基于电机数据图像化的多时序变量间接卡车误吊起检测

作者：刘嘉杰; 刘国平; 胡文山

来源：计算机工程, 2024, 1-11.

• 时间序列分类
• 卷积神经网络
• SMOTE过采样
• tomek links欠采样
• focal loss损失函数
• 卡车误吊起检测

自动化集装箱码头的装卸作业中经常发生集装箱与卡车同时被吊起的安全事故，导致人员伤亡、货品和车辆的损坏。为解决该问题，研究提出了一种基于电机数据图像化处理的多时序变量间接卡车误吊起检测方法（MEIN）。该方法通过神经网络分析异步电机在吊起集装箱和卡车的过程中产生的电流和电压异常，从而判断是否发生了误吊起事故。MEIN通过采集吊机的三相电流和电压数据，基于物理公式进行特征工程计算出多个相关时序物理量，采用滑动窗口、SMOTE-Tomek综合采样的方式扩大样本总数并平衡类别数量，最后将多时序变量转换为图像的形式以EfficientNet进行分类。相较于传统的基于激光雷达和计算机视觉的检测方法，MEIN具有成本低、精度高、计算量小并且抗环境干扰能力强等优点。实验结果表明，该方法能在复杂的环境下（例如雨雾天气或轮胎被遮挡）保持稳定的检测性能，各测试地区Area Under Curve（AUC）均在0.997以上。方法已在武汉、青岛、钦州、梅山多地部署，为提高自动化集装箱码头的作业安全提供了一种有效的解决方案。

• 单位
  自动化学院; 武汉大学; 南方科技大学