干散货港口工况监测方法及系统与流程

本发明涉及港口工程与管理，尤其是涉及干散货港口工况监测方法及系统。

背景技术：

1、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。

2、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。

技术实现思路

1、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。

2、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。

3、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。

4、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。

5、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：

6、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；

7、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；

8、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。

9、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。

10、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；

11、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：

12、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；

13、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；

14、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。

15、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。

16、可选地，所述数据特征包括繁忙度特征和离散数据特征；

17、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：

18、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；

19、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。

20、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。

21、可选地，所述繁忙度特征满足如下关系：

22、

23、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。

24、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。

25、可选地，所述离散数据特征满足如下关系：

26、

27、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。

28、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。

29、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：

30、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；

31、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；

32、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。

33、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。

34、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；

35、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：

36、规则1：当且时，干散货港口的工况稳定特性为；

37、规则2：当且时，干散货港口的工况稳定特性为；

38、规则3：当且时，干散货港口的工况稳定特性为；

39、规则4：当且时，干散货港口的工况稳定特性为。

40、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。

41、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。