本發(fā)明涉及船舶故障預(yù)測，尤其涉及多源數(shù)據(jù)融合的船舶故障預(yù)測系統(tǒng)。

背景技術(shù)：

1、船舶機(jī)艙設(shè)備，尤其是推進(jìn)系統(tǒng)中的發(fā)動機(jī)、傳動裝置、軸系等關(guān)鍵部件的正常運(yùn)行對船舶安全至關(guān)重要。近年來，隨著傳感技術(shù)、數(shù)據(jù)分析和人工智能的發(fā)展，船舶故障預(yù)測和診斷技術(shù)取得了顯著進(jìn)展。傳統(tǒng)方法主要依賴于專家經(jīng)驗(yàn)和簡單的閾值判斷，而現(xiàn)代方法則更多地采用數(shù)據(jù)驅(qū)動的智能算法。

2、在故障診斷方面，振動分析、聲發(fā)射、油液分析等技術(shù)被廣泛應(yīng)用于發(fā)動機(jī)故障的檢測。研究人員提出了基于小波變換、經(jīng)驗(yàn)?zāi)B(tài)分解(emd)等信號處理方法來提取故障特征。同時，機(jī)器學(xué)習(xí)算法如支持向量機(jī)(svm)、人工神經(jīng)網(wǎng)絡(luò)(ann)等被用于故障模式識別和分類。

3、然而，現(xiàn)有技術(shù)仍存在一些局限性。首先，單一數(shù)據(jù)源往往難以全面反映設(shè)備的復(fù)雜狀態(tài)。其次，不同類型的數(shù)據(jù)(如振動、溫度、壓力等)之間的關(guān)聯(lián)性未被充分利用。再者，現(xiàn)有的特征提取方法可能無法有效捕捉多源異構(gòu)數(shù)據(jù)中的關(guān)鍵信息。最后，在實(shí)際應(yīng)用中，數(shù)據(jù)質(zhì)量問題(如噪聲、缺失等)對預(yù)測精度的影響尚未得到很好的解決。

4、因此，如何有效融合多源異構(gòu)數(shù)據(jù)，提取更具代表性的特征，并在此基礎(chǔ)上提高故障預(yù)測的準(zhǔn)確性和可靠性，成為當(dāng)前船舶故障預(yù)測領(lǐng)域的一個重要研究方向。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提出了多源數(shù)據(jù)融合的船舶故障預(yù)測系統(tǒng)，通過多源數(shù)據(jù)融合和特征工程技術(shù)有效整合船舶機(jī)艙設(shè)備的多種傳感器數(shù)據(jù)，并利用改進(jìn)的卡爾曼濾波算法和優(yōu)化的svm模型處理復(fù)雜、非線性系統(tǒng)，從而提取更具代表性的特征，實(shí)現(xiàn)對船舶故障的精確預(yù)測，最終提高船舶運(yùn)行的安全性和可靠性。

2、本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的：本發(fā)明提供了多源數(shù)據(jù)融合的船舶故障預(yù)測系統(tǒng)，包括：

3、數(shù)據(jù)采集模塊，用于獲取船舶運(yùn)行相關(guān)的機(jī)艙設(shè)備的原始信號數(shù)據(jù)；

4、數(shù)據(jù)預(yù)處理模塊，用于對不同來源的原始信號數(shù)據(jù)進(jìn)行對齊，在數(shù)據(jù)對齊后，根據(jù)預(yù)處理步驟對數(shù)據(jù)對齊后的原始信號數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理后的數(shù)據(jù)；

5、數(shù)據(jù)融合模塊，用于利用改進(jìn)的卡爾曼濾波算法對預(yù)處理后的數(shù)據(jù)進(jìn)行多源融合，得到融合后的數(shù)據(jù)；

6、特征工程模塊，用于對融合后的數(shù)據(jù)進(jìn)行多維特征提取、特征選擇，并對選擇后的特征進(jìn)行融合，得到融合特征；

7、故障預(yù)測模塊，用于接收融合特征，并基于預(yù)訓(xùn)練的故障預(yù)測模型根據(jù)融合特征進(jìn)行船舶故障預(yù)測。

8、在上述技術(shù)方案的基礎(chǔ)上，優(yōu)選的，數(shù)據(jù)預(yù)處理模塊包括：

9、數(shù)據(jù)對齊單元，用于對不同來源的原始信號數(shù)據(jù)進(jìn)行初步檢查，將時間戳標(biāo)準(zhǔn)化，創(chuàng)建統(tǒng)一的時間索引，將不同來源的原始信號數(shù)據(jù)映射到統(tǒng)一的時間索引上，令原始信號數(shù)據(jù)為時間序列格式，完成數(shù)據(jù)對齊；

10、數(shù)據(jù)預(yù)處理單元，用于將數(shù)據(jù)對齊后的原始信號數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)插補(bǔ)和異常值過濾，得到預(yù)處理后的數(shù)據(jù)。

11、在上述技術(shù)方案的基礎(chǔ)上，優(yōu)選的，改進(jìn)的卡爾曼濾波算法包括：

12、基于船舶運(yùn)行相關(guān)的機(jī)艙設(shè)備的特性，建立包含關(guān)鍵狀態(tài)變量的狀態(tài)空間模型，該狀態(tài)空間模型由狀態(tài)方程和觀測方程組成，分別描述系統(tǒng)狀態(tài)的演化和觀測過程，其中，關(guān)鍵狀態(tài)變量包括發(fā)動機(jī)轉(zhuǎn)速、發(fā)動機(jī)溫度、燃油消耗率、排氣溫度、冷卻水溫度和潤滑油壓力；

13、獲取初始的狀態(tài)空間模型參數(shù)，并通過優(yōu)化方法對參數(shù)進(jìn)行優(yōu)化，得到最優(yōu)參數(shù)集；

14、對預(yù)處理后的數(shù)據(jù)進(jìn)行卡爾曼濾波算法迭代：

15、預(yù)測步驟：基于先前狀態(tài)估計(jì)和控制輸入預(yù)測當(dāng)前狀態(tài)；

16、未知輸入估計(jì)：分別估計(jì)緩慢變化和快速變化的未知輸入項(xiàng)；

17、更新步驟：結(jié)合觀測值和位置輸入估計(jì)，更新狀態(tài)估計(jì)和誤差協(xié)方差矩陣；

18、調(diào)整步驟：根據(jù)創(chuàng)新序列動態(tài)調(diào)整過程噪聲協(xié)方差矩陣和觀測噪聲協(xié)方差矩陣；

19、通過擴(kuò)展觀測方程，對不同來源的數(shù)據(jù)進(jìn)行融合，并根據(jù)各數(shù)據(jù)源的可靠性調(diào)整觀測噪聲協(xié)方差矩陣；

20、輸出經(jīng)過去噪和融合后的狀態(tài)估計(jì)值，作為融合后的數(shù)據(jù)。

21、在上述技術(shù)方案的基礎(chǔ)上，優(yōu)選的，狀態(tài)空間模型中：

22、狀態(tài)方程：

23、x(k+1)＝a(k)x(k)+b(k)u(k)+f(k)d(k)+w(k)

24、觀測方程：

25、y(k)＝c(k)x(k)+v(k)

26、式中，x(k+1)為時刻k+1的狀態(tài)向量，x(k)為時刻k的狀態(tài)向量，u(k)為控制輸入向量，d(k)為未知輸入向量，w(k)為過程噪聲，a(k)為狀態(tài)轉(zhuǎn)移矩陣，b(k)為控制輸入矩陣，f(k)為未知輸入矩陣，y(k)為觀測向量，c(k)為觀測矩陣，v(k)為觀測噪聲；

27、卡爾曼濾波算法迭代中：

28、預(yù)測步驟：

29、

30、p(k|k-1)＝a(k-1)p(k-1|k-1)a(k-1)t+q(k-1)

31、未知輸入估計(jì)：

32、m(k)＝c(k)p(k|k-1)c(k)t+r(k)

33、kd(k)＝p(k|k-1)c(k)tm(k)-1

34、

35、更新步驟：

36、k(k)＝p(k|k-1)c(k)t(c(k)(k|k-1)c(k)t+r(k))-1

37、

38、p(k|k)＝(i-k(k)c(k))p(k|k-1)

39、調(diào)整步驟：

40、

41、s(k)＝c(k)p(k|k-1)c(k)t+r(k)

42、q(k)＝λq(k-1)+(1-λ)k(k)ε(k)ε(k)tk(k)t

43、r(k)＝λr(k-1)+(1-λ)(ε(k)ε(k)t-c(k)p(k|k-1)c(k)t)

44、式中，為時刻k的先驗(yàn)狀態(tài)估計(jì)，為時刻k-1的后驗(yàn)狀態(tài)估計(jì)，p(k|k-1)為時刻k的先驗(yàn)誤差協(xié)方差矩陣，p(k-1|k-1)為時刻k-1的后驗(yàn)誤差協(xié)方差矩陣，q(k-1)為過程噪聲協(xié)方差矩陣，r(k)為觀測噪聲協(xié)方差矩陣，m(k)為創(chuàng)新協(xié)方差矩陣，kd(k)為未知輸入增益，為緩慢變化的未知輸入估計(jì)，為快速變化的未知輸入估計(jì)，ρ(k)為間歇性系數(shù)矩陣，θ(k)為快速變化部分參數(shù)，k(k)為卡爾曼增益，為時刻k的后驗(yàn)狀態(tài)估計(jì)，p(k|k)為時刻k的后驗(yàn)誤差協(xié)方差矩陣，f(k)為未知輸入矩陣，i為單位矩陣，ε(k)為創(chuàng)新序列，s(k)為創(chuàng)新協(xié)方差矩陣，λ為遺忘因子；

45、擴(kuò)展觀測方程進(jìn)行數(shù)據(jù)融合：

46、y(k)＝[c1(k)；c2(k)；...；ca(k)]x(k)+v(k)

47、式中，c1(k)；c2(k)；...；ca(k)分別表示不同數(shù)據(jù)源的觀測矩陣。

48、在上述技術(shù)方案的基礎(chǔ)上，優(yōu)選的，初始的狀態(tài)空間模型參數(shù)是基于最大似然估計(jì)方法進(jìn)行估計(jì)得到的，優(yōu)化方法為基于粒子群優(yōu)化和模擬退火的混合優(yōu)化方法。

49、在上述技術(shù)方案的基礎(chǔ)上，優(yōu)選的，特征工程模塊包括：

50、特征提取單元，用于根據(jù)vmd分解算法對融合后的數(shù)據(jù)進(jìn)行信號分解，每個數(shù)據(jù)均分離出k個imf分量，利用訓(xùn)練后的自編碼器對k個imf分量分別進(jìn)行特征提取，得到數(shù)據(jù)的多維特征；

51、特征選擇單元，用于對多維特征進(jìn)行相對混亂度計(jì)算，將多維特征按照相對混亂度從小到大排序，選擇前m維特征作為待融合特征；

52、特征融合單元，用于根據(jù)融合公式對每個數(shù)據(jù)的待融合特征進(jìn)行融合，得到融合特征。

53、在上述技術(shù)方案的基礎(chǔ)上，優(yōu)選的，自編碼器在訓(xùn)練時的損失函數(shù)為：

54、

55、式中，m為樣本數(shù)量，s表示第s個樣本，os表示輸出數(shù)據(jù)，is表示輸入數(shù)據(jù)，z＝1時，表示為編碼器的權(quán)值矩陣，z＝2時，表示為解碼器的權(quán)值矩陣，rh為編碼器隱含層的數(shù)量，rg為解碼器隱含層的數(shù)量，γ為權(quán)重衰減參數(shù)，sg[·]為禁止梯度回傳，he(s)為編碼器將樣本s映射到潛在空間的向量表示，e為嵌入向量，表示平方l2范數(shù)。

56、在上述技術(shù)方案的基礎(chǔ)上，優(yōu)選的，相對混亂度計(jì)算公式為：

57、

58、式中，rd(xi)為第i維特征xi的相對混亂度，ac(xi)為xi的一階自相關(guān)系數(shù)，為xi的平均互信息，n為多維特征的總維數(shù)，mi(xi,xj)為xi和xj之間的互信息，h(xi)是xi的信息熵，α和β是可調(diào)參數(shù)，用于調(diào)節(jié)自相關(guān)系數(shù)和互信息的影響程度。

59、在上述技術(shù)方案的基礎(chǔ)上，優(yōu)選的，融合公式為：

60、

61、式中，f為融合特征，wi為權(quán)重。

62、在上述技術(shù)方案的基礎(chǔ)上，優(yōu)選的，故障預(yù)測模型為svm，在預(yù)訓(xùn)練時，利用優(yōu)化算法對svm的懲罰參數(shù)和核函數(shù)參數(shù)進(jìn)行尋優(yōu)，尋優(yōu)后基于樣本集對svm進(jìn)行訓(xùn)練。

63、本發(fā)明相對于現(xiàn)有技術(shù)具有以下有益效果：

64、(1)通過整合多個模塊，實(shí)現(xiàn)了從數(shù)據(jù)采集、預(yù)處理、融合到特征提取和故障預(yù)測的全流程優(yōu)化。這種系統(tǒng)化的方法顯著提高了船舶故障預(yù)測的準(zhǔn)確性和可靠性，有效降低了船舶運(yùn)營風(fēng)險和維護(hù)成本；

65、(2)改進(jìn)的卡爾曼濾波算法通過引入未知輸入估計(jì)和動態(tài)調(diào)整噪聲協(xié)方差矩陣，該算法能更好地處理非線性和不確定性，提高了數(shù)據(jù)融合的精度。同時，擴(kuò)展觀測方程的設(shè)計(jì)使得多源數(shù)據(jù)的融合更加靈活和有效，增強(qiáng)了系統(tǒng)對復(fù)雜船舶運(yùn)行環(huán)境的適應(yīng)能力；

66、(3)結(jié)合vmd分解算法和自編碼器的特征提取方法，以及基于相對混亂度的特征選擇策略，能夠從復(fù)雜的船舶運(yùn)行數(shù)據(jù)中提取出最具代表性和信息量的特征。這不僅降低了數(shù)據(jù)維度，還提高了后續(xù)故障預(yù)測的效率和準(zhǔn)確性；

67、(4)通過對svm模型參數(shù)的優(yōu)化和預(yù)訓(xùn)練，該方法增強(qiáng)了模型對船舶故障模式的學(xué)習(xí)能力。這種優(yōu)化后的svm模型能更準(zhǔn)確地捕捉到各種復(fù)雜的故障模式，提高了故障預(yù)測的精度和可靠性。