[发明专利]一种自动化码头设备异常检测系统

说明书

本发明提出一种自动化码头设备异常检测系统。包括设备数据采集模块、设备特征选择模块、设备异常检测分析模块，其中：所述设备数据采集模块，布设于码头设备，用于积累和形成目标设备的异常检测数据集D；所述设备特征选择模块，从设备数据采集模块选定的大量候选特征中进一步选择，生成待验证的候选设备特征子集s_i；所述设备异常检测分析模块，基于设备数据采集模型形成的目标设备异常检测数据集D和设备特征选择模块生成的设备特征子集s_i，训练预定义的异常检测模型M，并通过验证模型效果，对设备特征子集s_i作出评价。更快地为异常检测目标找到合适的设备特征，提高异常检测的准确率。

技术领域

本发明涉及设备异常检测，应用于自动化码头，具体为一种具有特征选择能力的自动化码头设备异常检测系统。

背景技术

在超大型自动化集装箱码头中，大量的自动化机械设备暴露在露天岸边环境下，极易受到各种原因的侵蚀破坏，导致设备瘫痪，影响码头生产。所以，为了保证码头生产的安全可靠运行，及时响应设备可能出现的各种问题。自动化码头在装卸设备上配置了大量的传感器，实时把控设备的运行状态。这些不同设备、不同类型、不同尺度的传感器采集数据汇聚到码头运维系统中，用于预测可能发生的故障，以及诊断故障类型等。随着设备传感器越来越多，设备状态大数据的特征维度也越来越多。同时，异常检测系统的监控目标也呈多元化，针对不同的监控目标，选择合适的设备状态数据设计相应的模型，成为自动化码头运维管理中的关键任务。

传统的设备异常检测及分析模型的特征选择，大多依靠专家知识选择相关数据。在大数据技术和物联网技术的推动下，网络通信和数据存储的成本越来越低，能够获取到的设备数据维度、种类越来越多。总体上，这些数据中蕴含的信息价值越来越多，但这些数据中存在大量的冗余及关联信息，导致数据的价值密度呈降低趋势。传统地以专家经验为指导，人工选择高价值数据的方式已经难以适用于当前的生产环境，所以利用机器针对不同的异常检测对象或目标，自主地选择合适的设备状态数据已成为主流方向。

目前，针对大数据的数据特征选择方法主要分为过滤式与封装式两类。过滤式方法的特点是与数据挖掘算法无关，依据设定的评价标准判断候选数据特征的重要程度，从而选择合适的特征子集。封装式方法的特点是将拟定的数据挖掘算法作为黑箱模型，以算法效果最优为目标，搜索合适的特征子集。二者相比，封装式方法在结果上具有优势，在其所选择的特征子集上建立的数据挖掘模型具有更优的效果，对异常检测系统而言，准确的结果至关重要。但是封装式方法需要从海量的特征组合中进行搜索，且对每个搜索结果都需要建立并评估数据挖掘算法，时间开销巨大，所以搜索效率已经成为影响封装式特征选择方法的核心因素。因此，如何在有限的搜索过程中找到高质量的特征子集是特征选择过程中急需解决的关键问题。

发明内容

针对自动化码头设备异常检测系统在建立分析模型时，面对大量设备状态信息难以选择合适的相关特征的问题，封装式特征选择方法具有更佳的特征选择效果和异常检测准确率，但存在着在高维特征空间搜索效率低下的问题，本发明提出一种具有特征选择能力的自动化码头设备异常检测系统，能够减少封装式特征选择方法对低质量特征子集的搜索次数，更快地为异常检测目标找到合适的设备特征，提高异常检测的准确率。

技术方案

一种自动化码头设备异常检测系统包括设备数据采集模块、设备特征选择模块、设备异常检测分析模块，其中：所述设备数据采集模块，布设于码头设备，用于积累和形成目标设备的异常检测数据集D；所述设备特征选择模块，从设备数据采集模块选定的大量候选特征中进一步选择，生成待验证的候选设备特征子集s_i；所述设备异常检测分析模块，基于设备数据采集模型形成的目标设备异常检测数据集D和设备特征选择模块生成的设备特征子集s_i，训练预定义的异常检测模型M，并通过验证模型效果，对设备特征子集s_i作出评价。