一种船舶推进系统故障判断方法及系统技术方案

本发明专利技术提供一种船舶推进系统故障判断方法及系统，包括：获取船舶推进系统的故障信号，根据故障信号判定故障点的位置和产生时间点；提取故障时间点及故障时间点前各组件运行状态检测数据，并标记各组件状态；对故障时间点及故障时间点前各组件运行状态检测数据进行归一化处理后，输入到基于机器学习的故障判断模型中进行二分类，判定当前故障是否为异常判断；根据分类结果，定义故障性质并执行对应后续操作。通过该方案可以保障故障判断的准确性和可靠性，提高判断效率，节省故障验证中的人力物力，并能避免误判导致船舶停运的问题。并能避免误判导致船舶停运的问题。并能避免误判导致船舶停运的问题。

【技术实现步骤摘要】
一种船舶推进系统故障判断方法及系统


[0001]本专利技术属于系统故障判断领域，尤其涉及一种船舶推进系统故障判断方法及系统。

技术介绍

[0002]电力推进系统船舶在使用的运行中需要对推进系统的各个组件进行实时检测，从而保证电力推进系统船舶可以正常安全的运行。电力推进系统中包括多个组件，通过采集推进系统组件的运行信息对推进系统的运行状态进行实时监控，当组件出现异常状态时，会进行警报或关闭系统等操作。
[0003]然而，在采集推进系统组件运行状态信息时，可能会因为检测信号不稳定或检测设备异常导致系统误判，从而使得推进系统运行中断，影响船舶的正常运行和使用。目前，处理这类故障判断异常问题的只有通过人为排查故障并重启系统，而这种方式耗时耗力，并且在船舶运行过程中重启系统可能会产生更复杂的问题。

技术实现思路

[0004]有鉴于此，本专利技术实施例提供了一种船舶推进系统故障判断方法及系统，用于解决现有故障异常判断耗时耗力的问题。
[0005]在本专利技术实施例的第一方面，提供了一种船舶推进系统故障判断方法，包括：
[0006]获取船舶推进系统的故障信号，根据故障信号判定故障点的位置和产生时间点；
[0007]提取故障时间点及故障时间点前各组件运行状态检测数据，并标记各组件状态；
[0008]对故障时间点及故障时间点前各组件运行状态检测数据进行归一化处理后，输入到基于机器学习的故障判断模型中进行二分类，判定当前故障是否为异常判断；
[0009]根据分类结果，定义故障性质并执行对应的操作。
[0010]在本专利技术实施例的第二方面，提供了一种用于船舶推进系统故障判断的系统，包括：
[0011]获取模块，用于获取船舶推进系统的故障信号，根据故障信号判定故障点的位置和产生时间点；
[0012]提取标记模块，用于提取故障时间点及故障时间点前各组件运行状态检测数据，并标记各组件状态；
[0013]故障判断模块，用于对故障时间点及故障时间点前各组件运行状态检测数据进行归一化处理后，输入到基于机器学习的故障判断模型中进行二分类，判定当前故障是否为异常判断；
[0014]定义模块，用于根据分类结果，定义故障性质并执行对应的操作。
[0015]在本专利技术实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本专利技术实施例第一方面所述方法的步骤。
[0016]在本专利技术实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本专利技术实施例第一方面提供的所述方法的步骤。
[0017]本专利技术实施例中，基于不同时间点多个组件的运行状态信息，利用机器学习技术对故障检测的正误进行判断，相较于传统的只考虑单一组件故障状态作为判断基准，多组件信息融合判断的结果更准确可靠，同时，有效提升故障判断的效率，降低故障验证的时间成本和人力成本，避免误判导致的船舶停运问题。
附图说明
[0018]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍，显而易见地，下面描述的附图仅仅是本专利技术的一些实施例，对本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获取其他附图。
[0019]图1为本专利技术一个实施例提供的一种船舶推进系统故障判断方法的流程示意图；
[0020]图2为本专利技术一个实施例提供的一种船舶推进系统故障判断方法的另一流程示意图；
[0021]图3为本专利技术一个实施例提供的一种用于船舶推进系统故障判断的系统的结构示意图；
[0022]图4为本专利技术的一个实施例提供的一种电子设备的结构示意图。
具体实施方式
[0023]为使得本专利技术的专利技术目的、特征、优点能够更加的明显和易懂，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本专利技术一部分实施例，而非全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0024]应当理解，本专利技术的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表述，意指覆盖不排他的包含，如包含一系列步骤或单元的过程、方法或系统、设备没有限定于已列出的步骤或单元。此外，“第一”“第二”用于区分不同对象，并非用于描述特定顺序。
[0025]请参阅图1，为本专利技术实施例提供的一种船舶推进系统故障判断方法的流程示意图，包括：
[0026]S101、获取船舶推进系统的故障信号，根据故障信号判定故障点的位置和产生时间点；
[0027]船舶推进系统故障时，会产生故障信号，当获取到故障信号，会根据故障信号的反馈信息，直接确定故障点位置和时间点。
[0028]S102、提取故障时间点及故障时间点前各组件运行状态检测数据，并标记各组件状态；
[0029]基于故障时间点及故障时间点前的若干时间点，提取船舶推进系统中各组件的运
行状态检测数据，以验证系统故障判断是否正确。所述运行检测数据以电力系统的大量观测点的电压电流数据为主，是根据不同时间粒度采集的瞬时数据。
[0030]具体的，至少提取故障时间点及故障时间点前动力电池组、电源逆变器、直流配电板、推进逆变器、吊舱推进器的运行状态检测数据。
[0031]其中，根据各组件的数据变化周期选择故障时间点前的时间节点数。一般为故障时间点前的10～100个时间节点。
[0032]S103、对故障时间点及故障时间点前各组件运行状态检测数据进行归一化处理后，输入到基于机器学习的故障判断模型中进行二分类，判定当前故障是否为异常判断；
[0033]对推进系统中组件的故障状态进行标记，故障源组件标记为1，其余组件标记为0。将标记好的的状态检测数据进行标准化和归一化操作，然后输入故障判断模型中，通过深度学习网络模型判断故障是否为异常判断。如图2所示，从各组件提取出检测数据21，各个组件的检测数据是由故障时刻T及其往前t个节点的数据集合22，对组件的故障状态23进行标记，故障源组件标记为1，其余组件标记为0，将不同组件不同时间点的状态检测数据输入到故障判断模型M中，得到分类结果。
[0034]其中，所述故障判断模型为LSTM(Long Short
‑
Term Memory，即长短期记忆人工神经网络)模型。采集样本数据对故障判断模型进行训练，基于训练好的故障判断模型可以进行数据判断，输出二分类结果。
[0035]示例性的，假设组件个数为n，时间节点个数为t，检测数据特征数为f，各组件的数据维度为(t，f)，将全部组件的数据拼接可以得到维度为(n，t，f)的数据，再将其转换为(t，n
×
f)的维度，便于输入至LSTM网络层本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种船舶推进系统故障判断方法，其特征在于，包括：获取船舶推进系统的故障信号，根据故障信号判定故障点的位置和产生时间点；提取故障时间点及故障时间点前各组件运行状态检测数据，并标记各组件状态；对故障时间点及故障时间点前各组件运行状态检测数据进行归一化处理后，输入到基于机器学习的故障判断模型中进行二分类，判定当前故障是否为异常判断；根据分类结果，定义故障性质并执行对应的操作。2.根据权利要求1所述的方法，其特征在于，所述提取故障时间点及故障时间点前各组件运行状态检测数据包括：至少提取故障时间点及故障时间点前动力电池组、电源逆变器、直流配电板、推进逆变器、吊舱推进器的运行状态检测数据。3.根据权利要求1所述的方法，其特征在于，所述提取故障时间点及故障时间点前各组件运行状态检测数据包括：根据各组件的数据变化周期选择故障时间点前的时间节点数。4.根据权利要求1所述的方法，其特征在于，所述故障判断模型为LSTM模型。5.根据权利要求1所述的方法，其特征在于，所述根据分类结果，定义故障性质并执行对应的操作包括：若当前故障为异常判断，则忽略本次故障信号，记录异常判断数据。6.一种用于船舶推进系统故障判断的系统，其特征在于，包括：获取模块，用于获取船舶推进系统的故障信号，根据故障信号判定故...

【专利技术属性】
技术研发人员：张泽宇，夏叶亮，胡国昭，耿鹏，葛启桢，郑雪筠，
申请(专利权)人：武汉船用电力推进装置研究所中国船舶重工集团公司第七一二研究所，
类型：发明
国别省市：