CN117490338A - 基于深度学习的船舶冷却机组控制方法及*** - Google Patents
基于深度学习的船舶冷却机组控制方法及*** Download PDFInfo
- Publication number
- CN117490338A CN117490338A CN202311507188.4A CN202311507188A CN117490338A CN 117490338 A CN117490338 A CN 117490338A CN 202311507188 A CN202311507188 A CN 202311507188A CN 117490338 A CN117490338 A CN 117490338A
- Authority
- CN
- China
- Prior art keywords
- cooling
- cooling unit
- cooling medium
- ship
- state information
- 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
- 238000001816 cooling Methods 0.000 title claims abstract description 356
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims abstract description 109
- 239000002826 coolant Substances 0.000 claims abstract description 101
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 238000013210 evaluation model Methods 0.000 claims abstract description 15
- 238000005265 energy consumption Methods 0.000 claims description 72
- 230000000694 effects Effects 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000003908 quality control method Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 101100283966 Pectobacterium carotovorum subsp. carotovorum outN gene Proteins 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 23
- 238000010586 diagram Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013021 overheating Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 102220622101 Collagen alpha-1(XXII) chain_S72A_mutation Human genes 0.000 description 1
- 102220622104 Collagen alpha-1(XXII) chain_S73A_mutation Human genes 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D29/00—Arrangement or mounting of control or safety devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D2600/00—Control issues
- F25D2600/06—Controlling according to a predetermined profile
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Thermal Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及冷却机组控制的技术领域,特别是涉及一种基于深度学习的船舶冷却机组控制方法及***,其提高船舶冷却机组的效率和可靠性,减少设备过热情况,降低维护成本;所述方法包括:按照预设采集时间间隔,连续采集船舶冷却机组的工作状态信息,所述工作状态信息包括冷却机组的冷却介质输入温度、冷却介质输出温度、冷却介质压力和冷却介质流速;将采集到的工作状态信息按时间顺序排列,并且将不同时间节点采集的冷却介质输入温度、冷却介质输出温度、冷却介质压力和冷却介质流速一一对齐,获得冷却效率特征矩阵;利用预先构建的冷却效率评价模型对冷却效率特征矩阵进行特征识别,获得能够表征船舶冷却机组冷却效率的冷却效率评价参数。
Description
技术领域
本发明涉及冷却机组控制的技术领域,特别是涉及一种基于深度学习的船舶冷却机组控制方法及***。
背景技术
船舶冷却机组是一种应用在船舶、舰艇、海事等设备上的冷却***,用于冷却设备或机器部件;根据不同的冷却需求和设备类型,船舶冷却机组可以采用不同类型和规格的冷却器、冷却水管道等组件组成。
现有的船舶冷却机组控制方法大多是通过被冷却设备或机器部件的温变反馈来判断船舶冷却机组的冷却效果;当发现冷却效果不佳时,说明船舶冷却机组出现该状况已经有一段时间了,此时再对船舶冷却机组进行调节维护很有可能错过调节的最佳时间,从而造成被冷却设备或机器部件的过热危害;因此,亟需一种能够及时发现船舶冷却机组冷却效果降低的船舶冷却机组控制方法。
发明内容
为解决上述技术问题,本发明提供一种提高船舶冷却机组的效率和可靠性,减少设备过热情况,降低维护成本的基于深度学习的船舶冷却机组控制方法。
第一方面,本发明提供了基于深度学习的船舶冷却机组控制方法,所述方法包括:
按照预设采集时间间隔,连续采集船舶冷却机组的工作状态信息,所述工作状态信息包括冷却机组的冷却介质输入温度、冷却介质输出温度、冷却介质压力和冷却介质流速;
将采集到的工作状态信息按时间顺序排列,并且将不同时间节点采集的冷却介质输入温度、冷却介质输出温度、冷却介质压力和冷却介质流速一一对齐,获得冷却效率特征矩阵;
利用预先构建的冷却效率评价模型对冷却效率特征矩阵进行特征识别,获得能够表征船舶冷却机组冷却效率的冷却效率评价参数;
获取船舶冷却机组的冷却器能耗,获取所述冷却器能耗的时间窗口与所述冷却效率特征矩阵的时间窗口相同;
根据船舶冷却机组的规格信息,设定对应所述冷却效率评价参数的第一评价权重和对应所述冷却器能耗的第二评价权重;
根据第一评价权重和第二评价权重,对冷却效率评价参数和冷却器能耗进行加权计算,获得冷却机组控制指数;
将冷却机组控制指数与预设阈值进行比对:若冷却机组控制指数超过预设阈值,说明当前冷却机组的冷却效果不佳,需要进行相应的调节;若控制指数未超过预设阈值,则说明当前冷却机组的冷却效果良好,无需进行调节。
进一步地,所述冷却效率特征矩阵的数字格式为:
其中,TinN表示第N个时间节点检测到的冷却介质输入温度;ToutN表示第N个时间节点检测到的冷却介质输出温度;P1表示第N个时间节点检测到的冷却介质压力;F1表示第N个时间节点检测到的冷却介质流速。
进一步地,根据第一评价权重和第二评价权重,对冷却效率评价参数和冷却器能耗进行加权计算的计算公式如下:
K=ω1×Q+ω2×F(E);
其中,K表示冷却机组控制指数;ω1表示冷却效率评价参数对冷却机组控制指数的影响权重;ω2表示冷却器能耗对冷却机组控制指数的影响权重;Q表示冷却效率评价参数;E表示冷却器能耗;F(E)表示冷却器能耗的归一化函数。
进一步地,对于冷却机组的工作状态信息采集包括以下步骤:
在船舶冷却机组内部,布置温度传感器、压力传感器和流速传感器;
根据***需求和性能评估的要求,设定采集数据的时间间隔;
按照预设时间间隔,持续采集冷却机组的工作状态信息,包括冷却介质输入温度、冷却介质输出温度、冷却介质压力和冷却介质流速;
对采集到的数据进行实时的质量控制,排除异常值和噪声数据;
将采集到的工作状态信息按时间顺序进行记录,并存储在数据库中。
进一步地,冷却效率评价模型的构建方法包括:
获取冷却机组的工作状态信息,包括冷却介质输入温度、冷却介质输出温度、冷却介质压力和冷却介质流速;
对获取的冷却机组的工作状态信息进行预处理,包括数据清洗、去噪、插值和异常值检测;
对工作状态信息进行特征提取和分集,包括训练集和测试集;
使用机器学习算法,构建模型的架构,包括输入层、隐藏层和输出层,建立冷却效率评价模型;
使用准备好的训练集对模型进行训练;
使用准备好的测试集对模型进行评估;
将经过训练和评估的模型部署到***中,对冷却效率特征矩阵进行特征识别,获得能够表征船舶冷却机组冷却效率的冷却效率评价参数。
进一步地,冷却机组控制指数的比对和决策方法包括:
定义一个控制指数的阈值;
将计算得到的冷却机组控制指数与预设的阈值进行比对,若冷却机组控制指数超过预设阈值,说明当前冷却机组的冷却效果不佳,需要进行相应的调节;若控制指数未超过预设阈值,则说明当前冷却机组的冷却效果良好,无需进行调节;
根据比对结果,***需要采取相应的决策措施,需要调节和维护时,冷却机组控制指数超过了预设的阈值,***会触发警报,通知相关操作人员或自动化***执行适当的控制措施;无需调节时,冷却机组控制指数低于预设阈值,***维持当前运行状态,不需要采取进一步的操作。
进一步地,控制指数阈值的设定影响因素包括:
阈值根据***要求和设备的安全性来确定,不同的应用有不同的容忍度;
历史操作数据和性能基准会提供有用的信息,基于历史数据,能够确定控制指数的合理范围;
通过专业工程师和领域专家的建议能够帮助设置阈值;
通过模拟和试验,能够确定不同控制指数值与设备性能之间的关系,从而有依据地设置阈值。
另一方面,本申请还提供了基于深度学习的船舶冷却机组控制***,所述***包括:
数据采集模块,用于按照预设采集时间间隔,连续采集船舶冷却机组的工作状态信息,所述工作状态信息包括冷却机组的冷却介质输入温度、冷却介质输出温度、冷却介质压力和冷却介质流速,并发送;
数据处理模块,用于接收工作状态信息,将采集到的工作状态信息按时间顺序排列,然后将不同时间节点采集的冷却介质输入温度、冷却介质输出温度、冷却介质压力和冷却介质流速一一对齐,获得冷却效率特征矩阵,并发送;
特征识别模块,用于接收冷却效率特征矩阵,利用预先构建的冷却效率评价模型对冷却效率特征矩阵进行特征识别,获得能够表征船舶冷却机组冷却效率的冷却效率评价参数,并发送;
能耗获取模块,用于获取船舶冷却机组的冷却器能耗,使冷却器能耗的时间窗口与冷却效率特征矩阵的时间窗口相同,并发送;
权重设定模块,用于设定第一评价权重和第二评价权重,根据船舶冷却机组的规格信息,设定对应所述冷却效率评价参数的第一评价权重和对应所述冷却器能耗的第二评价权重,并发送;
指数计算模块,用于接收冷却效率评价参数、冷却器能耗、第一评价权重和第二评价权重,根据第一评价权重和第二评价权重,对冷却效率评价参数和冷却器能耗进行加权计算,得到冷却机组控制指数,并发送;
决策模块,用于接收冷却机组控制指数,将冷却机组控制指数与预设阈值进行比对,判断当前冷却机组的冷却效果;冷却机组控制指数超过预设阈值时,认定当前冷却机组的冷却效果不佳,触发相应的调节操作;冷却机组控制指数未超过预设阈值时,认定当前冷却机组的冷却效果良好,无需进行调节。
第三方面,本申请提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面,本申请还提供了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上述任意一项所述方法中的步骤。
与现有技术相比本发明的有益效果为:该方法通过连续采集工作状态信息,能够实时监测船舶冷却机组的性能,从而及时预测冷却效果的变化;相对于传统方法,该方法能够更早地发现冷却效果下降的情况,避免了错过调节最佳时机,减少了设备过热的风险;
采用深度学习模型对冷却效率特征进行识别,能够更精准地评估船舶冷却机组的性能;考虑了冷却器的能耗,使得综合评估包括了能源效率的因素,而不仅仅是冷却效率;基于深度学习和数据驱动的方法进行决策,使得***能够根据大量历史数据和模型训练做出更准确的判断;当冷却机组控制指数超过预设阈值时,***能够自动触发调节操作,降低了人工干预的需求,减少了错误可能性;通过及时维护和调节,能够减少设备过热和损坏的风险,从而降低了维护成本和停机时间;
综上所述,本方法提高船舶冷却机组的效率和可靠性,减少设备过热情况,降低维护成本。
附图说明
图1是本发明的流程图;
图2是冷却机组的工作状态信息采集方法的流程图;
图3是冷却效率评价模型的构建方法的流程图;
图4是冷却机组控制指数的比对和决策方法的流程图;
图5是基于深度学习的船舶冷却机组控制***的结构图。
具体实施方式
在本申请的描述中,所属技术领域的技术人员应当知道,本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本申请可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的***、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行***、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一
如图1至图4所示,本发明的基于深度学习的船舶冷却机组控制方法,具体包括以下步骤:
S1、按照预设采集时间间隔,连续采集船舶冷却机组的工作状态信息,所述工作状态信息包括冷却机组的冷却介质输入温度、冷却介质输出温度、冷却介质压力和冷却介质流速;
在船舶冷却机组控制领域,确保有效的数据采集是实施自动控制和故障检测的关键,在船舶冷却机组中,对于冷却机组的工作状态信息采集包括以下步骤:
S11、在船舶冷却机组内部,布置温度传感器、压力传感器和流速传感器,以实时监测冷却介质的工作状态;
S12、根据***需求和性能评估的要求,设定采集数据的时间间隔,较短的时间间隔能够提供更精细的数据,也会导致数据量过大,较长的时间间隔能够减少数据量,但也会错过一些瞬时的关键信息;
S13、按照预设时间间隔,持续采集冷却机组的工作状态信息,包括冷却介质输入温度、冷却介质输出温度、冷却介质压力和冷却介质流速;
S14、对采集到的数据进行实时的质量控制,排除异常值和噪声数据;
S15、将采集到的工作状态信息按时间顺序进行记录,并存储在数据库中,确保数据记录的完整性和可追溯性,便于后续的分析和处理。
在本步骤中,通过布置温度传感器、压力传感器和流速传感器,船舶冷却机组能够实时监测冷却介质的工作状态,使操作人员能够随时了解***的性能和健康状况;
根据***需求和性能评估的要求,采用不同的时间间隔有助于平衡数据的精细程度和数据量,较短的时间间隔提供更详细的信息,有助于捕捉***的瞬时变化,而较长的时间间隔有助于减少数据存储和处理的负担;持续采集工作状态信息使***能够实时了解冷却机组的性能,有助于及早发现潜在问题;
对采集到的数据进行实时质量控制能够排除异常值和噪声,确保数据的准确性,防止误导性的数据影响后续分析和决策;将采集到的数据按时间顺序记录并存储在数据库中,确保数据的完整性和可追溯性,以便于后续的分析、趋势分析、性能评估以及故障诊断;
综上所述,S1步骤能够持续监测冷却机组的工作状态,提供了基础数据以支持后续的冷却效率评估和自动控制,提高***的效率、降低维护成本,并确保设备运行在安全可靠的状态下。
S2、将采集到的工作状态信息按时间顺序排列,并且将不同时间节点采集的冷却介质输入温度、冷却介质输出温度、冷却介质压力和冷却介质流速一一对齐,获得冷却效率特征矩阵;
冷却效率特征矩阵获取方法包括:
S21、将不同传感器采集到的数据进行时间对齐,不同传感器的采集频率不同,需要将它们映射到相同的时间点上;
S22、对数据进行归一化处理,不同传感器具有不同的测量范围,对数据进行归一化处理,确保不同特征在输入模型时具有相似的重要性;
S23、数据包括冷却介质的输入温度、输出温度、压力和流速多个特征,将各个特征按照时间点进行排列组织成冷却效率特征矩阵;
所述冷却效率特征矩阵的数字格式为:
其中,TinN表示第N个时间节点检测到的冷却介质输入温度;ToutN表示第N个时间节点检测到的冷却介质输出温度;P1表示第N个时间节点检测到的冷却介质压力;F1表示第N个时间节点检测到的冷却介质流速;所述冷却效率特征矩阵中反映出第一组数据采集时间节点和最后一组数据采集时间节点,获得冷却效率特征矩阵的时间窗口。
在本步骤中,通过将不同传感器采集的数据进行时间对齐,确保数据在相同时间点上具有一致性,从而避免数据不匹配的问题,便于创建一致的数据集,使后续分析更容易进行,同时确保数据完整性;
对数据进行归一化处理,确保不同传感器的数据具有相似的重要性,将冷却介质的输入温度、输出温度、压力和流速等多个特征按时间点进行排列组织成冷却效率特征矩阵,为深度学习模型提供了规范的输入格式;通过按时间有序地排列特征,使得模型能够更好地理解数据的时间演化关系,从而更准确地预测或评估冷却效率;
综上所述,S2步骤为后续的建模和分析提供了清晰、一致且易于处理的数据格式,提高了对冷却***工作状态的理解和预测的准确性。
S3、利用预先构建的冷却效率评价模型对冷却效率特征矩阵进行特征识别,获得能够表征船舶冷却机组冷却效率的冷却效率评价参数;
冷却效率评价模型的构建方法包括:
S31、获取冷却机组的工作状态信息,包括冷却介质输入温度、冷却介质输出温度、冷却介质压力和冷却介质流速;
S32、对获取的冷却机组的工作状态信息进行预处理,包括数据清洗、去噪、插值和异常值检测;
S33、对工作状态信息进行特征提取和分集,包括训练集和测试集,将原始信息转化为模型能够理解的输入;
S34、使用机器学习算法,构建模型的架构,包括输入层、隐藏层和输出层,建立冷却效率评价模型;
S35、使用准备好的训练集对模型进行训练;
S36、使用准备好的测试集对模型进行评估,确保其在未见过的数据上的泛化性能;
S37、将经过训练和评估的模型部署到***中,对冷却效率特征矩阵进行特征识别,获得能够表征船舶冷却机组冷却效率的冷却效率评价参数。
在本步骤中,通过构建冷却效率评价模型,能够从工作状态信息中提取出冷却效率评价参数,这些参数能够客观、定量地描述冷却机组的性能,而不仅仅是依赖于温度变化等简单的反馈;模型能够自动对冷却机组的效率进行评估,而无需人工干预,冷却机组的性能能够随时、连续地监测,从而提前发现问题或异常;
与传统基于温度反馈的方法不同,该模型提供了更加实时的反馈,模型能够在短时间内检测到冷却效率的下降,从而减少了出现问题的延迟,有助于避免设备过热的危险情况;
综上所述,本步骤提供了一种自动化、实时的冷却机组效率评估和控制方法,能够及时发现问题、提高***性能,并降低潜在风险。
S4、获取船舶冷却机组的冷却器能耗,获取所述冷却器能耗的时间窗口与所述冷却效率特征矩阵的时间窗口相同;
船舶冷却机组的冷却器能耗获取方法包括:
A、使用电力测量设备,包括功率计和电流传感器,来监测冷却器的电能消耗,本方法适用于电动冷却器,通过监测电能的使用来推断冷却器的能耗情况;
B、使用流量计来测量冷却介质的流量,并使用温度传感器来测量入口和出口的温度,通过这些数据,计算出冷却介质在冷却器中的热负荷,从而估算冷却器的能耗;
C、船舶冷却***配备了数据记录功能,能够记录冷却介质的流量和温度数据,通过这些数据可以计算冷却器的能耗;
D、通过各种传感器来监测***的能耗;
对获取的冷却器能耗数据进行数据清洗和处理,以去除异常值、填充缺失数据,确保数据的准确性和可靠性;
冷却效率特征矩阵中反映出第一组数据采集时间节点和最后一组数据采集时间节点,获得冷却效率特征矩阵的时间窗口,使冷却器能耗的时间窗口与冷却效率特征矩阵的时间窗口保持一致,将同一时间窗口内的冷却器能耗数据与冷却效率特征矩阵进行整合,使这两个数据集的时间戳对齐。
在本步骤中,通过获取冷却器的能耗数据,能够获得对冷却***性能的全面评估,确保冷却器能耗数据的时间窗口与冷却效率特征矩阵的时间窗口相匹配,有助于将两个数据集的时间戳对齐,在分析两个数据集时,保证数据在相同时间点上是一致的,从而可以更准确地进行关联性分析和控制指数的计算;
通过获取能耗数据,能够更早地发现冷却***的性能下降,从而能够提前采取维护措施,进而减少设备故障的风险,降低维修成本,提高***可靠性;
综上所述,S4步骤能够全面评估冷却机组性能、提前发现问题、提高***可靠性,并支持更有效的控制策略制定。
S5、根据船舶冷却机组的规格信息,设定对应所述冷却效率评价参数的第一评价权重和对应所述冷却器能耗的第二评价权重;
第一评价权重和第二评价权重的设定影响因素包括:
A、不同类型的冷却机组对权重设置影响较大,机组类型包括蒸发式、空气冷却和水冷却;
B、冷却器规格是权重设定的影响因素,冷却器规格信息包括冷却器的大小、材料、设计和性能;
C、冷却机组使用的冷却介质类型也会对冷却效果产生影响,不同介质的热容和传热特性不同,需要根据介质的特性来设置权重;
D、船舶和舰艇上使用冷却机组的具体应用和需求会有所不同,船舶的冷却需求是权重设定的重要考虑因素;
E、维护成本和能耗成本也是权重设定的重要考虑因素,如果在具体的应用中成本是关键因素,那么需要分配更多的权重给能耗参数,以便更好地控制和降低成本;
在本步骤中,通过在冷却效率和冷却器能耗评价参数中设定权重,能够根据具体情况和需求来个性化地定制船舶冷却机组的控制方法,使方法可以灵活适应不同类型的机组、不同规格的冷却器、不同介质和特定的船舶需求;
通过分配权重,强调对冷却效率和能耗的不同侧重,能够优化冷却机组的性能,以满足船舶的实际要求;通过权重设置,能够更好地控制和降低维护成本和能耗成本;通过权重设置,使本方法具有适应未来需求的能力,未来的法规或船舶运营标准发生变化时,能够通过重新设置权重来重新调整控制方法,以满足新的要求;
综上所述,本步骤通过权重设置来综合考虑多个因素,从而提高冷却机组的性能、降低成本,并保持灵活性以适应不断变化的需求。便于优化船舶冷却***的效能和可持续性。
S6、根据第一评价权重和第二评价权重,对冷却效率评价参数和冷却器能耗进行加权计算,获得冷却机组控制指数;
在S6步骤中,计算冷却机组的控制指数,该指数根据第一评价权重和第二评价权重对冷却效率评价参数和冷却器能耗进行加权计算。这个控制指数用于判断当前冷却机组的性能状态;以下是计算控制指数的方法,包括:
S61、获取第一评价权重和第二评价权重,权重是根据船舶冷却机组的规格信息和控制需求事先设定的,它们反映了在整体性能评估中冷却效率评价参数和冷却器能耗的相对重要性;
S62、获取冷却效率评价参数,该参数是通过特征识别模型从冷却效率特征矩阵中获得,用于反映冷却机组的冷却效率,包括冷却介质的温度差、流速、压力参数;
S63、获取冷却器能耗,冷却器能耗是冷却机组在某个时间窗口内所消耗的能量,以能耗单位表示,能耗是电力、燃料等形式的能耗,根据不同的机组和设备类型而异;
S64、综合考虑冷却效率和能耗两个方面的因素,以获得一个单一的控制指数,对冷却效率评价参数和冷却器能耗进行加权计算的计算公式如下:
K=ω1×Q+ω2×F(E);
其中,K表示冷却机组控制指数;ω1表示冷却效率评价参数对冷却机组控制指数的影响权重;ω2表示冷却器能耗对冷却机组控制指数的影响权重;Q表示冷却效率评价参数;E表示冷却器能耗;F(E)表示冷却器能耗的归一化函数。
在本步骤中,通过综合考虑冷却效率和能耗两个关键因素,提供了对船舶冷却机组性能的全面评估,综合指数能够更全面地反映冷却机组的工作状态;第一评价权重和第二评价权重的引入使得在评估过程中可以根据实际需求权衡不同因素的重要性,在不同的应用场景下,可以根据需求调整权重,使得控制指数更符合实际需求;
该方法可以根据预设的时间窗口实时地计算控制指数,因此能够迅速响应冷却机组性能的变化,同时由于权重可以根据需要进行调整,***具备一定的灵活性,适应不同条件下的性能评估需求;通过持续监测和计算控制指数,***能够及时发现冷却机组性能下降的迹象,该预测性的维护方法有助于提前发现潜在问题,减少设备损坏和停机时间,提高了***的可靠性和稳定性;
综上所述,S6步骤能够帮助船舶设备的维护和管理人员及时发现问题并采取措施,保障了设备的安全稳定运行。
S7、将冷却机组控制指数与预设阈值进行比对:若冷却机组控制指数超过预设阈值,说明当前冷却机组的冷却效果不佳,需要进行相应的调节;若控制指数未超过预设阈值,则说明当前冷却机组的冷却效果良好,无需进行调节;
冷却机组控制指数的比对和决策方法包括:
S71、定义一个控制指数的阈值,阈值用于判断冷却机组的性能是否达到预期水平;
S72、将计算得到的冷却机组控制指数与预设的阈值进行比对,比对方法包括:
S72A、若冷却机组控制指数大于等于预设阈值,这表明冷却机组的性能降低,其冷却效果不佳,或者已接近不佳状态的临界点;
S72B、若冷却机组控制指数低于预设阈值,说明当前冷却机组的性能状态在可接受范围内,冷却效果良好,无需调整;
S73、决策制定:根据比对结果,***需要采取相应的决策措施,包括:
S73A、需要调节和维护时,如果冷却机组控制指数超过了预设的阈值,***会触发警报,通知相关操作人员或自动化***执行适当的控制措施;
S73B、无需调节时,如果冷却机组控制指数低于预设阈值,***维持当前运行状态,不需要采取进一步的操作;
S74、周期性的执行本步骤,以确保冷却机组的性能得到持续监测和控制;
更为具体的,阈值的设定影响因素包括:
a、阈值应根据***要求和设备的安全性来确定,不同的应用有不同的容忍度,如果过热会对设备造成不可逆损害,阈值会更为严格;
b、以往的操作数据和性能基准会提供有用的信息,基于过去的数据,能够确定控制指数的合理范围;
c、专业工程师和领域专家的建议可以帮助设置阈值;
d、通过模拟和试验,能够确定不同控制指数值与设备性能之间的关系,从而有依据地设置阈值。
在本步骤中,通过将冷却机组控制指数与预设阈值进行比对,***能够实时监测冷却机组的性能状态,能够迅速发现性能下降或潜在问题,从而减少设备受损的风险,提高***的可靠性;通过监测冷却器能耗和控制指数,***能够在需要的时候进行调整,以降低能源消耗,提高能效,减少能源浪费;
当性能下降时,***会触发警报,通知操作人员或自动化***执行相应的维护措施,提高维护的精确性和效率,确保维护工作在最佳时机进行,减少不必要的维护成本;***能够根据设备和应用的具体需求进行调整,而不是依赖固定的时间表,意味着维护和调整更加智能化,适应性更强,减少了不必要的停机时间;
阈值的设定基于多种因素,包括安全性、历史数据、专家建议和模拟结果,使决策更加科学和可信;
综上所述,S7步骤能够确保船舶冷却机组在各种工作条件下稳定运行,并减少不必要的损害和维护成本。
实施例二
如图5所示,本发明的基于深度学习的船舶冷却机组控制***,具体包括以下模块;
数据采集模块,用于按照预设采集时间间隔,连续采集船舶冷却机组的工作状态信息,所述工作状态信息包括冷却机组的冷却介质输入温度、冷却介质输出温度、冷却介质压力和冷却介质流速,并发送;
数据处理模块,用于接收工作状态信息,将采集到的工作状态信息按时间顺序排列,然后将不同时间节点采集的冷却介质输入温度、冷却介质输出温度、冷却介质压力和冷却介质流速一一对齐,获得冷却效率特征矩阵,并发送;
特征识别模块,用于接收冷却效率特征矩阵,利用预先构建的冷却效率评价模型对冷却效率特征矩阵进行特征识别,获得能够表征船舶冷却机组冷却效率的冷却效率评价参数,并发送;
能耗获取模块,用于获取船舶冷却机组的冷却器能耗,使冷却器能耗的时间窗口与冷却效率特征矩阵的时间窗口相同,并发送;
权重设定模块,用于设定第一评价权重和第二评价权重,根据船舶冷却机组的规格信息,设定对应所述冷却效率评价参数的第一评价权重和对应所述冷却器能耗的第二评价权重,并发送;
指数计算模块,用于接收冷却效率评价参数、冷却器能耗、第一评价权重和第二评价权重,根据第一评价权重和第二评价权重,对冷却效率评价参数和冷却器能耗进行加权计算,得到冷却机组控制指数,并发送;
决策模块,用于接收冷却机组控制指数,将冷却机组控制指数与预设阈值进行比对,判断当前冷却机组的冷却效果;冷却机组控制指数超过预设阈值时,认定当前冷却机组的冷却效果不佳,触发相应的调节操作;冷却机组控制指数未超过预设阈值时,认定当前冷却机组的冷却效果良好,无需进行调节。
该***能够连续采集和分析冷却机组的工作状态信息,包括输入温度、输出温度、压力和流速,实时监测冷却效果,而不仅仅依赖于温度反馈;通过深度学习模型和特征识别,***能够及时检测到冷却效果下降的迹象,而不必等到设备过热或出现明显问题才采取行动;
当冷却机组的控制指数超过预设阈值时,***能够自动触发调节操作,从而降低了人工干预的需求,减少了错误的可能性;***允许设定第一评价权重和第二评价权重,根据船舶冷却机组的规格信息,***能够根据不同设备和需求进行个性化的设置,提高了适用性;***基于深度学习和数据驱动的方法进行决策,使***能够根据大量的历史数据和模型训练来做出更准确的判断,而不仅仅依赖于规则或阈值;通过及时维护和调节,***有助于减少设备过热和损坏的风险,从而降低了维护成本和停机时间;***是一个持续监测和控制***,定期执行,这有助于不断优化冷却机组的性能,适应不断变化的工作条件和需求;
综上所述,该***有助于提高船舶冷却机组的效率和可靠性,减少设备过热情况,降低维护成本。
前述实施例一中的基于深度学习的船舶冷却机组控制方法的各种变化方式和具体实施例同样适用于本实施例的基于深度学习的船舶冷却机组控制***,通过前述对基于深度学习的船舶冷却机组控制方法的详细描述,本领域技术人员可以清楚的知道本实施例中基于深度学习的船舶冷却机组控制***的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (10)
1.一种基于深度学习的船舶冷却机组控制方法,其特征在于,所述方法包括:
按照预设采集时间间隔,连续采集船舶冷却机组的工作状态信息,所述工作状态信息包括冷却机组的冷却介质输入温度、冷却介质输出温度、冷却介质压力和冷却介质流速;
将采集到的工作状态信息按时间顺序排列,并且将不同时间节点采集的冷却介质输入温度、冷却介质输出温度、冷却介质压力和冷却介质流速一一对齐,获得冷却效率特征矩阵;
利用预先构建的冷却效率评价模型对冷却效率特征矩阵进行特征识别,获得能够表征船舶冷却机组冷却效率的冷却效率评价参数;
获取船舶冷却机组的冷却器能耗,获取所述冷却器能耗的时间窗口与所述冷却效率特征矩阵的时间窗口相同;
根据船舶冷却机组的规格信息,设定对应所述冷却效率评价参数的第一评价权重和对应所述冷却器能耗的第二评价权重;
根据第一评价权重和第二评价权重,对冷却效率评价参数和冷却器能耗进行加权计算,获得冷却机组控制指数;
将冷却机组控制指数与预设阈值进行比对:若冷却机组控制指数超过预设阈值,说明当前冷却机组的冷却效果不佳,需要进行相应的调节;若控制指数未超过预设阈值,则说明当前冷却机组的冷却效果良好,无需进行调节。
2.如权利要求1所述的基于深度学习的船舶冷却机组控制方法,其特征在于,所述冷却效率特征矩阵的数字格式为:
其中,TinN表示第N个时间节点检测到的冷却介质输入温度;ToutN表示第N个时间节点检测到的冷却介质输出温度;P1表示第N个时间节点检测到的冷却介质压力;F1表示第N个时间节点检测到的冷却介质流速。
3.如权利要求1所述的基于深度学习的船舶冷却机组控制方法,其特征在于,根据第一评价权重和第二评价权重,对冷却效率评价参数和冷却器能耗进行加权计算的计算公式如下:
K=ω1×Q+ω2×F(E);
其中,K表示冷却机组控制指数;ω1表示冷却效率评价参数对冷却机组控制指数的影响权重;ω2表示冷却器能耗对冷却机组控制指数的影响权重;Q表示冷却效率评价参数;E表示冷却器能耗;F(E)表示冷却器能耗的归一化函数。
4.如权利要求1所述的基于深度学习的船舶冷却机组控制方法,其特征在于,对于冷却机组的工作状态信息采集包括以下步骤:
在船舶冷却机组内部,布置温度传感器、压力传感器和流速传感器;
根据***需求和性能评估的要求,设定采集数据的时间间隔;
按照预设时间间隔,持续采集冷却机组的工作状态信息,包括冷却介质输入温度、冷却介质输出温度、冷却介质压力和冷却介质流速;
对采集到的数据进行实时的质量控制,排除异常值和噪声数据;
将采集到的工作状态信息按时间顺序进行记录,并存储在数据库中。
5.如权利要求1所述的基于深度学习的船舶冷却机组控制方法,其特征在于,冷却效率评价模型的构建方法包括:
获取冷却机组的工作状态信息,包括冷却介质输入温度、冷却介质输出温度、冷却介质压力和冷却介质流速;
对获取的冷却机组的工作状态信息进行预处理,包括数据清洗、去噪、插值和异常值检测;
对工作状态信息进行特征提取和分集,包括训练集和测试集;
使用机器学习算法,构建模型的架构,包括输入层、隐藏层和输出层,建立冷却效率评价模型;
使用准备好的训练集对模型进行训练;
使用准备好的测试集对模型进行评估;
将经过训练和评估的模型部署到***中,对冷却效率特征矩阵进行特征识别,获得能够表征船舶冷却机组冷却效率的冷却效率评价参数。
6.如权利要求1所述的基于深度学习的船舶冷却机组控制方法,其特征在于,冷却机组控制指数的比对和决策方法包括:
定义一个控制指数的阈值;
将计算得到的冷却机组控制指数与预设的阈值进行比对,若冷却机组控制指数超过预设阈值,说明当前冷却机组的冷却效果不佳,需要进行相应的调节;若控制指数未超过预设阈值,则说明当前冷却机组的冷却效果良好,无需进行调节;
根据比对结果,***需要采取相应的决策措施,需要调节和维护时,冷却机组控制指数超过了预设的阈值,***会触发警报,通知相关操作人员或自动化***执行适当的控制措施;无需调节时,冷却机组控制指数低于预设阈值,***维持当前运行状态,不需要采取进一步的操作。
7.如权利要求6所述的基于深度学习的船舶冷却机组控制方法,其特征在于,控制指数阈值的设定影响因素包括:
阈值根据***要求和设备的安全性来确定,不同的应用有不同的容忍度;
历史操作数据和性能基准会提供有用的信息,基于历史数据,能够确定控制指数的合理范围;
通过专业工程师和领域专家的建议能够帮助设置阈值;
通过模拟和试验,能够确定不同控制指数值与设备性能之间的关系,从而有依据地设置阈值。
8.一种基于深度学习的船舶冷却机组控制***,其特征在于,所述***包括:
数据采集模块,用于按照预设采集时间间隔,连续采集船舶冷却机组的工作状态信息,所述工作状态信息包括冷却机组的冷却介质输入温度、冷却介质输出温度、冷却介质压力和冷却介质流速,并发送;
数据处理模块,用于接收工作状态信息,将采集到的工作状态信息按时间顺序排列,然后将不同时间节点采集的冷却介质输入温度、冷却介质输出温度、冷却介质压力和冷却介质流速一一对齐,获得冷却效率特征矩阵,并发送;
特征识别模块,用于接收冷却效率特征矩阵,利用预先构建的冷却效率评价模型对冷却效率特征矩阵进行特征识别,获得能够表征船舶冷却机组冷却效率的冷却效率评价参数,并发送;
能耗获取模块,用于获取船舶冷却机组的冷却器能耗,使冷却器能耗的时间窗口与冷却效率特征矩阵的时间窗口相同,并发送;
权重设定模块,用于设定第一评价权重和第二评价权重,根据船舶冷却机组的规格信息,设定对应所述冷却效率评价参数的第一评价权重和对应所述冷却器能耗的第二评价权重,并发送;
指数计算模块,用于接收冷却效率评价参数、冷却器能耗、第一评价权重和第二评价权重,根据第一评价权重和第二评价权重,对冷却效率评价参数和冷却器能耗进行加权计算,得到冷却机组控制指数,并发送;
决策模块,用于接收冷却机组控制指数,将冷却机组控制指数与预设阈值进行比对,判断当前冷却机组的冷却效果;冷却机组控制指数超过预设阈值时,认定当前冷却机组的冷却效果不佳,触发相应的调节操作;冷却机组控制指数未超过预设阈值时,认定当前冷却机组的冷却效果良好,无需进行调节。
9.一种基于深度学习的船舶冷却机组控制电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
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如权利要求1-7中任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311507188.4A CN117490338A (zh) | 2023-11-14 | 2023-11-14 | 基于深度学习的船舶冷却机组控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311507188.4A CN117490338A (zh) | 2023-11-14 | 2023-11-14 | 基于深度学习的船舶冷却机组控制方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117490338A true CN117490338A (zh) | 2024-02-02 |
Family
ID=89674104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311507188.4A Pending CN117490338A (zh) | 2023-11-14 | 2023-11-14 | 基于深度学习的船舶冷却机组控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117490338A (zh) |
-
2023
- 2023-11-14 CN CN202311507188.4A patent/CN117490338A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109766334B (zh) | 用于电力设备在线监测异常数据的处理方法及*** | |
KR100815032B1 (ko) | 발전소 온라인 실시간 성능 감시 시스템 | |
CN105758661B (zh) | 一种锅炉受热面寿命评估***和方法 | |
EP3584656B1 (en) | Risk assessment device, risk assessment method, and risk assessment program | |
EP3584657B1 (en) | Risk assessment device, risk assessment method, and risk assessment program | |
CN117060409B (zh) | 电力线路运行状态自动化检测分析方法及*** | |
US20210377141A1 (en) | Identification of facility state and operating mode in a particular event context | |
CN115358281B (zh) | 一种基于机器学习的冷热一体机监测控制方法及*** | |
CN110703743A (zh) | 设备故障预测与检测***和方法 | |
CN115526375A (zh) | 一种航天装备预测性维护*** | |
CN117808456B (zh) | 一种基于智慧运营管理的设备故障预警方法及装置 | |
CN114462820A (zh) | 一种轴承状态监测与健康管理***性能测试及优化方法和*** | |
CN117590159A (zh) | 一种基于深度学习的隧道电缆供电状态监测方法及*** | |
CN107461881B (zh) | 一种医院空调机房的制冷主机能效诊断方法及其*** | |
Rodríguez-López et al. | Development of indicators for the detection of equipment malfunctions and degradation estimation based on digital signals (alarms and events) from operation SCADA | |
CN117490338A (zh) | 基于深度学习的船舶冷却机组控制方法及*** | |
JP2021111207A (ja) | プラント性能評価システムおよびプラント性能評価方法 | |
Al Rashdan et al. | Development of a Technology Roadmap for Online Monitoring of Nuclear Power Plants | |
Gray et al. | A practical approach to the use of scada data for optimized wind turbine condition based maintenance | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
Beduschi et al. | Optimizing rotating equipment maintenance through machine learning algorithm | |
CN117272844B (zh) | 配电盘工作寿命的预测方法及*** | |
CN117783769B (zh) | 基于可视平台的配电网络故障定位方法、***、设备及存储介质 | |
CN113348473A (zh) | 管理人工智能模块的安装基础 | |
Roberts et al. | An Investigation on the Usability of High-Frequency Wind Tur-bine Controller Data for Predictive Maintenance |
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 |