CN115601327A - 主推进柴油机组的故障检测方法及*** - Google Patents

主推进柴油机组的故障检测方法及*** Download PDF

Info

Publication number
CN115601327A
CN115601327A CN202211270031.XA CN202211270031A CN115601327A CN 115601327 A CN115601327 A CN 115601327A CN 202211270031 A CN202211270031 A CN 202211270031A CN 115601327 A CN115601327 A CN 115601327A
Authority
CN
China
Prior art keywords
component
detected
working
detection image
determining
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.)
Granted
Application number
CN202211270031.XA
Other languages
English (en)
Other versions
CN115601327B (zh
Inventor
吴子俊
夏俊
佘小龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Yuyou Ship Technology Co ltd
Original Assignee
Shanghai Yuyou Ship Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Yuyou Ship Technology Co ltd filed Critical Shanghai Yuyou Ship Technology Co ltd
Priority to CN202211270031.XA priority Critical patent/CN115601327B/zh
Publication of CN115601327A publication Critical patent/CN115601327A/zh
Application granted granted Critical
Publication of CN115601327B publication Critical patent/CN115601327B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请提供的一种主推进柴油机组的故障检测方法及***，涉及计算机技术领域，应用于目标设备的柴油机组，所述方法包括：获取所述柴油机组中待检测部件的检测图像；根据所述检测图像，确定所述待检测部件的工作场景；根据所述工作场景，获取对应的故障检测模型；根据所述故障检测模型，结合所述检测图像、以及所述检测图像对应的所述工作场景，确定所述待检测部件的状态。本申请能够提升主推进柴油机组的零部件故障检测的效率和准确性。

Description

主推进柴油机组的故障检测方法及***
技术领域
本申请涉及计算机技术领域，尤其涉及一种主推进柴油机组的故障检测方法及***。
背景技术
在传统的船舶等设备中主推进柴油机组状态判断***中，通常会获取待检测部件的图像，再结合人为经验对待检测部件的状态进行判断。
然而，这种方式过于依赖检测者的经验和能力，对主推进柴油机组的故障检测效率和准确性均难以保证。因此，需提出一种主推进柴油机组的故障检测方法及***，来解决该技术问题。
发明内容
本发明实施例的目的在于提供一种主推进柴油机组的故障检测方法及***，本申请实施例能够显著地提升柴油机组状态检测的准确性和效率。具体技术方案如下：
在本发明实施例的第一方面，提供一种主推进柴油机组的故障检测方法，应用于目标设备的柴油机组，所述方法包括：
获取所述柴油机组中待检测部件的检测图像；
根据所述检测图像，确定所述待检测部件的工作场景；
根据所述工作场景，获取对应的故障检测模型；
根据所述故障检测模型，结合所述检测图像、以及所述检测图像对应的所述工作场景，确定所述待检测部件的状态。
可选地，所述工作场景包括常用场景、备用场景和应急场景。
可选地，根据所述检测图像，确定所述待检测部件的工作场景，包括：
对所述检测图像进行去干扰处理，得到中间检测图像；
识别所述中间检测图像中的所述部件因子和环境因子；
根据所述部件因子和所述环境因子，确定所述工作场景。
可选地，所述根据所述部件因子和所述环境因子，确定所述工作场景，包括：
将所述部件因子与所述环境因子进行特征融合，得到融合特征；
将所述融合特征输入至工作场景检测模型，输出目标值；
根据所述目标值与所述工作场景的映射关系，确定所述目标值对应的工作场景。
可选地，所述根据所述故障检测模型，结合所述检测图像、以及所述检测图像对应的所述工作场景，确定所述待检测部件的状态，包括：
根据所述检测图像，获取所述待检测部件的当前工作值和第一分析结果；
根据所述当前工作场景，确定第二分析结果；
对所述第一分析结果和所述第二分析结果进行处理，确定所述待检测部件的状态。
可选地，所述根据所述当前工作场景，获取第二分析结果，包括：
根据所述工作场景，获取所述待检测部件的标准工作值；
将所述当前工作值和所述标准工作值进行比较，得到所述第二分析结果。
可选地，所述方法还包括：
若所述待检测部件的状态为异常，则获取所述当前工作值的校正值；
将所述当前工作值替换为所述校正值，校正所述待检测部件的故障。
在本发明实施例的又一方面，提供一种主推进柴油机组的故障检测***，应用于目标设备的柴油机组，所述***包括：
检测图像获取模块，用于获取所述柴油机组中待检测部件的检测图像；
工作场景确定模块，用于根据所述检测图像，确定所述待检测部件的工作场景；
模型获取模块，用于根据所述工作场景，获取对应的故障检测模型；
状态检测模块，用于根据所述故障检测模型，结合所述检测图像、以及所述检测图像对应的所述工作场景，确定所述待检测部件的状态。
在本发明实施例的又一方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如上所述方法的步骤。
在本发明实施例的又一方面，提供一种计算机设备，包括处理器、存储器和存储于所述存储器上的计算机程序，所述处理器执行所述计算机程序时实现如上所述方法的步骤。
由上可知，本申请实施例能够通过待检测部件的检测图像，确定待检测部件的工作场景，并根据工作场景确定对应的故障检测模型，以实现根据适配的故障监测结合待检测部件的图像和工作场景，来准确、高效地检测出待检测部件的状态，从而能够显著地提升对主推进柴油机组进行状态检测的效率和准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的主推进柴油机组的故障检测***的应用场景示意图；
图2是本申请实施例提供的主推进柴油机组的故障检测方法的流程示意图；
图3是本申请实施例提供的主推进柴油机组的故障检测***的结构示意图；
图4是本申请实施例提供的计算机设备的内部结构图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“***”、“***”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的***所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本申请的一些实施例所示的与船舶相关联(图1以船舶柴油机组为例)的示例性主推进柴油机组的故障检测***100的示意图。在一些实施例中，主推进柴油机组的故障检测***100可包括服务器110、网络120、船舶130和存储器140。
在一些实施例中，服务器110可以是单个服务器，也可以是服务器组。所述服务器组可以是集中式的，也可以是分布式的(例如，服务器110可以是分布式的***)。在一些实施例中，服务器110可以是本地的，也可以是远程的。例如，服务器110可以经由网络120访问存储在船舶130和/或存储器140中的信息和/或数据。又例如，服务器110可以直接连接到船舶130和/或存储器140以访问存储信息和/或数据。在一些实施例中，服务器110可以在云平台或船载计算机上实现。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。在一些实施例中，服务器110可以在本申请中的图2描述的包含了一个或以上组件的计算设备200上执行。
在一些实施例中，服务器110可以包括处理引擎112。处理引擎112可以处理与船舶130的行驶信息相关联的信息和/或数据，以执行本申请中描述的一个或以上功能。例如，处理引擎112可以获得船舶130的行驶信息并且基于行驶信息确定可以用于控制船舶130的控制参数。在一些实施例中，所述处理引擎112可包括一个或以上处理引擎(例如，单芯片处理引擎或多芯片处理引擎)。仅作为范例，处理引擎112可以包括中央处理单元(centralprocessing unit，CPU)、专用集成电路(application-specific integratedcircuit，ASIC)、专用指令集处理器(application-specific instruction-set processo，ASIP)、图形处理单元(graphics processing unit，GPU)、物理运算处理器(physicsprocessingunit，PPU)、数字信号处理器(digital signal processor，DSP)、现场可编程门阵列(fieldprogrammable gate array，FPGA)、可编程逻辑设备(programmable logicdevice，PLD)、控制器、微控制器单元、精简指令集计算机(reduced instruction-setcomputer，RISC)、微处理器等或其任意组合。
在一些实施例中，服务器110可以连接到网络120以与主推进柴油机组的故障检测***100的一个或以上组件(例如，船舶130和存储器140)通信。在一些实施例中，服务器110可以直接连接到主推进柴油机组的故障检测***100(例如，船舶130和存储器140)中的一个或以上组件或与之通信。在一些实施例中，服务器110可以集成在船舶130中。
网络120可以促进信息和/或数据的交换。在一些实施例中，主推进柴油机组的故障检测***100中的一个或以上组件(例如，服务器110、船舶130或存储器140)可以经由网络120将信息和/或数据发送到主推进柴油机组的故障检测***100中的其他组件。例如，服务器110可以经由网络120获得/获取船舶130的行驶信息。在一些实施例中，网络120可以为任意形式的有线或无线网络，或其任意组合。仅作为示例，网络120可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络(local area network，LAN)、广域网络(wide area network，WAN)、无线局域网络(wireless local area network，WLAN)、城域网(metropolitan areanetwork，MAN)、公共开关电话网络(public telephoneswitched network，PSTN)、蓝牙网络、紫蜂网络、近场通信(near field communication，NFC)网络等或上述举例的任意组合。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括有线或无线网络接入点，通过该接入点，主推进柴油机组的故障检测***100的一个或以上组件可以连接到网络120以交换数据和/或信息。
船舶130可包括传统船舶的结构，例如底盘、悬架、方向盘、传动系部件、发动机等。船舶130还可包括至少两个传感器(例如，距离传感器131、速度传感器132、位置传感器133等)、制动设备134、加速器(未示出)等。在一些实施例中，所述至少两个传感器可以检测船舶130的行驶信息。例如，位置传感器133可以周期性地(例如，每20ms)检测船舶130的当前位置。又例如，距离传感器131可以检测船舶130的当前位置与限定位置(例如，目的地150)之间的距离。作为另一示例，距离传感器131可以检测船舶130的当前位置与附近的其他船舶之间的距离。作为又一示例，速度传感器132可以检测船舶130的瞬时速度。
在一些实施例中，距离传感器131可包括雷达、激光雷达、红外传感器等，或其组合。速度传感器132可包括霍尔传感器。在一些实施例中，所述至少两个传感器还可包括加速度传感器(例如，加速度计)、转向角传感器(例如，倾斜传感器)、牵引相关传感器(例如，力传感器)，和/或任何被配置用于检测与船舶130的动态情况相关联的信息的传感器。
制动设备134可以被配置用于控制船舶130的制动过程。例如，制动设备134可以基于包括从处理引擎112获得的目标加速度的指令来调整船舶的实际加速度。加速器可以被配置用于控制船舶130的加速过程。
存储器140可以存储数据和/或指令。在一些实施例中，存储器140可以存储从船舶130获得的数据，例如由所述至少两个传感器获取的行驶信息。在一些实施例中，存储器140可以存储服务器110用来执行或使用来完成本申请中描述的示例性方法的数据和/或指令。在一些实施例中，存储器140可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(read-only memory，ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取存储器(random access memory，RAM)。示例性RAM可包括动态随机存取存储器(dynamic RAM，DRAM)、双倍数据速率同步动态随机存取存储器(double date rate synchronous dynamic RAM，DDR SDRAM)、静态随机存取存储器(static RAM，SRAM)、晶闸管随机存取存储器(thyrisor RAM，T-RAM)和零电容随机存取存储器(zero-capacitor RAM，Z-RAM)等。示例性只读存储器可以包括掩模只读存储器(mask ROM，MROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(programmable ROM，PEROM)、电可擦除可编程只读存储器(erasableprogrammableROM，EEPROM)、光盘只读存储器(compact disk ROM，CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中，所述存储器140可在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中，存储器140可以连接到网络120以与主推进柴油机组的故障检测***100的一个或以上组件(例如，服务器110和船舶130)通信。主推进柴油机组的故障检测***100中的一个或以上组件可以经由网络120访问存储在存储器140中的数据或指令。在一些实施例中，存储器140可以直接连接到主推进柴油机组的故障检测***100(例如，服务器110和船舶130)中的一个或以上组件或与之通信。在一些实施例中，存储器140可以是服务器110的一部分。
图2示出了本申请实施例提供的一种主推进柴油机组的故障检测方法及***的流程示意图，如图2所示，一种主推进柴油机组的故障检测方法及***包括如下步骤：
步骤201、获取所述柴油机组中待检测部件的检测图像。
其中，检测图像可以是包括待检测部件的图像，可以通过摄像机、相机等图像采集设备得到。
步骤202、根据所述检测图像，确定所述待检测部件的工作场景。
其中，工作场景可以包括常用场景、备用场景和应急场景。
其中，常用场景是指搭载主推进柴油机组的目标设备(例如，船舶、船舶等)在正常工况下使用柴油机组的场景。备用场景是指目标设备在限制工况下使用柴油机组的场景，例如限电、限制功率等场景。应急场景是指目标设备在故障工况下使用柴油机组的场景。
可选地，步骤202还可以包括以下步骤：
对所述检测图像进行去干扰处理，得到中间检测图像；
识别所述中间检测图像中的所述部件因子和环境因子；
根据所述部件因子和所述环境因子，确定所述工作场景。
在一些实施例中，去干扰处理可以包括除去检测图像中的亮度干扰。具体地，可以通过以下计算方式实现：
Figure BDA0003894749810000091
其中，检测图像像素大小为P*Q，假设P＞Q，Xi为第i个像素点的像素值(i∈[0，P*Q])，P和Q为图像的宽、高，
Figure BDA0003894749810000092
为每张检测图像中像素的平均值，α为校正因子，A为校正值。
进一步地，再将每个像素点的像素值均减去
Figure BDA0003894749810000093
以实现检测图像的去平均处理的方式，来去除检测图像中的亮度干扰。可以理解，公式(1)的作用在于求取检测图像整体像素的平均值，但是仅求取平均值直接做去平均化处理的操作，可能无法保证得到中间检测图像的准确性，因此可以进一步地引入预设的校正值，并定义校正因子α的值作为校正值A的比例，对像素平均值做出校正，或理解为对像素平均值做出微调，以进一步地保证去干扰结果的准确性。
可选地，步骤“根据所述部件因子和所述环境因子，确定所述工作场景”，包括：
将所述部件因子与所述环境因子进行特征融合，得到融合特征；
将所述融合特征输入至工作场景检测模型，输出目标值；
根据所述目标值与所述工作场景的映射关系，确定所述目标值对应的工作场景。
具体地，部件因子的特征可以是检测图像中显示待检测部件本身的像素，环境因子的特征可以是检测图像中除部件因子以外的像素。在计算时，可以将两个特征进行融合得到融合特征输入至工作场景检测模型，工作场景检测模型可以是常用的神经网络模型，例如RNN、CNN、DNN等。在经过模型内部的函数计算映射为目标之后，通过目标值的映射关系，确定目标值处于哪个工作场景对应的值的范围。例如，目标值为10，常用场景对应值的范围是1～20，则目标值落入该范围，确定待检测部件的工作场景为常用场景。
可选地，环境因子的计算函数可以表示为：
Figure BDA0003894749810000101
其中，T1和T2分别为待检测部件不同的工作时长，r1和r2分别为T1、T2对应工作数据的量化值，c为r1和r2获取准确性的平均置信度，y是自由度为[r1,r2,(1-c)]时的分布函数。
可以理解，通过E和工作场景检测模型中的激活函数，可以准确地映射出环境因子和部件因子融合后的特征值，即目标值，来准确地计算出待检测部件对应的工作场景。
步骤203、根据所述工作场景，获取对应的故障检测模型；
可以理解，在本申请中，可以分别根据常用场景、备用场景和应急场景对应三种不同检测功能的故障检测模型，不同类型的故障检测模型可以对应不同的计算函数、结构、卷积层数量等，以实现对不同工作场景下的待检测部件的状态做出准确判断。
步骤204、根据所述故障检测模型，结合所述检测图像、以及所述检测图像对应的所述工作场景，确定所述待检测部件的状态。
可选地，步骤204还可以包括以下步骤：
根据所述检测图像，获取所述待检测部件的当前工作值和第一分析结果；
根据所述当前工作场景，确定第二分析结果；
对所述第一分析结果和所述第二分析结果进行处理，确定所述待检测部件的状态。
可选地，步骤“根据所述当前工作场景，获取第二分析结果”，可以包括：
根据所述工作场景，获取所述待检测部件的标准工作值；
将所述当前工作值和所述标准工作值进行比较，得到所述第二分析结果。
其中，待检测部件的工作值可以是与待检测部件运转时相关的工作数据。例如，假设待检测部件为主推进柴油机组中的柴油发动机，则工作值可以是曲轴安装角度、连杆温度、冷却***喷水量等工作数据所对应的值。在获取待检测图像时，可以根据待检测图像的获取时间，从服务器或数据库中直接读取待检测部件的当前或历史工作数据。
其中，第一分析结果是指故障检测模型，通过图像识别技术，直接对待检测部件的表面进行识别，用于表征待检测部件在外观是否可以看出存在一定故障或故障风险。
具体地，对于第二分析结果的计算过程，可以将待检测部件的当前工作值与标准工作值进行比较。可以理解，在不同工作场景下，对于待检测部件的工作值有不同的标准，故障检测模型可以根据不同工作场景，以不同的预设阈值对当前工作值与标准工作值的比较结果做出判断。例如，当前工作值为1、标准工作值为2，两者之间的差值为1，再判断差值1是否超过预设阈值，如果超过，则模型判定待检测部件发生故障。
进一步地，结合第一分析结果和第二分析结果，最终确定待检测部件是否发生故障，以及根据检测图像锁定故障位置、时间和原因。例如第一分析结果和第二分析结果所映射的值分别为3和4，和值为7，模型还可以根据预先设置的另一个预设阈值，例如将两者和值大于5判定为待检测部件发生故障，不大于5判定为无故障。
可选地，本申请实施例的方法还可以包括：
若所述待检测部件的状态为异常，则获取所述当前工作值的校正值；
将所述当前工作值替换为所述校正值，校正所述待检测部件的故障。
在一些实施例中，当前工作值的校正值可以表示为：
Figure BDA0003894749810000121
其中，公式(3)中的m为第m个工作数据，Xm为当前工作值的校正值，β为辅助校正因子，B为辅助校正值。
可以理解，可以将待检测部件在异常状态对应的当前工作值，替换为无异常状态下的前后相邻时刻的同类数据，并且可以依赖同类型预设的辅助校正因子和辅助校正值对校正值Xm做出二次校正，以保证替换结果的准确性。
由上可知，本申请实施例能够通过待检测部件的检测图像，确定待检测部件的工作场景，并根据工作场景确定对应的故障检测模型，以实现根据适配的故障监测结合待检测部件的图像和工作场景，来准确、高效地检测出待检测部件的状态，从而能够显著地提升对主推进柴油机组进行状态检测的效率和准确性。
为实现上述方法类实施例，本申请实施例还提供一种主推进柴油机组的故障检测***，图3示出了本申请实施例提供的一种主推进柴油机组的故障检测***的结构示意图，应用于目标设备的柴油机组，所述***包括：
检测图像获取模块301，用于获取所述柴油机组中待检测部件的检测图像；
工作场景确定模块302，用于根据所述检测图像，确定所述待检测部件的工作场景；
模型获取模块303，用于根据所述工作场景，获取对应的故障检测模型；
状态检测模块304，用于根据所述故障检测模型，结合所述检测图像、以及所述检测图像对应的所述工作场景，确定所述待检测部件的状态。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述***中模块/单元/子单元/组件的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
由上可知，本申请实施例在对柴油机组状态进行检测时，能够对柴油机组各子设备传感器数据，进行数据清理和补全，以避免因某个点位的传感器故障或数据丢失造成状态误判，且在检测过程中还能够计算出各子设备采集数据之间的相互影响，从而对某个子设备和柴油机组整体设备的状态趋势做出预判，从而能够极大地提升对柴油机组状态检测的效率和效果。
在一些实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储图像采集设备的相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种主推进柴油机组的故障检测方法及***。
在一些实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入***。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现主推进柴油机组的故障检测方法及***。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入***可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4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计算机设备的限定，具体的计算机设备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。
在一些实施例中，还提供了一种计算机设备，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上述各方法实施例中的步骤。
在一些实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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，所述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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)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。
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。
综上所述，本申请提供的一种主推进柴油机组的故障检测方法，应用于目标设备的柴油机组，所述方法包括：
获取所述柴油机组中待检测部件的检测图像；
根据所述检测图像，确定所述待检测部件的工作场景；
根据所述工作场景，获取对应的故障检测模型；
根据所述故障检测模型，结合所述检测图像、以及所述检测图像对应的所述工作场景，确定所述待检测部件的状态。
在本申请所提供的实施例中，应该理解到，所揭露***和方法，可以通过其它的方式实现。以上所描述的***实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，***或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种主推进柴油机组的故障检测方法，其特征在于，应用于目标设备的柴油机组，所述方法包括：
获取所述柴油机组中待检测部件的检测图像；
根据所述检测图像，确定所述待检测部件的工作场景；
根据所述工作场景，获取对应的故障检测模型；
根据所述故障检测模型，结合所述检测图像、以及所述检测图像对应的所述工作场景，确定所述待检测部件的状态。
2.根据权利要求1所述的主推进柴油机组的故障检测方法，其特征在于，所述工作场景包括常用场景、备用场景和应急场景。
3.根据权利要求2所述的主推进柴油机组的故障检测方法，其特征在于，根据所述检测图像，确定所述待检测部件的工作场景，包括：
对所述检测图像进行去干扰处理，得到中间检测图像；
识别所述中间检测图像中的所述部件因子和环境因子；
根据所述部件因子和所述环境因子，确定所述工作场景。
4.根据权利要求3所述的主推进柴油机组的故障检测方法，其特征在于，所述根据所述部件因子和所述环境因子，确定所述工作场景，包括：
将所述部件因子与所述环境因子进行特征融合，得到融合特征；
将所述融合特征输入至工作场景检测模型，输出目标值；
根据所述目标值与所述工作场景的映射关系，确定所述目标值对应的工作场景。
5.根据权利要求1所述的主推进柴油机组的故障检测方法，其特征在于，所述根据所述故障检测模型，结合所述检测图像、以及所述检测图像对应的所述工作场景，确定所述待检测部件的状态，包括：
根据所述检测图像，获取所述待检测部件的当前工作值和第一分析结果；
根据所述当前工作场景，确定第二分析结果；
对所述第一分析结果和所述第二分析结果进行处理，确定所述待检测部件的状态。
6.根据权利要求5所述的主推进柴油机组的故障检测方法，其特征在于，所述根据所述当前工作场景，获取第二分析结果，包括：
根据所述工作场景，获取所述待检测部件的标准工作值；
将所述当前工作值和所述标准工作值进行比较，得到所述第二分析结果。
7.根据权利要求1-6中任一项所述的主推进柴油机组的故障检测方法，其特征在于，所述方法还包括：
若所述待检测部件的状态为异常，则获取所述当前工作值的校正值；
将所述当前工作值替换为所述校正值，校正所述待检测部件的故障。
8.一种主推进柴油机组的故障检测***，其特征在于，应用于目标设备的柴油机组，所述***包括：
检测图像获取模块，用于获取所述柴油机组中待检测部件的检测图像；
工作场景确定模块，用于根据所述检测图像，确定所述待检测部件的工作场景；
模型获取模块，用于根据所述工作场景，获取对应的故障检测模型；
状态检测模块，用于根据所述故障检测模型，结合所述检测图像、以及所述检测图像对应的所述工作场景，确定所述待检测部件的状态。
9.一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，所述计算机程序被执行时实现如权利要求1～7中任意一项所述方法的步骤。
10.一种计算机设备，包括处理器、存储器和存储于所述存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1～7中任意一项所述方法的步骤。
CN202211270031.XA 2022-10-18 2022-10-18 主推进柴油机组的故障检测方法及*** Active CN115601327B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211270031.XA CN115601327B (zh) 2022-10-18 2022-10-18 主推进柴油机组的故障检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211270031.XA CN115601327B (zh) 2022-10-18 2022-10-18 主推进柴油机组的故障检测方法及***

Publications (2)

Publication Number Publication Date
CN115601327A true CN115601327A (zh) 2023-01-13
CN115601327B CN115601327B (zh) 2023-10-10

Family

ID=84846892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211270031.XA Active CN115601327B (zh) 2022-10-18 2022-10-18 主推进柴油机组的故障检测方法及***

Country Status (1)

Country Link
CN (1) CN115601327B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116659875A (zh) * 2023-04-19 2023-08-29 上海宇佑船舶科技有限公司 基于前馈神经网络的柴油机组检测方法和***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110471376A (zh) * 2019-07-10 2019-11-19 深圳市乾行达科技有限公司 一种工业现场故障检测方法及设备
US20220076006A1 (en) * 2019-09-16 2022-03-10 Shenzhen Sensetime Technology Co., Ltd. Method and device for image processing, electronic device and storage medium

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110471376A (zh) * 2019-07-10 2019-11-19 深圳市乾行达科技有限公司 一种工业现场故障检测方法及设备
US20220076006A1 (en) * 2019-09-16 2022-03-10 Shenzhen Sensetime Technology Co., Ltd. Method and device for image processing, electronic device and storage medium

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
尚前明等: "基于RP-CNN的柴油机故障识别", 船舶工程, vol. 44, no. 6, pages 90 - 94 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116659875A (zh) * 2023-04-19 2023-08-29 上海宇佑船舶科技有限公司 基于前馈神经网络的柴油机组检测方法和***

Also Published As

Publication number Publication date
CN115601327B (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
WO2018235300A1 (ja) 物体検知装置、物体検知方法、及びコンピュータ読み取り可能な記録媒体
CN115270993B (zh) 柴油机组状态检测方法及***
CN110197180B (zh) 字符缺陷检测方法、装置及设备
CN115601327B (zh) 主推进柴油机组的故障检测方法及***
CN113808098A (zh) 道路病害识别方法、装置、电子设备及可读存储介质
CN112580600A (zh) 粉尘浓度检测方法、装置、计算机设备和存储介质
CN111273701B (zh) 一种云台视觉控制***以及控制方法
CN107767366A (zh) 一种输电线路拟合方法及装置
CN116863124B (zh) 车辆姿态确定方法、控制器及存储介质
CN115563095A (zh) 基于时序序列的数据重构方法及***
CN112085787A (zh) 一种基于单目视觉的提升钢丝绳空间振动测量方法
CN111368728A (zh) 安全监测方法、装置、计算机设备和存储介质
CN115115530B (zh) 一种图像去模糊的方法、装置、终端设备及介质
CN110880003A (zh) 一种图像匹配方法、装置、存储介质及汽车
CN112947507B (zh) 无人机的维修处理方法、装置及***
US11120541B2 (en) Determination device and determining method thereof
CN116699390B (zh) 柴油机组故障检测方法和***
JP7509925B2 (ja) コンテナダメージ検出システム
CN113592889B (zh) 一种检验开口销夹角的方法、***和电子设备
TWI803333B (zh) 圖像特徵匹配方法、電腦裝置及儲存介質
CN112325882B (zh) 针对卡尔曼滤波新息卡方检测技术的保护水平计算方法
JP7515189B2 (ja) 深層人工ニューラルネットワークを用いたタイヤトレッド面摩耗判断システム及び方法
CN115546295B (zh) 目标6d姿态估计模型训练方法及目标6d姿态估计方法
CN111936942B (zh) 用于控制执行器的方法、计算机***和计算机程序
US20230386055A1 (en) Image feature matching method, computer device, and storage medium

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
GR01 Patent grant
GR01 Patent grant