一种人工智能海洋渔船电力故障预测方法及系统
- 国知局
- 2024-10-21 14:36:57
本技术涉及电数据处理,更具体地,涉及一种人工智能海洋渔船电力故障预测方法及系统。
背景技术:
1、由于海洋环境的复杂性和不确定性,渔船电力系统面临多种潜在故障风险,如短路、过载、绝缘故障等。这些故障可能导致设备损坏、电力供应中断,甚至引发火灾等严重后果。因此,对电力系统进行实时监控和故障预测至关重要。
2、现有的监控技术主要依赖于人工检查和定期维护,这种方法效率低下且无法及时发现潜在故障。近年来,随着物联网、传感器技术和人工智能技术的快速发展,为渔船电力系统提供了一种新的监控和管理手段。通过安装各种传感器,可以实时采集渔环境的各种数据,如电压、电流、温度、湿度、风速等。利用人工智能算法,可以对这些数据进行分析,预测潜在的电力故障,并及时发出警报,以减少故障对渔船和渔民的影响。
3、现有技术中,因为渔船电力数据复杂、海外环境因素较多,导致电力故障预测的准确性较低,适应性差。
4、因此,如何提高电力故障预测的准确性和适应性,是目前有待解决的技术问题。
技术实现思路
1、本发明提供一种人工智能海洋渔船电力故障预测方法,用以解决现有技术中电力故障预测准确性低、适应性差的技术问题。该方法包括:
2、获取渔船电力故障时的相关数据,并将相关数据划分为渔船数据和环境数据,并且按照时间顺序得到渔船时间序列数据和环境时间序列数据,通过渔船时间序列数据上的数据异常情况来筛选渔船时间序列数据,得到渔船时间异常序列数据;
3、分析渔船时间异常序列数据的正常时间和异常时间的比例来设定该类型渔船数据的时间间隔,应用时间间隔确定渔船时间序列数据每种特征值的波动,将波动最大的特征值筛选出来作为该类型渔船数据的特征值;
4、比对渔船时间异常序列数据时间下的每种环境时间序列数据的变化情况,并且赋予每种环境数据对应的影响权重;
5、根据影响权重和环境数据确定环境影响力,将渔船数据的特征值、时间间隔以及环境影响力构建渔船时间异常序列数据的异常图,优化异常图,以此确定每种渔船电力故障的异常图列表;
6、通过预测模型来预测未来一段时间内的渔船数据和环境数据,并生成预测异常图,基于预测异常图与异常图列表中的异常图进行匹配,以此来预测电力故障。
7、本技术一些实施例中,通过渔船时间序列数据上的数据异常情况来筛选渔船时间序列数据,得到渔船时间异常序列数据,包括:
8、确定渔船时间序列数据上的第一个数据异常值的点和最后一个数据异常值的点,判断两个点到最近距离的数据正常值之间的数据异常值是否连续,若连续,则将该两个点作为起始点和终点,并截取得到渔船时间异常序列数据;
9、若不连续,则第一个数据异常值的点或最后一个数据异常值的点进行后推或前推,直至到最近距离的数据正常值之间的数据异常值连续,从而将新的两点作为起始点和终点,并截取得到渔船时间异常序列数据。
10、本技术一些实施例中,分析渔船时间异常序列数据的正常时间和异常时间的比例来设定该类型渔船数据的时间间隔,包括:
11、将渔船时间异常序列数据按照数据异常值连续和数据正常值连续划分成数据异常段、数据正常段、数据异常点和数据正常点;
12、若数据异常点两侧相邻的数据段均为数据异常段,则将该数据异常点划入距离最近的数据异常段,并延伸最近的数据异常段;
13、若数据正常点两侧相邻的数据段均为数据正常段,则将该数据正常点划入距离最近的数据正常段,并延伸最近的数据正常段;
14、若数据异常点两侧相邻的数据段分别为数据异常段和数据正常段,则计算该数据异常点分别到数据异常段和数据正常段的距离,对两个距离进行加权求和,得到校对时间,并标记该数据异常点为校对点;
15、整合每个数据异常段和每个数据正常段得到数据异常段和数据正常段的时间长度,并结合校对点的校对时间来确定正常时间和异常时间的比例;
16、
17、其中,τ为正常时间和异常时间的比例,t1为整合后数据正常段的时间长度,t2为整合后数据异常段的时间长度,n为校对点数量,αi为由第i个校对点相邻的数据异常段和数据正常段来确定第i个校对点的权重,qi为第i个校对点的校对时间,k为预设常数;
18、通过渔船时间异常序列数据正常时间和异常时间的比例来设定一个时间间隔。
19、本技术一些实施例中,应用时间间隔确定渔船时间序列数据每种特征值的波动,包括:
20、计算渔船时间序列数据时间尺度上每个时间间隔的每种特征值大小,通过相邻的两个以及以上的时间间隔得到特征值变化,以此得到整个渔船时间序列数据上该特征值的变化情况,并将该特征值的变化情况作为该特征值的波动。
21、本技术一些实施例中,比对渔船时间异常序列数据时间下的每种环境时间序列数据的变化情况,并且赋予每种环境数据对应的影响权重,包括:
22、构建渔船时间异常序列数据时间下的每种环境时间序列数据的环境数据曲线图,根据环境数据类型将每个环境数据的曲线图拆分成若干个小曲线,计算每个小曲线的斜率平均值,从而得到该环境数据曲线图的斜率平均值,整合每种环境数据曲线图的斜率平均值,得到整体环境数据的斜率平均值,通过整体环境数据的斜率平均值映射得到归一因子;
23、通过归一因子将每种环境数据进行标准化处理;
24、
25、其中,pj为第j种环境数据的标准化后的值,xj为第j种环境数据的原始值,xjmin为第j种环境数据的最小值,xjmax为第j种环境数据的最大值,f为归一因子;
26、分析每种环境数据对渔船电力指标的影响,从而赋予每种环境数据对应的影响权重。
27、本技术一些实施例中,将渔船数据的特征值、时间间隔以及环境影响力构建渔船时间异常序列数据的异常图,包括:
28、以渔船数据的特征值为纵坐标、时间间隔为单位的横坐标以及通过点大小来描述环境影响力的点,构建渔船时间异常序列数据的异常图。
29、本技术一些实施例中,优化异常图,以此确定每种渔船电力故障的异常图列表,包括:
30、构建异常图中每个点的电力故障反应指标;
31、za=(z1a→z2a)θa;
32、其中,za为异常图中第a个点的电力故障反应指标,z1a为第a个点的特征值,z2a为第a个点的电力故障反应系数,z1a→z2a为由第a个点的特征值映射得到的电力故障反应系数,θa为第a个点的环境影响力大小;
33、将异常图中电力故障反应指标低于指标阈值的点进行去除,来得到完善的该渔船数据的异常图,由此得到每种渔船数据的异常图,确定每种渔船电力故障的异常图列表。
34、对应的,本技术还提供了一种人工智能海洋渔船电力故障预测系统,包括:
35、第一模块,用于获取渔船电力故障时的相关数据,并将相关数据划分为渔船数据和环境数据,并且按照时间顺序得到渔船时间序列数据和环境时间序列数据,通过渔船时间序列数据上的数据异常情况来筛选渔船时间序列数据,得到渔船时间异常序列数据;
36、第二模块,用于分析渔船时间异常序列数据的正常时间和异常时间的比例来设定该类型渔船数据的时间间隔,应用时间间隔确定渔船时间序列数据每种特征值的波动,将波动最大的特征值筛选出来作为该类型渔船数据的特征值;
37、第三模块,用于比对渔船时间异常序列数据时间下的每种环境时间序列数据的变化情况,并且赋予每种环境数据对应的影响权重;
38、第四模块,用于根据影响权重和环境数据确定环境影响力,将渔船数据的特征值、时间间隔以及环境影响力构建渔船时间异常序列数据的异常图,优化异常图,以此确定每种渔船电力故障的异常图列表;
39、第五模块,用于通过预测模型来预测未来一段时间内的渔船数据和环境数据,并生成预测异常图,基于预测异常图与异常图列表中的异常图进行匹配,以此来预测电力故障。
40、通过应用以上技术方案,获取渔船电力故障时的相关数据,并将相关数据划分为渔船数据和环境数据,并且按照时间顺序得到渔船时间序列数据和环境时间序列数据,通过渔船时间序列数据上的数据异常情况来筛选渔船时间序列数据,得到渔船时间异常序列数据;分析渔船时间异常序列数据的正常时间和异常时间的比例来设定该类型渔船数据的时间间隔,应用时间间隔确定渔船时间序列数据每种特征值的波动,将波动最大的特征值筛选出来作为该类型渔船数据的特征值;比对渔船时间异常序列数据时间下的每种环境时间序列数据的变化情况,并且赋予每种环境数据对应的影响权重;根据影响权重和环境数据确定环境影响力,将渔船数据的特征值、时间间隔以及环境影响力构建渔船时间异常序列数据的异常图,优化异常图,以此确定每种渔船电力故障的异常图列表;通过预测模型来预测未来一段时间内的渔船数据和环境数据,并生成预测异常图,基于预测异常图与异常图列表中的异常图进行匹配,以此来预测电力故障。构建了渔船时间异常序列数据的异常图,通过异常图的多种属性来判断故障情况,以此提高电力故障的预测准确性和适应性,保证了渔船电力稳定运行。
本文地址:https://www.jishuxx.com/zhuanli/20241021/318732.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。