本文选自《起重运输机械》杂志，未经许可，不得转载。

作者：陆 青 方 立 吴海然 万沈文

摘 要：港口起重机服役期长，工作环境恶劣，损坏率较高，需定期维护保养。为保障港口起重机健康可靠运行， 基于物联网、云服务平台及工业大数据分析等技术，建立港口起重机在线远程监控及预防性维护健康保障系统。健康保障系统通过采集起重机数据来反映起重机的健康状况，并给出预防性维修意见。结合健康保障系统的应用网络和总体框架，设计了面向港口起重机全生命周期的数据采集与集成、基于大数据的健康分析优化、基于公众互联网的企业间协同应用、云服务系统、安全保障体系等部分功能模块。针对健康保障系统中的关键技术，研究了港口起重机钢结构裂纹远程监视与自动识别系统、基于云服务平台的健康保障系统、基于深度学习和大数据分析的起重机故障诊断及预估分析优化等，结合港口起重机健康保障系统研究现状，提出了健康保障系统实施过程中的问题和挑战。

Abstract: Considering portal crane is subject to long service life, harsh working conditions, high damage rate and regular maintenance, to ensure its healthy and reliable operation, an on-line remote monitoring and preventive maintenance and health security system is established based on technologies such as Internet of Things, cloud service platform and industrial big data analysis. The health security system can tell whether the crane is healthy or not with the collected data and give suggestions on preventive maintenance. Moreover, combined with the application network and overall framework of health security system, some functional modules are designed for full lifecycle of the crane, including data acquisition and integration, health analysis optimization based on big data, collaborative application among enterprises based on public Internet, cloud service system and security system. The paper further discusses key technologies of health security system such as remote monitoring and automatic identification system for cracks in in cranes steel structure, health security system based on cloud service platform, and crane fault diagnosis and prediction analysis optimization system based on deep learning and big data analysis. The paper ends with presenting problems and challenges in the implementation of health security system based on the research progress of health security system for portalcrane.

关键词：港口起重机；健康保障；故障诊断；物联网；云服务；大数据

Keywords: portal crane; health security; fault diagnosis; Internet of Things; cloud service; big data

0 引言

根据国发 [2016]28 号文件深化制造业与互联网融合，推动制造来与互联网融合深化工业云、大数据等技术的集成应用，加快构建新型研发、生产、管理和服务模式，促进技术产品创新和经营管理优化，提升企业整体创新能力和水平 [1]。自动化集装箱码头迎合了工业化和信息化的发展需求，国内已经成功了建成了厦门远海全自动化码头 [2]。传统的依靠司机人工在起重机驾驶室中操作起重机的作业方式，逐步改变为由远程操控室内的人员进行半自动辅助模式下的操作。由于人机分离，无法再依靠原先司机根据作业时的直接感知（听觉、触觉、视觉等）来发现起重机故障。

港口起重设备机械结构复杂，涉及的技术领域众多， 破坏机理多样、服役期长、工作环境恶劣、损坏率较高、需定期维护保养等因素导致其维修难度增加，保养任务加重，需专业技术维护人员。用户需要按照设备维修保养手册对关键位置进行定期人工检查，以确保结构和设备安全可靠，但会存在不按维修保养手册定期检查、漏检一些关键位置、检查人员专业程度不高等现象，很难确保每次检测的准确性。特别是起重机运行过程中一旦设备出现港口维护人员无法解决的问题时，用户只能通过邮件或电话求助。这种不直观的方式加上语言文化地区差异往往导致解决问题的效率很低，等最终确认故障再派出维护工程师前往客户现场进行检查维修，使得整个维护过程周期将相当漫长 [3]。

目前，港口在役起重机尚缺乏一个完整统一的健康保障信息管理平台，企业无法获取已售产品运行信息， 很难保证服务工作的及时性、主动性、现场性和前瞻性， 售后服务的现状基本还是传统的头痛医头脚痛医脚痛模式。另外，基于物联网技术、云服务平台以及工业大数据分析等技术实现起港口起重机在线远程监控及预防性维护等相关健康保障系统的研究在国内外刚刚起步，如何有效、实时地监测起重机的运行状态，进行预防性维护服务，降低停机损失，提高产品附加价值，增强与客户的利益纽带，具有非常重要的现实意义。

1 健康保障系统整体组成

健康保障系统是依托于工业互联网技术，将已有的起重机设备与智能设备、智能系统和智能决策融合到一起，为客户提供全套的港口起重机运营、管理和维护的方案，可以推进港口起重机设备及相关产业的网络化协同和服务化延伸。

如图 1 所示，健康保障系统网络结构设计涵盖了港口的各种起重机设备、码头集控中心、生产基地和企业数据中心，贯穿起重机生命周期相关的生产、配套、施工、运维和维修等各项业务。

港口起重机本地设备层，需要在传统控制系统上增加专用数据通讯采集设备和视频监控系统，有效地融合有线、无线等通信技术，加强监控设备、传感器、控制系统与管理系统之间的互联能力。起重机本地设备层利用现有的 CMS(Crane Monitoring System) 系统获取采集系统筛选后的传感器数据，完成本地的简单故障诊断功能。

码头集控中心除了提供 RCMS 的基本功能外，还要增加数据采集服务器，数据采集服务器部署在港口服务器机房，用于传感器、工况、运维等数据汇总及有条件的情况下将数据上传至云端。数据采集服务器根据机械或结构的有限元模型、历史数据匹配、本地部署的机器学习和迁移的大数据运算库，完成在线故障诊断与预测功能，必要时将故障和失效信息回传至起重机本地层。

码头与生产基地、企业数据中心之间，可通过专用VPN 网络或数据云等手段连接。通过数据云技术，可方便码头和企业之间开展基于云计算、大数据技术的海量工业数据有效集成与分析，推进港口起重机健康检测的智能化决策。企业数据中心通过专线和数据云网络， 利用 OPC 服务协议，订阅码头和生产基地的运行数据， 完成实时监控的数据收集功能，从而实现起重机健康保障功能。

由此，建立基于前端数据采集、中间高速传输、后端分析评估并反馈结果的大数据云技术平台。采用基于云服务实现港口起重机健康保障系统，通过互联网提供用户按需的、易扩展的服务，将有效解决传统服务面临的各种问题，用户可降低投资基础设备的成本，并可减少系统管理、IT 方面的支出。通过采集分析用户的起重机数据，可以获取产品质量、备品备件等信息，一方面可以据此不断改进产品质量，另一方面为用户提供实时、前瞻性的服务建立了技术基础。

如图 2 所示，港口起重机健康保障系统采用物理网技术，从功能上分为信息感知层、信息传输层、信息服务层、信息增值层。

信息感知层可解决数据获取的问题，实施从设备、控制、传感的流程。其中港口的起重机设备包含如岸边集装箱起重机、轮胎起重机、轨道起重机、转动机构、减速器等；控制层，完成参与机载本地控制的驱动器、变频器、继电器、工控机，完成机载本地监控的采集系统；传感器层，获取温度、应变、加速度、振动、位置等感知信息。

信息传输层是解决数据传输的问题， 利用各种工业总线、视频分路、以太网、通信网关、交换机、3G/4G、WIFI 等技术，搭建设备、控制系统、采集系统以及远程集控中心、大数据云、企业之间的数据互联网络。

信息服务层是基于感知数据经筛选、预处理后的业务加工，包含数据层对数据的存储、可视化、报警、日志、历史回放、参数模型、数据分析等基础功能，以及服务层，提供在线监控、故障分析、失效分析、故障预测、寿命预测、维修建议、监控评估等等服务。信息服务层实施健康保障的基本及基础服务，体现采集与诊断、诊断与业务、业务与控制的相互关系。

信息增值层是信息服务层的提高和升华，提供网络优化、机群优化、性能优化、资产配置、运维保障、系统保障等功能。在互联网、大数据、云技术、物联网技术的技术保障下，信息增值层将起重机设备健康保障系统与企业的 ERP (Enterprise Resource Planning) 系统整合，方便码头与企业之间设备企业与企业，与行业之间建立业务互联关系，有效地将企业与客户之间的实时连接，连接各种工作场所的人员，提供更为智能的高质量的服务与安全保障。

2 系统主要功能

2.1 面向港口起重机全生命周期的数据采集与集成

面向港口起重机全生命周期过程管理需要从起重机需求、规划、设计、生产、运输、调试、运行、使用、维修保养、直到回收再用处置的全生命周期中的信息与过程 [4]，整合各阶段业务与数据信息，建立统一的起重机数据模型，实现起重机全生命的信息化数据管理流程。

为实施起重机健康保障系统，新建的港口起重机传感器层的安装、布线、施工、调试、校验和更换需要从设计阶段就考虑进去，其他改造型起重机设备，可酌情考虑便于安装、安装点数和易故障点等因素。起重机关键点监测需要考虑到测量点的灵敏度、应变能力和动态响应范围，结合模型实现对关键位置应力、应变及结构振动等物理特性分析后再选取。为了实现健康保障系统的经济性、实用性和准确性，传感器的选择点需要根据用户的需求分级酌情增减，这样可以形成差异化、全局化和多样化的解决方案。

在生产制造阶段，起重机的配件和施工数据需要手工录入，包含配件产地、型号、入库时间、安装时间、施工全过程的安装、焊接、喷漆等相关信息；基地调试和运输阶段，数据采集工作由起重机专用数据采集设备完成，数据缓存在本地的机载工控机内。大型起重机的航运阶段少则几天，多则数个月，此阶段需要开启部分传感器，记录运输过程中风浪载荷对钢结构的影响，能更准确地服务于后期的健康诊断；在服役阶段，起重机专用数据采集设备和港口数据收集传输设备完成完整的数据采集工作。面向全生命周期的数据采集系统，应具备如下功能：

1） 港口起重机专用数据采集设备能够满足起重机当地各种数据的采集要求，还应具备数据预处理能力， 能够进行一些统计和数据筛选工作，形成统计数据或统计数据库记录。每种起重机可以根据项目情况特点，完成各种不同统计需要，包括重要机构、设备运行时间、运行次数的统计、工作循环的统计、设备故障时间统计、维修时间统计等。

2） 港口起重机数据专用采集设备有一定的数据缓存要求和掉电保护功能。在服役阶段，当其与港口数据存储设备间的通讯出现问题时，能够缓存实时数据。各种统计数据也要求在本地保存一段时间，直至被港口数据存贮设备读取。

3） 每个港口起重机专用数据采集设备，以及港口数据收集传输设备，均具有独有标识号和统一的时间授时，以便不同码头不同的起重机设备在数据处理中心进行集成。

4） 港口起重机专用数据采集设备，以及港口数据收集传输设备，需要按照统一的数据通讯要求，发送实时数据以及其他统计数据。起重机专用数据采集设备通过 3G/4G网络直接发送数据，也可以把数据先集中汇总到港口后再统一发送。

2.2 基于大数据的健康分析优化

港口起重机健康评估系统在对起重机进行全寿命周期的数据采集后，通过在线的故障诊断程序及大数据云平台计算给出健康报告。基于健康诊断报告，用户可更全面地把握起重机的使用状态，指导对起重机的日常维护， 记录结构日常维修状况，方便码头进行信息化集成管理。构建完善的起重机健康保障体系，将大幅度保持起重机设备的完好程度，达到设备故障发生率最小化， 以及生产商、码头用户经济效益的最大化。

在码头，起重机的突发性未预见故障包括结构开裂、重大部件如减速器、电机等的损伤。这类故障由于备件生产时间长，会造成设备因等待修复而停机。预防性维护，防患于未然是起重机设备健康诊断的趋势。起重机健康保障系统包含在线健康预估和基于大数据分析离线诊断方法。大数据健康分析是对传统在线健康预估的补充和提高，结合利用数据挖掘、机器学习、深度学习算法预测设备故障情况，预测的准确度可有效地提高。

在线起重机健康预估模块，根据起重机吊载量、小车位置等应力传感器数据和 CMS 的历史数据，通过对记录载荷谱的分析，获得起重机钢结构的应力谱，通过部署在码头集控中心的专业诊断软件，计算出起重机钢结构关键位置理论寿命，快速准确地评估起重机钢结构的使用情况和实时健康状况。起重机的机构检测依赖于设备的振动信号，通过采集起重机转动设备中如轴承、齿轮、减速器等丰富的振动信号，提取信号特征信息来识别设备的故障类型。在线健康预估模块集成在 CMS 系统中，提供预警功能，能够向用户发出预警，提醒用户特别关注异常点位置，增加检查频率，提醒用户准备备件更换。对出现实际寿命超过理论寿命的关键位置， 即时向用户发出危险信号，提醒用户尽快准备备件，适时停产检修更换。

大数据分析离线健康诊断方法，扩展了传统的基于模型、模态、故障树、专家系统的故障诊断方法 [5]。基于海量的港口起重机生产、传感器、工况、配件等数据， 并结合日常维护的经验判断，有针对性的零部件疲劳寿命试验，备品备件的预防措施，日常性的点检和常规检修，历史故障以及同类型产品的故障相关信息等，进行数据建模和大数据分析，利用分析结果形成预防性维护决策，完善港口起重机健康预测功能。大数据离线分析健康诊断系统按照港口生产调度计划给出诊断报告，可颠覆传统的仅仅依靠维修保养手册检修的简单方式，精确地规划维修周期和维修部件。

2.3 基于公众互联网的企业间协同应用

基于公众互联网的企业间协同应用是部署在基于IPv6 与高性能网络技术的基础上，在企业数据中心服务器上的形成一套港口起重机设备远程监控和管理的系统。通过远程监控港口起重机的实时情况，利用健康保障系统预测将要出来的故障情况，解决制造企业与港口之间的协同。采用云平台技术实现监控系统的在线监护， 实现设备、人员之间互联互通，构建一个安全、稳定、快速的监控系统，有效的采集设备的主要状态信息，融合多个异构数据源，建立一个大规模的在线监护平台， 有效建立企业与港口企业间协同。

起重机远程在线监视是部署在云端的起重机设备管理系统。起重机远程在线监视对于公司内部人员和港口用户，有不同的门户入口。针对公司用户，可通过全球起重机在线监视门户访问，并辅以相关增值服务。对于港口用户，通过单独的港口在线监视门户访问，数据集中于综合系统中的环境数据，如机构状态、吊具状态和第三方系统的监视等。

协同平台能够根据地理位置，可结合地图按区域实现每台起重机采集的宏观状态数据，包括起重机状态信号及各监视子系统状态信号，如起重机CMS 状态信号、机械状态监视子系统 ( 指机械结构，机构的专用在线监视的当地系统 ) 的运行状态信号、胎压监视子系统的运行状态信号、速度监视子系统等。每个设备的通讯发生故障时，会自动记录到数据库，并及时通知用户。此外， 港口在线监视系统还包括各类运行统计报表，如故障统计报表、工作循环统计报表、运行时间统计报表等，还具有对起重机专用数据采集设备，以及港口数据存贮设备的备份功能，可提供的系统及数据恢复功能。

2.4云服务系统安全保障体系

安全保障体系建设主要是针对港口起重机健康保障、工业互联网网络化和集成应用、协调管理过程中的软硬件的安全控制，以及产生的数据以及信息的安全保障体系。为保证云服务系统的安全性，防止重要数据泄露和网络攻击，建立健壮的安全机制能，在采集过程、网络传输、数据存储方面保证监控数据的安全性，在最大程度上降低云服务系统的安全威胁，提高云服务连续性，保证云服务应用的健康、可持续发展。

健康保障系统要求码头将企业级网络、云平台和工业控制系统网络进行融合，通过公众因特网，实现工业控制系统与企业信息管理系统、云服务平台、大数据分析、大数据监控系统等系统之间的数据共享，实现工业设施的自动化运行、过程监测和控制、业务流程的管理和控制。但是，在企业级信息网、云平台、工业控制网的互连中，往往存在安全隐患或风险，如果公网中常见的安全威胁（如病毒、蠕虫、木马等）被引入到工业控制网中，工业网络就会遭到病毒攻击、非授权访问、信息泄密等，严重会影响码头正常作业。

随着软件规模的扩大，SCADA、PLC、IED、RTU、实时 I/O 等码头应用系统在设计时需要考虑到网络的健壮性和信息安全方面的问题。在码头的网络中，需要规范电气房、集控中心存在潜在的多点的入侵感染源或攻击隐患，如移动的可携带设备、USB 设备、串行的连接、无线连接系统、未授权的设备接入和窃听等。此外，工业控制网、云端和企业网中都需要进行必要的网络隔离分段机制，如适当增加单向传输网关，系统中的任何一处脆弱地段被攻陷，风险不会扩散到其他的区域中。

云端的起重机监控数据需要采用对称加密与非对称加密结合的思路，来解决云计算中数据安全存储的问题。监控数据传输安全主要研究包括对云计算平台中数据传输的可靠性问题，如采用 TCP/IP 协议多点并行传输方式，对大数据块进行切割，然后采用并行方式传输降低网络的延迟 [6，7]。

3 关键技术研究

3.1 港口起重机钢结构裂纹远程监视与自动识别系统

起重机钢结构局部强度和刚度不足会产生裂纹 , 港口起重机的裂纹检测可采用电阻基于电阻应变法 [8]，或采用光纤光栅应变传感来测量刚结构表面的应变力 [9]， 分析方法采用裂纹扩展阻力的方法估算裂纹 [10]。由于港口起重机尺寸比较大，传感器点数无法覆盖整个机器， 很难评估整机的结构寿命。

起重机钢结构裂纹远程监视与自动识别系统主要采用图像识别技术，对钢结构进行自动化识别。通过在起重机裂纹监视关键点加装摄像头，对起重机裂纹关键点进行实时在线监视。该系统能分析钢结构裂纹指标，实时传输分析结果，替代工人巡检，并能够远程查询到钢结构的实时结构，提高工人工作效率。

自动识别系统设计的关键是要保证图像识别摄像头能拍摄到完整的裂痕信息。这不仅要求图像识别系统摄像头的安装位置合理，还要对裂痕的基本知识有清楚的认识。由于钢结构出现裂痕的样本信息比较少，需要不断积累裂痕图片，通过模型匹配或深度网络，逐步提供裂痕识别的准确度。自动识别系统以裂痕自动识别为出发点，友好的交互界面即使在无法自动确认的情况下， 也可通过视频画面帮助远程人员确认现场情况，达到识别无遗漏，从而大大减轻操作人员的工作强度。

3.2 基于云服务平台的健康保障系统研究

健康保障系统借助云服务技术，按照平台 + 工具的架构理念设计，并涵盖端、管、云的整体云计算解决方案，为起重机健康保障系统提供全方位保障。

IaaS(Infrastructure as a Service) 服务处于云计算的底层，能够直接为上层应用提供高弹性可用服务。起重机远程监视基于物联网 IoT 技术，通过设备端布置传感设备进行数据采集，加密后经网络传入云数据中心，实现云存储，为进一步实时数据分析做前期准备工作。其中，结合起重机设备及其运行环境的相关参数与实时特征， 设计高效专用的分布式存储框架与高可扩展计算模式是基于 IaaS 和 IoT 的大数据弹性计算与存储服务关键，其方案优劣直接影响远程监控的时效性、准确性与可用性。 PaaS(Platform as a Service) 处于云计算的中间层，主要面向软件开发与维护，影响范围覆盖软件的整个生命周期。起重机设备的运营与管理等问题，由多个不同的软件系统或子系统共同分担，如起重机状态信号、机械状态监视子系统、胎压监视子系统、速度监视子系统、RCMS 起重机远程管理系统等，它们之间因提供商或服务切面的差异均为独立运行的信息孤岛，致使现场的监护、故障预警等更多的依赖个人经验，而非定量分析的结果。

云端应用 SaaS(Software as a Service) 直接面向客户的特定需求提供专业服务。由于起重机远程在线监视用户有 2 类：公司内部人员和港口用户，故面向 SaaS 云服务，深入挖掘客户增值服务的主要研究内容是如何为不同用户建立专用的门户体系，并定制化差别服务。针对公司用户，可通过全球起重机在线监视门户访问，直接数据源自 PaaS 中的综合系统，并辅以相关增值服务。对于港口用户，通过单独的港口在线监视门户访问，数据集中于综合系统中的环境数据，如机构状态、吊具状态和第三方系统的监视等。

3.3 基于深度学习和大数据分析的起重机故障诊断及预估分析优化

港口起重设备向复杂化和大规划化发展，健康保障系统通过采集海量数据来反映机械的健康状况。这些机械相关的大数据具有大容量、多样性与高速率等特点， 研究和利用先进的理论与方法，从机械设备大数据中挖掘信息，高效、准确地识别设备的健康状况，成为其健康监测领域面临的新问题。

传统的如通过对起重机重要零部件如变速器、编码器、制动器、柴油发动机、钢丝绳等进行状态监测，描述各参数变化与零部件损伤的概率模型，该概率模型与当前多参数概率状态空间进行比较，达到实现判断元器件当前的健康状态与趋势分析。文献 [11]通过研究起重机动力学特性的变化监测起重机健康状态的可行性；文献 [12] 通过建立了振动信号监测起重机齿轮箱的运行状态，提高了起重机健康保障能力；文献 [13] 总结了基于数据驱动的故障诊断方法：基于数据驱动的方法不考虑系统的精确数学模型，而是从系统运行中产生的大量正常数据和故障数据出发，通过少量的标记数据样本训练分类器来对系统故障进行分类，或是把高维的数据通过降维的方法提取有用的信息用于故障诊断，或是两者的结合来诊断；文献 [14] 提出基于模型的微小故障诊断技术，利用信号幅值低、故障特性不明显、易被未知扰动和噪声掩盖等特点微小故障，来预测显著性故障；文献[15] 提出基于深度学习理论的机械设备大数据健康监测方法：通过建立深层模型，直接从频域信号中自适应地提取故障特征，实现大量数据下故障特征的自适应提取与健康状况的智能诊断。

4 存在的问题与挑战

港口起重机健康保障系统研究尚处在起步阶段， 传统的机械健康保障方法不能完全适用于港口起重机行业，对智能传感、智能检测、智能识别、业务协调等方面的研究还不够充分，目前港口起重机健康保障系统普遍存在以下问题 [16]：

1） 传感器的合理布点、布局、数量、传感器类型，缺乏理论指导，实际成功的工程项目经验较少；

2） 传感器的成本和精度比较难以权衡，为达到有效的诊断效果，往往系统设备成本过高，整个系统缺失了经济效益；

3） 针对港口起重机的传感器线路布置比较麻烦， 而无线传感器因供电和通信带宽等问题，无法很好地应用在起重机领域；

4） 港口起重机的服役期较长，且应用环境比较恶劣，传感器需要在室外长期遭受到高温、高湿度、高盐度等环境的考验，传感器容易产生零漂，丢失精度，甚至损坏。

如果传感器失准，且采集系统也没有比较好的检测手段，采集到的不良数据会影响故障诊断；将深度学习、云计算等技术与港口起重机产业进行融合，起重机健康保障技术的进步和提高主要依赖于以下几方面的发展：

1） 对港口起重机结构裂纹、机构损伤的机理不断研究，结合结构力学、断裂力学、损伤力学等学科的不断发展，从理论上加深认识故障产生的原因；

2） 加强智能传感器的研究，不断提高传感器的精度和智能程度，开发高性价比、具备自主校准、决策、预处理的传感器，以满足健康保障系统对信号采集的需要 [17]；

3） 对传感器收集和信号处理的算法的研究，加强起重机的状态和运维数据的收集，建立基于港口起重机的数据挖掘和大数据分析模型，借助于大数据平台工具开展研究。

5 结束语

港口起重机使用寿命一般在 20 年以上，在市场日益饱和、新机订单趋于下降的形势下，如何提供增值性的售后服务，将是保证企业持续健康发展的一个关键措施。同时，产品的全寿命管理，必然要求企业能够充分及时掌握已售产品的各种信息。港口起重机健康保障系统，将顺应港口的技术发展潮流，为港口的设备维保和平稳运行提供强有力的技术保障。

基于物联网、云服务平台以及工业大数据分析建立的健康保障系统，对起重机进行全寿命数据采集分析， 通过大数据健康分析，可以给出准确的预防性维护决策。通过预防性维护服务，可优化设备维修团队行程安排， 提高工作效率，能避免备件的浪费，进一步节约其生产成本，进一步提高了产品附加价值，增强了与客户的利益纽带以及通过其服务，能大大减少客户设备的停机时间，降低了停机损失成本，具有较强的经济效益。

参考文献

[1] 叶森森 . 国务院印发《 关于深化制造业与互联网融合发展的指导意见》[J].工程机械，2016(7).

[2] 杨宇华，张氢，聂飞龙. 集装箱自动化码头发展趋势分析[J].

中国工程机械学报，2015(6)：571-576.

[3] 刘昕，赵子健，陈博通，等 . 自动化集装箱码头运维监控平台研究与实现 [J].水运工程，2016(10)：195-198.

[4] 沈建新，周儒荣 . 产品全生命周期管理系统框架及关键技术研究 [J]. 南京航空航天大学学报，2003，35(5)：565-571.

[5] 金鑫，任献彬，周亮 . 智能故障诊断技术研究综述 [J].国外电子测量技术，2009(7)：30-32.

[6] 李海涛 . 云计算用户数据传输与存储安全研究 [J].现代电子技术，2013，36(20)：24-26.

[7] 林闯，贾子骁，孟坤 . 自适应的未来网络体系架构 [J].计算机学报，2012，35(6)：1 077-1 093.

[8] 黄国健，刘柏清，王新华，等 . 在役门座式起重机应力测试技术探讨 [J].自动化与信息工程，2011，32(6)：29-31.

[9] 张冲，姚海子，赵俊，等 . 基于光纤光栅应变传感系统的

在役港口起重机结构健康监测 [J]. 机电工程，2013，30 (4)： 426-429.

[10] 王元清，周晖，石永久，等 . 基于裂纹扩展阻力曲线的钢结构构件断裂行为评估模型 [J].清华大学学报：自然科学版，2013(5)：595-600.

[11] Rashed I A,Hadi N H. Health Monitoring For Cantilever CraneFrameUsingResidualErrorMethod[J].AI-Khawarizmi EngineeringJournal,2009,5(4).

[12] Assaad B，Eltabach M，Antoni J.Vibration basedconditionmonitoring of a multistage epicyclic gearbox in lifting cranes[J].Mechanical Systems and Signal Processing， 2014，42(1)：351-367.

[13] 文成林，吕菲亚，包哲静，等 . 基于数据驱动的微小故障诊断方法综述 [J]. 自动化学报，2016，42(9)：1285-1299.

[14] 赵文浩，阎威武 . 基于数据驱动的故障诊断研究 [J].微计算机信息，2010，26(28)：104-106.

[15] 雷亚国，贾峰，周昕，等 . 基于深度学习理论的机械装备大数据健康监测方法 [J].机械工程学报，2015，51(21)： 49-56.

[16] 张树兵，时杰，费学婷 . 起重机健康监测研究现状 [J].建筑机械，2016(6)：65-70.

[17] 徐文劼 . 浅谈物联网智能传感器特性及其分类 [J].自动化仪表，2017，38(3)：44-47.

作 者：吴海然

电子邮箱：wuhairan@zpmc.com