[发明专利]计算机可读介质、发动机故障检测装置以及船舶

说明书

本发明提出一种计算机可读介质、发动机故障检测装置以及船舶。该计算机可读介质，储存有多层的神经网络模型以及预设程序，该预设程序被执行时能够实现以下步骤：根据输入的转速、尾气各成分的含量以及对应的故障类型，训练神经网络模型并修正神经网络模型中的各个参数，发动机故障检测装置，包括该计算机可读介质，船舶，包括该发动机故障检测装置。该计算机可读介质、发动机故障检测装置以及船舶，根据输入的转速、尾气各成分的含量以及对应的故障类型，训练多层神经网络模型并修正神经网络模型中的各个参数，可以应用于不同的不同型号或类型的发动机的故障检测，以针对该发动机建立合适的模型，从而可以精确地检测或预测该发动机的故障类型。

技术领域

本发明属于故障检测领域，尤其涉及一种计算机可读介质、发动机故障检测装置以及船舶。

背景技术

对于复杂的系统，对可能出现的故障进行早期检测，可以节省宝贵的时间和成本来采取补救措施，以避免危险状况的情况。近年来，故障诊断得到了广泛的研究。一般来说，故障诊断方法可以分为基于模型，基于信号，基于知识的方法。其中基于知识的方法也被称为数据驱动方法。该方法需要大量历史数据来建立系统的故障模式，无需先验的已知模型或信号模式，因此非常适合运用在难以建立显式模型或信号特征的复杂系统的故障诊断上。

机器学习是处理数据驱动故障诊断数据最主要的方法之一。然而，机器学习方法依赖于原始数据的数据特征，需要先对原始数据进行特征提取之后，才能采用机器学习方法进行故障诊断，但特征提取过程是非常耗时耗力的工作，并且对最终的结果有很大的影响。

发明内容

本发明针对上述的技术问题，提出一种可以准确检测或预测发动机故障的计算机可读介质、发动机故障检测装置以及船舶。

为了实现上述目的，本发明提供了一种计算机可读介质，储存有多层的神经网络模型以及预设程序，该预设程序被执行时能够实现以下步骤：根据输入的转速、尾气各成分的含量以及对应的故障类型，训练神经网络模型并修正神经网络模型中的各个参数。

作为优选，该预设程序被执行时还能够实现以下步骤：根据接收的转速、尾气各成分的含量，使用多层神经网络模型进行计算，根据预设的故障类型进行判断。

作为优选，该预设程序被执行时能够实现以下步骤：初始化神经网络模型中每层的连接权值和阈值，神经网络模型按照预设的学习算法和学习速率进行训练。

作为优选，该神经网络模型包括2层隐藏层。

作为优选，该预设程序被执行时，神经网络模型按照以下步骤进行训练：计算隐藏层每个神经元的、输出，感觉上层神经元的输出并计算下一层神经元的输入、输出，若输出与预设的故障类型对应的的误差不在预设范围内，则输出层每个神经元的归一化误差，将隐含层每个神经元的误差归一化，根据归一化的误差调整隐藏层与输出层的连接权值和隐藏层阈值，调整输入层和隐藏层的连接权值和隐藏层阈值。

作为优选，该预设程序被执行时，神经网络模型训练时进一步包括以下步骤：若输出与预设的故障类型对应的的误差在预设范围内，则保存神经网络模型中的各个参数。

作为优选，该预设程序被执行时能够实现以下步骤：在预设范围内的数值中随机选出对应于神经网络模型中连接权值和阈值的数值以初始化神经网络模型中的连接权值和阈值。

一种发动机故障检测装置，包括尾气成分分析单元，转速检测单元，以及分别与所述尾气成分分析单元和所述转速检测单元电性连接的处理器，所述处理器包括如上任一项中所述的计算机可读介质。

一种船舶，包括发动机，以及如上任一项中所述的发动机故障检测装置。

作为优选，还包括与所述发动机故障检测装置电性连接的显示单元。

与现有技术相比，本发明的优点和积极效果在于：