th.2024.05.016]
点击复制

基于高速通信的港口设备远程检测与控制技术研究(PDF)

《工业仪表与自动化装置》[ISSN:1000-0682/CN:61-1121/TH]

Title:: Design of remote detection and control technology for port equipment based on high-speed mobile communication

Author(s):: XU Xiaoqiang; DING Feng; BI Shumin; ( Wuhu Port and Businss Co．，Ltd．，Anhui Wuhu 241000， China )

Keywords:: port equipment; remote detection and control; high speed mobile communication; deep learning; convolutional neural network

摘要:: 为提高港口设备的远程检测和控制效率，该文基于高速移动通信和深度学习技术，设计了港口设备远程检测与控制平台。该平台采用 B／S 与 C／S 相结合的架构形式来提高平台响应速度，以独立的 SA 专网方式进行 5G 组网搭建，提高数据传输的安全性。通过融合残差结构与卷积神经网络，建立了具有信息有效传递的 IDCNN 模型，来提高数据样本数量少的特征提取准确度问题。测试表明，所搭建 5G 专网的 SINR 为 13．98 dB，RSRP≥ －85 dBm，能够满足平台任务需求。与 SVM、CNN 和决策树模型相比，所提模型的故障识别精度可达 86．1％以上，证明了该方案的可行性。

Abstract:: To improve the efficiency of remote detection and control of portequipment, this paper designs a remote detection and control platform for portequipment based on high-speed mobile communication and deep learning technology. The platform adopts a combination of B/S and C/S architecture to improve the corresponding speed of the platform, and builds a 5G network through an independent SA private network to improve the security of data transmission. By integrating residual structures and convolutional neural networks, an IDCNN model with effective information transmission was established to improve the accuracy of feature extraction with a small number of data samples. Tests have shown that the constructed 5G private network has a SINR of 13.98 dB and an RSRP of ≥ -85 dBm, which can meet the platform’s task requirements. Compared with SVM, CNN, and decision tree models, the proposed model achieves a fault recognition accuracy of over 86.1%, proving the feasibility of this scheme.

[1] 郑建风，赵煜星，刘欣桐，等.多港口区域泊位资源的最优配置与分配[J].交通运输工程学报，2023，23(5)：183-191.

[2] 邓萍，刘淑龙.基于FGM-SVR组合模型的港口吞吐量预测[J].重庆交通大学学报(自然科学版)，2023，42(8)：132-138.·86· 工业仪表与自动化装置 2024年第5期

[3] 付景浩，王浩楠.基于AHP-TOPSIS的港口机械设备安全风险评价研究[J].设备管理与维修，2023(20)：66-68.

[4] 朱少兵，肖炳林，唐现琼.港口起重设备寿命中后期的管理措施[J].港口科技，2023(11)：9-14.

[5] 韩国栋，付明，陈曦.一种应用于5G移动通信的小型宽带三极化天线[J].电子科技，2023，36(12)：32-38.

[6] 赵巍.基于MMSE准则的5G正交时频空信号检测算法[J].沈阳工业大学学报，2022，44(3)：321-325.

[7] 汪诗经，高玉芹，滕勇健.基于携能和边缘缓存的5G移动通信系统传输技术研究[J].电子设计工程，2023，31(18)：174-177+182.

[8] 黄迅迪，庞雄文.基于深度学习的智能设备故障诊断研究综述[J].计算机科学，2023，50(5)：93-102.

[9] 谢星怡，张正江，闫正兵，等.基于信号特征提取和卷积神经网络的轴承故障诊断研究[J].计算机测量与控制，2023，31(10)：21-27.

[10] 刘磊，李舜酩，陆建涛.基于卷积神经网络的旋转传动部件故障诊断综述[J].机械设计，2022，39(10)：1-8.

[11] 周围，朱华波，张旭，等.C/S与B/S融合的五层架构高支模远程监测方法[J].传感器与微系统，2020，39(12)：137-139.

[12] 郭新明，林德钰，陈伟.无线视频传感器网络全视角弱栅栏构建算法[J].机械科学与技术，2023，42(2)：252-259.

[13] 刘志敏，欧阳章东，王田，等.异构视频传感器网络目标全视角覆盖估计模型[J].电子学报，2021，49(1)：77-84.

[14] 夏英，韩星雨.融合统计方法和双向卷积LSTM的多维时序数据异常检测[J].计算机应用研究，2022，39(5)：1362-1367+1409.

[15] 朱威，张雨航，应悦，等.结合密集残差结构和多尺度剪枝的点云压缩网络[J].中国图象图形学报，2023，28(7)：2105-2119.

[16] 张侣，周博文，吴亮红.基于改进卷积注意力模块与残差结构的SSD网络[J].计算机科学，2022，49(3)：211-217.

备注/Memo:: 收稿日期：2024-03-19基金项目：2021 年安徽省高等学校质量工程重点项目 (2021jyxm0105)第一作者：徐晓强 (1974— )，男，安徽潜山人，本科，助理工程师，研究方向为港口信息化、大型设备智能化应用、港口设备远程控制。

更新日期/Last Update: 1900-01-01