技术新讯 > 计算推算,计数设备的制造及其应用技术 > 一种动力船舶系统故障诊断方法与流程  >  正文

一种动力船舶系统故障诊断方法与流程

  • 国知局
  • 2024-07-31 23:04:01

本发明涉及船舶故障诊断,具体为一种动力船舶系统故障诊断方法。

背景技术:

1、船舶动力系统被称为船的“心脏”,在为船舶提供动力的同时,还与船舶的运行稳定性、安全性能息息相关,因此需要对船舶系统进行故障诊断,随着智能浪潮的掀起,逐渐通过智能诊断方法对船舶进行故障诊断。但是现有的动力船舶故障诊断方法在通过传感器获取检测信号时,通常携带有干扰信号,会对诊断结果造成影响,并且将获取的检测信号完整进行诊断,导致诊断效率低下。

2、现有的故障诊断方法中存在的缺陷是:

3、1、专利文件cn115825635b中,主要考虑的是如何对进行实时故障诊断和做出应急反应的问题,没有检测的信号未进行处理容易造成诊断误差和降低诊断效率的问题;

4、2、专利文件jp2005327153a中,主要考虑的是提高检测故障的精度来估计故障位置及其程度的问题,缺少建立故障类型子模块,对故障类型进行分类判断的功能;

5、3、专利文件jp2015033908a中,主要考虑的是如何对混合车辆系统进行故障诊断的问题,缺少对故障类型进行分类,并分类诊断故障是否发生的功能;

6、4、专利文件cn103412220a中,主要考虑的是如何对系统故障做出正确判定的问题,没有考虑到诊断判定后缺少信息反馈的问题。

技术实现思路

1、本发明的目的在于提供一种动力船舶系统故障诊断方法,以解决上述背景技术中提出的问题。

2、为实现上述目的,本发明提供如下技术方案:一种动力船舶系统故障诊断方法,包括故障类型构建模块、运行信息处理模块、故障类型诊断模块、动力故障预警模块和故障信息反馈模块;

3、所述故障类型构建模块包括样本收集单元、模型建立单元、模型训练单元和模型生成单元,所述故障类型构建模块用于构建故障诊断模型,所述运行信息处理模块包括传感信号检测单元、信息整合单元、信息预处理单元和特征片段截取单元,所述运行信息处理模块用于处理船舶系统运行状态信号,所述故障类型诊断模块包括特征片段对比单元、特征信息对比单元和人工故障诊断单元,所述故障类型诊断模块用于接收运行信息处理模块处理后的信息,并将信息输入故障类型构建模块,与故障诊断模型进行对比,对信息进行故障诊断,所述动力故障预警模块用于根据故障类型诊断模块的诊断结果做出故障预警,所述故障信息反馈模块包括故障次数统计单元、故障概率模型生成单元和未知信息反馈单元,所述故障信息反馈模块用于根据动力故障预警模块的故障预警结果,向故障类型构建模块反馈未知信息。

4、优选的,动力船舶系统故障诊断方法如下:

5、s1:通过样本收集单元收集动力船舶系统正常运行状态样本信息、故障状态样本信息和已知故障类型,将样本收集单元收集的样本信息输入模型建立单元,建立故障类型子模型,通过模型训练单元训练故障类型子模型,再通过模型生成单元对通过训练的故障类型子单元进行整合,生成故障类型模型,用于进行故障诊断;

6、s2:传感信号检测单元检测船舶系统运行状态信号,并通过信息整合单元整合运行状态信号,通过信号预处理单元对整合后的运行状态信号做出预处理操作,并生成连续信号,特征片段截取单元将连续信号分断截取,获得特征片段信号;

7、s3:将s2中获取的特征片段信号输入s1中生成的故障类型模型中,通过特征片段信号对比单元判断特征片段信号所属的故障类型子模型,通过特征信息对比单元将特征片段信号与相应故障类型子模型进行对比,判断特征片段信号运行状态,并输出运行状态的判断结果;

8、s4:将s3中的运行状态判断结果输入动力故障预警模块,根据运行状态判断结果,判断是否需要通过动力故障预警模块进行故障预警;

9、s5:最后使用故障次数统计单元统计故障发生次数,故障概率生成模型根据故障发生次数生成模型,记录高频故障并进行信息反馈。

10、优选的,在s1中,还包括以下步骤:

11、s11:样本收集单元从数据库中获取多组信息样本,数据库中记载有船舶动力系统正常运行状态信息、已知故障运行状态信息、已知故障类型信息和传感检测单元位置信息;

12、s12:将样本收集单元获取的样本信息输入模型建立单元,通过欧拉方程结合已知案例和样本特征建立故障类型子模型xi,并确定相应故障类型子模型中的阈值iy和iz,且(iy,iz)∈xi;

13、s13:将故障类型子模型输入模型生成单元,通过stacking堆叠法建立整体的故障类型模型mi,且{xi|i=1,2,3,4}∈mi;

14、s14:通过样本收集单元从历史数据库中选取新信息样本,将样本输入故障类型模型mi中,神经网络算法或随机森林算法对故障类型模型进行训练,并将训练完成的故障类型模型用于对动力船舶系统故障进行诊断。

15、优选的,所述传感信息检测单元包括传感器,信息整合单元包括编码器和plc,且编码器与传感器连接,编码器与plc无线连接;

16、在s2中,还包括以下步骤:

17、s21:使用传信息检测单元采集船舶系统运行信号,通过编码器转化信息检测单元采集的运行信号,并将信号传输至plc进行整合;

18、s22:在信息预处理单元中通使用cemd算法,对整合后的检测信号进行辅助信号分解,以imf在指定方向上添加白噪声,对整合后的检测信号进行分解与重构,去除检测信号中的干扰噪声信号,再以连续小波变换将信号生成连续振荡波形,基于小波变换设定软式临界值,去除低于软式临界值的干扰信号,并形成连续信号;

19、s23:将连续信号输入特征片段截取单元,添加窗函数突出特征片段,并从完整的连续长信号中截取突出的特征片段信号qi,并且保留完整形状的波峰、波谷处特征信号数据pi,且pi∈qi。

20、优选的,在s3中,还包括以下步骤:

21、s31:将截取的特征片段信号qi按照截取顺序组成特征向量,输入故障类型mi中;

22、s32:在特征片段对比单元中,通过ann将特征片段信号qi与mi进行对比;

23、s33:将通过特征片段对比单元的特征片段信号qi输入特征信息对比单元,使用阈值判定法将特征片段信号数据pi与故障类型子模型中的阈值进行对比,判断特征片段信号数据pi是否处于(iy,iz)内,当特征片段对比单元输出“发生故障”的判断结果,ip∈(iy,iz)时,特征片段对比单元输出“未发生故障”的判断结果。

24、优选的,在s4中还包括以下步骤:动力故障预警模块接收特征信息对比单元输出的判断结果,当判断结果为“发生故障”时,动力故障预警模块对船舶工作人员及陆地指示人员作出故障预警,并对故障类型和故障发生位置进行提示。

25、优选的,在s32中,还包括以下步骤:在特征片段对比单元中,将特征片段信号qi与mi进行对比,当对比成功时,对比得出与特征片段信号qi对应的故障类型子模型xi,并进行步骤33,当特征片段信号qi与mi经过步骤s32比对后,未得出对应故障类型子模型,将特征片段信号qi通过lora无线传输方式传输至人工故障诊断单元进行人工故障诊断。

26、优选的,在s5中,还包括以下步骤:

27、s51:故障次数统计单元统计故障预警模块的预警次数、通过各组故障类型子模型中的特征信息对比单元输出“发生故障”判断结果的次数;

28、s52:然后故障概率生成单元根据故障次数统计单元的统计数据,建立故障发生概率图,显示各种类型故障发生概率,并对高频故障类型进行突出显示,提示工作人员定期进行检修;

29、s53:对于未通过特征片段对比单元而进行人工诊断的特征片段信号qi,将特征片段信号的检测信号、故障诊断结果和故障类型判断结果的相关数据信息,通过未知信息反馈单元传输至数据库,并通过故障类型构建模块建立对应故障类型子模型xi。

30、优选的,所述传感器包括振动传感器、温度传感器、压力传感器和液位传感器中的一种或多种。

31、与现有技术相比,本发明的有益效果是:

32、1、本发明通过设置有运行信息处理模块,cemd算法和小波变换对传感器检测的船舶动力系统运行状态信号进行分解与重构,减小或去除检测信号中的干扰信号,避免干扰信号对诊断结果造成影响,使检测信号更加准确,提高故障诊断准确性,通过截取检测信号中的特征片段信号,对特征片段信号进行诊断,避免对连续长信号整体进行诊断,提高诊断效率。

33、2、本发明通过设置有故障类型构建模块,使用欧拉方程构建故障类型子模型,并确定相应故障类型子模型中的阈值iy和iz,且(iy,iz)∈xi,通过stacking堆叠法建立整体的故障类型模型mi,使故障类型和故障诊断阈值更加明确,避免信息冗杂,为故障类型诊断做准备。

34、3、本发明通过故障类型诊断模块将特征片段与故障类型模型中进行对比,判断特征片段信号所属的故障类型子模型,再将特征片段输入至相应的故障类型子模型中,与对应阈值(iy,iz)进行比较,当特征片段中存在特征值时,故障类型子模型对应的故障预警单元进行故障预警提示,通过分类对特征片段信号qi进行对比,有利于加快故障诊断速度,提高了故障诊断效率。

35、4、本发明通过故障信息反馈模块记录船舶动力系统故障次数,并生成故障概率模型,设置高频故障发生点,便于工作人员定期进行维护检修,并且通过记录人工诊断数据和人工诊断结果,并将数据和结果反馈至建立故障类型构件模块,建立新的故障类型子单元,实现优化补充故障类型模型的目的,完善故障诊断方法。

本文地址:https://www.jishuxx.com/zhuanli/20240730/195883.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。