【技术实现步骤摘要】
本专利技术涉及码头理货，具体而言，涉及一种基于大数据的集装箱码头可视化理货方法。
技术介绍
1、码头理货是对进出口集装箱进行清点、验收、组织存储和装卸的工作，是现代物流运输中非常重要的环节。具体包括：货物接收与清点、组织存储与装卸、记录与报告、维护设备与安全管理等。随着全球贸易的不断发展和物流技术的不断进步，码头理货工作也在不断创新和完善中。
2、在现有技术中，码头理货设备的运行状态评估主要依赖于人工目测或单一传感器检测，这种传统方法存在明显局限性。具体而言，当前评估方法仅能对设备运行过程中的反馈电压、反馈电流等基础参数进行单一性分析，无法实现多维度数据的综合性分析。这种单一性判定模式不仅降低了设备状态评估的准确性，也难以建立科学的风险预警机制，难以为码头理货作业提供可靠的数据支撑。当理货设备出现运行不稳定时，由于缺乏有效的实时监测和预警，极易产生理货偏差、货物损坏等严重后果。特别是在高负荷作业环境下，设备性能的细微变化可能被忽视，最终导致重大经济损失或安全事故。
技术实现思路
1、本专利技术实施例提供一种基于大数据的集装箱码头可视化理货方法，实现了对码头理货设备运行状态的全面监测与精准评估，显著提升了设备运行可靠性和故障预警能力，有效降低了理货偏差和安全风险，为码头作业提供了科学依据，提高了理货效率和安全性。
2、为了实现上述目的，本专利技术提供了一种基于大数据的集装箱码头可视化理货方法，包括：
3、在集装箱理货设备上预先部署多个参数采集设备，
4、对每组周期性反馈检测参数进行归类，得到多个周期性反馈检测参数序列，基于所述周期性反馈检测参数序列对所述集装箱理货设备进行初始化判断，并生成初始化标记，其中，所述初始化标记包括风险初始化标记、安全初始化标记和未知初始化标记；
5、当识别到所述未知初始化标记时，则对所述周期性反馈检测参数序列进行分析，并基于分析结果计算所述周期性反馈检测参数序列的周期性反馈检测参数系数；
6、提取每个周期性反馈检测参数序列的周期性反馈检测参数系数，进行曲线拟合，得到对应的周期性反馈检测参数系数曲线，基于所述周期性反馈检测参数系数曲线计算所述集装箱理货设备的理货状态评估因子；
7、基于所述理货状态评估因子和预设理货状态评估因子判断是否对所述集装箱理货设备的理货行为进行干预，若是，则基于所述理货状态评估因子生成所述集装箱理货设备的干预结果。
8、进一步地，在基于所述周期性反馈检测参数序列对所述集装箱理货设备进行初始化判断，并生成初始化标记时，包括：
9、获取与每个周期性反馈检测参数序列对应的安全周期性反馈检测参数；
10、基于所述安全周期性反馈检测参数对所述集装箱理货设备进行初始化判断，当所述周期性反馈检测参数序列内的周期性反馈检测参数均大于或等于所述安全周期性反馈检测参数时，则对所述集装箱理货设备生成所述风险初始化标记；
11、当所述周期性反馈检测参数序列内的周期性反馈检测参数均小于所述安全周期性反馈检测参数时，则对所述集装箱理货设备生成所述安全初始化标记；
12、当所述周期性反馈检测参数序列内的周期性反馈检测参数存在大于或等于所述安全周期性反馈检测参数，且存在小于所述安全周期性反馈检测参数时，则对所述集装箱理货设备生成所述未知初始化标记。
13、进一步地，在对所述周期性反馈检测参数序列进行分析，并基于分析结果计算所述周期性反馈检测参数序列的周期性反馈检测参数系数时，包括：
14、基于采集时间顺序对所述周期性反馈检测参数序列中的周期性反馈检测参数生成分析顺序编号；
15、确定第一个分析顺序编号对应的第一周期性反馈检测参数，并确定剩余所有周期性反馈检测参数与所述第一周期性反馈检测参数对应的第一周期性反馈检测参数差值；
16、从所有的第一周期性反馈检测参数差值中选取第一最大周期性反馈检测参数差值，并生成最大差值标识；
17、确定第二分析顺序编号对应的第二周期性反馈检测参数，并确定剩余所有周期性反馈检测参数与所述第二周期性反馈检测参数对应的第二周期性反馈检测参数差值；
18、从所有的第二周期性反馈检测参数差值中选取第二最大周期性反馈检测参数差值，并生成最大差值标识；
19、对剩余的分析顺序编号对应的周期性反馈检测参数进行分析，确定多个最大差值标识；
20、提取所有的最大差值标识对应的最大周期性反馈检测参数差值，并判断是否存在相同的最大周期性反馈检测参数差值，若存在，则计算所有相同的最大周期性反馈检测参数差值的相同差值和值；
21、计算最大差值标识对应的剩余的最大周期性反馈检测参数差值的不相同差值和值；
22、确定所述相同差值和值和所述不相同差值和值的比值，作为所述周期性反馈检测参数序列的周期性反馈检测参数系数；
23、若不存在，则从最大差值标识对应的最大周期性反馈检测参数差值中选取极大参数差值和极小参数差值；
24、计算所述极大参数差值和极小参数差值的极差值和值；
25、计算最大差值标识对应的剩余的最大周期性反馈检测参数差值的剩余差值和值；
26、确定所述极差值和值和所述剩余差值和值的比值，作为所述周期性反馈检测参数序列的周期性反馈检测参数系数。
27、进一步地，在基于所述周期性反馈检测参数系数曲线计算所述集装箱理货设备的理货状态评估因子时，包括：
28、确定所述周期性反馈检测参数系数曲线上每个周期性反馈检测参数系数对应的系数斜率，并构建计算系数ew，其中，e为常数，w为系数斜率；
29、确定所述周期性反馈检测参数系数曲线上所有周期性反馈检测参数系数对应的系数均值；
30、分别计算每一个计算系数与所述系数均值的乘积值，作为子理货状态评估因子；
31、根据所有的子理货状态评估因子计算所述集装箱理货设备的理货状态评估因子。
32、进一步地，在根据所有的子理货状态评估因子计算所述集装箱理货设备的理货状态评估因子时，包括：
33、根据下式计算所述集装箱理货设备的理货状态评估因子：
34、；
35、；
36、；
37、其中，q为集装箱理货设备的理货状态评估因子，r1为第一计算因子，r2为第二计算因子，max为最大值符号，p为子理货状态评估因子的数量，yu为第u个子理货状态评估因子，y1为所有子理货状态评估因子的方差，y2为所有子理货状态评估因子的均值，y3为所有子理货状态评估因子的标准差。
38、进一步地，在基于所述理货状态评估因子和预设理货状态评估因子判断是否对所述集装箱理货设备的理货行为进行干预时，包括：
39、当所述理货状态评估因子小于所述预设理货本文档来自技高网...
【技术保护点】
1.一种基于大数据的集装箱码头可视化理货方法，其特征在于，包括：
2.根据权利要求1所述的基于大数据的集装箱码头可视化理货方法，其特征在于，在基于所述周期性反馈检测参数序列对所述集装箱理货设备进行初始化判断，并生成初始化标记时，包括：
3.根据权利要求1所述的基于大数据的集装箱码头可视化理货方法，其特征在于，在对所述周期性反馈检测参数序列进行分析，并基于分析结果计算所述周期性反馈检测参数序列的周期性反馈检测参数系数时，包括：
4.根据权利要求1所述的基于大数据的集装箱码头可视化理货方法，其特征在于，在基于所述周期性反馈检测参数系数曲线计算所述集装箱理货设备的理货状态评估因子时，包括：
5.根据权利要求4所述的基于大数据的集装箱码头可视化理货方法，其特征在于，在根据所有的子理货状态评估因子计算所述集装箱理货设备的理货状态评估因子时，包括：
6.根据权利要求1所述的基于大数据的集装箱码头可视化理货方法，其特征在于，在基于所述理货状态评估因子和预设理货状态评估因子判断是否对所述集装箱理货设备的理货行为进行干预时，包括：
...【技术特征摘要】
1.一种基于大数据的集装箱码头可视化理货方法，其特征在于，包括：
2.根据权利要求1所述的基于大数据的集装箱码头可视化理货方法，其特征在于，在基于所述周期性反馈检测参数序列对所述集装箱理货设备进行初始化判断，并生成初始化标记时，包括：
3.根据权利要求1所述的基于大数据的集装箱码头可视化理货方法，其特征在于，在对所述周期性反馈检测参数序列进行分析，并基于分析结果计算所述周期性反馈检测参数序列的周期性反馈检测参数系数时，包括：
4.根据权利要求1所述的基于大数据的集装箱码头可视化理货方法，其特征在于，在基于所述周期性反馈检测参数系数曲线计算所述集装箱理货设备的理货状态评估因子时，包括：
5.根据权利要求4所述的基于大数据的集装箱码头可视化理货方法，其特征在于，在根据所有的子理货状态评估因子计算所...
【专利技术属性】
技术研发人员：耿增涛，李全喜，王许斌，郭振，崔可枫，赵峰，于凌翠，陈林，
申请(专利权)人：山东港口科技集团青岛有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。