CN115169434A - 基于k均值聚类算法的主机工况特征值提取方法及系统 - Google Patents
基于k均值聚类算法的主机工况特征值提取方法及系统 Download PDFInfo
- Publication number
- CN115169434A CN115169434A CN202210665119.5A CN202210665119A CN115169434A CN 115169434 A CN115169434 A CN 115169434A CN 202210665119 A CN202210665119 A CN 202210665119A CN 115169434 A CN115169434 A CN 115169434A
- Authority
- CN
- China
- Prior art keywords
- host
- working condition
- average value
- characteristic
- main engine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供了一种基于K均值聚类算法的主机工况特征值提取方法及系统，该方法先采集船舶数据并进行预处理，从预处理后的船舶数据中选取多个特征参数，计算得到单位时间内各特征参数平均值，然后采用F检验法提取出与特征参数中主机功率平均值相关性最大的特征参数平均值，作为相关特征参数平均值，并采用K‑means聚类算法对主机功率平均值和相关特征参数平均值进行第一阶段工况划分，得到多个主机工况，采用K均值聚类算法，结合海水温度平均值和主机扫气箱温度平均值继续对轮廓系数最低的主机工况进行第二阶段工况划分，得到多个主机工况，最后分别提取上述划分出的各个主机工况的特征值，提高主机工况划分的精准度。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于K均值聚类算法的主机工况特征值提取方法及系统。
背景技术
船舶的日常运行成本非常高昂，有效的运行时间决定了船东的盈利水平。船舶主机是船舶核心的动力装置，其在使用过程中不可避免地会发生一些故障，这些故障的发生将严重影响船舶的正常运营，不仅影响设备的正常运转，严重时还会产生事故，甚至危及人身安全。
船舶主机性能是船舶航行状态的重要指标。在智能船舶大数据挖掘营运领域中，现阶段分析船舶航行中主机性能时缺乏有效的定量的数据归类，通常只是对主机进行建模与优化，但在不同工况下，主机的性能标准不尽相同，因而主机工况的划分，对其性能的研究有着重要意义。现阶段存在的工况划分方法较为单一，多基于单层次单阶段的划分，在实际应用特别是海量实船运营数据分析中会存在一定的局限性。
主机工况划分是后续实现主机效率、故障预测、运行分析的主要基础。根据实船采集的船舶设备信息以及航行信息，按照主机运行的物理原型，对主机工况进行合理的划分，需要考虑多个设备参数，包括增压器参数、冷却水参数等复杂机构的参数。
实际工程应用中，很多设备参数很难获得且有时候数据会发生丢失。主机工况的变化也会受温度、机器老化的影响，例如船舶刚营运期间和船舶已经营运多年的工况是不一样的，因此，根据实船数据划分出合理的船舶主机运行工况可以为确定船舶污染物排放量、预估燃油消耗量、评估主机性能评估以及主机关键设备故障诊断预测等方面奠定了基础，为船舶设备管理和维护提供了参考依据。
而主机工况运行是一个耦合的过程，各个主要设备会相互影响导致工况发生变化，但是实际船舶很难全面输出主机运行物理模型需要的参数，因此按照现有的方法，这个工况划分存在一定难度。
发明内容
为解决现有主机工况划分过程中存在的划分方法较为单一，在实际应用及海量实船运营数据分析中有较大局限性等问题，本发明提供了一种基于K均值聚类算法的主机工况特征值提取方法，基于F检验法进行相关性分析，并采用K均值聚类算法对主机功率及与其相关性最高的特征参数进行工况划分，通过采用特定的计算方法计算出轮廓系数，再对轮廓系数最低的主机工况继续进行工况划分，能够有效提升工况识别性和实际工程的可用性，同时对主机工况采用两阶段划分能够有效的划分出船舶主机运行工况，提高主机工况划分的精准度，并能够为进一步分析与优化船舶和主机的工作性能提供基础。本发明还涉及一种基于K均值聚类算法的主机工况特征值提取系统。
本发明的技术方案如下：
一种基于K均值聚类算法的主机工况特征值提取方法，其特征在于，包括以下步骤：
数据采集处理步骤：采集船舶数据，对船舶数据进行预处理，并从预处理后的船舶数据中选取多个特征参数，所述特征参数包括主机功率、海水温度和主机扫气箱温度；计算得到单位时间内各特征参数平均值，包括主机功率平均值、海水温度平均值和主机扫气箱温度平均值；
第一工况划分步骤：采用F检验法提取出与主机功率平均值相关性最大的特征参数平均值，作为相关特征参数平均值，并采用K均值聚类算法对主机功率平均值和相关特征参数平均值进行第一阶段工况划分，得到多个主机工况；
第二工况划分步骤：计算出每个主机工况下对应的轮廓系数，再采用K均值聚类算法，结合海水温度平均值和主机扫气箱温度平均值继续对轮廓系数最低的主机工况进行第二阶段工况划分，得到多个主机工况，第二阶段工况划分步骤得到的主机工况数目与第一阶段工况划分步骤得到的主机工况数目相同或不同；
特征值提取步骤：分别计算第一工况划分步骤和第二工况划分步骤中得到的各个主机工况的特征值，整合计算结果以进行主机工作性能分析。
优选地，所述第二工况划分步骤中，在进行第二阶段工况划分时，还采用肘方法计算出最优的主机工况数目，将最优的主机工况数目作为最终得到的主机工况数目；所述特征值提取步骤计算的是优化后的各个主机工况的特征值。
优选地，所述数据采集处理步骤中，所述预处理包括删除船舶数据中的异常数据，以及去除噪声和数据标准化。
优选地，所述数据采集处理步骤中，所述特征参数还包括主机转速、船舶航速、主机气缸排气温度和主机气缸冷却水温度。
优选地，所述特征值提取步骤中，所述各个主机工况的特征值包括各主机工况下均计算得出的主机功率的平均值和标准差、主机转速的平均值和标准差、船舶航速的平均值和标准差、海水温度的平均值和标准差、主机气缸排气温度的平均值和标准差、主机气缸冷却水温度的平均值和标准差、主机扫气箱温度的平均值和标准差。
一种基于K均值聚类算法的主机工况特征值提取系统，其特征在于，包括依次连接的数据采集处理模块、第一工况划分模块、第二工况划分模块和特征值提取模块，
数据采集处理模块：采集船舶数据，对船舶数据进行预处理，并从预处理后的船舶数据中选取多个特征参数，所述特征参数包括主机功率、海水温度和主机扫气箱温度；计算得到单位时间内各特征参数平均值，包括主机功率平均值、海水温度平均值和主机扫气箱温度平均值；
第一工况划分模块：采用F检验法提取出与主机功率平均值相关性最大的特征参数平均值，作为相关特征参数平均值，并采用K均值聚类算法对主机功率平均值和相关特征参数平均值进行第一阶段工况划分，得到多个主机工况；
第二工况划分模块：计算出每个主机工况下对应的轮廓系数，再采用K均值聚类算法，结合海水温度平均值和主机扫气箱温度平均值继续对轮廓系数最低的主机工况进行第二阶段工况划分，得到多个主机工况，第二阶段工况划分得到的主机工况数目与第一阶段工况划分得到的主机工况数目相同或不同；
特征值提取模块：分别计算第一工况划分模块和第二工况划分模块中得到的各个主机工况的特征值，整合计算结果以进行主机工作性能分析。
优选地，所述第二工况划分模块中，在进行第二阶段工况划分时，还采用肘方法计算出最优的主机工况数目，将最优的主机工况数目作为最终得到的主机工况数目；所述特征值提取模块计算的是优化后的各个主机工况的特征值。
优选地，所述预处理包括删除船舶数据中的异常数据，以及去除噪声和数据标准化。
优选地，所述特征参数还包括主机转速、船舶航速、主机气缸排气温度和主机气缸冷却水温度。
优选地，所述各个主机工况的特征值包括各主机工况下均计算得出的主机功率的平均值和标准差、主机转速的平均值和标准差、船舶航速的平均值和标准差、海水温度的平均值和标准差、主机气缸排气温度的平均值和标准差、主机气缸冷却水温度的平均值和标准差、主机扫气箱温度的平均值和标准差。
本发明的有益效果为：
本发明提供的一种基于K均值聚类算法(简称K-means聚类算法)的主机工况特征值提取方法，基于F检验法(或称为F-test检验方法)将船舶数据中各个特征参数的平均值与主机功率平均值进行相关性分析，并采用K-means聚类算法对主机功率及与其相关性最高的特征参数进行第一阶段工况划分，划分出多个主机工况，再计算出主机工况的轮廓系数，对轮廓系数最低的主机工况继续进行第二阶段工况划分即再次划分，能够有效提升工况识别性和实际工程的可用性，并计算各个工况的特征值。该方法采用K-means聚类算法、F检验法等容易实现，并且在实船应用中，对主机工况采用两阶段划分能够真实有效地划分出船舶主机运行工况，提高主机工况划分的精准度，并能够为进一步分析与优化船舶和主机的工作性能提供基础。
本发明还涉及一种基于K均值聚类算法(简称K-means聚类算法)的主机工况特征值提取系统，该系统与上述的基于K-means聚类算法的主机工况特征值提取方法相对应，可理解为是一种实现上述基于K-means聚类算法的主机工况特征值提取方法的系统，包括依次连接的数据采集处理模块、第一工况划分模块、第二工况划分模块和特征值提取模块，各模块相互协同工作，基于F-test检验方法进行相关性分析，并采用K-means聚类算法对主机功率及与其相关性最高的特征参数进行工况划分，再对轮廓系数最低的主机工况继续进行工况二次划分，能够有效提升工况识别性和实际工程的可用性，同时对主机工况采用两阶段划分能够有效地划分出船舶主机运行工况，提高主机工况划分的精准度，有效提升主机工况划分能力。
附图说明
图1是本发明基于K均值聚类算法的主机工况特征值提取方法的流程图。
图2是本发明基于K均值聚类算法的主机工况特征值提取方法的优选流程图。
具体实施方式
下面结合附图对本发明进行说明。
本发明涉及一种基于K均值聚类算法(简称K-means聚类算法)的主机工况特征值提取方法，该方法的流程图如图1所示，依次包括以下步骤：
数据采集处理步骤，或进一步称为数据采集和船舶数据预处理步骤，首先采集船舶数据，并对船舶数据进行预处理，清洗船舶数据中的异常数据(数据采集过程中出现一些数据缺失、产生奇异数据，对以上数据进行剔除处理)，以及去除噪声和数据标准化，然后从预处理后的船舶数据中选取多个特征参数，所述特征参数优选包括主机功率、海水温度、主机扫气箱温度、主机转速、船舶航速、主机气缸排气温度和主机气缸冷却水温度等；计算得到单位时间(例如十分钟)内各特征参数平均值，比如包括主机功率平均值、海水温度平均值、主机扫气箱温度平均值、主机转速平均值、船舶航速平均值、主机气缸排气温度平均值和主机气缸冷却水温度平均值等。
然后就是基于K-means聚类算法的两个阶段船舶主机工况划分。第一工况划分步骤，即第一阶段工况划分，采用F检验法(简称F-test检验方法)提取出与主机功率平均值相关性最大的特征参数平均值，作为相关特征参数平均值，并采用K-means聚类算法对主机功率平均值和相关特征参数平均值进行第一阶段工况划分，得到多个主机工况；
具体地，如图2所示的优选流程图，先采用F-test检验方法从多个特征参数中提取出与主机功率平均值相关性最大的特征参数平均值，F-test检验方法按照下式进行计算：
上式中，F为计算结果分数值，x1为除了主机功率平均值以外的任一特征参数平均值，x2为主机功率平均值，n1表示特征参数平均值x1的数量，xi1代表x1第i个值，n2表示主机功率平均值x2的数量，xi2代表x2第i个值，分数值F计算结果由除了主机功率平均值以外的任一特征参数平均值x1的计算结果值S1与主机功率x2的计算结果值S2相比得到。
依次将主机功率平均值、海水温度平均值、主机扫气箱温度平均值、主机转速平均值、船舶航速平均值、主机气缸排气温度平均值和主机气缸冷却水温度平均值代入上式中进行计算，得到分数值F最高的特征参数A，作为相关特征参数平均值，并采用K-means聚类算法对主机功率平均值和相关特征参数平均值进行第一阶段工况划分，划分出多个主机工况；其中，主机工况优选为四个，即确定该第一阶段工况划分得到的主机工况数据为四个，例如，特征参数A分为高值和低值、主机功率平均值也分为高值和低值，这样就有四种组合，即四个主机工况。
第二工况划分步骤，即第二阶段工况划分，计算出每个主机工况下对应的轮廓系数，再采用K-means聚类算法，结合海水温度平均值和主机扫气箱温度平均值继续对轮廓系数最低的主机工况进行第二阶段工况划分，得到多个主机工况，第二阶段工况划分步骤得到的主机工况数目与第一阶段工况划分步骤得到的主机工况数目相同或不同。
具体地，根据第一工况划分步骤中划分出的四个主机工况，计算出每个主机工况下对应数据簇的轮廓系数SC，轮廓系数SC按照下式进行计算：
上式中，数据点i属于数据簇I(即对应工况)，a(i)表示数据点i到其他数据点的距离平均值，CI表示数据簇I有CI个数据点，j表示数据簇I中的第j个数据点，d(i,j)表示i和j的距离
上式中，b(i)表示数据点i到其他数据点的距离平均值的最小值，CJ表示数据簇J有CJ个数据点，j表示数据簇J中的第j个数据点，d(i,j)表示i和j的距离。
上式中，S(i)表示数据点i的计算系数。
上式中，SC表示数据簇I的轮廓系数。
在计算出每个主机工况下对应的轮廓系数SC后，再采用K-means聚类算法，以海水温度平均值和主机扫气箱温度平均值为K-means聚类算法的输入参数，继续对轮廓系数最低的主机工况进行第二阶段工况划分，得到K个主机工况，并采用肘方法计算出最优的主机工况数目n，将最优的主机工况数目n作为最终得到的主机工况数目(K＝n)，其中，K∈1，2，3，4，...n，...m，依次带入到肘方法计算公式中，计算出最优的主机工况数目n，第二阶段工况划分最终优化得到的主机工况数目优选为四个(n＝4)，对轮廓系数最低的主机工况再次进行划分能够提升主机工况的识别性和实际工程的可用性。其中，肘方法计算公式如下：
上式中，Ci表示每个数据簇的中心，p为属于以Ci为中心构成的数据簇的数据点，n代表有n个数据簇。利用肘方法选取出的最合适的工况数目可以降低二次划分工况的盲目性，从提升工况的可信度。
特征值提取步骤：分别计算第一工况划分步骤和第二工况划分步骤中得到的各个主机工况的特征值，整合计算结果以进行主机工作性能分析。优选地，特征值包括各主机工况下均计算得出的一系列的平均值和标准差：主机功率的平均值和标准差、主机转速的平均值和标准差、船舶航速的平均值和标准差、海水温度的平均值和标准差、主机气缸排气温度的平均值和标准差、主机气缸冷却水温度的平均值和标准差、主机扫气箱温度的平均值和标准差。
需要说明的是，各个主机工况的特征值中的主机功率的平均值、主机转速的平均值、船舶航速的平均值、海水温度的平均值、主机气缸排气温度的平均值、主机气缸冷却水温度的平均值以及主机扫气箱温度的平均值，均为数据采集处理步骤中各个特征参数平均值计算得出的平均值。
当第一工况划分步骤中划分出四个主机工况时，将其中轮廓系数最低的一个主机工况二次工况划分最终为n个，故第一工况划分步骤和第二工况划分步骤中得到总的主机工况数目为3+n个，当n＝4时即两个阶段划分得到的总的主机工况数目为7个，计算这3+n个(比如7个)工况下的主机功率的平均值和标准差、主机转速的平均值和标准差、船舶航速的平均值和标准差、海水温度的平均值和标准差、主机气缸排气温度的平均值和标准差、主机气缸冷却水温度的平均值和标准差、主机扫气箱温度的平均值和标准差，整合计算结果以进行后续主机性能分析，进而分析出各个主机工况的具体情况。例如：每个主机工况下均有主机功率、主机转速、船舶航速、海水温度、主机气缸排气温度、主机气缸冷却水温度和主机扫气箱温度这些参数，在各个参数的平均值和标准差计算出来后，可以获得各个参数的平均值和标准差的最大值和最小值，根据各个参数的平均值和标准差的最大值和最小值能够分析出当前主机运行所属的工况，从而对比当前主机运行参数与该工况下历史特征值的差别，判断当前主机是否故障或者性能下降。
本发明还涉及了一种基于K均值聚类算法的主机工况特征值提取系统，该系统与上述基于K均值聚类算法的主机工况特征值提取方法相对应，可理解为是实现上述方法的系统，该系统包括依次连接的数据采集处理模块、第一工况划分模块、第二工况划分模块和特征值提取模块，具体地，
数据采集处理模块，采集船舶数据，对船舶数据进行预处理，并从预处理后的船舶数据中选取多个特征参数，所述特征参数包括主机功率、海水温度和主机扫气箱温度；计算得到单位时间内各特征参数平均值，包括主机功率平均值、海水温度平均值和主机扫气箱温度平均值；
第一工况划分模块，采用F检验法提取出与主机功率平均值相关性最大的特征参数平均值，作为相关特征参数平均值，并采用K均值聚类算法对主机功率平均值和相关特征参数平均值进行第一阶段工况划分，得到多个主机工况；
第二工况划分模块，计算出每个主机工况下对应的轮廓系数，再采用K均值聚类算法，结合海水温度平均值和主机扫气箱温度平均值继续对轮廓系数最低的主机工况进行第二阶段工况划分，得到多个主机工况，第二阶段工况划分得到的主机工况数目与第一阶段工况划分得到的主机工况数目相同或不同；
特征值提取模块，分别计算第一工况划分模块和第二工况划分模块中得到的各个主机工况的特征值，整合计算结果以进行主机工作性能分析。
优选地，第二工况划分模块中，在进行第二阶段工况划分时，还采用肘方法计算出最优的主机工况数目，将最优的主机工况数目作为最终得到的主机工况数目；所述特征值提取模块计算的是优化后的各个主机工况的特征值。
优选地，预处理包括删除船舶数据中的异常数据，以及去除噪声和数据标准化。
优选地，特征参数还包括主机转速、船舶航速、主机气缸排气温度和主机气缸冷却水温度。
优选地，各个主机工况的特征值包括各主机工况下均计算得出的主机功率的平均值和标准差、主机转速的平均值和标准差、船舶航速的平均值和标准差、海水温度的平均值和标准差、主机气缸排气温度的平均值和标准差、主机气缸冷却水温度的平均值和标准差、主机扫气箱温度的平均值和标准差。
本发明提供了客观、科学的基于K-means聚类算法的主机工况特征值提取方法及系统，基于F-test检验方法进行相关性分析，并采用K-means聚类算法进行工况划分，再采用特定的计算方法计算出轮廓系数，对轮廓系数最低的主机工况继续进行工况划分，能够有效提升工况识别性和实际工程的可用性，同时对主机工况采用两阶段划分能够有效地划分出船舶主机运行工况，提高主机工况划分的精准度，并能够为进一步分析与优化船舶和主机的工作性能提供基础。
应当指出，以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造，但不以任何方式限制本发明创造。因此，尽管本说明书参照附图和实施例对本发明创造已进行了详细的说明，但是，本领域技术人员应当理解，仍然可以对本发明创造进行修改或者等同替换，总之，一切不脱离本发明创造的精神和范围的技术方案及其改进，其均应涵盖在本发明创造专利的保护范围当中。
Claims (10)
1.一种基于K均值聚类算法的主机工况特征值提取方法，其特征在于，包括以下步骤：
数据采集处理步骤：采集船舶数据，对船舶数据进行预处理，并从预处理后的船舶数据中选取多个特征参数，所述特征参数包括主机功率、海水温度和主机扫气箱温度；计算得到单位时间内各特征参数平均值，包括主机功率平均值、海水温度平均值和主机扫气箱温度平均值；
第一工况划分步骤：采用F检验法提取出与主机功率平均值相关性最大的特征参数平均值，作为相关特征参数平均值，并采用K均值聚类算法对主机功率平均值和相关特征参数平均值进行第一阶段工况划分，得到多个主机工况；
第二工况划分步骤：计算出每个主机工况下对应的轮廓系数，再采用K均值聚类算法，结合海水温度平均值和主机扫气箱温度平均值继续对轮廓系数最低的主机工况进行第二阶段工况划分，得到多个主机工况，第二阶段工况划分步骤得到的主机工况数目与第一阶段工况划分步骤得到的主机工况数目相同或不同；
特征值提取步骤：分别计算第一工况划分步骤和第二工况划分步骤中得到的各个主机工况的特征值，整合计算结果以进行主机工作性能分析。
2.根据权利要求1所述的基于K均值聚类算法的主机工况特征值提取方法，其特征在于，所述第二工况划分步骤中，在进行第二阶段工况划分时，还采用肘方法计算出最优的主机工况数目，将最优的主机工况数目作为最终得到的主机工况数目；所述特征值提取步骤计算的是优化后的各个主机工况的特征值。
3.根据权利要求1所述的基于K均值聚类算法的主机工况特征值提取方法，其特征在于，所述数据采集处理步骤中，所述预处理包括删除船舶数据中的异常数据，以及去除噪声和数据标准化。
4.根据权利要求1所述的基于K均值聚类算法的主机工况特征值提取方法，其特征在于，所述数据采集处理步骤中，所述特征参数还包括主机转速、船舶航速、主机气缸排气温度和主机气缸冷却水温度。
5.根据权利要求4所述的基于K均值聚类算法的主机工况特征值提取方法，其特征在于，所述特征值提取步骤中，所述各个主机工况的特征值包括各主机工况下均计算得出的主机功率的平均值和标准差、主机转速的平均值和标准差、船舶航速的平均值和标准差、海水温度的平均值和标准差、主机气缸排气温度的平均值和标准差、主机气缸冷却水温度的平均值和标准差、主机扫气箱温度的平均值和标准差。
6.一种基于K均值聚类算法的主机工况特征值提取系统，其特征在于，包括依次连接的数据采集处理模块、第一工况划分模块、第二工况划分模块和特征值提取模块，
数据采集处理模块：采集船舶数据，对船舶数据进行预处理，并从预处理后的船舶数据中选取多个特征参数，所述特征参数包括主机功率、海水温度和主机扫气箱温度；计算得到单位时间内各特征参数平均值，包括主机功率平均值、海水温度平均值和主机扫气箱温度平均值；
第一工况划分模块：采用F检验法提取出与主机功率平均值相关性最大的特征参数平均值，作为相关特征参数平均值，并采用K均值聚类算法对主机功率平均值和相关特征参数平均值进行第一阶段工况划分，得到多个主机工况；
第二工况划分模块：计算出每个主机工况下对应的轮廓系数，再采用K均值聚类算法，结合海水温度平均值和主机扫气箱温度平均值继续对轮廓系数最低的主机工况进行第二阶段工况划分，得到多个主机工况，第二阶段工况划分得到的主机工况数目与第一阶段工况划分得到的主机工况数目相同或不同；
特征值提取模块：分别计算第一工况划分模块和第二工况划分模块中得到的各个主机工况的特征值，整合计算结果以进行主机工作性能分析。
7.根据权利要求6所述的基于K均值聚类算法的主机工况特征值提取系统，其特征在于，所述第二工况划分模块中，在进行第二阶段工况划分时，还采用肘方法计算出最优的主机工况数目，将最优的主机工况数目作为最终得到的主机工况数目；所述特征值提取模块计算的是优化后的各个主机工况的特征值。
8.根据权利要求6所述的基于K均值聚类算法的主机工况特征值提取系统，其特征在于，所述预处理包括删除船舶数据中的异常数据，以及去除噪声和数据标准化。
9.根据权利要求6所述的基于K均值聚类算法的主机工况特征值提取系统，其特征在于，所述特征参数还包括主机转速、船舶航速、主机气缸排气温度和主机气缸冷却水温度。
10.根据权利要求9所述的基于K均值聚类算法的主机工况特征值提取系统，其特征在于，所述各个主机工况的特征值包括各主机工况下均计算得出的主机功率的平均值和标准差、主机转速的平均值和标准差、船舶航速的平均值和标准差、海水温度的平均值和标准差、主机气缸排气温度的平均值和标准差、主机气缸冷却水温度的平均值和标准差、主机扫气箱温度的平均值和标准差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210665119.5A CN115169434B (zh) | 2022-06-14 | 2022-06-14 | 基于k均值聚类算法的主机工况特征值提取方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210665119.5A CN115169434B (zh) | 2022-06-14 | 2022-06-14 | 基于k均值聚类算法的主机工况特征值提取方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115169434A true CN115169434A (zh) | 2022-10-11 |
| CN115169434B CN115169434B (zh) | 2023-09-19 |
Family
ID=83486289
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210665119.5A Active CN115169434B (zh) | 2022-06-14 | 2022-06-14 | 基于k均值聚类算法的主机工况特征值提取方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115169434B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012089926A1 (en) * | 2010-12-31 | 2012-07-05 | Eniram Oy | A method for determining statistical distribution of characteristic parameters of a vessel |
| US20150286703A1 (en) * | 2014-04-08 | 2015-10-08 | International Business Machines Corporation | Adaptive variable selection for data clustering |
| CN105930629A (zh) * | 2016-07-13 | 2016-09-07 | 大唐南京环保科技有限责任公司 | 一种基于海量运行数据的在线故障诊断方法 |
| CN106991524A (zh) * | 2017-03-20 | 2017-07-28 | 国网江苏省电力公司常州供电公司 | 一种台区线损率预估方法 |
| CN108052707A (zh) * | 2017-11-28 | 2018-05-18 | 中国船舶工业系统工程研究院 | 一种基于聚类分析的船舶航行工况划分方法 |
| CN112270312A (zh) * | 2020-11-26 | 2021-01-26 | 中南林业科技大学 | 风机轴承故障诊断方法、系统、计算机设备和存储介质 |
| CN112307688A (zh) * | 2020-10-29 | 2021-02-02 | 中国舰船研究设计中心 | 一种电力推进船舶能效监控管理优化系统和方法 |
| US20210065021A1 (en) * | 2018-12-17 | 2021-03-04 | Shenyang Institute Of Automation, Chinese Academy Of Sciences | Working condition state modeling and model correcting method |
| CN113128120A (zh) * | 2021-04-22 | 2021-07-16 | 三一汽车起重机械有限公司 | 一种汽车起重机典型行驶工况构建方法 |
| CN113240201A (zh) * | 2021-06-08 | 2021-08-10 | 兰州大学 | 一种基于gmm-dnn混合模型预测船舶主机功率方法 |
| CN113537386A (zh) * | 2021-08-01 | 2021-10-22 | 大连海事大学 | 一种基于改进K-Medoids聚类的船舶典型运动轨迹自适应挖掘方法 |
| CN114254438A (zh) * | 2021-12-23 | 2022-03-29 | 震兑工业智能科技有限公司 | 一种船舶航速优化的动态转速微调方法 |
-
2022
- 2022-06-14 CN CN202210665119.5A patent/CN115169434B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012089926A1 (en) * | 2010-12-31 | 2012-07-05 | Eniram Oy | A method for determining statistical distribution of characteristic parameters of a vessel |
| US20150286703A1 (en) * | 2014-04-08 | 2015-10-08 | International Business Machines Corporation | Adaptive variable selection for data clustering |
| CN105930629A (zh) * | 2016-07-13 | 2016-09-07 | 大唐南京环保科技有限责任公司 | 一种基于海量运行数据的在线故障诊断方法 |
| CN106991524A (zh) * | 2017-03-20 | 2017-07-28 | 国网江苏省电力公司常州供电公司 | 一种台区线损率预估方法 |
| CN108052707A (zh) * | 2017-11-28 | 2018-05-18 | 中国船舶工业系统工程研究院 | 一种基于聚类分析的船舶航行工况划分方法 |
| US20210065021A1 (en) * | 2018-12-17 | 2021-03-04 | Shenyang Institute Of Automation, Chinese Academy Of Sciences | Working condition state modeling and model correcting method |
| CN112307688A (zh) * | 2020-10-29 | 2021-02-02 | 中国舰船研究设计中心 | 一种电力推进船舶能效监控管理优化系统和方法 |
| CN112270312A (zh) * | 2020-11-26 | 2021-01-26 | 中南林业科技大学 | 风机轴承故障诊断方法、系统、计算机设备和存储介质 |
| CN113128120A (zh) * | 2021-04-22 | 2021-07-16 | 三一汽车起重机械有限公司 | 一种汽车起重机典型行驶工况构建方法 |
| CN113240201A (zh) * | 2021-06-08 | 2021-08-10 | 兰州大学 | 一种基于gmm-dnn混合模型预测船舶主机功率方法 |
| CN113537386A (zh) * | 2021-08-01 | 2021-10-22 | 大连海事大学 | 一种基于改进K-Medoids聚类的船舶典型运动轨迹自适应挖掘方法 |
| CN114254438A (zh) * | 2021-12-23 | 2022-03-29 | 震兑工业智能科技有限公司 | 一种船舶航速优化的动态转速微调方法 |
Non-Patent Citations (4)
| Title |
|---|
| ALBERTO DIEZ-OLIVAN等: "Data-driven prognostics using a combination of constrained K-means clustering, fuzzy modeling and LOF-based score", 《NEUROCOMPUTING》, pages 97 - 107 * |
| YALING ZHANG, NA LIU, SHANGPING WANG: "A differential privacy protecting K-means clustering algorithm based on contour coefficients", 《 PLOS ONE》, pages 1 - 15 * |
| 沈泓;刘顺;: "基于K-means聚类算法的数据分析模型应用研究", 软件导刊, no. 03, pages 103 - 107 * |
| 高梓博;杜太利;张勇;黄连忠;: "聚类算法在船舶能效数据挖掘中的应用", 武汉理工大学学报(交通科学与工程版), no. 02, pages 286 - 290 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115169434B (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111238843B (zh) | 一种基于快速谱峭度分析的风机健康评价方法 | |
| CN112179691B (zh) | 基于对抗学习策略的机械装备运行状态异常检测系统和方法 | |
| CN112270312B (zh) | 风机轴承故障诊断方法、系统、计算机设备和存储介质 | |
| CN106779200A (zh) | 基于在历史数据中进行相似搜索的风电机组状态预测方法 | |
| CN119375811A (zh) | 一种电能表检定故障智能判断系统 | |
| CN117810491A (zh) | 一种基于深度学习的燃料电池系统故障诊断方法及系统 | |
| CN117828423A (zh) | 一种基于统计特征的光伏组件异常识别方法及系统 | |
| CN114738132A (zh) | 基于实船数据的增压器转速传感器故障诊断方法及系统 | |
| Wang | Aero engine fault diagnosis based on support vector machine | |
| CN116735204B (zh) | 基于密度域敏感空间学习的滚动轴承故障诊断方法 | |
| CN113515887A (zh) | 一种船舶柴油机磨粒类型辨识模型动态更新方法 | |
| CN108375729A (zh) | 基于Fisher判别的电机SOM聚类退化状态评估方法 | |
| CN114878172A (zh) | 一种船舶主机气缸温度信号特征提取方法及系统 | |
| CN115169434B (zh) | 基于k均值聚类算法的主机工况特征值提取方法及系统 | |
| CN115273791A (zh) | 一种基于声学特征驱动的工业装备故障检测方法及装置 | |
| CN114997319A (zh) | 一种基于电能参数特征和改进Boruta-XGBoost算法的窃电检测方法 | |
| CN115186005B (zh) | 一种船舶主机工况划分方法及系统 | |
| CN120632624A (zh) | 一种柴油发电机组的故障诊断方法与系统 | |
| CN117420345B (zh) | 基于数据驱动的电网运行异常状态监测系统 | |
| CN116629843B (zh) | 智能化柴油发电机组的远程预警与维护决策支持系统 | |
| CN115099319A (zh) | 一种船舶主机工况特征值提取方法及系统 | |
| CN116956132A (zh) | 一种确定风力涡轮机积冰情况的方法 | |
| CN115265837A (zh) | 一种发动机水温故障预测方法、装置及存储介质 | |
| CN117830657B (zh) | 一种故障智能识别方法和识别系统 | |
| CN114266401A (zh) | 一种底盘发动机故障预测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |