桥式抓斗卸船机作为港口散货船接卸的主要大型机械设备,其安全稳定运行对企业运营生产有着至关重要的作用,随着港口桥式抓斗卸船机工作时间和强度的不断提升,相应地增加了卸船机的故障问题。目前现有的卸船机故障诊断技术能有效地减少危险事故,但是仍然不能及时的发现故障问题并解决问题。本文针对已有故障诊断研究中故障诊断不及时、不全面等不足,通过传感器监测桥式抓斗卸船机整机的运行状态以获取监测数据,并利用新的故障预测方法实现对卸船机的故障预测。论文从桥式抓斗卸船机机械状态特征及其变化入手,进行了关联规则挖掘,深度置信网络预测等研究,为卸船机整机系统和小车运行系统的故障预测研究做出了有益的探索。本文的主要工作如下:(1)分析了桥式抓斗卸船机的机械结构及工作特点,总结了卸船机的主要故障类型及故障特征,基于以上设计了两种卸船机在线监测方案。通过在线监测积累大量的卸船机状态监测数据,使其故障预测拥有了数据来源,保证故障预警中所有研究成果的真实可靠。(2)针对桥式抓斗卸船机整机故障,提出一种基于兴趣度关联规则的卸船机故障预测模型方法。采用传感器监测和时域分析方法获取卸船机运行参数空间,利用聚类离散算法将监测数据根据其属性值域离散为非线性聚类区间,获取卸船机关联规则组,提取状态数据关联维权重系数,建立状态监测数据关联规则函数模型,利用该模型中关联规则状态改变实现故障预测。实验表明该方法能够有效表征卸船机运行状态监测的内部关联特征信息,实现对卸船机故障类别的预测,对降低卸船机故障发生频率有现实意义。(3)针对桥式抓斗卸船机最关键的小车运行系统故障,构建一种基于深度置信网络(Deep Blief Net,DBN)的卸船机时间序列故障预测模型。结合深度学习理论的自我学习能力,将原始时域信号数据输入DBN进行训练,通过反向微调学习对其进行整体微调,利用该模型对卸船机振动烈度时间序列进行多步预测,构建状态监测残差序列特征约束函数模型,通过关联权重残差序列状态变化实现故障预测。实验通过对比分析其他相关故障预测方法,验证了该方法能降低预警阈值和提高预测精度,更能及早有效地预测卸船机故障发生类别,提前做出警示。(4)在桥式抓斗卸船机机械、传感器、故障预测技术等基础上研发了一套新型、可靠的桥式抓斗卸船机工作状态监控与预警系统。该系统具有良好的可靠性、实时性以及应用价值,可以实现卸船机的状态监测、数据存储、故障预测、故障评价及预警发布、故障处理等预警功能。