CN104085789B - 一种起重机运行状态的智能监测方法 - Google Patents

Abstract

本发明涉及一种起重机运行状态的智能检测方法，它的步骤如下：步骤S01：利用起重机运行状态信息观测变量与运行状态对应关系的历史数据构建并训练起重机运行状态的BP神经网络智能判断模型；步骤S02：利用起重机传感器在线观测起重机运行状态的观测变量并将其输入步骤S01中得出的起重机运行状态的BP神经网络智能判断模型中，由计算机计算得出起重机运行状态；步骤S03：不断完善起重机运行状态信息观测变量与运行状态对应关系的数据库信息，对起重机运行状态的BP神经网络模型持续优化。本发明公开了一种利用BP神经网络模型对起重机运行状态进行智能判断的起重机运行状态的智能检测方法。

Description

一种起重机运行状态的智能监测方法

技术领域

本发明涉及起重机运行监测领域，尤其涉及一种起重机运行状态的智能监测方法。

背景技术

起重机是一种空间运输设备，主要是通过起重吊钩或其他取物装置的起升或起升加完成重物的位移的机械设备。它可以减轻劳动强度，提高劳动生产率。起重机是现代化生产不可缺少的组成部分，有些起重机还能在生产过程中进行某些特殊的工艺操作，使生产过程实现机械化和自动化。起重机帮助人类在征服自然改造自然的活动中，实现了过去无法实现的大件物件的吊装和移动，如重型船舶的分段组装，化工反应塔的整体吊装，体育场馆钢屋架的整体吊装等，总之，起重机在现代化的生产和建设中发挥着举足轻重的作用。起重机的种类繁多、适用范围广泛，因此保证起重机的正常工作、识别起重机运行状态、对起重机的故障预测监控、起重机故障的及时维修也就成了为关键的问题。

目前国内外对于起重机故障诊断的研究出现了很多新的方法和思路，这些方法包括基于解析模型的故障诊断、基于模糊理论的故障诊断、基于故障树分析的故障诊断、基于灰色理论的故障诊断以及基于神经网络的故障诊断等，这些方法从不同的适用角度解决了起重机故障诊断方面的不同问题，但这些方法在起重机运行状态监测上都还没有实现智能精准的预测及识别。

人工神经网络具有非线性映射、自主学习和泛化能力，可以用来解决分类问题。误差反向传播神经网络是一种前向型神经网络，其学习规则用最速下降法，通过误差反向传播不断调整网络的权值和阈值，使网络输出与实际期望值的误差平方和逐渐减小。

算法的步骤为:

(a)设置变量和参数:

X_k＝[x_k1,x_k2,…,x_kP],(k＝1,2,…,N)为输入向量，即训练样本，N为样本的个数；

W_PI(n)＝(w_ij)_M×I为第n次迭代时输入层与隐层I之间的权值向量；

W_IJ(n)＝(w_ij)_I×J为第n次迭代时隐层I与隐层J之间的权值向量；

W_JN3(n)＝(w_ij)_J×N3为第n次迭代是隐层J与输出层之间的权值向量；

O_k(n)＝[O_k1(n),O_k2(n),…,O_kN3(n)]，

(k＝1,2,…,N)为第n次迭代时网络的实际输出；

为期望输出。

(b)初始化。赋较小的d_k＝[d_k1,d_k2,…,d_kN3],(k＝1,2,…,N)随机非零值于W_MI(0),W_IJ(0),W_JN3(0)。

(c)输入样本X_k，n＝0。

(d)对输入样本X_k，前向计算误差反向传播网络每层神经元的输入信号u和输出信号v。

(e)由期望输出d_k和上一步求得的实际输出O_k(n)计算误差e，判断其是否满足要求，若满足转至(h)；不满足转至(f)。

(f)判断n+1是否大于最大迭代次数，若大于转至(h)，否则，对输入样本X_k，反向计算每层神经元的局部梯度δ。其中，

${\mathrm{\δ}}_p^{N3}=O_p\left(n\right)(1-O_p\left(n\right))(d_p\left(n\right)-O_p\left(n\right)),---\left(1\right)$

(p＝1,2,…,N3)

${\mathrm{\δ}}_j^J=f^{\′}\left(u_j^J\left(n\right)\right)\underset{p=1}{\overset{N3}{\mathrm{\Σ}}}{\mathrm{\δ}}_p^{N3}{w}_{\mathrm{jp}}\left(n\right),---\left(2\right)$

(j＝1,2,…,J)

${\mathrm{\δ}}_i^I=f^{\′}\left(u_i^I\left(n\right)\right)\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{\mathrm{\δ}}_j^J{w}_{\mathrm{ij}}\left(n\right),---\left(3\right)$

(i＝1,2,…,I)

(g)按下式计算权值修正Δw，并修正权值，η为学习速率。n＝n+1，转至(d)。

$\mathrm{\Δ}{w}_{\mathrm{jp}}\left(n\right)={\mathrm{\η\δ}}_p^{N3}\left(n\right)v_j^J\left(n\right),$

w_jp(n+1)＝w_jp(n)+Δw_jp(n),(4)

(j＝1,2,…,J；p＝1,2,…,P)；

$\mathrm{\Δ}{w}_{\mathrm{ij}}\left(n\right)={\mathrm{\η\δ}}_j^J\left(n\right)v_i^I\left(n\right),$

w_ij(n+1)＝w_ij(n)+Δw_ij(n),(5)

(i＝1,2,…,I；j＝1,2,…,J)；

${\mathrm{\Δw}}_{\mathrm{mi}}\left(n\right)={\mathrm{\η\δ}}_i^I\left(n\right)x_{\mathrm{km}}\left(n\right)$

w_mi(n+1)＝w_mi(n)+Δw_mi(n)(6)

(m＝1,2,…,P；i＝1,2,…,I)

(h)判断是否学完所有的训练样本，是则结束，否则，返回(c)。

发明内容

本发明的目的在于克服上述现有技术中的不足提供一种用人工神经网络对起重机运行状态进行智能监测的起重机运行状态的智能检测方法。

本发明的技术方案是这样实现的：一种起重机运行状态的智能监测方法，它的步骤如下：

步骤S01：利用起重机运行状态信息观测变量与运行状态对应关系的历史数据构建并训练起重机运行状态的误差反向传播神经网络智能判断模型；

步骤S02：利用起重机传感器在线观测起重机运行状态的观测变量并将其输入步骤S01中得出的起重机运行状态的误差反向传播神经网络智能判断模型中，由计算机计算得出起重机运行状态；

步骤S03：不断完善起重机运行状态信息观测变量与运行状态对应关系的数据库信息，对起重机运行状态的误差反向传播神经网络模型持续优化。

所述步骤S01中利用起重机运行状态信息观测变量与运行状态对应的历史数据构建并训练起重机运行状态的误差反向传播神经网络智能判断模型的方法如下：

a、选取起重机运行状态的观测变量；

b、对起重机运行状态进行类型分类及编码，将起重机的运行状态分为5类，分别为安全状态、较为安全状态、安全向危险过渡状态、较为危险状态及危险状态，5类状态的编码依次分别为：10000、01000、00100、00010、00001；

c、在起重机运行状态信息观测变量与运行状态分类编码对应关系的历史数据中选取样本；

d、构建起重机运行状态的误差反向传播神经网络智能判断模型；

e、利用c中的训练样本训练d中构建的误差反向传播神经网络智能判断模型，得出误差反向传播神经网络智能判断模型各个模型参数。

所述a中选取的起重机运行状态的观测变量为塔式起重机的起重量、起重力矩、起升高度、起重幅度、风速及电动机绕组温度6个变量。

所述e中采用MATLAB计算机应用软件对起重机运行状态智能判断的神经网络模型进行训练。

对所述c中的训练样本进行归一化处理。

所述d中起重机运行状态的误差反向传播神经网络智能判断模型的构建方法为：构建误差反向传播神经网络结构的输入层、隐层和输出层，起重机运行状态的观测变量为输入层，起重机状态类型分类编码为输出层。

所述e中误差反向传播神经网络模型训练采用最速下降法学习算法，通过误差反向传播不断调整网络的权值和阈值，使误差反向传播神经网络输出与实际期望值的误差平方和越来越小。

步骤S03中对起重机运行状态的误差反向传播神经网络模型持续优化的方法为：不断完善起重机运行状态信息观测变量与运行状态对应关系的数据库信息，并利用该数据库信息训练已有的误差反向传播神经网络模型，持续优化神经网络的权值和阈值。

本发明的技术方案产生的积极效果如下：本发明构建了误差反向传播神经网络(下文中均简称BP神经网络)模型，可有效识别起重机运行状态。首先利用起重机运行状态信息观测变量与运行状态对应关系的历史数据构建并训练起重机运行状态识别的BP神经网络模型；而后利用传感器在线采集起重机运行的观测变量数据并将其输入到训练后得到的起重机运行状态的BP神经网络智能判断模型中，由计算机计算得出起重机运行状态；不断完善起重机运行状态信息观测变量与运行状态对应关系的数据库信息，进行BP神经网络模型的持续优化，更新BP神经网络模型的权值和阈值。

附图说明

图1为本发明实施例步骤5中BP神经网络输出与实际期望值的误差平方和的变化图。

具体实施方式

一种起重机运行状态的智能检测方法，步骤如下：

步骤1、选取塔式起重机运行状态的6个变量作为观测变量，分别为：起重量、起重力矩、起升高度、起重幅度、风速及电动机绕组温度，这6个观测变量均为塔机运行中可通过传感器简单采集到的变量；

步骤2：起重机运行状态进行类型分类及编码，将起重机的运行状态分为5类，分别为安全状态、较为安全状态、安全向危险过渡状态、较为危险状态及危险状态，5类状态的编码依次分别为：10000、01000、00100、00010、00001；

步骤3、在塔式起重机运行状态信息观测变量与运行状态分类编码对应关系的历史数据中选取25组训练样本，25组验证样本如下：

步骤4：构建起重机运行状态的BP神经网络智能判断模型，构建BP神经网络结构的输入层、隐层和输出层，起重机运行状态的观测变量为输入层，起重机状态类型分类编码为输出层；

步骤5：利用步骤3中的训练样本训练步骤4中构建的BP神经网络智能判断模型，得出BP神经网络智能判断模型的权值和阈值；

BP神经网络模型训练采用最速下降法学习算法，通过误差反向传播不断调整网络的权值和阈值，使BP神经网络输出与实际期望值的误差平方和越来越小，如图1所示。

用下列MATLAB软件程序对神经网络进行训练，其中神经网络的隐层神经元的个数选为13，p为输入层样本，t为输出层样本：

p＝load('p.txt')；

p＝p'

t＝load('t.txt')；

t＝t'

net＝newff(minmax(p),[13,5],{'tansig','purelin'},'trainlm')；

net.trainParam.goal＝0.010(0.010代表训练精度)；

net.trainParam.lr＝0.3；

net.trainParam.epochs＝5000(5000代表训练次数)；

[net,tr]＝train(net,p,t)；

用下列MATLAB软件程序命令输出训练得到的神经网络的权值和阈值

IW＝net.IW{1,1}

LW＝net.LW{2,1}

b1＝net.b{1,1}

b2＝net.b{2,1}

神经网络的权值如下所示：

训练得到的神经网络阈值如下所示：

步骤6：利用塔式起重机传感器信息采集子单元在线观测起重机运行状态的观测变量并将其输入步骤5中得出的起重机运行状态的BP神经网络智能判断模型中，由计算机计算得出起重机运行状态；本例中例用MATLAB软件程序命令huijian＝sim(net,p)，将训练样本中的塔式起重机运行状态的历史观测变量数据输入到上述步骤5中训练得到的BP神经网络中，对起重机运行状态进行分类判断，输出结果如下：

将上述BP神经网络对塔式起重机运行状态分类判断输出向量中的最大值对应的分量值取为1，其它分量值取为0，得起重机运行状态分类判断最终结果，将其与训练样本中原来塔式起重机运行状态的分类编码进行比较可知，该塔式起重机运行状态的BP神经网络智能判断模型对起重机运行状态对塔式起重机运行状态进行的分类判断的准确率达到100％。

步骤7：建立完善的塔式起重机运行状态信息观测变量与运行状态对应关系的数据库信息，对起重机运行状态的BP神经网络模型持续优化，持续优化即是指利用起重机运行状态信息观测变量与运行状态对应关系的数据库信息训练已有的BP神经网络模型，持续优化神经网络的权值和阈值，使得对起重机运行状态的BP神经网络智能判断模型对在线采集到的起重机运行状态信息观测变量进行实际运行状态判断的结果更加精准。

Claims (7)

1.一种起重机运行状态的智能监测方法，其特征在于：它的步骤如下：

步骤S01：利用起重机运行状态信息观测变量与运行状态对应关系的历史数据构建并训练起重机运行状态的误差反向传播神经网络智能判断模型；

步骤S02：利用起重机传感器在线观测起重机运行状态的观测变量并将其输入步骤S01中得出的起重机运行状态的误差反向传播神经网络智能判断模型中，由计算机计算得出起重机运行状态；

步骤S03：不断完善起重机运行状态信息观测变量与运行状态对应关系的数据库信息，对起重机运行状态的误差反向传播神经网络模型持续优化；

所述步骤S01中利用起重机运行状态信息观测变量与运行状态对应的历史数据构建并训练起重机运行状态的误差反向传播神经网络智能判断模型的方法如下：

a、选取起重机运行状态的观测变量；

b、对起重机运行状态进行类型分类及编码，将起重机的运行状态分为5类，分别为安全状态、较为安全状态、安全向危险过渡状态、较为危险状态及危险状态，5类状态的编码依次分别为：10000、01000、00100、00010、00001；

c、在起重机运行状态信息观测变量与运行状态分类编码对应关系的历史数据中选取样本；

d、构建起重机运行状态的误差反向传播神经网络智能判断模型；

e、利用c中的训练样本训练d中构建的误差反向传播神经网络智能判断模型，得出误差反向传播神经网络智能判断模型各个模型参数。

2.如权利要求1所述的一种起重机运行状态的智能监测方法，其特征在于：所述a中选取的起重机运行状态的观测变量为塔式起重机的起重量、起重力矩、起升高度、起重幅度、风速及电动机绕组温度6个变量。

3.如权利要求1所述的一种起重机运行状态的智能监测方法，其特征在于：所述e中采用MATLAB计算机应用软件对起重机运行状态智能判断的神经网络模型进行训练。

4.如权利要求1所述的一种起重机运行状态的智能监测方法，其特征在于：对所述c中的训练样本进行归一化处理。

5.如权利要求1所述的一种起重机运行状态的智能监测方法，其特征在于：所述d中起重机运行状态的误差反向传播神经网络智能判断模型的构建方法为：构建误差反向传播神经网络结构的输入层、隐层和输出层，起重机运行状态的观测变量为输入层，起重机状态类型分类编码为输出层。

6.如权利要求1所述的一种起重机运行状态的智能监测方法，其特征在于：所述e中误差反向传播神经网络模型训练采用最速下降法学习算法，通过误差反向传播不断调整网络的权值和阈值，使误差反向传播神经网络输出与实际期望值的误差平方和越来越小。

7.如权利要求1所述的一种起重机运行状态的智能监测方法，其特征在于：步骤S03中对起重机运行状态的误差反向传播神经网络模型持续优化的方法为：不断完善起重机运行状态信息观测变量与运行状态对应关系的数据库信息，并利用该数据库信息训练已有的误差反向传播神经网络模型，持续优化神经网络的权值和阈值。