CN111453619A - 一种自适应的岸桥运行机构智能监测与状态评估*** - Google Patents

Abstract

本发明公开了一种自适应的岸桥运行机构智能监测与状态评估***，该***包括以下部分：数据采集子***、数据处理子***、云端中心；其中数据采集子***包括传声器、振动加速度传感器、数据采集卡；其中数据处理子***包括数据压缩模块、振动多统计特征提取模块、噪声多统计特征提取模块、深度学习模块、自适应岸桥状态评估模块。本***可以从岸桥的振动和噪声信号中获取丰富的状态信息，并且自适应地根据所在岸桥的特点对岸桥状态进行智能评估，然后通过云端中心将岸桥状态报告发送到用户的移动终端。该***具有较强的自适应能力，可以满足设备监测***智能化和定制化的需求，有利于港口机械装备向着自动化、智能化、无人化的方向发展。

Description

一种自适应的岸桥运行机构智能监测与状态评估***

技术领域

本发明属于机械设备状态监测与故障诊断技术领域，具体涉及一种自适应的岸桥运行机构智能监测与状态评估***。

背景技术

近年来，国内自动化码头发展迅猛，岸边集装箱起重机(岸桥)大量使用，但是岸桥结构复杂、载荷作用形式多样、运行条件复杂且恶劣，在运行过程中很容易出现各种故障，一旦出现故障，将会造成巨大的经济损失。目前岸桥主要靠人工巡检的方式做定期检查，由于岸桥结构复杂、巡检人员的水平不一致，很多时候都不能及时地发现潜在的安全隐患，另外岸桥采用对运行设备定期更换新零件的方式来确保岸桥状态健康，但是这些运行设备如减速箱、起升电机经常工作在连续的大载荷、大冲击、频繁的启停工况下，恶劣的工况导致零件加速失效，定期维护的这种方式无法适应这种情况。因此，对岸桥的运行机构开展有针对性的智能监测与状态评估显得十分必要。

经过检索查阅，没有用于岸桥运行机构的智能监测与状态评估***，而在现有的机械设备状态监测与故障诊断***中，存在以下问题：

1、采用传统信号处理方法作为机械设备故障诊断的工具，如小波、经验模态分解等方法，这些传统方法的特征指标设计需要人类专家的知识，设计过程费时费力，而且自适应能力差；

2、主要使用振动信号作为评价设备状态信息的数据源，数据模式单一，而多类型传感器可以获得多种模式数据，多种模式数据更有利于获得机械设备状态的不同模式信息。

本发明提出的自适应岸桥运行机构智能监测与状态评估***主要解决了以下问题：1、采用深度学习方法作为岸桥智能状态评估的工具，基于深度学习的智能状态监测方法摒弃了信号特征提取中的人工经验干预，实现岸桥机构状态特征的自适应智能评估；2、采用振动信号和噪声信号两种模式数据，对两种模式数据分别采用适合信号特点的不同特征指标，可以获取更加丰富的岸桥运行机构状态信息，使***具备更优良的鲁棒性和自适应性；3、自适应岸桥状态评估模块的使用会让***适应所在岸桥的特点，提升***的自适应能力，满足设备***“定制化”要求。

发明内容

针对上述问题，本发明提供了一种自适应岸桥运行机构智能监测与状态评估***，通过以下技术方案予以实现：

一种自适应岸桥运行机构智能监测与状态评估***，包括数据采集子***、数据处理子***、云端中心；所述数据采集子***包括传声器、振动加速度传感器和数据采集卡；所述数据处理子***也称之为上位机，包括数据压缩模块、噪声多统计特征提取模块、振动多统计特征提取模块、深度学习模块、自适应岸桥状态评估模块；所述云端中心包括人机交互模块、云端数据库和用户信息管理模块；所述数据采集子***与上位机之间通过网线进行连接；所述上位机与云端中心之间通过Internet的远程通讯技术相连接。

所述数据采集子***中的传声器安装在原岸桥驾驶室中，用来代替人耳采集驾驶室的声场信息，振动加速度传感器安装在岸桥机器房内的运行机构上，根据具体待测机构的实际结构和工作条件选择合理的测点位置，用来采集岸桥起升减速箱、起升电机的振动信号；传声器和振动加速度传感器与数据采集卡相连，数据采集卡把采集的模拟信号转换成数字信号，进行调理后发送到上位机中。

所述数据处理子***的数据压缩模块用来将数据采集卡采集到的噪声与振动数据、深度学习评估模块对于岸桥运行机构状态的评分以及自适应岸桥状态评估模块发送来的状态评估结果进行压缩并上传到云端中心保存。

所述数据处理子***的噪声多统计特征提取模块与振动多统计特征提取模块分别用来对数据采集卡发送来的噪声与振动数据进行特征提取，并将提取到的噪声与振动特征发送到深度学习模块；

所述的振动多统计特征提取模块对数据采集卡发送来的振动信号进行特征提取，并将提取的特征发送给深度学习模块。

优选的，振动多统计特征提取模块提取的特征包括：有效值、均值、标准差、振动烈度、峭度、偏态、峰值、裕度、脉冲指标、频率谱。

所述噪声多统计特征提取模块对数据采集卡发送来的噪声信号进行特征提取，并将提取的特征发送给深度学习模块。

优选的，所述的噪声多统计特征提取模块提取的特征包括：等效连续A声级(LAeq)、A计权声压级的均值(LAmean)、1/3倍频程特征频带声压级的值、累计百分声级L5。

所述数据处理子***中的深度学习评估模块分为噪声评估子模块、振动评估子模块和模型存储器；噪声评估子模块和振动评估子模块根据噪声多统计特征提取模块与振动多统计特征提取模块发送来的噪声与振动特征值给出岸桥噪声与振动的状态评分，并将噪声与振动两个状态评分发送到自适应岸桥状态评估模块；模型存储器是用来存储噪声和振动深度学习评估模型，这两个模型是使用某港口机械企业的岸桥大数据训练获得。

所述的深度学习振动评估主要分为模型训练与模型应用两个过程，模型训练是使用精选的无故障岸桥减速箱和起升电机数据(评分100)、有故障岸桥减速箱和起升电机数据(评分0)训练深度学习模型，深度学习模型学习这些数据获得对岸桥减速器、起升电机的评分估计能力；模型应用是使用训练好的模型对岸桥新测数据进行评估，得到岸桥减速箱、起升电机的状态评分。振动信号特征值评分越低，则表明信号处于正常状态的概率就越小，如果评分稳定说明机器处于一个稳定的状态。

所述的深度学习噪声评估与振动评估过程相似，同样分为模型训练与模型应用两个过程，模型训练是使用岸桥运行机构无故障时驾驶室声场数据(评分100)、岸桥运行机构有故障时驾驶室声场数据(评分0)训练深度学习模型，通过模型训练获得对岸桥驾驶室声场的评分估计能力，再使用训练好的模型对岸桥新数据进行评估，得到岸桥驾驶室声场的状态评分。岸桥噪声信号特征值评分越低，则表明信号处于正常状态的概率就越小，该模型从声场的角度评估岸桥运行机构的工作状态。

所述数据处理子***中的自适应岸桥状态评估模块用来自适应不同岸桥，接收深度学习模块发送来的振动与噪声评分，使用自适应状态评估算法给出***所在岸桥“定制”的分级别状态评估，此评估内容包括：岸桥总体状态评分、起升减速器状态评分、起升电机状态评分；此模块用来适应不同岸桥，针对每个岸桥给出适合此岸桥的总体状态评分、减速器状态评分、起升电机状态评分。根据自适应岸桥状态评估模块得到的状态评分，***将岸桥状态归为3个级别，分别为：设备健康(评分在70～100)、亚健康(评分在60～70)和不安全(评分低于60)。

所述的自适应岸桥状态评估算法，使用一个浅层神经网络(隐藏层只有一层)，在其训练过程中，会锁定深度学习评估模块中的模型使其不参与更新，只有自适应岸桥状态评估模块中的浅层神经网络会更新。

所述的自适应岸桥状态评估算法，其核心思想是在深度学习评估的基础之上对这些评分做微调，使微调后的数据更加符合所在岸桥的特点。

深度学习评估与自适应岸桥状态评估的最重要区别在于：深度学习评估是使用全部岸桥数据样本进行训练获得的模型，而自适应岸桥状态评估是使用***所在岸桥的数据进行训练获得的模型。例如有岸桥M台，深度学习评估是使用这M台岸桥数据进行训练；这M台岸桥上都装有自适应评估模块A～M，则岸桥A的自适应评估模块只使用岸桥A的数据训练；深度学习训练的是对所有岸桥故障知识的评估能力，自适应岸桥评估模块是依据深度学习模型学习到的岸桥状态知识，适应所安装岸桥的特点，给出适合所在自身特点的岸桥评估模型；自适应评估模块不具有故障学习的能力，只具有评分适应的能力。

云端中心用来存储上位机发送来的原始振动信号数据、噪声信号数据和自适应岸桥状态评估模块的评分，存储的数据作为历史数据通过人机交互模块将云端中心中的数据流用可视化的方法在用户的移动终端或PC端显示出来，更加直观地为用户展示复杂岸桥的状态。

所述云端中心的云端数据库用来存储上位机数据压缩模块发送来的噪声数据、振动数据以及深度学习评估模块对于岸桥运行机构状态评分、自适应岸桥状态评估模块对于岸桥总体状态评分、起升减速箱评分、起升电机评分；每台岸桥都有自己的ID识别号，解压的数据会根据ID识别号分别存储在独立的数据块中。

所述云端中心的人机交互模块可以用来查询显示云端中心的所有数据流，包括数据采集卡发送的振动与噪声数据以及深度学习评估模块对于岸桥运行机构状态评分、自适应岸桥状态评估模块对于岸桥的总评分、起升减速箱和起升电机状态评分。云端中心会根据自适应岸桥状态评估模块对每台岸桥状态的评分生成岸桥健康状态评估报告，通过人机交互模块发送到管理员和用户的移动终端或PC端；当分析结果提示设备状态达到亚健康时，将自动发布检修报告；当分析结果提示设备状态达到不安全时，将自动发布报警信息。

优选的，所述云端中心的用户信息管理模块将权限分为管理员权限和用户权限，拥有所述管理员权限的人员可以对所述岸桥状态的内容进行编辑和修改，可以给用户提出指导性的维修建议；拥有所述用户权限的人员只能查看岸桥实时状态，所述用户权限由所述管理员权限来分配。

本发明***的有益效果在于：

(1)基于深度学习的智能状态监测方法摒弃了信号特征提取中的人工经验干预，实现岸桥机构状态特征的自适应智能评估；

(2)本发明通过在岸桥原驾驶室中安装传声器获取声音信息，噪声信号与振动信号同时评估，弥补了常规机械设备状态评估中只使用单一的振动信号对于机械设备信息获取不足的缺点，使得评估结果更加准确；

(3)本发明设计了一种自适应岸桥状态评估模块与方法，可以对不同岸桥进行“定制”的服务，具备具体岸桥具体分析的能力，提高了***的自适应能力。

(4)本发明通过获取岸桥运行机构的噪声和振动信号，对岸桥运行机构进行智能监测与状态评估，云端中心根据评估结果向用户发送岸桥健康状态评估报告，使用户可以及时了解岸桥的运行状态，当岸桥运行状态处于不安全时，***会自动发布报警信息，提高了监测的效率，用户体验度高。

附图说明

图1为一种自适应岸桥运行机构智能监测与状态评估***的结构示意图。

图2为一种自适应岸桥运行机构智能监测与状态评估***的上位机数据流动示意图。

图3为一种自适应岸桥运行机构智能监测与状态评估***的实施流程图。

具体实施方式

为了使本技术领域的人员更好地理解本发明的方案，下面结合具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图对本发明做进一步的详细描述。

一种自适应岸桥运行机构智能监测与状态评估***，包括振动加速度传感器112、传声器122、信号采集卡200、上位机300、云端中心400、人机交互模块410，其结构示意图如图1所示；上位机300包括噪声多统计特征提取模块310、振动多统计特征提取模块320、深度学习评估模块330、自适应岸桥状态评估模块340、数据压缩模块350。

振动加速度传感器112分别安装在起升电机、减速箱的输入输出轴以及基座位置，具体安装位置如表1所示。

振动加速度传感器112选择PCB公司的608A11，属于高冲击振动传感器。

传声器122安装于驾驶室中，位于司机室司机座椅位置附近距离地面1米处，前后布置一个以部分抵消传声器指向性的影响，提高数据及评估的可靠性，利用传声器获取驾驶室的动态声压信号，模拟人的听觉感官。

传声器122选择PCB378B02自由场麦克风，属于电容式麦克风。

表1振动加速度传感器布置说明

信号采集卡200通过振动加速度传感器112、传声器122相连。本例选择4块NI 9234数据采集卡与cDAQ9184组成一个16通道的数据采集***，设定信号采集卡对于振动加速度传感器的采样频率为8192Hz，对于传声器的采样频率为25.6KHz。

信号采集卡200与上位机(工控机)300通过网线连接。

信号采集卡200将振动信号数据发送至上位机300中振动多统计特征提取模块320，将噪声信号数据发送至上位机300中噪声多统计特征提取模块310。

上位机300包括噪声多统计特征提取模块310、振动多统计特征提取模块320、深度学习评估模块330、自适应岸桥状态评估模块340、数据压缩模块350，这些模块都是软件形式安装在工控机上。各种模块的运行逻辑顺序是有一定的，运行逻辑顺序可以通过上位机300中数据流的流动示意如图2判定。

上位机300接收到发送来的数据，会将数据分别发送到噪声多统计特征提取模块310，振动多统计特征提取模块320，数据压缩模块350，这三个模块是并行处理数据的，这样可以加快数据的处理速度。

数据压缩模块350接收数据采集卡采集到的噪声与振动原始数据、深度学习评估模块对于岸桥运行机构状态的评分以及自适应岸桥状态评估模块发送来的状态评估结果，采用无损数据压缩方法进行压缩。

振动多统计特征提取模块320接收振动信号数据，会对数据进行多种不同振动统计特征提取的算法处理，具体计算的特征值为有效值(RMS)特征值、均值特征值、标准差特征值、振动烈度特征值、峭度特征值、偏态特征值和频谱特征，这些特征值可以反映信号的能量大小、平均能量水平、脉冲振动程度等特征。

振动多统计特征提取模块320每秒钟计算一次上述的特征值，并将计算结果发送到深度学习评估模块中振动评估子模块332。

噪声多统计特征提取模块310接收噪声信号数据，会对数据进行多种不同噪声特征提取的算法处理，具体处理如下：

(1)快速傅里叶变换，将时域的异常噪声信号转换成其相应的功率谱；

(2)计算LAeq的值，为等效连续A声级，体现一段时间内整体声能量；

其中：L_PA和T分别表示某时刻t的瞬时A声级(dB)和规定的测量时间(s)

(3)计算LAmean的值，为A计权声压级的均值，更好的反映人对高频噪声感觉灵敏、对低频噪声感觉迟钝的主观感觉；

其中：

—测量表面平均A声级，dB(A)(基准值为20μPa)N—测点总数；Lpi—第i点测得的A声级，dB(A)(基准值为20μPa)；KLi—第i点的背景噪声修正值，dB(A)；K2—环境修正值，dB(A)；K3—环境温度和气压修正值，dB(A)。

(4)计算1/3倍频程特征频带声压级的值，为频带内的声能量，关键在于选择特征频带，如：1KHz、2.5KHz、6.3KHz等；

(5)计算L5的值，为常用统计参数，Ln值，声压级峰值的另一种统计体现，L5是指在整个测量时间内或次数中出现时间或次数在5％以上的A声级；

噪声多统计特征提取模块310每分钟计算一次上述的特征值，并将计算结果发送到深度学习评估模块中噪声评估子模块311。

深度学习评估模块330分为振动评估子模块332和噪声评估子模块331。

振动评估子模块332分为模型训练与模型应用两个过程。

模型训练，主要是训练一个具有对所有岸桥都能进行状态评估能力的深度学习评估模块330；本实例中，从云端中心中选择新服役岸桥、非正常维护维修岸桥的振动数据，通过振动多统计特征提取模块320计算获得特征值，对计算获得的特征值加入训练标签：新服役岸桥状态评分为100，非正常维护维修岸桥状态评分为0；使用计算所得的具有训练标签的特征值训练深度学习评估模块330，获得具备对岸桥起升设备状态评估能力的模型，并将训练好的模型保存到模型存储器333中；模型训练是独立于整套***运行之外，***运行时只是调用存储在模型存储器333中训练好的模型来实时计算岸桥的状态；模型训练是一套***安装在岸桥上之前进行的，训练好的模型固化于深度学习模块330数据库中，任何岸桥上安装的深度学习评估模块330都是相同的。

模型应用，主要是对振动多统计特征提取模块320每秒钟发来的特征值，提取模型存储器333中训练好的振动评估深度学习模型对这些特征值进行评估，得到这一秒钟振动的评分；信号特征值评分越低，则表明信号处于正常状态的概率就越小，因此该模型可有效评估岸桥减速器、起升电机的状态。

噪声评估子模块331与振动评估子模块332的运行过程是相同的，只是噪声评估子模块331使用噪声数据训练模型，而在模型应用过程中，对噪声多统计特征提取模块发送的特征值是每分钟评估一次。

所述的深度学习评估模型使用1D卷积神经网络，该网络共有8层，其中前5层卷积层(Conv1-Conv5)，后三层为全连接层(FC1、FC2、FC3)；前五层为特征提取部分，后三层为回归模型。

深度学习评估模块330使用深度卷积神经网络模型，在计算完一次振动评分和噪声评分后，对将振动评分和噪声评分发送到自适应岸桥状态评估模块340。

自适应岸桥状态评估模块340，它适应不同岸桥、不同种类岸桥的特点，对这些不同岸桥进行“定制”的岸桥总体评分，起升机构评分，减速器状态评分，起升电机状态评分；云端中心接收自适应岸桥状态评估模块得到的状态评分后，根据评分对岸桥状态分级，当噪声和振动分析结果提示设备状态达到亚健康(评分在60～70分)，将向工作人员发布检修报告；当噪声和振动的分析结果提示设备状态达到不安全时(评分低于60)，***将自动发布报警信息。

自适应岸桥状态评估模块340分为模型训练与模型应用两个过程。模型训练是设备装入岸桥开始运行后第一个月，深度学习评估模块发送来的振动评分与噪声评分做为训练数据，人工知识的介入做为数据标签，训练自适应岸桥状态评估模型；模型应用是使用训练好的自适应岸桥状态评估模型对深度学习评估模块330发送来的振动评分与噪声评分进行评估，给出适合所在岸桥的总体评分，起升减速器评分，起升电机评分。

上述人工知识的介入是指噪声数据根据人类驾驶员对数据进行评分标注，振动数据根据振动数据分析专家进行标注。

云端中心400用来存储上位机数据压缩模块发送来的数据压缩包，并对数据压缩包进行解压获得噪声数据，振动数据，深度学习评估模块对于岸桥运行机构状态评分，自适应岸桥状态评估模块对于岸桥总体状态评分、起升减速箱评分、起升电机评分；每台岸桥都有自己的ID识别号，解压的数据会根据ID识别号分别存储在独立的数据块中；云端中心会根据每台岸桥的评分生成岸桥健康状态评估报告，通过人机交互模块410发送到用户的移动终端或PC端，当发现岸桥处于亚健康或不安全状态时，会向工作人员发送维修工单。

所述的人机交互模块410显示云端中心400中的所有数据流，包括数据采集卡发送的振动与噪声数据，振动多统计特征提取模块与噪声多统计特征提取模块计算获得的多种特征值，深度学习评估模块对于岸桥运行机构的状态评分，自适应岸桥状态评估模块对于所在岸桥的总评分、起升减速箱和起升电机状态评分，并可以将数据和评分发送到用户的PC端411和移动设备412。

由上述实施例可以看出，本发明是一种具有噪声与振动诊断技术的自适应岸桥运行机构智能监测与状态评估***；首先，采集能有效获取岸桥信息的振动与噪声信号，并使用多统计特征提取算法提取可以有效反映岸桥状态信息的特征值；然后引入深度学习算法，对提取的多种特征值进行评估；最后使用自适应岸桥评估算法对具体岸桥具体分析；通过该***，可以充分从岸桥的振动和噪声信号中获取丰富的状态信息，并且有效、智能的学习这些状态信息，从而“定制化”的实现具体岸桥具体分析的能力，这样能有效减少***的误判率，精准掌握岸桥的状态信息，有利于港口机械装备向着自动化、智能化、无人化的方向发展，具有很好的推广使用价值。

Claims (13)

1.一种自适应岸桥运行机构智能监测与状态评估***，其特征在于：所述***包括数据采集子***、数据处理子***、云端中心；

所述数据采集子***包括传声器、加速度传感器和数据采集卡；所述数据处理子***也称之为上位机，包括数据压缩模块、噪声多统计特征提取模块、振动多统计特征提取模块、深度学习模块、自适应岸桥状态评估模块；所述云端中心包括人机交互模块、云端数据库和用户信息管理模块。

2.根据权利要求1所述一种自适应岸桥运行机构智能监测与状态评估***，其特征在于：

所述数据采集子***中的传声器和振动加速度传感器与数据采集卡相连，数据采集卡把采集的模拟信号转换成数字信号，进行调理后发送到上位机中。

3.根据权利要求1所述一种自适应岸桥运行机构智能监测与状态评估***，其特征在于：

所述数据处理子***中的数据压缩模块用来将数据采集卡采集到的噪声与振动数据、深度学习评估模块对于岸桥运行机构状态的评分以及自适应岸桥状态评估模块发送来的状态评估结果进行无损压缩并上传到云端中心保存。

4.根据权利要求1所述一种自适应岸桥运行机构智能监测与状态评估***，其特征在于：

所述数据处理子***中的噪声多统计特征提取模块与振动多统计特征提取模块分别用来对数据采集卡发送来的噪声与振动数据进行特征提取，并将提取到的噪声与振动特征发送到深度学习模块。

5.据权利要求4所述一种自适应岸桥运行机构智能监测与状态评估***，其特征在于：

所述的振动多统计特征提取模块、噪声多统计特征提取模块分别对数据采集卡发送来的振动信号和噪声信号进行特征提取，并将提取的特征发送给深度学习模块。

6.根据权利要求1所述一种自适应岸桥运行机构智能监测与状态评估***，其特征在于：

所述数据处理子***中的深度学习评估模块分为噪声评估子模块、振动评估子模块和模型存储器；噪声评估子模块和振动评估子模块根据噪声多统计特征提取模块与振动多统计特征提取模块发送来的噪声与振动特征值给出岸桥噪声与振动的状态评分，并将噪声与振动两个状态评分发送到自适应岸桥状态评估模块；模型存储器是用来存储噪声和振动深度学习评估模型。

7.根据权利要求6所述一种自适应岸桥运行机构智能监测与状态评估***，其特征在于：

所述的深度学习振动评估主要分为模型训练与模型应用两个过程，深度学习模型学习这些数据获得对岸桥减速器、起升电机的评分估计能力；模型应用是使用训练好的模型对岸桥新测数据进行评估，得到岸桥减速箱、起升电机的状态评分。

8.根据权利要求6所述一种自适应岸桥运行机构智能监测与状态评估***，其特征在于：

所述的深度学习噪声评估与振动评估过程相似，同样分为模型训练与模型应用两个过程，通过模型训练获得对岸桥驾驶室声场的评分估计能力，再使用训练好的模型对岸桥新数据进行评估，得到岸桥驾驶室声场的状态评分。

9.根据权利要求1所述一种自适应岸桥运行机构智能监测与状态评估***，其特征在于：

所述数据处理子***中的自适应岸桥状态评估模块用来自适应不同岸桥，接收深度学习模块发送来的振动与噪声评分，使用自适应状态评估算法给出***所在岸桥“定制”的分级别状态评估，针对每个岸桥给出适合此岸桥的总体状态评分、减速器状态评分、起升电机状态评分。

10.根据权利要求1所述一种自适应岸桥运行机构智能监测与状态评估***，其特征在于：

所述云端中心用来存储上位机发送来的原始振动信号数据、噪声信号数据和自适应岸桥状态评估模块的评分，存储的数据作为历史数据通过人机交互模块将云端中心中的数据流用可视化的方法在用户的移动终端或PC端显示出来，更加直观地为用户展示复杂岸桥的状态。

11.根据权利要求1所述一种自适应岸桥运行机构智能监测与状态评估***，其特征在于：

所述云端中心的云端数据库用来存储上位机数据压缩模块发送来的噪声数据、振动数据以及深度学习评估模块对于岸桥运行机构状态评分、自适应岸桥状态评估模块对于岸桥总体状态评分、起升减速箱评分、起升电机评分；每台岸桥都有自己的ID识别号，解压的数据会根据ID识别号分别存储在独立的数据块中。

12.根据权利要求1所述一种自适应岸桥运行机构智能监测与状态评估***，其特征在于：

所述云端中心的人机交互模块可以用来查询显示云端中心的所有数据流，云端中心会根据每台岸桥的评分生成岸桥健康状态评估报告，通过人机交互模块发送到用户的移动终端或PC端。

13.根据权利要求1所述一种自适应岸桥运行机构智能监测与状态评估***，其特征在于：

所述云端中心的用户信息管理模块将权限分为管理员权限和用户权限，拥有所述管理员权限的人员可以对所述岸桥状态的内容进行编辑和修改；拥有所述用户权限的人员只能查看岸桥实时状态，所述用户权限由所述管理员权限来分配。

Images