張冰倩, 胡 雄, 唐 剛

(上海海事大學(xué) 物流研究中心, 上海 201306)

基于K-均值聚類算法的岸橋載荷分類識別

張冰倩, 胡 雄, 唐 剛

(上海海事大學(xué) 物流研究中心, 上海 201306)

為了探究岸邊集裝箱岸橋每次作業(yè)的載荷情況, 提高對使用壽命評估的準(zhǔn)確性, 運(yùn)用K-均值聚類算法與定量統(tǒng)計分析方法, 對岸橋起升電機(jī)的徑向和軸向振動烈度進(jìn)行研究.建立了起升電機(jī)振動烈度與岸橋載荷狀態(tài)的數(shù)學(xué)模型和振動烈度徑向與軸向的相關(guān)性模型, 提出了岸橋載荷分類識別方法.通過實時數(shù)據(jù)驗證, 該分類方法能夠很好地代表岸橋的實時工作狀態(tài), 對于岸橋載荷狀態(tài)的正確分類和工程應(yīng)用中的監(jiān)測與評估具有重要意義.

集裝箱岸橋; K-均值聚類; 振動信號; 載荷分類; 相關(guān)性分析

目前, 人們對岸橋的需求日益增長, 但其使用壽命的評估方法缺乏科學(xué)依據(jù), 仍存在很大的問題[1].岸橋的工作壽命與其每次作業(yè)的實際載荷有很強(qiáng)的關(guān)聯(lián), 任何一種壽命評估方法都必須掌握岸橋的實際載荷才能進(jìn)行準(zhǔn)確的評估.然而, 傳統(tǒng)的岸橋工作壽命評估方法往往缺少一定的現(xiàn)場實際數(shù)據(jù)支持及實驗驗證[2-4].

現(xiàn)場實際數(shù)據(jù)與實驗驗證只能通過記錄本上的數(shù)據(jù)得知岸橋每段時間內(nèi)的總裝載量, 而無法得知岸橋每次作業(yè)的載荷數(shù)據(jù).經(jīng)研究分析可知, 起升電機(jī)振動信號與岸橋每次作業(yè)的實際載荷呈非線性關(guān)系[5], 即可以通過對起升電機(jī)振動能量進(jìn)行實時分析, 得出岸橋的每次載荷情況, 進(jìn)而為評估岸橋的使用壽命提供可靠數(shù)據(jù), 并提高評估的準(zhǔn)確度.

現(xiàn)場采集到的岸橋數(shù)據(jù)日益增長, 因此選擇正確的數(shù)據(jù)分析方法至關(guān)重要[6]. K-均值聚類算法是最流行和最有效的聚類方法之一[7-8].因此, 本文提出了一種基于K-均值聚類算法的集裝箱岸橋載荷分類識別方法, 該方法能夠有效解決岸橋每次作業(yè)的載荷統(tǒng)計分析的難題, 即對電機(jī)振動烈度的一組數(shù)據(jù)進(jìn)行聚類分析, 得出該電機(jī)的載荷分類情況, 將岸橋的每次作業(yè)進(jìn)行分類, 可為岸橋使用壽命的評估提供參考數(shù)據(jù).本文的研究技術(shù)路線如圖1所示.

1 載荷分類技術(shù)研究

1.1岸橋載荷與電機(jī)振動模型建立

本文所分析的數(shù)據(jù)均來自于NetCMAS(network condition monitoring and assessment system)中某起升電機(jī)一個測點的徑向與軸向的實時振動烈度信號.由于振動信號所表達(dá)的振動信息具有多樣化和信息量大的特點, 因此，可通過分析起升電機(jī)的振動信號來獲取岸橋載荷的相關(guān)信息, 提高信息的利用率.岸橋的電機(jī)一般為三相異步電動機(jī)，根據(jù)三相異步電動機(jī)的機(jī)械特性可知, 岸橋的載荷與起升電機(jī)的輸入功率呈正比, 輸入功率Pem與電磁轉(zhuǎn)矩Tem呈正比, 輸入功率Pem與轉(zhuǎn)差率s呈反比.綜上, 電磁轉(zhuǎn)矩可用式(1)計算.

(1)

圖2為三相異步電機(jī)的機(jī)械特性曲線, 其橫坐標(biāo)為電磁轉(zhuǎn)矩Tem, 縱坐標(biāo)為轉(zhuǎn)差率s.圖2中：TN為額定轉(zhuǎn)矩,Tst為起動轉(zhuǎn)矩,Tm為最大電磁轉(zhuǎn)矩,sm為臨界轉(zhuǎn)差率.

圖2 三相異步電機(jī)的機(jī)械特性Fig.2 Mechanical characteristics of three-phase asynchronous motor

(2)

綜上所述, 岸橋載荷(load)與電機(jī)振動(vibration)的數(shù)學(xué)模型如下:

load∝P1∝I1∝B1∝vibration

(3)

根據(jù)以上數(shù)學(xué)模型可知, 隨著起升電機(jī)載荷的增大, 起升電機(jī)的振幅也會增加[9].因此, 為探討其載荷類別, 本文選取了起升電機(jī)徑向與軸向振動烈度數(shù)據(jù)作為研究樣本.為了探究起升電機(jī)徑向與軸向振動烈度數(shù)據(jù)是否具有關(guān)聯(lián), 本文對兩者進(jìn)行了相關(guān)性分析.

1.2相關(guān)性分析

本文運(yùn)用R語言作圖, 采用SPSS軟件進(jìn)行相關(guān)性分析. 軸向振動烈度為自變量x, 徑向振動烈度為因變量y, 軸向振動烈度隨徑向振動烈度變化趨勢如圖3所示. 由圖3可知，起升電機(jī)的一個測點的軸向與徑向振動信號存在顯著正相關(guān)的關(guān)系.

圖3 軸向振動烈度隨徑向振動烈度變化趨勢Fig.3 Variation tendency of axial vibration intensity with radial vibration intensity

運(yùn)用SPSS進(jìn)行分析得出徑向與軸向的Person相關(guān)性值為0.964, 表明徑向與軸向振動信號也呈顯著正相關(guān)性, 且是線性相關(guān)關(guān)系.徑向與軸向振動信號相關(guān)性檢驗結(jié)果如表1所示.

表1 徑向與軸向振動信號相關(guān)性檢驗Table 1 Correlation test between axial and radial vibration signal

為了建立徑向與軸向振動烈度的定量模型, 本文建立了一元線性回歸模型, 軸向數(shù)據(jù)為自變量, 徑向數(shù)據(jù)為因變量,x非標(biāo)準(zhǔn)化系數(shù)為0.895, 常數(shù)項為0.151, 該模型的顯著性水平Sig.值為0, 表明徑向與軸向是顯著相關(guān)的.軸向振動烈度隨徑向振動烈度變化的回歸分析結(jié)果如表2所示, 通過測量徑向的振動烈度值, 代入公式計算軸向的值, 測量工作可以得到簡化.

表2 軸向振動烈度隨徑向振動烈度變化的回歸分析Table 2 Regression analysis of axial vibration intensity with the Change of radial vibration intensity

經(jīng)統(tǒng)計分析, 可將徑向與軸向振動信號建立數(shù)學(xué)模型, 如式(4)所示.

y=0.895x+0.151

(4)

式中：x為軸向振動烈度；y為徑向振動烈度.

式(4)僅適用于某測點的振動傳感器所測得的數(shù)據(jù), 若傳感器擺放位置改變, 式(4)中的系數(shù)會相應(yīng)改變, 但是測點振動信號徑向與軸向數(shù)據(jù)的變化趨勢仍保持一致.

1.3岸橋載荷分類

本文將起升電機(jī)的載荷分為5類, 分別代表5種典型的工作狀態(tài). 起升電機(jī)的工作周期定義為24 h, 起升電機(jī)的循環(huán)工作狀態(tài)將由5種典型的載荷特征擬合而成.

(1) 空載: 空閑；

(2) 輕載: 很少起升額定載荷, 一般起升輕微載荷；

(3) 中載: 有時起升額定載荷, 一般起升中等載荷；

(4) 重載: 經(jīng)常起升額定載荷；

(5) 超重載: 頻繁起升額定載荷.

2 工程應(yīng)用驗證

2.1數(shù)據(jù)采集

NetCMAS已在國內(nèi)外集裝箱公司等大型企業(yè)得到了有效的應(yīng)用, 實現(xiàn)了設(shè)備狀態(tài)分析與管理思想的程序化[10]. NetCMAS在數(shù)據(jù)的自動獲取有效分析與管理上為設(shè)備工程師提供了一個技術(shù)先進(jìn)的實用方法和工具. NetCMAS數(shù)據(jù)處理的特點是邊采集邊處理信號, 對于每種信號采集和存儲的時間都不相同.由于系統(tǒng)采集的數(shù)據(jù)是實時的, 那么信號中就包含工作和非工作兩種狀態(tài)的信號, 以及干擾信號.

本文所分析的數(shù)據(jù)均來自于NetCMAS中某起升電機(jī)一個測點的徑向與軸向的實時振動信號, 選取時間為2010年1月18日14時至2010年2月7日23時, 為期3周, 比較具有代表性.

2.2數(shù)據(jù)預(yù)處理

由NetCMAS采集到的實時數(shù)據(jù)通常包含異常數(shù)據(jù)、重復(fù)數(shù)據(jù)或者缺失數(shù)據(jù), 因此不能直接用于分解處理.本文中, 起重機(jī)具有高速、重載和大沖擊的工作特點, 因此，經(jīng)過NetCMAS所采集的實時信號必須經(jīng)過預(yù)處理.

2.3方法的驗證

2.3.1 數(shù)據(jù)歸一化處理

本文對數(shù)據(jù)進(jìn)行描述性統(tǒng)計, 將其歸一化限制在0～1范圍內(nèi), 便于后序數(shù)據(jù)處理, 保證程序運(yùn)行時收斂加快, 降低運(yùn)算時間.

首先, 對每小時的數(shù)據(jù)加以統(tǒng)計并取其平均值, 代表起升電機(jī)徑向與軸向振動烈度信號, 共計490組, 并執(zhí)行描述性統(tǒng)計量分析, 其輸出結(jié)果如表3所示.由表3可知，徑向最大值為3.14, 軸向最大值為4.93, 這為數(shù)據(jù)歸一化提供了有效的尺度.徑向數(shù)據(jù)的全距為3.09, 軸向數(shù)據(jù)的全距為4.86, 數(shù)量級變化不大, 滿足K-均值聚類分析的條件.標(biāo)準(zhǔn)差分別為0.61和0.87, 數(shù)據(jù)總體較為平穩(wěn).對490組數(shù)據(jù)進(jìn)行分析得出1組數(shù)據(jù)為離群點, 為了避免影響聚類效果, 在聚類分析前將這一組數(shù)據(jù)予以剔除處理.

表3 軸向振動烈度隨徑向振動烈度描述性統(tǒng)計量分析Table 3 Descriptive statistics analysis of axial vibration intensity with radial vibration intensity

其次, 對每天的數(shù)據(jù)加以統(tǒng)計取平均值便于K-均值聚類分析.

由表3可知, 將數(shù)據(jù)按每小時取均值后, 振動烈度徑向信號的最大值為3.14, 軸向信號的最大值為4.93.本文用最大值對數(shù)據(jù)進(jìn)行歸一化處理, 即把每個值除以最大值, 所得數(shù)據(jù)便是歸一化后的結(jié)果.經(jīng)驗證, 數(shù)據(jù)歸一化便于進(jìn)行K-均值聚類分析與一般意義上的應(yīng)用.對2010年1月18日至2010年2月7日每日的數(shù)據(jù)取均值后, 其最大值分別為1.6459與2.3149, 經(jīng)歸一化后的結(jié)果如表4所示.

表4 2010年1月18日至2010年2月7日數(shù)據(jù)歸一化Table 4 Data normalization from Jan.18, 2010 to Feb.7, 2010

(續(xù) 表)

2.3.2 基于K-均值聚類分析的載荷分類識別

本文通過K-均值聚類法將21組數(shù)據(jù)進(jìn)行分類, 設(shè)置時間為分類變量, 起升電機(jī)的徑向與軸向振動信號為自變量, 分出5個類別, 起升電機(jī)振動烈度K-均值聚類結(jié)果如表5所示.由表5可知，有效數(shù)據(jù)為21組, 缺失數(shù)據(jù)為1組.其中2010年1月25日為奇異點, 該天的徑向與軸向振動烈度均為最大值, 采取剔除處理.

表5 起升電機(jī)振動烈度K-均值聚類Table 5 Hoist motor vibration intensity K-means clustering

根據(jù)上文建立的振動與載荷的數(shù)學(xué)模型vibration ∝ load、起升電機(jī)徑向與軸向的振動信號相關(guān)性數(shù)學(xué)模型y=0.895x+0.151, 結(jié)合K-均值聚類分析的結(jié)果, 本文將起升電機(jī)的載荷狀態(tài)定義為表6中的5類.

表6 起升電機(jī)載荷分類標(biāo)準(zhǔn)Table 6 Classification standard of hoist motor load

軸向振動烈度與徑向振動烈度呈顯著正相關(guān), 因此，在實際工程應(yīng)用中, 只需要測其中一個方向的振動烈度值, 再根據(jù)本文推導(dǎo)得出的公式y(tǒng)=0.895x+0.151可計算得出另一個方向的振動烈度的值.根據(jù)以上思路, 可以將x、y兩個變量的范圍轉(zhuǎn)換為一個變量的范圍進(jìn)行約束計算, 這個方法將大大減少計算量, 提高計算的速率.

為了驗證起升電機(jī)載荷分類結(jié)果的可靠性, 分別根據(jù)徑向和軸向的振動強(qiáng)度進(jìn)行分類.徑向與軸向分類結(jié)果匹配度列于表7中, 結(jié)果表明, 軸向分類結(jié)果幾乎與徑向的分類結(jié)果相符.因此, 可以使用其中一個方向的數(shù)據(jù)進(jìn)行研究.

表7 徑向與軸向分類結(jié)果匹配度Table 7 Radial and axial classification results matching degree

該分類結(jié)果結(jié)合了多種分析方法, 比較具有可靠性.由于起升電機(jī)存在差異, 其重載情況下的振動上限將會存在巨大差異, 會導(dǎo)致評估準(zhǔn)確降低, 本文的聚類分析把重點放在空載、輕載、中載等級上.

2.3.3 各載荷類別時間統(tǒng)計

本文通過JAVA編輯代碼實現(xiàn)了對一天中不同載荷工作狀態(tài)的循環(huán)篩選, 進(jìn)而計算該載荷工作狀態(tài)下的起升電機(jī)作業(yè)次數(shù).從NetCMAS統(tǒng)計的實時數(shù)據(jù)可以得知, 數(shù)據(jù)間隔在15 s左右, 本文對2010年1月26日和2010年2月6日的起升電機(jī)徑向與軸向的振動信號在不同的載荷工作狀態(tài)下進(jìn)行統(tǒng)計分析, 得出其不同載荷工作狀態(tài)在一天中的時間比例, 進(jìn)一步推算每種載荷工作狀態(tài)下的作業(yè)次數(shù), 最終的統(tǒng)計結(jié)果如表8所示.

表8 2010年1月26日與2010年2月6日各載荷時間比例Table 8 Proportion of load time in Jan.26th and Feb.6th

由表8可知, 起升電機(jī)大部分時間處于輕載狀態(tài).對比兩天的數(shù)據(jù)可知, 岸橋處于不同的作業(yè)狀態(tài), 其起升的集裝箱的重量是不同的, 這為岸橋的壽命評估提供了可靠的依據(jù).由實際工程經(jīng)驗可知, 大沖擊或者超載作業(yè)會引起岸橋的損傷.因此, 通過本文提出的岸橋載荷分類方法, 將起升電機(jī)的振動信號進(jìn)行分類, 計算其中的重載及超重載的次數(shù), 可以提高岸橋使用壽命評估的精確性.

3 結(jié) 論

(1) 本文通過分析起升電機(jī)運(yùn)行的實時數(shù)據(jù), 根據(jù)物理原理建立岸橋與電機(jī)載荷的數(shù)學(xué)模型(load∝P1∝I1∝B1∝vibration). 運(yùn)用K-均值聚類算法, 選取電機(jī)徑向與軸向振動信號作為特征參數(shù), 將岸橋載荷分為5類: 空載、輕載、中載、重載及超重載. 該方法選取特征參數(shù)少, 運(yùn)算簡單, 精度高, 有較強(qiáng)的實用性.

(2) 結(jié)合工程應(yīng)用對分類結(jié)果進(jìn)行驗證, 結(jié)果表明該分類結(jié)果較好.根據(jù)該分類結(jié)果, 本文選取2010年1月26日和2010年2月6日計算岸橋該天每種載荷類別的作業(yè)次數(shù)及其所占的比例, 便于分析岸橋一天中的工作狀態(tài), 該方法為工程中評估岸橋使用壽命提供準(zhǔn)確數(shù)據(jù).

(3) 運(yùn)用R語言作圖以及SPSS軟件進(jìn)行相關(guān)性分析得出,電機(jī)徑向與軸向振動信號之間存在顯著正相關(guān)的關(guān)系, 關(guān)系式為:y=0.895x+0.151.此結(jié)論對工程應(yīng)用具有實際意義, 可以簡化監(jiān)測工作, 釋放存儲內(nèi)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.疲勞壽命預(yù)測若干方法的研究[D].合肥：中國科學(xué)技術(shù)大學(xué)工程科學(xué)學(xué)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.

(責(zé)任編輯:楊靜)

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

國家高技術(shù)研究發(fā)展計劃(863)資助項目(2013A2041106)；國家自然科學(xué)基金資助項目(31300783)；中國博士后科學(xué)基金資助項目(2014M561458)；教育部博士點基金聯(lián)合資助項目(20123121120004)；上海海事大學(xué)科研基金資助項目(20130474)；上海高校一流學(xué)科管理科學(xué)與工程資助項目；上海海事大學(xué)研究生創(chuàng)新基金資助項目(2017ycx024)

張冰倩(1992—)，女，江蘇啟東人，碩士研究生，研究方向為物流信息系統(tǒng). E-mail: bingqianzhang1116@126.com

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