一種起重機運行狀態的智能監測方法
2023-08-05 15:06:16 1
一種起重機運行狀態的智能監測方法
【專利摘要】本發明涉及一種起重機運行狀態的智能檢測方法，它的步驟如下：步驟S01：利用起重機運行狀態信息觀測變量與運行狀態對應關係的歷史數據構建並訓練起重機運行狀態的BP神經網絡智能判斷模型；步驟S02：利用起重機傳感器在線觀測起重機運行狀態的觀測變量並將其輸入步驟S01中得出的起重機運行狀態的BP神經網絡智能判斷模型中，由計算機計算得出起重機運行狀態；步驟S03：不斷完善起重機運行狀態信息觀測變量與運行狀態對應關係的資料庫信息，對起重機運行狀態的BP神經網絡模型持續優化。本發明公開了一種利用BP神經網絡模型對起重機運行狀態進行智能判斷的起重機運行狀態的智能檢測方法。
【專利說明】
【技術領域】
[0001] 本發明涉及起重機運行監測領域，尤其涉及一種起重機運行狀態的智能監測方 法。 一種起重機運行狀態的智能監測方法
【背景技術】
[0002] 起重機是一種空間運輸設備，主要是通過起重吊鉤或其他取物裝置的起升或起升 加完成重物的位移的機械設備。它可以減輕勞動強度，提高勞動生產率。起重機是現代化 生產不可缺少的組成部分，有些起重機還能在生產過程中進行某些特殊的工藝操作，使生 產過程實現機械化和自動化。起重機幫助人類在徵服自然改造自然的活動中，實現了過去 無法實現的大件物件的吊裝和移動，如重型船舶的分段組裝，化工反應塔的整體吊裝，體育 場館鋼屋架的整體吊裝等，總之，起重機在現代化的生產和建設中發揮著舉足輕重的作用。 起重機的種類繁多、適用範圍廣泛，因此保證起重機的正常工作、識別起重機運行狀態、對 起重機的故障預測監控、起重機故障的及時維修也就成了為關鍵的問題。
[0003] 目前國內外對於起重機故障診斷的研究出現了很多新的方法和思路，這些方法包 括基於解析模型的故障診斷、基於模糊理論的故障診斷、基於故障樹分析的故障診斷、基於 灰色理論的故障診斷以及基於神經網絡的故障診斷等，這些方法從不同的適用角度解決了 起重機故障診斷方面的不同問題，但這些方法在起重機運行狀態監測上都還沒有實現智能 精準的預測及識別。
[0004] 人工神經網絡具有非線性映射、自主學習和泛化能力，可以用來解決分類問題。誤 差反向傳播神經網絡是一種前向型神經網絡，其學習規則用最速下降法，通過誤差反向傳 播不斷調整網絡的權值和閾值，使網絡輸出與實際期望值的誤差平方和逐漸減小。
[0005] 算法的步驟為：
[0006] (a)設置變量和參數：
[0007] xk = [xkl, xk2,...，xkP], (k = 1，2,…，N)為輸入向量，即訓練樣本，N為樣本的個 數；
[0008] WPI (n) = (WipMXI為第η次迭代時輸入層與隱層I之間的權值向量；
[0009] A? = (WiJ)IXJ為第η次迭代時隱層I與隱層J之間的權值向量；
[0010] Wj^Oi) = 為第η次迭代是隱層J與輸出層之間的權值向量；
[0011] 〇k (n) = [0kl (η), 0k2 (η), ···, 0kN3 (η)],
[0012] (k = 1,2, "·，Ν)為第η次迭代時網絡的實際輸出；
[0013] 為期望輸出。
[0014] (b)初始化。賦較小的dk = [dkl, dk2,…，dM3]，（k = 1，2, "·，Ν)隨機非零值於
[0015] (c)輸入樣本 Xk，η = 0。
[0016] (d)對輸入樣本Xk，前向計算誤差反向傳播網絡每層神經元的輸入信號u和輸出 信號V。
[0017] (e)由期望輸出dk和上一步求得的實際輸出0k (η)計算誤差e，判斷其是否滿足要 求，若滿足轉至（h);不滿足轉至（f)。
[0018] (f)判斷n+1是否大於最大迭代次數，若大於轉至（h)，否則，對輸入樣本Xk，反向 計算每層神經元的局部梯度δ。其中，
【權利要求】
1. 一種起重機運行狀態的智能監測方法，其特徵在於：它的步驟如下： 步驟SOI :利用起重機運行狀態信息觀測變量與運行狀態對應關係的歷史數據構建並 訓練起重機運行狀態的誤差反向傳播神經網絡智能判斷模型； 步驟S02 :利用起重機傳感器在線觀測起重機運行狀態的觀測變量並將其輸入步驟 S01中得出的起重機運行狀態的誤差反向傳播神經網絡智能判斷模型中，由計算機計算得 出起重機運行狀態； 步驟S03 :不斷完善起重機運行狀態信息觀測變量與運行狀態對應關係的資料庫信 息，對起重機運行狀態的誤差反向傳播神經網絡模型持續優化。
2. 如權利要求1所述的一種起重機運行狀態的智能監測方法，其特徵在於：所述步驟 S01中利用起重機運行狀態信息觀測變量與運行狀態對應的歷史數據構建並訓練起重機運 行狀態的誤差反向傳播神經網絡智能判斷模型的方法如下： a、 選取起重機運行狀態的觀測變量； b、 對起重機運行狀態進行類型分類及編碼，將起重機的運行狀態分為5類，分別為安 全狀態、較為安全狀態、安全向危險過渡狀態、較為危險狀態及危險狀態，5類狀態的編碼依 次分別為：10000、01000、00100、00010、00001 ; C、在起重機運行狀態信息觀測變量與運行狀態分類編碼對應關係的歷史數據中選取 樣本； d、 構建起重機運行狀態的誤差反向傳播神經網絡智能判斷模型； e、 利用c中的訓練樣本訓練d中構建的誤差反向傳播神經網絡智能判斷模型，得出誤 差反向傳播神經網絡智能判斷模型各個模型參數。
3. 如權利要求2所述的一種起重機運行狀態的智能監測方法，其特徵在於：所述a中 選取的起重機運行狀態的觀測變量為塔式起重機的起重量、起重力矩、起升高度、起重幅 度、風速及電動機繞組溫度6個變量。
4. 如權利要求2所述的一種起重機運行狀態的智能監測方法，其特徵在於：所述e中 採用MATLAB計算機應用軟體對起重機運行狀態智能判斷的神經網絡模型進行訓練。
5. 如權利要求2所述的一種起重機運行狀態的智能監測方法，其特徵在於：對所述c 中的訓練樣本進行歸一化處理。
6. 如權利要求2所述的一種起重機運行狀態的智能監測方法，其特徵在於：所述d中 起重機運行狀態的誤差反向傳播神經網絡智能判斷模型的構建方法為：構建誤差反向傳播 神經網絡結構的輸入層、隱層和輸出層，起重機運行狀態的觀測變量為輸入層，起重機狀態 類型分類編碼為輸出層。
7. 如權利要求2所述的一種起重機運行狀態的智能監測方法，其特徵在於：所述e中 誤差反向傳播神經網絡模型訓練採用最速下降法學習算法，通過誤差反向傳播不斷調整網 絡的權值和閾值，使誤差反向傳播神經網絡輸出與實際期望值的誤差平方和越來越小。
8. 如權利要求1所述的一種起重機運行狀態的智能監測方法，其特徵在於：步驟S03 中對起重機運行狀態的誤差反向傳播神經網絡模型持續優化的方法為：不斷完善起重機運 行狀態信息觀測變量與運行狀態對應關係的資料庫信息，並利用該資料庫信息訓練已有的 誤差反向傳播神經網絡模型，持續優化神經網絡的權值和閾值。
【文檔編號】B66C13/16GK104085789SQ201410187009
【公開日】2014年10月8日 申請日期:2014年5月6日 優先權日:2014年5月6日
【發明者】禹建麗, 徐廣善 申請人:新鄉市起重機廠有限公司