[发明专利]一种数据驱动的船舶柴油机故障检测方法

说明书

本发明公布了一种数据驱动的船舶柴油机故障检测方法，包括：采用k近邻聚类的方法，对柴油机历史数据的工作模态进行聚类，得到柴油机工作模态类型；采用偏最小二乘回归方法PLS建立各个工作模态相应的KPI模型，计算检验阈值；输入待检测的实时数据；通过判定待检测的实时数据点与历史数据的聚类中心的距离是否小于预设定的阈值d对柴油机工作模态进行匹配；将待检测数据输入相应模态的KPI模型，进行故障检验统计量计算，得到KPI故障检验统计量；通过比较实现数据驱动的船舶柴油机故障检测。采样本发明技术方案，能够实现实时的、适用范围较广和效率高的在线故障诊断。

技术领域

本发明涉及船舶柴油机检测领域，具体涉及一种基于偏最小二乘回归方法的数据驱动的船舶柴油机故障检测方法。

背景技术

柴油机是船舶动力心脏，一旦出现故障则必然会影响船舶的运行与安全。据统计，船舶海难事故主要由机械故障引起，而柴油机故障占机械故障的45％。传统的柴油机故障诊断技术有热力参数法、油液分析法、振动分析法和瞬时转速法。热力参数法主要是利用船舶柴油机工作时热力参数(示功图、压力、温度等)的变化来判断其工作状态；油液分析法是通过分析柴油机的在用润滑剂(或工作介质)的性能品质的变化和携带的磨损和污染物微粒情况，来评价机器的工况和预测故障；振动分析法是利用船舶柴油机在工作时产生的振动信号,经测试、数据分析及处理,对内部零部件的状态进行诊断；瞬时转速法是根据瞬时转速的波动信号的变化大小就可判断柴油机做功异常的程度。以上技术，要么需要对参数高精度的监测，测量难度大；要么所构建的模型适用范围较小；要么需要经验丰富的技术人员进行数据分析，有较高的时间和人力成本，实时性和检测效率不高。

发明内容

为了克服上述现有技术的不足，本发明提供一种数据驱动的船舶柴油机故障检测方法，基于偏最小二乘回归方法(下面简称“PLS”)，通过数据聚类、基于改进的偏最小二乘法的KPI建模和故障检测，针对船舶柴油机关键性能指标(下面简称“KPI”)实现实时的、适用范围较广和效率高的在线故障诊断。

本发明提供的技术方案是：

一种数据驱动的船舶柴油机故障检测方法，包括如下步骤：

1)对柴油机历史数据的工作模态进行聚类，得到柴油机工作模态类型；

输入柴油机历史数据集，通过对柴油机历史数据的分段和挑选原始数据中稳态的数据(稳态数据指处于一个变化不大的运行阶段)，采用k-means聚类的方法，聚出k类可以反映柴油机工作模态的数据；

具体步骤如下：

11)首先假设(或由机理预知)工作模态为k类，并随机初始化它们各自中心点。数据的中心点(或称为数据的质心)是指该类数据中所有数据点的平均值。

12)计算每个数据点到中心点的距离，数据点与哪个中心点距离最近就划分到该中心点对应的那一类。

13)计算每一类的中心点，作为该类新的中心点。

14)重复以上步骤，直到每一类的中心点在每次迭代后变化不大为止。也可以多次随机初始化中心点，然后选择运行结果最好(指多次迭代后中心点不变)的一个分类，或者将中心点的半径(迭代得到的新中心点与上一次迭代得到的中心点的距离)与设置的阈值(记为d)进行比较，来判断中心点是否符合要求。计算新中心点到该类数据所有点中最大的距离r(称为类半径r)，作为判断新的数据点是否属于该类工作模态的判断标准。

中心点到该类数据所有点中最大的距离r，称为类半径r，类半径r用来判断待检测数据是否属于该类对应的工作模态。将中心点的半径记为阈值d，用来判断新的中心点是否满足迭代终止要求(多次迭代后变化不大)。