CN111368863A - 一种智能化的岸桥关键机构健康状态评估方法 - Google Patents

Abstract

本发明公开了一种智能化的岸桥关键机构健康状态评估方法。首先，对岸桥机构的振动信号进行预处理，提取多种时域特征并进行特征选择，并通过无监督聚类算法生成一种可以衡量振动特征数据分布的网格；然后，采用隐马尔可夫模型对生成的数据分布网格进行训练，建立数据网格分布与机构健康状态之间的映射，得到岸桥状态评估模型；最后，将待测数据分布网格输入状态评估模型中，根据模型输出的对数似然概率对岸桥机构的健康状态进行评估。该方法可以有效处理岸桥运行中产生的海量无标签数据，并能够克服实际应用中缺少岸桥故障数据的问题，实现岸桥关键机构健康状态的智能评估，有利于推动岸桥的智能维护，提高岸桥运行的安全性与可靠性。

Description

一种智能化的岸桥关键机构健康状态评估方法

技术领域

本发明属于机械状态监测与故障诊断领域，具体涉及一种智能化的岸桥关键机构的健康状态评估方法。

技术背景

岸边集装箱起重机，简称岸桥，是一种重要的大型港口物流装备。岸桥结构复杂、载荷作用形式多样，运行条件多变且恶劣，随着作业量的日益增加，在运行过程中容易出现各种故障，一旦出现故障，将会造成巨大的经济损失。目前码头上对于岸桥设备的维护还是采用传统的被动维护模式，通过定期的人工巡检来发现故障并维修，这种维护模式不能及时发现岸桥的状态变化，无法从根本上避免故障的发生。岸桥的关键运行机构，例如起升电机、减速箱、俯仰机构、小车运行机构等，其健康状态对整个岸桥系统的正常运行具有重要影响。因此，为了保障岸桥的安全高效运行，有必要对其关键机构开展智能维护，进行实时的健康状态监测与评估。

随着自动化码头的兴起以及物联网技术的推广，岸桥在线状态监测系统逐渐在一些集装箱港口得到应用，随之产生了海量的状态监测数据，这些监测数据对开展岸桥关键机构的智能状态评估提供了基础条件。然而，利用传统的技术手段处理海量的岸桥数据来判断岸桥状态在方法和效率上显得力不从心，其主要问题在于：

1、无标签数据处理困难。岸桥上所采集到的数据大多都是无标签的海量数据，而现在绝大多数状态监测与故障诊断方法都是使用机器学习里的有监督学习算法(如K最近邻算法、支持向量机等)，利用有标签的数据训练模型通过分类的方式实现故障诊断。有监督学习算法无法直接处理无标签数据，常规的无标签数据处理是通过人工标注的方法对无标签数据赋予标签，这需要专业的专家介入而且成本高，费时费力。

2、缺少故障数据源。一般采集到的岸桥数据都是正常数据量大，而故障数据极少，通常只能将设备非正常维护下的维修前一段时期的数据作为故障数据，这就导致样本数据的极大不平衡性。传统的故障诊断方法(如决策树、人工神经网络ANN等)都是在样本均衡的前提下进行的，数据不平衡会导致诊断或评估的正确率较低，如果没有故障数据则无法训练诊断模型。

上述问题制约了岸桥健康状态监测与评估系统的普遍应用与推广。针对以上问题，本发明提出一种智能化的岸桥关键机构健康状态评估方法，首先通过基于无监督学习的聚类算法训练生成一种可以衡量岸桥状态数据分布的网格，然后采用隐马尔科夫模型(HMM)对岸桥正常状态下的数据分布网格进行学习，建立智能状态评估模型，最后根据该模型输出的对数似然概率大小及其变化来判断待测岸桥机构的健康状态。

本发明提出的智能化岸桥关键机构健康状态评估方法主要解决了以下两个问题：1、不需要人工知识的介入为海量的分析数据定义标签，直接处理无标签数据；2、只使用岸桥正常运行下采集的数据对整个模型进行训练，无需故障数据源。本发明利用无监督聚类算法生成岸桥某种状态下的数据分布网格，这种网格拓扑结构能够有效且稳定地反映岸桥不同健康状态下的数据分布模式。同时，HMM不需要对整个系统的所有状态数据都进行训练，其双随机链结构非常适用于对设备的健康状态退化过程进行建模和描述，与传统的ANN等方法相比，具有严谨的数据结构和良好的可解释性。因此，本发明提出的方法在仅有岸桥正常状态下的数据的情况下仍然能够准确有效地实现岸桥关键机构健康状态的智能化评估。

发明内容

为了有效处理岸桥的海量无标签数据，克服缺乏故障数据源的问题，推动岸桥机构的智能维护，保障岸桥的安全运行，本发明提出一种智能化的岸桥关键机构健康状态评估方法。智能化的岸桥关键机构健康状态评估方法，包含以下步骤：

步骤1、对岸桥数据进行数据预处理：删除岸桥停机状态下的数据，消除振动信号的直流分量，获得预处理集。

步骤2、对岸桥数据进行特征提取与特征优化：首先对预处理集进行特征提取获得特征集，通过聚类算法对特征集设置预标签，再采用ReliefF算法对有预标签的特征集的每个特征分配不同权重并筛选权重较高特征生成特征优化集。

步骤3、对岸桥数据进行数据分布网格提取：将特征优化集进行分组，每组数据通过基于无监督学习的聚类算法(K-means算法、自组织映射神经网络SOM等)提取其聚类中心，生成数据分布网格，多组特征优化数据就会生成一个数据分布网格集。

步骤4、HMM的训练阶段：使用岸桥正常运行状态下的振动信号数据通过步骤1，2，3的处理后生成数据分布网格集，将此数据分布网格集作为HMM的输入，采用Baum-Welch算法训练HMM，获得模型参数，建立状态评估模型。

步骤5、岸桥状态评估阶段：对待测状态下的岸桥振动信号数据通过步骤1，2，3的处理后生成数据分布网格集，将其作为新的观测序列输入步骤4中训练好的状态评估模型，采用前向-后向算法，计算待测数据出现的对数似然概率，根据概率值的大小及变化趋势进行岸桥的状态评估。

进一步，所述步骤1包括以下步骤：

步骤11：通过岸桥前大梁的角度传感器判断岸桥是否停机，删除岸桥停机状态下的数据，剩下岸桥正常运行状态下的数据组成振动信号数据集X。

步骤12：振动信号数据X＝[x₁，x₂，x₃，...，x_L]^T，L表示信号长度，使用

消除直流分量，其中mean(X)为X的平均值。

步骤13：使用滑动窗口技术对

进行数据采样，设滑动窗口大小为p，窗口之间的间隔为d，每隔d个数据取p个数据作为一组数据，生成预处理数据集A，A＝(a₁，a₂，...，a_n)，其中

进一步，所述步骤2包括以下步骤：

步骤21：计算预处理数据集A振动信号每列数据a₁，a₂，...，a_n的时域特征，分别为平均值(X_m)、标准差(X_std)、峰值(X_p)、均方根(X_rms)、偏度(X_ske)、峭度(X_kur)、峰值指标(CF)、裕度指标(CLF)、波形指标(SF)、脉冲指标(IF)、峭度指标(KF)，并将计算后获得上述特征值组合为特征集Q＝(X_m，X_std，...，KF)。

步骤22：通过无监督聚类算法对特征集进行聚类，对无标签数据进行预标注，分为R类特征集，R为正整数，得到聚类后的特征集

步骤23：对于聚类后的特征集

每次从中随机选择一类特征集中的一个样本S，然后在S的同类特征集中寻找ε个S的近邻样本NH，同时每个与S不同类的特征集中各寻找ε个近邻样本NM，计算样本S和近邻样本(包含同类和不同类)在某个特征上的数值差异，并迭代更新每个特征的权重，更新公式为：

其中

式中，m表示迭代次数，NH_j表示同类的第j个近邻样本，NM(C)_j表示不同类的C类样本的第j个近邻样本，P(C)表示C类特征集在总特征集

中所占比例，Class(S)表示样本S所属的类别，diff(τ，S，S′)表示样本S和S，在特征τ上的数值差异，τ为时域特征类别的索引，ω(τ)为特征τ的权重，其初始值都为零，不断更新权重ω(τ)后，最后赋予所有和类别相关性高的特征较高的权重，并将权重高的特征筛选出。

进一步，所述步骤3包括以下步骤：

步骤31：根据步骤2中特征选择的结果，选择特征权重最高的M个特征，对原特征集Q进行索引，组成数据集，将该数据集每h行数据分为一组，生成特征优化集Z＝(Z₁，Z₂，...Z_Y)，Y为数据集组数。

步骤32：初始化聚类中心，设置聚类中心数目为T，T为正整数，数据集Z中每一组数据通过聚类算法，训练出聚类中心集，将聚类中心集按模的大小从小到大排序，该聚类中心集即为数据分布网格，可以反映岸桥在该状态下的数据分布模式，多组数据则生成数据分布网格集NET＝(net₁，net₂，...，net_Y)，Y为数据集组数。

进一步，所述步骤4包括以下步骤：

步骤41：初始化HMM模型λ＝(π，A，B)，随机生成状态概率向量π＝(π_i)、状态转移概率矩阵A＝[a_ij]_N×N和观测值转移概率矩阵B＝[b_j(k)]_N×M，N为可能的状态数，M为可能的观测数，π_i为初始状态概率，a_ij是在时刻t处于状态i的条件下在时刻转移到状态j的概率，b_j(k)是在时刻t处于状态j的条件下生成观测值k的概率。

步骤42：基于初始化的模型λ＝(π，A，B)，将训练集NET作为观测值O＝net_i＝(o₁，o₂，o₃，...，o_T)，通过Baum-Welch算法，重新估计模型参数，训练HMM模型，模型估计公式为：

其中，ξ_t(i，j)为给定模型λ和观测值O在时刻t处于状态i且在时刻t+1处于状态j的概率，γ_t(i)为给定模型λ和观测值O在时刻t处于状态i的概率，公式分别为：

α_t(i)和β_t(i)分别为前向概率和后向概率，定义到时刻t部分观测序列为o₁，o₂，...，o_t且状态为q_i的概率为前向概率，定义到时刻t状态为q_i的条件下，从t+1到T的部分预测序列为o_t+1，o_t+2，...，o_T的概率，其公式如下所示。

步骤43：模型λ收敛或达到规定的更新步数后，停止更新模型参数，从而获得正常状态下的HMM模型λ＝(π，A，B)。

进一步，所述步骤5包括以下步骤：

步骤51：将待评估岸桥机构的数据通过步骤1，2，3的处理后生成待测状态下的数据分布网格集，其中在步骤2中不需要再进行特征选择，直接采用训练数据的特征选择结果，计算筛选出的权重最高的几个特征即可。

步骤52：将待测状态下的数据分布网格集作为新的观测序列输入步骤4中训练好的状态评估模型λ＝(π，A，B)，采用前向-后向算法，计算待测数据出现的似然概率P(O|λ)，进行岸桥的状态评估，前向-后向算法公式如下所示。

步骤53：将步骤52的计算结果表示为对数似然概率logP(O|λ)，即为岸桥待测机构当前处于正常状态的概率，根据概率值的大小及其变化趋势对机构的健康状态是否异常及异常程度进行评估，当岸桥运行机构状态正常时，HMM输出的对数似然概率值较大且稳定保持在一定范围内，当机构的健康状态发生退化，出现亚健康或者故障时，模型输出的概率值迅速变小，说明机构当前状态与正常状态的差距变大。

本发明的有益效果如下：

(1)通过无监督聚类算法对岸桥运行过程中产生的海量无标签数据进行预标注，并利用ReliefF算法进行特征筛选与优化，可以剔除不相关、冗余、没有差异刻画能力的特征，去粗取精，挖掘出岸桥海量无标签数据中有价值的数据；

(2)不同于以往采用聚类算法直接对数据进行分类识别，本发明利用无监督聚类算法生成岸桥某种状态下的数据分布网格，这种网格拓扑结构能够有效且稳定地反映岸桥机构不同健康状态下的数据分布模式，当机构的健康状态发生变化时，其振动特征数据的分布也会出现明显的变化，从而引起数据分布网格的迁移、偏转、扩大等，因此，数据分布网格对岸桥关键机构的健康状态具有较强的表征能力，为状态评估结果的有效性和准确性提供了有利保障；

(3)HMM仅需对岸桥正常状态下的数据分布网格进行训练建立状态评估模型，因此，本发明在仅有正常数据样本的情况下也能实现岸桥机构的健康状态评估，克服了实际工程应用中由于缺乏故障数据而难以进行岸桥状态识别的问题；

(4)HMM状态评估模型输出的对数似然概率反映了设备待测状态数据偏移正常状态的程度，将其作为一种表征岸桥机构健康状态的指标，符合工程实际中设备健康状态从正常逐步退化的一般规律，追踪对数似然概率随时间的变化并对其变化趋势进行分析，还有利于在故障发生前就及时发现岸桥机构健康状态的退化，以便开展主动的预测性维护，提高岸桥设备运行的安全性和可靠性。

附图说明

图1具体实施流程图。

图2岸桥电机正常运行状态下的数据分布网格图。

图3岸桥电机异常状态下的数据分布网格图。

图4岸桥电机状态评估结果。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图，对本发明的具体实施方式进行清楚、完整的描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例，也不是对本发明的限制。基于本发明的实施例，本领域普通技术人员在不付出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

本实施例所用数据为上海某码头一台新装岸桥的起升电机的径向振动数据，选取时间为2017年11月16日至2018年3月9日，共计140万行数据，该岸桥电机在安装之后已经经历了一段时间的跑合期，在选取数据的时间段内运行状态基本正常。以该岸桥的起升电机的状态评估为例，对本发明提出的智能化岸桥机构健康状态评估方法的具体实施方式及效果进行说明，方法的具体实施流程如图1所示，实施步骤如下：

步骤1、对岸桥数据进行数据预处理：删除岸桥停机状态下的数据，消除振动信号的直流分量，获得预处理集。

步骤11：通过岸桥前大梁的角度传感器判断岸桥是否停机，删除岸桥停机状态下的数据，剩下岸桥正常运行状态下的数据组成振动信号数据集X。

步骤12：振动信号数据X＝[x₁，x₂，x₃，...，x_L]^T，N表示信号长度，使用

消除直流分量，其中mean(X)为X的平均值。

步骤13：使用滑动窗口技术对

进行数据采样，设滑动窗口大小为10000，窗口之间的间隔为1000，每隔1000个数据取10000个数据作为一组数据，生成预处理数据集A，A＝(a₁，a₂，...，a_n)，其中

步骤2、对岸桥数据进行特征提取与特征优化：计算预处理数据集A振动信号每列数a₁，a₂，...，a_n的时域特征，通过聚类算法对特征集设置预标签，再采用ReliefF算法对有预标签的特征集的每个特征分配不同权重并筛选权重较高特征生成特征优化集。

步骤21：计算基于振动信号的时域特征，分别为平均值(X_m)、标准差(X_std)、峰值(X_p)、均方根(X_rms)、偏度(A_ske)、峭度(X_kur)、峰值指标(CF)、裕度指标(CLF)、波形指标(SF)、脉冲指标(IF)、峭度指标(KF)，时域特征的计算公式如表1所示，并将计算后获得上述特征值组合为特征集Q＝(X_m，X_std，...，KF)。

步骤22：在本实例中选择自组织神经网络(SOM)作为聚类算法获取聚类中心，首先对SOM神经网络进行初始化，设置SOM神经网络的竞争层神经元数R＝3*3＝9，输入向量为特征集Q，W为特征集Q的维度，设置SOM神经网络竞争层神经元和输入层神经元之间的连接权向量w_i＝(w_li，w_2i，...，w_Wi)，i＝1，2，...，R，从特征集Q中随机选取一个输入向量x_K，提供给SOM神经网络的输入层神经元，计算x_K与w_i之间的距离，并取距离最小时的神经元作为获胜神经元c，即||x_K-w_c||＝min(||x_K-w_i||)。

表1：时域特征表

步骤22：在本实例中选择自组织神经网络(SOM)作为聚类算法获取聚类

步骤23：将获胜神经元的权向量及其拓扑邻居神经元按照学习规则进行更新，更新公式如下。

w_i(t+1)＝ω_i(t)+α(t)(X-ω_i(t))

步骤24：经过不断训练，当学习率小于0时，训练结束，特征集中每一输入向量分入与其距离最近的权向量中，记为一类，最终得到分类后的特征集

步骤25：对于分类后的特征集

采用ReliefF算法进行特征选择，每次从中随机选择一类特征集中的一个样本S，计算样本S和近邻样本(包含同类和不同类)在某个特征上的数值差异，并迭代更新每个特征的权重，赋予所有和类别相关性高的特征较高的权重，并将权重高的特征筛选出，最后选出3个基于振动信号的时域特征(有效值X_rms、脉冲指标IF、裕度指标CLF)作为衡量岸桥状态的特征，对原特征集Q进行索引，组成特征优化集

步骤3、对岸桥数据进行数据分布网格提取：将特征优化集进行分组，每组数据通过聚类算法提取其聚类中心，生成数据分布网格，多组特征优化数据就会生成一个数据分布网格集。

步骤31：将特征优化集

根据时间顺序5000行一组进行分组，得到244组数据，前200组作为训练数据集，剩下的44组作为验证数据集，这244组数据都是岸桥正常状态下的数据，为了更加充分地分析验证本发明的效果，故另外选取44组异常数据，与验证数据集作对比来验证状态评估的效果。

步骤32：初始化SOM神经网络竞争层，竞争层神经元数目为10*10的SOM神经网络(每个神经元维度为1*4)，通过SOM聚类，竞争层神经元训练收敛生成200组训练集数据分布网格NET₁，44组验证集数据分布网格NET₂，以及由异常数据生成的44组异常集数据分布网格NET₃。

图2为在NET₁中随机选取了3组正常状态下振动特征数据的分布网格图，图中横坐标是有效值X_rms，纵坐标为脉冲指标IF，可见数据分布网格能够反映出岸桥电机在不同时间段内振动有效值与脉冲指标的分布范围及形态，而且经过3幅图的比较可以看出不同时间段下生成的数据分布网格具有较好的稳定性，这也和该电机在分析的3个多月中保持正常稳定运行的实际状态相吻合；而图3为岸桥异常状态下生成的数据分布网格图，可以看出与图2中正常状态下的数据分布网格在形态上有明显的变化，这说明数据分布网格对于正常数据和异常数据有较强的区分能力，能够有效地反映岸桥起升电机状态的变化。

步骤4、HMM的训练阶段：将数据分布网格训练集NET₁的坐标作为HMM的输入，采用Baum-Welch算法训练HMM，获得模型参数，建立状态评估模型。

步骤41：首先初始化HMM模型λ＝(π，A，B)，随机生成状态概率向量π＝(π_i)、状态转移概率矩阵A＝[a_ij]_N×N和观测值转移概率矩阵B＝[b_j(k)]_N×M。

步骤42：基于初始化的模型λ＝(π，A，B)，将训练集NET₁作为观测值O，通过Baum-Welch算法，重新估计模型参数，训练HMM模型，

步骤43：模型λ收敛，停止更新，获得正常状态下的HMM模型λ。

步骤5、岸桥状态评估阶段：将验证集NET₂和异常数据分布网格集NET₃分别作为新的观测序列输入步骤4中训练好的状态评估模型λ＝(π，A，B)，采用前向-后向算法，计算待测数据出现的对数似然概率logP(O|λ)，进行岸桥的状态评估。

该实例的状态评估结果如图4所示，图中上方曲线为验证集(44组正常运行状态下数据)的对数似然概率曲线，可以看出模型输出的对数似然概率值接近于0dB，说明待测数据符合正常状态的概率较大，另外从趋势上看该曲线比较平稳，这与电机在3个月内保持正常运行状态相一致，说明状态评估结果正确；下方曲线为异常数据集的对数似然概率曲线，可以看出模型输出的对数似然概率值有了明显下降，与验证集中正常数据的结果相比，二者的对数似然概率至少相差一个数量级，说明待测数据状态与正常状态的偏差较大，而且这条曲线波动很大，可以判定出设备出现了明显异常。

综上所述，可以看出数据分布网格可以有效地衡量不同状态下岸桥电机振动数据的分布模式，对于正常数据与异常数据有很强的区分能力，使用HMM模型识别不同状态下的数据分布网格，可以对数据分布网格的差异产生一个量化的指标(也就是对数似然概率)，从而准确评估了岸桥起升电机的健康状态，如果进一步地对这个状态指标进行长时间追踪，通过趋势分析还可以评估出岸桥电机的整个健康状态退化过程。

本实例操作简单，易于实现，在仅有正常状态数据样本的情况下也能对岸桥关键机构的健康状态进行准确可靠的评估，与码头上现行的人工巡检的方法相比，智能化的岸桥机构健康状态评估方法便于实现在线实时的状态监测，推动岸桥的智能维护，从而节省人力，避免由于人工漏检导致的设备故障，具有良好的工程应用价值。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所做的等效结构或者等效流程变换，或者直接或间接运用在其他相关的技术领域，均同理包括在本发明专利保护范围内。

Claims (6)

1.智能化的岸桥关键机构健康状态评估方法，其特征在于，包括如下步骤：

步骤1、对岸桥数据进行数据预处理：删除岸桥停机状态下的数据，消除振动信号的直流分量，获得预处理集；

步骤2、对岸桥数据进行特征提取与特征优化：对预处理集进行特征提取获得特征集，通过聚类算法对特征集设置预标签，再采用ReliefF算法对有预标签的特征集的每个特征分配不同权重并筛选权重较高特征生成特征优化集；

步骤3、对岸桥数据进行数据分布网格提取：将特征优化集进行分组，每组数据通过无监督聚类算法提取其聚类中心，生成数据分布网格，多组特征优化数据就会生成一个数据分布网格集；

步骤4、HMM的训练阶段：使用岸桥正常运行状态下的振动信号数据通过步骤1，2，3的处理后生成数据分布网格集，将此数据分布网格集作为HMM的输入，采用Baum-Welch算法训练HMM，获得模型参数，建立状态评估模型；

步骤5、岸桥状态评估阶段：对待测状态下的岸桥振动信号数据通过步骤1、2、3的处理后生成数据分布网格集，将其作为新的观测序列输入步骤4中训练好的状态评估模型，采用前向-后向算法，计算待测数据出现的对数似然概率，进行岸桥的状态评估。

2.如权利要求1所述的智能化的岸桥关键机构健康状态评估方法，其特征在于，所述步骤1包括以下步骤：

步骤11：通过岸桥前大梁的开关传感器判断岸桥是否停机，删除岸桥停机状态下的数据，剩下岸桥正常运行状态下的数据组成振动信号数据集X；

步骤12：振动信号数据集X＝[x₁,x₂,x₃,…,x_L]^T，L表示信号长度，使用

消除直流分量，其中mean(X)为X的平均值；

步骤13：使用滑动窗口技术对

进行数据采样，设滑动窗口大小为p，窗口之间的间隔为d，每隔d个数据取p个数据作为一组数据，生成预处理数据集A，A＝(a₁,a₂,…,a_n)，其中

3.如权利要求1所述的智能化的岸桥关键机构健康状态评估方法，其特征在于，所述步骤2包括以下步骤：

步骤21：计算预处理数据集A振动信号每列数据a₁,a₂,…,a_n的时域特征，分别为平均值(X_m)、标准差(X_std)、峰值(X_p)、均方根(X_rms)、偏度(X_ske)、峭度(X_kur)、峰值指标(CF)、裕度指标(CLF)、波形指标(SF)、脉冲指标(IF)、峭度指标(KF)，并将计算后获得上述特征值组合为特征集Q＝(X_m,X_std,…,KF)；

步骤22：通过无监督聚类算法对特征集进行分类，对无标签数据进行预标注，分为R类特征集，R为正整数，得到分类后的特征集

步骤23：对于分类后的特征集

采用ReliefF算法进行特征选择，每次从中随机选择一类特征集中的一个样本S，计算样本S和近邻样本(包含同类和不同类)在某个特征上的数值差异，并迭代更新每个特征的权重，赋予所有和类别相关性高的特征较高的权重，并将权重高的特征筛选出。

4.如权利要求1所述的智能化的岸桥关键机构健康状态评估方法，其特征在于，所述步骤3包括以下步骤：

步骤31：根据步骤2中特征选择的结果，选择特征权重最高的M个特征，对原特征集Q进行索引，组成数据集，将该数据集每h行数据分为一组，生成特征优化集Z＝(Z₁,Z₂,…Z_Y)，Y为数据集组数；

步骤32：初始化聚类中心，设置聚类中心数目为T个，T为正整数，数据集Z中每一组数据通过聚类算法，训练出聚类中心集，将聚类中心集按模的大小从小到大排序，该聚类中心集即为数据分布网格，可以反映岸桥在该状态下的数据分布模式，多组数据则生成数据分布网格集NET＝(net₁,net₂,…,net_Y)，Y为数据集组数。

5.如权利要求1所述的智能化的岸桥关键机构健康状态评估方法，其特征在于，所述步骤4包括以下步骤：

步骤41：初始化HMM模型λ＝(π,A,B)，随机生成状态概率向量π＝(π_i)、状态转移概率矩阵A＝[a_ij]_N×N和观测值转移概率矩阵B＝[b_j(k)]_N×M；

步骤42：基于初始化的模型λ＝(π,A,B)，将训练集网格数据作为观测值O，通过Baum-Welch算法，重新估计模型参数，训练HMM模型，直至模型λ收敛，从而获得正常状态下的HMM模型λ。

6.如权利要求1所述的智能化的岸桥关键机构健康状态评估方法，其特征在于，所述步骤5包括以下步骤：

步骤51：将岸桥待评估状态下的数据通过步骤1，2，3的处理后生成测试数据分布网格集；

步骤52：将测试数据分布网格集作为新的观测序列O输入步骤4中训练好的状态评估模型λ＝(π,A,B)，采用前向-后向算法，计算待测数据出现的对数似然概率logP(O|λ)，根据对数似然概率值的大小及其变化进行岸桥健康状态的评估。

Images