一种基于深度学习的岸桥运行机构状态评估方法技术

本发明专利技术公开了一种基于深度学习的岸桥运行机构状态评估方法：首先采集岸桥机器房内关键运行机构的振动信号，计算采集的振动信号相关特征指标，再基于搭建训练好的1D卷积神经网络模型，自适应提取信号状态特征指标，将结果以评分的方式输出，可以根据分数的大小以及稳定程度来评价岸桥运行机构状态。本方法解决了人工提取特征指标需要专家经验的问题，智能处理特征指标有效提高了岸桥运行机构状态识别的准确率。同时采用评分方式评价，直观反映岸桥运行机构健康状态。

A State Assessment Method of Quayside Crane Operating Mechanism Based on Deep Learning

【技术实现步骤摘要】
一种基于深度学习的岸桥运行机构状态评估方法
本专利技术属于机械设备状态监测
，具体涉及一种岸桥运行机构智能监测与状态评估方法，用于自动化码头实现对岸桥关键运行机构的监测与评估。技术背景随着贸易日益频繁，对集装箱码头装卸能力以及效率的要求不断提高，港口大型集装箱装卸设备(岸桥)扮演着重要的角色，岸边集装箱起重机(岸桥)结构复杂、载荷作用形式多样、运行条件复杂且恶劣，特别是岸桥的关键运行机构，例如：起升机构、俯仰机构、小车运行机构、减速箱等，经常工作在连续的大载荷、大冲击、频繁启停的工况下，在运行过程中很容易出现各种故障，一旦出现故障，将会造成巨大的经济损失，甚至影响整个岸桥系统的正常运行，因此有必要对岸桥关键运行机构开展智能化健康状态评估。随着传感器技术和通讯技术的进步以及云计算技术的兴起，机器设备检测信号数量、规模和种类持续增加，为机器设备智能状态评估提供基础，但目前没有专门用于岸桥的智能状态评估方法，对于传统岸桥状态评估方法，还存在一些问题：(1)大多数评估方式需要人工选择设计关键特征指标，如小波包变换的方法，虽然这些方法都被证明能成功地提取所需的特征并进行状态评估，但是这些方法的上限性能取决于特征设计的优劣，预先设计手工特征是困难的，需要丰富的信号处理知识，且手工设计的特征对于新测数据的适应能力较差。(2)大多数评估方式是设置阈值报警(采集的数据超过某一数值则报警的方式)来达到故障报警的目的，若阈值设定不恰当容易漏报、误报，但是准确设定阈值是困难的，同时，固定阈值面对不同状态适应性较差，简单的阈值报警使系统不稳定性大大上升。针对上述问题，本专利技术提供了一种基于深度学习的岸桥运行机构状态评估方法。与传统的基于经典机器学习的方法相比，基于深度学习的智能状态监测方法摒弃了信号特征提取中的人工经验干预，利用深度学习的方法对输入的数据进行逐层加工，逐渐将初始的与岸桥机构健康状态关系不大的“低层”特征转换成与设备健康状态密切相关的“高层特征”，实现岸桥机构状态特征的自适应提取；同时，特征提取与状态识别过程合二为一，直接建立“高层”特征与岸桥机构健康状态的非线性映射关系，获得智能状态评估模型，并将结果以评分的方式输出，与简单的阈值报警方法相比，该方法可以完成更为复杂的状态评估任务。
技术实现思路
为了有效解决以上问题，推动岸桥关键运行机构健康状态进行智能评估，本专利技术通过以下技术方案对一种基于深度学习的岸桥运行机构状态评估方法予以实现，具体包含以下步骤：步骤S1、信号采集：利用加速度传感器采集岸桥的关键运行机构(如：起升机构、俯仰机构、小车运行机构等)的振动信号。步骤S2、计算特征指标：计算岸桥运行机构振动信号常用的特征指标，其中包括：有效值、均值、标准差、振动烈度、峭度、偏态、频谱。步骤S3、训练模型：基于深度学习算法，搭建1D卷积神经网络(Convolu-tionalNeuralNetwork，CNN)，选择有标签岸桥运行机构振动信号数据为训练集，利用步骤S2计算的振动特征指标进行学习，对卷积神经网络模型进行训练。步骤S4、状态评估：输入采集的岸桥机器房内运行机构的实时振动信号，按照步骤S2提取振动信号的特征指标，使用步骤S3搭建的模型，输出岸桥运行机构的当前状态评分，根据评分评估岸桥运行机构健康状态。进一步，所述的步骤S2通过振动多统计时域频域特征提取算法对采集的振动信号数据进行特征指标提取，包括以下步骤：S21、计算有效值Xrms特征指标，反映信号动态与静态的平均能量水平，S22、计算均值Xm特征指标，反映信号中心位置和变化平均水平，S23、计算标准差Xstd特征指标，反映信号在中心位置上的波动程度，S24、计算振动烈度T特征指标，反映能量的大小，S25、计算峭度Xkur特征指标，脉冲振动程度和冲击能量大小，S26、计算偏态Xske特征指标，能反映对振动信号的敏感度，其中，Xi是数据值；Xm是数据的平均值；N是数据点；S27、计算振动信号频谱，由快速傅里叶变换(FFT)计算得出，能反映振动信号的频率组成结构及幅值。进一步，所述的步骤S3训练模型，选择有标签岸桥运行机构振动信号数据为训练集；利用步骤S2计算数据特征指标；基于深度学习算法，将计算得到的数据特征指标作为卷积神经网络输入，前向计算每个神经元的输出值，计算与实际值的误差，再反向传播，计算每个神经元连接权重的梯度，根据梯度下降法则更新每个特征指标权重，达到设定工作状态识别准确率时，结束训练，获得对岸桥运行机构状态具有评分估计能力的模型。优选地，使用1D卷积神经网络，该网络包含卷积层、池化层、全连接层；将岸桥运行机构振动信号特征指标以矩阵形式输入，在卷积层，进行卷积运算从中提取特征；在池化层，进行池化操作降低数据维度的同时进行二次特征提取，避免过拟合；经过多层卷积和池化处理，从底层特征逐层转化为更抽象的高层特征，将结果输出至全连接层，对卷积层和池化层提取的特征进行整合，输出数据的高级特征。优选地，最后一个全连接层的神经元输出是岸桥状态评分。使用Sigmoid激活函数，公式为：其中，Wi是卷积核权值矩阵；是第l层的特征指标；t为Sigmoid函数输入值，函数输出值S(t)在0-100之间，通过线性回归的Sigmoid激活函数将结果转化为0至100的评分输出。进一步，卷积神经网络训练属于有监督学习，本专利技术采用MSE损失函数和L2正则化的方法计算误差，公式如下：其中，hW,b(x(i))是卷积神经网络输出岸桥运行机构评分；y(i)是岸桥运行机构实际标签评分；i样本个数(i＝1,2,…,m)；是卷积核权重矩阵；b(i)是网格偏差；λ是正则化参数。进一步，将误差由输出逐层传播至输入进行反向传播，并计算误差对该层参数的梯度，再根据梯度下降法则更新每个特征指标权重，用训练集不断训练，找到最小化损失函数的权重，可以实现误差最小化，达到设定工作状态识别准确率时，结束训练，获得性能较好的训练模型。进一步，所述的步骤S4中状态评估，将采集的岸桥机器房内运行机构的实时振动信号，按照步骤S2计算数据特征指标后，输入步骤S3训练好的模型，输出岸桥运行机构当前状态的评分，通过对评分的分析，得出岸桥运行机构的健康状态和稳定程度；振动信号特征指标评分越低，则表明信号处于正常状态的概率就越小，同时评分变化不大说明机器处于一个稳定的状态，该模型可有效评估岸桥状态。本专利技术有益效果如下：(1)本专利技术一种基于深度学习的岸桥运行机构状态评估方法，采集岸桥关键运行机构相关数据，运用振动多统计时域频域特征提取算法，搭建训练卷积神经网络模型，基于训练好的模型对实时岸桥数据进行智能评价，以评分的方式直观显示岸桥运行机构状态，获得对岸桥运行机构状态更精准的评价，有利于港口机械向着自动化、无人化、智能化的方向发展。(2)本专利技术一种基于深度学习的岸桥运行机构状态评估方法，通过卷积神经网络中多隐含层的映射和转换过程实现对于时域特征指标自主选择，对于频域数据自适应特征提取，进而由特征指标融合，深度有效特征指标更加精准描述岸桥状态，有效地解决了人工选择设计特征指标困难的问题。(3)本专利技术一种基于深度学习的岸桥运行机构状态评估方法，采用新的评分式智能评价标准，使用Sigmoid函数，量化岸桥运行机构健康状本文档来自技高网...

【技术保护点】
1.一种基于深度学习的岸桥运行机构状态评估方法，其特征在于，包括以下步骤：步骤S1：利用加速度传感器采集岸桥机器房内的关键运行机构振动信号。步骤S2：计算岸桥运行机构振动信号常用的特征指标。步骤S3：基于深度学习算法，选择有标签数据为训练集，搭建训练1D卷积神经网络模型。步骤S4：基于搭建训练好的1D卷积神经网络模型，输入实时数据得到岸桥运行健康状态评估，并以评分的方式输出结果。

【技术特征摘要】
1.一种基于深度学习的岸桥运行机构状态评估方法，其特征在于，包括以下步骤：步骤S1：利用加速度传感器采集岸桥机器房内的关键运行机构振动信号。步骤S2：计算岸桥运行机构振动信号常用的特征指标。步骤S3：基于深度学习算法，选择有标签数据为训练集，搭建训练1D卷积神经网络模型。步骤S4：基于搭建训练好的1D卷积神经网络模型，输入实时数据得到岸桥运行健康状态评估，并以评分的方式输出结果。2.根据权利要求1所述的步骤S1采集信号，其特征在于，岸桥机器房内的关键运行机构影响岸桥系统的正常运行，例如:起升机构、俯仰机构、小车运行机构等，利用加速度传感器采集岸桥关键运行机构振动信号，进行评估。3.根据权利要求1所述的步骤S2计算振动信号常用的特征指标，其特征在于，计算岸桥机构数据常用的特征指标，其中包括:有效值、均值、标准差、振动烈度、峭度、偏态、频谱。4.根据权利要求1所述的步骤S3训练1D卷积神经网络模型，其特征在于，搭建训练1D卷积神经网络，选择有标签数据作为训练集，计算数据特征指标，将计算得到的数据特征指标作为输入，前向计算每个神经元的输出值，计算与实际值的误差，再反向传播，计算每个神经元连接权重的梯度，根据梯度下降法则更新每个特征...

【专利技术属性】
技术研发人员：王冉，后麒麟，胡雄，史立，王微，刘丰恺，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：上海,31