船舶机舱设备状态监测及故障诊断方法、系统及介质与流程

本发明涉及船舶技术领域，具体地，涉及一种船舶机舱设备状态监测及故障诊断方法、系统及介质。尤其地，涉及一种自组织映射网络与支持向量机相结合的船舶机舱设备状态监测及故障诊断方法。

背景技术：

船舶机舱设备的复杂多样且自动化程度越来越高，设备的日常维护和故障检修越来越困难，设备维护的费用越来越高，且随着中国船级社《智能船舶规范》的发布及实际装船数量的越来越多，船舶机舱设备的智能化趋势日益显著，随之而产生的是海量的数据，如何充分利用现有数据对机舱内关键设备进行主动运维服务，进而有效支持和提升船舶的智能化及运维管理水平，已成为船舶智能化领域的重点研究方向。目前利用大数据机器学习进行设备状态监测及故障诊断的算法的及准确性严重依赖样本的质量及故障样本的多寡，在实际应用中一开始只有正常数据，异常数据较少，导致模型无法建立起来，且在实际操作上准确率不够且诊断结果不具备可解释性，因而故障定位不够精准。

而本方法可以在只有少量故障样本的情况下，通过机器学习模型与统计数据结合使用，来逐渐充实故障样本且可以随着故障样本的增加在算法决策中逐渐加大故障样本模型输出结果的置信度，从而实现模型的迭代和优化。且最终在监测出故障后会通过统计模型对各参数进行偏离度量化，并按照归一化后的距离进行影响因子排序，从而实现较为准确的故障特征的定位。

在对船舶机舱关键设备进行状态监测的过程中，机械设备投运初期，健康状态设备健康状况较好，这时可认为此时的特征参数均为正常态数据样本，而异常态的数据样本很少，常规的机器学习算法一般需要正反两方面的样本，很多设备往往需要在构建模型时通过仿真或者台架试验数据认为模拟异常数据，该数据往往不够准确且没有考虑到工况变化和设备本身的个体和使用场合的差异。

本发明基于对船舶机舱关键设备(如柴油机)各子系统、设备及设备间的关联关系有深入的研究并进行层级划分，针对各个项目、子系统、设备进行划进行监控特征参数提取并建立设备的状态监测模型，进而建立完整的船舶设备系统级运行状态监控模型。本发明利用设备运行的一段时间的各典型工况下的多维向量进行模型训练，训练好的模型可直接调用并实现计算机自动诊断当前设备的故障/失效状态。该模型可以将工况数据作为特征参数，通过运行产生的多维特征向量作为测试集，模型实时计算模型当前状态，并在监测为异常态的时候，通过计算各参数和正常态下的样本的计算其fisher判别获取引起设备相关故障/失效的关键参数，从而可以发现不同工况下的设备的早期潜在故障。并且采用多模型有条件串并联运行机制提高目前智能机舱系统中设备状态监测及故障诊断的在线诊断效率及准确性。以解决目前智能船舶、无人船舶对船舶设备进行状态监测及故障诊断的需求。

专利文献cn103760871b(申请号：201410039061.9)公开了一种船舶状态的诊断系统及其诊断方法，所述的诊断系统包括船端数据监测系统和岸端云诊断系统，所述的船端数据监测系统包括机舱数据采集基站、工控机、船端服务器和船端多信息融合分析模块，所述的岸端云诊断系统包括船舶数据服务器集群、数据算法服务器以及用户客户端。本发明对数据的处理分为两级：第一级对实时数据进行常规分析，计算量小，实时性较高；第二级通过船岸通讯将船端数据发送至岸端云诊断系统进行进一步的复杂分析及状态趋势预报，这种方式分析更为准确，能实现预报功能，但实时性稍差。

技术实现要素：

针对现有技术中的缺陷，本发明的目的是提供一种船舶机舱设备状态监测及故障诊断方法、系统及介质。

根据本发明提供的船舶机舱设备状态监测及故障诊断方法，包括：

步骤1：对船舶模型进行分割；

步骤2：选取各子模型的特征参数，并提取出训练样本；

步骤3：对训练样本进行训练；

步骤4：进行实时状态监测和故障诊断。

优选地，所述步骤2包括：提取正常样本和提取异常样本。

优选地，所述步骤3包括：进行som模型训练和进行svm模型训练。

优选地，提取正常样本进行自组织网络映射网络与支持向量机模型的训练。

优选地，提取故障样本进行自组织网络映射网络与支持向量机模型的训练。

优选地，将多个模型在设定条件下进行串并联运行，提升运行效率，并初步输出设备的运行状态。

优选地，所述步骤4包括：在监测到设备状态异常的情况下，判断出模型属于异常类时，计算正常样本与异常样本进行归一化处理后的样本间的判别距离；

判别距离越大，说明特征参数偏离正常样本越严重，并最终输出设备的运行状态。

优选地，将异常结果用统计学方法进行确认后放入异常样本中，逐渐充实异常样本，实现异常样本的自动更新。

根据本发明提供的船舶机舱设备状态监测及故障诊断系统，包括：

模块m1：对船舶模型进行分割；

模块m2：选取各子模型的特征参数，并提取出训练样本；

模块m3：对训练样本进行训练；

模块m4：进行实时状态监测和故障诊断。

与现有技术相比，本发明具有如下的有益效果：

1、本发明模型的建立仅需要少量的异常数据，随着异常数据的逐渐增多动态调整个模型诊断结果的权值，使构建设备状态监测的门槛大大降低，且模型可以动态更新迭代，且当模型监测到健康状态异常时，可通过判别距离找出故障特征参数，可以为后续的故障诊断和辅助决策提供明确的信息指引；

2、本发明可解决目前智能船舶、无人船舶对船舶设备进行状态监测及评估的需求，提高船舶的安全性。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为某动力形式机舱关键设备模型管理层次划分图；

图2为本发明方法流程图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

本发明的具体实施方法如下：

步骤一：进行模型分割：

在解决一个船舶机舱主动力系统的状态监测与故障诊断时，首先将主动力系统下的各子系统、设备及设备间进行层级划分：采用模块化分割方法对系统级模型进行分割。如图1所示，为某动力形式机舱关键设备模型管理层次划分图。

步骤二：选取各部件(子系统)特征参数：

以柴油机增压器为例，来说明各部件(子系统)特征参数的选取方法，柴油机增压器作为柴油机的核心部件，通过机理分析，选取的特征参数有增压器滑油进口压力、增压器滑油出口温度、增压器进口排气温度、增压器出口排气温度、增压器转速、增压器振动有效值6个特征参数。其中增压器转速反映增压器的工况、增压器振动有效值可反映的是增压器的轴承故障、增压器转子的动平衡改变，增压器滑油进口压力、增压器滑油出口温度可反映增压器的润滑状况、增压器进口排气温度、增压器出口排气温度反映增压器的做功效率。

步骤三：各子模型训练样本的提取：

特征参数选取后，需要提取各子模型训练样本进行训练。特征参数首先需要提取能否覆盖全工况的训练样本。首选按照时间标签进行原始数据的提取，并剔除该时间标签上数据质量不好的样本。其次，从初次提取的数据样本中随机抽样对抽样数据进行可视化，保证样本的大致均衡，如不均衡，重新进行训练样本的提取，提取后的样本保存为csv的格式，待模型训练使用。同理，提取模型的测试样本。

1)正常样本的提取：

采用专家设定的阈值对数据进行统计筛查，保留在该时间标识上个特征参数均正常的向量将初步分类为正常样本。

2)异常样本的提取：

采用专家设定的阈值对数据进行统计筛查，保留在该时间标识上个特征参数任意一特异常的向量将初步分类为正常样本。

步骤四：构建子模型并进行参数寻优：

读取上个步骤提取的数据样本文件，进行增压器状态模型训练。

1)som模型的训练：

som由芬兰赫尔辛基大学教授teuvokohonen于1981年提出后，现在已成为应用最广泛的自组织神经网络方法，其中的wta(winnertakesall)竞争机制反映了自组织学习最根本的特征。当输入矢量输入到网络后，网络利用随机选取输入矢量中的一个样本x，然后计算该样本x和所有som的权值矢量间的距离。最相配的单元bmu就是权值矢量与x最接近的单元。在bmu被确定后，bmu的权值矢量以及他的拓扑关系相邻单元将及时更新。学习完成后，权值矢量按照他们在输入空间中的距离进行分类。模型训练完成后，会生成一个推荐的量化误差mqe，该参数表征的是bmu和输入数据之间的距离。通过mqe值的设定及变化趋势，可性和定量描述设备的状态及性能的衰退程度。

som的参数主要有初始化领域半径(initialradius)、初始学习率(initiallearningrate)、最大迭代次数、置信度等参数。该模型的参数可采用网格法生成一组或多组超参数，每组参数训练出的模型利用交叉验证评价不同参数下的模型的精度和运行效率，在此基础之上进行超参数寻优。

2)svm模型的训练：

在模型训练前，需要初始化模型的如下超参数：nu(惩罚参数)，核函数(采用rbf)，核函数的gamma系数等。

惩罚参数nu是影响该模型进行状态监测的一个重要参数，即对误差的宽容度。nu越大，说明越不能容忍出现误差，容易过拟合，nu越小，容易欠拟合。nu过大或过小，都会导致模型的泛化能力变差。

gamma是选择rbf函数作为kernel后，该核函数自带的一个参数。隐含地决定了数据映射到新的特征空间后的分布，gamma越大，支持向量越少，gamma值越小，支持向量越多。支持向量的个数影响训练与预测的速度。

该模型的参数优化即寻求在nu、gamma组成的二维参数矩阵中，寻求每一对参数训练出的模型，用测试样本进行验证，并统计同一批样本在不同参数下的准确度。为了保证结果的准确性，可以用多个测试集进行验证后再选取最优的nu、gamma。

步骤五：多模型有条件串并联运行机制进行实时状态监测和故障诊断：

选取模型最优参数后，即可用最优参数训练出某一设备设备状态监测模型，模型输入为当前设备特征参数的多维向量。由于som算法的效率较svm更优，所以该特征向量首先利用somn进行计算，计算结果如果为正常，则进入下一个循环，若异常需要利用svmn进一步进行svm计算，在程序运行中，somn与svmn之间以及some与svme之间是串联关系。而somn与some则为并联关系，并通过故障样本的积累，逐渐调整该somn与some输出结果的权值。最终通过判别函数f(x)给出设备的正常或异常的综合判别。

步骤六：模型异常时计算判别距离：

如果上述实时状态监测模型检测到当前设备故障，则分别进行各参数的判别距离的计算：

假设样本集：x＝x1，x2，x3…,xn，

ω1类(正常样本集)：x＝x11，x12，x13…,x1n

ω2类(异常样本集)：x＝x21，x22，x23…,x2n

判别距离d的求解如下：

其中m1为ω1类的某参数均值向量，m2为ω2类的某参数的均值，s1为ω1类的某参数的方差，s2为ω2类的某参数的方差。

接下来对各特征参数判别进行排序后求得各特征参数的，参数的判别距离d越大，表示参数偏离正常样本的程度也越大。

步骤七：利用子模型构建系统级模型：

利用步骤二至步骤六构建不同子系统和部件的多维向量模型，然后利用测试性建模软件构建系统级的状态监测模型，进而进行复杂设备或系统级推理。

本发明在船舶柴油机状态监测项目中得到了应用，可诊断船舶的燃油、滑油、冷却水、排气系统、进气系统、增压器、气缸单元等。

如图2所示，为本发明方法流程图，包括：本发明的具体实施流程及步骤：

步骤一：进行模型分割；

步骤二：选取各部件(子系统)特征参数；

步骤三：各子模型训练样本的提取；

1)正常样本的提取；

2)异常样本的提取；

步骤四：构建子模型并进行参数寻优；

1)som模型的训练；

2)svm模型的训练；

步骤五：多模型有条件串并联运行机制进行实时状态监测和故障诊断；

步骤六：模型异常时计算判别距离；

步骤七：利用子模型构建系统级模型；

利用步骤二至步骤六构建不同子系统和部件的多维向量模型，然后利用测试性建模软件构建系统级的状态监测模型，进而进行复杂设备或系统级推理。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。