【技术实现步骤摘要】
本申请涉及故障检测，更具体地，涉及一种船舶动力系统故障检测方法、装置、设备及存储介质。
技术介绍
1、随着机器学习技术的迅速发展，高计算能力和新型的机器学习模型被积极的应用于各个工业领域。在船舶动力领域，船舶动力是船舶电力系统的核心组成部分，它的工作正常与否直接决定着整个船舶能否正常运行，一旦它发生故障，必须尽快维修并使其恢复，以保证船舶的正常运行；否则，将会造成巨大损失。因此，将机器学习技术应用到船舶动力系统的故障检测具有十分重要的意义。
2、现有技术中，用于船舶动力系统故障检测的方法主要为机器学习算法，例如主成分分析、支持向量机等方法，这些方法都是通过实时监测动力系统的关键参数的情况，通过对这些关键参数的分析从而判断船舶的动力系统是否出现了故障。
3、但是，现有技术中的船舶动力系统故障检测方法在判断出传感器的关键参数异常后，无法准确判断是传感器故障还是系统事故，即无法做到传感器故障时完成系统的容错事故诊断，容易导致对船舶动力系统状况的错误判断，从而导致决策错误，难以保证船舶的正常航行。
技术实现思路
1、针对现有技术的至少一个缺陷或改进需求，本专利技术提供了一种船舶动力系统故障检测方法、装置、设备及存储介质，用于解决现有技术中的船舶动力系统故障检测方法在判断出传感器的关键参数异常后，无法准确判断是传感器故障还是系统事故，导致决策错误，难以保证船舶的正常航行的问题。
2、为实现上述目的，按照本专利技术的第一个方面，提供了一种船舶动力系统故障检测
3、将船舶动力系统的传感器实时数据输入至第一神经网络模型计算并输出传感器一致性指数；
4、将传感器实时数据和传感器一致性指数输入至第二神经网络模型判断船舶动力系统的故障类型。
5、在一种可能的实现方式中，将船舶动力系统的传感器实时数据输入至第一神经网络模型计算并输出传感器一致性指数，包括：
6、设置输入门函数、遗忘门函数和输出门函数建立第一神经网络模型；
7、对传感器历史数据进行分析设置传感器误差容限；
8、从传感器实时数据中提取特征数据输入至第一神经网络模型，输出得到传感器一致性指数。
9、在一种可能的实现方式中，传感器一致性指数计算公式如下：
10、；
11、其中，是第 i个传感器 t时刻的测量信号相对与真实信号的相对误差，是传感器误差容限，表示第 i个传感器 t时刻的测量值，表示第 i个传感器 t时刻的真实值。
12、在一种可能的实现方式中，将传感器实时数据和传感器一致性指数输入至第二神经网络模型判断船舶动力系统的故障类型，包括：
13、通过设置隐藏层的门函数和衰变机制建立第二神经网络模型；
14、将传感器一致性指数作为第二神经网络模型的隐蔽输入，将传感器实时数据作为第二神经网络模型的直接输入；
15、根据传感器实时数据和传感器一致性指数输出故障概率标签，判断船舶动力系统发生的故障类型。
16、在一种可能的实现方式中，通过设置隐藏层的门函数和衰变机制建立第二神经网络模型，包括：
17、根据隐藏层层数设置每层的神经元数量以及损失函数；
18、将权重衰变项作为正则化项加入到损失函数，并设置偏置值建立衰变机制。
19、在一种可能的实现方式中，传感器一致性指数为二进制输入；将传感器一致性指数作为第二神经网络模型的隐蔽输入，包括：
20、当传感器一致性指数为零时，传感器一致性指数不输入至第二神经网络模型；
21、当传感器一致性指数为一时，传感器一致性指数输入至第二神经网络模型。
22、在一种可能的实现方式中，还包括建立评价指标对第二神经网络模型的判断结果准确性进行评估，：
23、设置准确率、精确率、召回率以及交叉熵损失作为评价指标对第二神经网络模型的判断结果准确性进行评估。
24、按照本专利技术的第二个方面，还提供了一种船舶动力系统故障检测装置，包括：
25、第一网络模块，其被配置为将船舶动力系统的传感器实时数据输入至第一神经网络模型计算并输出传感器一致性指数；
26、第二网络模块，其被配置为将传感器实时数据和传感器一致性指数输入至第二神经网络模型判断船舶动力系统的故障类型。
27、按照本专利技术的第三个方面，还提供了一种船舶动力系统故障检测设备，其包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述计算机程序被所述处理单元执行时，使得所述处理单元执行上述任一项所述船舶动力系统故障检测方法的步骤。
28、按照本专利技术的第四个方面，还提供了一种存储介质，其存储有可由访问认证设备执行的计算机程序，当所述计算机程序在访问认证设备上运行时，使得所述访问认证设备执行上述任一项所述船舶动力系统故障检测方法的步骤。
29、总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
30、本专利技术提供的一种船舶动力系统故障检测方法，通过建立第一神经网络模型计算传感器一致性指数判断传感器是否出现了异常，并通过第二神经网络模型依据传感器一致性指数和传感器实时数据进一步判断船舶动力系统的故障类型，传感器一致性指数输入至第二神经网络模型后，将对判断船舶动力系统的故障类型的最终结果产生影响，在准确了解了传感器一致性指数的情况下，有利于准确判断是传感器故障还是船舶动力系统出现了事故，从而可以便于做出正确的决策，及时了解船舶的运行状况，从而可以保证船舶的正常航行，提高航行的安全性。
本文档来自技高网...【技术保护点】
1.一种船舶动力系统故障检测方法，其特征在于，包括：
2.如权利要求1所述的船舶动力系统故障检测方法，其特征在于，所述将船舶动力系统的传感器实时数据输入至第一神经网络模型计算并输出传感器一致性指数，包括：
3.如权利要求2所述的船舶动力系统故障检测方法，其特征在于，传感器一致性指数计算公式如下：
4.如权利要求1所述的船舶动力系统故障检测方法，其特征在于，所述将所述传感器实时数据和所述传感器一致性指数输入至第二神经网络模型判断船舶动力系统的故障类型，包括：
5.如权利要求4所述的船舶动力系统故障检测方法，其特征在于，所述通过设置隐藏层的门函数和衰变机制建立所述第二神经网络模型，包括：
6.如权利要求4所述的船舶动力系统故障检测方法，其特征在于，所述传感器一致性指数为二进制输入；所述将所述传感器一致性指数作为所述第二神经网络模型的隐蔽输入，包括：
7.如权利要求4所述的船舶动力系统故障检测方法，其特征在于，还包括建立评价指标对第二神经网络模型的判断结果准确性进行评估：
8.一种船舶动力系统故障检测装
9.一种船舶动力系统故障检测设备，其特征在于，包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述计算机程序被所述处理单元执行时，使得所述处理单元执行权利要求1～7任一项所述船舶动力系统故障检测方法的步骤。
10.一种存储介质，其特征在于，其存储有可由访问认证设备执行的计算机程序，当所述计算机程序在访问认证设备上运行时，使得所述访问认证设备执行权利要求1～7任一项所述船舶动力系统故障检测方法的步骤。
...【技术特征摘要】
1.一种船舶动力系统故障检测方法，其特征在于，包括：
2.如权利要求1所述的船舶动力系统故障检测方法，其特征在于，所述将船舶动力系统的传感器实时数据输入至第一神经网络模型计算并输出传感器一致性指数，包括：
3.如权利要求2所述的船舶动力系统故障检测方法，其特征在于，传感器一致性指数计算公式如下：
4.如权利要求1所述的船舶动力系统故障检测方法，其特征在于，所述将所述传感器实时数据和所述传感器一致性指数输入至第二神经网络模型判断船舶动力系统的故障类型，包括：
5.如权利要求4所述的船舶动力系统故障检测方法，其特征在于，所述通过设置隐藏层的门函数和衰变机制建立所述第二神经网络模型，包括：
6.如权利要求4所述的船舶动力系统故障检测方法，其特征在于，所述传感器一致性指数为二进制...
【专利技术属性】
技术研发人员：周天成，王晨阳，郭晓杰，柯志武，郑伟，陶模，周宏宽，柴文婷，李献领，刘子平，柯汉兵，王瑞奇，
申请(专利权)人：中国船舶集团有限公司第七一九研究所，
类型：发明
国别省市：
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。