一种舰船装备状态监测和故障诊断方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115860708A(43)申请公布日2023.03.28(21)申请号202211414185.1(22)申请日2022.11.11(71)申请人中国舰船研究设计中心地址430064湖北省武汉市武昌区张之洞路268号(72)发明人邹大程张冬原宗周涛涛吴朝辉(74)专利代理机构湖北武汉永嘉专利代理有限公司42102专利代理师胡建平李丹(51)Int.Cl.G06Q10/20(2023.01)G06Q10/04(2023.01)G06F18/213(2023.01)G06F18/214(2023.01)权利要求书2页说明书6页附图3页(54)发明名称一种舰船装备状态监测和故障诊断方法(57)摘要本发明公开了一种舰船装备状态监测和故障诊断方法，包括以下步骤：1)装备故障特征信号提取；2)特征信号预处理；3)特征向量与损伤累积相关性分析；根据特征信号预处理的结果，针对装备的损伤累积特点对特征信号进行相关性分析和特征向量表征；先进行相关性分析选取相关特征向量集合，然后对选取的特征信号向量进行特征表征；4)故障预测模型构建；5)采用统计假设检验方法，验证故障预测模型在给定置信度下的准确率，开展模型验证和优选，遴选具备泛化性能的故障预测模型进行舰船装备状态监测和故障诊断。本发明提出了一种故障预测模型构建方法，可用于评估舰船装备状态和预测舰船装备寿命，以及支撑装备的使用维修决策。CN115860708ACN115860708A权利要求书1/2页1.一种舰船装备状态监测和故障诊断方法，其特征在于，包括以下步骤：1)装备故障特征信号提取根据装备主要故障模式，分析装备故障机理，采集装备故障关联的特征信号数据；并将特征信号数据分为以下类型：波形数据、数值型数据和多维型数据；2)特征信号预处理根据特征信号数据类型和信号的统计特征进行特征信号预处理；特征信号预处理包括以下方式的一种或多种：傅立叶变换与快速傅立叶变换、包络解调分析去噪、小波变换、经验模态分解、局部均值分解、独立分量分析；3)特征向量与损伤累积相关性分析根据特征信号预处理的结果，针对装备的损伤累积特点对特征信号进行特征选择和相关性分析，先对选取的特征向量进行特征表征，然后进行相关性分析选取相关特征向量集合；4)故障预测模型构建；应用深度前馈神经网络和卷积神经网络，分别训练装备故障预测算法参数，形成装备故障预测模型；5)采用统计假设检验方法，验证故障预测模型在给定置信度下的准确率，开展模型验证和优选，遴选具备泛化性能的故障预测模型进行舰船装备状态监测和故障诊断。2.根据权利要求1所述的舰船装备状态监测和故障诊断方法，其特征在于，所述步骤3)中进行相关性分析选取特征向量主要包括子集搜索、子集评价以及特征相关性分析三部分；3.1)子集搜索；给定完整的特征向量集合{a1，a2，…，ad}，使用“前向”搜索、“后向”搜索或“双向”搜索获得最优的候选特征子集；3.2)子集评价；对于特征向量子集给定数据集D，假定D中第i类样本所占的比例为pi(i＝1，2，…n)，n为样本类别数，对属性子集A，假定根据其取值将D分成了V个子集{D1，D2，…，DV}，每个子集中的样本在A上取值相同，于是计算属性子集A的信息增益：其中，信息熵定义为：信息增益Gain(A)越大，意味着特征向量子集A包含的有助于分类的信息越多；于是，对每个候选特征向量子集，基于训练数据集D来计算其信息增益，以此作为评价准则；3.3)特征相关性分析；特征向量相关性分析主要采用主成分分析法，通过降维处理寻找到能够代表原始数据集中信息特征的低维度的特征向量集合。3.根据权利要求1所述的舰船装备状态监测和故障诊断方法，其特征在于，所述步骤3)中，对特征信号进行特征选择为选择特征信号的能量和峰峰值。4.根据权利要求1所述的舰船装备状态监测和故障诊断方法，其特征在于，所述步骤4)中故障预测模型构建的过程中，当对模型进行训练时，采用k折交叉验证法，把数据集D划分2CN115860708A权利要求书2/2页为k个大小相似的互斥子集，每个子集都尽可能保持数据分布的一致；然后每次用k‑1个子集的并集作为训练集，余下的子集作为测试集，从而可进行k次训练和测试，最终返回k个测试结果的均值。3CN115860708A说明书1/6页一种舰船装备状态监测和故障诊断方法技术领域[0001]本发明涉及舰船维保技术，尤其涉及一种舰船装备状态监测和故障诊断方法。背景技术[0002]舰船装备修理目前主要以定期计划修理和事后修理为主，缺少状态评估与寿命预测的方法，装备“过修”和“失修”的现象并存，装备保障资源配置粗放，同时装备存在突发故障风险，无法满足装备战备完好性需要。目前舰船装备主要通过包括神经网络、模糊理论、专家系