一种基于人工智能的船舶辅机设备故障智能预警设计方法

摘要

本发明公开了故障智能预警技术领域的一种基于人工智能的船舶辅机设备故障智能预警设计方法，步骤一：命名实体提取规则，语义情感分析算法；步骤二：调用历史知识库中样本的数据进行研判，辅机设备运行数据进行二次处理；步骤三：实现辅机设备运行关键信息的获取；步骤四：对船舶辅机设备实际运行数据和关键运行指标进行提取，进行数据分类，选用人工监督方式下的分类分析，实现对船舶辅机设备智能化监测和状态自分析，实现了对船舶辅机设备历史运行数据的深度利用，充分实现了异构数据互通及信息融合，能够在实际工程应用中提高运维的智能化水平，和降低船舶辅机设备保养成本。

说明书

技术领域

本发明涉及故障智能预警技术领域，具体为一种基于人工智能的船舶辅机设备故障智能预警设计方法。

背景技术

船舶辅机设备传感器种类多、使用频率高，设备故障排障及维护是重要的日常工作；而传统的人工运维方法精准率低、及时性差等问题，同时为了对相关设备进行维护，很多企业选择组建专门的管理部门，招聘专业的运维人员来进行维护，这种方式带来了人员成本、维护成本的提高。传统的船舶辅机设备发生故障时，会面临设备停止工作，需要调度零配件，再协调相应运维人员来进行设备排障，这就带来了额外的时间成本，设备停止工作也将造成日常运行带来影响。同时传统的方法信息化程度低，信息交互慢；很多运维部门过多精力在硬件设备本身，忽略软件监测，响应的时效性较差；未对船舶辅机设备运维做长期规划，运维效率较低，基于此，本发明设计了一种基于人工智能的船舶辅机设备故障智能预警设计方法以解决上述问题。

发明内容

本发明的目的在于提供一种基于人工智能的船舶辅机设备故障智能预警设计方法，以解决上述背景技术中提出的忽略软件监测，响应的时效性较差；未对船舶辅机设备运维做长期规划，运维效率较低。

为实现上述目的，本发明提供如下技术方案：一种基于人工智能的船舶辅机设备故障智能预警设计方法，包括有以下步骤：

步骤一：通过人工智能语言处理词性标注算法、命名实体提取规则，语义情感分析算法；

步骤二：利用Python脚本语言封装开源对应的算法组件，调用历史知识库中样本的数据进行研判，辅机设备运行数据进行二次处理；

历史知识库研判方法有以下步骤：

A:基于SparkMLlib回归算法中的决策树算法，对本地历史知识库设备类型数据、设备运行数据和设备故障汇总数据进行分析，形成典型辅机设备运行故障簇，对辅机设备故障类型设置危险等级；

B：调研该设备相关的各类运行数据，基于Hadoop大数据框架对船舶辅机设备运行数据进行分布式存储；

C：将船舶辅机设备实施监测数据导入，通过实时与历史数据的串并，采用Spark实时计算引擎进行计算碰撞，按积分倒叙方法来做故障预警分析，实现船舶辅机设备运行高效预警及提高智能运维能力；

步骤三：通过Java调取Python，实现辅机设备运行关键信息的获取；

步骤四：采用SparkMLlib中均值相似性算法进行聚类分析，对船舶辅机设备实际运行数据和关键运行指标进行提取，进行数据分类，选用人工监督方式下的分类分析，实现对船舶辅机设备智能化监测和状态自分析。

优选的，所述故障类型分类是先对设备运行数据的进行文本预处理，再利用先构建好的故障类型语料库，对文本进行字符集匹配，从而挖掘所需故障类型信息。

优选的，所述设备故障数据挖掘采用相似性算法的自动聚类分析技术，自动将历史故障库中常见设备故障数据的信息进行归类，帮故障案情相似的化为一类，并定义特定文本内容来构建分类库。

优选的，所述通过数据挖掘，提供了相似案情查询和基本信息等数据，按人工监督下分类规则进行相似案情的归类，形成簇，并从时空两个维度洞察案件关联特征，构建更智能的船舶辅机设备高危故障预警簇。

优选的，所述利用历史数据，建立异常特征积分模型实现特征挖掘，形成的高危故障预警簇，定义多种数据标签，从多维度进行故障特征描绘，通过机器学习的回归算法提供预警评估指数。

优选的，所述基于机器学习的算法，对设备数据描述进行分词、转换等预处理，再进行词向量编码，然后利用人工神经网络进行特征提取，最后通过Softmax输出每个分类的概率，从而得到故障类型聚类分析。

优选的，基于人工智能系统的自然语言解析模型分析和机器学习技术，通过中文切块分词、设备状态标注统计、常见设备命名实体特征提取、语义相似度分析、设备故障关键特征推介。

优选的，通过主题分析、语义分析等智能研判分析，标记可能属于异常辅机设备的运行数据，围绕历史故障时运行数据，建立基于领域知识库的多维数据模型，进一步进行数据挖掘，构建辅机设备故障概率分布。

优选的，利用历史辅机设备故障时的运行数据特征，建立辅机设备异常特征模型库，形成高危故障预警簇，并通过人工智能回归算法来定义不同辅机设备高危故障评估指数。

与现有技术相比，本发明的有益效果是：从基于人工智能语言处理支撑船舶辅机设备故障预警、远程运维，到故障运维智能推荐的一整套方法，并实现了对船舶辅机设备历史运行数据的深度利用，充分实现了异构数据互通及信息融合，能够在实际工程应用中提高运维的智能化水平，和降低船舶辅机设备保养成本。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明整体总体设计流程框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，本发明提供一种基于人工智能的船舶辅机设备故障智能预警设计方法技术方案：一种基于人工智能的船舶辅机设备故障智能预警设计方法，包括有以下步骤：

步骤一：通过人工智能语言处理词性标注算法、命名实体提取规则，语义情感分析算法；

步骤二：利用Python脚本语言封装开源对应的算法组件，调用历史知识库中样本的数据进行研判，辅机设备运行数据进行二次处理；

历史知识库研判方法有以下步骤：

A:基于SparkMLlib回归算法中的决策树算法，对本地历史知识库设备类型数据、设备运行数据和设备故障汇总数据进行分析，形成典型辅机设备运行故障簇，对辅机设备故障类型设置危险等级；

B：调研该设备相关的各类运行数据，基于Hadoop大数据框架对船舶辅机设备运行数据进行分布式存储；

C：将船舶辅机设备实施监测数据导入，通过实时与历史数据的串并，采用Spark实时计算引擎进行计算碰撞，按积分倒叙方法来做故障预警分析，实现船舶辅机设备运行高效预警及提高智能运维能力；

步骤三：通过Java调取Python，实现辅机设备运行关键信息的获取；

步骤四：采用SparkMLlib中均值相似性算法进行聚类分析，对船舶辅机设备实际运行数据和关键运行指标进行提取，进行数据分类，选用人工监督方式下的分类分析，实现对船舶辅机设备智能化监测和状态自分析。

从船舶辅机设备状态监测分析和设备历史故障知识库研判两条线出发，针对船舶辅机装备中工控机、传感器、采集单元、交换机等涉及的数据类型、网络状态、通信协议、工况等特征信息进行提取分析，基于人工智能算法，构建数学模型，完成常规故障类型聚类、自动分析等，给运维人员提供故障预警的辅助决策，再通过历史数据及历史故障情况做信息比对，数据深度挖掘，进而为船舶辅机设备健康管理和智能化运维提供支撑，来快速进行排障，在减少人员情况下提高设备运行效率；

基于人工智能语言处理的异构信息融合及故障预警分析研判方法，利用了Java开发语言，并基于开源的jieba自然语言处理组件，采用主流的Hadoop+Spark大数据框架来进行数据处理及分析，结合综合预警模式，从船舶辅机设备智能化监测和历史知识库研判两条线出发进行设计和实现；从基于人工智能语言处理支撑船舶辅机设备故障预警、远程运维，到故障运维智能推荐的一整套方法，并实现了对船舶辅机设备历史运行数据的深度利用，充分实现了异构数据互通及信息融合，能够在实际工程应用中提高运维的智能化水平，和降低船舶辅机设备保养成本；

通过对船舶辅机设备历史运行数据的深入分析，基于人工智能系统的自然语言解析模型分析和机器学习技术，通过中文切块分词、设备状态标注统计、常见设备命名实体特征提取、语义相似度分析、设备故障关键特征推介等方式，帮助运维人员从船舶辅机设备监测数据信息中提取其他关键要素。

船舶辅机设备故障预警智能研判

通过主题分析、语义分析等智能研判分析，标记可能属于异常辅机设备的运行数据，围绕历史故障时运行数据，建立基于领域知识库的多维数据模型，进一步进行数据挖掘，构建辅机设备故障概率分布，给运维人员提供有力支撑；

船舶辅机设备高危故障预警评估指数

充分利用历史辅机设备故障时的运行数据特征，建立辅机设备异常特征模型库，形成高危故障预警簇，并通过人工智能回归算法来定义不同辅机设备高危故障评估指数；

人工智能语言处理

运行数据文本处理

中文分词：采用分词，进而定义后续数据的词性、语义等。

关键词标注：基于统计来进行标注，通过HMM隐马尔科夫模型来对词性标注。

运行数据文本分析

故障类型分类：先对设备运行数据的进行文本预处理，再利用先构建好的故障类型语料库，对

文本进行字符集匹配，从而挖掘所需故障类型信息.

故障类型聚类：基于机器学习的算法，首先对设备数据描述进行分词、转换等预处理，再进行词向量编码，然后利用人工神经网络进行特征提取，最后通过Softmax输出每个分类的概率，从而得到故障类型聚类分析。

运行数据文本挖掘

数据挖掘：利用Python开发语言定义命名故障类型数据提取规则，进行信息的提取和数据挖掘。

异常检测分析：通过对运行数据构建人工神经网络熟悉模型，标记异常数据，实现异常检测分析。

常见设备故障数据挖掘

对常见设备故障数据挖掘采用相似性算法的自动聚类分析技术，自动将历史故障库中常见设备故障数据的信息进行归类，帮故障案情相似的化为一类，并定义特定文本内容来构建分类库，提高分类精度，降低人工参与程度。

高危故障预警簇

通过数据挖掘，提供了相似案情查询和基本信息等数据，按人工监督下分类规则进行相似案情的归类，形成簇，并从时空两个维度洞察案件关联特征，构建更智能的船舶辅机设备高危故障预警簇。

高危故障预警评估指数

充分利用历史数据，建立异常特征积分模型实现特征挖掘，形成的高危故障预警簇，定义多种数据标签，从多维度进行故障特征描绘，通过机器学习的回归算法提供预警评估指数。

船舶辅机设备智能预警与运维

综合船舶辅机设备运行数据的研判及船舶辅机设备高危故障评估指数，完成两者的信息融合，更为精准的实现船舶辅机设备智能预警与运维，降低运维成本，提高设备运行效率。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。