CN110081927A - 船机设备故障预测方法、装置、***和存储介质 - Google Patents
船机设备故障预测方法、装置、***和存储介质 Download PDFInfo
- Publication number
- CN110081927A CN110081927A CN201910189410.8A CN201910189410A CN110081927A CN 110081927 A CN110081927 A CN 110081927A CN 201910189410 A CN201910189410 A CN 201910189410A CN 110081927 A CN110081927 A CN 110081927A
- Authority
- CN
- China
- Prior art keywords
- machine equipment
- ship machine
- equipment
- information
- ship
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 80
- 230000015556 catabolic process Effects 0.000 claims abstract description 62
- 238000006731 degradation reaction Methods 0.000 claims abstract description 62
- 238000011156 evaluation Methods 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 230000003287 optical effect Effects 0.000 claims description 7
- 230000006866 deterioration Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000004888 barrier function Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及一种船机设备故障预测方法、装置、***和存储介质。方法包括：获取采集设备发送的船机设备的状态信息；采集设备用于接收多个传感器采集的船机设备的源信息，状态信息由源信息得到；确定采集设备对应的数据处理模式；采用数据处理模式对采集设备发送的状态信息进行数据处理，得到船机设备的状态表征数据；根据状态表征数据，确定船机设备的劣化速度；根据劣化速度，预测船机设备在预测时刻是否发生故障。采用本方法能够自动预测船机设备在未来某个时刻是否有出现故障的可能，有效提高船机设备的状态预测准确率。
Description
技术领域
本申请涉及船舶技术领域，特别是涉及一种船机设备故障预测方法、装置、***和存储介质。
背景技术
随着船舶业的不断发展，船舶结构逐步趋于复杂化，工况趋于多样化，且工作环境也较为恶劣；当船舶出现故障时，往往会对施工作业造成严重影响，进而造成较大的经济损失；因此，提高船机设备的故障监测水平是确保船舶安全可靠运行的前提。
目前对船舶的监测主要是工作人员定期检查船舶的工作状态，并确定某个设备是否存在故障，如果存在则进行记录或报警；工作人员无法预先知道某个设备在何时、何地会出现故障，由此极易导致船舶的作业过程被突然中断，严重浪费人力物力，经济损失不可估量。
发明内容
基于此，有必要针对上述技术问题，提供一种船机设备故障预测方法、装置、***和存储介质。
一方面，本发明实施例提供一种船机设备故障预测方法，所述方法包括：
获取采集设备发送的船机设备的状态信息；所述采集设备用于接收多个传感器采集的船机设备的源信息，所述状态信息由所述源信息得到；
确定所述采集设备对应的数据处理模式；
采用所述数据处理模式对所述采集设备发送的所述状态信息进行数据处理，得到所述船机设备的状态表征数据；
根据所述状态表征数据，确定所述船机设备的劣化速度；
根据所述劣化速度，预测所述船机设备在预测时刻是否发生故障。
在其中一个实施例中，所述船机设备的源信息包括振动信息、声音信息、光信息、温度信息、压力信息中的一种或多种；若所述船机设备的源信息为振动信息，则所述源信息对应的传感器包括加速度传感器。
在其中一个实施例中，所述采集设备发送的船机设备的状态信息中携带有采集设备的标识信息；
所述确定所述采集设备对应的数据处理模式的步骤，包括：
获取所述状态信息中携带的所述采集设备的标识信息；
查询标识信息与数据处理模式的映射表，得到所述标识信息对应的数据处理模式；
根据所述标识信息对应的数据处理模式，确定所述采集设备对应的数据处理模式。
在其中一个实施例中，所述根据所述状态表征数据，确定所述船机设备的劣化速度的步骤，包括：
对所述状态表征数据进行取样，根据取样得到的数据生成所述船机设备的状态趋势曲线；
根据所述状态趋势曲线确定所述船机设备的劣化速度。
在其中一个实施例中，所述根据所述劣化速度，预测所述船机设备在预测时刻是否发生故障的步骤，包括：
获取所述船机设备的状态评价阈值；所述状态评价阈值根据所述船机设备发生故障时的状态表征数据确定；
根据所述劣化速度和状态评价阈值，预测所述船机设备在预测时刻是否发生故障。
在其中一个实施例中，所述根据所述劣化速度和状态评价阈值，预测所述船机设备在预测时刻是否发生故障的步骤，包括：
根据所述劣化速度，确定所述船机设备在预测时刻的状态预测数据；
比对所述状态预测数据与所述状态评价阈值；
若所述状态预测数据大于或等于所述状态评价阈值，预测所述船机设备在预测时刻发生故障。
在其中一个实施例中，所述方法还包括：根据故障预测结果，向所述船机设备对应的监测中心发出提示信息。
另一方面，本发明实施例提供一种船机设备故障预测装置，所述装置包括：
状态信息获取模块，用于获取采集设备发送的船机设备的状态信息；所述采集设备用于接收多个传感器采集的船机设备的源信息，所述状态信息由所述源信息得到；
模式确定模块，用于确定所述采集设备对应的数据处理模式；
数据处理模块，用于采用所述数据处理模式对所述采集设备的所述状态信息进行数据处理，得到所述船机设备的状态表征数据；
劣化速度确定模块，用于根据所述状态表征数据，确定所述船机设备的劣化速度；
故障预测模块，用于根据所述劣化速度，预测所述船机设备在预测时刻是否发生故障。
再一方面，本发明实施例提供一种船机设备故障预测***，包括多个传感器、采集设备、数据服务器以及监测中心；
所述多个传感器用于采集船机设备的源信息并发送至所述采集设备；
所述采集设备用于根据所述源信息得到所述船机设备的状态信息，将所述状态信息发送至所述数据服务器；
所述数据服务器用于获取所述状态信息；确定所述采集设备对应的数据处理模式；采用所述数据处理模式对所述采集设备的所述状态信息进行数据处理，得到所述船机设备的状态表征数据；根据所述状态表征数据，确定所述船机设备的劣化速度；根据所述劣化速度，预测所述船机设备在预测时刻是否发生故障；根据故障预测结果，向所述船机设备对应的所述监测中心发出提示信息；
所述监测中心用于接收所述提示信息，触发所述监测中心输出提示信号。
再一方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现一种船机设备故障预测方法的步骤。
上述技术方案中的一个技术方案具有如下优点或有益效果：通过获取采集设备发送的船机设备的状态信息，并识别采集设备对应的数据处理模式，从而对采集设备的状态信息进行数据处理，得到船机设备的状态表征数据；进一步通过根据状态表征数据，确定船机设备的劣化速度，进而预测船机设备在需要预估的某个时刻是否会发生故障；该方案通过基于准确的传感器信号和智能的数据处理过程，避免了外界环境和主观因素的影响，监测结果准确；能够自动预测船机设备在某个时刻是否出现故障，有效提高船机设备的状态预测准确率，避免了因设备故障突发导致的船舶作业进度受阻的问题。
附图说明
图1为一个实施例中船机设备故障预测方法的应用环境图；
图2为一个实施例中船机设备故障预测方法的示意性流程图；
图3为一个实施例中船机设备故障预测装置的示意性结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请提供的船机设备故障预测方法，可以应用于如图1所示的应用环境中。其中，如图1所示的应用环境包括船机设备(其上设置有传感器，传感器图中未示出)、采集设备、数据服务器以及监测中心。
其中，待监测的船机设备上可设有多个传感器，每个船机设备可对应一个采集设备，该采集设备用于收集该船机设备上所有传感器采集的源信息，并处理成状态信息，通过网络或线缆发送至数据服务器，数据服务器对状态信息进行一系列处理实现故障预测，再通过网络或线缆向监测中心发送预测到的结果，最终实现船机设备的故障预测。
具体地，待监测的船机设备可以位于一艘船舶，也可位于多个船舶组成的船舶集群(图中以一艘船舶上的一个船机设备为例)；船舶可为挖泥船等工程船舶，也可为其它类型的船舶；挖泥船可为耙吸船(如“浚海6”轮)或绞吸船(如“华安龙”轮)等。
待监测的船机设备的类型可为船舶的主机、齿轮箱、轴承箱、泥泵、尾轴、发电机、发动机及甲板泵等中的一种或多种，可根据实际情况进行选择。在一些实施例中，多个传感器固定安装在船机设备上，每个船机设备上设置的传感器数量、类型和位置可根据实际情况进行设定。
另外，采集设备、数据服务器可设置在待监测船机设备所在的船舶本体上，也可独立地设置在船舶外部；采集设备与传感器、采集设备与数据服务器、数据服务器与监测中心均可通过网络或线缆等方式实现信号传递。
在其中的一个实施例中，监测中心应能设置在距离船舶较远处，以实现真正意义上的远程监测和控制；具体例如，监测中心不仅可以实现船舶运行状态数据的远程监控和故障分析处理，还可以对采集设备的参数进行远程设置，或者测试数据的在线分析与下载等。
在一个实施例中，如图2所示，提供了一种船机设备故障预测方法，以该方法应用于图1中的船机设备故障预测***为例进行说明，包括以下步骤：
S202，获取采集设备发送的船机设备的状态信息；采集设备用于接收多个传感器采集的船机设备的源信息，状态信息由源信息得到。
具体地，待监测的船机设备可为一个或多个，可位于同一船舶，也可分别位于多个船舶，一个待监测的船机设备上可设置一个或多个传感器，一个采集设备可用于接收一个或多个船机设备上的传感器采集的源信息。
上述船机设备可为船舶上的主机、齿轮箱、轴承箱、泥泵、尾轴、发电机、发动机及甲板泵等船机设备中的一种或多种；多个传感器可为振动传感器、声压传感器、光电传感器、温度传感器、压力传感器等传感器中的一种或多种，其中振动传感器可包括加速度传感器、电涡流传感器、磁电转速传感器等，根据实际情况选取；对应地，源信息可为振动信息(振动加速度信息、振动位移信息、振动速度信息)、声音信息、光信息、温度信息、压力信息等信息中的一种或多种；另外，通过采集设备，可设置传感器的采样方式，如24小时连续、每日定时钟、等间隔时间或信号超限触发地采集源信息。
其中，状态信息由源信息得到的方式可根据源信息的类型设定；具体例如，当传感器采集的源信息为振动信息时，采集设备发送至数据服务器的状态信息可为由源信息得到的设定时间段内的时域波形和/或频域谱图等，可根据实际情况选取和设定；当传感器采集的源信息为温度信息时，采集设备发送至数据服务器的状态信息可为由源信息得到的设定时间段内的温度采样数据集和/或温度变化趋势图等，此处不作限定。
需要说明的是，作为进一步地优化，采集设备可具体包括采集仪(如分布式数据采集仪)及交换机(如以太网交换机)，采集设备需具有合适的采样频率、较大的存储空间，及快速的数据计算处理能力；多个采集仪可实现级联同步，且每个采集仪可通过网线与交换机和集控室的数据服务器进行数据传输，以保证数据传输的可靠性。
数据服务器可对获取到的原始的各状态信息进行保存，以便对被监测设备进行深入的分析和诊断。而原始数据的存储方式也有多种，包含：24小时连续、定时钟、定间隔、超限保存等方式的组合。
S204，确定采集设备对应的数据处理模式。
采集设备对应的数据处理模式的确定方式可为多种，如数据服务器可通过采集设备发送的状态信息的数据类型确定，也可通过采集设备对应的船机设备类型确定，也可通过采集设备本身的类型、对应的传感器设置位置或其它标识性的信息确定。
数据处理模式包括根据时域波形和/或频域谱图，进行时域或频域内的指标分析；具体地，指标分析可为求取振动的峰峰值、有效值、最大值、最小值、平均值和均方差值等；同时，还可以根据时域波形和/或频域谱图，进行高级信号分析，包括：时域分析、频谱分析、旋转机械基本分析、阶次分析、全息谱分析、小波分析、拟小波分析、Hilbert-Huang变换分析、倒谱分析、包络谱分析等。当然，若采集设备发送的状态信息为温度、声压、压力等变化趋势图时，数据处理模式可对应为求取多个采样点数据的峰值、有效值、最大值、最小值、平均值和均方差值等，也可进行上述的高级信号分析模式，此处不作限定。需要说明的是，每个采集设备可对应一个或多个数据处理模式。
具体例如，如图1所示，若该船机设备上具有2个传感器，且2个传感器分别设置在发动机的输入轴(1号传感器)、输出轴(2号传感器)上，其中1号传感器、2号传感器用来探测转轴的加速度；采集设备分别接收2个传感器采集的设定时间段内的源信息，而后根据1号传感器、2号传感器的源信息得到1号传感器、2号传感器探测位置处的时域波形图，并将时域波形图传给数据服务器；此时当数据服务器识别出采集设备发送的是时域波形图时，若预设有时域波形图与拟合为一条波形曲线的数据处理模式对应，则确定该采集设备的数据处理模式为将2个时域波形图拟合为一条波形曲线。
S206，采用数据处理模式对采集设备发送的状态信息进行数据处理，得到船机设备的状态表征数据。
即数据服务器在确定了采集设备对应的数据处理模式后，采用该数据处理模式完成对该采集设备的状态信息的数据处理，得到船机设备的状态表征数据；具体例如，当确定该采集设备的数据处理模式为将2个时域波形图拟合为一条波形曲线时，船机设备的状态表征数据即为该波形曲线。
另外，状态表征数据可用于表征每个船机设备上每个传感器探测位置处的设定时间段内的工作情况，也可用于表征每个船机设备上所有传感器探测位置处的设定时间段内的工作情况；甚至，也可用于表征多个相关的船机设备上所有传感器探测位置处的设定时间段内的工作情况。
数据服务器可分别处理多个采集设备发送的状态信息，也可同时处理；可分别处理同一个采集设备发送的不同类型的状态信息，也可同时处理。
S208，根据状态表征数据，确定船机设备的劣化速度。
其中，劣化速度可以理解为，当船机设备使用时间逐渐变长，基于自身损耗等原因，其工作状态会不断劣化，具体可体现在波形曲线的振动峰值变强、箱体局部温度变化异常、箱体异响趋于严重等；劣化速度即代表该船机设备品质劣化的快慢，具体可为某段监测时间段内的平均劣化速度，也可为某个时间点的瞬时劣化速度，可根据实际情况进行设定和求取。
S210，根据劣化速度，预测船机设备在预测时刻是否发生故障。
即根据所确定的劣化速度，预测未来的一定时间内或某一个时刻，某个船机设备是否会发生故障；具体例如，根据所确定的劣化速度，可以预测未来的一定时间内发电机的振动信号是否会达到或者超过某一个振动阈值，或者发电机的振动信号超过该振动阈值的概率；如果判断为超过该振动阈值，或超过的概率达到90％，则预测发电机发生故障；若没有超过或概率低于90％，则预测发电机不会发生事故，可以继续应用于工程作业当中。上述涉及的振动阈值可以根据各个船机设备的运行工况与特点加以确定，此处不作限定。
船机管理人员可根据设备当前运行状态与振动阈值的关系，确定船机设备发生故障的概率，根据该概率生成故障的确定结果，当判定对应的船机设备出现故障，提出解决方案或建议，并合理安排维修计划。
本发明上述实施例中，执行主体可为数据服务器设备，也可以是云服务器，或者控制器，当然也可根据实际情况进行选择和变更。
上述实施例的船机设备故障预测方法中，通过获取采集设备发送的船机设备的状态信息，并识别采集设备对应的数据处理模式，从而对采集设备的状态信息进行数据处理，得到船机设备的状态表征数据；进一步通过根据状态表征数据，确定船机设备的劣化速度，进而预测船机设备在需要预估的某个时刻是否会发生故障；该方案通过基于准确的传感器信号和智能的数据处理过程，避免了外界环境和主观因素的影响，监测结果准确；能够自动预测船机设备在某个时刻是否出现故障，有效提高船机设备的状态预测准确率，使维护人员能够及早发现故障征兆，最大限度地减少计划外的维修，消除了冗余检查、经常性地计划内维护以及过剩维修，避免突发故障的发生。
在一些实施例中，船机设备的源信息包括振动信息、声音信息、光信息、温度信息、压力信息中的一种或多种；若船机设备的源信息为振动信息，则源信息对应的传感器包括加速度传感器；若船机设备的源信息为温度信息，则源信息对应的传感器可以为温度传感器。
在一些实施例中，采集设备发送的船机设备的状态信息中携带有采集设备的标识信息；S204具体包括：获取状态信息中携带的采集设备的标识信息；查询标识信息与数据处理模式的映射表，得到标识信息对应的数据处理模式；根据标识信息对应的数据处理模式，确定采集设备对应的数据处理模式。
上述状态信息所携带的标识信息可为采集设备预先设置的编号、采集设备的型号、端口参数、规格尺寸等信息中的一种或多种组合，只要能够区分各采集设备，具体可根据实际情况选取。
在其中一个实施例中，状态信息所携带的标识信息为采集设备预先设置的编号；具体例如，多个采集设备分别用***数字加以区分，即1号、2号、3号……；标识信息与数据处理模式的映射表可根据实际情况设置，例如，1号采集设备对应拟合直线，2号采集设备对应拟合曲线，3号采集设备对应拟合直线的同时拟合曲线……，通过把上述的对应关系存储为映射表的形式，便于数据服务器快速识别标识信息与数据处理模式的对应关系，从而优化了数据服务器数据识别能力，实现了状态信息的实时处理和分析。
在一些实施例中，S208具体包括：对状态表征数据进行取样，根据取样得到的数据生成船机设备的状态趋势曲线；根据状态趋势曲线确定船机设备的劣化速度。
其中，数据取样所对应的时间可以是天、周、月、年等，对应的趋势分析包括每日趋势、每周趋势、每月趋势和年趋势分析，可选择线性或者二次曲线两种不同方式。
另外，船机设备的状态趋势曲线可以是对状态表征数据进行取样并拟合后确定的。此处的拟合可以是线性算法，也可以是曲线算法。需要说明的是，线性算法更能反映船机设备状态的均匀变化趋势，而对于船机设备劣化严重时的加速劣化过程，曲线算法较为有效。
例如，该劣化速度可根据时域波形图拟合成的一条波形曲线进行求取，该波形曲线的横坐标为时间，纵坐标可为振动幅值；取过去一年时间段内波形曲线上的各个峰值，即每个时间段内振动幅度能达到的最大值，形成新的船机设备的状态趋势曲线；通过在该状态趋势曲线上进行微分运算或求取平均值运算，可得到瞬时劣化速度或平均劣化速度，进而得到船机设备的具体劣化速度数据。
在一些实施例中，上述根据劣化速度，预测船机设备在预测时刻是否发生故障的步骤具体包括：获取船机设备的状态评价阈值；状态评价阈值根据船机设备发生故障时的状态表征数据确定；根据劣化速度和状态评价阈值，预测船机设备在预测时刻是否发生故障。
在一个具体的实施例中，上述根据劣化速度和状态评价阈值，预测船机设备在预测时刻是否发生故障的步骤可包括：根据劣化速度，确定船机设备在预测时刻的状态预测数据；比对状态预测数据与状态评价阈值；若状态预测数据大于或等于状态评价阈值，预测船机设备在预测时刻发生故障。
其中，状态评价阈值指的是能够对船机设备的运行状态进行评价的数据，可以是船机设备的不同运行状态对应的特征运行数据。状态评价阈值可以根据船机设备以往发生故障时的状态表征数据进行确定，可以为一个确定的临界值，也可为一个范围区间。
不同类型的船机设备，状态表征数据一般不同；且发生的故障一般以正常的疲劳破坏为准，故障形式例如：设备不平衡、不对中及轴弯曲、轴套油膜故障、机械松动、齿轮缺陷以及轴承缺陷等等，不同的船机设备具备的故障类型一般有所不同。
在一些实施例中，该船机设备故障预测方法还包括：根据故障预测结果，向船机设备对应的监测中心发出提示信息。
其中，提示信息可包括安全提示信息和报警提示信息；若故障预测结果为船机设备发生故障，向船机设备对应的监测中心发出报警提示信息；若故障预测结果为船机设备未发生故障，向船机设备对应的监测中心发出安全提示信息。
这样，监测中心接收到报警提示信息时即可输出报警信号，当接收到安全提示信息时即可输出安全信号，一方面使得监测中心可以根据安全提示信息和报警提示信息判断船机设备的工作状态；另一方面，若数据服务器不发送安全提示信息，监测中心在未接收到报警提示信息时，无法判断是硬件设备故障问题还是船机设备处于无故障状态，因而该方法避免了上述问题，提高了监测的全面性和准确度。
应该理解的是，对于前述的各方法实施例，虽然流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，方法实施例的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
基于与上述实施例中的船机设备故障预测方法相同的思想，本文还提供船机设备故障预测装置。
在一个实施例中，如图3所示，提供了一种船机设备故障预测装置，包括：状态信息获取模块401、模式确定模块402、数据处理模块403、劣化速度确定模块404和故障预测模块405，其中：
状态信息获取模块401，用于获取采集设备发送的船机设备的状态信息；采集设备用于接收多个传感器采集的船机设备的源信息，状态信息由源信息得到；
模式确定模块402，用于确定采集设备对应的数据处理模式；
数据处理模块403，用于采用数据处理模式对采集设备的状态信息进行数据处理，得到船机设备的状态表征数据；
劣化速度确定模块404，用于根据状态表征数据，确定船机设备的劣化速度；
故障预测模块405，用于根据劣化速度，预测船机设备在预测时刻是否发生故障。
在一些实施例中，船机设备的源信息包括振动信息、声音信息、光信息、温度信息、压力信息中的一种或多种；若船机设备的源信息为振动信息，则源信息对应的传感器包括加速度传感器。
在一些实施例中，采集设备发送的船机设备的状态信息中携带有采集设备的标识信息；模式确定模块402，具体用于获取状态信息中携带的采集设备的标识信息；查询标识信息与数据处理模式的映射表，得到标识信息对应的数据处理模式；根据标识信息对应的数据处理模式，确定采集设备对应的数据处理模式。
在一些实施例中，劣化速度确定模块404，具体用于对状态表征数据进行取样，根据取样得到的数据生成船机设备的状态趋势曲线；根据状态趋势曲线确定船机设备的劣化速度。
在一些实施例中，故障预测模块405，具体用于获取船机设备的状态评价阈值；状态评价阈值根据船机设备发生故障时的状态表征数据确定；根据劣化速度和状态评价阈值，预测船机设备在预测时刻是否发生故障。
进一步地，故障预测模块405，具体用于根据劣化速度，确定船机设备在预测时刻的状态预测数据；比对状态预测数据与状态评价阈值；若状态预测数据大于或等于状态评价阈值，预测船机设备在预测时刻发生故障。
在一些实施例中，船机设备故障预测装置还包括，提示信息发送模块，用于根据故障预测结果，向船机设备对应的监测中心发出提示信息。
关于船机设备故障预测装置的具体限定可以参见上文中对于船机设备故障预测方法的限定，在此不再赘述。上述船机设备故障预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于***中的处理器中，也可以以软件形式存储于***中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
此外，上述示例的船机设备故障预测装置的实施方式中，各程序模块的逻辑划分仅是举例说明，实际应用中可以根据需要，例如出于相应硬件的配置要求或者软件的实现的便利考虑，将上述功能分配由不同的程序模块完成，即将船机设备故障预测装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分功能。
在一个实施例中，提供了一种船机设备故障预测***，其结构图可如图1所示。该船机设备故障预测***包括多个传感器(图未示)、采集设备、数据服务器以及监测中心；多个传感器用于采集船机设备的源信息并发送至采集设备；采集设备用于根据源信息得到船机设备的状态信息，将状态信息发送至数据服务器；数据服务器用于获取状态信息；确定采集设备对应的数据处理模式；采用数据处理模式对采集设备的状态信息进行数据处理，得到船机设备的状态表征数据；根据状态表征数据，确定船机设备的劣化速度；根据劣化速度，预测船机设备在预测时刻是否发生故障；根据故障预测结果，向船机设备对应的监测中心发出提示信息；监测中心用于接收提示信息，触发监测中心输出提示信号。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的船机设备故障预测***的限定，具体的船机设备故障预测***可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种船机设备故障预测***包括数据服务器，数据服务器包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取采集设备发送的船机设备的状态信息；采集设备用于接收多个传感器采集的船机设备的源信息，状态信息由源信息得到；
确定采集设备对应的数据处理模式；
采用数据处理模式对采集设备发送的状态信息进行数据处理，得到船机设备的状态表征数据；
根据状态表征数据，确定船机设备的劣化速度；
根据劣化速度，预测船机设备在预测时刻是否发生故障。
在一个实施例中，船机设备的源信息包括振动信息、声音信息、光信息、温度信息、压力信息中的一种或多种；若船机设备的源信息为振动信息，则源信息对应的传感器包括加速度传感器。
在一个实施例中，采集设备发送的船机设备的状态信息中携带有采集设备的标识信息；处理器执行计算机程序时还实现以下步骤：获取状态信息中携带的采集设备的标识信息；查询标识信息与数据处理模式的映射表，得到标识信息对应的数据处理模式；根据标识信息对应的数据处理模式，确定采集设备对应的数据处理模式。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对状态表征数据进行取样，根据取样得到的数据生成船机设备的状态趋势曲线；根据状态趋势曲线确定船机设备的劣化速度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取船机设备的状态评价阈值；状态评价阈值根据船机设备发生故障时的状态表征数据确定；根据劣化速度和状态评价阈值，预测船机设备在预测时刻是否发生故障。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据劣化速度，确定船机设备在预测时刻的状态预测数据；比对状态预测数据与状态评价阈值；若状态预测数据大于或等于状态评价阈值，预测船机设备在预测时刻发生故障。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据故障预测结果，向船机设备对应的监测中心发出提示信息。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取采集设备发送的船机设备的状态信息；采集设备用于接收多个传感器采集的船机设备的源信息，状态信息由源信息得到；
确定采集设备对应的数据处理模式；
采用数据处理模式对采集设备发送的状态信息进行数据处理，得到船机设备的状态表征数据；
根据状态表征数据，确定船机设备的劣化速度；
根据劣化速度，预测船机设备在预测时刻是否发生故障。
在一个实施例中，船机设备的源信息包括振动信息、声音信息、光信息、温度信息、压力信息中的一种或多种；若船机设备的源信息为振动信息，则源信息对应的传感器包括加速度传感器。
在一个实施例中，采集设备发送的船机设备的状态信息中携带有采集设备的标识信息；计算机程序被处理器执行时实现以下步骤：获取状态信息中携带的采集设备的标识信息；查询标识信息与数据处理模式的映射表，得到标识信息对应的数据处理模式；根据标识信息对应的数据处理模式，确定采集设备对应的数据处理模式。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：对状态表征数据进行取样，根据取样得到的数据生成船机设备的状态趋势曲线；根据状态趋势曲线确定船机设备的劣化速度。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：获取船机设备的状态评价阈值；状态评价阈值根据船机设备发生故障时的状态表征数据确定；根据劣化速度和状态评价阈值，预测船机设备在预测时刻是否发生故障。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：根据劣化速度，确定船机设备在预测时刻的状态预测数据；比对状态预测数据与状态评价阈值；若状态预测数据大于或等于状态评价阈值，预测船机设备在预测时刻发生故障。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据故障预测结果，向船机设备对应的监测中心发出提示信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
本文实施例的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或(模块)单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
在本文中提及的“第一\第二”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换，以使这里描述的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种船机设备故障预测方法，所述方法包括：
获取采集设备发送的船机设备的状态信息；所述采集设备用于接收多个传感器采集的船机设备的源信息，所述状态信息由所述源信息得到；
确定所述采集设备对应的数据处理模式；
采用所述数据处理模式对所述采集设备发送的所述状态信息进行数据处理，得到所述船机设备的状态表征数据；
根据所述状态表征数据，确定所述船机设备的劣化速度；
根据所述劣化速度，预测所述船机设备在预测时刻是否发生故障。
2.根据权利要求1所述的方法，其特征在于，所述船机设备的源信息包括振动信息、声音信息、光信息、温度信息、压力信息中的一种或多种；若所述船机设备的源信息为振动信息，则所述源信息对应的传感器包括加速度传感器。
3.根据权利要求1或2所述的方法，其特征在于，所述采集设备发送的船机设备的状态信息中携带有采集设备的标识信息；
所述确定所述采集设备对应的数据处理模式的步骤，包括：
获取所述状态信息中携带的所述采集设备的标识信息；
查询标识信息与数据处理模式的映射表，得到所述标识信息对应的数据处理模式；
根据所述标识信息对应的数据处理模式，确定所述采集设备对应的数据处理模式。
4.根据权利要求1或2所述的方法，其特征在于，所述根据所述状态表征数据，确定所述船机设备的劣化速度的步骤，包括：
对所述状态表征数据进行取样，根据取样得到的数据生成所述船机设备的状态趋势曲线；
根据所述状态趋势曲线确定所述船机设备的劣化速度。
5.根据权利要求1或2所述的方法，其特征在于，所述根据所述劣化速度，预测所述船机设备在预测时刻是否发生故障的步骤，包括：
获取所述船机设备的状态评价阈值；所述状态评价阈值根据所述船机设备发生故障时的状态表征数据确定；
根据所述劣化速度和状态评价阈值，预测所述船机设备在预测时刻是否发生故障。
6.根据权利要求5所述的方法，其特征在于，所述根据所述劣化速度和状态评价阈值，预测所述船机设备在预测时刻是否发生故障的步骤，包括：
根据所述劣化速度，确定所述船机设备在预测时刻的状态预测数据；
比对所述状态预测数据与所述状态评价阈值；
若所述状态预测数据大于或等于所述状态评价阈值，预测所述船机设备在预测时刻发生故障。
7.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
根据故障预测结果，向所述船机设备对应的监测中心发出提示信息。
8.一种船机设备故障预测装置，其特征在于，所述装置包括：
状态信息获取模块，用于获取采集设备发送的船机设备的状态信息；所述采集设备用于接收多个传感器采集的船机设备的源信息，所述状态信息由所述源信息得到；
模式确定模块，用于确定所述采集设备对应的数据处理模式；
数据处理模块，用于采用所述数据处理模式对所述采集设备的所述状态信息进行数据处理，得到所述船机设备的状态表征数据；
劣化速度确定模块，用于根据所述状态表征数据，确定所述船机设备的劣化速度；
故障预测模块，用于根据所述劣化速度，预测所述船机设备在预测时刻是否发生故障。
9.一种船机设备故障预测***，其特征在于，包括多个传感器、采集设备、数据服务器以及监测中心；
所述多个传感器用于采集船机设备的源信息并发送至所述采集设备；
所述采集设备用于根据所述源信息得到所述船机设备的状态信息，将所述状态信息发送至所述数据服务器；
所述数据服务器用于获取所述状态信息；确定所述采集设备对应的数据处理模式；采用所述数据处理模式对所述采集设备的所述状态信息进行数据处理，得到所述船机设备的状态表征数据；根据所述状态表征数据，确定所述船机设备的劣化速度；根据所述劣化速度，预测所述船机设备在预测时刻是否发生故障；根据故障预测结果，向所述船机设备对应的所述监测中心发出提示信息；
所述监测中心用于接收所述提示信息，触发所述监测中心输出提示信号。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910189410.8A CN110081927A (zh) | 2019-03-13 | 2019-03-13 | 船机设备故障预测方法、装置、***和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910189410.8A CN110081927A (zh) | 2019-03-13 | 2019-03-13 | 船机设备故障预测方法、装置、***和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110081927A true CN110081927A (zh) | 2019-08-02 |
Family
ID=67412538
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910189410.8A Pending CN110081927A (zh) | 2019-03-13 | 2019-03-13 | 船机设备故障预测方法、装置、***和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110081927A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110507309A (zh) * | 2019-09-04 | 2019-11-29 | 杭州回车电子科技有限公司 | 一种生物电信号处理方法及设备 |
| CN110507308A (zh) * | 2019-09-04 | 2019-11-29 | 杭州回车电子科技有限公司 | 一种生物电信号处理方法及设备 |
| CN111401204A (zh) * | 2020-03-11 | 2020-07-10 | 南京工程学院 | 一种基于分数阶Hilbert倒谱的特征提取方法 |
| CN112067306A (zh) * | 2020-08-13 | 2020-12-11 | 武汉理工大学 | 船用发动机健康状态在线监测评估方法、设备及*** |
| CN112632711A (zh) * | 2021-01-06 | 2021-04-09 | 神华中海航运有限公司 | 船舶故障预测方法、装置、计算机设备和存储介质 |
| CN117674993A (zh) * | 2023-11-09 | 2024-03-08 | 中交广州航道局有限公司 | 光纤网络的运行状态检测***及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101858778A (zh) * | 2010-05-28 | 2010-10-13 | 浙江大学 | 基于振动监测的风力发电机组故障自动诊断方法 |
| CN102072829A (zh) * | 2010-11-04 | 2011-05-25 | 同济大学 | 一种面向钢铁连铸设备的故障预测方法及装置 |
| JP2017101596A (ja) * | 2015-12-02 | 2017-06-08 | 日本精工株式会社 | 風力発電装置の診断車両及びそれを備えた診断システム |
| CN107172128A (zh) * | 2017-04-24 | 2017-09-15 | 华南理工大学 | 一种云辅助的制造装备大数据采集方法 |
| CN107797537A (zh) * | 2017-11-10 | 2018-03-13 | 上海第二工业大学 | 一种应用于自动化生产线的故障预测与健康管理方法 |
-
2019
- 2019-03-13 CN CN201910189410.8A patent/CN110081927A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101858778A (zh) * | 2010-05-28 | 2010-10-13 | 浙江大学 | 基于振动监测的风力发电机组故障自动诊断方法 |
| CN102072829A (zh) * | 2010-11-04 | 2011-05-25 | 同济大学 | 一种面向钢铁连铸设备的故障预测方法及装置 |
| JP2017101596A (ja) * | 2015-12-02 | 2017-06-08 | 日本精工株式会社 | 風力発電装置の診断車両及びそれを備えた診断システム |
| CN107172128A (zh) * | 2017-04-24 | 2017-09-15 | 华南理工大学 | 一种云辅助的制造装备大数据采集方法 |
| CN107797537A (zh) * | 2017-11-10 | 2018-03-13 | 上海第二工业大学 | 一种应用于自动化生产线的故障预测与健康管理方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110507309A (zh) * | 2019-09-04 | 2019-11-29 | 杭州回车电子科技有限公司 | 一种生物电信号处理方法及设备 |
| CN110507308A (zh) * | 2019-09-04 | 2019-11-29 | 杭州回车电子科技有限公司 | 一种生物电信号处理方法及设备 |
| CN111401204A (zh) * | 2020-03-11 | 2020-07-10 | 南京工程学院 | 一种基于分数阶Hilbert倒谱的特征提取方法 |
| CN111401204B (zh) * | 2020-03-11 | 2022-07-26 | 南京工程学院 | 一种基于分数阶Hilbert倒谱的特征提取方法 |
| CN112067306A (zh) * | 2020-08-13 | 2020-12-11 | 武汉理工大学 | 船用发动机健康状态在线监测评估方法、设备及*** |
| CN112632711A (zh) * | 2021-01-06 | 2021-04-09 | 神华中海航运有限公司 | 船舶故障预测方法、装置、计算机设备和存储介质 |
| CN112632711B (zh) * | 2021-01-06 | 2024-01-30 | 神华中海航运有限公司 | 船舶故障预测方法、装置、计算机设备和存储介质 |
| CN117674993A (zh) * | 2023-11-09 | 2024-03-08 | 中交广州航道局有限公司 | 光纤网络的运行状态检测***及方法 |
| CN117674993B (zh) * | 2023-11-09 | 2024-04-26 | 中交广州航道局有限公司 | 光纤网络的运行状态检测***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110081927A (zh) | 船机设备故障预测方法、装置、***和存储介质 | |
| CN110044586A (zh) | 船机设备故障判定方法、装置、***和存储介质 | |
| US11238371B2 (en) | Computer system and method for monitoring the status of a technical system | |
| Mann et al. | Statistical‐based or condition‐based preventive maintenance? | |
| CN103969066B (zh) | 监控运行的过程的***和方法 | |
| CN113077172A (zh) | 一种设备状态趋势分析及故障诊断方法 | |
| Teixeira et al. | Condition-based maintenance implementation: a literature review | |
| CN111255674B (zh) | 一种用于检测旋转机械设备状态的***及检测方法 | |
| CN110085006A (zh) | 船舶监测方法、装置、***和存储介质 | |
| CN107576488A (zh) | 一种采用振动算法对设备运行状态进行监测诊断的方法 | |
| EP3403152A1 (en) | Smart embedded control system for a field device of an automation system | |
| KR102102346B1 (ko) | 함정설비의 상태기반 정비지원 시스템 및 방법 | |
| AU2010308514A1 (en) | System and method for selecting a maintenance operation | |
| CN110085005A (zh) | 船舶发电机监测方法、装置、***和存储介质 | |
| CN111753603A (zh) | 一种应急发电机组edg故障诊断*** | |
| CN110032094A (zh) | 机舱设备的控制方法、装置、计算机设备及存储介质 | |
| Tahan et al. | A framework for intelligent condition-based maintenance of rotating equipment using mechanical condition monitoring | |
| CN116625683A (zh) | 一种风电机组轴承故障识别方法、***、装置及电子设备 | |
| CN115809731A (zh) | 一种风力发电机组故障分析***、方法及介质 | |
| Wang | Key techniques in intelligent predictive maintenance (IPdM)–a framework of intelligent faults diagnosis and prognosis system (IFDaPS) | |
| JP3213929U (ja) | 海上プラント予防保全システム | |
| KR20210149484A (ko) | 진동센서 및 음향센서를 이용한 선박 원격 관리 시스템 및 방법 | |
| Srilakshmi et al. | A Review on Fault Detection Diagnosis and Prognosis in Vibration Measurement through Wavelets on Machine Elements | |
| CN109934404A (zh) | 船机轴承箱的状态预测方法、装置及计算机设备 | |
| Raptodimos et al. | Collection and analysis of data for ship condition monitoring aiming at enhanced reliability & safety |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190802 |