一种船舶用脱硫塔实时监测方法及系统与流程

1.本发明涉及船舶用脱硫塔检测技术领域，具体涉及一种船舶用脱硫塔实时监测方法及系统。


背景技术：

2.近年来为了减少海洋污染以及船舶大气污染，对船舶排污情况制定了排放标准；目前船舶主要通过三种方式达到排放标准；1.加装和使用低硫油；2.使用液化天然气作为替代燃料；3.采用船用脱硫塔即egcs（exhaust gas cleaning systems，废气清洁系统）对燃油后产生的废气进行脱硫处理，以达到排放标准。
3.对于船用脱硫塔来说，船用脱硫塔一般分为三类，分别为开式脱硫塔、闭式脱硫塔以及混合式脱硫塔；每类脱硫塔对废气进行清洗脱硫时，均需要给水泵和风机的参与，以控制废气和洗涤水的流动，达到脱硫的目的。因此，脱硫塔在使用时，需要定期对风机设备、给水泵设备以及脱硫塔内部进行检查维护，避免脱硫塔出现故障影响船舶脱硫工作。
4.现有技术中通过egc系统对脱硫塔的运行状态进行监测，即egc系统会获取排气中的so2/co2值、洗涤水的ph值、浑浊度、电导率，废水的ph值、浑浊度等，通过这些指标判断排放是否达标，在未达标时判断脱硫塔出现故障并发出安全报警。但是当脱硫塔出现由其他因素引起短暂的假性故障时，此种检测方法仍然会发出安全预警，但此时脱硫塔并未真正的出现故障；基于此，此种检测方法并不能准确检测出脱硫塔是否真正的出现故障，检测精度不高，存在误判的缺点。


技术实现要素：

5.为了解决上述技术问题，本发明的目的在于提供一种船舶用脱硫塔实时监测方法，所采用的技术方案具体如下：获取脱硫塔中的风机在若干个时间段对应的第一温度序列、振动序列以及第一声音频谱向量；获取脱硫塔中的给水泵在若干个时间段对应的第二温度序列、进水口压力序列、出水口压力序列以及第二声音频谱向量；根据所述第一温度序列与第一标准温度，计算各时间段对应的第一异常指标；根据所述第一声音频谱向量、振动序列以及第一标准声音频谱向量，计算各时间段对应的振动噪声指标；根据所述第二温度序列与第二标准温度，计算各时间段对应的第二异常指标；根据所述第二声音频谱向量与第二标准声音频谱向量，计算各时间段对应的供水异常指标；根据所述进水口压力序列与出水口压力序列，计算各时间段对应的水压异常指标；基于所述第一异常指标、振动噪声指标、第二异常指标、供水异常指标以及水压异常指标构建各时间段对应的状态向量；基于状态向量获取各时间段对应的类别，一共有四种不同的类别，然后基于状态向量计算任意两时间段的差异距离，根据所述差异距离将所有时间段划分为四种不同的类别；
基于状态向量计算各时间段对应的特征描述子，基于特征描述子与状态向量获取各时间段对应的综合特征向量，基于每种类别中所有时间段对应的综合特征向量，获取每种类别对应的预设高斯混合模型；基于当前时间段及其之前的z个时间段对应的综合特征向量，获取待判别高斯混合模型，计算待判别高斯混合模型与每个类别对应的预设高斯混合模型的差异，根据最小差异对应的类别判断脱硫塔是否异常。
6.优选的，所述获取脱硫塔中的风机在若干个时间段对应的第一温度序列、振动序列以及第一声音频谱向量的方法具体为：采集脱硫塔中的风机在若干个时间段各检测时刻对应的温度，得到风机在若干个时间段对应的温度序列并将其记为第一温度序列；采集脱硫塔中的风机在若干个时间段各检测时刻对应的振动加速度，得到风机在若干个时间段对应的振动加速度序列，在每一个振动加速度序列中按照从前至后的顺序每c个振动加速度计算一个方差，得到各个振动加速度序列对应的振动序列；采集风机在若干个时间段对应的声音波形信号，将所述声音波形信号进行频域转换，得到频谱信号进而得到第一声音频谱向量；所述获取脱硫塔中的给水泵在若干个时间段对应的第二温度序列、进水口压力序列、出水口压力序列以及第二声音频谱向量的方法具体为：采集给水泵在若干个时间段各检测时刻对应的温度，得到给水泵在若干个时间段对应的温度序列并将其记为第二温度序列；采集给水泵在若干个时间段各检测时刻对应的进水口压力，得到给水泵在若干个时间段对应的进水口压力序列；采集给水泵在若干个时间段各检测时刻对应的出水口压力，得到给水泵在若干个时间段对应的出水口压力序列；采集给水泵在若干个时间段对应的声音波形信号，将所述声音波形信号进行频域转换，得到第二声音频谱向量。
7.优选的，所述第一异常指标的获取方法为：计算第一温度序列的最大值与平均值，计算平均值与最大值的比值，依据所述比值、第一标准温度与第一温度序列中的各个温度得到第一异常指标；所述第一异常指标用公式表示为：其中，为时间段对应的第一异常指标；为风机在时间段对应的第一温度序列；为第一标准温度；为第一温度序列中的第i个温度；为第一温度序列中温度的总数；为求平均值的函数；为求最大值的函数；为以自然常数e为底的指数函数；所述第二异常指标的获取方法为：计算第二温度序列的最大值与平均值，计算平均值与最大值的比值，依据所述比值、第二标准温度与第二温度序列中的各个温度得到第二异常指标；所述第二异常指标用公式表示为：
其中，为时间段对应的第二异常指标；为给水泵在时间段对应的第二温度序列；为第二标准温度；为第二温度序列中的第i个温度；为第二温度序列中温度的总数；为求平均值的函数；为求最大值的函数；为以自然常数e为底的指数函数。
8.优选的，所述振动噪声指标为：其中，为时间段对应的振动噪声指标；为风机在时间段对应的第一声音频谱向量；为第一标准声音频谱向量；为第一声音频谱向量的模，为第一标准声音频谱向量的模；为时间段对应的振动序列；为余弦相似度函数；为求最大值的函数；为以自然常数e为底的指数函数。
9.优选的，所述供水异常指标为：其中，为时间段对应的供水异常指标，为给水泵在时间段对应的第二声音频谱向量，为第二标准声音频谱向量，为给水泵在时间段对应的声音波形信号，为标准声音波形信号；为余弦相似度函数；为动态时间归整函数。
10.优选的，所述水压异常指标为：其中，为时间段对应的水压异常指标，为给水泵在时间段对应的进水口压力序列；为给水泵在时间段对应的出水口压力序列；为出水口压力序列中的第i个出水口压力；为进水口压力序列中的第i个进水口压力；为求绝
对值函数；为求方差的函数；为以自然常数e为底的指数函数。
11.优选的，所述基于状态向量计算各时间段对应的特征描述子的步骤包括：随机选取一个时间段将其记为该时间段，获取该时间段及其之前设定数量的时间段对应的状态向量，分别将各状态向量中的各个指标与其相对应的阈值进行比较，将大于阈值的记为1，小于阈值的记为0；得到各个指标对应的01序列，计算每一个01序列的方差，基于所述方差获取特征描述子。
12.优选的，所述四种不同的类别分别为：风机异常类别、给水泵异常类别、风机给水泵均异常类别和正常类别。
13.优选的，所述待判别高斯混合模型与每个类别对应的预设高斯混合模型的差异为待判别高斯混合模型与每个类别对应的预设高斯混合模型之前的kl散度。
14.本发明还提供了一种船舶用脱硫塔实时监测系统，包括处理器与存储器，所述处理器执行所述存储器存储的一种船舶用脱硫塔实时监测方法的程序。
15.本发明实施例至少具有如下有益效果：本发明通过各时间段的第一异常指标、振动噪声指标、第二异常指标、供水异常指标和水压异常指标得到各时间段的状态向量，在得到状态向量时，不仅考虑到了脱硫塔中风机的状态也考虑到了脱硫塔中的给水泵的状态，得到的状态向量能够更加全面具体的表征脱硫塔的状态，为后续的计算提供更加精准的指标。同时，本发明还通过状态向量计算了各时间段对应的特征描述子，特征描述子能够体现出脱硫塔在一段时间内的状态转移情况，进而表证该时间段在所划分类别中的置信度，能够说明各时间段获得的状态向量的有效性和准确性，进一步突出异常特征。基于此，获取各时间段的特征描述子，能够在后续过程中判断脱硫塔是否异常时，得到更为精确的判断结果。提高对脱硫塔状态监测的精度。因此，本发明具有检测精度高的优点，并且本发明通过特征描述子能够更加真实的监测到当前脱硫塔的状态，减少误判的概率。
附图说明
16.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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它附图。
17.图1为本发明的一种船舶用脱硫塔实时监测方法实施例的步骤流程图。
具体实施方式
18.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的方案，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
19.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
20.请参阅图1，其示出了本发明一个实施例提供的一种船舶用脱硫塔实时监测方法的步骤流程图，该方法包括以下步骤：步骤1，获取脱硫塔中的风机在若干个时间段对应的第一温度序列、振动序列以及第一声音频谱向量；获取脱硫塔中的给水泵在若干个时间段对应的第二温度序列、进水口压力序列、出水口压力序列以及第二声音频谱向量。
21.具体地，在风机机壳外围放置温度传感器，用于采集脱硫塔中的风机在若干个时间段各检测时刻对应的温度，得到风机在若干个时间段对应的温度序列并将其记为第一温度序列；，为风机在任意一时间段内第1个检测时刻对应的温度，为风机在该时间段内第2个检测时刻对应的温度，为风机在该时间段内第n个检测时刻对应的温度，n为该时间段内检测时刻的数量。
22.在风机外围放置mems振动传感器，用于采集脱硫塔中的风机在若干个时间段各检测时刻对应的振动加速度，得到风机在若干个时间段对应的振动加速度序列，在每一个振动加速度序列中按照从前至后的顺序每c个振动加速度计算一个方差，得到各个振动加速度序列对应的振动序列；本实施例中c取5，实施者可对c的取值进行调整；即，其中，为由任意一振动加速度序列中第1个振动加速度到第5个振动加速度计算的方差，为由该振动加速度序列中第6个振动加速度到第10个振动加速度计算的方差，为由该振动加速度序列中第g-4个振动加速度到第g个振动加速度计算的方差。g为采集振动加速度时，该时间段内检测时刻的数量；g大于n。
23.需要说明的是，由于本实施例在采集振动加速度时，时间段内相邻两检测时刻的时间间隔为0.2秒，采集风机对应的温度时，时间段内相邻两检测时刻的时间间隔为1秒；并且本实施例选取每5个振动加速度计算一个方差，所以得到的振动序列中方差的个数与采集风机对应的温度时，时间段内检测时刻的个数一致，即振动序列中方差的个数为n。
24.在风机外围放置mems声音传感器，用于采集脱硫塔中的风机在若干个时间段对应的声音波形信号，将声音波形信号进行频域转换，得到频谱信号，进而得到第一声音频谱向量；具体地，利用傅里叶变化将声音波形信号进行频域转换，得到频谱信号；所述频谱信号的横坐标为频率，纵坐标为幅值，则第一声音频谱向量由频谱信号中的幅值构成。
25.在给水泵马达壳体放置温度传感器，用于采集脱硫塔中的给水泵在若干个时间段各检测时刻对应的温度，得到给水泵在若干个时间段对应的温度序列并将其记为第二温度序列，，为给水泵在任意一时间段内第1个检测时刻对应的温度，为给水泵在该时间段内第2个检测时刻对应的温度，为给水泵在该时间段内第n个检测时刻对应的温度，n为该时间段内检测时刻的数量。
26.在给水泵进水口放置水压压力传感器，用于采集给水泵在若干个时间段各检测时刻对应的进水口压力，得到给水泵在若干个时间段对应的进水口压力序列。
27.在给水泵出水口放置水压压力传感器，用于采集给水泵在若干个时间段各检测时刻对应的出水口压力，得到给水泵在若干个时间段对应的出水口压力序列。
28.在给水泵外围放置mems声音传感器，用于采集给水泵在若干个时间段对应的声音波形信号，将声音波形信号进行频域转换，得到频谱信号，进而得到第二声音频谱向量；具体地，利用傅里叶变化将声音波形信号进行频域转换，得到频谱信号；所述频谱信号的横坐标为频率，纵坐标为幅值，则第二声音频谱向量由频谱信号中的幅值构成。
29.上述过程中的第一温度序列、振动序列、第一声音频谱向量、第二温度序列、进水口压力序列、出水口压力序列以及第二声音频谱向量，能够表征脱硫塔在各个时间段的运行状态。
30.需要说明的是，本实施例将时间段的时间长度设定为10秒，在具体操作过程中，实施者可依据实际情况进行调整。在采集温度、进水口压力、出水口压力时，时间段内相邻两检测时刻之间的时间间隔为1秒；在采集振动加速度时，时间段内相邻两检测时刻之间的时间间隔为0.2秒。
31.步骤2，根据所述第一温度序列与第一标准温度，计算各时间段对应的第一异常指标；根据所述第一声音频谱向量、振动序列以及第一标准声音频谱向量，计算各时间段对应的振动噪声指标。
32.所述第一异常指标的获取方法为：计算第一温度序列的最大值与平均值，计算平均值与最大值的比值，依据所述比值、第一标准温度与第一温度序列中的各个温度得到第一异常指标；所述第一异常指标用公式表示为：其中，为时间段对应的第一异常指标；为风机在时间段对应的第一温度序列；为第一标准温度；为第一温度序列中的第i个温度；为第一温度序列中温度的总数；为求平均值的函数；为求最大值的函数；为以自然常数e为底的指数函数。
33.表征风机在时间段a对应的温度波动程度，当均值温度远低于最大温度时，说明风机在时间段a对应的温度波动程度较为显著，则说明风机在时间段a存在异常的可能性越大。表示第一温度序列中的温度与第一标准温度的差值，该差值反映的是温度与第一标准温度的偏离程度，偏离程度越小，说明风机存在异常的可能性越小，第一异常指标越小。
34.需要说明的是，第一标准温度为风机正常工作时对应的温度，本实施例中给定第一标准温度的取值为40℃，由于检测环境或散热条件的差异，风机在不同环境下正常工作时对应的温度会有所差异，因此，实施者在实际操作过程中需要根据具体情况设置第一标准温度的取值。
35.当风机出现比较大的噪声和振动时，说明可能是由于风机内部发生故障导致的，亦或者是当前的风流动时发生堵塞形成对流风，进而对风机的负载造成影响，从而使得风机出现较大的振动，两者均是风机发生故障的原因，因此对风机的振动和噪声进行分析，同
时，由于噪声的产生一般都伴随着振动，所以本实施例将两个因素一起进行衡量，得到振动噪声指标；所述振动噪声指标为：其中，为时间段对应的振动噪声指标；为风机在时间段对应的第一声音频谱向量；为第一标准声音频谱向量；为第一声音频谱向量的模，为第一标准声音频谱向量的模；为时间段对应的振动序列；为余弦相似度函数；为求最大值的函数；为以自然常数e为底的指数函数。
36.第一标准声音频谱向量是通过在风机正常工作时采集的声音波形信号进行频域转换获得的，其获取方法与第一声音频谱向量的获取方法一致，不再赘述。表征第一声音频谱向量与第一标准声音频谱向量之间的相似程度，越大，表征和两者之间的相似程度越大，说明风机存在异常的可能性越小；同时，在振动噪声指标的计算公式中，用两向量模的差值作为分母，进一步扩大了两向量之间的差异，使得能够更加精确的反映风机是否异常；表征风机在时间段a内振动的最大波动程度，的取值越大，说明风机在时间段a内振动的波动程度越大，表明此时风机处于极度不稳定状态，即风机存在异常的可能性越大。
37.步骤3，根据所述第二温度序列与第二标准温度，计算各时间段对应的第二异常指标；根据所述第二声音频谱向量与第二标准声音频谱向量，计算各时间段对应的供水异常指标；根据所述进水口压力序列与出水口压力序列，计算各时间段对应的水压异常指标。
38.第二异常指标为给水泵的相关温度异常特征评价，测量的温度指的是给水泵马达机壳的温度，如果给水泵的负载突发增大，即管道内出现堵塞，进而造成马达能量转换不对外做功，以形成热量积累，或者马达发生故障，给水泵功率输出同样会产生影响；基于此，获取第二异常指标。
39.所述第二异常指标的获取方法为：计算第二温度序列的最大值与平均值，计算平均值与最大值的比值，依据所述比值、第二标准温度与第二温度序列中的各个温度得到第二异常指标；所述第二异常指标用公式表示为：
其中，为时间段对应的第二异常指标；为给水泵在时间段对应的第二温度序列；为第二标准温度；为第二温度序列中的第i个温度；为第二温度序列中温度的总数；为求平均值的函数；为求最大值的函数；为以自然常数e为底的指数函数。
40.表征给水泵在时间段a对应的温度波动程度，当均值温度远低于最大温度时，说明给水泵在时间段a对应的温度波动程度较为显著，则说明给水泵在时间段a存在异常的可能性越大。表示第二温度序列中的温度与第二标准温度的差值，该差值反映的是温度与第二标准温度的偏离程度，偏离程度越小，说明给水泵存在异常的可能性越小，第二异常指标越小。
41.需要说明的是，第二标准温度为给水泵正常工作时对应的温度，本实施例中给定第二标准温度的取值为35℃，由于检测环境或散热条件的差异，给水泵在不同环境下正常工作时对应的温度会有所差异，因此，实施者在实际操作过程中需要根据具体情况设置第二标准温度的取值。
42.所述供水异常指标为：其中，为时间段对应的供水异常指标，为给水泵在时间段对应的第二声音频谱向量，为第二标准声音频谱向量，为给水泵在时间段对应的声音波形信号，为标准声音波形信号；为余弦相似度函数；为动态时间归整函数。
43.第二标准声音频谱向量是通过给水泵在正常工作时采集的声音波形信号进行频域转换获得的，其获取方法与第二声音频谱向量的获取方法一致，不再赘述，其中标准声音波形信号即为给水泵在正常工作时对应的声音波形信号；表征第二声音频谱向量与第二标准声音频谱向量之间的相似程度，越大，表征和两者之间的相似程度越大，说明给水泵存在异常的可能性越小，表征给水泵在时间段对应的声音波形信号与标准声音波形信号的相似程度，的取值越小，表明两者的相似程度越高，说明给水泵在时间段a的运行情况越健康，即给水泵存在异常的可能性越小。
44.当给水泵进出水压力出现不一致，波动不一致时，说明给水泵出现明显故障，即出现水压异常，根据该特征计算水压异常指标对给水泵进行异常评价。
45.所述水压异常指标为：其中，为时间段对应的水压异常指标，为给水泵在时间段对应的进水口压力序列；为给水泵在时间段对应的出水口压力序列；为出水口压力序列中的第i个出水口压力；为进水口压力序列中的第i个进水口压力；为求绝对值函数；为求方差的函数；为以自然常数e为底的指数函数。
46.表征进水口压力与出水口压力两者的差异，出水口压力和进水口压力成对出现，因此在水压异常指标的计算公式中，分子将两者差异实时比较，如果出现差异较大，则对应的水压异常指标升高。表征进水口的水压波动情况，表征出水口的水压波动情况，分母中如果前后两个水压波动不一致，说明出现异常情况，波动差异越大，则对应的水压异常指标升高。
47.步骤4，基于所述第一异常指标、振动噪声指标、第二异常指标、供水异常指标以及水压异常指标构建各时间段对应的状态向量；基于状态向量获取各时间段对应的类别，一共有四种不同的类别，然后基于状态向量计算任意两时间段的差异距离，根据所述差异距离将所有时间段划分为四种不同的类别。
48.所述状态向量的表现形式为，状态向量为一个5维的向量，其中，为第一异常指标，为振动噪声指标，为第二异常指标，为供水异常指标，为水压异常指标。
49.然后根据状态向量对脱硫塔在各时间段对应的状态类别进行划分，得到四种不同的类别，分别为风机异常类别、给水泵异常类别、风机给水泵均异常类别和正常类别。
50.根据状态向量对脱硫塔在各时间段对应的状态类别进行划分的方法具体为：首先设置状态向量中各个指标对应的阈值，比较各个指标与其对应的阈值的大小，当指标大于与其对应的阈值时，说明该项指标出现异常，对应的设备出现故障，然后综合得到时间段对应的状态向量中每个指标与其对应的阈值的大小，得出脱硫塔在该时间段对应的状态类别，以此类推，得到四种不同的类别；例如当任意一时间段的第一异常指标大于其对应的阈值时，表明风机出现故障，然后比较该时间段对应的状态向量中剩余其他指标与其对应的阈值大小，若剩余其他指标均小于与其对应的阈值，或者剩余其他指标中仅噪声振动指标大于与其对应的阈值，则该时间段对应的状态类别为风机异常类别。
51.状态向量中的各个指标对应的阈值依次为：0.6，0.55，0.7，0.6，0.8，其中阈值的大小因检测环境、参考标准不一，对应的阈值会出现差异，因此实施者可以根据实际情况进行阈值设定。
52.所述差异距离的计算公式为：，其中为时间段a对应的状态向量，为时间段b对应的状态向量，为余弦相似度函数，为余弦函数。
53.然后基于差异距离利用k-means算法对所有时间段进行聚类，k的值设定为4，即得到四个组，每一个组对应一个类别。利用k-means算法进行聚类为公知技术，不在本发明的保护范围内，不再赘述。
54.需要说明的是，本实施例中的所有时间段对应的是多个脱硫塔的工作过程，一个脱硫塔的工作过程可对应多个时间段，因此在对所有时间段进行聚类之前，需要对每一个时间段打上标签，标签的内容为该时间段所属的脱硫塔以及对应的时间信息。
55.步骤5，基于状态向量计算各时间段对应的特征描述子，基于特征描述子与状态向量获取各时间段对应的综合特征向量，基于每种类别中所有时间段对应的综合特征向量，获取每种类别对应的预设高斯混合模型。
56.由于在步骤4中仅仅依据阈值简单的对各时间段的状态进行判断，容易造成误判断情况，即可能存在某一些因素，导致各个指标在一段时间内异常，而设备本身是没有异常情况的，因此需要结合前面状态和后续状态转移，确定各时间段是否确实发生异常，基于此，获取各时间段的特征描述子，能够在后续过程中判断脱硫塔是否异常时，得到更为精确的判断结果。
57.所述基于状态向量计算各时间段对应的特征描述子的步骤包括：随机选取一个时间段将其记为该时间段，根据提前设定好的标签获取该时间段及其之前设定数量的时间段对应的状态向量，分别将各状态向量中的各个指标与其相对应的阈值进行比较，将大于阈值的记为1，小于阈值的记为0；得到各个指标对应的01序列，计算每一个01序列的方差，基于所述方差获取特征描述子。即特征描述子中包含每一个指标对应的方差值。
58.需要说明的是，由于一个时间段对应的特征描述子的计算需要获取此时间段之前设定数量的时间段，所以，本实施例在步骤1中进行数据采集时，需要将脱硫塔工作一段时间后对应的数据记为初始数据，以保证每一个时间段均能计算得到与其对应的特征描述子。特征描述子能够表证该时间段在所划分类别中的置信度，方差表征的是该时间段与其之前设定数量的时间段对应的各个指标是否异常的波动特征，如果波动比较强烈，则说明脱硫塔在该时间段与其之前设定数量的时间段对应的状态极不稳定，表征该时间段在所划分类别中的置信度越低；特征描述子能够说明各时间段获得的状态向量的有效性和准确性，进一步突出异常特征。
59.本实施例将设定数量的取值设置为20，即01序列的长度为21，在实际操作过程中，实实施者可根据具体情况对设定数量的取值进行调整。
60.上述中的综合特征向量为一个10维的向量，包括状态向量中各个指标以及特征描述子中的各个方差。
61.然后基于每种类别中所有时间段对应的综合特征向量进行高斯混合模型训练，获取每个类别对应的预设高斯混合模型；在m维的特征空间内，本方案中m的取值为10，对应综合特征向量的维度10，每个基
本的高斯概率密度函数如下：其中，为均值向量，为协方差矩阵，，其中为综合特征向量，为特征描述子，综合特征向量用来描述脱硫塔在时间段内的状态，t表示矩阵的转置。需要说明的是，高斯混合模型将观测到的数据视为若干个高斯密度函数的线性组合，用公式表示为：其中，k表示基本高斯密度函数的个数，为第i个高斯成分的混合系数，也可以当作权重，其和为1。基本高斯混合模型为4个基本高斯概率密度函数线性组合，即上述k=4，所述的4个基本高斯概率密度函数分别对应4种类别，分别为风机异常类别、给水泵异常类别、风机给水泵均异常类别和正常类别，本实施例只把脱硫塔的状态分为了四个类别，可以根据实际需要情况，训练出更多的状态对应的高斯混合模型，以实现问题精准判断。
62.另外需要说明的是，在本实施例中选用最大迭代法对高斯混合模型进行参数估计。其中，根据高斯混合模型的模型函数可得对数似然函数如下：其中，采用最大期望迭代法的目的是得到均值μ、协方差σ和混合系数α等参数的最大化似然估计。
63.至此，分别得到风机异常类别、给水泵异常类别、风机给水泵均异常类别和正常类别对应的预设高斯混合模型。
64.步骤6，基于当前时间段及其之前的z个时间段对应的综合特征向量，获取待判别高斯混合模型，计算待判别高斯混合模型与每个类别对应的预设高斯混合模型的差异，根据最小差异对应的类别判断脱硫塔是否异常。
65.本实施例选取当前时间段及其之前的5个时间段对应的综合特征向量，获取待判别高斯混合模型，即z的取值为5，在实际操作过程中，实施者可对z的取值进行调整，其中待判别高斯混合模型的获取方法与预设高斯混合模型的获取方法一致，不再赘述。
66.然后，计算待判别高斯混合模型与每个类别对应的预设高斯混合模型的差异，根据最小差异对应的类别判断脱硫塔是否异常。
67.具体地，待判别高斯混合模型与每个类别对应的预设高斯混合模型的差异为待判别高斯混合模型与每个类别对应的预设高斯混合模型之前的kl散度。
68.所述kl散度的计算公式为：
其中，表示任意一个类别对应的预设高斯混合模型，表示当前时间段及其之前的z个时间段对应的待判别高斯混合模型；表示预设高斯混合模型与待判别高斯混合模型之间的kl散度。
69.需要说明的是，kl散度可以说明待判别高斯混合模型与预设高斯混合模型之间的差异，选择差异最小的预设高斯混合对应的类别为当前时间段脱硫塔的状态，例如风机异常类别对应的预设高斯混合模型与当前时间段对应的待判别高斯混合模型之间的kl散度最小，则脱硫塔在当前时间段对应的状态为风机异常类别，即脱硫塔发生异常，由此可以判断脱硫塔是否异常。
70.使用高斯混合模型对当前的脱硫塔状态进行监测的目的是：简单的指标评价只是一个大致状态，如果故障表现不明显，会发生在多个故障状态间进行波动，导致无法确定故障的类型，而高斯混合模型为一个概率统计模型，能够通过当前发生的概率信息确定故障类型，提高当前判断的准确性。因此，引入高斯混合模型，通过一段时间内状态的变化情况，从而确定当前实时异常状态，确保脱硫塔当前状态的准确性。
71.本发明还提供了一种船舶用脱硫塔实时监测方法，包括处理器与存储器，处理器执行存储器存储的一种船舶用脱硫塔实时监测方法的程序，由于一种船舶用脱硫塔实时监测方法的具体实施方式已在上述步骤1至步骤6中详细给出，不再过多赘述。
72.以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围，均应包含在本技术的保护范围之内。