[发明专利]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

权利要求书

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。

2.如权利要求1所述的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：实现过程如下：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。