【技术实现步骤摘要】
基于CNN和RNN融合的船舶故障实时诊断方法
本专利技术属于船舶系统
，尤其针对多个传感器原始数据的实时故障诊断方法。
技术介绍
船舶作为水上交通运输的主要工具，船舶运行的安全性、稳定性对于水上交通运输行业起着至关重要的作用。由于船舶设备众多，运行环境复杂，大大增高了设备故障发生的概率，如果设备发生故障时不能及时发现，将对船舶的航行带来巨大危险。故障诊断通过检测和识别故障，对船舶的健康管理具有重要意义，有效的故障检测可以提高船舶的安全性，因此对于船舶设备的实时在线故障诊断是很有必要的。
技术实现思路
专利技术目的：本专利技术的目的在于克服现有技术不能满足多设备实时诊断的问题，提出一种设计合理、准确度高且响应时间短的基于CNN和RNN融合的船舶故障实时诊断方法。本专利技术解决其技术问题是采取以下技术方案实现的：一种基于CNN和RNN融合的船舶故障实时诊断方法，包括如下步骤：步骤一：在历史数据库中，选取正常状态下的船舶运行状态的历史数据，利用选取的历史数据集得到属性之间的相关性矩...
【技术保护点】
1.一种基于CNN和RNN融合的船舶故障实时诊断方法，包括如下步骤：/n步骤一：在历史数据库中，选取正常状态下的船舶运行状态的历史数据，利用选取的历史数据集得到属性之间的相关性矩阵；/n步骤二：添加一个滑动窗口，获取多传感器采集的原始数据；/n步骤三：对窗口内多传感器的原始数据进行相关性分析，增强属性之间的联系；/n步骤四：首先将窗口内的多传感器原始数据经过相关性处理后作为CNN输入，使用多个卷积核自动提取不同的船舶故障特征，得到一组新的特征集合；/n步骤五：将得到的特征集合重新排列，得到同一时间段在经过不同卷积操作后的综合特征向量，重组后的综合特征向量保持了原有的相对时间...
【技术特征摘要】
1.一种基于CNN和RNN融合的船舶故障实时诊断方法，包括如下步骤：
步骤一：在历史数据库中，选取正常状态下的船舶运行状态的历史数据，利用选取的历史数据集得到属性之间的相关性矩阵；
步骤二：添加一个滑动窗口，获取多传感器采集的原始数据；
步骤三：对窗口内多传感器的原始数据进行相关性分析，增强属性之间的联系；
步骤四：首先将窗口内的多传感器原始数据经过相关性处理后作为CNN输入，使用多个卷积核自动提取不同的船舶故障特征，得到一组新的特征集合；
步骤五：将得到的特征集合重新排列，得到同一时间段在经过不同卷积操作后的综合特征向量，重组后的综合特征向量保持了原有的相对时间顺序，并将这些综合特征向量作为RNN的输入变量；
步骤六：使用RNN将所有综合特征向量对应的信息作为整体进行处理，对整个事件进行分类；
步骤七：计算当前网络的交叉熵；
步骤八：验证训练终止条件；
步骤九：满足训练终止条件，结束训练；否则，使用AdadeIta自适应算法更新网络，转步骤四；
步骤十：根据RNN输出的概率向量，即每个向量中概率最大值的分量所对应的故障类别，即是该网络故障诊断的类别。
2.根据权利要求1所述的基于CNN和RNN融合的船舶故障实时诊断方法，其特征在于，步骤一中计算相关性矩阵的方法为：
多变量时间序列记为X＝(X1,X2,…,Xm)＝(xij)n×m；X代表选取的某时间段内的多传感器的历史数据，m代表属性的个数即是传感器个数，n代表时间维度即选取的历史数据的长度,xij表示第j维属性在第i时的记录值，且一般情况n＞＞m，当m＝1时，该时间序列为单变量时间序列；
假设Xi＝(x1i,x2i,…,xni)T，Xj＝(x1j,x2j,…,xnj)T，则它们之间的相关性可表示为
其中：和分别表示属性Xi和属性Xj的平均值；
R(Xi,Xj)的值取-1到1之间，正数值代表两个属性之间是正相关的，负数值代表两个属性之间是负相关的，零表示无相关性，即两个属性是相互独立的；
通过计算X的相关性矩阵M为：
3.根据权利要求2所述的基于CNN和RNN融合的船舶故障实时诊断方法，其特征在于，步骤二中添加滑动窗口获取多传感器原始数据为：
设多传感器原始数据的长度为SL，滑动窗口的长度为WL，滑动窗口的步长为WS。传感器的个数为m，添加窗口后的每个样本大小为WL×m，在长度为SL的多传感器原始序列中，可分割的窗口大小的时间片段数目WN为：
4.根据权利要求3所述的基于CNN和RNN融合的船舶故障实时诊断方法，其特征在于，步骤三中对窗口内多传感器的原始数据进行相关性分析的方法为：
第二步中所得的窗口内的多变量...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。