一种通过算法择优实现船舶柴油机滑油压力故障预测方法与流程

本发明涉及船舶设备故障预测方法，具体涉及一种通过算法择优实现船舶柴油机滑油压力故障预测方法。

背景技术：

1、船舶柴油机作为船舶的心脏，是船舶动力装置最核心的设备，若其频繁发生故障，会影响到船舶正常航行以及人身财产安全，因此保证船舶柴油机的正常工作是十分重要的。船舶柴油机的滑油系统又是船舶柴油机中最重要的系统之一，其作用是通过润滑油来保证柴油机的零件表面润滑，以减少摩擦阻力和零件间的磨损，并带走摩擦产生的热量和磨损产物，同时还具有防腐、传递动力、减轻噪音等作用。如果柴油机出现滑油系统工作故障，将会引起柴油机降速甚至停车，造成重大的事故。

2、当船舶柴油机长时间工作后，由于机器震动和机器零件的磨损、疲劳等原因，会使得柴油机滑油系统产生故障，例如某油轮在长时间航行后，突然出现柴油机滑油系统油泵出口压力突然从0.42mpa降到0.23mpa，即柴油机滑油压力低故障，其造成柴油机主机降速，险些造成重大事故。

3、船舶行业相较互联网等其他新兴行业而言，大数据、ai人工智能的结合应用相对滞后。但船舶行业本身含有众多的数据来源，包括船舶设计、制造与大宗商品运输等，因此蕴含着大量有价值的数据信息。大数据、人工智能分析技术应用于船舶行业之中，不但可以节省船舶运输燃料，还可以对船舶设备进行故障诊断预测，大大提升了行业效率。

技术实现思路

1、为了解决现有技术对柴油机滑油压力故障预测算法选择单一，从而不能实现数据准确拟合，进而导致预测不准确的问题，本发明提出了一种通过算法择优实现船舶柴油机滑油压力故障预测方法，通过线性和非线性算法的比较后择优，实现对船舶设备进行故障诊断预测，大大提升了行业效率。

2、具体步骤如下所述：

3、一种通过算法择优实现船舶柴油机滑油压力故障预测方法，步骤如下所述：

4、s1：数据采集：采集柴油机不同工况下的船舶航行记录数据并形成数据集，所述船舶航行记录数据包括柴油机各个工况运行时间、超过主机额定功率运行时间、“柴油机滑油压力低”故障报警记录；

5、s2：数据清洗：检查数据集是否存在缺失、数据是否具有完整性和一致性、数据中是否存在异常值；对缺失数据和异常数据进行处理；

6、s3：数据转化：在s2中数据清洗后的数据集中，利用pandas模块查找出柴油机滑油压力低故障报警的点，并对柴油机滑油压力低故障数据做归一化处理；

7、s4：模型训练：分别建立线性svm算法模型和非线性svm算法模型，应用python的drop模块将数据拆分为训练集和测试集，同时使用网格搜索法计算模型中的最佳惩罚系数c，再应用svm模型对训练集数据进行训练，生成训练后的线性svm算法模型和非线性svm算法模型；所述svm算法模型的核函数可以选择线性核函数、多项式核函数、高斯核函数、sigmoid核函数；

8、s5：判断是否数据拟合：通过对比测试集和训练集的准确率来确定测试集分别判断线性svm算法模型和非线性svm算法模型是否数据拟合，如果数据不拟合则停止模型建模，说明数据集不符合要求，再重新采集数据；

9、s6：算法择优拟合：如果数据拟合，则在线性svm算法模型和非线性svm算法模型训练之后，分别在测试集中进行测试，通过对比两种模型在测试集和训练集的准确率确定最佳拟合模型；

10、s7：预测故障：将船舶航行时，柴油机各个工况运行时间和超过主机额定功率运行时间输入到s6的最佳拟合模型之中，输出预测“柴油机滑油压力低”故障结果，若预测结果为故障，提示轮机长及时对柴油机滑油系统做检查避免故障发生。

11、优选地，s1中所述工况包括倒车工况、空车工况、进一工况、进二工况、进三工况。

12、优选地，s2中对数据集进行数据清洗采用python语言中的pandas模块和jupyternotebook软件来实现。

13、优选地，s2中对所述缺失数据和所述异常数据进行处理的方法为，当数据集中存在缺失时，使用均值替换缺失值；当数据集中存在异常数据值，删除异常数据。

14、优选地，s3中将柴油机滑油压力低故障做归一化处理的方法为，将每天各个工况运行时间数据转化为两次柴油机滑油压力低故障报警之间的时间数据，具体为：每当出现新的故障报警，就将运行时间数据从0开始累加；将故障报警数据转化为1，其他数据转化为0。

15、优选地，s4中所述线性svm算法模型和非线性svm算法模型集成在python语言中的sklearn模块，包括因子参数和特征值参数，所述因子参数包括柴油机的各个运行工况时间、超过主机额定功率运行时间；所述特征值参数包括柴油机滑油压力低。

16、优选地，所述svm线性算法模型的目标函数为：

17、

18、

19、αi≥0

20、所述xi、xj为样本点、yi、yj为样本点所属的类别、ai、aj为拉格朗日乘子、(xi·xj)表示两个样本点的内积；

21、其中：

22、

23、

24、将作为斜率，作为截距建立分割面方程

25、优选地，所述svm非线性模型算法的目标函数为：

26、

27、

28、0≤αi≤c

29、其中，yi、yj为样本点所属的类别、ai、aj为拉格朗日乘子、所述xi、xj为样本点、所述c为惩罚系数值，默认为1；φ(xi)·φ(xj)内积可以利用核函数替换，即k(xi·xj)＝φ(xi)·φ(xj)，所述核函数可以选择线性核函数、多项式核函数、高斯核函数、sigmoid核函数，从而计算得到线性“超平面”参数w和b的值：

30、

31、

32、优选地，所述高斯核函数的表达式为k(xi·xj)＝exp(-γ||xi-xj||2)，故对应的分割“超平面”为：

33、

34、其中，γ为高斯核函数的参数。

35、本发明提供了一种通过算法择优实现船舶柴油机滑油压力故障预测方法，本发明通过采集船舶航行时相关设备的主要数据，建立人工智能大数据模型，通过线性和非线性算法比较后择优，实现对“柴油机滑油压力低”故障的发生提前做出预测，避免了通过参数直接判断使用线性或非线性算法不能实现很好拟合的问题，本发明从拟合的结果出发，进行择优选择，得到最优拟合模型，解决了仅凭参数选择模型使预测结果不准确的问题，同时，本发明特别将高斯核函数、sigmoid核函数纳入选择的范围，使预测结果更准确。具体地，本发明通过数据采集、数据清洗、数据转化得到柴油机的各个运行工况时间、超过主机额定功率运行时间、柴油机滑油压力低等参数并通过模型训练：分别建立线性svm算法模型和非线性svm算法模型，对两个模型首先判断是否数据拟合，再通过对比两种模型在测试集和训练集的准确率确定最佳拟合模型；最终利用最佳的拟合模型预测柴油机滑油压力低故障。

技术特征：

1.一种通过算法择优实现船舶柴油机滑油压力故障预测方法，其特征在于，步骤如下所述：

2.由权利要求1所述的一种通过算法择优实现船舶柴油机滑油压力故障预测方法，其特征在于，s1中所述工况包括：倒车工况、空车工况、进一工况、进二工况、进三工况。

3.由权利要求1所述的一种通过算法择优实现船舶柴油机滑油压力故障预测方法，其特征在于，s2中对数据集进行数据清洗采用python语言中的pandas模块和jupyternotebook软件来实现。

4.由权利要求1所述的一种通过算法择优实现船舶柴油机滑油压力故障预测方法，其特征在于，s2中对所述缺失数据和所述异常数据进行处理的方法为，当数据集中存在缺失时，使用均值替换缺失值；当数据集中存在异常数据值，删除异常数据。

5.由权利要求1所述的一种通过算法择优实现船舶柴油机滑油压力故障预测方法，其特征在于，s3中将柴油机滑油压力低故障做归一化处理的方法为，将每天各个工况运行时间数据转化为两次柴油机滑油压力低故障报警之间的时间数据，具体为：每当出现新的故障报警，就将运行时间数据从0开始累加；将故障报警数据转化为1，其他数据转化为0。

6.由权利要求1所述的一种通过算法择优实现船舶柴油机滑油压力故障预测方法，其特征在于，s4中所述线性svm算法模型和非线性svm算法模型集成在python语言中的sklearn模块，包括因子参数和特征值参数，所述因子参数包括柴油机的各个运行工况时间、超过主机额定功率运行时间；所述特征值参数包括柴油机滑油压力低。

7.由权利要求1或6所述的一种通过算法择优实现船舶柴油机滑油压力故障预测方法，其特征在于，所述svm线性算法模型的目标函数为：

8.由权利要求1或6所述的一种通过算法择优实现船舶柴油机滑油压力故障预测方法，其特征在于，所述svm非线性模型算法的目标函数为：

9.由权利要求1或6所述的一种通过算法择优实现船舶柴油机滑油压力故障预测方法，其特征在于，φ(xi)·φ(xj)内积可以利用核函数替换，即k(xi·xj)＝φ(xi)·φ(xj)，所述核函数可以选择线性核函数、多项式核函数、高斯核函数、sigmoid核函数。

10.由权利要求9所述的一种通过算法择优实现船舶柴油机滑油压力故障预测方法，其特征在于，所述高斯核函数的表达式为k(xi·xj)＝exp(-γ||xi-xj||2)，故对应的分割“超平面”为：

技术总结
本发明提供了一种通过算法择优实现船舶柴油机滑油压力故障预测方法，具体地，本通过数据采集、数据清洗、数据转化得到柴油机的各个运行工况时间、超过主机额定功率运行时间、柴油机滑油压力低等参数并通过模型训练：分别建立线性SVM算法模型和非线性SVM算法模型，对两个模型首先判断是否数据拟合，再通过对比两种模型在测试集和训练集的准确率确定最佳拟合模型；最终利用最佳的拟合模型预测柴油机滑油压力低故障，从而实现了对柴油机滑油压力故障预测。

技术研发人员：王晓东,金晓军,耿琦,马旭颖,时榕茂,施顺安
受保护的技术使用者：上海船舶运输科学研究所有限公司
技术研发日：
技术公布日：2024/1/13