System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及卸船效率预测,尤其涉及一种预测门座起重机采用抓斗卸船效率的方法。
技术介绍
1、干散货码头采用门座起重机配合抓斗卸船是一种非常成熟的装卸工艺,因其灵活方便、适应性强而广泛采用。通常门座起重机为人工操作,卸船效率受工人技术熟练程度、设备作业幅度、物料物理特性等因素影响变化较大,而且由于缺少数据采集方法和设备,在干散货码头生产作业过程中门座起重机卸船效率存在盲区。随着船舶大型化,对码头装卸效率要求越来越高,需要多台门座起重机配合作业,门座起重机卸船效率盲区给生产组织带来困难。
2、传统码头需要专人在现场指挥卸船作业,保障卸船过程中船舶不偏载,对于指挥人员的经验要求很高,不利于生产安全可靠的运行。这对干散货卸货效率有着极大的影响,可能会消耗过多的人工,也可能会对现场施工安全造成影响。
3、起重机的卸船效率预测长期以来都是难以预测的,其主要原因有三个:
4、(1)设备限制:由于干散货码头的特殊工作性质,防爆成为了最高要求之一,传感器设备的安装和使用受到了很大的限制。
5、(2)影响因素多:对于干散货码头门座起重机效率影响因素过多,包括了货物内在属性、工作场景属性、工作人员属性等诸多参数,如何收集、获得、分析、选取这些属性用于预测是一个极其依赖经验的任务。
6、(3)数据来源:尽管许多港口已经配备了数据管理和集成系统,但他们并没有充分的利用已有数据的价值,尚未进行数据分析、处理、决策支持等操作。
技术实现思路
1、本专
2、本专利技术提供了一种预测门座起重机采用抓斗卸船效率的方法,包括:
3、步骤1,在门座起重机上布置数据采集设备;
4、步骤2,获取卸船作业历史数据;
5、步骤3,建立初步的抓斗卸船效率预测模型;
6、所述初步的抓斗卸船效率预测模型的输入为:卸船作业历史数据按照时间戳匹配后的数据项;
7、所述初步的抓斗卸船效率预测模型的输出为:卸船预测效率;
8、所述初步的抓斗卸船效率预测模型的约束为:预测效率不超过门机理论最高效率;
9、步骤4,利用卸船作业历史数据,对初步的抓斗卸船效率预测模型进行训练,得到训练好的抓斗卸船效率预测模型;
10、步骤5,利用训练好的抓斗卸船效率预测模型,对抓斗卸船效率进行预测。
11、进一步的,所述数据采集设备,包括:测距终端、差分定位终端和称重传感器;
12、所述测距终端安装在门座起重机上,用来测量门座起重机与基站之间的距离信息,实现对门座起重机实时定位;
13、所述差分定位终端安装在门座起重机的象鼻粱头部,用来实时定位抓斗的移动轨迹信息;
14、所述称重传感器安装在门座起重机上,用来采集门座起重机的抓料的重量信息和时间信息。
15、进一步的,所述卸船作业历史数据,包括但不限于船只信息、工作时间的水文信息、工作人员姓名编码以及数据采集设备采集的距离信息、抓料的重量信息和时间信息;
16、所述船只信息,包括但不限于舱口距离、船只货物信息、船型信息。
17、进一步的,在步骤4中,选用基于深度学习技术的多元线性回归模型进行训练,训练过程中使用梯度下降算法进行参数求解,通过最小化效率均方误差达到模型的最优值;训练好的模型可以根据输入的特征直接输出预测效率;
18、其中输入层为:
19、
20、其中,表示输入层到第一个隐藏层的权重,是第一个隐藏层的偏置,σ是激活函数,为relu;x1、x2…xn分别表示卸船数据集中的每一列的信息,表示经过激活的输入层的输出,表示未经非线性激活的输入层的输出;
21、从第一层隐层到最后一层隐层为:
22、
23、
24、其中,表示第一个隐藏层到第二个隐藏层的权重,b1(2)是第二个隐藏层的偏置,σ是relu激活函数,为第一层隐藏层的输出;
25、输出层为:
26、
27、其中,是神经网络的输出,f是输出层的激活函数,l代表第l个隐藏层的输出。
28、本专利技术提供的一种预测门座起重机采用抓斗卸船效率的方法,与现有技术相比具有以下优点:
29、1、通过增加传感器增加新数据、分析、整合当前数据的方式提高了数据的利用效率。
30、2、本专利技术实现多维度数据分析与决策支持:抓斗卸船效率预测模型通过综合多种数据类型,如浮点数信息、字符信息、自然语言、电信号等,进行多维度的数据分析。多模态的数据处理可以充分利用已有数据,将历史上的决策数据、工况数据等进行有机结合,起到辅助决策的重要作用。对于本专利技术来说,多维度的数据分析有助于提高数据的使用效率、减少重复的数据采集,最终提高模型训练的质量。总的来说这有助于更全面地理解卸船作业状态,提供了更多的信息维度,使得决策支持系统能够更准确地评估当前状态并提出优化建议。这种多维度数据分析有助于提高整体作业的智能化水平。
31、3、抓斗卸船效率预测模型可以结合接料斗状态、船舱内剩余货物数量、门机抓料斗效率(本模型的输出)三者的信息实时数据推测工作状态,将工作状态分解为正常工作、异常工作(包括船舱内剩余货物不足需要换仓、门机工作效率过低、接料斗开度不合适三种细节类型)两种类型。可以代替经验人员的繁重工作,高精度不间断的指导现场的作业生产。本专利技术可以搭配接料斗、皮带机的自动控制算法可以实现提高卸船效率的任务。
32、4、本专利技术的抓斗卸船效率预测模型能够实时监测、分析和推测卸船作业状态。这使得系统能够迅速作出反应,及时调整卸船策略,以适应不断变化的环境和工况。实时性和自适应性的优势使得模型更具适用性,能够应对复杂多变的实际卸船场景,确保卸船过程的高效、稳定运行。
本文档来自技高网...【技术保护点】
1.一种预测门座起重机采用抓斗卸船效率的方法,其特征在于,包括:
2.根据权利要求1所述的预测门座起重机采用抓斗卸船效率的方法,其特征在于,所述数据采集设备,包括:测距终端、差分定位终端和称重传感器;
3.根据权利要求1所述的预测门座起重机采用抓斗卸船效率的方法,其特征在于,所述卸船作业历史数据,包括但不限于船只信息、工作时间的水文信息、工作人员姓名编码以及数据采集设备采集的距离信息、抓料的重量信息和时间信息;
4.根据权利要求1所述的预测门座起重机采用抓斗卸船效率的方法,其特征在于,在步骤4中,选用基于深度学习技术的多元线性回归模型进行训练,训练过程中使用梯度下降算法进行参数求解,通过最小化效率均方误差达到模型的最优值;训练好的模型可以根据输入的特征直接输出预测效率;
【技术特征摘要】
1.一种预测门座起重机采用抓斗卸船效率的方法,其特征在于,包括:
2.根据权利要求1所述的预测门座起重机采用抓斗卸船效率的方法,其特征在于,所述数据采集设备,包括:测距终端、差分定位终端和称重传感器;
3.根据权利要求1所述的预测门座起重机采用抓斗卸船效率的方法,其特征在于,所述卸船作业历史数据,包括但不限于船只信息、工作时间的水文...
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。