CN112858642A - 一种基于智能物联网的船舶润滑油检测*** - Google Patents
一种基于智能物联网的船舶润滑油检测*** Download PDFInfo
- Publication number
- CN112858642A CN112858642A CN202110040436.3A CN202110040436A CN112858642A CN 112858642 A CN112858642 A CN 112858642A CN 202110040436 A CN202110040436 A CN 202110040436A CN 112858642 A CN112858642 A CN 112858642A
- Authority
- CN
- China
- Prior art keywords
- layer
- lubricating oil
- data
- oil
- 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
- 239000010687 lubricating oil Substances 0.000 title claims abstract description 97
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 239000003921 oil Substances 0.000 claims description 129
- 239000002245 particle Substances 0.000 claims description 63
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 230000005294 ferromagnetic effect Effects 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000005299 abrasion Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims description 4
- 238000005406 washing Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 33
- 230000006870 function Effects 0.000 description 23
- 238000011161 development Methods 0.000 description 18
- 230000002068 genetic effect Effects 0.000 description 18
- 238000001914 filtration Methods 0.000 description 16
- 238000000034 method Methods 0.000 description 13
- 238000004140 cleaning Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 12
- 238000004088 simulation Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 230000035772 mutation Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 239000000523 sample Substances 0.000 description 6
- 238000013519 translation Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000009434 installation Methods 0.000 description 5
- 238000000137 annealing Methods 0.000 description 4
- 230000005284 excitation Effects 0.000 description 4
- 230000008676 import Effects 0.000 description 4
- 238000005461 lubrication Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000000314 lubricant Substances 0.000 description 2
- 239000002923 metal particle Substances 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
- G01N33/30—Oils, i.e. hydrocarbon liquids for lubricating properties
Landscapes
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medicinal Chemistry (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- General Chemical & Material Sciences (AREA)
- Food Science & Technology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种船舶润滑油检测***,包括:感知层、接入层、服务计算层、应用服务层,所述感知层与所述接入层数据连接,所述接入层与所述服务计算层数据连接,所述服务计算层与所述应用服务层数据连接,本发明通过船舶润滑油传感器检测润滑油的油液物理特性并传输润滑油物理性质数据至所述服务计算层进行数据处理,实现物联网的状态,并由应用服务层通过润滑油的油液性状反映机械设备的运行情况,给技术人员设备检修提供更多的技术支持,从而本***实现智能物联网状态。
Description
技术领域
本发明涉及涉及一种检测***,尤其涉及一种船舶润滑油检测***。
背景技术
船舶的发动机及汽轮机需要固定的润滑流量以保护船舶内部运动部件免受固有摩擦伤害。润滑油的化学物质通常由碳及其相关元素组成,随着时间的推移这些元素会因***环境的变化而变化或衰减,通过观测润滑油内所含磨粒的变化可以判断船舶内部运动部件的损耗情况,同时,润滑油内磨粒颗粒会随着运动部件使用时间增加而积累。
经过海量的检索与阅读,本研究团队发现现有技术检测润滑油内的磨粒情况通常使用实验室内进行检测实验,尤其对于船舶来说非常不便对润滑油进行实验检测,若是不能及时发现船舶润滑油的情况会造成船舶机械磨损情况发生。
为了解决本领域普遍存在问题,本发明提供了一种用户交互***,实时向用户反映润滑油特性变化并预测其发展情况并以此反映船舶设备的磨损情况及使用情况。
发明内容
本发明的目的在于实时监控润滑油性质变化并通过本***快速反映设备运行情况,针对目前润滑油油液检测时间过长及现场取样导致的样本污染使得检测结果不准确的所存在的不足,确保设备寿命和效率最大程度的优化,以此目的,本发明提供一种基于智能物联网的船舶润滑油检测***。
为了克服现有技术的不足,本发明采用如下技术方案:该***包括以下几个模块:感知层、接入层、服务计算层、应用服务层,其特征在于:所述感知层与所述接入层数据连接,所述接入层与所述服务计算层数据连接,所述服务计算层与所述应用服务层数据连接。
可选的,在本***中,模块间的数据连接是基于NB-IoT技术实现,其技术支持低功耗设备在广域网的蜂窝数据连接,其技术具有覆盖广、连接多、速率快、成本低、功耗低、架构优等特点,因此快速的模块间的数据传输能有效提高润滑油的油液检测质量。
可选的,所述感知层被构造成由船舶内的润滑油传感器元件检测润滑油的物理参数作为原始数据传输至所述感知层,其中上述物理参数包括:黏度、水分、铁磁颗粒性质、非铁磁颗粒性质;所述感知层主要由润滑油传感器组成,本***通过对润滑油传感器进行合理的安装达到油样检测误差降至最低,并且润滑油传感器至少包括一个磨粒传感器,其磨粒传感器浸泡在检测润滑油油内,所述传感器的工作原理依据是金属磨粒经过电磁区域会产生振动,通过感知铁磁性和非铁磁性的金属颗粒在电磁区域内产生的振动输出信号的幅度和相位用来区分颗粒的尺寸和性质,通过及时捕获及分析润滑油油液中的金属颗粒为机械设备提供可靠的早期预警和寿命预估,所述磨粒传感器及润滑油***中其他传感器元件将获取的数据传输到所述接入层进行下一步处理。
可选的,所述接入层将所述原始数据进行数据清洗成为初数据,本***采用数据清洗步骤主要是因为原始数据可能存在的混乱性、重复性、不完备性问题造成数据分析时的结果误差较大,及数据清洗步骤能最大可能的降低数据分析时的误差,所述接入层将清洗后的数据传输到所述服务计算层。
可选的,所述服务计算层将所述初数据存储进区块链链式数据库内,将收集润滑油油液物理数据作为区块链中Merkel树结构节点的输入,经过逐层哈希加密后存储在不可篡改、可追溯的链式数据库中,区块链技术的安全机制保证了所述初数据的安全存储,并将所述初数据经过算法***得到润滑油性状报告分析表,所述服务计算层将所述润滑油性状报告分析表发送至所述应用服务层。
可选的,船舶技术人员通过所述应用服务层接收的所述润滑油性状报告分析表反映出的船舶设备的磨损情况及使用情况来决定是否需要更换润滑油和是否需要维修设备。
本发明所取得的有益效果是:
1.本发明可实现油液在不受污染的情况下进行检测保证检测结果的准确性;
2.本发明可实现船舶在任何情况下都可进行润滑油油液检测实验,保证船舶人员及时获取润滑油使用情况并及时对船舶润滑油进行相应的操作,保证船舶机械的良好运作;
3.本发明基于智能物联网技术实现对船舶润滑油情况进行智能管理。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制,而是将重点放在示出实施例的原理上。在不同的视图中,相同的附图标记指定对应的部分。
图1是本发明的磨粒传感器安装在润滑油路***中的示意图;
图2是本发明的磨粒传感器侧面图;
图3是本发明的润滑油路***的示意图;
图4是本发明的油液分析仪安装在润滑油路***的示意图;
图5是基于遗传退火优化的神经网络算法流程示意图。
图中:1、传感器固定法兰;2、三通固定法兰;3、三通出气孔;4、传感器探杆;5、油箱;6、传感器;7、出气孔;8、格兰头;9、压力计;10、滤油器; 11、单向阀;12、调压阀;13、供油泵;14、吸油滤油器;15、油箱;16、回油泵;17、磨粒传感器;18、出油;19、进油;20、汽轮机齿轮啮合面;21、喷油嘴;22、供油母管;23、油液分析仪;24、电源模块;25、接入开发板;26、回油母管;27、隔离们;28、润滑油回油至油箱。
具体实施方式
为了使得本发明的目的.技术方案及优点更加清楚明白,以下结合其实施例,对本发明进行进一步详细说明;应当理解,此处所描述的具体实施例仅用于解释本发明,并不用于限定本发明。对于本领域技术人员而言,在查阅以下详细描述之后,本实施例的其它***、方法和/或特征将变得显而易见。旨在所有此类附加的***、方法、特征和优点都包括在本说明书内.包括在本发明的范围内,并且受所附权利要求书的保护。在以下详细描述描述了所公开的实施例的另外的特征,并且这些特征根据以下将详细描述将是显而易见的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或组件必须具有特定的方位.以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
实施方式一。
在本实施方式一中,在本实施方式一中,所述感知层由船舶内润滑油传感器元件组成润滑油在线检测控制***作为感知层的子模块组成;其中所述子模块在本实施例中包括润滑油油液分析仪及磨粒传感器;在本实施例中润滑油检测***安装在船舶汽轮机***内,通过检测所述船舶汽轮机润滑油性质来确定所述汽轮机的运行状况;在本实施中采用在所述汽轮机运行***中安装一个润滑油路***,所述磨粒传感器安装在所述润滑油路***中,其中所述润滑油路***的结构为:一个润滑油油箱,其中油箱内装有润滑油,所述油箱有两个接口,接口1 连接进油母管的进油口,接口2连接回油母管的回油口,所述润滑油从所述油箱接口1流出,并通过进油母管的进油口流入进油母管,在进油母管的进油口的另一端安装一个喷油装置,所述润滑油通过此喷油装置流入所述汽轮机的啮合面处,并经过汽轮机的运转流入汽轮机的底部,所述汽轮机底部连接回油母管接油口,所述润滑油从汽轮机底部相连的回油母管接油口流如回油母并最终流回所述润滑油油箱内。
本实施方式是对具体实施方式一所述的磨粒传感器即油液分析仪的安装操作进一步说明,所述磨粒传感器在本实施中的安装步骤如下:在所述进油母管前安装一个供油泵装置进行吸油操作,在所述供油泵吸油装置前安装一个粗过滤滤油器,所述磨粒传感器安装在汽轮机回油母管一侧,在所述回油母管接油口安装一个回油泵,并在所述回油母管接油口后及所述磨粒传感器前安装一个精过滤滤油器,即所述润滑油先流经供油泵的粗过滤滤油器,再经精过滤滤油器进行精过过滤后经过所述磨粒传感器,最后所述润滑油重新流回油箱,其中所述粗过滤滤油器在本实施例中采用网式吸油滤油器,其过滤精度为100微米;所述精过滤滤油器精度小于磨粒传感器最小检测磨粒尺寸,本实施例中采用纸质滤油器,其纸芯采取折叠形增加润滑油过滤面积;安装示意图如图3所示,磨粒传感器侧面示意图如图2所示;所述油液分析在本实施例中的安装步骤如下:在所述进油母管和回油母管侧分别加装一条旁路,在所述旁路上安装一套油液分析仪,所述油液分析仪可同时监测润滑油内水分、黏度、密度、介电常数、油温,并将测量所得上述物理参数在固定时间内上传至所述接入层,所述油液分析仪供电电压为12V DC,安装示意图如图4所示。
本实施方式是对具体实施方式一所述的润滑油在线检测控制***进一步说明,所述润滑油在线检测控制***硬件部分由微控制开发板组成,其中本实施例所述微控制开发板的CPU采用Cortex-A8处理器,频率600MHz,内存256M,并且所述开发板采用CAN接口与所述磨粒传感器及油液分析仪进行数据连接,所述开发板采用NB-IoT技术与所述接入层进行数据传输;所述磨粒传感器内置电源模块并且只有一个数据接口,此数据接口通过CAN总线连接所述微控制开发板;所述油液分析仪只有一个数据接口并且此接口通过CAN总线连接上述微控制开发板,其中所诉油液分析仪内自带电池供电;所述微控制开发板通过CAN 总线负责接收所述磨粒传感器及油液分析仪上传的数据,其中所述磨粒传感器能够检测的数据为所述润滑油内所含铁磁颗粒及非铁磁颗粒的直径大小、质量和数量,所述油液分析仪能够检测的数据包括所述润滑油内水分、黏度、密度、介电常数。
实施方式二。
本实施方式应当理解为包含前述全部实施方式的技术手段的全部内容,并且进一步的,在本实施方式二中,所述接入层由一个边缘节点服务器组成,其中边缘节点服务器接收口接收实施方式一中所述开发板通过NB-IoT技术传输的原始数据,边缘节点服务器内置数据清洁模块,将上述原始数据通过数据清洁模块后成为初数据后从边缘节点服务器的输送口借助NB-IoT技术传输到所述服务计算层;其中所述边缘节点的数据清洁模块主要功能是保证所述感知层传输的原始数据完整性并消除噪声,具体步骤如下:
1、缺失值清洗,采取均值填补法,即当所述磨粒传感器及油液分析仪上传的特定项数据存在缺失时将此特定项的过往数据求均值,并将此均值作为缺失的数值,所述项类包括:水分、黏度、密度、介电常数、含铁磁颗粒直径数、含铁磁颗粒数量、含铁磁颗粒质量数、非铁磁颗粒直径数、非铁磁颗粒数量及非铁磁颗粒质量数;
2、噪声数据清洗,噪声数据在本实施例指随机误差值,所述随机误差值属于所述原始数据的变量,本实施例中采用数据统计方法将所述磨粒传感器及油液分析仪上传的原始数据进行归纳整理,即以一天为周期,将所述原始数据按类项依次作出散点图,将每一类项的散点图中偏离均值线误差最大的离群点数值删除,所述离群点即为噪声数据。
实施方式三。
本实施方式应当理解为包含前述全部实施方式的技术手段的全部内容,并且进一步的,在本实施方式三中,所述接入层通过其数据输送口将实施方式二中所述初数据传输至所述服务计算层的数据接收口,其中所述服务计算层内设置功能模块并且所述服务计算层内搭建有区块链链式数据库,此区块链链式数据库负责存储所述初数据,所述初数据存储后进入所述功能模块进行进一步处理,其中本实施例中区块链数据记录方式如下:
a1、所诉服务计算层数据接受口接收所述初数据;
a2、打包步骤a1所述的初数据文件并计算其MD5值;
a3、确定步骤a2初数据文件的文件名,其中文件名包括MD5值和时间戳;
a4、将步骤a3确定的时间戳、文件名及本实施例中的边缘节点服务器的IP 形成一条记录存储在区块中;
a5、将步骤a4生成的区块连接到所述区块链中;
所述功能模块内置算法模型,通过功能模块生成润滑油性状报告分析表,并由所述服务计算层的数据输送口发送至所述应用服务层的数据接收口,本实施例中所述的功能模块由MATLAB工具开发,其所述功能模块被设计为预测仿真***,该预测仿真***由数据导入模块、遗传算法优化模型初始参数模块、仿真预测模块和结果保存模块组成,其中遗传算法优化模型初始参数模块作为***的算法模块,对数据导入模块中的数据进行优化及生成预测方案,其中本实施例中所述算法模块在该预测仿真***中的运行流程如下所述:
b1、将所述初数据为输入值,齿轮磨损量H为输出值,所述输出值为自然数,其中所述磨损量H的输出值是由所述输入值通过基于遗传算法的神经网络得出,将所述输入值输入所述预测仿真***后作为神经网络的初始参数等待进一步的预处理;
b2、确定神经网络拓扑结构,本实施例采用三层神经网络结构,通过输入,输出样本维度决定输入输出节点数,然后设置隐含层节点数;
b3、神经网络建立及网络参数设置,设置隐含层激励函数,输出层激励函数,学习函数,学习率,最大训练次数及训练目标;
b4、利用遗传算法优化b1所述神经网络的初始参数,具体操作如下所示:
①、输入预处理所需的固定值:种群大小N、遗传代数A、变量二进制位数B、遗传算法的交叉概率Pc、代沟值D、初始温度T0、温度衰减系数C0、当前进化代数ge,其中A、B、Pc、D、T0、C0为固定值,ge设为初始值1,N的取值如公式(1)所示;
N=m×n+3×n×l+l (1)
其中m代表神经网络的输入层的神经元个数为自然数,n代表神经网络的隐含层的神经元个数为自然数,l代表神经网络的输出层的神经元个数为自然数;
②编码并产生初始种群,本实施例采用二进制编码方式,并对①所述的待优化的N按顺序进行编码,并产生初始种群S,其中S为自然数;
③适应度计算,利用适应度函数计算初始种群S中个体的适应度,本实施例采用神经网络训练误差作为适应度函数,适应度函数如公式(2)所示;
其中f(x)为个体自适应度函数,x表示所述初始种群S中个体数为自然数, l指神经网络的输出层的神经元个数为自然数,为所述神经网络中的输出层的第x个节点期望输出值为自然数,yx为所述神经网路中的输出层的第x个节点实际输出值为自然数;
④选择操作产生下一代新的种群;
⑤交叉操作,从步骤④所述新种群取出要交配的一对个体,在交叉概率Pc控制下,两个个体在选定位置交换染色体的内容,本实施例采用单点交叉算子进行交叉操作,交叉操作后产生种群S1,其中S1为自然数;
⑥变异操作,在变异概率控制下,将b5中所述个体的位取反,即若是1 则取0,若是0则取1,变异操作后产生种群S2,其中S2为自然数;
⑦优化操作,计算原始种群和遗传操作后新产生的种群适应度差Δf,Δf 值为自然数,Δf的取值如公式(3)所示,采用Metropolics接受准则来判断接受还是放弃步骤⑥所述种群S2中的个体,Metropolics接受准则操作步骤为:若Δf <0,则接受所述个体,若Δf≥0,则以概率p接受所述个体,其中p取值由公式 (4)决定;
Δf=f(S2)-f(S1) (3)
其中f(S1)为b5所述种群S1的适应度函数,f(S1)取值为自然数,f(S2)为 b6所述种群S2的适应度函数,f(S2)取值为自然数;
p=exp(-Δf/T2) (4)
其中Δf为公式(3)所得的自然数,T2为步骤⑥所述种群S2的温度衰减函数,T2的取值由公式(5)决定;
T2=Coe(CoeT0) (5)
其中T0为步骤①所述初始温度,其为固定值;
⑧终止条件判断,算法的迭代次数是否达到最大进化数,若算法的迭代次数达到最大进化数即满足终止条件则进行步骤⑨,若算法迭代次数仍能增加则转到步骤④再依此执行算法操作;
⑨输出当前最优个体作为问题的最优解并将遗传算法搜索的最优个体解码并赋值给神经网络权值、节点阈值、伸缩尺度因子及平移尺度因子;
b5、解码步骤⑨所述神经网络权值、节点阈值、伸缩尺度因子及平移尺度因子并分解优化;
b6、将b5优化后的网络权值、节点阈值、伸缩尺度因子及平移尺度因子赋给神经网络,将b1所述输入值进行拆分成两部分,包括第一部分数值和第二部分数值,第一部分数值进行网格训练,按梯度下降方向调整所述网格参数并且用第二部分数值样本测试网络;
b7、得出仿真预测结果,并将所述结果作为润滑油性状报告分析表传输至所述应用服务层。
实施方式四。
本实施例进一步说明一种基于智能物联网的船舶润滑油检测***,所述***通过检测船舶润滑油的油液性质来反映船舶设备的磨损情况及使用情况;所述***包括:感知层、接入层、服务计算层、应用服务层,所述感知层与所述接入层数据连接,所述接入层与所述服务计算层数据连接,所述服务计算层与所述应用服务层数据连接;
其中所述感知层被构造成由船舶内的润滑油传感器元件检测润滑油的物理参数并作为原始数据传输至所述感知层,其中上述物理参数包括:黏度、水分、铁磁颗粒性质、非铁磁颗粒性质;其中所述感知层由船舶润滑油传感器元件组成润滑油在线检测控制***作为感知层的子模块组成;其中所述子模块在本实施例中包括润滑油油液分析仪及磨粒传感器;在本实施例中润滑油检测***安装在船舶汽轮机***内,通过检测所述船舶汽轮机润滑油性质来确定所述汽轮机的运行状况;在本实施中采用在所述汽轮机运行***中安装一个润滑油路***,所述磨粒传感器安装在所述润滑油路***中,其中所述润滑油路***的结构为:一个润滑油油箱,其中油箱内装有润滑油,所述油箱有两个接口,接口1连接进油母管的进油口,接口2连接回油母管的回油口,所述润滑油从所述油箱接口1流出,并通过进油母管的进油口流入进油母管,在进油母管的进油口的另一端安装一个喷油装置,所述润滑油通过此喷油装置流入所述汽轮机的啮合面处,并经过汽轮机的运转流入汽轮机的底部,所述汽轮机底部连接回油母管接油口,所述润滑油从汽轮机底部相连的回油母管接油口流如回油母并最终流回所述润滑油油箱内;
其中所述磨粒传感器在本实施中的安装步骤如下:在所述进油母管前安装一个供油泵装置进行吸油操作,在所述供油泵吸油装置前安装一个粗过滤滤油器,所述磨粒传感器安装在汽轮机回油母管一侧,在所述回油母管接油口安装一个回油泵,并在所述回油母管接油口后及所述磨粒传感器前安装一个精过滤滤油器,即所述润滑油先流经供油泵的粗过滤滤油器,再经精过滤滤油器进行精过过滤后经过所述磨粒传感器,最后所述润滑油重新流回油箱,其中所述粗过滤滤油器在本实施例中采用网式吸油滤油器,其过滤精度为100微米;所述精过滤滤油器精度小于磨粒传感器最小检测磨粒尺寸,本实施例中采用纸质滤油器,其纸芯采取折叠形增加润滑油过滤面积;安装示意图如图3所示,磨粒传感器侧面图如图2 所示;所述油液分析在本实施例中的安装步骤如下:在所述进油母管和回油母管侧分别加装一条旁路,在所述旁路上安装一套油液分析仪,所述油液分析仪可同时监测润滑油内水分、黏度、密度、介电常数、油温,并将测量所得上述物理参数在固定时间内上传至所述接入层,所述油液分析仪供电电压为12V DC,安装示意图如图4所示;
其中所述润滑油在线检测控制***硬件部分由微控制开发板组成,其中本实施例所述微控制开发板的CPU采用Cortex-A8处理器,频率600MHz,内存256M,并且所述开发板采用CAN接口与所述磨粒传感器及油液分析仪进行数据连接,所述开发板采用NB-IoT技术与所述接入层进行数据传输;所述磨粒传感器内置电源模块并且只有一个数据接口,此数据接口通过CAN总线连接所述微控制开发板;所述油液分析仪只有一个数据接口并且此接口通过CAN总线连接上述微控制开发板,其中所诉油液分析仪内自带电池供电;所述微控制开发板通过CAN 总线负责接收所述磨粒传感器及油液分析仪上传的数据,其中所述磨粒传感器能够检测的数据为所述润滑油内所含铁磁颗粒及非铁磁颗粒的直径大小、质量和数量,所述油液分析仪能够检测的数据包括所述润滑油内水分、黏度、密度、介电常数;所述感知层将所述原始数据传输到所述接入层进行下一步处理;
所述接入层将所述原始数据进行数据清洗成为初数据,其中所述接入层由一个边缘节点服务器组成,其中边缘节点服务器接收口接收所述开发板通过NB-IoT 技术传输的原始数据,边缘节点服务器内置数据清洁模块,将上述原始数据通过数据清洁模块后成为初数据后从边缘节点服务器的输送口借助NB-IoT技术传输到所述服务计算层;其中所述边缘节点的数据清洁模块主要功能是保证所述感知层传输的原始数据的完整性并消除噪声,具体步骤如下:
1、缺失值清洗,采取均值填补法,即当所述磨粒传感器及油液分析仪上传的特定项数据存在缺失时将此特定项的过往数据求均值,并将此均值作为缺失的数值,所述项类包括:水分、黏度、密度、介电常数、含铁磁颗粒直径数、含铁磁颗粒数量、含铁磁颗粒质量数、非铁磁颗粒直径数、非铁磁颗粒数量及非铁磁颗粒质量数;
2、噪声数据清洗,噪声数据在本实施例指随机误差值,所述随机误差值属于所述原始数据的变量,本实施例中采用数据统计方法将所述磨粒传感器及油液分析仪上传的原始数据进行归纳整理,即以一天为周期,将所述原始数据按类项依次作出散点图,将每一类项的散点图中偏离均值线误差最大的离群点数值删除,所述离群点即为噪声数据;
所述接入层将上述初数据传输到所述服务计算层,所述服务计算层将所述初数据存储进区块链链式数据库内,并将所述数据经过算法***得到润滑油性状报告分析表,其中所述接入层通过其数据输送口将实施方式二中所述初数据传输至所述服务计算层的数据接收口,其中所述服务计算层内设置功能模块并且所述服务计算层内搭建有区块链链式数据库,此区块链链式数据库负责存储所述初数据,所述初数据存储后进入所述功能模块进行进一步处理,其中本实施例中区块链数据记录方式如下:
c1、所诉服务计算层数据接受口接收所述初数据;
c2、打包步骤c1所述的初数据文件并计算其MD5值;
c3、确定步骤c2初数据文件的文件名,其中文件名包括MD5值和时间戳;
c4、将步骤c3确定的时间戳、文件名及本实施例中的边缘节点服务器的IP 形成一条记录存储在区块中;
c5、将步骤c4生成的区块连接到所述区块链中;
所述功能模块内置算法模型,通过功能模块生成润滑油性状报告分析表,并由所述服务计算层的数据输送口发送至所述应用服务层的数据接收口,本实施例中所述的功能模块由MATLAB工具开发,其所述功能模块被设计为基于遗传退火的神经网络预测仿真***,该预测仿真***由数据导入模块、遗传退火算法优化模型初始参数模块、仿真预测模块和结果保存模块组成,其中遗传退火算法优化模型初始参数模块作为***的算法模块,对数据导入模块中的数据进行优化及生成预测方案,其中本实施例中所述算法模块在该预测仿真***中的运行流程如下所述:
d1、将所述初数据为输入值,齿轮磨损量为输出值,其中所述磨损量的输出值是由所述输入值通过基于遗传算法的神经网络得出,将所述输入值输入所述预测仿真***后作为神经网络的初始参数等待进一步的预处理;
d2、确定神经网络拓扑结构,本实施例采用三层神经网络结构,通过输入,输出样本维度决定输入输出节点数,然后设置隐含层节点数;
d3、神经网络建立及网络参数设置,设置隐含层激励函数,输出层激励函数,学习函数,学习率,最大训练次数及训练目标;
d4、利用遗传算法优化b1所述神经网络的初始参数,具体操作如下所示:
1)、输入预处理所需的固定值:种群大小N、遗传代数A、变量二进制位数B、遗传算法的交叉概率Pc、代沟值D、初始温度T0、温度衰减系数C0、当前进化代数ge,其中A、B、Pc、D、T0、C0为固定值,ge设为初始值1, N的取值如公式(1)所示;
N=m×n+3×n×l+l (1)
其中m代表神经网络的输入层的神经元个数为自然数,n代表神经网络的隐含层的神经元个数为自然数,l代表神经网络的输出层的神经元个数为自然数;
2)编码并产生初始种群,本实施例采用二进制编码方式,并对1)所述的待优化的N按顺序进行编码,并产生初始种群S,其中S为自然数;
3)适应度计算,利用适应度函数计算初始种群S中个体的适应度,本实施例采用神经网络训练误差作为适应度函数,适应度函数如公式(2)所示;
其中f(x)为个体自适应度函数,x表示所述初始种群S中个体数为自然数, l指神经网络的输出层的神经元个数为自然数,为所述神经网络中的输出层的第x个节点期望输出值为自然数,yx为所述神经网路中的输出层的第x个节点实际输出值为自然数;
4)选择操作产生下一代新的种群;
5)交叉操作,从步骤4)所述新种群取出要交配的一对个体,在交叉概率Pc控制下,两个个体在选定位置交换染色体的内容,本实施例采用单点交叉算子进行交叉操作,交叉操作后产生种群S1,其中S1为自然数;
6)变异操作,在变异概率控制下,将d5中所述个体的位取反,即若是 1则取0,若是0则取1,变异操作后产生种群S2,其中S2为自然数;
7)优化操作,计算原始种群和遗传操作后新产生的种群适应度差Δf,Δf值为自然数,Δf的取值如公式(3)所示,采用Metropolics接受准则来判断接受还是放弃步骤6)所述种群S2中的个体,Metropolics接受准则操作步骤为:若Δf<0,则接受所述个体,若Δf≥0,则以概率p接受所述个体,其中p取值由公式(4)决定;
Δf=f(S2)-f(S1) (3)
其中f(S1)为b5所述种群S1的适应度函数,f(S1)取值为自然数,f(S2)为 b6所述种群S2的适应度函数,f(S2)取值为自然数;
p=exp(-Δf/T2) (4)
其中Δf为公式(3)所得的自然数,T2为步骤6)所述种群S2的温度衰减函数,T2的取值由公式(5)决定;
T2=Coe(CoeT0) (5)
其中T0为步骤1)所述初始温度,其为固定值;
8)终止条件判断,算法的迭代次数是否达到最大进化数,若算法的迭代次数达到最大进化数即满足终止条件则进行步骤9),若算法迭代次数仍能增加则转到步骤4)再依此执行算法操作;
9)输出当前最优个体作为问题的最优解并将遗传算法搜索的最优个体解码并赋值给神经网络权值、节点阈值、伸缩尺度因子及平移尺度因子;
d5、解码步骤9)所述神经网络权值、节点阈值、伸缩尺度因子及平移尺度因子并分解优化;
d6、将d5优化后的网络权值、节点阈值、伸缩尺度因子及平移尺度因子赋给神经网络,将d1所述输入值进行拆分成两部分,包括第一部分数值和第二部分数值,第一部分数值进行网格训练,按梯度下降方向调整所述网格参数并且用第二部分数值样本测试网络;
d7、得出仿真预测结果,并将所述结果作为润滑油性状报告分析表传输至所述应用服务层;
船舶技术人员通过所述应用服务层接收的所述润滑油性状报告分析表反映出的船舶设备的磨损情况及使用情况来决定是否需要更换润滑油及是否需要维修设备。
综上所述,本发明的一种基于智能物联网的船舶润滑油检测***。
虽然上面已经参考各种实施例描述了本发明,但是应当理解,在不脱离本发明的范围的情况下,可以进行许多改变和修改。也就是说上面讨论的方法,***和设备是示例。各种配置可以适当地省略,替换或添加各种过程或组件。例如,在替代配置中,可以以与所描述的顺序不同的顺序执行方法,和/或可以添加,省略和/或组合各种部件。而且,关于某些配置描述的特征可以以各种其他配置组合,如可以以类似的方式组合配置的不同方面和元素。此外,随着技术发展其中的元素可以更新,即许多元素是示例,并不限制本公开或权利要求的范围。
在说明书中给出了具体细节以提供对包括实现的示例性配置的透彻理解。然而,可以在没有这些具体细节的情况下实践配置例如,已经示出了众所周知的电路、过程、算法、结构和技术而没有不必要的细节,以避免模糊配置。该描述仅提供示例配置,并且不限制权利要求的范围,适用性或配置。相反,前面对配置的描述将为本领域技术人员提供用于实现所描述的技术的使能描述。在不脱离本公开的精神或范围的情况下,可以对元件的功能和布置进行各种改变。
综上,其旨在上述详细描述被认为是例示性的而非限制性的,并且应当理解,以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (6)
1.一种基于智能物联网的船舶润滑油检测***,所述***通过检测船舶润滑油的油液性质来反映船舶设备的磨损情况及使用情况;其特征在于,所述***包括:感知层、接入层、服务计算层、应用服务层,其特征在于:所述感知层与所述接入层数据连接,所述接入层与所述服务计算层数据连接,所述服务计算层与所述应用服务层数据连接。
2.如权利要求1所述的一种基于智能物联网的船舶润滑油检测***,其特征在于,所述感知层被构造成用于接收包括船舶内的润滑油传感器元件检测到的润滑油的物理参数的原始数据,其中所述物理参数包括:黏度、水分、铁磁颗粒性质、和非铁磁颗粒性质;所述感知层将所述原始数据传输到所述接入层进行下一步处理。
3.如前述权利要求之一所述的一种基于智能物联网的船舶润滑油检测***,其特征在于,所述接入层将所述原始数据进行数据清洗成为初数据,并且所述接入层将所述初数据传输到所述服务计算层。
4.如前述权利要求之一所述的一种基于智能物联网的船舶润滑油检测***,其特征在于,所述服务计算层将所述初数据存储进区块链链式数据库内,并将所述数据经过算法***得到润滑油性状报告分析表,所述服务计算层将所述润滑油性状报告分析表发送至所述应用服务层。
5.如前述权利要求之一所述的一种基于智能物联网的船舶润滑油检测***,其特征在于,船舶技术人员通过所述应用服务层接收的所述润滑油性状报告分析表反映出的船舶设备的磨损情况及使用情况来决定是否需要更换润滑油和是否需要维修设备。
6.如前述权利要求之一所述的一种基于智能物联网的船舶润滑油检测***,其特征在于,所述润滑油传感器元件至少包括一个磨粒传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110040436.3A CN112858642A (zh) | 2021-01-13 | 2021-01-13 | 一种基于智能物联网的船舶润滑油检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110040436.3A CN112858642A (zh) | 2021-01-13 | 2021-01-13 | 一种基于智能物联网的船舶润滑油检测*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112858642A true CN112858642A (zh) | 2021-05-28 |
Family
ID=76003218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110040436.3A Pending CN112858642A (zh) | 2021-01-13 | 2021-01-13 | 一种基于智能物联网的船舶润滑油检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112858642A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114324829A (zh) * | 2021-12-31 | 2022-04-12 | 四川德胜集团钒钛有限公司 | 冶金产线润滑油管理*** |
CN114878162A (zh) * | 2022-05-18 | 2022-08-09 | 武汉科技大学 | 一种基于深度学习的船舶轴承润滑状态在线监测*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6286363B1 (en) * | 1998-04-02 | 2001-09-11 | Reliance Electric Technologies, Llc | Integrated multi-element lubrication sensor and health lubricant assessment system |
CN102707037A (zh) * | 2012-06-01 | 2012-10-03 | 广州机械科学研究院有限公司 | 柴油机润滑油在线监测*** |
CN103278431A (zh) * | 2013-04-22 | 2013-09-04 | 西安交通大学 | 一种基于视频获取的润滑油磨粒在线监测与分析方法 |
CN103837666A (zh) * | 2014-02-25 | 2014-06-04 | 天地(常州)自动化股份有限公司 | 矿用设备润滑油状态在线监测***及其监测方法 |
-
2021
- 2021-01-13 CN CN202110040436.3A patent/CN112858642A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6286363B1 (en) * | 1998-04-02 | 2001-09-11 | Reliance Electric Technologies, Llc | Integrated multi-element lubrication sensor and health lubricant assessment system |
CN102707037A (zh) * | 2012-06-01 | 2012-10-03 | 广州机械科学研究院有限公司 | 柴油机润滑油在线监测*** |
CN103278431A (zh) * | 2013-04-22 | 2013-09-04 | 西安交通大学 | 一种基于视频获取的润滑油磨粒在线监测与分析方法 |
CN103837666A (zh) * | 2014-02-25 | 2014-06-04 | 天地(常州)自动化股份有限公司 | 矿用设备润滑油状态在线监测***及其监测方法 |
Non-Patent Citations (3)
Title |
---|
孙洁等: "基于物联网和区块链技术的油品净化方案研究", 《液压与气动》 * |
李剑波等: "《大数据挖掘技术与应用》", 31 July 2018, 延边大学出版社 * |
熊健等: "《区块链技术原理及应用》", 31 December 2018, 合肥工业大学出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114324829A (zh) * | 2021-12-31 | 2022-04-12 | 四川德胜集团钒钛有限公司 | 冶金产线润滑油管理*** |
CN114878162A (zh) * | 2022-05-18 | 2022-08-09 | 武汉科技大学 | 一种基于深度学习的船舶轴承润滑状态在线监测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110441065B (zh) | 基于lstm的燃气轮机在线检测方法与装置 | |
CN114047719A (zh) | 一种农村生活污水处理设施远程监测评估***与运行方法 | |
CN108591836B (zh) | 管道泄漏的检测方法和装置 | |
CN112858642A (zh) | 一种基于智能物联网的船舶润滑油检测*** | |
CN111507611A (zh) | 一种确定窃电嫌疑用户的方法及*** | |
CN110879377B (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
KR101994465B1 (ko) | 기술 시스템, 특히 전기 에너지-발생 설비의 동작의 컴퓨터-보조 모니터링을 위한 방법 | |
CN108764473A (zh) | 一种基于相关分析的bp神经网络用水量预测方法 | |
CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
Barbieri et al. | Sensor-based degradation prediction and prognostics for remaining useful life estimation: Validation on experimental data of electric motors | |
Valentin et al. | A neural network-based software sensor for coagulation control in a water treatment plant | |
CN113554361A (zh) | 一种综合能源***数据处理计算方法及处理*** | |
Zhu et al. | Short-term wind speed prediction based on FEEMD-PE-SSA-BP | |
Xu et al. | Multi-resolution LSTM-based prediction model for remaining useful life of aero-engine | |
CN117115637A (zh) | 一种基于大数据技术的水质监测预警方法及*** | |
CN115310693A (zh) | 一种综合能源数据清洗方法、***、设备和介质 | |
CN115330082A (zh) | 一种基于注意力机制的lstm网络的pm2.5浓度预测方法 | |
CN115656430A (zh) | 可实现油液参数在线监测与智能评估的新型润滑*** | |
CN109635358A (zh) | 一种基于滑动窗口多尺度主元分析的机组故障检测方法 | |
CN107622251A (zh) | 一种飞机燃油泵信号退化特征提取方法及装置 | |
CN112906793B (zh) | 一种用于桥梁健康监测***的监测数据修补方法及*** | |
Dong et al. | Fault diagnosis for hydraulic system on a modified multi-sensor information fusion method | |
CN109670243A (zh) | 一种基于勒贝格空间模型的寿命预测方法 | |
Anda et al. | A Machine Learning Model for the Development of a Digital Twin for a Control Valve for Oil and Gas Pipelines | |
Brahma | Using Long Short-Term Memory (LSTM) networks with the toy model concept for compressible pulsatile flow metering |
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: 20210528 |