[发明专利]基于决策树算法的港口岸桥机械工作状态故障分类的方法

说明书

本发明公开了基于决策树算法的岸桥机械工作状态故障分类方法，其中包括以下步骤：步骤1：通过安装在岸桥起重机上的的传感器来采集获取数据，存储到数据库；步骤2：通过分析岸桥设备的各种历史监测量得到标准故障样本数据，然后采用决策树生成算法对故障样本数据进行分类分析，得到故障的决策树；步骤3：将采集到的实时监测数据通过上一步骤2得到的决策树作为故障模式的分类模型进行分类，从而确定故障种类。本发明不需要人工记录数据，直接通过传感器收集的数据进行数据处理，减少数据的容错率，得到更加准的的结果。本方法不需要通过其他算法，就可以高效的处理岸桥大规模的监测数据，具有通用性和易操作性。

技术领域

本发明涉及岸桥的工作状态数据分类的监测及故障的预测，尤其涉及一种基于决策分类算法用于港口机械的工作状态数据的分析。

背景技术

目前，随着港口航运运输的迅速发展，港口机械的使用量也快速壮大，每年需要搬运的标箱数量庞大，岸桥机械运行的速度跟状态的直接关系到整个运输的工作效率。在进行吊装集装箱时，岸桥的运动跟受力都要受到各方面因素的影响，这时就要对岸桥的每一个部位进行监测并且进行故障分析，从而会产生庞大的数据信息，因此如何从中快速提取分类数据就变得尤为重要。做到及时发现岸桥的隐患。这对提高岸桥的整体效率具有重要的作用。

在常规技术中，由于航运业的蓬勃发展，岸桥的工作强度越来越大，如果通过常规的人工实地检测，这样工作的效率就大大降低而且对人工成本也是一项不小的投入。因此在岸桥上每个部位装上检测设备，对岸桥每隔一段时间实时更新岸桥的工作状态的数据，再收集数据加以分析。通常需要感应器在岸桥结构部位进行数据收集，然后进行数据分析。

决策树(Decision Tree)又称为决策判定树是运用于分类的一种树结构。其中的每个内部结点代表对某个属性的一次测试，每条边代表一个测试结果，叶结点代表某个类或者以类的形式分布，最上面的结点是根结点。决策树分为分类树和回归树两种，分类树对离散变量做决策树，回归树对连续变量做决策树。1986年Quinlan提出了著名的ID3算法[Quinlan，1986]。在ID3算法的基础上，1993年Quinlan又提出了C4.5算法[Quinlan，1993]。为了适应处理大规模数据集的需要，后来又提出了若干改进的算法，其中SLIQ(supervisedlearning inquest)和SPRINT(scalable parallelizable induction of decisiontrees)是比较有代表性的两个算法。随着计算机技术和数字信号处理(DSP)技术的发展，针对岸桥的在线状态监测技术也有了很大的发展，并在一些集装箱码头得到了应用。同时，随着数据库技术的迅速发展，大型数据库或数据仓库可以用来存储设备运行状态的各种数据和参数。这些数据和参数中包含了设备运行状态的各种特征，但大部分数据和参数是杂乱无章的，特征并不明显、不直观。传统方法对处理这些海量的数据显得力不从心，通过计算机软件将数据处理，然后分类，把数据进行细分剔除，从而在这些海量数据的背后发现新的、有价值的知识。

构造决策树是采用自上而下的递归构造方法。决策树构造的结果是一棵二叉树或者多叉树，它的输入是一组带有类别标记的训练数据。二叉树的内部结点(非叶结点)一般表示为一个逻辑判断，如形式为a＝b的逻辑判断，其中a是属性，b是该属性的某个属性值；树的边是逻辑判断的分支结果。多叉树(ID3)的内部结点是属性，边是该属性的所有取值，有几个属性值，就有几条边。树的叶结点都是类别标记。

使用决策树进行分类，首先利用训练集建立并精化一棵决策树，建立决策树模型。这个过程实际上是一个从数据中获取知识，进行机器学习的过程。然后利用生成完毕的决策树对输入数据进行分类。对输入的记录，从根结点依次测试记录的属性值，直到到达某个叶结点，从而找到该记录所在的类。