基于集成深度学习的柴油发电机故障预测与监测系统装置制造方法及图纸

一种基于集成深度学习的柴油发电机故障预测与监测系统装置，包含有框体1，显示器4、警报器6、电源9和数据处理装置，数据处理装置包含有深度学习集成模块5、全生命周期历史数据库14、故障多模态专家系统数据库7，深度学习集成模块5采用集成学习方法，包含多种有监督和无监督的深度学习网络模型，故障多模态专家系统数据库7包含所有故障特征数据及对应的故障类别标记，在框体1内设置有电源启动按钮2、电源关闭按钮3、显示器4、警报器6、存储器8、GPU10、CPU11、外部设备控制接口12、数据采集模块17和无线信号收发装置18等，因此，人们对设备进行故障预测、状态在线监测和健康评估更准确方便。

Fault Prediction and Monitoring System for Diesel Generator Based on Integrated Deep Learning

【技术实现步骤摘要】
基于集成深度学习的柴油发电机故障预测与监测系统装置
本专利技术涉及一种船舶柴油发电机故障预测装置，特别涉及一种基于集成深度学习的柴油发电机故障预测与监测系统装置，属于故障预测和人工智能

技术介绍
随着现代科技和先进制造技术的快速提高，船舶向着大型化、智能化、自动化、集成化和多功能化方向发展，船舶柴油发电机作为大型船舶的重要动力源之一，对保障船舶高效稳定的航行具有不可替代的作用。船舶柴油发电机在复杂多变的海况环境下长时间连续运行，其工作负荷重，负载多变、并车与解电切换频繁，受盐碱腐蚀和高温等影响易于发生各类故障。大型船舶是“独立”航行在海上的复杂系统，当航行过程中柴油发电机发生故障时，所有的检修和排查工作都要求不能影响船舶的正常运行；若故障无法有效及时的诊断和排除，将面临“孤立无援”的局面，在强耦合状态下一旦故障危害蔓延将可能带来重大损失。由此可见，船舶柴油发电机的故障预测与健康评估对保障船舶的安全运行至关重要，因此，船舶柴油发电机故障预测与健康评估系统装置是十分重要的船舶运行安全监测装备。在本专利技术之前，目前市面上针对船舶柴油发电机的故障预测和检修维护的产品或方法较为稀少本文档来自技高网...

【技术保护点】
1.一种基于集成深度学习的柴油发电机故障预测与监测系统装置；包含有框体（1）、显示器（4）、警报器（6）、电源（9）和数据处理装置，其特征是：所述数据处理装置设置为包含有深度学习集成模块（5）、全生命周期历史数据库（14）、故障多模态专家系统数据库（7），所述深度学习集成模块（5）设置为包含有卷积神经网络(CNN)、深度信念网络(DBN)、递归神经网络(RNN)、堆叠自编码器(SAE)、深度玻尔兹曼机(DBM)、长短期记忆模型(LSTM)、门控循环单元网络(GRU)及神经图灵机(NTM)等深度学习网络模型，深度学习集成模块（5）采用集成学习方法，自动优化设计组合策略，将多个有监督和无监督的深度...

【技术特征摘要】
1.一种基于集成深度学习的柴油发电机故障预测与监测系统装置；包含有框体（1）、显示器（4）、警报器（6）、电源（9）和数据处理装置，其特征是：所述数据处理装置设置为包含有深度学习集成模块（5）、全生命周期历史数据库（14）、故障多模态专家系统数据库（7），所述深度学习集成模块（5）设置为包含有卷积神经网络(CNN)、深度信念网络(DBN)、递归神经网络(RNN)、堆叠自编码器(SAE)、深度玻尔兹曼机(DBM)、长短期记忆模型(LSTM)、门控循环单元网络(GRU)及神经图灵机(NTM)等深度学习网络模型，深度学习集成模块（5）采用集成学习方法，自动优化设计组合策略，将多个有监督和无监督的深度学习算法模型组合在一起并行数据处理，框体（1）设置有腔体，在框体（1）上侧中间位置处设置有无线信号收发装置（18），在无线信号收发装置（18）的左侧设置有数据采集模块（17），在在无线信号收发装置（18）的右侧设置有电源启动按钮（2）和电源关闭按钮（3），在无线信号收发装置（18）的正下方设置有显示器（4），在显示器（4）的正下方中间处设置有深度学习集成模块（5），在深度学习集成模块（5）的左侧设置有USB接口（15），在深度学习集成模块（5）的右侧设置有警报器（6），在深度学习集成模块（5）的下方左侧设置有全生命周期历史数据库（14），在全生命周期历史数据库（14）的右侧设置有故障多模态专家系统数据库（7），在故障多模态专家系统数据库（7）的正下方右侧设置有存储器（8），在存储器（8）的左侧设置有GPU（10）、在GPU（10）的左侧设置有CPU（11），在CPU（11）的左侧设置有网络模块（13），在框体（1）的最底端右侧设置有电源（9），在电源（9）的左侧设置有外部设备控制接口（12），框体（1）内的所有部件采用导线（16）连接在一起构成通路。2.根据权利要求1所述的基于集成深度学习的柴油发电机故障预测与监测系统装置；其特征是：全生命周期历史数据库（14）设置为包含有已退役的K台同类型的柴油发电机自服役到退役整个运行阶段的全部监测离线数据总集{φ}，每台机器采集N个指标，其指标设置为包含有振动信号、噪声信号、电力信号、转速信号及其他用于柴油发电机故障检测的常规信号指标，每一种监测指标设置有Q个传感器测量点，每一个传感器所测得的数据均为一个时间序列样本，数据总集{φ}是一个K×N×Q的多维多模态的高维张量矩阵数据集，所述故障多模态专家系统数据库（7）设置为包含有全生命周期历史数据库（14）中的K台柴油发电机自从服役到退役整个运行阶段中所有出现过的故障特征数据组总集及对应的故障类别标记，中央处理器CPU（11）设置为采用反向倒推类比方法，对全生命周期历史数据库（14）中的监测大数据总集{φ}进行数据切割，将K台同类型柴油发电机出现某类相同故障的数据段进行截断提取重新组合，并按照反向时间序列的方式进行排序，假设该故障类别为故障A，即：以故障A出现的时刻为起点，至前一次他类故障（故障B）出现的时刻为终点，截取故障A至故障B之间的数据作为故障A的时间序列数据段；以M表示一台机器中出现故障A的次数，N表示每一次故障A出现时均有N个指标（振动、噪声、电力等）被监测，Q表示每一个监测指标均布置有Q个传感器测量点，则一台机器出现故障A所获得的数据可构成一个M×N×Q的多维数据组{δA}；将全生命周期历史数据库（14）中所有的K台机器出现过故障A的数据构成一个K×M×N×Q数据组总集{ΨA}；数据组总集{ΨA}在进行数据组合时，以故障A出现的时刻为参考点进行数据对齐，按时间轴的反方向构成反向时间序列样本数据组总集{ΨA’}，数据组总集{ΨA’}对应故障类型A，共有K×M×N×Q个反向时间序列样本；通过深度学习集成模块（5）中的各类网络模型对故障A的反向时间序列数据组总集{ΨA’}中的数据进行迭代学习，实现数据的深度挖掘和特征提取，并将故障A的数据组总集{ΨA’}以反向时间轴为方向按故障严重程序划分为严重、显著、轻微、微小和正常多种级别，最终把数据组总集{ΨA’}的特征信息集合和对应的故障A识别符号组成一个故障模式类存储到故障多模态专家系统数据库（7）中；每一类故障（故障B、故障C……）均采用这种方式建立一个对应的数据组总集（{ΨB’}、{ΨC’}……），构成故障总集{Τ}，并将所有故障的总数据集{Τ}存储到故障多模态专家系统数据库（7）中。3.根据权利要求1所述的基于集成深度学习的柴油发电机故障预测与监测系统装置；其特征是：数据采集模块（17）设置有多个数据输入接口（19），数据输入接口（19）的数量设置为4~10个，对应于可接收现场实时监测的4~10种类型的监测信号，信号类型包括振动信号、噪声信号、电力信号、力信号等，每一个数据输入接口（19）对应其中一类监测信号，每一个数据输入接口（19）获得的监测信号均是一个多维时间序列数据组。4.根据权利要求1所述的基于集成深度学习的柴油发电机故障预测与监测系统装置；其特征是：深度学习集成模块（5）对数据采集模块（17）中获取的监测数据实时学习提取特征，并与故障多模态专家系统数据库（7）中已存储的故障模式类进行相似性特征匹配，若相似度高，则将当前数据段自动分类到对应的故障类别中，若当前数据特征与故障多模态专家系统数据库（7）中已存储的故障模式类匹配均不相似且与正常稳态特征相似，则认为当前状态为正常状态，若当前数据特征与故障多模态专家系统数据库（7）中已存储的故障模式类匹配均不相似但与正常稳态特征也不相似，则认为新的故障出现了，系统自动将当前数据段特征识别为新的故障，进行新故障类别标记，同时系统自动将该新故障特征数据和标记值更新至故障多模态专家系统数据库（7）中的故障总数据集{Τ}中。5.根据权利要求4所...

【专利技术属性】
技术研发人员：宫文峰，陈辉，张泽辉，
申请(专利权)人：宫文峰，
类型：发明
国别省市：广西,45