基于工业大数据及工业物联网的防摇起重机

摘要

本发明涉及起重机技术领域，具体涉及一种基于工业大数据及工业物联网的防摇起重机，获取在同一运输路径下，起重机至少两次运输过程对应的启动数据集和运输数据集，启动数据集包括启动时间、货物重量和启动摆幅角度，运输数据集包括运输速度序列以及电机功率序列，对各启动数据集进行聚类，得到至少两个组，获取各组的起重机运行状态置信度，进而获取起重机目标速度，以运输速度序列以及电机功率序列中前预设时间段的数据作为输入，以起重机目标速度作为输出训练速度预测网络，根据速度预测网络得到起重机的实际目标速度，根据实际目标速度对起重机进行控制，不但能够提升吊运效率，改善摆动情况，提升吊运安全性，而且，防摇摆作用效果较好。

权利要求

1.一种基于工业大数据及工业物联网的防摇起重机，包括起重机本体和起重机控制器，所述起重机控制器用于控制所述起重机本体，其特征在于，所述起重机控制器用于执行如下起重机控制方法：获取在同一运输路径下，起重机至少两次运输过程对应的启动数据集和运输数据集，所述启动数据集包括启动时间、货物重量和启动摆幅角度；所述运输数据集包括起重机启动阶段结束后的运输速度序列以及电机功率序列；

对各启动数据集进行聚类，得到至少两个组；对于任意一个分组，获取该组内各次运输过程的运输速度序列的速度波动指标，然后获取该组内的异常速度波动指标，根据该组内的异常速度波动指标的数量以及该组内的速度波动指标的总数量，得到该组的起重机运行状态置信度；根据该组的起重机运行状态置信度，以及预设的起重机上限运行速度和起重机下限运行速度，获取起重机目标速度；

以所述运输速度序列以及电机功率序列中前预设时间段的数据作为输入，以对应的起重机目标速度作为输出训练速度预测网络，根据训练完成的速度预测网络得到起重机的实际目标速度，根据所述实际目标速度对起重机进行控制；

所述速度波动指标的获取过程，包括：

获取运输速度序列的标准差；

获取运输速度序列中的速度最大值和速度最小值，并计算所述速度最大值和速度最小值的速度比值；

将所述标准差和所述速度比值相乘，得到所述速度波动指标；

所述获取该组内的异常速度波动指标，包括：

基于该组内的两两运输过程的启动数据集和运输速度序列的差异情况，得到两两运输过程的之间的差异距离；

基于所述差异距离，采用如下计算公式计算各速度波动指标的第k距离邻域内的第k可达距离：其中，Q表示速度波动指标Q，M表示速度波动指标M， 表示速度波动指标M的第k距离邻域， 表示速度波动指标Q的第k距离， 表示速度波动指标Q和速度波动指标M之间的差异距离， 表示速度波动指标Q到速度波动指标M的第k可达距离，max（）表示取最大值；

基于第k可达距离，采用如下计算公式计算各速度波动指标的第k局部可达密度：其中， 表示速度波动指标M的第k局部可达密度；

采用如下计算公式计算各速度波动指标的第k局部离群因子：

其中， 为速度波动指标M的第k局部离群因子， 表示速度波动指标Q的第k局部可达密度；

比较各速度波动指标的第k局部离群因子与预设的局部离群因子阈值，将大于所述局部离群因子阈值的第k局部离群因子对应的速度波动指标确定为异常速度波动指标；

所述基于该组内的两两运输过程的启动数据集和运输速度序列的差异情况，得到两两运输过程的之间的差异距离，包括：差异距离的计算公式如下：

其中， 为差异距离， 为运输过程A对应的速度波动指标， 为运输过程B对应的速度波动指标， 为运输过程A的启动数据集， 为运输过程B的启动数据集，表示 和 的相似度。

2.根据权利要求1所述的基于工业大数据及工业物联网的防摇起重机，其特征在于，所述对各启动数据集进行聚类，得到至少两个组，包括：采用K‑medoids聚类算法对各启动数据集进行聚类，得到至少两个组。

3.根据权利要求1所述的基于工业大数据及工业物联网的防摇起重机，其特征在于，所述根据该组内的异常速度波动指标的数量以及该组内的速度波动指标的总数量，得到该组的起重机运行状态置信度，包括：计算速度波动指标的总数量与异常速度波动指标的数量的差值，得到正常速度波动指标的数量，计算所述正常速度波动指标的数量与速度波动指标的总数量的比值，得到该组的起重机运行状态置信度。

4.根据权利要求1所述的基于工业大数据及工业物联网的防摇起重机，其特征在于，所述根据该组的起重机运行状态置信度，以及预设的起重机上限运行速度和起重机下限运行速度，获取起重机目标速度，包括：根据如下计算公式计算起重机目标速度：

V目标=V上限*α+ V下限*（1‑α）

其中，V目标为起重机目标速度，V上限为起重机上限运行速度，V下限为起重机下限运行速度，α为起重机运行状态置信度。

5.根据权利要求1所述的基于工业大数据及工业物联网的防摇起重机，其特征在于，所述速度预测网络为RNN循环神经网络。

6.根据权利要求1所述的基于工业大数据及工业物联网的防摇起重机，其特征在于，所述根据训练完成的速度预测网络得到起重机的实际目标速度，包括：获取起重机实际的运输速度序列以及电机功率序列中前预设时间段的数据，输入至所述训练完成的速度预测网络，得到起重机的实际目标速度。

说明书

基于工业大数据及工业物联网的防摇起重机

技术领域

[0001] 本发明涉及起重机技术领域，具体涉及一种基于工业大数据及工业物联网的防摇起重机。

背景技术

[0002] 防摇起重机是一种应用十分广泛的工业起重吊运装备，其核心机构由四部分组成：大车轨道、大车纵移机构、小车横移机构、提升机构。其中提升机构直接驱动货物作升降运动，提升机构固定在小车横移机构上，小车横移机构相对大车纵移机构横向移动，大车纵移机构沿桥架纵向移动。在作业过程中负载提升运动与小车的横向移动和大车的纵向移动共同作用，从而使得桥式起重机作业空间范围构成一个三维的空间。

[0003] 起重机在作业中采用缆绳吊运货物，货物伸展方向与起重机小车大车运动平面呈大角度相交。由于在吊运过程中会伴随着货物的加速与减速，由于加减速过程的存在，起重机势必会存在摆动问题，这种摆动在起重机的启动和制动过程中较为明显，影响了吊运效率的提升，以及吊运的稳定性和安全性。现有的防止起重机摇摆的方式为在起重机中安装防摇摆装置，但是，防摇摆装置安装好之后，若起重机的运行状态不同，比如启动阶段的运行状态不同，或者运输速度波动程度不同，但是防摇摆装置的防摇摆程度均固定不变，无法针对起重机的实际运行情况进行防摇摆调节和控制，防摇摆作用效果不佳。

发明内容

[0004] 有鉴于此，为了解决现有的起重机防摇摆方式的防摇摆作用效果不佳的技术问题，本发明提供一种基于工业大数据及工业物联网的防摇起重机。

[0005] 所采用的技术方案具体如下：

[0006] 一种基于工业大数据及工业物联网的防摇起重机，包括起重机本体和起重机控制器，所述起重机控制器用于控制所述起重机本体，所述起重机控制器用于执行如下起重机控制方法：

[0007] 获取在同一运输路径下，起重机至少两次运输过程对应的启动数据集和运输数据集，所述启动数据集包括启动时间、货物重量和启动摆幅角度；所述运输数据集包括起重机启动阶段结束后的运输速度序列以及电机功率序列；

[0008] 对各启动数据集进行聚类，得到至少两个组；对于任意一个分组，获取该组内各次运输过程的运输速度序列的速度波动指标，然后获取该组内的异常速度波动指标，根据该组内的异常速度波动指标的数量以及该组内的速度波动指标的总数量，得到该组的起重机运行状态置信度；根据该组的起重机运行状态置信度，以及预设的起重机上限运行速度和起重机下限运行速度，获取起重机目标速度；

[0009] 以所述运输速度序列以及电机功率序列中前预设时间段的数据作为输入，以对应的起重机目标速度作为输出训练速度预测网络，根据训练完成的速度预测网络得到起重机的实际目标速度，根据所述实际目标速度对起重机进行控制。

[0010] 可选地，所述对各启动数据集进行聚类，得到至少两个组，包括：

[0011] 采用K‑medoids聚类算法对各启动数据集进行聚类，得到至少两个组。

[0012] 可选地，所述速度波动指标的获取过程，包括：

[0013] 获取运输速度序列的标准差；

[0014] 获取运输速度序列中的速度最大值和速度最小值，并计算所述速度最大值和速度最小值的速度比值；

[0015] 将所述标准差和所述速度比值相乘，得到所述速度波动指标。

[0016] 可选地，所述获取该组内的异常速度波动指标，包括：

[0017] 基于该组内的两两运输过程的启动数据集和运输速度序列的差异情况，得到两两运输过程的之间的差异距离；

[0018] 基于所述差异距离，采用如下计算公式计算各速度波动指标的第k距离邻域内的第k可达距离：

[0019]

[0020] 其中，Q表示速度波动指标Q，M表示速度波动指标M， 表示速度波动指标M的第k距离邻域， 表示速度波动指标Q的第k距离， 表示速度波动指标Q和速度波动指标M之间的差异距离， 表示速度波动指标Q到速度波动指标M的第k可
达距离，max（）表示取最大值；

[0021] 基于第k可达距离，采用如下计算公式计算各速度波动指标的第k局部可达密度：

[0022]

[0023] 其中， 表示速度波动指标M的第k局部可达密度；

[0024] 采用如下计算公式计算各速度波动指标的第k局部离群因子：

[0025]

[0026] 其中， 为速度波动指标M的第k局部离群因子， 表示速度波动指标Q的第k局部可达密度；

[0027] 比较各速度波动指标的第k局部离群因子与预设的局部离群因子阈值，将大于所述局部离群因子阈值的第k局部离群因子对应的速度波动指标确定为异常速度波动指标。

[0028] 可选地，所述基于该组内的两两运输过程的启动数据集和运输速度序列的差异情况，得到两两运输过程的之间的差异距离，包括：

[0029] 差异距离的计算公式如下：

[0030]

[0031] 其中， 为差异距离， 为运输过程A对应的速度波动指标， 为运输过程B对应的速度波动指标， 为运输过程A的启动数据集， 为运输过程B的启动数据集，表示 和 的相似度。

[0032] 可选地，所述根据该组内的异常速度波动指标的数量以及该组内的速度波动指标的总数量，得到该组的起重机运行状态置信度，包括：

[0033] 计算速度波动指标的总数量与异常速度波动指标的数量的差值，得到正常速度波动指标的数量，计算所述正常速度波动指标的数量与速度波动指标的总数量的比值，得到该组的起重机运行状态置信度。

[0034] 可选地，所述根据该组的起重机运行状态置信度，以及预设的起重机上限运行速度和起重机下限运行速度，获取起重机目标速度，包括：

[0035] 根据如下计算公式计算起重机目标速度：

[0036] V目标=V上限*α+ V下限*（1‑α）

[0037] 其中，V目标为起重机目标速度，V上限为起重机上限运行速度，V下限为起重机下限运行速度，α为起重机运行状态置信度。

[0038] 可选地，所述速度预测网络为RNN循环神经网络。

[0039] 可选地，所述根据训练完成的速度预测网络得到起重机的实际目标速度，包括：

[0040] 获取起重机实际的运输速度序列以及电机功率序列中前预设时间段的数据，输入至所述训练完成的速度预测网络，得到起重机的实际目标速度。

[0041] 本发明实施例至少具有如下有益效果：获取在同一运输路径下，起重机至少两次运输过程对应的启动数据集和运输数据集，其中，启动数据集包括启动时间、货物重量和启动摆幅角度，运输数据集包括起重机启动阶段结束后的运输速度序列以及电机功率序列，由于启动阶段影响起重机的运输状态，因此，对不同情况下的启动数据集进行聚类，根据各自对应的启动状态将较为相似的分入至一个组内，各组中对应的起重机启动状态比较类似，以各组为处理对象进行后续处理，能够提升后续速度调整的准确性；对于任意一个分组，获取该组内各次运输过程的运输速度序列的速度波动指标，速度波动指标反映对应运输过程中的速度波动程度，结合波动情况获取该组内的异常速度波动指标，根据该组内的异常速度波动指标的数量以及该组内的速度波动指标的总数量，得到该组的起重机运行状态置信度，根据起重机运行状态置信度以及预设的起重机上限运行速度和起重机下限运行速度，获取起重机目标速度，那么，得到的起重机目标速度与起重机运行状态置信度密切相关，即与对应组内的异常速度波动情况密切相关，也就与对应的起重机运行状态密切相关，因此，不同给的起重机运行状态均对应有不同的起重机目标速度，相应地，根据不同的运输状态对应的运输速度序列、电机功率序列以及得到的起重机目标速度训练网络，就能够根据训练得到的网络得到起重机实际目标速度，根据实际目标速度对起重机进行控制，不但能够提升吊运效率，改善摆动情况，提升吊运安全性和稳定性，而且，得到的实际目标速度与起重机的运行状态密切相关，就能够实现不同的运行状态对应输出不同的目标速度，针对起重机的实际运行情况进行防摇摆调节和控制，在对应的目标速度下能够大幅度降低起重机的摆动幅度，防摇摆作用效果较好。而且，本发明提供的起重机可以通过对工业大数据进行分析和处理，提高操作的可靠性和体验。

附图说明

[0042] 图1是本发明提供的一种基于工业大数据及工业物联网的防摇起重机中起重机控制器对应的起重机控制方法的流程图。

具体实施方式

[0043] 本实施例提供一种基于工业大数据及工业物联网的防摇起重机，整体上包括两大部分，分别是起重机本体和起重机控制器。其中，起重机本体为起重机的机械硬件结构，比如常规的桥式起重机，具体为桥式防摇起重机装备，包括大车轨道、大车纵移机构、小车横移机构和提升机构。由于起重机本体为常规起重机设备，目前应用十分广泛，本实施例不再详述具体结构。起重机控制器用于控制起重机本体，起重机控制器可以配置为硬件控制系统，包括相关的数据获取设备以及数据处理设备，数据获取设备用于获取相关的数据信息，数据处理设备用于根据数据获取设备获取到的数据信息进行数据处理，以控制起重机本体；也可以配置为软件系统，内置有对应的起重机控制方法。本实施例中，起重机控制器核心在于配置的起重机控制方法，能够执行起重机控制方法。

[0044] 需要说明的是，本实施例提供一种基于工业大数据及工业物联网的防摇起重机的应用场景为固定的、预先设置好的运输路径，即不管各次运输的货物重量是否相同，起重机每次搬运的货物运输路径均相同，即搬运起始位置、终点位置、运输行走路线、以及大车纵移机构、小车横移机构、提升机构等动作方式完全一样。也就是说，起重机对于各次运输过程的动作完全一样。而且，作为一种更优的实施方式，本发明的应用场景在上述基础上，在运输过程中还可以根据实际需要，设置不存在速度急剧变化以及速度为0（即速度停止）的更优场景。

[0045] 本实施例中，需要对起重机多次（即至少两次）的运输过程对应的数据进行处理，基于上文，各次运输过程都是在相同的运输路径下进行的。对于任意一个运输过程，依次包括启动阶段和正常运输阶段。启动阶段为起重机开始搬运到运输速度到预设速度之间的阶段，正常运输阶段为启动阶段之后的运输阶段，即运输速度到达预设速度之后的阶段。

[0046] 如图1所示，起重机控制器执行的起重机控制方法包括如下步骤：

[0047] 步骤S1：获取在同一运输路径下，起重机至少两次运输过程对应的启动数据集和运输数据集，所述启动数据集包括启动时间、货物重量和启动摆幅角度；所述运输数据集包括起重机启动阶段结束后的运输速度序列以及电机功率序列：

[0048] 获取在同一运输路径下，起重机至少两次运输过程对应的启动数据集和运输数据集，启动数据集包括启动时间、货物重量和启动摆幅角度。也即，获取每次运输过程对应的启动数据集。启动时间为起重机的启动所用的时间，作为一个具体实施方式，启动时间为起重机启动阶段的时间，即开始搬运的启动时刻与正常开始运输之间的时间段，其中正常开始运输时刻为运输速度到达预设速度时的时刻，预设速度可以为8m/min。因此，启动时间为开始搬运到运输速度到达8m/min之间的时间。应当理解，启动时间可以由计时器检测得到。货物重量为所搬运的货物的重量，可以在搬运之前由工作人员人工检测得到，或者由提升机构上的重量传感器检测得到。由于起重机在启动阶段，吊具会发生一定的摇晃，通过在起重机吊具上的角度传感器，或者倾角传感器检测得到，用于检测吊具与铅垂线之间的夹角，获取起重机吊具的实时偏移角度，作为一个具体实施方式，由于传感器在启动阶段可以检测到多个角度，本实施例定义启动阶段中最大的偏移角度为启动摆幅角度，或者定义启动阶段中前10%最大的偏移角度的均值为启动摆幅角度。

[0049] 因此，每一个运输过程均得到一个启动数据集，启动数据集包括一个启动时间、货物重量和启动摆幅角度。设定第x次运输过程的启动时间为 ，货物重量为 ，启动摆幅角度为 。那么，第x次运输过程的启动数据集记为： 。

[0050] 运输数据集包括起重机启动阶段结束后的运输速度序列以及电机功率序列。运输速度序列为起重机启动阶段结束后的速度序列，即正常运输阶段的运输速度序列。本实施例中，速度可以由速度传感器检测得到，由于起重机运输由运输电机驱动（运输电机为驱动起重机运输作业的电机，为起重机的动作核心设备），因此运输速度本质上为运输电机的转速，通过电机转速传感器检测得到。速度传感器根据预设的采样周期检测到多个速度，采集频率可以为1hz，得到一个关于时间的运输速度序列 ，代表不同的采样周期，代表第x次运输过程,  代表第x次运输过程中的第个采样周期的运输速度。

[0051] 同理，电机功率序列为起重机启动阶段结束后的电机功率序列，即正常运输阶段的电机功率序列。电机功率可以为常规的电机输出功率，也可以为电机X‑Y轴功率和。电机功率可以通过常规的电机功率检测方式检测得到。本实施例中，电机功率与上述运输速度的采样周期和采样时刻相同，相应地，得到一个关于功率的电机功率序列，代表不同的采样周期，代表第x次运输过程,  代表第x次运
输过程中的第 个采样周期的电机功率。根据运输速度序列和电机功率序列表征起重机起吊后开始运动时的内部防摇控制过程。

[0052] 步骤S2：对各启动数据集进行聚类，得到至少两个组；对于任意一个分组，获取该组内各次运输过程的运输速度序列的速度波动指标，然后获取该组内的异常速度波动指标，根据该组内的异常速度波动指标的数量以及该组内的速度波动指标的总数量，得到该组的起重机运行状态置信度；根据该组的起重机运行状态置信度，以及预设的起重机上限运行速度和起重机下限运行速度，获取起重机目标速度：

[0053] 由于起重机运行工作开始时受到多种因素的制约，并且为保证聚类的情况包含大多数的情况，需要对各次运输过程的启动数据集进行聚类，使其在同组内的起重机的运行工况及工作场景相似，再进行之后的分析。那么，对各启动数据集进行聚类，得到至少两个组，作为一个具体实施方式，采用K‑medoids聚类算法对各启动数据集进行聚类，得到至少两个组。K‑medoids聚类算法为现有算法，如下给出介绍：

[0054] 计算两两启动数据集之间的相似度，可以采用如下计算公式进行计算：

[0055]

[0056] 其中，A，B表示两个不同的运输过程， 为运输过程A的启动数据集， 为运输过程B的启动数据集。e为自然常数。DTW为动态时间规整距离，当两个变量序列的数值越接近，变化情况越相似，此DTW的值越接近0；当变化情况差距越大时，DTW的数值越靠近正无穷，因此起重机工作场景以及工况越接近，此DTW越接近0。

[0057] 基于自然常数e，使得L的值域为（0，1]，当两次起重机的工作场景以及工况越近似，此时L值越接近1，反之越接近0。

[0058] 计算相关距离，计算公式为： ，此相关距离越大，则意味着起重机的使用场景以及工况差距越大，当数值趋于0时，意味着起重机的使用场景以及工况都比较接近，求出此相关距离的目的是使用K‑medoids聚类算法对群组基于使用工况以及场景情况进行划组。

[0059] 使用K‑medoids聚类算法对起重机多次启动情况进行分组：本实施例使用K‑medoids聚类算法的原因是K‑means算法对异常值非常敏感，具有极大值的对象可能会产生严重扭曲的数据分布，因此使用K‑medoids聚类算法，此算法是集群中位于最中心的对象，而不是将集群中的平均值作为参考点，分区的方法基于最小化每个对象与其参考点之间的不相似程度之和的原理进行。对于任意一个样本，随机选择k个数据样本作为参考点（质点），此数据样本即为上述所求的起重机两次启动的相关序列之间的相关距离D。重复地将剩下的样本点分配到K个簇类当中。选择一个非质点样本，计算交换对象和参考点，重复上一步的操作，产生新的一组簇类，计算目标函数U，当U小于0则将交换对象和参考点进行交换，保留新的簇类，否则保留原中心点和聚类。重复此步骤直到k个中心点不再变化。具体计算公式属公知技术，不再赘述。本实施例中将其分为5组，即K=5，认为此5组涵盖了起重机启动过程绝大部分的工况以及使用场景。由于K‑medoids聚类算法是目前较为常见的聚类算法，本实施例不再详述该算法的实现过程。

[0060] 作为其他的实施方式，还可采用其他现有的聚类算法进行聚类分组，比如K‑means聚类算法。

[0061] 对于任意一个分组，获取该组内各次运输过程的运输速度序列的速度波动指标，作为一个具体实施方式，先获取运输速度序列的标准差（即运输速度序列中各速度的标准差）；然后获取运输速度序列中的速度最大值和速度最小值，并计算速度最大值和速度最小值的速度比值；最后，将标准差和速度比值相乘，得到速度波动指标，计算公式如下：

[0062]

[0063] 其中， 为速度波动指标，含义为起重机的运输速度的标准差和最大值与最小值比的乘积，标准差反映在一定的时间内相关速度的波动情况，最大值与最小值之比反映相关速度的波动范围。因此，综合标准差和最大值与最小值之比能够得到较为准确的速度波动情况。

[0064] 因此，该组内，每一个运输速度序列均得到一个速度波动指标 。应当理解，为了后续计算需要，得到速度波动指标之后，可以对各速度波动指标归一化，后续公式中用到的速度波动指标均是归一化后的数值。

[0065] 通过得到的 可以得到在运输中的速度波动情况，根据在防摇起重机运输过程中速度的波动情况有的是在防摇系统可控范围内或操作员对其运输的货物有操作经验可以通过防摇系统进行控制，有的波动情况频繁说明操作员在操作时遇到运输的货物没经验的情况反复调整速度。

[0066] 然后获取该组内的异常速度波动指标，也即，对该组内的多个速度波动指标进行异常检测，得到异常速度波动指标。现有技术中有很多异常值检测算法，比如：常规的LOF算法、改进的LOF算法以及DBSCAN聚类算法。作为一个具体实施方式，使用改进的LOF算法对该组内的起重机运行情况进行分析，此算法能够基于Q的差异断定操作样本是否是偏向个例的情况。具体过程如下：

[0067] 基于该组内的两两运输过程的启动数据集和运输速度序列的差异情况，得到两两运输过程的之间的差异距离，计算公式如下：

[0068]

[0069] 其中， 为运输过程A对应的速度波动指标， 为运输过程B对应的速度波动指标， 表示运输过程A和运输过程B对应的速度波动指标的差异，差异越小，表示运输过程A和运输过程B对应的速度波动指标越相似； 表示 和 的相似度，表示 和 的差异，相似度越高，对应的差异越小。由于 表示运输
过程A和运输过程B的差异程度，差异距离越大，差异程度越大，因此， 和
均与差异距离 呈正比。由于运输过程包括启动阶段和正常运输阶
段，因此，结合启动阶段和正常运输阶段的数据，即启动数据集和运输速度序列确定两个运输过程的之间的差异距离，能够全面、准确地获取到这两个运输过程的之间的差异距离。作为其他的实施方式，在满足差异距离与启动数据集和运输速度序列的差异情况的逻辑关系的基础上，还可以采用其他的计算方式得到差异距离，比如： 和 的和
值或者加权和值作为差异距离。

[0070] 基于差异距离，计算各速度波动指标的第k距离邻域内的第k可达距离，以M为中心，计算公式如下：

[0071]

[0072] 其中，Q表示速度波动指标Q，M表示速度波动指标M， 表示速度波动指标M的第k距离邻域， 表示速度波动指标Q的第k距离， 表示速度波动指标Q和速度波动指标M之间的差异距离， 表示速度波动指标Q到速度波动指标M的第k可
达距离，max（）表示取最大值。

[0073] 基于第k可达距离，计算各速度波动指标的第k局部可达密度，计算公式如下：

[0074]

[0075] 其中， 表示速度波动指标M的第k局部可达密度，即速度波动指标M的第k距离邻域内的所有速度波动指标到速度波动指标M的平均第k可达距离的倒数，表征了速度波动指标M的密度情况，当速度波动指标M与周围速度波动指标密集度越高，各速度波动指标的可达距离越可能是较小的各自的第k距离，此时lrd值越大；当速度波动指标M与周围速度波动指标的密集度越低，各速度波动指标的可达距离越可能是较大的两速度波动指标之间的实际距离，此时lrd值越小。

[0076] 计算各速度波动指标的第k局部离群因子：

[0077]

[0078] 其中， 表示速度波动指标Q的第k局部可达密度。 为速度波动指标M的第k局部离群因子，是速度波动指标M 的邻域 内其它速度波动指标的局部可达密度与速度波动指标M的局部可达密度之比的平均值。如果离群因子小于或等于1，意味着速度波动指标M的密度和其邻域速度波动指标密度差不多，M可能和邻域同属一簇；如果离群因子大于1，则速度波动指标M可能是异常速度波动指标。

[0079] 至此可以得到各速度波动指标对应的第k局部离群因子，本实施例预设一个局部离群因子阈值，由实际需要进行设置，本实施例以1.5为例。那么，比较各速度波动指标的第k局部离群因子与预设的局部离群因子阈值。如果第k局部离群因子大于局部离群因子阈值，则将其判断为和同组内的运行情况不一样，即将大于局部离群因子阈值的第k局部离群因子对应的速度波动指标确定为异常速度波动指标。至此得到该组内的异常速度波动指标的数量以及该组内的速度波动指标的总数量。

[0080] 根据该组内的异常速度波动指标的数量以及该组内的速度波动指标的总数量，得到该组的起重机运行状态置信度。作为一个具体实施方式，计算该组内的速度波动指标的总数量与异常速度波动指标的数量的差值，得到正常速度波动指标的数量，计算正常速度波动指标的数量与速度波动指标的总数量的比值，得到该组的起重机运行状态置信度α。因此，起重机运行状态置信度α越高，表示正常速度波动指标的占比越高，对应的组的速度波动情况越好。

[0081] 根据该组的起重机运行状态置信度α，以及预设的起重机上限运行速度V上限和起重机下限运行速度V下限，获取起重机目标速度。起重机上限运行速度V上限大于起重机下限运行速度V下限。本实施例中，起重机上限运行速度V上限为起重机满足安全运行条件下的上限速度，由实际需要，比如操作人员根据现场安全要求进行设定；同理，起重机下限运行速度V下限为起重机满足安全运行条件下的下限速度，由实际需要，比如操作人员根据现场安全要求进行设定。由于起重机运行状态置信度α越高，表示正常速度波动指标的占比越高，对应的组的速度波动情况越好，就可以设置较高的运输速度，因此起重机运行状态置信度α与计算起重机目标速度V目标整体上呈正相关关系。基于该原则，根据如下计算公式计算起重机目标速度V目标：

[0082] V目标=V上限*α+ V下限*（1‑α）

[0083] 通过上述计算公式，当起重机运行状态置信度α越高时，1‑α越小，V上限的占比越大，对应的，V上限*α越大，而V下限的占比越小，对应的，V下限*（1‑α）越小，由于起重机上限运行速度V上限大于起重机下限运行速度V下限，则起重机目标速度V目标越大；同理，当起重机运行状态置信度α越小时，起重机目标速度V目标越小。因此，结合预设的起重机上限运行速度V上限和起重机下限运行速度V下限，根据起重机运行状态置信度α获取到与实际运行状态相关联的起重机目标速度V目标，得到的速度与起重机实际运行状态密切相关，准确性高。作为其他的实施方式，在满足起重机目标速度V目标与起重机运行状态置信度α、预设的起重机上限运行速度V上限和起重机下限运行速度V下限的逻辑关系的基础上，还可以采用其他的计算方式计算起重机目标速度V目标。

[0084] 根据上述公式可以理解：起重机运行状态置信度α对应的情况为正常速度波动情况，而1‑α对应的情况为异常速度波动情况。

[0085] 因此，每一个分组均对应一个起重机运行状态置信度α，即对应一个起重机目标速度V目标。由于每一个分组中包括多个速度波动指标 ，每一个速度波动指标 均对应有运输速度序列，而运输速度序列与电机功率序列一一对应，因此，可以理解为：每一个运输速度序列和电机功率序列均对应有起重机目标速度V目标，属于同一个分组的各运输速度序列和电机功率序列对应的起重机目标速度V目标相同。

[0086] 另外，当操作员有足够多次先例时，起重机运行状态置信度α基于数据的影响会自动提高，即对于不在此置信区间的，认为操作员在运输特殊货物或没此种货物的运输经验，需要操作员缓慢平稳运行。

[0087] 步骤S3：以所述运输速度序列以及电机功率序列中前预设时间段的数据作为输入，以对应的起重机目标速度作为输出训练速度预测网络，根据训练完成的速度预测网络得到起重机的实际目标速度，根据所述实际目标速度对起重机进行控制：

[0088] 通过步骤S2，得到每一个运输速度序列和电机功率序列对应的起重机目标速度V目标。就可以根据多个运输速度序列和电机功率序列，以及对应的起重机目标速度V目标进行网络训练，得到速度预测网络。

[0089] 以运输速度序列以及电机功率序列中前预设时间段的数据作为输入。由于启动阶段的时间不固定，因此，本实施例中，预设一个时间段，即启动阶段中的前预设时间段。应当理解，设定的前预设时间段不能过长，需要小于正常的起重机启动阶段，比如5s。5s为实施者设定的经验值，本实施例并不限定在具体时间段，只是根据启动阶段大致限定一个有限的时间。因此，输入为：运输速度序列中的前5s的速度序列，电机功率序列中的前5s的功率序列。

[0090] 以对应的起重机目标速度作为输出训练速度预测网络。本实施例中，速度预测网络为常见的RNN循环神经网络。因此，速度预测网络中，以启动阶段的前5s的运输速度序列以及电机功率序列构成双通道序列，序列的输出标签为对应的起重机目标速度。

[0091] RNN循环神经网络的具体结构不做限制，本实施例中，RNN循环神经网络由输入层LSTM(Long‑Short‑Memory)层、3层全连接层，每个全连接层搭配一个Dropout层构成.以及最后的维度为1的输出层构成。RNN循环神经网络的第一层为LSTM层，隐层神经元数为16，用于提取启动阶段5s内的功率数据，并存储一部分长期和短期的特征进网络里。其后的全连接层，隐层神经元数为128，64，64，用于将LSTM层提取的时间序列特征映射到64维高维空间。其中Dropout层的Drop概率都为0.15，用于随机丢弃全连接层隐层结点，避免梯度下降过程中过拟合。 最终，输出层接受64维高维向量，对于序列到序列的预测网络，输出1维的速度V，并构成序列。其中，RNN的损失函数为MSE损失函数。这样，RNN循环神经网络通过较短的运输速度序列以及电机功率序列特征来代表起吊后运输过程的货物特性，不仅可以快速训练和更新RNN循环神经网络的权重，还能在启动运输的5s后为采取何速度进行评估和套用。

[0092] 训练得到速度预测网络之后，根据训练完成的速度预测网络得到起重机的实际目标速度，本实施例中，在之后用速度预测网络预测起重机实际的运输速度时，获取起重机实际运输过程中，正常运输阶段的前预设时间段的运输速度序列以及电机功率序列，即前5s的运输速度序列以及电机功率序列，将运输速度序列以及电机功率序列输入至训练完成的速度预测网络中，就得到实际目标速度。得到实际目标速度之后，根据实际目标速度对起重机进行控制，将实际目标速度作为起重机下一时刻的速度，具体地：将实际目标速度对应的控制指令输出给电机驱动器，以控制电机按照对应的实际目标速度运行。因此，当后续获取到起重机的实际数据时，不再需要步骤S1和步骤S2的相关数据分析，也不需要重新计算起重机运行状态置信度α，直接通过速度预测网络就能够得到实际目标速度。上述控制过程可以为一次性控制过程，即根据正常运输阶段的前预设时间段的运输速度序列以及电机功率序列得到实际目标速度之后，根据该实际目标速度对起重机进行控制，起重机后续的速度均是该实际目标速度；为了控制更加准确，还可以为不断调节的过程，在得到实际目标速度之后，控制起重机下一时刻的速度为该实际目标速度。然后间隔预设时间（该时间的长短由实际控制需要进行设置，比如2s，应当理解，还可以不设置间隔时间，即间隔时间为0），在间隔时间到来之后，再次获取到最新的预设时间段的运输速度序列以及电机功率序列，将最新的运输速度序列以及电机功率序列输入至速度预测网络就能够得到最新的实际目标速度，根据最新的实际目标速度进行控制，以此类推，不断以最新的输入数据输出得到最新的实际目标速度，实现起重机速度的不断调节。

[0093] 无论真正的启动时间是多少，都可以训练预测网络根据启动过程的特性，以及此时样本可得到不同负载在当前的样本分布（即吊装这种货物的经验是否充足）下得到的起重机运行状态置信度α，以及对应的起重机目标速度V目标，从而根据此时的启动过程的功率变化使得网络学习这种启动状态此时应当对应的推荐速度值，即实际目标速度。

[0094] 以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。