一种智能化港口监测系统的制作方法

本发明涉及一种智能化港口监测系统。

背景技术：

近年来，随着经济和船舶大型化的发展，航运业对港口运营方作业效率提出了更高的要求，随着国家法律和环保意识的提升，对于港口绿色、环保和节能的要求也日益提高。传统码头设备以人工操作为主，码头的生成效率受人工操作的制约较大，目前沿海各大港口纷纷开展自动化码头的建设工作，希望以自动化技术来突破目前码头运营的瓶颈。

自动化码头发展提出智能化、无人化要求：随着码头自动化进程加快，越来越多的人工操作逐渐被替代，传统的人工巡检严重影响码头的作业效率，需要一种更加智能化的状态监测方法。

港口机械处于重载、非平稳工况：港口机械的特点是载货量大，长期处于频繁启停，换向等非平稳工况，不仅设备容易出现故障，而且对监测信号带来干扰，加大故障诊断的难度。

随着物联网及人工智能等领域新技术的兴起与发展，故障诊断领域也进入了“大数据”时代。通过高效快速的数据采集、存储、传递、处理，实现对更大数量、更多测点设备的监测，由此产生的海量数据给港口机械智能状态监测的深入研究和应用提供了新的机遇。

目前码头内大量的设备没有建成统一的设备信息平台，设备运行数据分散，周期性统计工作依靠人工录表完成，数据的可靠性和实时性均不够。目前急需要建设统一的信息化平台，对设备全寿命周期的数据进行统一管理。

现有港口机械的状态监测方法大都采用原始的计划维修方式，定期对起重机设备进行检查和保养，没有考虑设备的实际使用情况及真实的健康状态，造成了时间和人力物力的浪费。

此外，在非港口行业外，存在一些利用大数据进行机械状态监测的方案：通用电气航空(geaviation)公司对旗下生产的飞机发动机安装智能传感装置来进行实时监测，并将故障信息可视化在移动设备上，供客户实时参考。阿尔斯通(alstom)公司开发的产品traintracer，为轨道交通车辆与设备提供远程监控，数据采集及在线的故障诊断服务。在起重机领域，日本小松(komatsu)制作所和美国卡特彼勒(cat)公司针对该难点，将先进的数据采集及分析方法嵌入旗下大型工程机械的状态监测与故障诊断的售后服务中，增加产品竞争力。三一重工、中联重科和徐工集团也进行了智能监控系统的开发，将设备远程监控、数据采集模块整合到一个可视化系统中，实现设备的全球定位、实时信息监控、故障诊断、远程维护和报警等功能。

技术实现要素：

鉴于现有技术中存在的上述问题，本发明的主要目的在于提供一种操作方便且效率高的智能化港口监测系统。

本发明的技术方案是这样的：

一种智能化港口监测系统，包括软件基础平台、大数据及算法方案平台和web监视门户平台，其中，所述软件基础平台包括数据采集接口模块、数据存储数据库以及api调用接口模块，所述大数据及算法方案平台包括大数据管理模块、机器学习模块以及起重机故障预测模块，所述web监视门户平台包括起重机实时状态监视模块、起重机故障诊断结果展示模块以及起重机大数据分析及算法结果展示模块。

所述数据采集接口模块通过mqtt协议将数据储存到mysql数据库中，所述mysql数据库用于保存设备信息、人员信息、故障记录、维修记录以及工单信息。

所述大数据管理模块用于对所述数据存储数据库进行管理和查询操作，包括对所述数据存储数据库中的历史数据进行分类和更新，以及对所述数据存储数据库中的实时数据进行筛选和标注。

所述web监视门户平台用于提供人机监测界面，用户通过电脑或手机对起重机状态进行监测。

所述起重机实时状态监视模块包括常规信息显示区域模块、当前画面位置分布说明区域模块、菜单栏模块以及监视画面模块。

所述监视画面模块包括设备实时动画监测区域模块、数据分析展示区域模块以及数据异常智能监测区域。

所述监视模块默认打开码头整体监视模块，所述码头整体监视模块用于显示整个码头机器的实际工况。

所述码头整体监视模块用于实时显示系统kpi指标、基于场地图的码头设备监视和显示。

所述起重机大数据分析及算法结果展示模块包括深度学习中间过程展示模块和典型故障预测结果展示模块。

本发明具有以下优点和有益效果：本发明实施例的智能化港口监测系统，其包括软件基础平台、大数据及算法方案平台和web监视门户平台，软件基础平台包括数据采集接口模块、数据存储数据库以及api调用接口模块，大数据及算法方案平台包括大数据管理模块、机器学习模块以及起重机故障预测模块，web监视门户平台包括起重机实时状态监视模块、起重机故障诊断结果展示模块以及起重机大数据分析及算法结果展示模块；通过上述设计，也即将码头设备远程监控、数据采集模块整合到一个可视化系统中，实现码头设备的全球定位、实时信息监控、故障诊断、远程维护和报警等功能；同时，结合网络技术、数据采集技术和数据库技术，解决了海量数据实时获取与存储的难题；另外，将故障诊断分为两个阶段，首先通过故障特征匹配实现故障的实时检测；其次结合历史数据和机器学习算法建立更加准确的故障诊断模型。

附图说明

图1为本发明实施例提供的智能化港口监测系统的原理框图。

图2为本发明实施例提供的智能化港口检测系统中基于深度学习的大数据故障预测的流程示意图。

图3为本发明实施例提供的智能化港口检测系统中起重机实时状态监测模块的基本框架图。

图4为本发明实施例提供的智能化港口检测系统中码头起重机整体监视模块的基本框架图。

图5为本发明实施例提供的智能化港口检测系统中桥吊单机监视模块的基本框架图。

图6为本发明实施例提供的智能化港口检测系统中传动机构监视模块的基本框架图。

图7为本发明实施例提供的智能化港口检测系统中传感器历史数据监视模块的基本框架图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面将参照附图和具体实施例对本发明作进一步的说明。

如图1至图7所示：本发明实施例的智能化港口监测系统，包括软件基础平台100、大数据及算法方案平台200和web监视门户平台300，其中，所述软件基础平台100包括数据采集接口模块101、数据存储数据库102以及api(applicationprogramminginterface，应用程序接口)调用接口模块103，所述大数据及算法方案平台200包括大数据管理模块201、机器学习模块202以及起重机故障预测模块203，所述web监视门户平台300包括起重机实时状态监视模块301、起重机故障诊断结果展示模块302以及起重机大数据分析及算法结果展示模块303。

本发明实施例提的智能化港口监测系统，还包括influxdb(时序数据库)模块、mongodb(芒果数据库)模块以及智能云平台。其中：上述influxdb模块主要用于保存设备运行产生的各个信号变量的实时数据及历史数据记录。所述mongodb模块则主要用于保存各种传感器信息的高频原始信号。数据库按照不同使用阶段及调用关系又分为平台原始数据库，实时监测模型数据库以及机器学习模型数据库，供各个软件模块查询调用及处理后存贮使用。智能云平台对外提供restfulapi，供webgui或其他服务调用。

所述数据采集接口模块101通过mqtt(messagequeuingtelemetrytransport,消息队列遥测传输协议)协议将数据储存到mysql(关系型数据库管理系统)数据库中，所述mysql数据库用于保存设备信息、人员信息、故障记录、维修记录以及工单信息。同时，监测系统的内部采用kafka作为消息中间件。这样设计可以保证系统同外部软件之间的连接，以及监测系统内部各个软件模块之间的连接均具有灵活性，同时也具有很强的可扩展性，满足大批量数据点的实时采集及传输的要求。

所述大数据管理模块201用于对所述数据存储数据库进行管理和查询操作，包括对所述数据存储数据库中的历史数据进行分类和更新，以及对所述数据存储数据库中的实时数据进行筛选和标注。

港口机械是大型复杂设备，要对港口机械关键部件的故障进行准确的诊断和预测，离不开长期的数据积累及不断的优化更新模型。港口机械状态大数据监测平台提供了相应数据管理软件模块，以方便用户通过软件界面对数据库数据进行管理，查询等操作。码头起重机运行数据，如起重机负载，起升，小车等机构运行数据，以及机构各部件传感器数据，如振动、温度等数据，以及利用时域特征、频谱特征、时频特征，倒频谱特征等提取的特征数据，机构及各部件的维修记录数据，机构及各部件设备出厂参数及数据，通过不同方式，汇集到码头数据中心的设备原始数据库。数据分为历史数据和实时数据，所设计的大数据管理模块能够实现①对历史数据进行分类和更新；②对实时数据进行筛选与标注。

机器学习中的深度学习是一种强大的数据特征表达技术之一，通过构建高度复杂的非线性特征提取器，能够从输入数据学习获得高阶相关性的特征，十分适合处理监测信号与故障模式之间的复杂非线性映射关系。

首先，利用后端服务器强大的计算能力，根据不同的工况和应用情景，将所需的数据单向地自动化地筛选到机器学习模型数据库中，构建不同子系统和机构的故障预测模型并进行训练。然后，生成的故障异常诊断和预测模型打包成可容器化运行的程序软件，方便便捷地部署到前端监测服务器中，执行实时监测分析服务。后期可以根据不断累积的历史数据和新的故障模式，定期对深度学习模型进行更新，不断提高故障诊断的正确率。

起重机故障预测模块运行于后台，由大数据驱动实现对起重机关键部件的故障诊断与预测。其方法是利用机器学习建立大数据特征提取模型，从大量历史数据中学习不同故障的特征模式，对实时监测数据进行匹配，进行自动化的起重机关键部件故障失效分析及预警。

部署在前端的起重机故障预测模块，实际的监测效果及准确率的基础是需要有大量真实有效的历史数据训练模型。历史数据记录不仅要求有正常的数据记录，同时也需要有故障记录标签，这样的历史数据库的积累有个时间过程，至少需要2至3年时间。振华公司利用其建立的起重机设备工业监视云平台上积累的历史数据优势，以及其在专用试验台上获取的故障特征数据，可以加快这个过程。首先实现的是针对起重机关键部件的故障预测模型，在此基础上，才能逐步建立起对应部件的寿命预估模型。

起重机故障预测模块对起重机重要机构及部件进行故障分析与预测。故障预测的结果通过实时监视界面及预警信息呈现，并能提供软件接口，供其他系统调用。基于深度学习的大数据故障预测流程如图2所示：首先将采集到的实时信号筛选录入数据库，然后，对实时信号数据进行与历史数据相同的处理方法，即工况划分、降噪去干扰、传感器信号融合等预处理与特征张量的构造，然后通过历史数据的特征张量训练深度学习模型，最后将训练好的能预测不同故障的模型作用于实时数据上，得到实时预测结果。

所述web监视门户平台300主要用于提供人机监测界面，用户通过电脑或手机对起重机状态进行监测。

所述起重机实时状态监视模块301包括常规信息显示区域模块、当前画面位置分布说明区域模块、菜单栏模块以及监视画面模块。

所述起重机大数据分析及算法结果展示模块501包括深度学习中间过程展示模块和典型故障预测结果展示模块。

图3所示，为本发明实施例提供的起重机实时状态监视模块的基本框架，且该起重机实时状态监视模块中的具体描述可参考下表1。

表1

所述监视画面模块包括设备实时动画监视区域模块、数据分析展示区域模块以及数据异常智能监测区域。

①码头起重机整体监视模块

所述监视画面模块默认打开码头起重机整体监视模块，所述码头起重机整体监视模块用于显示整个码头机器的实际工况。

所述码头起重机整体监视模块用于实时显示系统kpi指标、基于场地图的码头设备监视和显示，参见附图4，具体显示信息如下表2

表2

②桥吊单机监视模块

在码头的主页点击实时监控并点击任意机器号下的单机总览即可进入如图5的模块，上述桥吊单机监视模块的具体显示信息如下表3所示。

表3

③传动机构监视模块

在菜单栏中选择机构监测，再点击任意机器号下的传动机构监测即可进入如图6的监视模块，同时可通过右上角下拉菜单切换不同机构，上述传动机构监视模块的具体显示信息如下表4所示。

表4

④传感器历史数据监视模块

在菜单栏中选择监测与诊断，再点击传感器历史数据，即可进入如图7的监视模块，上述传感器历史数据监视模块的具体信息如下表5所示。

表5

⑤其他机构及部件监视模块

其他单机监视页面基本同上面桥吊单机监视页面；

其他机构的监视页面基本同上面传动机构监视页面。

起重机大数据分析及预测结果展示

起重机大数据分析及预测结果展示模块主要分为两部分。

①深度学习中间过程展示

网络结构的交互可视化：应用多形式、深层次的神经网络结构来处理港口采集的大数据，自动提取故障特征进行分类预测。项目通过将整个网络进行互动展示，不仅可以观看整个网络结构的全貌，也可以交互的查看任一层的参数，比如卷积网络的卷积核大小，池化层大小等。此外，还可以查询整个结构的更新日志，调取不同版本的网络进行查阅。

中间层可学习参数的变化曲线：项目将整个模型的参数进行保存，用户可以轻松调取实时的中间参数变化趋势进行查看。操作人员也可以通过这个参数的变化来不断调整深度学习模型的结构。

数据聚类可视化：通过t-snr、pca等降维方法，对高维的大数据进行三维可视化展示，实时呈现数据的分布情况。提取出的表征相同健康状态或者故障的特征向量聚集在一起。用户可以通过鼠标或者触控进行界面的旋转平移，查看整个数据分布的全貌，同时可以点取任一数据点，查看数据背后所对应的故障形式。

②典型故障预测结果的展示

设备不同健康状态的比对：表征不同故障类型的特征向量可以自由调取比对，用户可以查看数据背后对应的设备实际状态。

预测结果：对当前的设备运行状态以概率形式给出柱状图等统计图谱，表征当前最可能发生故障的概率。

本发明实施例提供的智能化港口监测系统，更加具体的可以把整个监测系统分成如下六个层次：

(1)数据源层：数据源层包括起重机机构传感器数据，起重机运行数据，设备参数数据，维护日志数据等。

(2)数据采集层：通过各种网络协议和数据存储分发协议，将采集到的数据传输到服务器和数据库中进行分别存储。

(3)数据存储：对采集的各种数据进行清洗、解析和分类，并进行结构化/非结构化混合和分布式存储。和上层数据分析层对接，提供高性能的数据存取服务。

(4)数据分析：传统数据分析方法包括时域分析，频域分析，时频分析等分析方法；在传统分析方法基础上，采用ai及机器学习方法，包括分类回归、贝叶斯网络、人工神经网络以及深度学习等，以实现对故障的诊断与预测。

(5)业务层：利用各分析方法实现状态监视，信号异常监视，故障识别，故障预测，维护决策制定等业务。

(6)展示层：最终利用web监视门户网站形式，把各类原始数据，统计结果，以及分析结果等以报表形式在终端进行可视化。

最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。