CN112083355A - 一种船舶舱室设备健康管理与故障预测***及方法 - Google Patents
一种船舶舱室设备健康管理与故障预测***及方法 Download PDFInfo
- Publication number
- CN112083355A CN112083355A CN202010938464.2A CN202010938464A CN112083355A CN 112083355 A CN112083355 A CN 112083355A CN 202010938464 A CN202010938464 A CN 202010938464A CN 112083355 A CN112083355 A CN 112083355A
- Authority
- CN
- China
- Prior art keywords
- fault
- equipment
- maintenance
- red
- sensors
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/56—Testing of electric apparatus
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种船舶舱室设备健康管理与故障预测***,包括控制管理设备、通信设备、数据收集设备和现场采集设备,控制管理设备包括上位机,通信设备包括交换机,数据采集设备包括数据采集卡,现场采集设备包括若干用于安装到船舶舱室设备上的温度传感器、电压传感器、电流传感器、压力传感器和流量传感器,温度传感器、电压传感器、电流传感器、压力传感器和流量传感器均与数据采集卡连接,数据采集卡通过交换机与上位机连接。通过该***能够实现对船舶舱室典型设备的故障诊断、预测性维护、知识库管理等能力,告别了人工定期维护造成的资源浪费,降低了维护成本,提高了舱室运维的自动化、智能化水平,更提高了船舶舱室设备的运行可靠性和安全性。
Description
技术领域
本发明涉及船舶舱室设备管理技术领域,特别是一种船舶舱室设备健康管理与故障预测***,具体还涉及上述船舶舱室设备健康管理与故障预测***的故障预测方法。
背景技术
船舶舱室设备健康管理技术研究主要以船舶舱室设备为研究对象,进行舱室设备可靠性分析,利用采集并处理的数据对舱室辅机设备进行数据建模,实现设备的故障诊断、故障预测、预测性维护等健康管理功能,提升舱室辅机设备运行的可靠性,保障辅机设备稳定运行。目前,船舶舱室设备的健康管理技术研究发展落后,已经不能满足智能船舶的发展需求;有必要开展船舶舱室设备健康管理***与故障预测方法研究,以满足提升海洋工程及智能船舶整体水平和竞争力的需求、提高船舶机电设备的维护水平和使用效能,形成长久有效数据基础,提高船舶核心机电设备质量和服务能力。
对于船舶舱室辅机健康管理的研究,国外一直处于领先的地位,先进的舱室监控报警***是基于网络平台的多功能管理***,具有智能化、数字化、网络化、集成化等特点,能够实现故障诊断、实时数据显示、设备状态监测、故障报警等功能。德国西门子(SIEMENS)公司、瑞士的ABB集团、挪威的Kongsberg公司、施耐德电气、日本的JRCS公司等船用电气产品厂商都有技术成熟的***产品。我国对智能船舶设备级和子***级的研究上已具备了一定积累,对***层的研究也在逐步展开。但船舶设备的自动化程度层次不齐,大部分设备还停留在简单控制或仅实现状态监测,缺乏智能决策和自适应的智能健康型设备,还存在大量设备缺乏有效统一的信息综合分析与处理技术等问题;部分设备虽然可实现监控型功能,但只可实现智能监测、故障隔离及远程伺服闭环控制,缺乏设备的学习能力和自适应能力,难以实现舱室设备的故障预测和故障自修复等健康管理功能。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供能够实现对船舶舱室典型设备的故障诊断、预测性维护、知识库管理等能力,告别了人工定期维护造成的资源浪费,降低了维护成本,提高了舱室运维的自动化、智能化水平,更提高了船舶舱室设备的运行可靠性和安全性的船舶舱室设备健康管理与故障预测***。
本发明所要解决的另一个技术问题是提供上述船舶舱室设备健康管理与故障预测***的健康管理与故障预测方法。
本发明所要解决的技术问题是通过以下的技术方案来实现的。本发明是一种船舶舱室设备健康管理与故障预测***,该***包括控制管理设备、通信设备、数据收集设备和现场采集设备,控制管理设备包括上位机,通信设备包括交换机,数据采集设备包括数据采集卡,现场采集设备包括若干用于安装到船舶舱室设备上的温度传感器、电压传感器、电流传感器、压力传感器和流量传感器,温度传感器、电压传感器、电流传感器、压力传感器和流量传感器均与数据采集卡连接,数据采集卡通过交换机与上位机连接。
本发明所要解决的技术问题还可以通过以下的技术方案来进一步实现,对于以上所述的船舶舱室设备健康管理与故障预测***,所述上位机为计算机或可编程控制器。
本发明所要解决的技术问题还可以通过以下的技术方案来进一步实现,对于以上所述的船舶舱室设备健康管理与故障预测***,所述温度传感器选用NTC热敏电阻、白金RTD、热电偶、半导体中的一种或多种。
本发明所要解决的技术问题还可以通过以下的技术方案来进一步实现,对于以上所述的船舶舱室设备健康管理与故障预测***,一种舶舱室设备健康管理与故障预测方法,该方法包括
(1)设备可靠性和失效模式分析:
利用故障树方法,对船舶舱室设备进行可靠性分析和设备失效模式分析,获取设备的故障特征,制定合理的维修、维护策略;
(2)信号采集与预处理:
通过设置各类传感器与设备通信,采集其运行状态各类信息,对信息进行预处理得到能够反映设备运行状态的压力、温度、流量的参数,实现对设备的运行状态数据的获取,并为实时状态监测、故障诊断与报警、预警提供数据支撑;
(3)在线故障诊断
在线获取实时的监测设备工作状态数据,结合***中预留的故障模式和失效判据,利用故障模型和专家***对故障进行实时在线诊断;当存在异常时,结合设备的各种健康历史状态数据、工作状态以及维修历史记录,综合智能诊断方法,对***故障进行在线诊断,获得故障的代码、特征、产生的原因、发生的位置,为维修提供及时准确的数据支持;
(4)故障预测
基于状态集序列的故障预测模型,利用预测的故障特征参数对故障进行当前性能状态的评估以及故障的早期预报,通过改进数据挖掘算法,更有效的实现对设备故障的早期识别,以有效降低具有强隐蔽性、不易发觉的故障所导致的经济和人身损失;
(5)预测性维护
根据在线监测信息和健康状态的判定结果,帮助维修人员早期发现设备的异常症状,并提供相应的维修维护建议和维护指导手册;
(6)运维知识管理
实现对模型库信息、知识库信息和维修优化信息的管理和更新,并通过储存故障类型、故障算法模型、维护建议措施,提供对运维知识库中故障名称、解决方法和维护建议的管理;其次,不断优化故障模型,完善运维知识库。
本发明所要解决的技术问题还可以通过以下的技术方案来进一步实现,对于以上所述的船舶舱室设备健康管理与故障预测方法,该方法中采用粒计算的处理方式,通过选择最合适的粒层来对复杂问题进行有效求解,处理模糊信息和海量数据的挖掘,删除冗余知识和不必要的属性特征,约简数据表,降低故障特征属性的个数,减小规则知识库的规模和复杂性,具体过程为:
采取相对粒度属性约简算法对决策表进行约简,其输入为决策表S=(U,C∪D,V,f),C是条件属性集合,D是决策属性集合,输出的约简结果用RED表示;其约简的具体步骤如下:
(1)对决策表中相同的规则进行合并,令RED=φ;
(2)对每一个ci∈C\RED,计算属性ci关于约简结果RED对决策集合D的重要性sig(ci,RED,D)=GD(D|RED)-GD(D|RED∪ci);
(3)在步骤(2)计算出的所有sig(ci,RED,D)中选出最大值所对应的属性ci作为ck,若是存在多个属性满足条件,则选择第一个属性作为ck;
(4)若sig(ck,RED,D)>0,则RED=RED∪ck,并转到步骤(2)继续循环计算;若sig(ck,RED,D)=0,则结束循环,输出约简后的结果RED。
本发明所要解决的技术问题还可以通过以下的技术方案来进一步实现,对于以上所述的船舶舱室设备健康管理与故障预测方法,该方法通过在船舶舱室中安装各种传感器,利用多种信号处理方法进行故障特征的提取,利用故障模型、专家***饿方法对故障进行实时在线诊断,使得工作人员可以及时的发现设备的故障并采取相应的维修措施。
本发明所要解决的技术问题还可以通过以下的技术方案来进一步实现,对于以上所述的船舶舱室设备健康管理与故障预测方法,该采用基于双向推理的SDG故障预测方法,首先,利用反向推理搜索出所有可能的故障源,然后,针对这些可能的故障源依次进行正向推理;若其中的某个故障可以完全或最大限度的解释这些异常变量节点的状态,则此故障即为可信度最高的预测结果。
本发明所要解决的技术问题还可以通过以下的技术方案来进一步实现,对于以上所述的船舶舱室设备健康管理与故障预测方法,该方法进行健康管理与故障预测的船舶舱室设备包括货油泵、船用柴油机和燃油供应单元。
与现有技术相比,本发明的优点及技术效果:
1、本发明通过基于粗糙集的数据预处理技术,提高了数据质量和模型诊断的性能:
传感器采集到的原始数据集含有大量的噪声且存在大量的数据缺失和异常等问题,本发明基于粗糙集理论在建立机器学习模型训练前对原始数据进行预处理,在保证决策能力不变的情况下,删除冗余知识和不必要的属性特征,约简故障模型,降低故障特征属性的个数,减小规则知识库的规模和复杂性,提高数据质量和模型的诊断性能;
2、本发明通过基于状态集序列的故障预测技术,提高了船舶舱室设备故障预测精度:
为实现船舶舱室设备故障的早期发现和预测精准度,本发明引入基于状态集序列的故障预测技术,通过建立的SDG模型,结合设备的振动信号、压力、温度等运行状态、结构特征和历史数据,对将来可能发生的故障做出判断,预测故障的性质、类别、程度、原因及部位。当预测有故障发生时,能迅速准确地根据预测结果维护策略,并结合设备的运行环境,给出合理的设备后期运行方案;同时将相关信息及时传递给操纵人员;该发明能够有效实现对舱室设备故障的早期识别,降低具有强隐蔽性、不易发觉的故障所导致的经济和人身损失。
附图说明
图1为本发明的一种结构示意框图;
图2为本发明的一种方案示意图;
图3为本发明的故障模型训练示意图;
图4为本发明的SDG故障预测模型示意图;
图5为本发明的运维知识管理示意图;
图6为本发明的在线故障诊断示意图;
图7为本发明的SDG故障预测流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1-7,一种船舶舱室设备健康管理与故障预测***,该***包括控制管理设备、通信设备、数据收集设备和现场采集设备,控制管理设备包括上位机,通信设备包括交换机,数据采集设备包括数据采集卡,现场采集设备包括若干用于安装到船舶舱室设备上的温度传感器、电压传感器、电流传感器、压力传感器和流量传感器,温度传感器、电压传感器、电流传感器、压力传感器和流量传感器均与数据采集卡连接,数据采集卡通过交换机与上位机连接。根据船舶舱室健康***的需求,结合船舶信息***架构研究的深入,针对船舶舱室的设备种类多、采集的数据量大等问题,对船舶舱室设备健康管理***信息***架构进行研究,主要从现场层、数据层、管理层和服务层展开研究;现场层开展对船舶舱室设备,例如柴油机、货油泵、燃油供应单元等设备的数据采集研究;设立一个集中管控台,实现对舱室设备运行状态的监测、故障报警、预测、控制;现场采控模块根据舱室设备布置位置现场分布,还可作为区域监控中继设备,用于解决管控设备与区域监控箱之间距离过远造成较大信号衰减问题;另外,在管路、舱室设置一定数量的温度、压力、流量传感器,实时测量***运行的状态。船舶舱室设备健康管理主要从机舱设备状态采集开始研究,通过传感器对设备状态进行数据采集,控制设备通过通信网络对底层的设备进行控制;进行数据共享、传输的研究,将数据信息通过多数据库集成技术将数据进行分类、存储;进行顶层数据分析、决策、维护等健康管理研究,为机舱设备正常运行提供保障;同时开展可视化管控的研究,将故障信息,设备的监视数据、健康管理情况等集中在显示平台上进行显示。
所述上位机为计算机或可编程控制器。计算机要采用宽温无风扇、无硬盘的工业PC计算机,具有寿命长、抗干扰能力强等特点;设计小型化,安装灵活、节省空间;各单元相互独立,保证运行可靠性,维护简单;减震设计让工作更加稳定;具备多个扩展槽,可扩展能力更强;可编程控制器用于作为信号采集箱的主体,选用将控制、信息处理和通讯功能整合在单控制器***内,提供了双控制器架构,以满足不同任务。提供双接口的以太网及CAN总线接口,通过级联或者菊花链式提供高密度的I/O采集接口,可实现模拟量输入、模拟量输出、数字量输入、数字量输出、热电偶输入、热电阻输入等功能,满足信息处理及通信的需求。
所述温度传感器选用NTC热敏电阻、白金RTD、热电偶、半导体中的一种或多种。在船舶舱室典型设备健康***硬件选型设计时,需根据应用的要求,选择合适的传感器,在不影响性能、准确性或可靠性的情况下最大限度地降低成本。
特别的,选择温度传感器时的首要考虑因素是温度范围。例如,对于超过1000摄氏度的操作环境,热电偶通常是唯一的选择;但是,只有少数应用涉及这种极端温度。对于大多数工业、医疗、汽车、消费者和通用嵌入式***,典型的工作温度范围要窄的多;当使用基于半导体的组件时,范围甚至更有限;例如用于商业和消费类应用的MCU的额定温度为0℃至85℃;用于工业应用的MCU可将范围扩展至-40℃至100℃,而汽车MCU需要在-40℃至125℃的温度范围内工作;因此,工程师通常可以选择使用任何标准类型的温度传感器。
其次,要考虑温度传感器的形状与安装问题;温度检测组件需要不同的包装,取决于正在测量的应用结构;例如,基于半导体的传感器不能直接浸入热油中;低成本传感器可以选择环氧涂层的封装。对于更高温度的操作,温度传感器可以密封在玻璃中。这可以保护它温度探头免受其他环境因素的影响,包括液体和碎屑。传感器可也可以放置在不锈钢外壳中,以提高稳定性;外壳所需的复杂程度越高,传感器的成本就越高。
传感器还有各种形状和尺寸;为应用选择合适的传感器可以提高性能,响应能力和可靠性;例如,所有温度传感器由于通过它们的功率而经受自加热;这种自加热会提高传感器周围的环境温度,从而引入误差并对精度产生负面影响。
使用NTC热敏电阻,可以增加传感器的质量,以减少由于自加热引起的误差;即使是小尺寸的变化也会对减少自热产生很大影响;例如,与2x2x2mm热敏电阻相比,3x3x3mm热敏电阻的体积/质量大于3倍;只有热敏电阻才能实现这种灵活性。基于半导体的传感器本质上是固定的;由于RTD和热电偶都是以电线为基础的,这限制了工程师调整质量以减少自热误差的能力。
一种船舶舱室设备健康管理与故障预测方法,能够实现对船舶舱室典型设备的故障诊断、预测性维护、知识库管理等能力,告别了人工定期维护造成的资源浪费,降低了维护成本,提高了舱室运维的自动化、智能化水平,更提高了船舶舱室设备的运行可靠性和安全性;该方法主要以三类核心舱室设备作为研究对象,三类核心舱室设备包括货油泵、船用柴油机和燃油供应单元,具体内容如下:
(1)设备可靠性和失效模式分析
利用故障树方法,对三类核心舱室设备(货油泵、船用柴油机、燃油供应单元)进行可靠性分析和设备失效模式分析,获取设备的故障特征,制定合理的维修、维护策略;
(2)信号采集与预处理
通过设置各类传感器与设备通信,采集其运行状态各类信息,对信息进行预处理得到能够反映设备运行状态的压力、温度、流量等参数,实现对设备的运行状态数据的获取,并为实时状态监测、故障诊断与报警、预警提供数据支撑;
(3)在线故障诊断
在获取实时的监测设备工作状态数据,结合***中预留的故障模式和失效判据,利用故障模型和专家***对故障进行实时在线诊断。当存在异常时,结合设备的各种健康历史状态数据、工作状态以及维修历史记录等信息,综合智能诊断方法,对***故障进行在线诊断,获得故障的代码、特征、产生的原因、发生的位置,为维修提供及时准确的数据支持;
(4)故障预测
基于状态集序列的故障预测模型,利用预测的故障特征参数对故障进行当前性能状态的评估以及故障的早期预报,通过改进数据挖掘算法,更有效的实现对设备故障的早期识别,以有效降低具有强隐蔽性、不易发觉的故障所导致的经济和人身损失;
(5)预测性维护
根据在线监测信息和健康状态的判定结果,帮助维修人员早期发现设备的异常症状,提供相应的维修维护建议和维护指导手册,尽快查明故障原因,预测故障的影响,从而实现有计划、有针对性的视情维修,及时解决安全问题及隐患;
(6)运维知识管理
运维知识管理实现对模型库信息、知识库信息和维修优化信息等内容的管理和更新。***通过储存故障类型、故障算法模型、维护建议措施,提供对运维知识库中故障名称、解决方法和维护建议等信息的管理;此外,***具备学习功能,不断优化故障模型,完善运维知识库。
本申请的发明要点在于:
1、基于粗糙集的数据预处理技术
一般情况下,传感器采集到的原始数据集含有大量的噪声且存在大量的数据缺失和异常等问题,因此,在建立机器学习模型训练前需要对原始数据进行预处理以提高数据质量,提升模型的性能;粗糙集理论是一种新的处理模糊和不精确问题的重要数学工具;本申请采用粒计算的处理方式,通过选择最合适的粒层来对复杂问题进行有效求解,处理模糊信息和海量数据的挖掘。删除冗余知识和不必要的属性特征,约简数据表,降低故障特征属性的个数,减小规则知识库的规模和复杂性,提高数据处理的效率;
采取相对粒度属性约简算法对决策表进行约简,其输入为决策表S=(U,C∪D,V,f),C是条件属性集合,D是决策属性集合,输出的约简结果用RED表示;其约简的具体步骤如下:
(1)对决策表中相同的规则进行合并,令RED=φ;
(2)对每一个ci∈C\RED,计算属性ci关于约简结果RED对决策集合D的重要性sig(ci,RED,D)=GD(D|RED)-GD(D|RED∪ci);
(3)在步骤(2)计算出的所有sig(ci,RED,D)中选出最大值所对应的属性ci作为ck,若是存在多个属性满足条件,则选择第一个属性作为ck;
(4)若sig(ck,RED,D)>0,则RED=RED∪ck,并转到步骤(2)继续循环计算;若sig(ck,RED,D)=0,则结束循环,输出约简后的结果RED。
此方法是增加式的约简算法,通过计算每个属性关于RED对决策集D的重要性,选出不可约简的属性并依次添加到空集中,直到剩余属性的重要性均为0时,结束添加,从而得到决策表的最小约简结果。
2、实时在线故障诊断技术
针对船舶舱室设备众多且布置分散、位置隐秘,不易进行经常性巡检,难以及时发现设备异常。在充分调研的基础上,提出实时在线故障诊断技术,实现工作人员及时发现设备的故障、隐患,有针对性的进行维护和修理,减少不必要的修理,从而延长修理周期、降低生产成本;
通过在船舶舱室***中安装各种传感器,利用多种信号处理方法进行故障特征的提取,利用故障模型、专家***等方法对故障进行实时在线诊断,使得工作人员可以及时的发现设备的故障并采取相应的维修措施。
3、基于状态集序列的故障预测技术
基于状态集序列的故障预测模型,利用预测的故障特征参数对故障进行当前性能状态的评估以及故障的早期预报,通过改进数据挖掘算法,更有效的实现对辅机设备故障的早期识别,以有效降低具有强;SDG是一种定性的数学模型,利用有向支路将各节点按一定规则连接形成网络拓扑图,能够以直观、简单的图形化方式对过程变量之间的影响关系及故障的演绎过程进行描述,包容大量潜在信息,表达出***的机理和关系,有效实现故障的预测;
基于双向推理的SDG故障预测方法为,首先,利用反向推理搜索出所有可能的故障源,然后,针对这些可能的故障源依次进行正向推理;若其中的某个故障可以完全或最大限度的解释这些异常变量节点的状态,则此故障即为可信度最高的预测结果。
本申请的发明原理:
本发明根据船舶舱室设备健康管理***的建设需求,结合船舶信息***架构研究的深入,针对舱室设备种类多,数据量大以及智能化水平低等问题,开展舱室设备健康管理体系研究,主要从设备健康管理技术架构、设备通用技术要求进行研究;并在“通用技术要求”的指导下,选取价值量大、附加值高、故障危害性强、维护成本高的三类核心舱室设备,进行***开发与研究;结合基于粗糙集的数据预处理技术、实时在线故障诊断技术、基于状态集序列的故障预测等先进技术,可以有效提高舱室设备的在线监测、故障诊断、故障预测、预测性维护等功能,增强船舶舱室运维能力,提高辅机安全运行水平,降低企业运行成本,提升舱室健康管理管理水平;该项目的推广应用将会提高船舶舱室核心设备的数字化、网络化、智能化、安全运维一体化能力,助力企业实现“提质增效、保质保量”发展目标。
本申请的优点在于:
1、本发明通过基于粗糙集的数据预处理技术,提高了数据质量和模型诊断的性能:
传感器采集到的原始数据集含有大量的噪声且存在大量的数据缺失和异常等问题,本发明基于粗糙集理论在建立机器学习模型训练前对原始数据进行预处理,在保证决策能力不变的情况下,删除冗余知识和不必要的属性特征,约简故障模型,降低故障特征属性的个数,减小规则知识库的规模和复杂性,提高数据质量和模型的诊断性能;
2、本发明通过基于状态集序列的故障预测技术,提高了船舶舱室设备故障预测精度:
为实现船舶舱室设备故障的早期发现和预测精准度,本发明引入基于状态集序列的故障预测技术,通过建立的SDG模型,结合设备的振动信号、压力、温度等运行状态、结构特征和历史数据,对将来可能发生的故障做出判断,预测故障的性质、类别、程度、原因及部位。当预测有故障发生时,能迅速准确地根据预测结果维护策略,并结合设备的运行环境,给出合理的设备后期运行方案。同时将相关信息及时传递给操纵人员;该发明能够有效实现对舱室设备故障的早期识别,降低具有强隐蔽性、不易发觉的故障所导致的经济和人身损失。
Claims (8)
1.一种船舶舱室设备健康管理与故障预测***,其特征在于:该***包括控制管理设备、通信设备、数据收集设备和现场采集设备,控制管理设备包括上位机,通信设备包括交换机,数据采集设备包括数据采集卡,现场采集设备包括若干用于安装到船舶舱室设备上的温度传感器、电压传感器、电流传感器、压力传感器和流量传感器,温度传感器、电压传感器、电流传感器、压力传感器和流量传感器均与数据采集卡连接,数据采集卡通过交换机与上位机连接。
2.根据权利要求1所述的船舶舱室设备健康管理与故障预测***,其特征在于:所述上位机为计算机或可编程控制器。
3.根据权利要求1所述的船舶舱室设备健康管理与故障预测***,其特征在于:所述温度传感器选用NTC热敏电阻、白金RTD、热电偶、半导体中的一种或多种。
4.一种舶舱室设备健康管理与故障预测方法,其特征在于:该方法使用权利要求1-3任意一项所述的船舶舱室设备健康管理与故障预测***,该方法包括:
(1)设备可靠性和失效模式分析:
利用故障树方法,对船舶舱室设备进行可靠性分析和设备失效模式分析,获取设备的故障特征,制定合理的维修、维护策略;
(2)信号采集与预处理:
通过设置各类传感器与设备通信,采集其运行状态各类信息,对信息进行预处理得到能够反映设备运行状态的压力、温度、流量的参数,实现对设备的运行状态数据的获取,并为实时状态监测、故障诊断与报警、预警提供数据支撑;
(3)在线故障诊断
在线获取实时的监测设备工作状态数据,结合***中预留的故障模式和失效判据,利用故障模型和专家***对故障进行实时在线诊断;当存在异常时,结合设备的各种健康历史状态数据、工作状态以及维修历史记录,综合智能诊断方法,对***故障进行在线诊断,获得故障的代码、特征、产生的原因、发生的位置,为维修提供及时准确的数据支持;
(4)故障预测
基于状态集序列的故障预测模型,利用预测的故障特征参数对故障进行当前性能状态的评估以及故障的早期预报,通过改进数据挖掘算法,更有效的实现对设备故障的早期识别,以有效降低具有强隐蔽性、不易发觉的故障所导致的经济和人身损失;
(5)预测性维护
根据在线监测信息和健康状态的判定结果,帮助维修人员早期发现设备的异常症状,并提供相应的维修维护建议和维护指导手册;
(6)运维知识管理
实现对模型库信息、知识库信息和维修优化信息的管理和更新,并通过储存故障类型、故障算法模型、维护建议措施,提供对运维知识库中故障名称、解决方法和维护建议的管理;其次,不断优化故障模型,完善运维知识库。
5.根据权利要求4所述的船舶舱室设备健康管理与故障预测方法,其特征在于:该方法中采用粒计算的处理方式,通过选择最合适的粒层来对复杂问题进行有效求解,处理模糊信息和海量数据的挖掘,删除冗余知识和不必要的属性特征,约简数据表,降低故障特征属性的个数,减小规则知识库的规模和复杂性,具体过程为:
采取相对粒度属性约简算法对决策表进行约简,其输入为决策表S=(U,C∪D,V,f),C是条件属性集合,D是决策属性集合,输出的约简结果用RED表示;其约简的具体步骤如下:
(1)对决策表中相同的规则进行合并,令RED=φ;
(2)对每一个ci∈C\RED,计算属性ci关于约简结果RED对决策集合D的重要性sig(ci,RED,D)=GD(D|RED)-GD(D|RED∪ci);
(3)在步骤(2)计算出的所有sig(ci,RED,D)中选出最大值所对应的属性ci作为ck,若是存在多个属性满足条件,则选择第一个属性作为ck;
(4)若sig(ck,RED,D)>0,则RED=RED∪ck,并转到步骤(2)继续循环计算;若sig(ck,RED,D)=0,则结束循环,输出约简后的结果RED。
6.根据权利要求4所述的船舶舱室设备健康管理与故障预测方法,其特征在于:该方法通过在船舶舱室中安装各种传感器,利用多种信号处理方法进行故障特征的提取,利用故障模型、专家***饿方法对故障进行实时在线诊断,使得工作人员可以及时的发现设备的故障并采取相应的维修措施。
7.根据权利要求4所述的船舶舱室设备健康管理与故障预测方法,其特征在于:该采用基于双向推理的SDG故障预测方法,首先,利用反向推理搜索出所有可能的故障源,然后,针对这些可能的故障源依次进行正向推理;若其中的某个故障可以完全或最大限度的解释这些异常变量节点的状态,则此故障即为可信度最高的预测结果。
8.根据权利要求4所述的船舶舱室设备健康管理与故障预测方法,其特征在于:该方法进行健康管理与故障预测的船舶舱室设备包括货油泵、船用柴油机和燃油供应单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010938464.2A CN112083355A (zh) | 2020-09-09 | 2020-09-09 | 一种船舶舱室设备健康管理与故障预测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010938464.2A CN112083355A (zh) | 2020-09-09 | 2020-09-09 | 一种船舶舱室设备健康管理与故障预测***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112083355A true CN112083355A (zh) | 2020-12-15 |
Family
ID=73731570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010938464.2A Pending CN112083355A (zh) | 2020-09-09 | 2020-09-09 | 一种船舶舱室设备健康管理与故障预测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112083355A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112858872A (zh) * | 2020-12-31 | 2021-05-28 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 电路板健康管理电路、装置、控制方法及电路板健康管理器 |
CN113189918A (zh) * | 2021-05-25 | 2021-07-30 | 上海海事大学 | 船舶防污染设备与安全设备在线监控***及方法 |
CN113311280A (zh) * | 2021-07-30 | 2021-08-27 | 中国人民解放军海军工程大学 | 一种复杂机电***健康分级监测装置 |
CN113538874A (zh) * | 2021-07-05 | 2021-10-22 | 南京盛航海运股份有限公司 | 一种船舶运行状态检测预警方法、***、设备及存储介质 |
CN114298384A (zh) * | 2021-12-16 | 2022-04-08 | 连云港杰瑞自动化有限公司 | 适用于船用装卸臂的安全运维预测***及方法 |
CN115453236A (zh) * | 2022-08-24 | 2022-12-09 | 大连海事大学 | 一种船舶风翼动力***的故障诊断与健康评估方法 |
CN116976865A (zh) * | 2023-09-22 | 2023-10-31 | 中国船舶集团有限公司第七一九研究所 | 基于大数据分析的船舶维修器件调配管理*** |
-
2020
- 2020-09-09 CN CN202010938464.2A patent/CN112083355A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112858872A (zh) * | 2020-12-31 | 2021-05-28 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 电路板健康管理电路、装置、控制方法及电路板健康管理器 |
CN113189918A (zh) * | 2021-05-25 | 2021-07-30 | 上海海事大学 | 船舶防污染设备与安全设备在线监控***及方法 |
CN113538874A (zh) * | 2021-07-05 | 2021-10-22 | 南京盛航海运股份有限公司 | 一种船舶运行状态检测预警方法、***、设备及存储介质 |
CN113311280A (zh) * | 2021-07-30 | 2021-08-27 | 中国人民解放军海军工程大学 | 一种复杂机电***健康分级监测装置 |
CN113311280B (zh) * | 2021-07-30 | 2021-12-28 | 中国人民解放军海军工程大学 | 一种复杂机电***健康分级监测装置 |
CN114298384A (zh) * | 2021-12-16 | 2022-04-08 | 连云港杰瑞自动化有限公司 | 适用于船用装卸臂的安全运维预测***及方法 |
CN115453236A (zh) * | 2022-08-24 | 2022-12-09 | 大连海事大学 | 一种船舶风翼动力***的故障诊断与健康评估方法 |
CN116976865A (zh) * | 2023-09-22 | 2023-10-31 | 中国船舶集团有限公司第七一九研究所 | 基于大数据分析的船舶维修器件调配管理*** |
CN116976865B (zh) * | 2023-09-22 | 2023-12-19 | 中国船舶集团有限公司第七一九研究所 | 基于大数据分析的船舶维修器件调配管理*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112083355A (zh) | 一种船舶舱室设备健康管理与故障预测***及方法 | |
RU2313815C2 (ru) | Устройство и способ для контроля технической установки, содержащей множество систем, в частности установки электростанции | |
Liu et al. | Fault detection, diagnostics, and prognostics: software agent solutions | |
KR102073912B1 (ko) | 고부하 가스 터빈들에 대한 진단 규칙들을 위한 방법 및 시스템 | |
JP5203984B2 (ja) | 測定システムの測定データを解析及び評価するための方法及び装置 | |
CN110397476B (zh) | 一种核电用汽轮机油品在线监测分析***与方法 | |
KR20160073945A (ko) | 풍력플랜트 관리 시스템 및 그 방법 | |
CN106368816A (zh) | 一种基于基线偏差的船舶低速柴油机在线异常检测方法 | |
EP1242923A2 (en) | A process for the monitoring and diagnostics of data from a remote asset | |
CN110738331A (zh) | 一种智能船舶机舱*** | |
CN102141808A (zh) | 汽轮发电机组嵌入式故障预诊断***及方法 | |
CN105988457A (zh) | 船舶或海上移动平台水密设备监控与故障诊断*** | |
HUE027988T2 (en) | Monitoring and Diagnostic System for Flow Energy System and Flow Energy System | |
WO2023063887A2 (en) | Method and apparatus for predicting state of wind turbine blade, and device and storage medium therefor | |
CN112254972A (zh) | 挖掘机油温预警方法、装置、服务器及挖掘机 | |
Green et al. | NILM dashboard: Actionable feedback for condition-based maintenance | |
Nugraha et al. | The Auxiliary Engine Lubricating Oil Pressure Monitoring System Based on Modbus Communication | |
CN115017214A (zh) | 水电站辅助设备运行状态分析预警方法、装置及存储介质 | |
CN114648212A (zh) | 一种基于云计算的船舶设备性能智能管理***及方法 | |
CN212483819U (zh) | 一种船舶舱室设备健康管理与故障预测*** | |
Breikin et al. | Dynamic modelling for condition monitoring of gas turbines: Genetic algorithms approach | |
RU121944U1 (ru) | Автоматизированная система выявления неисправных датчиков среди датчиков, предназначенных для контроля технологических процессов | |
Fernandes et al. | An overview on degradation modelling for service cost estimation | |
Tao et al. | A state and fault prediction method based on RBF neural networks | |
Theilliol et al. | Sensor fault diagnosis based on energy balance evaluation: Application to a metal processing |
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 |