[發(fā)明專利]船舶柴油發(fā)電機故障預測與健康狀態(tài)在線評估系統(tǒng)及方法

有效

• 申請?zhí)枺?/td>: 201810447193.3
• 申請日: 2018-05-11
• 公開（公告）號: CN108520080B
• 公開（公告）日: 2020-05-05
• 發(fā)明（設計）人: 陳輝;宮文峰;張澤輝;管聰;高海波
• 申請（專利權）人: 武漢理工大學
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06F16/242;G06F16/21;G06N20/00
• 代理公司: 湖北武漢永嘉專利代理有限公司 42102
• 代理人: 胡琳萍;汪瑋華

1.船舶柴油發(fā)電機故障預測與健康狀態(tài)在線評估系統(tǒng)，其特征在于，包括殼體、顯示器、警報器、電源和數(shù)據(jù)處理裝置，所述數(shù)據(jù)處理裝置包括深度學習集成模塊、全生命周期歷史數(shù)據(jù)庫、故障多模態(tài)專家系統(tǒng)數(shù)據(jù)庫和數(shù)據(jù)采集模塊，殼體設置有腔體，在殼體上部中間位置處設置有無線信號收發(fā)裝置，在無線信號收發(fā)裝置的右側設置有電源啟閉按鈕，在無線信號收發(fā)裝置的正下方設置所述顯示器，在顯示器的正下方中間左側設置有USB接口，右側設置所述警報器，腔體內(nèi)設置有存儲器，在存儲器的左側設置有圖形處理器GPU，在GPU的左側設置有中央處理器CPU，在殼體的最底端右側設置所述電源，在電源的左側設置有外部設備控制接口，殼體內(nèi)的所有部件通過導線連接構成通路，電源為所有部件提供電力，并通過電源啟閉按鈕控制電源通斷，故障多模態(tài)專家系統(tǒng)數(shù)據(jù)庫載入全生命周期歷史數(shù)據(jù)庫中所有故障特征數(shù)據(jù)，數(shù)據(jù)采集模塊實時在線監(jiān)測柴油發(fā)電機組工作現(xiàn)場的指標數(shù)據(jù)，深度學習集成模塊會自動對數(shù)據(jù)進行迭代學習提取特征，并將該特征與故障多模態(tài)專家系統(tǒng)數(shù)據(jù)庫中特征數(shù)據(jù)進行相似性比對識別出當前設備發(fā)生的故障，并通過警報器發(fā)出故障警報，CPU會將警報信息通過無線信號收發(fā)裝置發(fā)送至船員的駕控臺或安全監(jiān)控中心，提醒船員及時排查對應故障。

2.根據(jù)權利要求1所述的船舶柴油發(fā)電機故障預測與健康狀態(tài)在線評估系統(tǒng)，其特征在于，所述深度學習集成模塊包括卷積神經(jīng)網(wǎng)絡、深度信念網(wǎng)絡、遞歸神經(jīng)網(wǎng)絡、堆疊自編碼器、深度玻爾茲曼機、長短期記憶模型、門控循環(huán)單元網(wǎng)絡及神經(jīng)圖靈機，深度學習集成模塊采用集成學習方法和自動優(yōu)化設計組合策略，將多個有監(jiān)督和無監(jiān)督的深度學習算法模型組合在一起并行數(shù)據(jù)處理。

3.根據(jù)權利要求2所述的船舶柴油發(fā)電機故障預測與健康狀態(tài)在線評估系統(tǒng)，其特征在于，所述全生命周期歷史數(shù)據(jù)庫為包含有已退役的K臺同類型的柴油發(fā)電機自服役到退役整個運行階段的全部監(jiān)測離線數(shù)據(jù)總集每臺柴油發(fā)電機監(jiān)測N種類型的監(jiān)測信號，每一種監(jiān)測信號設置有Q個傳感器測量點，每一個傳感器所測得的數(shù)據(jù)均為一個時間序列樣本，數(shù)據(jù)總集是一個K×N×Q的多維多模態(tài)的高維張量矩陣數(shù)據(jù)集。

4.根據(jù)權利要求3所述的船舶柴油發(fā)電機故障預測與健康狀態(tài)在線評估系統(tǒng)，其特征在于，所述故障多模態(tài)專家系統(tǒng)數(shù)據(jù)庫設置為包含有所述全生命周期歷史數(shù)據(jù)庫中的K臺柴油發(fā)電機自從服役到退役整個運行階段中所有出現(xiàn)過的故障特征數(shù)據(jù)組總集及對應的故障類別標記，反向倒推類比方法是作為程序被寫入系統(tǒng)內(nèi)，然后由CPU控制執(zhí)行，對全生命周期歷史數(shù)據(jù)庫中的監(jiān)測大數(shù)據(jù)總集進行數(shù)據(jù)切割，將K臺同類型柴油發(fā)電機出現(xiàn)某類相同故障的數(shù)據(jù)段進行截斷提取重新組合，并按照反向時間序列的方式進行排序，定義該故障類別為故障A，以故障A出現(xiàn)的時刻為起點，至前一次其他類故障B出現(xiàn)的時刻為終點，截取故障A至故障B之間的數(shù)據(jù)作為故障A的時間序列數(shù)據(jù)段；以M表示一臺機器中出現(xiàn)故障A的次數(shù)，N表示每一次故障A出現(xiàn)時均有N個指標被監(jiān)測，Q表示每一個監(jiān)測指標均布置有Q個傳感器測量點，則一臺機器出現(xiàn)故障A所獲得的數(shù)據(jù)可構成一個M×N×Q的多維數(shù)據(jù)組{δ_A}；數(shù)據(jù)組總集{Ψ_A}在進行數(shù)據(jù)組合時，以故障A出現(xiàn)的時刻為參考點進行數(shù)據(jù)對齊，按時間軸的反方向構成反向時間序列樣本數(shù)據(jù)組總集{Ψ_A’}，數(shù)據(jù)組總集{Ψ_A’}對應故障類型A，共有K×M×N×Q個反向時間序列樣本；通過深度學習集成模塊中的各類網(wǎng)絡模型對故障A的反向時間序列數(shù)據(jù)組總集{Ψ_A’}中的數(shù)據(jù)進行迭代學習，實現(xiàn)數(shù)據(jù)的深度挖掘和特征提取，并將故障A的數(shù)據(jù)組總集{Ψ_A’}以反向時間軸為方向按故障嚴重程序劃分為嚴重、顯著、輕微、微小和正常多種級別，最終把數(shù)據(jù)組總集{Ψ_A’}的特征信息集合和對應的故障A識別符號組成一個故障模式類存儲到故障多模態(tài)專家系統(tǒng)數(shù)據(jù)庫中；每一類故障(故障A、故障B、故障C……)均采用這種方式建立一個對應的數(shù)據(jù)組總集({Ψ_A’}、{Ψ_B’}、{Ψ_C’}……)，構成故障總集{Τ}，并將所有故障的總數(shù)據(jù)集{Τ}存儲到故障多模態(tài)專家系統(tǒng)數(shù)據(jù)庫中。