一种基于机器学习的自动化集装箱码头设备健康预测方法技术

本发明专利技术公开了一种基于机器学习的自动化集装箱码头设备健康预测方法。本发明专利技术针对超大型集装箱码头中协同设备异常种类复杂多变，健康程度难以判断的现状，提出了一种自动化集装箱码头设备健康指数计算方法，解决了传统方法只能对设备进行正常或者异常判断，而无法准确评估设备健康程度的缺点。该方法采用主成分分析方法对高维监测数据进行降维，通过LSTM网络提取隐藏层数据特征，根据设备状态与隐层特征之间的联系，设计自动化集装箱码头设备健康指数计算公式，进而对设备健康程度及异常发展趋势进行监测。势进行监测。势进行监测。

【技术实现步骤摘要】
一种基于机器学习的自动化集装箱码头设备健康预测方法

：
[0001]本专利技术涉及异常检测和机器学习领域，特别涉及一种基于LSTM网络提取隐层特征，并根据设备状态与隐层特征之间的联系评估自动化集装箱码头设备当前健康程度及异常发展趋势的方法。

技术介绍
：
[0002]在超大型集装箱码头的复杂场景下，各种设备协同作业，一旦发生故障就会全面停产，打乱整个生产计划，给码头企业造成重大经济损失，现代化的工业场景对故障检测技术提出更高的要求，不仅需要能够判断设备是否在正常工作，而且还需要能够对设备健康程度进行分析，进而将可能出现的故障提前处理。设备健康问题越来越受到人们的关注，目前大多数技术方法都能够准确的判断集装箱码头自动化设备的正常与异常状态，缺少能够分析设备健康程度及异常发展趋势的方法。本专利技术提出了一种基于机器学习的自动化集装箱码头设备健康程度及异常发展趋势的评估方法。
[0003]最接近现有技术及其评析：
[0004]对于设备健康程度评估的问题，也有学者通过编码
‑
解码模型获得重构误差，从而进行设备健康状态评估(Malhotra P,TV V,Ramakrishnan A,et al.Multi
‑
sensor prognostics using an unsupervised health index based on lstm encoder
‑
decoder[J].2016)。Pankaj Malhotra等人提出了一个针对多传感器时间序列数据的基于长短时记忆的编码器
‑
解码器(Long Short Term Memory
‑
Encoder Decoder，LSTM
‑
ED)模型，该方法通过对正常状态下的数据进行学习，利用编码
‑
解码结构获得数据重构误差，根据误差的大小来判断设备的健康程度，但是该方法只能判断设备当前状态和正常状态的偏离程度，而无法分析设备的异常趋势。

技术实现思路

[0005]本专利技术的目的在于提供一种基于机器学习的自动化集装箱码头设备健康程度及异常发展趋势评估方法。通过同时学习正常状态和异常状态，基于LSTM单元获取所有状态的隐层特征，构建当前状态下的特征值和正常与异常状态特征值的距离关系，来分析设备的健康程度，同时也能够判断出可能会发生的异常状态趋势。
[0006]技术方案：
[0007]一种基于机器学习的自动化集装箱码头设备健康预测方法，其特征在于：在处理设备异常数据集时，通过分析故障在实际生产过程中所表现出的特征以及包含该故障的数据集中所涉及到的传感器数据是否超出了正常范围，以此将当前故障判断并归入四类系统中某个系统异常引起的，四类系统为导航系统、电控系统、液压系统和设备管理系统。将故障类型归纳为导航异常、电控异常、液压异常和设备管理系统异常，利用LSTM网络学习正常状态和这四类异常状态，提取隐藏层数据特征，并计算数据中心以及正常状态下距离正常状态数据中心的最大距离。对于要检测的时间片段，同样通过LSTM网络计算隐层数据特征，
分别计算与正常状态和四个异常类型的隐层数据中心的距离。如果待测状态距离正常状态中心的距离小于正常状态下的最大距离，则判定当前状态为正常状态，同时根据距离其他四个异常中心的远近来计算健康值，距离越远则越健康，距离越近则发生对应异常的趋势越大。反之，如果待测状态距离正常状态过远，则判定为异常，距离最近的异常中心类别就是当前发生的异常状态。
[0008]上述方法，实现过程：首先，依据自动化集装箱码头自动引导车设备健康指数的分类和设定，采集布设于设备上的传感器检测的信号，组成数据集；接着，利用滑动窗口机制获取连续时间片段，用PCA模型对高维的设备监测时间序列数据降维；然后，将降维后的数据送入到LSTM网络中进行学习，并提取隐层特征；最后，计算不同设备状态下隐层特征的中心点以及彼此之间的欧氏距离，通过处理运算获得健康指数，评估设备健康状态。
[0009]本专利技术技术方案基于自动化集装箱码头设备异常种类分类具有潜在联系的现象，首先根据经验知识将异常种类进行归纳，然后利用PCA方法将高维的设备检测数据进行降维，并将降维后的数据送入LSTM网络，对设备状态进行学习，并获得数据时间维度隐层特征，计算不同状态隐层特征之间的欧式距离，根据待测状态距离正常状态的远近来判断设备健康程度，根据待测状态距离异常状态的远近来计算每种异常发生的趋势大小，从而实现设备健康程度和异常发展趋势的评估。
[0010]采用上述方案，本专利技术的有益效果是：
[0011]1、本专利技术提出了自动化集装箱码头设备健康指数的规定方法，有效地利用数据时间维度特征，判断设备健康状态，从而能够预测设备未来一段时间的健康趋势，达到设备预警的效果；
[0012]2、本专利技术克服了传统方法仅能判断设备距离正常状态的偏离程度，而无法分析其异常趋势的缺点，充分利用隐层特征之间的数据关系，不仅能判断设备健康程度，而且能够指出其异常发展趋势，具有很大的指导意义。
附图说明
[0013]图1是本专利技术基于机器学习的自动化集装箱码头设备健康程度及异常发展趋势评估基本流程图。
[0014]图2是对训练集A进行PCA降维分析时前30个特征值所占方差百分比。
[0015]图3是LSTM网络结构。
[0016]图4是自动化集装箱码头自动导引车(AGV)异常种类划分示意图。
[0017]图5是不同状态下的隐层特征值。
[0018]图6是本专利技术的实验结果图。
[0019]图7是健康值及健康评估示例。
具体实施方式
[0020]以下结合附图1所示流程图对本实施例作进一步的说明。
[0021]实施例
[0022]步骤1：有关自动化集装箱码头自动引导车设备健康指数的分类和设定：
[0023]将自动化集装箱码头自动引导车(Automatic guided vehicle,AGV)设备分类成
四个系统构成：导航系统、电控系统、液压系统和设备管理系统。
[0024]其中，导航系统主要负责绝对位置校正以及航位推算，通过车体前后两端安装RFID天线采集读取地面磁钉，获得：
[0025]前天线最新探测到磁钉绝对坐标t_Antenna_F_AbsX，t_Antenna_F_AbsY，后天线最新探测到磁钉绝对坐标t_Antenna_R_AbsX，t_Antenna_R_AbsY，和
[0026]前后天线自身中心点的坐标Localization_AnnCenter_F_X，Localization_AnnCenter_F_Y，Localization_AnnCenter_R_X，Localization_AnnCenter_R_Y，来实现车辆的绝对位置定位。
[0027]磁钉在码头地面每隔2米铺设一个，其内部记录自己的身份号、自己在码头坐标系内的绝对位置。当AGV前后本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的自动化集装箱码头设备健康预测方法，其特征在于：在处理设备异常数据集时，通过分析故障在实际生产过程中所表现出的特征以及包含该故障的数据集中所涉及到的传感器数据是否超出了正常范围，以此将当前故障判断并归入四类系统中某个系统异常引起的，四类系统为导航系统、电控系统、液压系统和设备管理系统；将故障类型归纳为导航异常、电控异常、液压异常和设备管理系统异常，利用LSTM网络学习正常状态和这四类异常状态，提取隐藏层数据特征，并计算数据中心以及正常状态下距离正常状态数据中心的最大距离；对于要检测的时间片段，同样通过LSTM网络计算隐层数据特征，分别计算与正常状态和四个异常类型的隐层数据中心的距离；如果待测状态距离正常状态中心的距离小于正常状态下的最大距离，则判定当前状态为正...

【专利技术属性】
技术研发人员：张冬冬，丁小虎，张连钢，张蕾，张常江，徐斌，
申请(专利权)人：青岛港国际股份有限公司，
类型：发明
国别省市：