[发明专利]基于衰退贡献度的船舶主机关联部件状态监测方法与系统

权利要求书

1.一种基于衰退贡献度的船舶主机关联部件状态监测方法，其特征在于，包括如下步骤：

选择历史健康样本中的稳定工况数据作为离线训练的输入数据，根据输入数据中的主机转速与燃油消耗率测量值构建主机经济性评估基线，根据主机转速和经济性关联部件状态参数利用SOM方法构建经济性关联部件健康基线；

采用多参数监控系统进行数据监测，利用构建的主机经济性评估基线对监测数据进行主机经济性状态分析，当经济性状态正常时，结束；当经济性状态异常时，发出异常报警，并进行主机关联部件健康状态分析；所述主机关联部件健康状态分析，包括：利用经济性关联部件健康基线对监测数据进行分析，得到主机经济性关联部件衰退对主机经济性异常的衰退贡献度；

对上述衰退贡献度进行排序，将排序靠前的部件定位为异常部件，并进行相应部件的维修排查。

2.根据权利要求1所述的方法，其特征在于，所述经济性关联部件包括气缸系统、冷却系统和增压器系统。

3.根据权利要求2所述的方法，其特征在于，所述监测数据为与离线训练的输入数据类型一致的数据，包括主机转速、燃油消耗量、气缸系统状态参数、冷却系统状态参数和增压器系统的状态参数。

4.根据权利要求3所述的方法，其特征在于，构建经济性关联部件健康基线包括下述步骤：

选择与经济性相关的各关联部件系统状态参数，构建第n个样本的经济性关联部件观测向量全集作为网络的输入向量其中，为船舶在航中的平稳运行过程采样时间范围中用于SOM网络训练的采样时刻集合，s(n)为转速，x₁(n),x₂(n),...,x_m(n)表示m个与经济性相关的各关联部件系统的状态参数；

根据输入向量的第j个权重向量W_j(n)得到全集权重向量W_j；其中，k为SOM网络训练的神经元个数；

计算输入向量与权重向量的欧式距离，找到距离最小的点，作为最佳匹配节点W_c；

采用调整权重，得到调整后的全集权重向量；其中，t为迭代步骤，α为学习速率，为以最佳匹配节点W_c为中心的优胜邻域内第j个神经元与最佳匹配节点W_c之间拓扑距离函数；

进行SOM网络的迭代训练，当收敛时结束训练，将训练好的SOM网络作为经济性关联部件健康基线。

5.根据权利要求4所述的方法，其特征在于，还包括对训练好的SOM网络进行测试的步骤，测试不通过，则重新训练，直到通过测试。

6.根据权利要求5所述的方法，其特征在于，所述对训练好的SOM网络进行测试的步骤包括：

采用在平稳运行过程采样时间范围中不同于的采样时刻集合作为测试过程时间范围，在第n个采样点的经济性关联部件观测向量对应输入训练好的SOM网络的输入向量全集为

通过训练好的SOM网络获得SOM网络输出的估计值在第n个采样点的经济性关联部件估计向量：

计算测试数据对应的经济性关联部件健康基线偏差向量：

当经济性关联部件健康基线偏差向量Δ_t中每个参数偏差均值均不超过阈值时，认为通过测试。