CN118396251B - 干散货港口工况监测方法及系统 - Google Patents
干散货港口工况监测方法及系统 Download PDFInfo
- Publication number
- CN118396251B CN118396251B CN202410865192.6A CN202410865192A CN118396251B CN 118396251 B CN118396251 B CN 118396251B CN 202410865192 A CN202410865192 A CN 202410865192A CN 118396251 B CN118396251 B CN 118396251B
- Authority
- CN
- China
- Prior art keywords
- data
- port
- characteristic
- discrete
- dry bulk
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 230000004927 fusion Effects 0.000 claims abstract description 35
- 238000012423 maintenance Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims description 32
- 238000003860 storage Methods 0.000 claims description 8
- 238000001556 precipitation Methods 0.000 claims description 4
- 238000013399 early diagnosis Methods 0.000 abstract description 7
- 230000010354 integration Effects 0.000 abstract description 7
- 238000000605 extraction Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004801 process automation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及港口工程与管理技术领域，尤其是涉及干散货港口工况监测方法及系统，所述方法包括如下步骤：使用数据采集设备对干散货港口进行多模态数据采集，并将采集到的原始多模态数据利用物联网传输至云端；云端对原始多模态数据进行储存，并对原始多模态数据进行数据处理得到多种数据特征；云端采用基于模糊逻辑的多模态数据集成方案实现数据特征的融合，得到干散货港口的工况稳定特性；云端通过物联网将原始多模态数据和工况稳定特性传输至数据输出装置。本发明能够实现对大宗干散货港口运行工况监测与早期诊断，保障港口运行的安全性与可靠性，有效避免作业中断，降低港口作业维护成本和安全风险。
Description
技术领域
本发明涉及港口工程与管理技术领域，尤其是涉及干散货港口工况监测方法及系统。
背景技术
大宗干散货港口具有全流程自动化、无人封闭式管控、作业链条长、作业环节耦合关系强等特点，这导致港口设备机损故障易引发作业线瘫痪、作业序列被打乱等问题，极大程度影响了港口生产运作效率与安全，为港口运营带来了安全隐患与经济损失。因此，对大宗干散货港口运行工况监测与早期诊断是十分有必要的。
然而，干散货港口运行工况监测与早期诊断问题涉及设备机损、设备偶发性故障等问题，具有数据量大、多源异构性、实时性和偶发性等特点，到目前为止还没有针对大宗干散货港口进行工况监测与早期诊断的方案，这不利于保障港口运行的安全性与可靠性，以及降低港口作业维护成本和安全风险。
发明内容
针对现有技术中的缺陷，本发明提供干散货港口工况监测方法及系统。
为了实现上述目的，第一方面，本发明提供了干散货港口工况监测方法，所述方法包括如下步骤：使用数据采集设备对干散货港口进行多模态数据采集，并将采集到的原始多模态数据利用物联网传输至云端；所述云端对所述原始多模态数据进行储存，并对所述原始多模态数据进行数据处理得到多种数据特征；所述云端采用基于模糊逻辑的多模态数据集成方案实现所述数据特征的融合，得到干散货港口的工况稳定特性；所述云端通过物联网将所述原始多模态数据和所述工况稳定特性传输至数据输出装置。本发明能够实现对大宗干散货港口运行工况监测与早期诊断，保障港口运行的安全性与可靠性，有效避免作业中断，降低港口作业维护成本和安全风险。
可选地，所述原始多模态数据包括图像数据、数量数据和文本数据，所述数量数据包括连续时间序列数据和离散时间序列数据，所述图像数据为港口全景图，所述连续时间序列数据包括港口声学数据、港口温度、港口湿度、港口风速、港口降水量、港口波浪高度、设备运行温度和设备振动，所述离散时间序列数据包括货物装卸次数、设备故障频次、设备维护频次、堆场货物存储量、机械设备使用率和船舶等待时间，所述文本数据为设备状态。
进一步的，通过获取原始多模态数据实现对干散货港口的全方位监测，并为后续对干散货港口进行准确可靠的工况监测提供数据基础。
可选地，所述云端对所述原始多模态数据进行储存，并对所述原始多模态数据进行数据处理得到多种数据特征包括如下步骤：
所述云端将接收到的所有所述原始多模态数据储存在云端数据库中，得到港口原始数据集；
所述云端使用多模态数据预处理方法对所述原始多模态数据进行预处理，得到预处理多模态数据，进而得到港口预处理数据集；
所述云端使用多模态数据特征提取方法对所述预处理多模态数据进行特征提取，得到多种数据特征。
进一步的，通过对原始多模态数据进行预处理得到预处理多模态数据，进而提取原始多模态数据中各种数据的数据特征能够为后续进行特征融合提供数据支撑，最终得到干散货港口的工况稳定特性。
可选地，所述预处理多模态数据包括港口繁忙度参考值、连续时间离散化数据和所述离散时间序列数据；
所述云端使用多模态数据预处理方法对所述原始多模态数据进行预处理，得到预处理多模态数据，进而得到港口预处理数据集包括如下步骤：
识别所述港口全景图中的非固定目标，并计算所述非固定目标占所述港口全景图的像素点比例，作为港口繁忙度参考值；
对各种所述连续时间序列数据进行等时间间隔选取，得到相应的所述连续时间离散化数据；
将所述离散时间序列数据直接作为部分所述预处理多模态数据，进而结合所述港口繁忙度参考值和所述连续时间离散化数据建立所述港口预处理数据集。
进一步的，通过计算港口繁忙度参考值能够为获取图像特征提供数据基础，将连续时间序列数据离散化便于后续提取量化数据的数据特征，这为后续进行特征融合提供了数据支撑，进而得到干散货港口的工况稳定特性。
可选地，所述数据特征包括繁忙度特征和离散数据特征；
所述云端使用多模态数据特征提取方法对所述预处理多模态数据进行特征提取，得到多种数据特征包括如下步骤：
以所述设备状态、干散货港口工艺规则和专家经验为基础，从所述港口预处理数据集中挑选多组历史港口预处理数据作为对比模态数据；
利用所述对比模态数据组建对比模态数据集，进而根据所述港口预处理数据集中的当前港口预处理数据计算繁忙度特征和离散数据特征。
进一步的，通过计算繁忙度特征和离散数据特征来获取不同模态数据的数据特征，进而为后续进行特征融合以判断干散货港口的工况稳定特性提供数据基础。
可选地，所述繁忙度特征满足如下关系：
其中，为所述繁忙度特征，M为所述对比模态数据的组数，为所述当前港口预处理数据中的港口繁忙度参考值，为第i组所述对比模态数据中的港口繁忙度参考值。
进一步的，繁忙度特征是基于港口全景图获得的，可以作为图像特征，因此通过计算繁忙度特征可以获取港口图像的特征，为后续进行特征融合以实现多种模态数据的信息互补提供数据基础。
可选地，所述离散数据特征满足如下关系：
其中，为所述离散数据特征，N为离散数据的种类数，为第j种所述离散数据的融合权重，M为所述对比模态数据的组数，为所述当前港口预处理数据中的第j种离散数据，为第i组所述对比模态数据中第j种离散数据，所述离散数据包括所述连续时间离散化数据和所述离散时间序列数据。
进一步的，通过计算离散数据特征来获取量化数据的特征，为后续进行特征融合以实现多种模态数据的信息互补提供数据基础。
可选地，所述根据所述数据特征，所述云端采用基于模糊逻辑的多模态数据集成方案实现所述数据特征的融合，得到干散货港口的工况稳定特性包括如下步骤：
当所述繁忙度特征不小于繁忙上限值且所述离散数据特征不小于离散融合上限值时，干散货港口的工况稳定特性为，工况表现为不稳定；
当所述繁忙度特征不大于繁忙下限值且所述离散数据特征不大于离散融合下限值时，干散货港口的工况稳定特性为，工况表现为稳定；
当所述繁忙度特征与所述离散数据特征中存在任意一个处于上限值与下限值之间时，对所述繁忙度特征和所述离散数据特征进行融合，进而得到干散货港口的工况稳定特性。
进一步的，基于模糊逻辑实现繁忙度特征和离散数据特征之间的特征融合，进而实现多种模态数据的信息互补，为干散货港口的工况稳定特性判断提供可靠的依据，提高对干散货港口工况的预测能力，从而保证对干散货港口工况的准确监测。
可选地，干散货港口的工况稳定特性时，干散货港口的工况表现为不稳定，干散货港口的工况稳定特性时，干散货港口的工况表现为稳定；
所述当所述繁忙度特征与所述离散数据特征中存在任意一个处于上限值与下限值之间时，对所述繁忙度特征和所述离散数据特征进行融合，进而获取干散货港口的工况稳定特性，获取规则包括规则1至规则4：
规则1：当且时，干散货港口的工况稳定特性为；
规则2：当且时，干散货港口的工况稳定特性为；
规则3：当且时，干散货港口的工况稳定特性为；
规则4：当且时，干散货港口的工况稳定特性为。
第二方面，本发明还提供了干散货港口工况监测系统，所述系统使用本发明提供的干散货港口工况监测方法，所述干散货港口工况监测系统包括：数据采集设备，所述数据采集设备用于对干散货港口进行多模态数据采集，并将采集到的原始多模态数据利用物联网传输至云端；云端，所述云端用于对所述原始多模态数据进行储存，并对所述原始多模态数据进行数据处理得到多种数据特征；采用基于模糊逻辑的多模态数据集成方案实现所述数据特征的融合，得到干散货港口的工况稳定特性；通过物联网将所述原始多模态数据和所述工况稳定特性传输至数据输出装置；数据输出装置，所述数据输出装置用于输出所述原始多模态数据和所述工况稳定特性。
本发明提供的系统使用本发明提供的方法，其不仅能够实现对大宗干散货港口运行工况监测与早期诊断，保障港口运行的安全性与可靠性，有效避免作业中断，降低港口作业维护成本和安全风险，还具有运行稳定，数据处理速度快的优点，能够实时、迅速的对干散货港口的工况进行监测和判断，提高对干散货港口的工况监测效率。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。
图1为本发明实施例的干散货港口工况监测方法的流程示意图；
图2为本发明实施例的干散货港口工况监测系统的框架示意图。
具体实施方式
下面将详细描述本发明的具体实施例，应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的电路，软件或方法。
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。
需要提前说明的是，在一个可选地实施例当中，除了做出独立的说明之外，其它的在所有公式中出现的相同的符号或字母带表的含义和数值相同。
在一个可选地实施例当中，请参见图1，本发明提供了干散货港口工况监测方法，所述方法包括如下步骤：
S1、使用数据采集设备对干散货港口进行多模态数据采集，并将采集到的原始多模态数据利用物联网传输至云端。
具体的，在本实施例中，原始多模态数据包括图像数据、数量数据和文本数据，数量数据包括连续时间序列数据和离散时间序列数据，图像数据为港口全景图，连续时间序列数据包括港口声学数据、港口温度、港口湿度、港口风速、港口降水量、港口波浪高度、设备运行温度和设备振动，离散时间序列数据包括货物装卸次数、设备故障频次、设备维护频次、堆场货物存储量、机械设备使用率和船舶等待时间，文本数据为设备状态。因此，本实施例中原始多模态数据共包含16种数据。
进一步的，原始多模态数据包括历史原始多模态数据和当前原始多模态数据。图像数据和连续时间序列数据是使用相应的传感器实时采集的，离散时间序列数据和文本数据是相关人员手动采集和记录的。
更为具体的，数据采集设备包括安装在干散货港口的各种用于采集原始多模态数据的传感器，以及可以用于手动输入各种原始多模态数据的数据输入装置，手动采集和记录的原始多模态数据可以通过数据输入装置输入数据采集设备并被传输至云端。
S2、所述云端对所述原始多模态数据进行储存，并对所述原始多模态数据进行数据处理得到多种数据特征。
其中，数据特征包括繁忙度特征和离散数据特征。S2具体包括如下步骤：
S21、所述云端将接收到的所有所述原始多模态数据储存在云端数据库中，得到港口原始数据集。
S22、所述云端使用多模态数据预处理方法对所述原始多模态数据进行预处理，得到预处理多模态数据，进而得到港口预处理数据集。
其中，预处理多模态数据包括港口繁忙度参考值、连续时间离散化数据和离散时间序列数据。S22具体又包括如下步骤：
S221、识别所述港口全景图中的非固定目标，并计算所述非固定目标占所述港口全景图的像素点比例，作为港口繁忙度参考值。
具体的，在本实施例中，港口全景图中的固定目标为干散货港口中从未移动过的物体，如码头结构、仓储设施、输送设备以及办公楼等。非固定目标为干散货港口中可以进行移动的物体，如船舶、货物、人员和车辆等。
进一步的，一般来说，干散货港口越繁忙，港口的非固定目标越多，同时港口的工况也越不稳定，发生事故的概率也会越大。本实施例计算非固定目标占港口全景图的像素点比例，并将计算得到的像素点比例作为港口繁忙度参考值，为后续提取图像模态的数据特征以及融合多个模态数据的数据特征以提高对港口工况监测的准确性提供数据基础。
S222、对各种所述连续时间序列数据进行等时间间隔选取，得到相应的所述连续时间离散化数据。
具体的，在本实施例中，连续时间序列数据是使用相应的传感器实时采集的，为了便于后续步骤的执行，需要将连续时间序列数据离散化得到连续时间离散化数据。在对连续时间序列数据进行离散化时，可以按照离散时间序列数据的采集时间点对连续时间序列数据进行选取，使得在一个时间点上能够得到一组完整的离散数据，包括一组完整的连续时间离散化数据和离散时间序列数据。此外，由于离散时间序列数据中任意相邻两个数据之间是等时间间隔获取的，因此对连续时间序列数据也是等时间间隔选取的。
进一步的，通过将连续时间序列数据离散化可以将可量化的数据的表达形式统一为离散化的数据，便于后续提取离散数据特征，进而为后续融合多个模态数据的数据特征以提高对港口工况监测的准确性提供数据基础。在其他可选地实施例中，除了将连续时间序列数据离散化，还可以对离散时间序列数据进行预处理，数据清洗和剔除异常值。
S223、将所述离散时间序列数据直接作为部分所述预处理多模态数据，进而结合所述港口繁忙度参考值和所述连续时间离散化数据建立所述港口预处理数据集。
具体的，在本实施例中，由于离散时间序列数据本身就是离散的，且连续时间序列数据是依据离散时间序列数据的采集时间间隔进行离散化的，因此本实施例不对离散时间序列数据做过多处理，将其直接作为部分预处理多模态数据。
进一步的，按照离散时间序列数据的采集时间点选取对应时间点的港口繁忙度参考值，这样在在一个时间点就能得到一组完整的港口预处理数据，包括一个港口繁忙度参考值以及一组完整的连续时间离散化数据和离散时间序列数据，进而可以使用多组港口预处理数据建立港口预处理数据集。
更进一步的，由于原始多模态数据包括历史原始多模态数据和当前原始多模态数据，因此港口预处理数据集中会包括多组历史港口预处理数据和一组当前港口预处理数据。
S23、所述云端使用多模态数据特征提取方法对所述预处理多模态数据进行特征提取，得到多种数据特征。
其中，S23具体又包括如下步骤：
S231、以所述设备状态、干散货港口工艺规则和专家经验为基础，从所述港口预处理数据集中挑选多组历史港口预处理数据作为对比模态数据。
具体的，在本实施例中，在干散货港口中设备的运行状态为稳定运行，且干散货港口运营满足干散货港口工艺规则的情况下，结合专家经验从港口预处理数据集挑选多组历史港口预处理数据作为对比模态数据，得到的对比模态数据将会作为提取数据特征的依据。
S232、利用所述对比模态数据组建对比模态数据集，进而根据所述港口预处理数据集中的当前港口预处理数据计算繁忙度特征和离散数据特征。
具体的，在本实施例中，离散数据包括连续时间离散化数据和离散时间序列数据，繁忙度特征和离散数据特征依次满足如下关系：
其中，为繁忙度特征，M为对比模态数据的组数，为当前港口预处理数据中的港口繁忙度参考值，为第i组对比模态数据中的港口繁忙度参考值，为离散数据特征，N为离散数据的种类数，为第j种离散数据的融合权重，为当前港口预处理数据中的第j种离散数据，为第i组对比模态数据中第j种离散数据。
进一步的，繁忙度特征是基于港口全景图获得的，因此计算得到的繁忙度特征反映了港口图像的特征，具体为反映了干散货港口在当前的繁忙度与正常运营时繁忙度之间的差异；离散数据特征是基于数量数据得到的，它反映了干散货港口在当前的数量数据与正常运营时数量数据之间的综合差异。通过计算繁忙度特征和离散数据特征为后续进行特征融合以实现多种模态数据的信息互补提供数据基础，进而提高对干散货港口工况的预测能力，保证对干散货港口工况的准确监测。
更进一步的，融合权重满足如下关系：
其中，为港口预处理数据集中第j种离散数据，为对比模态数据集中第j种离散数据的均值且，为港口预处理数据集中港口预处理数据的组数，为港口预处理数据集中第j种离散数据大于的港口预处理数据的组数。
在其他可选地实施例中，融合权重还可以使用专家评价法得到。
S3、所述云端采用基于模糊逻辑的多模态数据集成方案实现所述数据特征的融合，得到干散货港口的工况稳定特性。
其中，干散货港口的工况稳定特性时，干散货港口的工况表现为不稳定，干散货港口的工况稳定特性时，干散货港口的工况表现为稳定。S3具体包括如下步骤：
S31、当所述繁忙度特征不小于繁忙上限值且所述离散数据特征不小于离散融合上限值时，干散货港口的工况稳定特性为，工况表现为不稳定。
具体的，在本实施例中，当繁忙度特征不小于繁忙上限值且离散数据特征不小于离散融合上限值时，表明干散货港口较为繁忙，各项离散数据也超过了港口稳定运营时的水平，此时干散货港口运营过程中的不确定因素较多，干散货港口的工况稳定特性表现为不稳定。
进一步的，繁忙上限值为0.8，离散融合上限值为0.6。
S32、当所述繁忙度特征不大于繁忙下限值且所述离散数据特征不大于离散融合下限值时，干散货港口的工况稳定特性为，工况表现为稳定。
具体的，在本实施例中，当繁忙度特征不大于繁忙下限值且离散数据特征不大于离散融合下限值时，表明干散货港口较为空闲，此时干散货港口运营过程中的不确定因素较少，干散货港口的工况稳定特性表现为稳定。
进一步的，繁忙下限值为0.3，离散融合下限值为0.15。
S33、当所述繁忙度特征与所述离散数据特征中存在任意一个处于上限值与下限值之间时，对所述繁忙度特征和所述离散数据特征进行融合，进而得到干散货港口的工况稳定特性。
具体的，在本实施例中，本步骤获取干散货港口的工况稳定特性的规则包括规则1至规则4，它们依次为：
规则1：当且时，干散货港口的工况稳定特性为；
规则2：当且时，干散货港口的工况稳定特性为；
规则3：当且时，干散货港口的工况稳定特性为；
规则4：当且时，干散货港口的工况稳定特性为。
基于模糊逻辑实现繁忙度特征和离散数据特征之间的特征融合，进而实现多种模态数据的信息互补，为干散货港口的工况稳定特性判断提供可靠的依据，提高对干散货港口工况的预测能力，从而保证对干散货港口工况的准确监测。
S4、所述云端通过物联网将所述原始多模态数据和所述工况稳定特性传输至数据输出装置。
具体的，在本实施例中，数据输出装置A3包括一块数字显示屏，输出的原始多模态数据和工况稳定特性会显示在该数字显示屏上。
需要说明的是，在一些情况下，在说明书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果，在本实施例当中，所给出的步骤顺序仅仅是为了使实施例看起来更加清晰明了，方便说明，而非对其限制。
在一个可选地实施例当中，请参见图2，本发明还提供了干散货港口工况监测系统，所述系统使用本发明提供的干散货港口工况监测方法，所述系统包括数据采集设备A1、云端A2和数据输出装置A3。
所述数据采集设备A1用于对干散货港口进行多模态数据采集，并将采集到的原始多模态数据利用物联网传输至云端A2。
具体的，在本实施例中，数据采集设备A1执行如步骤S1所述的内容。
所述云端A2用于对所述原始多模态数据进行储存，并对所述原始多模态数据进行数据处理得到多种数据特征；采用基于模糊逻辑的多模态数据集成方案实现所述数据特征的融合，得到干散货港口的工况稳定特性；通过物联网将所述原始多模态数据和所述工况稳定特性传输至数据输出装置A3。
具体的，在本实施例中，云端A2具体执行步骤S2-S4所述的内容。
所述数据输出装置A3用于输出所述原始多模态数据和所述工况稳定特性。
具体的，在本实施例中，数据输出装置A3通过物联网与云端A2之间进行数据传输。数据输出装置A3包括一块数字显示屏，输出的原始多模态数据和工况稳定特性会显示在该数字显示屏上。此外，相关人员也可以根据实际需要通过数据输出装置A3查询云端在进行数据处理时得到的各种数据，如繁忙度特征和离散数据特征。
综上所述，本发明提供的方法通过实时采集干散货港口的多模态数据，并对多模态数据进行特征提取得到多种数据特征，然后采用基于模糊逻辑的多模态数据集成方案实现数据特征的融合以实现多种模态数据信息的互补，得到干散货港口准确可靠的工况稳定特性，进而实现对大宗干散货港口运行工况监测与早期诊断，保障港口运行的安全性与可靠性，有效避免作业中断，降低港口作业维护成本和安全风险。此外，本发明提供的系统使用本发明提供的方法，其不仅能够实现对大宗干散货港口运行工况监测与早期诊断，保障港口运行的安全性与可靠性，有效避免作业中断，降低港口作业维护成本和安全风险，还具有运行稳定，数据处理速度快的优点，能够实时、迅速的对干散货港口的工况进行监测和判断，提高对干散货港口的工况监测效率。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，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，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (2)
1.干散货港口工况监测方法，其特征在于，包括如下步骤：
使用数据采集设备对干散货港口进行多模态数据采集，并将采集到的原始多模态数据利用物联网传输至云端，所述原始多模态数据包括图像数据、数量数据和文本数据，所述数量数据包括连续时间序列数据和离散时间序列数据，所述图像数据为港口全景图，所述连续时间序列数据包括港口声学数据、港口温度、港口湿度、港口风速、港口降水量、港口波浪高度、设备运行温度和设备振动，所述离散时间序列数据包括货物装卸次数、设备故障频次、设备维护频次、堆场货物存储量、机械设备使用率和船舶等待时间，所述文本数据为设备状态；
所述云端将接收到的所有所述原始多模态数据储存在云端数据库中，得到港口原始数据集；
识别所述港口全景图中的非固定目标，并计算所述非固定目标占所述港口全景图的像素点比例，作为港口繁忙度参考值；
对各种所述连续时间序列数据进行等时间间隔选取，得到相应的连续时间离散化数据；
将所述离散时间序列数据直接作为部分预处理多模态数据，进而结合所述港口繁忙度参考值和所述连续时间离散化数据建立港口预处理数据集，所述预处理多模态数据包括所述港口繁忙度参考值、所述连续时间离散化数据和所述离散时间序列数据；
以所述设备状态、干散货港口工艺规则和专家经验为基础，从所述港口预处理数据集中挑选多组历史港口预处理数据作为对比模态数据；
利用所述对比模态数据组建对比模态数据集，进而根据所述港口预处理数据集中的当前港口预处理数据计算繁忙度特征特征和离散数据特征；
所述繁忙度特征满足如下关系：
，
其中，为所述繁忙度特征，M为所述对比模态数据的组数，为所述当前港口预处理数据中的港口繁忙度参考值，为第i组所述对比模态数据中的港口繁忙度参考值；
所述离散数据特征满足如下关系：
，
其中，为所述离散数据特征，N为离散数据的种类数，为第j种所述离散数据的融合权重，M为所述对比模态数据的组数，为所述当前港口预处理数据中的第j种离散数据，为第i组所述对比模态数据中第j种离散数据，所述离散数据包括所述连续时间离散化数据和所述离散时间序列数据；
当所述繁忙度特征不小于繁忙上限值且所述离散数据特征不小于离散融合上限值时，干散货港口的工况稳定特性为，工况表现为不稳定；
当所述繁忙度特征不大于繁忙下限值且所述离散数据特征不大于离散融合下限值时，干散货港口的工况稳定特性为，工况表现为稳定；
当所述繁忙度特征与所述离散数据特征中存在任意一个处于上限值与下限值之间时，对所述繁忙度特征和所述离散数据特征进行融合，进而得到干散货港口的工况稳定特性，获取规则包括规则1至规则4：
规则1：当且时，干散货港口的工况稳定特性为；
规则2：当且时，干散货港口的工况稳定特性为；
规则3：当且时，干散货港口的工况稳定特性为；
规则4：当且时，干散货港口的工况稳定特性为；
其中，为繁忙下限值，为繁忙上限值，为离散融合下限值，为离散融合上限值；
干散货港口的工况稳定特性时，干散货港口的工况表现为不稳定，干散货港口的工况稳定特性时，干散货港口的工况表现为稳定；
所述云端通过物联网将所述原始多模态数据和所述工况稳定特性传输至数据输出装置。
2.干散货港口工况监测系统，所述系统使用权利要求1所述的干散货港口工况监测方法，其特征在于，所述干散货港口工况监测系统包括：
数据采集设备，所述数据采集设备用于对干散货港口进行多模态数据采集，并将采集到的原始多模态数据利用物联网传输至云端，所述原始多模态数据包括图像数据、数量数据和文本数据，所述数量数据包括连续时间序列数据和离散时间序列数据，所述图像数据为港口全景图，所述连续时间序列数据包括港口声学数据、港口温度、港口湿度、港口风速、港口降水量、港口波浪高度、设备运行温度和设备振动，所述离散时间序列数据包括货物装卸次数、设备故障频次、设备维护频次、堆场货物存储量、机械设备使用率和船舶等待时间，所述文本数据为设备状态；
云端，所述云端用于将接收到的所有所述原始多模态数据储存在云端数据库中，得到港口原始数据集；
识别所述港口全景图中的非固定目标，并计算所述非固定目标占所述港口全景图的像素点比例，作为港口繁忙度参考值；
对各种所述连续时间序列数据进行等时间间隔选取，得到相应的连续时间离散化数据；
将所述离散时间序列数据直接作为部分预处理多模态数据，进而结合所述港口繁忙度参考值和所述连续时间离散化数据建立港口预处理数据集，所述预处理多模态数据包括所述港口繁忙度参考值、所述连续时间离散化数据和所述离散时间序列数据；
以所述设备状态、干散货港口工艺规则和专家经验为基础，从所述港口预处理数据集中挑选多组历史港口预处理数据作为对比模态数据；
利用所述对比模态数据组建对比模态数据集，进而根据所述港口预处理数据集中的当前港口预处理数据计算繁忙度特征特征和离散数据特征；
所述繁忙度特征满足如下关系：
，
其中，为所述繁忙度特征，M为所述对比模态数据的组数，为所述当前港口预处理数据中的港口繁忙度参考值，为第i组所述对比模态数据中的港口繁忙度参考值；
所述离散数据特征满足如下关系：
，
其中，为所述离散数据特征，N为离散数据的种类数，为第j种所述离散数据的融合权重，M为所述对比模态数据的组数，为所述当前港口预处理数据中的第j种离散数据，为第i组所述对比模态数据中第j种离散数据，所述离散数据包括所述连续时间离散化数据和所述离散时间序列数据；
当所述繁忙度特征不小于繁忙上限值且所述离散数据特征不小于离散融合上限值时，干散货港口的工况稳定特性为，工况表现为不稳定；
当所述繁忙度特征不大于繁忙下限值且所述离散数据特征不大于离散融合下限值时，干散货港口的工况稳定特性为，工况表现为稳定；
当所述繁忙度特征与所述离散数据特征中存在任意一个处于上限值与下限值之间时，对所述繁忙度特征和所述离散数据特征进行融合，进而得到干散货港口的工况稳定特性，获取规则包括规则1至规则4：
规则1：当且时，干散货港口的工况稳定特性为；
规则2：当且时，干散货港口的工况稳定特性为；
规则3：当且时，干散货港口的工况稳定特性为；
规则4：当且时，干散货港口的工况稳定特性为；
其中，为繁忙下限值，为繁忙上限值，为离散融合下限值，为离散融合上限值；
干散货港口的工况稳定特性时，干散货港口的工况表现为不稳定，干散货港口的工况稳定特性时，干散货港口的工况表现为稳定；
通过物联网将所述原始多模态数据和所述工况稳定特性传输至数据输出装置； 数据输出装置，所述数据输出装置用于输出所述原始多模态数据和所述工况稳定特性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410865192.6A CN118396251B (zh) | 2024-07-01 | 2024-07-01 | 干散货港口工况监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410865192.6A CN118396251B (zh) | 2024-07-01 | 2024-07-01 | 干散货港口工况监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118396251A CN118396251A (zh) | 2024-07-26 |
| CN118396251B true CN118396251B (zh) | 2024-08-23 |
Family
ID=91987747
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410865192.6A Active CN118396251B (zh) | 2024-07-01 | 2024-07-01 | 干散货港口工况监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118396251B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118333243A (zh) * | 2024-06-14 | 2024-07-12 | 山东港口日照港集团有限公司 | 干散货港口资源协同配置优化方法及系统 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003023366A2 (en) * | 2001-09-12 | 2003-03-20 | The State Of Oregon, Acting By And Through The State Board Of Higher Education On Behalf Of Oregon State University | Method and system for classifying a scenario |
| US20090319674A1 (en) * | 2008-06-24 | 2009-12-24 | Microsoft Corporation | Techniques to manage communications between relay servers |
| WO2024091687A2 (en) * | 2022-10-28 | 2024-05-02 | Strong Force Vcn Portfolio 2019, Llc | Systems, methods, kits, and apparatuses for managing value chain networks in system of systems |
| US20220067863A1 (en) * | 2020-09-03 | 2022-03-03 | United States Of America As Represented By The Administrator Of Nasa | Vertiport assessment and mobility operations systems |
| CN115115303A (zh) * | 2022-06-02 | 2022-09-27 | 中交机电工程局有限公司 | 一种基于智慧港口的散货管控一体化系统及方法 |
| CN116499533B (zh) * | 2023-06-30 | 2023-09-12 | 交通运输部天津水运工程科学研究所 | 一种散货港口环境智能监测系统 |
| CN116911852B (zh) * | 2023-07-21 | 2024-01-26 | 广州嘉磊元新信息科技有限公司 | 一种rpa的用户动态信息监控方法及系统 |
-
2024
- 2024-07-01 CN CN202410865192.6A patent/CN118396251B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118333243A (zh) * | 2024-06-14 | 2024-07-12 | 山东港口日照港集团有限公司 | 干散货港口资源协同配置优化方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118396251A (zh) | 2024-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108520080B (zh) | 船舶柴油发电机故障预测与健康状态在线评估系统及方法 | |
| US7464063B2 (en) | Information processor, state judging unit and diagnostic unit, information processing method, state judging method and diagnosing method | |
| US7743005B2 (en) | Diagnosis of abnormal operation modes of a machine utilizing self organizing map | |
| US8761490B2 (en) | System and method for automated borescope inspection user interface | |
| CN113284109B (zh) | 管道缺陷识别方法、装置、终端设备及存储介质 | |
| CN114757048A (zh) | 一种风机基础的健康状态评估方法、装置、设备和介质 | |
| CN111199257A (zh) | 高铁行车设备故障诊断方法及装置 | |
| US20230326191A1 (en) | Method and Apparatus for Enhancing Performance of Machine Learning Classification Task | |
| CN114298384A (zh) | 适用于船用装卸臂的安全运维预测系统及方法 | |
| CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
| CN117786507B (zh) | 全局和局部特征耦合指导的滚动轴承未知故障检测方法 | |
| CN118396251B (zh) | 干散货港口工况监测方法及系统 | |
| CN118135469B (zh) | 一种管道cctv缺陷识别方法、系统、设备及存储介质 | |
| He et al. | A novel deep learning model for transmission line icing thickness prediction | |
| CN114429032A (zh) | 一种桥梁健康在线智能监测系统 | |
| CN116279672A (zh) | 一种道岔故障定位的方法、装置、设备及存储介质 | |
| CN112785074B (zh) | 一种基于深度学习的装备维护修理时机确定系统及方法 | |
| Zheng | Fuzzy algorithm-based fault analysis for automated production lines | |
| Wu et al. | Fault Diagnosis Method of Rolling Bearing Based on MSCNN-LSTM. | |
| CN115620496B (zh) | 应用于输电线路的故障报警方法、装置、设备和介质 | |
| CN116070083A (zh) | 一种基于卷积神经网络的钢丝绳故障智能识别算法 | |
| Ma et al. | Investigations on Plate Crack Damage Detection Using Convolutional Neural Networks | |
| Huang et al. | Intelligent remaining useful life prediction of equipment based on digital twin | |
| CN114997220A (zh) | 一种基于cps架构的设备phm系统 | |
| CN115659280A (zh) | 一种分布式多源传感的设备状态智能诊断方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |