[發(fā)明專利]一種基于機器學習的自動化集裝箱碼頭設(shè)備健康預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202110324789.6
• 申請日: 2021-03-26
• 公開（公告）號: CN113033663A
• 公開（公告）日: 2021-06-25
• 發(fā)明（設(shè)計）人: 張冬冬;丁小虎;張連鋼;張蕾;張常江;徐斌
• 申請（專利權(quán)）人: 同濟大學;青島港國際股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海科律專利代理事務(wù)所(特殊普通合伙) 31290
• 代理人: 葉鳳

1.一種基于機器學習的自動化集裝箱碼頭設(shè)備健康預(yù)測方法，其特征在于：在處理設(shè)備異常數(shù)據(jù)集時，通過分析故障在實際生產(chǎn)過程中所表現(xiàn)出的特征以及包含該故障的數(shù)據(jù)集中所涉及到的傳感器數(shù)據(jù)是否超出了正常范圍，以此將當前故障判斷并歸入四類系統(tǒng)中某個系統(tǒng)異常引起的，四類系統(tǒng)為導(dǎo)航系統(tǒng)、電控系統(tǒng)、液壓系統(tǒng)和設(shè)備管理系統(tǒng)；將故障類型歸納為導(dǎo)航異常、電控異常、液壓異常和設(shè)備管理系統(tǒng)異常，利用LSTM網(wǎng)絡(luò)學習正常狀態(tài)和這四類異常狀態(tài)，提取隱藏層數(shù)據(jù)特征，并計算數(shù)據(jù)中心以及正常狀態(tài)下距離正常狀態(tài)數(shù)據(jù)中心的最大距離；對于要檢測的時間片段，同樣通過LSTM網(wǎng)絡(luò)計算隱層數(shù)據(jù)特征，分別計算與正常狀態(tài)和四個異常類型的隱層數(shù)據(jù)中心的距離；如果待測狀態(tài)距離正常狀態(tài)中心的距離小于正常狀態(tài)下的最大距離，則判定當前狀態(tài)為正常狀態(tài)，同時根據(jù)距離其他四個異常中心的遠近來計算健康值，距離越遠則越健康，距離越近則發(fā)生對應(yīng)異常的趨勢越大；反之，如果待測狀態(tài)距離正常狀態(tài)過遠，則判定為異常，距離最近的異常中心類別就是當前發(fā)生的異常狀態(tài)。

2.如權(quán)利要求1所述的一種基于機器學習的自動化集裝箱碼頭設(shè)備健康預(yù)測方法，其特征在于：實現(xiàn)過程如下：首先，依據(jù)自動化集裝箱碼頭自動引導(dǎo)車設(shè)備健康指數(shù)的分類和設(shè)定，采集布設(shè)于設(shè)備上的傳感器檢測的信號，組成數(shù)據(jù)集；接著，利用滑動窗口機制獲取連續(xù)時間片段，用PCA模型對高維的設(shè)備監(jiān)測時間序列數(shù)據(jù)降維；然后，將降維后的數(shù)據(jù)送入到LSTM網(wǎng)絡(luò)中進行學習，并提取隱層特征；最后，計算不同設(shè)備狀態(tài)下隱層特征的中心點以及彼此之間的歐氏距離，通過處理運算獲得健康指數(shù)，評估設(shè)備健康狀態(tài)。