李益波1 肖炳林1 何威譽(yù)1 李 恒 張 氫

1 廣州港集團(tuán)有限公司 2 同濟(jì)大學(xué)

1 引言

港口機(jī)械是目前集裝箱碼頭的主要設(shè)備，一旦發(fā)生突發(fā)故障，會(huì)影響碼頭作業(yè)生產(chǎn)，造成巨大的經(jīng)濟(jì)損失，甚至造成人員傷亡。港口機(jī)械融合了數(shù)字技術(shù)、現(xiàn)代控制技術(shù)、通訊技術(shù)的機(jī)電液一體化設(shè)備，其復(fù)雜程度高，出現(xiàn)突發(fā)故障后維修難度較大，如果碰到?jīng)]有備件等情況，維修時(shí)間也不可控。當(dāng)前大多數(shù)碼頭企業(yè)還在采用計(jì)劃維修的方式，定期對(duì)起重機(jī)設(shè)備進(jìn)行檢查和保養(yǎng)，沒(méi)有考慮設(shè)備的實(shí)際使用情況及真實(shí)的健康狀態(tài)，造成了時(shí)間和人力物力的浪費(fèi)。

隨著碼頭自動(dòng)化進(jìn)程加快，越來(lái)越多的人工操作逐漸被替代，傳統(tǒng)的人工巡檢嚴(yán)重影響碼頭的作業(yè)效率，需要一種更加智能化的狀態(tài)監(jiān)測(cè)方法。港口機(jī)械的特點(diǎn)是載貨量大，長(zhǎng)期處于頻繁啟停、換向等非平穩(wěn)工況，不僅設(shè)備容易出現(xiàn)故障，而且會(huì)對(duì)監(jiān)測(cè)信號(hào)帶來(lái)干擾，加大故障診斷的難度。碼頭企業(yè)迫切需要一種能夠?qū)Ω劭跈C(jī)械關(guān)鍵部件進(jìn)行在線實(shí)時(shí)監(jiān)測(cè)的平臺(tái)，以應(yīng)對(duì)不斷增長(zhǎng)的全球貿(mào)易。

隨著物聯(lián)網(wǎng)及人工智能等領(lǐng)域新技術(shù)的興起與發(fā)展，故障診斷領(lǐng)域也進(jìn)入了“大數(shù)據(jù)”時(shí)代。通過(guò)高效快速的數(shù)據(jù)采集、存儲(chǔ)、傳遞、處理，實(shí)現(xiàn)對(duì)更大數(shù)量、更多測(cè)點(diǎn)設(shè)備的監(jiān)測(cè)，由此產(chǎn)生的海量數(shù)據(jù)給港口機(jī)械智能狀態(tài)監(jiān)測(cè)的深入研究和應(yīng)用提供了新的機(jī)遇。國(guó)家自然科學(xué)基金“十三五”發(fā)展規(guī)劃中，將面向大數(shù)據(jù)的深度學(xué)習(xí)理論與方法、基于大數(shù)據(jù)的趨勢(shì)預(yù)測(cè)和決策、面向領(lǐng)域大數(shù)據(jù)的人機(jī)物融合系統(tǒng)示范應(yīng)用作為優(yōu)先發(fā)展領(lǐng)域[1]。

目前，基于大數(shù)據(jù)的狀態(tài)監(jiān)測(cè)已經(jīng)應(yīng)用于多個(gè)領(lǐng)域。通用電氣航空(GEAviation)公司對(duì)旗下生產(chǎn)的飛機(jī)發(fā)動(dòng)機(jī)安裝智能傳感裝置來(lái)進(jìn)行實(shí)時(shí)監(jiān)測(cè)，并將故障信息可視化在移動(dòng)設(shè)備上，供客戶實(shí)時(shí)參考[2]。阿爾斯通(ALSTOM)公司開(kāi)發(fā)的產(chǎn)品TrainTracer，為軌道交通車輛與設(shè)備提供遠(yuǎn)程監(jiān)控、數(shù)據(jù)采集及在線的故障診斷服務(wù)[3]。在起重機(jī)領(lǐng)域，日本小松(KOMATSU)制作所和美國(guó)卡特彼勒(CAT)公司針對(duì)該難點(diǎn)，將先進(jìn)的數(shù)據(jù)采集及分析方法嵌入旗下大型工程機(jī)械的狀態(tài)監(jiān)測(cè)與故障診斷的售后服務(wù)中，增加產(chǎn)品競(jìng)爭(zhēng)力[4]。三一重工、中聯(lián)重科和徐工集團(tuán)也進(jìn)行了智能監(jiān)控系統(tǒng)的開(kāi)發(fā)，將設(shè)備遠(yuǎn)程監(jiān)控、數(shù)據(jù)采集模塊整合到一個(gè)可視化系統(tǒng)中，實(shí)現(xiàn)設(shè)備的全球定位、實(shí)時(shí)信息監(jiān)控、故障診斷、遠(yuǎn)程維護(hù)和報(bào)警等功能。GE等大公司的成功案例多是針對(duì)工況較為平穩(wěn)或在一個(gè)較長(zhǎng)時(shí)期內(nèi)平穩(wěn)的設(shè)備，具有積累大量的包含各類故障特征的大數(shù)據(jù)優(yōu)勢(shì)。但是，面對(duì)非平穩(wěn)運(yùn)行的設(shè)備，以及缺乏標(biāo)記數(shù)據(jù)積累的行業(yè)仍然存在巨大的應(yīng)用困境。

本文結(jié)合廣州港的實(shí)際需要，針對(duì)大數(shù)據(jù)的獲取、學(xué)習(xí)和應(yīng)用提出可行的技術(shù)路線，建立狀態(tài)監(jiān)測(cè)平臺(tái)，實(shí)現(xiàn)如下功能：①設(shè)備管理人員可以通過(guò)客戶端及時(shí)了解關(guān)鍵部件在起重機(jī)作業(yè)時(shí)的實(shí)際狀態(tài)，監(jiān)視監(jiān)測(cè)點(diǎn)的數(shù)據(jù)異常情況，監(jiān)視關(guān)鍵部件的故障前期特征；②利用分析軟件對(duì)采集的信號(hào)及數(shù)據(jù)進(jìn)行故障診斷和分析，針對(duì)性地安排部件檢修計(jì)劃；③利用積累的歷史數(shù)據(jù)，結(jié)合機(jī)器學(xué)習(xí)等大數(shù)據(jù)分析工具，對(duì)起重機(jī)故障預(yù)警模型進(jìn)行建模及優(yōu)化，從而對(duì)起重機(jī)關(guān)鍵部件的狀態(tài)、剩余壽命以及起重機(jī)健康狀態(tài)進(jìn)行準(zhǔn)確的評(píng)估及預(yù)測(cè)。

2 大數(shù)據(jù)狀態(tài)監(jiān)測(cè)總體框架

圖1 港口大數(shù)據(jù)監(jiān)測(cè)平臺(tái)總體方案

集裝箱碼頭機(jī)械設(shè)備多、種類多，且工作狀態(tài)不同，是典型離散事件動(dòng)態(tài)系統(tǒng)。以廣州港三期碼頭為例，對(duì)碼頭上幾十臺(tái)岸邊集裝箱起重機(jī)和輪胎式集裝箱起重機(jī)進(jìn)行監(jiān)測(cè)會(huì)產(chǎn)生海量的數(shù)據(jù)，采集這些數(shù)據(jù)并進(jìn)行分析是狀態(tài)監(jiān)測(cè)平臺(tái)的主要任務(wù)。圖1為大數(shù)據(jù)監(jiān)測(cè)平臺(tái)的總體方案。整個(gè)方案分為3個(gè)部分：

(1)數(shù)據(jù)采集。從單機(jī)監(jiān)測(cè)系統(tǒng)獲取單機(jī)起重機(jī)狀態(tài)信息、關(guān)鍵部件監(jiān)測(cè)點(diǎn)狀態(tài)信息、關(guān)鍵部件報(bào)警信息、關(guān)鍵部件監(jiān)測(cè)點(diǎn)傳感器原始信號(hào)和操作日志數(shù)據(jù)，利用物聯(lián)網(wǎng)IoT數(shù)據(jù)采集技術(shù)、網(wǎng)絡(luò)總線技術(shù)進(jìn)行數(shù)據(jù)的傳輸。

(2)數(shù)據(jù)中心。數(shù)據(jù)中心將采集的數(shù)據(jù)以及數(shù)據(jù)分析過(guò)程中產(chǎn)生的中間數(shù)據(jù)、模型進(jìn)行存儲(chǔ)、傳輸。原始數(shù)據(jù)庫(kù)負(fù)責(zé)保存原始數(shù)據(jù)，根據(jù)數(shù)據(jù)來(lái)源及其不同結(jié)構(gòu)類型，分別存入InfluxDB、MongoDB以及MySQL數(shù)據(jù)庫(kù)。數(shù)據(jù)內(nèi)容包括原始傳感器物理信號(hào)、起重機(jī)故障數(shù)據(jù)、起重機(jī)運(yùn)行相關(guān)數(shù)據(jù)、起重機(jī)設(shè)備參數(shù)等。監(jiān)測(cè)模型數(shù)據(jù)庫(kù)負(fù)責(zé)從原始數(shù)據(jù)庫(kù)中提取實(shí)時(shí)故障監(jiān)測(cè)相關(guān)特征數(shù)據(jù)，并存入實(shí)時(shí)監(jiān)測(cè)模型數(shù)據(jù)庫(kù)，由起重機(jī)故障診斷分析模塊讀取并處理。機(jī)器學(xué)習(xí)模型數(shù)據(jù)庫(kù)從原始數(shù)據(jù)庫(kù)中提取起重機(jī)故障預(yù)測(cè)建模相關(guān)數(shù)據(jù)，經(jīng)過(guò)數(shù)據(jù)預(yù)處理后存入機(jī)器學(xué)習(xí)模型數(shù)據(jù)庫(kù)，由起重機(jī)故障預(yù)測(cè)建模軟件模塊負(fù)責(zé)讀取并處理。

(3)監(jiān)控平臺(tái)。布置在云端提供遠(yuǎn)程監(jiān)測(cè)與決策服務(wù)，包括港口機(jī)械故障診斷、故障預(yù)測(cè)、數(shù)據(jù)可視化平臺(tái)(見(jiàn)圖2)。整個(gè)監(jiān)測(cè)系統(tǒng)可分為6個(gè)層次：①數(shù)據(jù)源層，包括起重機(jī)機(jī)構(gòu)傳感器數(shù)據(jù)、起重機(jī)運(yùn)行數(shù)據(jù)、設(shè)備參數(shù)數(shù)據(jù)、維護(hù)日志數(shù)據(jù)等；②數(shù)據(jù)采集層，通過(guò)各種網(wǎng)絡(luò)協(xié)議和數(shù)據(jù)存儲(chǔ)分發(fā)協(xié)議，將采集到的數(shù)據(jù)傳輸?shù)椒?wù)器和數(shù)據(jù)庫(kù)中進(jìn)行分別存儲(chǔ)；③數(shù)據(jù)存儲(chǔ)層，對(duì)采集的各種數(shù)據(jù)進(jìn)行清洗、解析和分類，并進(jìn)行結(jié)構(gòu)化/非結(jié)構(gòu)化混合和分布式存儲(chǔ)，并與上層數(shù)據(jù)分析層對(duì)接，提供高性能的數(shù)據(jù)存取服務(wù)；④數(shù)據(jù)分析層，在時(shí)域分析、頻域分析、時(shí)頻分析等傳統(tǒng)分析方法基礎(chǔ)上，采用AI及機(jī)器學(xué)習(xí)方法，包括分類回歸、貝葉斯網(wǎng)絡(luò)、人工神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等，實(shí)現(xiàn)對(duì)故障的診斷與預(yù)測(cè)；⑤業(yè)務(wù)層，利用各分析方法實(shí)現(xiàn)狀態(tài)監(jiān)視、信號(hào)異常監(jiān)視、故障識(shí)別、故障預(yù)測(cè)、維護(hù)決策制定等業(yè)務(wù)；⑥展示層，利用WEB監(jiān)視門戶網(wǎng)站形式，把各類原始數(shù)據(jù)、統(tǒng)計(jì)結(jié)果、分析結(jié)果等以報(bào)表形式在終端進(jìn)行可視化。

圖2 監(jiān)測(cè)平臺(tái)邏輯層次圖

3 數(shù)據(jù)采集關(guān)鍵問(wèn)題研究

集裝箱碼頭作為離散事件動(dòng)態(tài)系統(tǒng)，對(duì)其中的離散單元(港口機(jī)械設(shè)備)進(jìn)行監(jiān)測(cè)數(shù)據(jù)采集存在3個(gè)難點(diǎn)：傳感器的安裝與配置、傳感器數(shù)據(jù)遠(yuǎn)程傳輸和采集策略的制定。

3.1 傳感器的安裝與配置

根據(jù)廣州港的歷史維護(hù)記錄，港口機(jī)械的故障多發(fā)生于傳動(dòng)系統(tǒng)，常見(jiàn)故障有：齒輪箱的齒輪磨損、偏心、局部磨損裂紋、斷齒等故障；軸承的滾子、內(nèi)外圈故障；電機(jī)的定、轉(zhuǎn)子故障；滑輪故障；機(jī)械不平衡故障等。因此監(jiān)測(cè)平臺(tái)的重點(diǎn)為集裝箱起重機(jī)起升機(jī)構(gòu)、小車機(jī)構(gòu)和俯仰機(jī)構(gòu)的傳動(dòng)系統(tǒng)。

振動(dòng)信號(hào)作為傳動(dòng)系統(tǒng)狀態(tài)監(jiān)測(cè)的重要手段，廣泛應(yīng)用于風(fēng)電、航空等領(lǐng)域[8-9]。對(duì)于港口機(jī)械，選擇合適的振動(dòng)傳感器安裝位置尤為重要。通過(guò)實(shí)地調(diào)研碼頭的常見(jiàn)故障頻次，確定了岸邊集裝箱起重機(jī)傳感器測(cè)點(diǎn)安裝位置(見(jiàn)圖3)。

圖3 岸邊集裝箱起重機(jī)傳動(dòng)系統(tǒng)振動(dòng)傳感器安裝位置

3.2 傳感器數(shù)據(jù)遠(yuǎn)程傳輸

在每臺(tái)港口機(jī)械上布置眾多的振動(dòng)傳感器將產(chǎn)生海量的數(shù)據(jù)，如何對(duì)這些數(shù)據(jù)進(jìn)行收取傳輸，并保持實(shí)時(shí)性，是建立監(jiān)測(cè)平臺(tái)的關(guān)鍵技術(shù)難題。結(jié)合TCP/IP通信方式和消息隊(duì)列遙測(cè)傳輸技術(shù)(MQTT)，可保障數(shù)據(jù)的穩(wěn)定實(shí)時(shí)傳輸。如圖4所示，數(shù)據(jù)采集外部接口采用MQTT服務(wù)器，保證外部接口的靈活性；內(nèi)部采用Kafka消息中間件，保證內(nèi)部軟件模塊之間的連接的靈活性，同時(shí)具有很強(qiáng)的可擴(kuò)展性，實(shí)現(xiàn)大批量數(shù)據(jù)點(diǎn)的實(shí)時(shí)采集及傳輸。為滿足不同數(shù)據(jù)類型數(shù)據(jù)的存儲(chǔ)需求，采集系統(tǒng)提供了MySQL數(shù)據(jù)庫(kù)，主要用于保存設(shè)備信息、人員信息、故障記錄、維修信息以及工單信息等關(guān)系型數(shù)據(jù)及記錄。InfluxDB主要用于設(shè)備運(yùn)行產(chǎn)生的各個(gè)信號(hào)變量的實(shí)時(shí)數(shù)據(jù)及歷史數(shù)據(jù)記錄。MongoDB則主要用于保存各種傳感器信息的高頻原始信號(hào)。數(shù)據(jù)庫(kù)按照不同使用階段及調(diào)用關(guān)系又分為平臺(tái)原始數(shù)據(jù)庫(kù)、實(shí)時(shí)監(jiān)測(cè)模型數(shù)據(jù)庫(kù)以及機(jī)器學(xué)習(xí)模型數(shù)據(jù)庫(kù)，供各個(gè)軟件模塊查詢調(diào)用及處理后存儲(chǔ)使用。

圖4 大數(shù)據(jù)傳輸與存儲(chǔ)方案

3.3 采集策略制定

岸邊集裝箱起重機(jī)一直處于非平穩(wěn)工況中，頻繁啟停且伴有沖擊，在傳感器信號(hào)采集過(guò)程中會(huì)引入干擾信號(hào)，影響后續(xù)的故障診斷與預(yù)測(cè)。因此，傳統(tǒng)的定周期采集方法不再適用，需要制定新的采集策略來(lái)應(yīng)對(duì)這種狀況。本文提出采用轉(zhuǎn)速觸發(fā)方式進(jìn)行數(shù)據(jù)采集，將PLC中的轉(zhuǎn)速信息提取出來(lái)，在達(dá)到某一數(shù)值后觸發(fā)采集儀進(jìn)行數(shù)據(jù)采集。這種策略可以有效避免因工況變化帶來(lái)的干擾。圖5為轉(zhuǎn)速觸發(fā)采集策略前后的振動(dòng)速度值的對(duì)比圖，從圖中可以看出轉(zhuǎn)速觸發(fā)前采集的信號(hào)雜亂，很多啟停所造成的沖擊都會(huì)引起誤報(bào)警，而在采用轉(zhuǎn)速觸發(fā)采集策略后，可以明顯地去除這些設(shè)備操作上的干擾。

圖5 轉(zhuǎn)速觸發(fā)采集策略實(shí)施前后對(duì)比

4 故障診斷問(wèn)題研究

利用采集得到的傳感器數(shù)據(jù)對(duì)港口機(jī)械設(shè)備進(jìn)行故障診斷是監(jiān)測(cè)平臺(tái)的主要任務(wù)之一，該任務(wù)被分成2個(gè)階段實(shí)施：基于實(shí)時(shí)數(shù)據(jù)的故障檢測(cè)和基于歷史數(shù)據(jù)的故障模型。如圖6所示，第一階段的主要任務(wù)是通過(guò)實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)提取故障特征，進(jìn)行特征匹配，完成故障報(bào)警，確定大致的故障位置后告知工作人員進(jìn)行維修，然后將故障模式存入歷史數(shù)據(jù)庫(kù)。第二階段的主要任務(wù)是利用機(jī)器學(xué)習(xí)方法建立故障診斷模型，用歷史數(shù)據(jù)不斷更新模型，最終實(shí)現(xiàn)故障的準(zhǔn)確識(shí)別，包括位置、程度以及維修建議。

圖6 大數(shù)據(jù)故障診斷技術(shù)路線圖

4.1 實(shí)時(shí)故障檢測(cè)

實(shí)時(shí)故障檢測(cè)的一個(gè)重要特點(diǎn)是及時(shí)，能夠應(yīng)對(duì)早期故障及突發(fā)故障，這意味著基于大量計(jì)算的故障模型不再適用。因此，監(jiān)測(cè)平臺(tái)采用故障特征匹配的方法快速診斷，并進(jìn)行預(yù)警。表1列舉了部分常用振動(dòng)信號(hào)故障特征。

表1 實(shí)時(shí)故障檢測(cè)特征參數(shù)

其中，峰值(PV)是所測(cè)數(shù)據(jù)的最大幅值，用來(lái)指示軸承磨損程度，有效值(RMS)取決于信號(hào)能量，能夠有效指示軸承退化狀況。峰值因子(PF)是峰值和有效值的比值。缺陷因子(DEF)綜合上述指標(biāo)的優(yōu)點(diǎn)，不受轉(zhuǎn)速、載荷、尺寸等參數(shù)影響，便于設(shè)定報(bào)警值，容易使用且能快速地評(píng)價(jià)軸承的健康狀況。具體公式為：

DEF=a×PF+b×RMS

(1)

以起升電機(jī)軸承故障為例，在實(shí)際的監(jiān)測(cè)平臺(tái)運(yùn)行過(guò)程中，發(fā)現(xiàn)碼頭一臺(tái)輪胎吊的電機(jī)驅(qū)動(dòng)端測(cè)點(diǎn)的DEF值和振動(dòng)加速度值存在報(bào)警。在圖7a中，振動(dòng)信號(hào)時(shí)域波形出現(xiàn)明顯的沖擊，沖擊能量較大(見(jiàn)圖7b)，通過(guò)進(jìn)一步分析認(rèn)為電機(jī)驅(qū)動(dòng)端軸承存在磨損跡象。檢修發(fā)現(xiàn)該軸承出現(xiàn)明顯的磨損故障，對(duì)其更換之后，DEF值、振動(dòng)速度和加速度值均下降到正常范圍內(nèi)(見(jiàn)圖7c)。

圖7 輪胎吊起身電機(jī)故障報(bào)警

4.2 機(jī)器學(xué)習(xí)故障診斷模型

簡(jiǎn)單的通過(guò)故障特征匹配進(jìn)行故障檢測(cè)雖然具有良好的實(shí)時(shí)性，但是不能準(zhǔn)確判斷故障發(fā)生的位置與程度，同時(shí)容易造成誤報(bào)和漏報(bào)，帶來(lái)嚴(yán)重的后果。狀態(tài)監(jiān)測(cè)平臺(tái)結(jié)合大數(shù)據(jù)和機(jī)器學(xué)習(xí)算法，特別是深度學(xué)習(xí)算法，建立起由數(shù)據(jù)驅(qū)動(dòng)的故障診斷模型，提出更加準(zhǔn)確的故障診斷和維護(hù)建議。

隨著歷史故障數(shù)據(jù)的不斷積累，有更多的數(shù)據(jù)對(duì)故障診斷模型進(jìn)行訓(xùn)練，模型的精度會(huì)不斷提高，判斷更加準(zhǔn)確。圖8為基于深度學(xué)習(xí)的故障診斷模型框架。

圖8 基于深度學(xué)習(xí)的故障診斷模型框架

5 故障預(yù)測(cè)問(wèn)題研究

故障預(yù)測(cè)包括健康狀態(tài)預(yù)報(bào)和壽命預(yù)測(cè)。健康狀態(tài)預(yù)報(bào)用于確定當(dāng)前部件或者系統(tǒng)處于其健康退化過(guò)程中的哪一種健康狀態(tài),即正常狀態(tài)、性能下降狀態(tài)或者功能失效狀態(tài)等。當(dāng)部件或系統(tǒng)處于性能下降狀態(tài)時(shí),判斷是由于何種故障原因引起其健康水平的下降,并且評(píng)價(jià)當(dāng)前健康狀態(tài)偏離其正常狀態(tài)程度的大小。剩余壽命預(yù)測(cè)是指依據(jù)部件或系統(tǒng)的當(dāng)前健康狀態(tài)、歷史狀態(tài)等信息,采用合適的預(yù)報(bào)模型,確定部件或系統(tǒng)的剩余使用壽命[5]。目前故障預(yù)測(cè)所遇到的最主要難題是數(shù)據(jù)不足，難以建立準(zhǔn)確的模型。

港口機(jī)械狀態(tài)監(jiān)測(cè)平臺(tái)在完善實(shí)時(shí)數(shù)據(jù)采集和歷史數(shù)據(jù)存儲(chǔ)的功能上，利用機(jī)器學(xué)習(xí)在大數(shù)據(jù)中進(jìn)行知識(shí)獲取，最終建立針對(duì)港口機(jī)械關(guān)鍵設(shè)備的故障預(yù)測(cè)模型。圖9為基于振動(dòng)監(jiān)測(cè)信號(hào)港口機(jī)械軸承故障預(yù)測(cè)技術(shù)路線圖。

圖9 基于機(jī)器學(xué)習(xí)的故障預(yù)測(cè)模型技術(shù)路線圖

6 結(jié)語(yǔ)

結(jié)合廣州港南沙三期碼頭實(shí)際情況，研究大數(shù)據(jù)驅(qū)動(dòng)的港口機(jī)械狀態(tài)監(jiān)測(cè)平臺(tái)的搭建。針對(duì)集裝箱碼頭在數(shù)據(jù)采集、數(shù)據(jù)存儲(chǔ)、故障診斷和故障預(yù)測(cè)等方面所遇到的難點(diǎn)進(jìn)行詳細(xì)闡述，并提供了相應(yīng)的解決方法和技術(shù)路線：

(1)結(jié)合網(wǎng)絡(luò)技術(shù)、數(shù)據(jù)采集技術(shù)和數(shù)據(jù)庫(kù)技術(shù)，解決了海量數(shù)據(jù)實(shí)時(shí)獲取與存儲(chǔ)的難題。

(2)將故障診斷分為2個(gè)階段，首先通過(guò)故障特征匹配實(shí)現(xiàn)故障的實(shí)時(shí)檢測(cè)；其次結(jié)合歷史數(shù)據(jù)和機(jī)器學(xué)習(xí)算法建立更加準(zhǔn)確的故障診斷模型。

(3)狀態(tài)監(jiān)測(cè)平臺(tái)在廣州港南沙三期碼頭的應(yīng)用驗(yàn)證了其有效性。隨著數(shù)據(jù)的不斷積累，基于機(jī)器學(xué)習(xí)的故障診斷和預(yù)測(cè)模型將不斷完善。