一種起重機運行狀態(tài)的智能監(jiān)測方法
【專利摘要】本發(fā)明涉及一種起重機運行狀態(tài)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(tài)信息觀測變量與運行狀態(tài)對應關系的歷史數(shù)據(jù)構建并訓練起重機運行狀態(tài)的BP神經(jīng)網(wǎng)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(tài)的觀測變量并將其輸入步驟S01中得出的起重機運行狀態(tài)的BP神經(jīng)網(wǎng)絡智能判斷模型中，由計算機計算得出起重機運行狀態(tài)；步驟S03：不斷完善起重機運行狀態(tài)信息觀測變量與運行狀態(tài)對應關系的數(shù)據(jù)庫信息，對起重機運行狀態(tài)的BP神經(jīng)網(wǎng)絡模型持續(xù)優(yōu)化。本發(fā)明公開了一種利用BP神經(jīng)網(wǎng)絡模型對起重機運行狀態(tài)進行智能判斷的起重機運行狀態(tài)的智能檢測方法。
【專利說明】
【技術領域】
[0001] 本發(fā)明涉及起重機運行監(jiān)測領域，尤其涉及一種起重機運行狀態(tài)的智能監(jiān)測方 法。 一種起重機運行狀態(tài)的智能監(jiān)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(chǎn)率。起重機是現(xiàn)代化 生產(chǎn)不可缺少的組成部分，有些起重機還能在生產(chǎn)過程中進行某些特殊的工藝操作，使生 產(chǎn)過程實現(xiàn)機械化和自動化。起重機幫助人類在征服自然改造自然的活動中，實現(xiàn)了過去 無法實現(xiàn)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(xiàn)代化的生產(chǎn)和建設中發(fā)揮著舉足輕重的作用。 起重機的種類繁多、適用范圍廣泛，因此保證起重機的正常工作、識別起重機運行狀態(tài)、對 起重機的故障預測監(jiān)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(nèi)外對于起重機故障診斷的研究出現(xiàn)了很多新的方法和思路，這些方法包 括基于解析模型的故障診斷、基于模糊理論的故障診斷、基于故障樹分析的故障診斷、基于 灰色理論的故障診斷以及基于神經(jīng)網(wǎng)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(tài)監(jiān)測上都還沒有實現(xiàn)智能 精準的預測及識別。
[0004] 人工神經(jīng)網(wǎng)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(jīng)網(wǎng)絡是一種前向型神經(jīng)網(wǎng)絡，其學習規(guī)則用最速下降法，通過誤差反向傳 播不斷調(diào)整網(wǎng)絡的權值和閾值，使網(wǎng)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(shù)：
[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(shù)；
[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(wǎng)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)隨機非零值于
[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(wǎng)絡每層神經(jīng)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是否大于最大迭代次數(shù)，若大于轉至（h)，否則，對輸入樣本Xk，反向 計算每層神經(jīng)元的局部梯度δ。其中，
【權利要求】
1. 一種起重機運行狀態(tài)的智能監(jiān)測方法，其特征在于：它的步驟如下： 步驟SOI :利用起重機運行狀態(tài)信息觀測變量與運行狀態(tài)對應關系的歷史數(shù)據(jù)構建并 訓練起重機運行狀態(tài)的誤差反向傳播神經(jīng)網(wǎng)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(tài)的觀測變量并將其輸入步驟 S01中得出的起重機運行狀態(tài)的誤差反向傳播神經(jīng)網(wǎng)絡智能判斷模型中，由計算機計算得 出起重機運行狀態(tài)； 步驟S03 :不斷完善起重機運行狀態(tài)信息觀測變量與運行狀態(tài)對應關系的數(shù)據(jù)庫信 息，對起重機運行狀態(tài)的誤差反向傳播神經(jīng)網(wǎng)絡模型持續(xù)優(yōu)化。
2. 如權利要求1所述的一種起重機運行狀態(tài)的智能監(jiān)測方法，其特征在于：所述步驟 S01中利用起重機運行狀態(tài)信息觀測變量與運行狀態(tài)對應的歷史數(shù)據(jù)構建并訓練起重機運 行狀態(tài)的誤差反向傳播神經(jīng)網(wǎng)絡智能判斷模型的方法如下： a、 選取起重機運行狀態(tài)的觀測變量； b、 對起重機運行狀態(tài)進行類型分類及編碼，將起重機的運行狀態(tài)分為5類，分別為安 全狀態(tài)、較為安全狀態(tài)、安全向危險過渡狀態(tài)、較為危險狀態(tài)及危險狀態(tài)，5類狀態(tài)的編碼依 次分別為：10000、01000、00100、00010、00001 ; C、在起重機運行狀態(tài)信息觀測變量與運行狀態(tài)分類編碼對應關系的歷史數(shù)據(jù)中選取 樣本； d、 構建起重機運行狀態(tài)的誤差反向傳播神經(jīng)網(wǎng)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(jīng)網(wǎng)絡智能判斷模型，得出誤 差反向傳播神經(jīng)網(wǎng)絡智能判斷模型各個模型參數(shù)。
3. 如權利要求2所述的一種起重機運行狀態(tài)的智能監(jiān)測方法，其特征在于：所述a中 選取的起重機運行狀態(tài)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(tài)的智能監(jiān)測方法，其特征在于：所述e中 采用MATLAB計算機應用軟件對起重機運行狀態(tài)智能判斷的神經(jīng)網(wǎng)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(tài)的智能監(jiān)測方法，其特征在于：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(tài)的智能監(jiān)測方法，其特征在于：所述d中 起重機運行狀態(tài)的誤差反向傳播神經(jīng)網(wǎng)絡智能判斷模型的構建方法為：構建誤差反向傳播 神經(jīng)網(wǎng)絡結構的輸入層、隱層和輸出層，起重機運行狀態(tài)的觀測變量為輸入層，起重機狀態(tài) 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(tài)的智能監(jiān)測方法，其特征在于：所述e中 誤差反向傳播神經(jīng)網(wǎng)絡模型訓練采用最速下降法學習算法，通過誤差反向傳播不斷調(diào)整網(wǎng) 絡的權值和閾值，使誤差反向傳播神經(jīng)網(wǎng)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(tài)的智能監(jiān)測方法，其特征在于：步驟S03 中對起重機運行狀態(tài)的誤差反向傳播神經(jīng)網(wǎng)絡模型持續(xù)優(yōu)化的方法為：不斷完善起重機運 行狀態(tài)信息觀測變量與運行狀態(tài)對應關系的數(shù)據(jù)庫信息，并利用該數(shù)據(jù)庫信息訓練已有的 誤差反向傳播神經(jīng)網(wǎng)絡模型，持續(xù)優(yōu)化神經(jīng)網(wǎng)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(yōu)先權日:2014年5月6日
【發(fā)明者】禹建麗, 徐廣善 申請人:新鄉(xiāng)市起重機廠有限公司