体实施方式

以下，结合附图对本发明的具体实施方式进行进一步的描述。

参考图1-2，本发明提出一种计算机可读介质，包括多层的神经网络模型，以及预设程序，该预设程序被执行时能够实现以下步骤：

s1、根据输入的转速、尾气各成分的含量以及对应的故障类型，训练神经网络模型并修正神经网络模型中的各个参数，因每种故障类型都与柴油机的排气含量和转速相关，故以尾气成分的含量以及发动机转速n修正神经网络模型，其中，发动机的尾气成分主要以o2,n2,co2,h2o,nox,sox,pm的含量为主，但并不限于全部包括或仅包括上述成分的含量，神经网络模型优选为2层隐藏层，控制对于船舶硬件的需要，神经网络模型的训练以及神经网络模型中的各参数修正的具体步骤如下所示：

s11、初始化每层的连结权值与阈值并执行步骤s12，此处优选为在预设范围内的数值中随机选出对应于神经网络模型中连接权值和阈值的数值以初始化神经网络模型中的连接权值和阈值，操作比较简单，且适用于不同的情况。

s12、计算隐藏层每个神经元的aj、输出bj，并执行步骤s13，其中，

bj＝f(aj)

其中，xi为输入样本，表示在尾气中采集的各气体含量，wij是隐藏层权值，θj是阈值，f是激活函数；

s13、根据上层神经元的输出计算下一层神经元的输入ck、输出并执行步骤s14；

其中，vjk是隐藏层的权值，c是阈值；

s14、计算输出与预设的故障类型对应的yk的误差，若输出与预设的故障类型对应的yk的误差在预设范围内，则保存神经网络模型中的各个参数并终止训练；若输出与预设的故障类型对应的yk的误差不在预设范围内，则执行步骤s15，其中，输出与预设的故障类型对应的yk的误差以预设函数进行计算，此处优选为采用计算方差方式，即如下所示：

其中，yk表示实际的故障，表示网络计算出的值；

s15、输出层每个神经元误差dk的归一化；

s16、隐含层每个神经元误差ej的归一化

s17、根据归一化误差调整隐藏层与输出层的连接权值vjk和隐藏层阈值γk；

vjk＝vjk+δvjk，γk＝γk+δγk

其中，δvjk＝η×bj×dk，δγk＝η×dk；

s18、调整输入层和隐藏层的连接权值wij和隐藏层阈值θj

wij＝wij+δwij，θj＝θj+δθj

其中，δwij＝η×xi×ej，δθj＝η×ej；

需要说明的是，每次的调整为根据预设的学习速率进行修正，此处学习速率可根据情况设置，本发明优选为通过上述方式对神经网络模型进行培训，并修正神经网络模型中的各个参数直至符合要求。

s2、根据接收的转速、尾气各成分的含量，使用多层神经网络模型进行计算，根据预设的故障类型进行判断。

本发明所述的计算机可读介质，根据输入的转速、尾气各成分的含量以及对应的故障类型，训练多层神经网络模型并修正神经网络模型中的各个参数，可以应用于不同的不同型号或类型的发动机的故障检测，以针对该发动机建立合适的模型，从而可以精确地检测或预测该发动机的故障类型。

参考图3，本发明还提出一种发动机故障检测装置，包括尾气成分分析单元1、转速检测单元2、以及处理器处理器3，该处理器3包括上述计算机可读介质，根据输入的转速、尾气各成分的含量以及对应的故障类型，训练多层神经网络模型并修正神经网络模型中的各个参数，可以应用于不同的不同型号或类型的发动机的故障检测，以针对该发动机建立合适的模型，从而可以精确地检测或预测该发动机的故障类型。

本发明还提出一种船舶，包括上述发动机故障检测装置，根据输入的转速、尾气各成分的含量以及对应的故障类型，训练多层神经网络模型并修正神经网络模型中的各个参数，可以应用于不同的不同型号或类型的发动机的故障检测，以针对该发动机建立合适的模型，从而可以精确地检测或预测该发动机的故障类型。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。