[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

说明书

本发明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。

技术领域：

本发明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。

背景技术：

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。本发明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。

最接近现有技术及其评析：

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-sensorprognostics 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。

发明内容

本发明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。

技术方案：

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。