[發明專利]一種基于機器學習的自動化集裝箱碼頭設備健康預測方法

在審

• 申請號: 202110324789.6
• 申請日: 2021-03-26
• 公開（公告）號: CN113033663A
• 公開（公告）日: 2021-06-25
• 發明（設計）人: 張冬冬;丁小虎;張連鋼;張蕾;張常江;徐斌
• 申請（專利權）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所(特殊普通合伙) 31290
• 代理人: 葉鳳

本發明公開了一種基于機器學習的自動化集裝箱碼頭設備健康預測方法。本發明針對超大型集裝箱碼頭中協同設備異常種類復雜多變，健康程度難以判斷的現狀，提出了一種自動化集裝箱碼頭設備健康指數計算方法，解決了傳統方法只能對設備進行正常或者異常判斷，而無法準確評估設備健康程度的缺點。該方法采用主成分分析方法對高維監測數據進行降維，通過LSTM網絡提取隱藏層數據特征，根據設備狀態與隱層特征之間的聯系，設計自動化集裝箱碼頭設備健康指數計算公式，進而對設備健康程度及異常發展趨勢進行監測。

技術領域：

本發明涉及異常檢測和機器學習領域，特別涉及一種基于LSTM網絡提取隱層特征，并根據設備狀態與隱層特征之間的聯系評估自動化集裝箱碼頭設備當前健康程度及異常發展趨勢的方法。

背景技術：

在超大型集裝箱碼頭的復雜場景下，各種設備協同作業，一旦發生故障就會全面停產，打亂整個生產計劃，給碼頭企業造成重大經濟損失，現代化的工業場景對故障檢測技術提出更高的要求，不僅需要能夠判斷設備是否在正常工作，而且還需要能夠對設備健康程度進行分析，進而將可能出現的故障提前處理。設備健康問題越來越受到人們的關注，目前大多數技術方法都能夠準確的判斷集裝箱碼頭自動化設備的正常與異常狀態，缺少能夠分析設備健康程度及異常發展趨勢的方法。本發明提出了一種基于機器學習的自動化集裝箱碼頭設備健康程度及異常發展趨勢的評估方法。

最接近現有技術及其評析：

對于設備健康程度評估的問題，也有學者通過編碼-解碼模型獲得重構誤差，從而進行設備健康狀態評估(Malhotra P,TV V,Ramakrishnan A,et al.Multi-sensorprognostics using an unsupervised health index based on lstm encoder-decoder[J].2016)。Pankaj Malhotra等人提出了一個針對多傳感器時間序列數據的基于長短時記憶的編碼器-解碼器(Long Short Term Memory-Encoder Decoder，LSTM-ED)模型，該方法通過對正常狀態下的數據進行學習，利用編碼-解碼結構獲得數據重構誤差，根據誤差的大小來判斷設備的健康程度，但是該方法只能判斷設備當前狀態和正常狀態的偏離程度，而無法分析設備的異常趨勢。

發明內容

本發明的目的在于提供一種基于機器學習的自動化集裝箱碼頭設備健康程度及異常發展趨勢評估方法。通過同時學習正常狀態和異常狀態，基于LSTM單元獲取所有狀態的隱層特征，構建當前狀態下的特征值和正常與異常狀態特征值的距離關系，來分析設備的健康程度，同時也能夠判斷出可能會發生的異常狀態趨勢。

技術方案：

一種基于機器學習的自動化集裝箱碼頭設備健康預測方法，其特征在于：在處理設備異常數據集時，通過分析故障在實際生產過程中所表現出的特征以及包含該故障的數據集中所涉及到的傳感器數據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中某個系統異常引起的，四類系統為導航系統、電控系統、液壓系統和設備管理系統。將故障類型歸納為導航異常、電控異常、液壓異常和設備管理系統異常，利用LSTM網絡學習正常狀態和這四類異常狀態，提取隱藏層數據特征，并計算數據中心以及正常狀態下距離正常狀態數據中心的最大距離。對于要檢測的時間片段，同樣通過LSTM網絡計算隱層數據特征，分別計算與正常狀態和四個異常類型的隱層數據中心的距離。如果待測狀態距離正常狀態中心的距離小于正常狀態下的最大距離，則判定當前狀態為正常狀態，同時根據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，距離越近則發生對應異常的趨勢越大。反之，如果待測狀態距離正常狀態過遠，則判定為異常，距離最近的異常中心類別就是當前發生的異常狀態。