基于K-均值聚类算法的岸桥载荷分类识别

张冰倩, 胡 雄, 唐 刚

(上海海事大学 物流研究中心, 上海 201306)

基于K-均值聚类算法的岸桥载荷分类识别

张冰倩, 胡 雄, 唐 刚

(上海海事大学 物流研究中心, 上海 201306)

为了探究岸边集装箱岸桥每次作业的载荷情况, 提高对使用寿命评估的准确性, 运用K-均值聚类算法与定量统计分析方法, 对岸桥起升电机的径向和轴向振动烈度进行研究.建立了起升电机振动烈度与岸桥载荷状态的数学模型和振动烈度径向与轴向的相关性模型, 提出了岸桥载荷分类识别方法.通过实时数据验证, 该分类方法能够很好地代表岸桥的实时工作状态, 对于岸桥载荷状态的正确分类和工程应用中的监测与评估具有重要意义.

集装箱岸桥; K-均值聚类; 振动信号; 载荷分类; 相关性分析

目前, 人们对岸桥的需求日益增长, 但其使用寿命的评估方法缺乏科学依据, 仍存在很大的问题[1].岸桥的工作寿命与其每次作业的实际载荷有很强的关联, 任何一种寿命评估方法都必须掌握岸桥的实际载荷才能进行准确的评估.然而, 传统的岸桥工作寿命评估方法往往缺少一定的现场实际数据支持及实验验证[2-4].

现场实际数据与实验验证只能通过记录本上的数据得知岸桥每段时间内的总装载量, 而无法得知岸桥每次作业的载荷数据.经研究分析可知, 起升电机振动信号与岸桥每次作业的实际载荷呈非线性关系[5], 即可以通过对起升电机振动能量进行实时分析, 得出岸桥的每次载荷情况, 进而为评估岸桥的使用寿命提供可靠数据, 并提高评估的准确度.

现场采集到的岸桥数据日益增长, 因此选择正确的数据分析方法至关重要[6]. K-均值聚类算法是最流行和最有效的聚类方法之一[7-8].因此, 本文提出了一种基于K-均值聚类算法的集装箱岸桥载荷分类识别方法, 该方法能够有效解决岸桥每次作业的载荷统计分析的难题, 即对电机振动烈度的一组数据进行聚类分析, 得出该电机的载荷分类情况, 将岸桥的每次作业进行分类, 可为岸桥使用寿命的评估提供参考数据.本文的研究技术路线如图1所示.

1 载荷分类技术研究

1.1岸桥载荷与电机振动模型建立

本文所分析的数据均来自于NetCMAS(network condition monitoring and assessment system)中某起升电机一个测点的径向与轴向的实时振动烈度信号.由于振动信号所表达的振动信息具有多样化和信息量大的特点, 因此，可通过分析起升电机的振动信号来获取岸桥载荷的相关信息, 提高信息的利用率.岸桥的电机一般为三相异步电动机，根据三相异步电动机的机械特性可知, 岸桥的载荷与起升电机的输入功率呈正比, 输入功率Pem与电磁转矩Tem呈正比, 输入功率Pem与转差率s呈反比.综上, 电磁转矩可用式(1)计算.

(1)

图2为三相异步电机的机械特性曲线, 其横坐标为电磁转矩Tem, 纵坐标为转差率s.图2中：TN为额定转矩,Tst为起动转矩,Tm为最大电磁转矩,sm为临界转差率.

图2 三相异步电机的机械特性Fig.2 Mechanical characteristics of three-phase asynchronous motor

(2)

综上所述, 岸桥载荷(load)与电机振动(vibration)的数学模型如下:

load∝P1∝I1∝B1∝vibration

(3)

根据以上数学模型可知, 随着起升电机载荷的增大, 起升电机的振幅也会增加[9].因此, 为探讨其载荷类别, 本文选取了起升电机径向与轴向振动烈度数据作为研究样本.为了探究起升电机径向与轴向振动烈度数据是否具有关联, 本文对两者进行了相关性分析.

1.2相关性分析

本文运用R语言作图, 采用SPSS软件进行相关性分析. 轴向振动烈度为自变量x, 径向振动烈度为因变量y, 轴向振动烈度随径向振动烈度变化趋势如图3所示. 由图3可知，起升电机的一个测点的轴向与径向振动信号存在显著正相关的关系.

图3 轴向振动烈度随径向振动烈度变化趋势Fig.3 Variation tendency of axial vibration intensity with radial vibration intensity

运用SPSS进行分析得出径向与轴向的Person相关性值为0.964, 表明径向与轴向振动信号也呈显著正相关性, 且是线性相关关系.径向与轴向振动信号相关性检验结果如表1所示.

表1 径向与轴向振动信号相关性检验Table 1 Correlation test between axial and radial vibration signal

为了建立径向与轴向振动烈度的定量模型, 本文建立了一元线性回归模型, 轴向数据为自变量, 径向数据为因变量,x非标准化系数为0.895, 常数项为0.151, 该模型的显著性水平Sig.值为0, 表明径向与轴向是显著相关的.轴向振动烈度随径向振动烈度变化的回归分析结果如表2所示, 通过测量径向的振动烈度值, 代入公式计算轴向的值, 测量工作可以得到简化.

表2 轴向振动烈度随径向振动烈度变化的回归分析Table 2 Regression analysis of axial vibration intensity with the Change of radial vibration intensity

经统计分析, 可将径向与轴向振动信号建立数学模型, 如式(4)所示.

y=0.895x+0.151

(4)

式中：x为轴向振动烈度；y为径向振动烈度.

式(4)仅适用于某测点的振动传感器所测得的数据, 若传感器摆放位置改变, 式(4)中的系数会相应改变, 但是测点振动信号径向与轴向数据的变化趋势仍保持一致.

1.3岸桥载荷分类

本文将起升电机的载荷分为5类, 分别代表5种典型的工作状态. 起升电机的工作周期定义为24 h, 起升电机的循环工作状态将由5种典型的载荷特征拟合而成.

(1) 空载: 空闲；

(2) 轻载: 很少起升额定载荷, 一般起升轻微载荷；

(3) 中载: 有时起升额定载荷, 一般起升中等载荷；

(4) 重载: 经常起升额定载荷；

(5) 超重载: 频繁起升额定载荷.

2 工程应用验证

2.1数据采集

NetCMAS已在国内外集装箱公司等大型企业得到了有效的应用, 实现了设备状态分析与管理思想的程序化[10]. NetCMAS在数据的自动获取有效分析与管理上为设备工程师提供了一个技术先进的实用方法和工具. NetCMAS数据处理的特点是边采集边处理信号, 对于每种信号采集和存储的时间都不相同.由于系统采集的数据是实时的, 那么信号中就包含工作和非工作两种状态的信号, 以及干扰信号.

本文所分析的数据均来自于NetCMAS中某起升电机一个测点的径向与轴向的实时振动信号, 选取时间为2010年1月18日14时至2010年2月7日23时, 为期3周, 比较具有代表性.

2.2数据预处理

由NetCMAS采集到的实时数据通常包含异常数据、重复数据或者缺失数据, 因此不能直接用于分解处理.本文中, 起重机具有高速、重载和大冲击的工作特点, 因此，经过NetCMAS所采集的实时信号必须经过预处理.

2.3方法的验证

2.3.1 数据归一化处理

本文对数据进行描述性统计, 将其归一化限制在0～1范围内, 便于后序数据处理, 保证程序运行时收敛加快, 降低运算时间.

首先, 对每小时的数据加以统计并取其平均值, 代表起升电机径向与轴向振动烈度信号, 共计490组, 并执行描述性统计量分析, 其输出结果如表3所示.由表3可知，径向最大值为3.14, 轴向最大值为4.93, 这为数据归一化提供了有效的尺度.径向数据的全距为3.09, 轴向数据的全距为4.86, 数量级变化不大, 满足K-均值聚类分析的条件.标准差分别为0.61和0.87, 数据总体较为平稳.对490组数据进行分析得出1组数据为离群点, 为了避免影响聚类效果, 在聚类分析前将这一组数据予以剔除处理.

表3 轴向振动烈度随径向振动烈度描述性统计量分析Table 3 Descriptive statistics analysis of axial vibration intensity with radial vibration intensity

其次, 对每天的数据加以统计取平均值便于K-均值聚类分析.

由表3可知, 将数据按每小时取均值后, 振动烈度径向信号的最大值为3.14, 轴向信号的最大值为4.93.本文用最大值对数据进行归一化处理, 即把每个值除以最大值, 所得数据便是归一化后的结果.经验证, 数据归一化便于进行K-均值聚类分析与一般意义上的应用.对2010年1月18日至2010年2月7日每日的数据取均值后, 其最大值分别为1.6459与2.3149, 经归一化后的结果如表4所示.

表4 2010年1月18日至2010年2月7日数据归一化Table 4 Data normalization from Jan.18, 2010 to Feb.7, 2010

(续 表)

2.3.2 基于K-均值聚类分析的载荷分类识别

本文通过K-均值聚类法将21组数据进行分类, 设置时间为分类变量, 起升电机的径向与轴向振动信号为自变量, 分出5个类别, 起升电机振动烈度K-均值聚类结果如表5所示.由表5可知，有效数据为21组, 缺失数据为1组.其中2010年1月25日为奇异点, 该天的径向与轴向振动烈度均为最大值, 采取剔除处理.

表5 起升电机振动烈度K-均值聚类Table 5 Hoist motor vibration intensity K-means clustering

根据上文建立的振动与载荷的数学模型vibration ∝ load、起升电机径向与轴向的振动信号相关性数学模型y=0.895x+0.151, 结合K-均值聚类分析的结果, 本文将起升电机的载荷状态定义为表6中的5类.

表6 起升电机载荷分类标准Table 6 Classification standard of hoist motor load

轴向振动烈度与径向振动烈度呈显著正相关, 因此，在实际工程应用中, 只需要测其中一个方向的振动烈度值, 再根据本文推导得出的公式y=0.895x+0.151可计算得出另一个方向的振动烈度的值.根据以上思路, 可以将x、y两个变量的范围转换为一个变量的范围进行约束计算, 这个方法将大大减少计算量, 提高计算的速率.

为了验证起升电机载荷分类结果的可靠性, 分别根据径向和轴向的振动强度进行分类.径向与轴向分类结果匹配度列于表7中, 结果表明, 轴向分类结果几乎与径向的分类结果相符.因此, 可以使用其中一个方向的数据进行研究.

表7 径向与轴向分类结果匹配度Table 7 Radial and axial classification results matching degree

该分类结果结合了多种分析方法, 比较具有可靠性.由于起升电机存在差异, 其重载情况下的振动上限将会存在巨大差异, 会导致评估准确降低, 本文的聚类分析把重点放在空载、轻载、中载等级上.

2.3.3 各载荷类别时间统计

本文通过JAVA编辑代码实现了对一天中不同载荷工作状态的循环筛选, 进而计算该载荷工作状态下的起升电机作业次数.从NetCMAS统计的实时数据可以得知, 数据间隔在15 s左右, 本文对2010年1月26日和2010年2月6日的起升电机径向与轴向的振动信号在不同的载荷工作状态下进行统计分析, 得出其不同载荷工作状态在一天中的时间比例, 进一步推算每种载荷工作状态下的作业次数, 最终的统计结果如表8所示.

表8 2010年1月26日与2010年2月6日各载荷时间比例Table 8 Proportion of load time in Jan.26th and Feb.6th

由表8可知, 起升电机大部分时间处于轻载状态.对比两天的数据可知, 岸桥处于不同的作业状态, 其起升的集装箱的重量是不同的, 这为岸桥的寿命评估提供了可靠的依据.由实际工程经验可知, 大冲击或者超载作业会引起岸桥的损伤.因此, 通过本文提出的岸桥载荷分类方法, 将起升电机的振动信号进行分类, 计算其中的重载及超重载的次数, 可以提高岸桥使用寿命评估的精确性.

3 结 论

(1) 本文通过分析起升电机运行的实时数据, 根据物理原理建立岸桥与电机载荷的数学模型(load∝P1∝I1∝B1∝vibration). 运用K-均值聚类算法, 选取电机径向与轴向振动信号作为特征参数, 将岸桥载荷分为5类: 空载、轻载、中载、重载及超重载. 该方法选取特征参数少, 运算简单, 精度高, 有较强的实用性.

(2) 结合工程应用对分类结果进行验证, 结果表明该分类结果较好.根据该分类结果, 本文选取2010年1月26日和2010年2月6日计算岸桥该天每种载荷类别的作业次数及其所占的比例, 便于分析岸桥一天中的工作状态, 该方法为工程中评估岸桥使用寿命提供准确数据.

(3) 运用R语言作图以及SPSS软件进行相关性分析得出,电机径向与轴向振动信号之间存在显著正相关的关系, 关系式为:y=0.895x+0.151.此结论对工程应用具有实际意义, 可以简化监测工作, 释放存储内存.

[1] FAN X. Evaluation method of remaining fatigue life for crane based on the acquisition of the equivalent load spectrum by the artificial neural network[J]. Journal of Mechanical Engineering, 2011, 47(20): 69-74.

[2] YIN Y, HU X, LIN T R. A practical approach to analyze the non-stationary signals of a quayside container crane motor using a combined empirical mode decomposition and wavelet packet quantization technique[J]. Noise Control Engineering Journal, 2016, 64(2): 126-133.

[3] XU X, HU X, JIANG S. Statistic analysis and predication of crane condition parameters based on SVM [C]// IEEE International Conference on Automation and Logistics. 2010: 109-113.

[4] 雷冬.疲劳寿命预测若干方法的研究[D].合肥：中国科学技术大学工程科学学院，2006.

[5] NAKAZONO K, OHNISHI K, KINJO H, et al. Vibration control of load for rotary crane system using neural network with GA-based training[J]. Artificial Life and Robotics, 2008, 13(1): 98-101.

[7] DING C, HE X. K-means clustering via principal component analysis [C]// International Conference on Machine Learning. 2004: 29.

[8] KANUNGO T, MOUNT D M, NETANYAHU N S, et al. An efficient k-means clustering algorithm: Analysis and implementation[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2002, 24(7): 881-892.

[9] STEPHAN K. Model assisted computing of three-phase asynchronous motor torque: DE, DE19756955[P]. 1999-07-01.

[10] YIN Y, HU X, LI Y. Heavy lifting motor vibration research and health evaluation standard to determine [J]. Journal of Vibration and Shock, 2013, 32 (12) : 67-71.

(责任编辑:杨静)

LoadWeightIdentificationandClassificationoftheQuaysideCraneBasedonK-meansClusteringAlgorithm

ZHANGBingqian,HUXiong,TANGGang

(Logistics Research Center, Shanghai Maritime University, Shanghai 201306, China)

This work aims to measure the load weight of each operation of the quayside container crane which is important for accurately assessing the service life of the crane. K-means clustering algorithm and quantitative statistical analysis are used to study the vibration of the hoist motor of the crane in radial and axial directions. This paper proposes not only a mathematical model showing the relationship between the vibration intensity of the hoisting motor and the load weight of the crane but also the correlation model of vibration intensity in radial and axial direction. Moreover, the identification and classification methods of the load weight of the crane are put forward. This paper contributes to representing the real-time working status of the crane which is of great significance for the proper classification of the load state of the crane and the monitoring and evaluation in engineering applications.

quayside container crane; K-means cluster; vibration signal; load classification; correlation analysis

TP 206

A

1671-0444 (2017)04-0565-06

2016-12-29

国家高技术研究发展计划(863)资助项目(2013A2041106)；国家自然科学基金资助项目(31300783)；中国博士后科学基金资助项目(2014M561458)；教育部博士点基金联合资助项目(20123121120004)；上海海事大学科研基金资助项目(20130474)；上海高校一流学科管理科学与工程资助项目；上海海事大学研究生创新基金资助项目(2017ycx024)

张冰倩(1992—)，女，江苏启东人，硕士研究生，研究方向为物流信息系统. E-mail: bingqianzhang1116@126.com

胡 雄(联系人)，男，教授，E-mail: huxiong@shmtu.edu.cn