CN106683222A - 一种用于工程车辆技术性能检测装置及检测方法 - Google Patents

Abstract

本发明公开了一种用于工程车辆技术性能检测装置，包括：速度传感器，其安装于绞盘装置的转筒处；第一拉力传感器，其安装于绞盘装置上；第二拉力传感器，其安装于起吊装置上；位移传感器，其安装于拖绳装置上；第三拉力传感器，其安装于拖绳装置上；第四拉力传感器，其安装于助铲装置上；数据采集装置，其分别与速度传感器、位移传感器、第一拉力传感器、第二拉力传感器、第三拉力传感器以及第四拉力传感器电联，用于接收速度信号、位移信号以及拉力信号；数据调理装置，其与数据采集装置电联，用于将数据进行处理后将数据输出；数据显示装置，其与数据调理装置电联，用于将数据读取后显示结果。本发明还公开了一种用于工程车辆技术性能检测方法。

Description

一种用于工程车辆技术性能检测装置及检测方法

技术领域

本发明涉及工程车辆作业检测，具体涉及一种用于工程车辆技术性能检测装置及检测方法。

背景技术

工程车是一个建筑工程的主干力量，由于它们的出现才使建筑工程的进度倍增，大大减少了人力。观工程车作业，不由得使人震撼机器与科技的威力。它们用于工程的运载，挖掘，抢修，甚至作战等。工程车安全事故率一直居高不下，和操作人员有关系的同时，更多的原因是车辆本身结构、安全措施以及安全检测没有做到位。

在如今工程作业过程中，急需用于工程车辆作业装置实车技术性能检测的装置，能对作业装置运行状态做出准确判断，为工程车辆日常维护保养提供必要依据，为了能够实现本系统可以在实车上进行作业装置安全性能检测和分析，工程车辆作业装置安全性能检测与评估系统需要如下特点：可以完成作业装置全部使用状态参数的检测，针对不同的作业装置，选择相应的模块进行检测，并制定了多种车型相应的数据库，实现了检测参数的自动识别，检测诊断迅速，效率高。

发明内容

本发明设计开发了一种用于工程车辆技术性能检测装置，本发明的发明目的是解决工程车辆检测装置布局全面、合理，针对不同的作业装置进行多参数、多系统实时在线检测的问题。

本发明设计开发了一种用于工程车辆技术性能检测方法，本发明的发明目的是解决工作车辆技术性能检测状态模式单一、调试复杂的问题，能够实现工程车辆作业过程中技术性能实时整体全面评价以及异常状态的报警。

本发明提供的技术方案为：

一种用于工程车辆技术性能检测装置，包括：

速度传感器，其安装于绞盘装置的转筒处，用于监测所述绞盘装置的收放绳速度；

第一拉力传感器，其安装于所述绞盘装置上，用于监测所述绞盘装置的收放绳拉力；

第二拉力传感器，其安装于起吊装置上，用于监测所述起吊装置的起吊拉力；

位移传感器，其安装于拖绳装置上，用于监测所述拖绳装置的拖绳位移；

第三拉力传感器，其安装于所述拖绳装置上，用于监测所述拖绳装置的拖绳拉力；

第四拉力传感器，其安装于助铲装置上，用于监测所述助铲装置的助铲支反力；

数据采集装置，其分别与所述速度传感器、位移传感器、第一拉力传感器、第二拉力传感器、第三拉力传感器以及第四拉力传感器电联，用于接收速度信号、位移信号以及拉力信号；

数据调理装置，其与所述数据采集装置电联，用于将数据进行处理后将数据输出；

数据显示装置，其与所述数据调理装置电联，用于将数据读取后显示结果。

优选的是，还包括：数据警报装置，其与所述数据调理装置电联。

优选的是，所述数据调理装置通过ZigBee无线通讯将数据输出。

优选的是，所述数据调理装置为单片机。

优选的是，所述数据通过CAN总线进行传输。

一种用于工程车辆技术性能检测方法，采用BP神经网络对工程车辆技术性能进行检测，包括如下步骤：

步骤一、按照采样周期，通过传感器测量收放绳速度V、收放绳拉力F_a、起吊拉力F_b、拖绳位移S、拖绳拉力F_c、助铲支反力F_d；

步骤二、依次将上述参数进行规格化，确定三层BP神经网络的输入层向量x＝{x₁,x₂,x₃,x₄,x₅,x₆}；其中，x₁为收放绳速度系数、x₂为收放绳拉力系数、x₃为起吊拉力系数、x₄为拖绳位移系数、x₅为拖绳拉力系数、x₆为助铲支反力系数；

步骤三、所述输入层向量映射到中间层，所述中间层向量y＝{y₁,y₂,…,y_m}；m为中间层节点个数；

步骤四、得到输出层向量o＝{o₁,o₂,o₃,o₄}；其中，o₁为技术状态好，o₂为技术状态一般，o₃为技术状态差，o₄为技术状态警报，所述输出层神经元值为k为输出层神经元序列号，k＝{1,2,3,4}，i为技术状态值，i＝{1,2,3,4}，当o_k为1时，此时工程车辆作业装置整体处于o_k对应的技术状态。

优选的是，所述中间层节点个数m满足：其中n为输入层节点个数，p为输出层节点个数。

优选的是，步骤三中，将收放绳速度V、收放绳拉力F_a、起吊拉力F_b、拖绳位移S、拖绳拉力F_c、助铲支反力F_d进行规格化的公式为：

其中，x_j为输入层向量中的参数，X_j分别为测量参数V、F_a、F_b、S、F_c、F_d，j＝1,2,3,4,5,6；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值。

优选的是，所述中间层及所述输出层的激励函数均采用S型函数f_j(x)＝1/(1+e^-x)。

本发明与现有技术相比较所具有的有益效果：

1、检测内容全面：可以完成作业装置全部使用状态参数的检测，可以实现起吊装置、绞盘装置、驻铲装置以及拖绳装置性能检测；

2、采用BP神经网络的运算方法，对工程车辆作业过程做出实时检测，并且将结果输出，运行可靠，操纵简便，能够同时处理多参数、非线性系统的监测问题，能够根据装置工作过程中对作业车辆进行整体全面的实时数据进行有效检测，使用本方法系统工作更稳定，故障率低，具有良好的现实意义。

附图说明

图1为本发明所述的总体流程示意图。

图2为本发明所述基于神经网络的检测方法流程图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

如图1所示，本发明提供了一种用于工程车辆技术性能检测装置，其主体结构包括：数据监测传感器、数据采集装置200、数据调理装置300以及数据显示装置400；其中，速度传感器111安装于绞盘装置110的转筒处，用于监测绞盘装置110的收放绳速度，第一拉力传感器112安装于绞盘装置110上，用于监测绞盘装置110的收放绳拉力，第二拉力传感器121安装于起吊装置120上，用于监测起吊装置120的起吊拉力，位移传感器131安装于拖绳装置130上，用于监测拖绳装置130的拖绳位移，第三拉力传感器132安装于拖绳装置130上，用于监测拖绳装置130的拖绳拉力，第四拉力传感器141安装于助铲装置140上，用于监测助铲装置140的助铲支反力，数据采集装置200分别与速度传感器111、位移传感器131、第一拉力传感器112、第二拉力传感器121、第三拉力传感器132以及第四拉力传感器141电联，用于接收速度信号、位移信号以及拉力信号，数据调理装置300与数据采集装置200电联，用于将数据进行处理后将数据输出，数据显示装置400与数据调理装置300电联，用于将数据读取后显示结果。

在另一种实施例中，还包括：数据警报装置与数据调理装置300电联，当输出的技术状态是报警时，数据警报装置进行报警。

在另一种实施例中，数据调理装置通300过ZigBee无线通讯将数据输出。

在另一种实施例中，收放绳速度数据、收放绳拉力速度数据、起吊拉力数据、拖绳位移数据、拖绳拉力数据以及助铲支反力数据均通过CAN总线进行传输。

在另一种实施例中，数据调理装置300为单片机。

如图2所示，本发明还提供了一种用于工程车辆技术性能检测方法，采用BP神经网络对工程车辆技术性能进行检测，包括如下步骤：

步骤一S210、建立BP神经网络模型。

本发明采用的BP网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示设备工作状态的n个检测信号，这些信号参数由数据预处理模块给出；第二层为隐层，共m个节点，由网络的训练过程以自适应的方式确定；第三层为输出层，共p个节点，由系统实际需要输出的响应确定。

该网络的数学模型为：

输入向量：x＝(x₁,x₂,...,x_n)^T

中间层向量：y＝(y₁,y₂,...,y_m)^T

输出向量：O＝(o₁,o₂,...,o_p)^T

本发明中，输入层节点数为n＝6，输出层节点数为p＝4。隐藏层节点数m由下式估算得出：

输入信号6个参数分别表示为：x₁为收放绳速度系数、x₂为收放绳拉力系数、x₃为起吊拉力系数、x₄为拖绳位移系数、x₅为拖绳拉力系数、x₆为助铲支反力系数。

由于传感器获取的数据属于不同的物理量，其量纲各不相同。因此，在数据输入人工神经网络之前，需要将数据规格化为0-1之间的数。

归一化的公式为其中，x_j为输入层向量中的参数，X_j分别为测量参数V、F_a、F_b、S、F_c、F_d，j＝1,2,3,4,5,6；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值，采用S型函数。

具体而言，对于使用速度传感器111测量的收放绳速度V，进行规格化后，得到收放绳速度系数x₁：

其中，V_min和V_max分别为所述绞盘装置110的最小收放绳速度和最大收放绳速度。

同样的，使用第一拉力传感器112测量的收放绳拉力F_a通过下式进行规格化，得到收放绳拉力系数x₂：

其中，F_{a min}和F_bmax分别为所述绞盘装置110的最小收放绳拉力和最大收放绳拉力。

使用第二拉力传感器121测量得到起吊拉力F_b，进行规格化后，得到起吊拉力系数x₃：

其中，F_{b min}和F_bmax分别为所述起吊装置120的最小起吊拉力和最大起吊拉力。

使用位移传感器131测量得到拖绳装置130的拖绳位移S，进行规格化后，得到拖绳位移系数x₄：

其中，S_min和S_max分别为拖绳装置130的最小拖绳位移和最大拖绳位移。

使用第三拉力传感器132测量得到拖绳装置130的拖绳拉力F_c，进行规格化后，得到拖绳拉力系数x₅：

其中，F_cmin和F_cmax分别为拖绳装置130的最小拖绳拉力和最大拖绳拉力。

使用第四拉力传感器141测量得到助铲装置140的助铲支反力F_d，进行规格化后，得到助铲支反力系数x₆：

其中，F_dmin和F_dmax分别为助铲装置140的最小助铲支反力和最大助铲支反力。

输出层4个参数分别表示为：o₁为技术状态好，o₂为技术状态一般，o₃为技术状态差，o₄为技术状态警报，所述输出层神经元值为k为输出层神经元序列号，k＝{1,2,3,4}，i为技术状态值，i＝{1,2,3,4}，当o_k为1时，此时工程车辆作业装置整体处于o_k对应的技术状态。

步骤二S220、进行BP神经网络的训练。

建立好BP神经网络节点模型后，即可进行BP神经网络的训练。根据产品的历史经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值w_ij，隐层节点j和输出层节点k之间的连接权值w_jk，隐层节点j的阈值θ_j，输出层节点k的阈值θ_k、w_ij、w_jk、θ_j、θ_k均为-1到1之间的随机数。

在训练过程中，不断修正w_ij和w_jk的值，直至系统误差小于等于期望误差时，完成神经网络的训练过程。

如表1所示，给定了一组训练样本以及训练过程中各节点的值，表2为训练用的输出样本。

表1训练过程各节点值

表2网络训练用的输出样本

步骤三S230、采集绞盘装置110、起吊装置120、拖绳装置130以及助铲装置140的运行参数输入神经网络得到检测技术状态。

使用速度传感器111、第一拉力传感器112、第二拉力传感器121、位移传感器131、第三拉力传感器132以及第四拉力传感器141测量初始收放绳速度V、初始收放绳拉力F_a、初始起吊拉力F_b、初始拖绳位移S、初始拖绳拉力F_c、初始助铲支反力F_d，通过将上述参数规格化后，得到BP神经网络的初始输入向量过BP神经网络的运算得到初始输出向量

通过上述设置，通过传感器实时监测绞盘装置110、起吊装置120、拖绳装置130以及助铲装置140的运行状态，通过BP神经网络算法，对工程车辆作业过程进行整体的实时监测。

在另一种实施例中，中间层及输出层的激励函数均采用采用S型函数f_j(x)＝1/(1+e^-x)。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (9)

1.一种用于工程车辆技术性能检测装置，其特征在于，包括：

速度传感器，其安装于绞盘装置的转筒处，用于监测所述绞盘装置的收放绳速度；

第一拉力传感器，其安装于所述绞盘装置上，用于监测所述绞盘装置的收放绳拉力；

第二拉力传感器，其安装于起吊装置上，用于监测所述起吊装置的起吊拉力；

位移传感器，其安装于拖绳装置上，用于监测所述拖绳装置的拖绳位移；

第三拉力传感器，其安装于所述拖绳装置上，用于监测所述拖绳装置的拖绳拉力；

第四拉力传感器，其安装于助铲装置上，用于监测所述助铲装置的助铲支反力；

数据采集装置，其分别与所述速度传感器、位移传感器、第一拉力传感器、第二拉力传感器、第三拉力传感器以及第四拉力传感器电联，用于接收速度信号、位移信号以及拉力信号；

数据调理装置，其与所述数据采集装置电联，用于将数据进行处理后将数据输出；

数据显示装置，其与所述数据调理装置电联，用于将数据读取后显示结果。

2.如权利要求1所述的用于工程车辆技术性能检测装置，其特征在于，还包括：数据警报装置，其与所述数据调理装置电联。

3.如权利要求1或2所述的用于工程车辆技术性能检测装置，其特征在于，所述数据调理装置通过ZigBee无线通讯将数据输出。

4.如权利要求3所述的用于工程车辆技术性能检测装置，其特征在于，所述数据调理装置为单片机。

5.如权利要求4所述的用于工程车辆技术性能检测装置，其特征在于，所述数据通过CAN总线进行传输。

6.一种用于工程车辆技术性能检测方法，其特征在于，采用BP神经网络对工程车辆技术性能进行检测，包括如下步骤：

步骤一、按照采样周期，通过传感器测量收放绳速度V、收放绳拉力F_a、起吊拉力F_b、拖绳位移S、拖绳拉力F_c、助铲支反力F_d；

步骤二、依次将上述参数进行规格化，确定三层BP神经网络的输入层向量x＝{x₁,x₂,x₃,x₄,x₅,x₆}；其中，x₁为收放绳速度系数、x₂为收放绳拉力系数、x₃为起吊拉力系数、x₄为拖绳位移系数、x₅为拖绳拉力系数、x₆为助铲支反力系数；

步骤三、所述输入层向量映射到中间层，所述中间层向量y＝{y₁,y₂,…,y_m}；m为中间层节点个数；

步骤四、得到输出层向量o＝{o₁,o₂,o₃,o₄}；其中，o₁为技术状态好，o₂为技术状态一般，o₃为技术状态差，o₄为技术状态警报，所述输出层神经元值为k为输出层神经元序列号，k＝{1,2,3,4}，i为技术状态值，i＝{1,2,3,4}，当o_k为1时，此时工程车辆作业装置整体处于o_k对应的技术状态。

7.如权利要求6所述的用于工程车辆技术性能检测方法，其特征在于，所述中间层节点个数m满足：其中n为输入层节点个数，p为输出层节点个数。

8.如权利要求7所述的用于工程车辆技术性能检测方法，其特征在于，步骤三中，将收放绳速度V、收放绳拉力F_a、起吊拉力F_b、拖绳位移S、拖绳拉力F_c、助铲支反力F_d进行规格化的公式为：

$x_j=\frac{X_j-X_{j_{\min }}}{X_{jmax}-X_{j\min }},$

其中，x_j为输入层向量中的参数，X_j分别为测量参数V、F_a、F_b、S、F_c、F_d，j＝1,2,3,4,5,6；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值。

9.如权利要求8所述的用于工程车辆技术性能检测方法，其特征在于，其特征在于，所述中间层及所述输出层的激励函数均采用S型函数f_j(x)＝1/(1+e^-x)。