CN110817694B - 载荷吊重的计算方法、装置及存储介质 - Google Patents
载荷吊重的计算方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110817694B CN110817694B CN201911022976.8A CN201911022976A CN110817694B CN 110817694 B CN110817694 B CN 110817694B CN 201911022976 A CN201911022976 A CN 201911022976A CN 110817694 B CN110817694 B CN 110817694B
- Authority
- CN
- China
- Prior art keywords
- working condition
- under
- calibrated
- sample
- oil cylinder
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C13/00—Other constructional features or details
- B66C13/16—Applications of indicating, registering, or weighing devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C13/00—Other constructional features or details
- B66C13/18—Control systems or devices
- B66C13/20—Control systems or devices for non-electric drives
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C13/00—Other constructional features or details
- B66C13/18—Control systems or devices
- B66C13/48—Automatic control of crane drives for producing a single or repeated working cycle; Programme control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C23/00—Cranes comprising essentially a beam, boom, or triangular structure acting as a cantilever and mounted for translatory of swinging movements in vertical or horizontal planes or a combination of such movements, e.g. jib-cranes, derricks, tower cranes
- B66C23/62—Constructional features or details
- B66C23/82—Luffing gear
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
- F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
- F15B21/00—Common features of fluid actuator systems; Fluid-pressure actuator systems or details thereof, not covered by any other group of this subclass
- F15B21/02—Servomotor systems with programme control derived from a store or timing device; Control devices therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
Abstract
本发明涉及数据处理技术领域,公开了一种载荷吊重的计算方法、装置及存储介质,解决了现有技术中所计算的载荷吊重精度低,计算量大的问题。所述方法包括:采集在设定工况下对应的样本数据;根据每种设定工况下对应的预设吊臂倾斜角度、每种设定工况下对应的样本数据以及预设拟合公式,得到每种设定工况下对应的初选样本,预设吊臂倾斜角度中包括至少一个外推角度;根据力矩平衡方法以及每种设定工况下对应的初选样本,得到所有设定工况下对应的规范样本构成的规范样本集;根据规范样本集、当前工况下采集得到的样本数据以及广义回归神经网络,得到汽车起重机当前工况下对应的当前载荷吊重。本发明实施例适用于载荷吊重的计算过程。
Description
技术领域
本发明涉及数据处理技术领域,具体地,涉及一种载荷吊重的计算方法、装置及存储介质。
背景技术
对载荷吊重的实时计算是汽车起重机安全监控系统的一项重要功能。在理想情况下,载荷吊重可以通过测量变幅油缸油压,并通过力矩平衡理论直接计算得出。但是,在实际工作过程中,由于臂架的结构参数存在难以测量的误差,以及工作时吊臂不可避免的会发生弹性形变等原因,导致通过理论公式计算得出的载荷吊重并不准确。
现有技术中,对于汽车起重机载荷吊重的计算存在两种方法,一种是利用力矩平衡理论和多项式修正得到载荷吊重,另一种是采用数值处理方法,通过BP神经网络来拟合载荷吊重。但是前一种方法计算的载荷吊重精度较低,复杂工况下的修正多项式需要产品设计人员依各工况特点精心设计,难以形成统一的修正计算公式;而后一种方法,BP神经网络的训练过程需要进行参数迭代寻优,计算量较大,无法适用于需要进行在线参数修正的校准应用。
发明内容
本发明实施例的目的是提供一种载荷吊重的计算方法、装置及存储介质,解决了现有技术中所计算的载荷吊重精度低,计算量大的问题,通过选取规范样本,减少了训练样本数量,且利用广义回归神经网络来拟合规范样本,学习过程无需迭代寻优计算,减少了计算量,另外规范样本中还包括角度外推数据,得到了超载工况的样本数据,提高了广义回归神经网络对载荷吊重的计算精度。
为了实现上述目的,本发明实施例提供一种载荷吊重的计算方法,包括:采集汽车起重机在设定工况下对应的样本数据,所述设定工况指在设定的吊臂长度和设定的载荷吊重下的工况,所述样本数据包括设定的吊臂长度、设定的载荷吊重、吊臂倾斜角度、变幅油缸无杆腔压强和变幅油缸有杆腔压强;根据每种设定工况下对应的预设吊臂倾斜角度、每种设定工况下对应的样本数据以及预设拟合公式,得到每种设定工况下对应的初选样本,所述初选样本包括设定的吊臂长度、设定的载荷吊重、预设吊臂倾斜角度以及由所述预设吊臂倾斜角度计算得到的变幅油缸无杆腔压强和变幅油缸有杆腔压强,所述预设吊臂倾斜角度中包括至少一个外推角度;根据力矩平衡方法以及每种设定工况下对应的初选样本,得到所有设定工况下对应的规范样本构成的规范样本集,所述规范样本包括设定的吊臂长度、预设吊臂倾斜角度、变幅油缸压差以及理论载荷吊重偏差;根据所述规范样本集、当前工况下采集得到的样本数据以及广义回归神经网络,得到所述汽车起重机当前工况下对应的当前载荷吊重。
进一步地,所述根据每种设定工况下对应的预设吊臂倾斜角度、每种设定工况下对应的样本数据以及预设拟合公式,得到每种设定工况下对应的初选样本包括:根据预设拟合公式以及每种设定工况下对应的样本数据,通过最小二乘法拟合得到所述预设拟合公式中的多项式系数a0,a1,a2,a3,b0以及b1,其中,Pw为所述变幅油缸无杆腔压强,Py为所述变幅油缸有杆腔压强,θ为所述预设吊臂倾斜角度;将拟合得到的所述多项式系数代入所述预设拟合公式中,得到油压拟合公式;根据所述油压拟合公式以及每种设定工况下对应的预设吊臂倾斜角度,得到每种设定工况下对应的初选样本。
进一步地,所述根据力矩平衡方法以及每种设定工况下对应的初选样本,得到所有设定工况下对应的规范样本构成的规范样本集包括:根据力矩平衡方法以及每种设定工况下对应的初选样本,得到每种设定工况下对应的理论载荷吊重;将每种设定工况下对应的理论载荷吊重与设定的载荷吊重之间的差值,确定为理论载荷吊重偏差;将所述每种设定工况下对应的初选样本中的变幅油缸无杆腔压强与变幅油缸有杆腔压强之间的差值,确定为变幅油缸压差;将每种设定工况下对应的设定的吊臂长度、预设吊臂倾斜角度、变幅油缸压差以及理论载荷吊重偏差构成每种设定工况下对应的规范样本;集合所有设定工况下对应的规范样本,得到规范样本集。
进一步地,所述根据所述规范样本集、当前工况下采集得到的样本数据以及广义回归神经网络,得到所述汽车起重机当前工况下对应的当前载荷吊重包括:将当前工况下采集得到的样本数据作为所述广义回归神经网络的输入层;根据得到所述广义回归神经网络的第i个隐含层神经元的输出φi,其中,L0为当前工况下采集得到的吊臂长度、θ0为当前工况下采集得到的吊臂倾斜角度、P0为当前工况下的变幅油缸压差,对应于当前工况下采集得到的变幅油缸无杆腔压强和变幅油缸有杆腔压强之间的差值,Li、θi和Pi为所述规范样本集中第i个规范样本中的设定的吊臂长度、预设吊臂倾斜角度和变幅油缸压差,σ为平滑因子;根据得到所述当前工况下载荷吊重偏差预测值其中,φi为所述广义回归神经网络的第i个隐含层神经元的输出,δGi为所述规范样本集中第i个规范样本中的理论载荷吊重偏差,n为所述规范样本集中规范样本的个数;根据力矩平衡方法以及所述当前工况下采集得到的样本数据中的当前吊臂长度、当前吊臂倾斜角度、当前变幅油缸无杆腔压强和当前变幅油缸有杆腔压强,得到当前理论载荷吊重;根据所述当前理论载荷吊重与所述当前工况下载荷吊重偏差预测值之间的差值,得到所述汽车起重机当前工况下对应的当前载荷吊重。
进一步地,所述方法还包括:当接收到载荷吊重校准指令时,采集待校准工况下的样本数据;根据待校准工况下的预定吊臂倾斜角度、所述待校准工况下的样本数据以及所述预设拟合公式,得到所述待校准工况下对应的初选样本,所述预定吊臂倾斜角度中包括至少一个外推角度;根据力矩平衡方法以及所述待校准工况下对应的初选样本,得到所述待校准工况下对应的规范样本;查找与所述待校准工况相同的设定工况,确定为原有工况;将所述原有工况下对应的规范样本替换为所述待校准工况下对应的规范样本,得到替换后的设定工况下对应的新规范样本集;根据所述新规范样本集、当前待校准工况下采集得到的样本数据以及广义回归神经网络,得到所述待校准工况下对应的校准后载荷吊重。
进一步地,所述根据待校准工况下的预定吊臂倾斜角度、所述待校准工况下的样本数据以及所述预设拟合公式,得到所述待校准工况下对应的初选样本包括:根据所述预设拟合公式以及所述待校准工况下的样本数据,通过最小二乘法拟合得到所述预设拟合公式中的多项式系数;将拟合得到的所述多项式系数代入所述预设拟合公式中,得到所述待校准工况下的油压拟合公式;根据所述待校准工况下的油压拟合公式以及所述预定吊臂倾斜角度,得到所述待校准工况下对应的初选样本。
进一步地,所述根据力矩平衡方法以及所述待校准工况下对应的初选样本,得到所述待校准工况下对应的规范样本包括:根据力矩平衡方法以及所述待校准工况下对应的初选样本,得到所述待校准工况下对应的理论载荷吊重;将所述待校准工况下对应的理论载荷吊重与所述待校准工况下对应的载荷吊重之间的差值,确定为所述待校准工况下对应的理论载荷吊重偏差;将所述待校准工况下对应的初选样本中的变幅油缸无杆腔压强与变幅油缸有杆腔压强之间的差值,确定为所述待校准工况下对应的变幅油缸压差;将所述待校准工况下对应的吊臂长度、预定吊臂倾斜角度、变幅油缸压差以及理论载荷吊重偏差构成所述待校准工况下对应的规范样本。
进一步地,所述根据所述新规范样本集、当前待校准工况下采集得到的样本数据以及广义回归神经网络,得到所述待校准工况下对应的校准后载荷吊重包括:将当前待校准工况下采集得到的样本数据作为所述广义回归神经网络的输入层;根据得到所述广义回归神经网络的第i个隐含层神经元的输出φ′i,其中,L′0为当前待校准工况下采集得到的吊臂长度、θ′0为当前待校准工况下采集得到的吊臂倾斜角度、P′0为当前待校准工况下采集得到的变幅油缸压差,对应于当前待校准工况下采集得到的变幅油缸无杆腔压强和变幅油缸有杆腔压强之间的差值,L′i、θ′i和Pi′为所述新规范样本集中的第i个规范样本中的吊臂长度、吊臂倾斜角度和变幅油缸压差,σ为平滑因子;根据得到所述待校准工况下对应的载荷吊重偏差预测值其中,φi′为所述广义回归神经网络的第i个隐含层神经元的输出,δ′Gi为所述新规范样本集中的第i个规范样本中的理论载荷吊重偏差,n为所述新规范样本集中规范样本的个数;根据所述待校准工况下的载荷吊重与所述待校准工况下对应的载荷吊重偏差预测值之间的差值,得到所述待校准工况下对应的校准后载荷吊重。
相应的,本发明实施例还提供一种载荷吊重的计算装置,包括:采集单元,用于采集汽车起重机在设定工况下对应的样本数据,所述设定工况指在设定的吊臂长度和设定的载荷吊重下的工况,所述样本数据包括设定的吊臂长度、设定的载荷吊重、吊臂倾斜角度、变幅油缸无杆腔压强和变幅油缸有杆腔压强;初选样本确定单元,用于根据每种设定工况下对应的预设吊臂倾斜角度、每种设定工况下对应的样本数据以及预设拟合公式,得到每种设定工况下对应的初选样本,所述初选样本包括设定的吊臂长度、设定的载荷吊重、预设吊臂倾斜角度以及由所述预设吊臂倾斜角度计算得到的变幅油缸无杆腔压强和变幅油缸有杆腔压强,所述预设吊臂倾斜角度中包括至少一个外推角度;规范样本确定单元,用于根据力矩平衡方法以及每种设定工况下对应的初选样本,得到所有设定工况下对应的规范样本构成的规范样本集,所述规范样本包括设定的吊臂长度、预设吊臂倾斜角度、变幅油缸压差以及理论载荷吊重偏差;当前载荷吊重计算单元,用于根据所述规范样本集、当前工况下采集得到的样本数据以及广义回归神经网络,得到所述汽车起重机当前工况下对应的当前载荷吊重。
进一步地,所述初选样本确定单元还用于根据预设拟合公式以及每种设定工况下对应的样本数据,通过最小二乘法拟合得到所述预设拟合公式中的多项式系数a0,a1,a2,a3,b0以及b1,其中,Pw为所述变幅油缸无杆腔压强,Py为所述变幅油缸有杆腔压强,θ为所述预设吊臂倾斜角度;将拟合得到的所述多项式系数代入所述预设拟合公式中,得到油压拟合公式;根据所述油压拟合公式以及每种设定工况下对应的预设吊臂倾斜角度,得到每种设定工况下对应的初选样本。
进一步地,所述规范样本确定单元还用于根据力矩平衡方法以及每种设定工况下对应的初选样本,得到每种设定工况下对应的理论载荷吊重;将每种设定工况下对应的理论载荷吊重与设定的载荷吊重之间的差值,确定为理论载荷吊重偏差;将所述每种设定工况下对应的初选样本中的变幅油缸无杆腔压强与变幅油缸有杆腔压强之间的差值,确定为变幅油缸压差;将每种设定工况下对应的设定的吊臂长度、预设吊臂倾斜角度、变幅油缸压差以及理论载荷吊重偏差构成每种设定工况下对应的规范样本;集合所有设定工况下对应的规范样本,得到规范样本集。
进一步地,所述当前载荷吊重计算单元还用于将当前工况下采集得到的样本数据作为所述广义回归神经网络的输入层;根据得到所述广义回归神经网络的第i个隐含层神经元的输出φi,其中,L0为当前工况下采集得到的吊臂长度、θ0为当前工况下采集得到的吊臂倾斜角度、P0为当前工况下的变幅油缸压差,对应于当前工况下采集得到的变幅油缸无杆腔压强和变幅油缸有杆腔压强之间的差值,Li、θi和Pi为所述规范样本集中第i个规范样本中的设定的吊臂长度、预设吊臂倾斜角度和变幅油缸压差,σ为平滑因子;根据得到所述当前工况下载荷吊重偏差预测值其中,φi为所述广义回归神经网络的第i个隐含层神经元的输出,δGi为所述规范样本集中第i个规范样本中的理论载荷吊重偏差,n为所述规范样本集中规范样本的个数;根据力矩平衡方法以及所述当前工况下采集得到的样本数据中的当前吊臂长度、当前吊臂倾斜角度、当前变幅油缸无杆腔压强和当前变幅油缸有杆腔压强,得到当前理论载荷吊重;根据所述当前理论载荷吊重与所述当前工况下载荷吊重偏差预测值之间的差值,得到所述汽车起重机当前工况下对应的当前载荷吊重。
进一步地,所述装置还包括:载荷吊重校准单元,包括:接收模块,用于接收载荷吊重校准指令;校准采集模块,用于当接收到载荷吊重校准指令时,采集待校准工况下的样本数据;第一确定模块,用于根据待校准工况下的预定吊臂倾斜角度、所述待校准工况下的样本数据以及所述预设拟合公式,得到所述待校准工况下对应的初选样本,所述预定吊臂倾斜角度中包括至少一个外推角度;第二确定模块,用于根据力矩平衡方法以及所述待校准工况下对应的初选样本,得到所述待校准工况下对应的规范样本;查找模块,用于查找与所述待校准工况相同的设定工况,确定为原有工况;替换模块,用于将所述原有工况下对应的规范样本替换为所述待校准工况下对应的规范样本,得到替换后的设定工况下对应的新规范样本集;校准模块,用于根据所述新规范样本集、当前待校准工况下采集得到的样本数据以及广义回归神经网络,得到所述待校准工况下对应的校准后载荷吊重。
进一步地,所述第一确定模块还用于根据所述预设拟合公式以及所述待校准工况下的样本数据,通过最小二乘法拟合得到所述预设拟合公式中的多项式系数;将拟合得到的所述多项式系数代入所述预设拟合公式中,得到所述待校准工况下的油压拟合公式;根据所述待校准工况下的油压拟合公式以及所述预定吊臂倾斜角度,得到所述待校准工况下对应的初选样本。
进一步地,所述第二确定模块还用于根据力矩平衡方法以及所述待校准工况下对应的初选样本,得到所述待校准工况下对应的理论载荷吊重;将所述待校准工况下对应的理论载荷吊重与所述待校准工况下对应的载荷吊重之间的差值,确定为所述待校准工况下对应的理论载荷吊重偏差;将所述待校准工况下对应的初选样本中的变幅油缸无杆腔压强与变幅油缸有杆腔压强之间的差值,确定为所述待校准工况下对应的变幅油缸压差;将所述待校准工况下对应的吊臂长度、预定吊臂倾斜角度、变幅油缸压差以及理论载荷吊重偏差构成所述待校准工况下对应的规范样本。
进一步地,所述校准模块还用于将当前待校准工况下采集得到的样本数据作为所述广义回归神经网络的输入层;根据得到所述广义回归神经网络的第i个隐含层神经元的输出φi′,其中,L′0为当前待校准工况下采集得到的吊臂长度、θ0′为当前待校准工况下采集得到的吊臂倾斜角度、P′0为当前待校准工况下采集得到的变幅油缸压差,对应于当前待校准工况下采集得到的变幅油缸无杆腔压强和变幅油缸有杆腔压强之间的差值,L′i、θ′i和Pi′为所述新规范样本集中的第i个规范样本中的吊臂长度、吊臂倾斜角度和变幅油缸压差,σ为平滑因子;根据得到所述待校准工况下对应的载荷吊重偏差预测值其中,φi′为所述广义回归神经网络的第i个隐含层神经元的输出,δ′Gi为所述新规范样本集中的第i个规范样本中的理论载荷吊重偏差,n为所述新规范样本集中规范样本的个数;根据所述待校准工况下的载荷吊重与所述待校准工况下对应的载荷吊重偏差预测值之间的差值,得到所述待校准工况下对应的校准后载荷吊重。
相应的,本发明实施例还提供一种存储介质,所述存储介质中存储有指令,当其在计算机上运行时,使得计算机执行如上所述的载荷吊重的计算方法。
通过上述技术方案,采集设定工况下的样本数据,并根据每种设定工况下对应的预设吊臂倾斜角度、每种设定工况下对应的样本数据以及预设拟合公式,得到每种设定工况下对应的初选样本,且所述预设吊臂倾斜角度中包括至少一个外推角度,之后根据力矩平衡方法以及每种设定工况下对应的初选样本,得到所有设定工况下对应的规范样本构成的规范样本集,根据所述规范样本集、当前工况下采集得到的样本数据以及广义回归神经网络,得到所述汽车起重机当前工况下对应的当前载荷吊重。本发明实施例解决了现有技术中所计算的载荷吊重精度低,计算量大的问题,通过选取规范样本,减少了训练样本数量,且利用广义回归神经网络来拟合规范样本,学习过程无需迭代寻优计算,减少了计算量,另外规范样本中还包括角度外推数据,得到了超载工况的样本数据,提高了广义回归神经网络对载荷吊重的计算精度。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1是本发明实施例提供的一种载荷吊重的计算方法的流程图;
图2是本发明实施例提供的广义回归神经网络的拓扑结构;
图3是本发明实施例提供的另一种载荷吊重的计算方法的流程图;
图4是本发明实施例提供的一种载荷吊重的计算装置的结构示意图;
图5是本发明实施例提供的另一种载荷吊重的计算装置的结构示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
图1是本发明实施例提供的一种载荷吊重的计算方法的流程图。如图1所示,所述方法包括如下步骤:
步骤101,采集汽车起重机在设定工况下对应的样本数据,所述设定工况指在设定的吊臂长度和设定的载荷吊重下的工况,所述样本数据包括设定的吊臂长度、设定的载荷吊重、吊臂倾斜角度、变幅油缸无杆腔压强和变幅油缸有杆腔压强;
步骤102,根据每种设定工况下对应的预设吊臂倾斜角度、每种设定工况下对应的样本数据以及预设拟合公式,得到每种设定工况下对应的初选样本,所述初选样本包括设定的吊臂长度、设定的载荷吊重、预设吊臂倾斜角度以及由所述预设吊臂倾斜角度计算得到的变幅油缸无杆腔压强和变幅油缸有杆腔压强,所述预设吊臂倾斜角度中包括至少一个外推角度;
步骤103,根据力矩平衡方法以及每种设定工况下对应的初选样本,得到所有设定工况下对应的规范样本构成的规范样本集,所述规范样本包括设定的吊臂长度、预设吊臂倾斜角度、变幅油缸压差以及理论载荷吊重偏差;
步骤104,根据所述规范样本集、当前工况下采集得到的样本数据以及广义回归神经网络,得到所述汽车起重机当前工况下对应的当前载荷吊重。
其中,选取设定的吊臂长度和设定的载荷吊重,例如,选取3-9个吊臂长度和3-6个载荷吊重,并在设定的吊臂长度和设定的载荷吊重的工况下,连续采集所述汽车起重机在不超载情况下的吊臂倾斜角度、变幅油缸无杆腔压强和变幅油缸有杆腔压强,从而得到设定工况下对应的样本数据。
然后,针对每种设定工况下,即针对每种设定的吊臂长度和设定的载荷吊重的工况下,将每种设定工况下对应的样本数据中的吊臂倾斜角度、变幅油缸无杆腔压强和变幅油缸有杆腔压强代入下述预设拟合公式(1)中:
通过最小二乘法拟合得到所述预设拟合公式中的多项式系数a0,a1,a2,a3,b0以及b1,其中,Pw为所述变幅油缸无杆腔压强,Py为所述变幅油缸有杆腔压强,θ为所述预设吊臂倾斜角度。然后,将拟合得到的所述多项式系数代入所述预设拟合公式中,得到油压拟合公式。根据所述油压拟合公式以及每种设定工况下对应的预设吊臂倾斜角度,得到每种设定工况下对应的初选样本。
通过上述计算,确定公式(1)中的多项式系数a0,a1,a2,a3,b0以及b1,继而再将拟合得到的所述多项式系数代入所述预设拟合公式中,得到油压拟合公式,即可根据不同预设吊臂倾斜角度计算得到的变幅油缸无杆腔压强和变幅油缸有杆腔压强。其中,所述预设吊臂倾斜角度可以设置3-6个角度,且其中包括至少一个外推角度,从而使得计算得到的初选样本覆盖超载工况,提高载荷吊重的精度。对于每种工况下对应的预设吊臂倾斜角度,可以包括最大角度和最小角度,还可包括如公式(2)给出的其它角度:
其中,θmax为对应工况下的最大角度,θmin为对应工况下的最小角度。在本发明实施例中,可将每种工况下的预设吊臂倾斜角度均根据公式(2)中的四种角度进行设置。从而根据所述油压拟合公式以及每种设定工况下对应的预设吊臂倾斜角度,得到每种设定工况下对应的初选样本,即所述初选样本包括设定的吊臂长度、设定的载荷吊重、预设吊臂倾斜角度以及由所述预设吊臂倾斜角度计算得到的变幅油缸无杆腔压强和变幅油缸有杆腔压强。其中,公式(2)中的θ4即为所设置的外推角度,由θ4计算得到的变幅油缸无杆腔压强和变幅油缸有杆腔压强,即为超载工况下的压强。
在步骤103中,根据力矩平衡方法以及每种设定工况下对应的初选样本中的吊臂长度L、预设吊臂倾斜角度θ、由所述预设吊臂倾斜角度计算得到的变幅油缸无杆腔压强Pw和变幅油缸有杆腔压强Py,得到每种设定工况下对应的理论载荷吊重,即GM=f(L,θ,Pw,Py)。然后将每种设定工况下对应的理论载荷吊重与设定的载荷吊重之间的差值,确定为理论载荷吊重偏差,即δG=GM-G,其中G为每种设定工况下对应的设定的载荷吊重,δG为每种设定工况下对应的理论载荷吊重偏差。将所述每种设定工况下对应的初选样本中的变幅油缸无杆腔压强与变幅油缸有杆腔压强之间的差值,确定为变幅油缸压差,即P=Pw-Py。从而得到每种设定工况下对应的设定的吊臂长度L、预设吊臂倾斜角度θ、变幅油缸压差P以及理论载荷吊重偏差δG,将每种工况下对应的上述四个数据构成每种设定工况下对应的规范样本,并集合所有设定工况下对应的规范样本,得到规范样本集。
在步骤104中,采用广义回归神经网络对规范样本集里的数据进行拟合,实现对载荷吊重的实时计算。本发明实施例的广义回归神经网络的拓扑结构如图2所示,包括输入层、隐含层、求和层和输出层。
其中,采集当前工况下的样本数据,所述样本数据包括当前工况下的载荷吊重G0、吊臂长度L0、吊臂倾斜角度θ0、变幅油缸压差P0(即当前工况下的变幅油缸无杆腔压强与变幅油缸有杆腔压强之间的差值),然后将当前工况下的吊臂长度L0、吊臂倾斜角度θ0、变幅油缸压差P0作为广义回归神经网络的输入。将步骤103得到的规范样本集作为隐含层中的训练样本,并通过下述公式(3):
得到所述广义回归神经网络的第i个隐含层神经元的输出φi,其中,L0为当前工况下采集得到的吊臂长度、θ0为当前工况下采集得到的吊臂倾斜角度、P0为当前工况下的变幅油缸压差,Li、θi和Pi为所述规范样本集中第i个规范样本中的设定的吊臂长度、预设吊臂倾斜角度和变幅油缸压差,σ为平滑因子,通常σ=0.5。
经过公式(3)的计算之后,在求和层进行两种类型神经元的求和计算,第一种计算隐含层各神经元的加权和SN,权值为规范样本中的理论载荷吊重偏差,第二种计算隐含层各神经元的代数和SD。输出层将求和层的和计算结果相除,得到所述当前工况下载荷吊重偏差预测值如下述公式(4):
其中,φi为所述广义回归神经网络的第i个隐含层神经元的输出,δGi为所述规范样本集中第i个规范样本中的理论载荷吊重偏差,n为所述规范样本集中规范样本的个数,上述广义回归神经网络的神经元个数即为所述规范样本集中规范样本的个数。
之后,再根据力矩平衡方法以及所述当前工况下采集得到的样本数据中的吊臂长度L0、吊臂倾斜角度θ0、当前工况下的变幅油缸无杆腔压强Pw0与变幅油缸有杆腔压强Py0,得到当前理论载荷吊重,即GM0=f(L0,θ0,Pw0,Py0)。然后根据所述当前理论载荷吊重GM0与所述当前工况下载荷吊重偏差预测值之间的差值,得到所述汽车起重机当前工况下对应的当前载荷吊重即如下述公式(5):
通过上述实施例可以看出,广义回归神经网络的权值参数可以由训练样本数据直接设计得出,无需进行迭代寻优计算,因此可以实现规范样本数据的快速学习。另外,上述直接利用规范样本进行神经网络的训练,减少了训练样本的数量,从而减少了网络的神经元数量和复杂度。而且,在规范样本的选取过程中,通过数据拟合和外推,得到了超载工况的训练样本数据,从而提高了神经网络对超载工况的载荷吊重计算精度。
通过上述实施例可提高实时计算载荷吊重的精度,另外也可基于上述实施例,实现载荷吊重的自主校准。如图3所示,提供了基于上述实施例的载荷自主校准的实现过程:
步骤301,当接收到载荷吊重校准指令时,采集待校准工况下的样本数据;
步骤302,根据待校准工况下的预定吊臂倾斜角度、所述待校准工况下的样本数据以及所述预设拟合公式,得到所述待校准工况下对应的初选样本,所述预定吊臂倾斜角度中包括至少一个外推角度;
步骤303,根据力矩平衡方法以及所述待校准工况下对应的初选样本,得到所述待校准工况下对应的规范样本;
步骤304,查找与所述待校准工况相同的设定工况,确定为原有工况;
步骤305,将所述原有工况下对应的规范样本替换为所述待校准工况下对应的规范样本,得到替换后的设定工况下对应的新规范样本集;
步骤306,根据所述新规范样本集、当前待校准工况下采集得到的样本数据以及广义回归神经网络,得到所述待校准工况下对应的校准后载荷吊重。
其中,当在某一工况Ωk(Lk,Gk)下的载荷吊重需要校准时,即接收到用户输入的载荷吊重校准指令后,采集待校准工况下的样本数据,即在该工况Ωk(Lk,Gk)下,吊起预先准备的砝码,采集该工况下的样本数据。其中,该砝码的重量为GC0,需要满足条件|GC0-Gk|<0.2Gk。
同样,将所采集的待校准工况下的样本数据中的吊臂倾斜角度、变幅油缸无杆腔压强和变幅油缸有杆腔压强代入上述预设拟合公式(1)中,通过最小二乘法拟合得到所述预设拟合公式中的多项式系数,然后将拟合得到的所述多项式系数代入所述预设拟合公式中,得到所述待校准工况下的油压拟合公式。然后,同样可根据所述待校准工况下的油压拟合公式以及所述预定吊臂倾斜角度,得到所述待校准工况下对应的初选样本,即将不同预定吊臂倾斜角度代入所述待校准工况下的油压拟合公式中,得到所述待校准工况下对应的变幅油缸无杆腔压强和变幅油缸有杆腔压强。其中,所述预定吊臂倾斜角度可以设置3-6个角度,且其中包括至少一个外推角度,从而使得计算得到的初选样本覆盖超载工况,提高载荷吊重的精度。在本发明实施例中,也可利用公式(2)给出的角度作为所述待校准工况下的预定吊臂倾斜角度。从而,得到步骤302中的所述待校准工况下对应的初选样本,即该初选样本包括所述待校准工况下的吊臂长度、载荷吊重、预定吊臂倾斜角度以及由所述预定吊臂倾斜角度计算得到的变幅油缸无杆腔压强和变幅油缸有杆腔压强。
在步骤303中,根据力矩平衡方法以及所述待校准工况下对应的初选样本,得到所述待校准工况下对应的理论载荷吊重,即GMk=f(Lk,θk,Pwk,Pyk)。然后,将所述待校准工况下对应的理论载荷吊重与所述待校准工况下对应的载荷吊重之间的差值,确定为所述待校准工况下对应的理论载荷吊重偏差δk,即δk=GMk-Gk。将所述待校准工况下对应的初选样本中的变幅油缸无杆腔压强与变幅油缸有杆腔压强之间的差值,确定为所述待校准工况下对应的变幅油缸压差Pk,即Pk=Pw k-Py k。从而得到所述待校准工况下对应的吊臂长度Lk、预定吊臂倾斜角度θk、变幅油缸压差Pk以及理论载荷吊重偏差δk,将所述待校准工况下对应的上述四类数据构成所述待校准工况下对应的规范样本。
然后将查找与所述待校准工况相同的设定工况,确定为原有工况,并将所述原有工况下对应的规范样本替换为所述待校准工况Ωk下对应的规范样本,得到替换后的设定工况下对应的新规范样本集。
之后,在步骤306中,采用新规范样本集,重新构建广义回归神经网络,完成汽车起重机对工况Ωk下的载荷吊重的校准。同样是利用如图2所示的广义回归神经网络的拓扑结构。其中,将当前待校准工况下采集得到的样本数据,所述样本数据包括当前待校准工况下的载荷吊重G0k、吊臂长度L0k、吊臂倾斜角度P0k和变幅油缸压差P0k(即当前待校准工况下的变幅油缸无杆腔压强与变幅油缸有杆腔压强之间的差值),然后将吊臂长度L0k、吊臂倾斜角度P0k和变幅油缸压差P0k作为所述广义回归神经网络的输入层。之后,将所述新规范样本集作为隐含层中的训练样本,并通过下述公式(6):
得到所述广义回归神经网络的第i个隐含层神经元的输出φi′,其中,L0′为当前待校准工况下采集得到的吊臂长度、θ′0为当前待校准工况下采集得到的吊臂倾斜角度、P′0为当前待校准工况下采集得到的变幅油缸压差,L′i、θ′i和Pi′为所述新规范样本集中的第i个规范样本中的吊臂长度、吊臂倾斜角度和变幅油缸压差,σ为平滑因子,通常σ=0.5。
同样,经过公式(6)的计算之后,在求和层进行两种类型神经元的求和计算,第一种计算隐含层各神经元的加权和S′N,权值为规范样本中的理论载荷吊重偏差,第二种计算隐含层各神经元的代数和S′D。输出层将求和层的和计算结果相除,得到所述待校准工况下载荷吊重偏差预测值如下述公式(7):
得到所述待校准工况下对应的载荷吊重偏差预测值其中,φi′为所述广义回归神经网络的第i个隐含层神经元的输出,δ′Gi为所述新规范样本集中的第i个规范样本中的理论载荷吊重偏差,n为所述新规范样本集中规范样本的个数。
通过上述实施例,与现有技术采用BP神经网络不同,本发明实施例采用广义回归神经网络来拟合样本数据,并实现了载荷吊重的自主校准功能。广义回归神经网络的泛化性能优于BP神经网络,其学习过程无需进行迭代寻优计算,其权重参数与训练样本数据一一对应。在本发明实施例中,当某工况下的载荷吊重需要重新校准时,只需要更新与实时计算载荷吊重时对应的权值参数即可,即将同工况下的规范样本替换为待校准工况下的规范样本,这大大减少了校准过程的计算量,使其工程实现成为可能。
相应的,图4是本发明实施例提供的一种载荷吊重的计算装置的结构示意图。如图4所示,所述装置40包括:采集单元41,用于采集汽车起重机在设定工况下对应的样本数据,所述设定工况指在设定的吊臂长度和设定的载荷吊重下的工况,所述样本数据包括设定的吊臂长度、设定的载荷吊重、吊臂倾斜角度、变幅油缸无杆腔压强和变幅油缸有杆腔压强;初选样本确定单元42,用于根据每种设定工况下对应的预设吊臂倾斜角度、每种设定工况下对应的样本数据以及预设拟合公式,得到每种设定工况下对应的初选样本,所述初选样本包括设定的吊臂长度、设定的载荷吊重、预设吊臂倾斜角度以及由所述预设吊臂倾斜角度计算得到的变幅油缸无杆腔压强和变幅油缸有杆腔压强,所述预设吊臂倾斜角度中包括至少一个外推角度;规范样本确定单元43,用于根据力矩平衡方法以及每种设定工况下对应的初选样本,得到所有设定工况下对应的规范样本构成的规范样本集,所述规范样本包括设定的吊臂长度、预设吊臂倾斜角度、变幅油缸压差以及理论载荷吊重偏差;当前载荷吊重计算单元44,用于根据所述规范样本集、当前工况下采集得到的样本数据以及广义回归神经网络,得到所述汽车起重机当前工况下对应的当前载荷吊重。
进一步地,所述初选样本确定单元还用于根据预设拟合公式以及每种设定工况下对应的样本数据,通过最小二乘法拟合得到所述预设拟合公式中的多项式系数a0,a1,a2,a3,b0以及b1,其中,Pw为所述变幅油缸无杆腔压强,Py为所述变幅油缸有杆腔压强,θ为所述预设吊臂倾斜角度;将拟合得到的所述多项式系数代入所述预设拟合公式中,得到油压拟合公式;根据所述油压拟合公式以及每种设定工况下对应的预设吊臂倾斜角度,得到每种设定工况下对应的初选样本。
进一步地,所述规范样本确定单元还用于根据力矩平衡方法以及每种设定工况下对应的初选样本,得到每种设定工况下对应的理论载荷吊重;将每种设定工况下对应的理论载荷吊重与设定的载荷吊重之间的差值,确定为理论载荷吊重偏差;将所述每种设定工况下对应的初选样本中的变幅油缸无杆腔压强与变幅油缸有杆腔压强之间的差值,确定为变幅油缸压差;将每种设定工况下对应的设定的吊臂长度、预设吊臂倾斜角度、变幅油缸压差以及理论载荷吊重偏差构成每种设定工况下对应的规范样本;集合所有设定工况下对应的规范样本,得到规范样本集。
进一步地,所述当前载荷吊重计算单元还用于将当前工况下采集得到的样本数据作为所述广义回归神经网络的输入层;根据得到所述广义回归神经网络的第i个隐含层神经元的输出φi,其中,L0为当前工况下采集得到的吊臂长度、θ0为当前工况下采集得到的吊臂倾斜角度、P0为当前工况下的变幅油缸压差,对应于当前工况下采集得到的变幅油缸无杆腔压强和变幅油缸有杆腔压强之间的差值,Li、θi和Pi为所述规范样本集中第i个规范样本中的设定的吊臂长度、预设吊臂倾斜角度和变幅油缸压差,σ为平滑因子;根据得到所述当前工况下载荷吊重偏差预测值其中,φi为所述广义回归神经网络的第i个隐含层神经元的输出,δGi为所述规范样本集中第i个规范样本中的理论载荷吊重偏差,n为所述规范样本集中规范样本的个数;根据力矩平衡方法以及所述当前工况下采集得到的样本数据中的当前吊臂长度、当前吊臂倾斜角度、当前变幅油缸无杆腔压强和当前变幅油缸有杆腔压强,得到当前理论载荷吊重;根据所述当前理论载荷吊重与所述当前工况下载荷吊重偏差预测值之间的差值,得到所述汽车起重机当前工况下对应的当前载荷吊重。
进一步地,如图5所示,所述装置40还包括:载荷吊重校准单元51,包括:接收模块511,用于接收载荷吊重校准指令;校准采集模块512,用于当接收到载荷吊重校准指令时,采集待校准工况下的样本数据;第一确定模块513,用于根据待校准工况下的预定吊臂倾斜角度、所述待校准工况下的样本数据以及所述预设拟合公式,得到所述待校准工况下对应的初选样本,所述预定吊臂倾斜角度中包括至少一个外推角度;第二确定模块514,用于根据力矩平衡方法以及所述待校准工况下对应的初选样本,得到所述待校准工况下对应的规范样本;查找模块515,用于查找与所述待校准工况相同的设定工况,确定为原有工况;替换模块516,用于将所述原有工况下对应的规范样本替换为所述待校准工况下对应的规范样本,得到替换后的设定工况下对应的新规范样本集;校准模块517,用于根据所述新规范样本集、当前待校准工况下采集得到的样本数据以及广义回归神经网络,得到所述待校准工况下对应的校准后载荷吊重。
进一步地,所述第一确定模块还用于根据所述预设拟合公式以及所述待校准工况下的样本数据,通过最小二乘法拟合得到所述预设拟合公式中的多项式系数;将拟合得到的所述多项式系数代入所述预设拟合公式中,得到所述待校准工况下的油压拟合公式;根据所述待校准工况下的油压拟合公式以及所述预定吊臂倾斜角度,得到所述待校准工况下对应的初选样本。
进一步地,所述第二确定模块还用于根据力矩平衡方法以及所述待校准工况下对应的初选样本,得到所述待校准工况下对应的理论载荷吊重;将所述待校准工况下对应的理论载荷吊重与所述待校准工况下对应的载荷吊重之间的差值,确定为所述待校准工况下对应的理论载荷吊重偏差;将所述待校准工况下对应的初选样本中的变幅油缸无杆腔压强与变幅油缸有杆腔压强之间的差值,确定为所述待校准工况下对应的变幅油缸压差;将所述待校准工况下对应的吊臂长度、预定吊臂倾斜角度、变幅油缸压差以及理论载荷吊重偏差构成所述待校准工况下对应的规范样本。
进一步地,所述校准模块还用于将当前待校准工况下采集得到的样本数据作为所述广义回归神经网络的输入层;根据得到所述广义回归神经网络的第i个隐含层神经元的输出φ′i,其中,L′0为当前待校准工况下采集得到的吊臂长度、θ′0为当前待校准工况下采集得到的吊臂倾斜角度、P′0为当前待校准工况下采集得到的变幅油缸压差,对应于当前待校准工况下采集得到的变幅油缸无杆腔压强和变幅油缸有杆腔压强之间的差值,L′i、θ′i和P′i为所述新规范样本集中的第i个规范样本中的吊臂长度、吊臂倾斜角度和变幅油缸压差,σ为平滑因子;根据得到所述待校准工况下对应的载荷吊重偏差预测值其中,φi′为所述广义回归神经网络的第i个隐含层神经元的输出,δ′Gi为所述新规范样本集中的第i个规范样本中的理论载荷吊重偏差,n为所述新规范样本集中规范样本的个数;根据所述待校准工况下的载荷吊重与所述待校准工况下对应的载荷吊重偏差预测值之间的差值,得到所述待校准工况下对应的校准后载荷吊重。
上述载荷吊重的计算装置的具体操作过程,可参见上述载荷吊重的计算方法的实现过程。
相应的,本发明实施例还提供一种存储介质,所述存储介质中存储有指令,当其在计算机上运行时,使得计算机执行如上述实施例所述的载荷吊重的计算方法。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (17)
1.一种载荷吊重的计算方法,其特征在于,包括:
采集汽车起重机在设定工况下对应的样本数据,所述设定工况指在设定的吊臂长度和设定的载荷吊重下的工况,所述样本数据包括设定的吊臂长度、设定的载荷吊重、吊臂倾斜角度、变幅油缸无杆腔压强和变幅油缸有杆腔压强;
根据每种设定工况下对应的预设吊臂倾斜角度、每种设定工况下对应的样本数据以及预设拟合公式,得到每种设定工况下对应的初选样本,所述初选样本包括设定的吊臂长度、设定的载荷吊重、预设吊臂倾斜角度以及由所述预设吊臂倾斜角度计算得到的变幅油缸无杆腔压强和变幅油缸有杆腔压强,所述预设吊臂倾斜角度中包括至少一个外推角度;
根据力矩平衡方法以及每种设定工况下对应的初选样本,得到所有设定工况下对应的规范样本构成的规范样本集,所述规范样本包括设定的吊臂长度、预设吊臂倾斜角度、变幅油缸压差以及理论载荷吊重偏差;
根据所述规范样本集、当前工况下采集得到的样本数据以及广义回归神经网络,得到所述汽车起重机当前工况下对应的当前载荷吊重。
3.根据权利要求1所述的方法,其特征在于,所述根据力矩平衡方法以及每种设定工况下对应的初选样本,得到所有设定工况下对应的规范样本构成的规范样本集包括:
根据力矩平衡方法以及每种设定工况下对应的初选样本,得到每种设定工况下对应的理论载荷吊重;
将每种设定工况下对应的理论载荷吊重与设定的载荷吊重之间的差值,确定为理论载荷吊重偏差;
将所述每种设定工况下对应的初选样本中的变幅油缸无杆腔压强与变幅油缸有杆腔压强之间的差值,确定为变幅油缸压差;
将每种设定工况下对应的设定的吊臂长度、预设吊臂倾斜角度、变幅油缸压差以及理论载荷吊重偏差构成每种设定工况下对应的规范样本;
集合所有设定工况下对应的规范样本,得到规范样本集。
4.根据权利要求1所述的方法,其特征在于,所述根据所述规范样本集、当前工况下采集得到的样本数据以及广义回归神经网络,得到所述汽车起重机当前工况下对应的当前载荷吊重包括:
将当前工况下采集得到的样本数据作为所述广义回归神经网络的输入层;
根据得到所述广义回归神经网络的第i个隐含层神经元的输出φi,其中,L0为当前工况下采集得到的吊臂长度、θ0为当前工况下采集得到的吊臂倾斜角度、P0为当前工况下的变幅油缸压差,对应于当前工况下采集得到的变幅油缸无杆腔压强和变幅油缸有杆腔压强之间的差值,Li、θi和Pi为所述规范样本集中第i个规范样本中的设定的吊臂长度、预设吊臂倾斜角度和变幅油缸压差,σ为平滑因子;
根据力矩平衡方法以及所述当前工况下采集得到的样本数据中的当前吊臂长度、当前吊臂倾斜角度、当前变幅油缸无杆腔压强和当前变幅油缸有杆腔压强,得到当前理论载荷吊重;
根据所述当前理论载荷吊重与所述当前工况下载荷吊重偏差预测值之间的差值,得到所述汽车起重机当前工况下对应的当前载荷吊重。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当接收到载荷吊重校准指令时,采集待校准工况下的样本数据;
根据待校准工况下的预定吊臂倾斜角度、所述待校准工况下的样本数据以及所述预设拟合公式,得到所述待校准工况下对应的初选样本,所述预定吊臂倾斜角度中包括至少一个外推角度;
根据力矩平衡方法以及所述待校准工况下对应的初选样本,得到所述待校准工况下对应的规范样本;
查找与所述待校准工况相同的设定工况,确定为原有工况;
将所述原有工况下对应的规范样本替换为所述待校准工况下对应的规范样本,得到替换后的设定工况下对应的新规范样本集;
根据所述新规范样本集、当前待校准工况下采集得到的样本数据以及广义回归神经网络,得到所述待校准工况下对应的校准后载荷吊重。
6.根据权利要求5所述的方法,其特征在于,所述根据待校准工况下的预定吊臂倾斜角度、所述待校准工况下的样本数据以及所述预设拟合公式,得到所述待校准工况下对应的初选样本包括:
根据所述预设拟合公式以及所述待校准工况下的样本数据,通过最小二乘法拟合得到所述预设拟合公式中的多项式系数;
将拟合得到的所述多项式系数代入所述预设拟合公式中,得到所述待校准工况下的油压拟合公式;
根据所述待校准工况下的油压拟合公式以及所述预定吊臂倾斜角度,得到所述待校准工况下对应的初选样本。
7.根据权利要求5所述的方法,其特征在于,所述根据力矩平衡方法以及所述待校准工况下对应的初选样本,得到所述待校准工况下对应的规范样本包括:
根据力矩平衡方法以及所述待校准工况下对应的初选样本,得到所述待校准工况下对应的理论载荷吊重;
将所述待校准工况下对应的理论载荷吊重与所述待校准工况下对应的载荷吊重之间的差值,确定为所述待校准工况下对应的理论载荷吊重偏差;
将所述待校准工况下对应的初选样本中的变幅油缸无杆腔压强与变幅油缸有杆腔压强之间的差值,确定为所述待校准工况下对应的变幅油缸压差;
将所述待校准工况下对应的吊臂长度、预定吊臂倾斜角度、变幅油缸压差以及理论载荷吊重偏差构成所述待校准工况下对应的规范样本。
8.根据权利要求5所述的方法,其特征在于,所述根据所述新规范样本集、当前待校准工况下采集得到的样本数据以及广义回归神经网络,得到所述待校准工况下对应的校准后载荷吊重包括:
将当前待校准工况下采集得到的样本数据作为所述广义回归神经网络的输入层;
根据得到所述广义回归神经网络的第i个隐含层神经元的输出φi′,其中,L′0为当前待校准工况下采集得到的吊臂长度、θ′0为当前待校准工况下采集得到的吊臂倾斜角度、P′0为当前待校准工况下采集得到的变幅油缸压差,对应于当前待校准工况下采集得到的变幅油缸无杆腔压强和变幅油缸有杆腔压强之间的差值,L′i、θ′i和Pi′为所述新规范样本集中的第i个规范样本中的吊臂长度、吊臂倾斜角度和变幅油缸压差,σ为平滑因子;
根据得到所述待校准工况下对应的载荷吊重偏差预测值其中,φi′为所述广义回归神经网络的第i个隐含层神经元的输出,δ′Gi为所述新规范样本集中的第i个规范样本中的理论载荷吊重偏差,n为所述新规范样本集中规范样本的个数;
根据所述待校准工况下的载荷吊重与所述待校准工况下对应的载荷吊重偏差预测值之间的差值,得到所述待校准工况下对应的校准后载荷吊重。
9.一种载荷吊重的计算装置,其特征在于,包括:
采集单元,用于采集汽车起重机在设定工况下对应的样本数据,所述设定工况指在设定的吊臂长度和设定的载荷吊重下的工况,所述样本数据包括设定的吊臂长度、设定的载荷吊重、吊臂倾斜角度、变幅油缸无杆腔压强和变幅油缸有杆腔压强;
初选样本确定单元,用于根据每种设定工况下对应的预设吊臂倾斜角度、每种设定工况下对应的样本数据以及预设拟合公式,得到每种设定工况下对应的初选样本,所述初选样本包括设定的吊臂长度、设定的载荷吊重、预设吊臂倾斜角度以及由所述预设吊臂倾斜角度计算得到的变幅油缸无杆腔压强和变幅油缸有杆腔压强,所述预设吊臂倾斜角度中包括至少一个外推角度;
规范样本确定单元,用于根据力矩平衡方法以及每种设定工况下对应的初选样本,得到所有设定工况下对应的规范样本构成的规范样本集,所述规范样本包括设定的吊臂长度、预设吊臂倾斜角度、变幅油缸压差以及理论载荷吊重偏差;
当前载荷吊重计算单元,用于根据所述规范样本集、当前工况下采集得到的样本数据以及广义回归神经网络,得到所述汽车起重机当前工况下对应的当前载荷吊重。
11.根据权利要求9所述的装置,其特征在于,所述规范样本确定单元还用于根据力矩平衡方法以及每种设定工况下对应的初选样本,得到每种设定工况下对应的理论载荷吊重;将每种设定工况下对应的理论载荷吊重与设定的载荷吊重之间的差值,确定为理论载荷吊重偏差;将所述每种设定工况下对应的初选样本中的变幅油缸无杆腔压强与变幅油缸有杆腔压强之间的差值,确定为变幅油缸压差;将每种设定工况下对应的设定的吊臂长度、预设吊臂倾斜角度、变幅油缸压差以及理论载荷吊重偏差构成每种设定工况下对应的规范样本;集合所有设定工况下对应的规范样本,得到规范样本集。
12.根据权利要求9所述的装置,其特征在于,所述当前载荷吊重计算单元还用于将当前工况下采集得到的样本数据作为所述广义回归神经网络的输入层;根据得到所述广义回归神经网络的第i个隐含层神经元的输出φi,其中,L0为当前工况下采集得到的吊臂长度、θ0为当前工况下采集得到的吊臂倾斜角度、P0为当前工况下的变幅油缸压差,对应于当前工况下采集得到的变幅油缸无杆腔压强和变幅油缸有杆腔压强之间的差值,Li、θi和Pi为所述规范样本集中第i个规范样本中的设定的吊臂长度、预设吊臂倾斜角度和变幅油缸压差,σ为平滑因子;根据得到所述当前工况下载荷吊重偏差预测值其中,φi为所述广义回归神经网络的第i个隐含层神经元的输出,δGi为所述规范样本集中第i个规范样本中的理论载荷吊重偏差,n为所述规范样本集中规范样本的个数;根据力矩平衡方法以及所述当前工况下采集得到的样本数据中的当前吊臂长度、当前吊臂倾斜角度、当前变幅油缸无杆腔压强和当前变幅油缸有杆腔压强,得到当前理论载荷吊重;根据所述当前理论载荷吊重与所述当前工况下载荷吊重偏差预测值之间的差值,得到所述汽车起重机当前工况下对应的当前载荷吊重。
13.根据权利要求9所述的装置,其特征在于,所述装置还包括:
载荷吊重校准单元,包括:
接收模块,用于接收载荷吊重校准指令;
校准采集模块,用于当接收到载荷吊重校准指令时,采集待校准工况下的样本数据;
第一确定模块,用于根据待校准工况下的预定吊臂倾斜角度、所述待校准工况下的样本数据以及所述预设拟合公式,得到所述待校准工况下对应的初选样本,所述预定吊臂倾斜角度中包括至少一个外推角度;
第二确定模块,用于根据力矩平衡方法以及所述待校准工况下对应的初选样本,得到所述待校准工况下对应的规范样本;
查找模块,用于查找与所述待校准工况相同的设定工况,确定为原有工况;
替换模块,用于将所述原有工况下对应的规范样本替换为所述待校准工况下对应的规范样本,得到替换后的设定工况下对应的新规范样本集;
校准模块,用于根据所述新规范样本集、当前待校准工况下采集得到的样本数据以及广义回归神经网络,得到所述待校准工况下对应的校准后载荷吊重。
14.根据权利要求13所述的装置,其特征在于,所述第一确定模块还用于根据所述预设拟合公式以及所述待校准工况下的样本数据,通过最小二乘法拟合得到所述预设拟合公式中的多项式系数;将拟合得到的所述多项式系数代入所述预设拟合公式中,得到所述待校准工况下的油压拟合公式;根据所述待校准工况下的油压拟合公式以及所述预定吊臂倾斜角度,得到所述待校准工况下对应的初选样本。
15.根据权利要求13所述的装置,其特征在于,所述第二确定模块还用于根据力矩平衡方法以及所述待校准工况下对应的初选样本,得到所述待校准工况下对应的理论载荷吊重;将所述待校准工况下对应的理论载荷吊重与所述待校准工况下对应的载荷吊重之间的差值,确定为所述待校准工况下对应的理论载荷吊重偏差;将所述待校准工况下对应的初选样本中的变幅油缸无杆腔压强与变幅油缸有杆腔压强之间的差值,确定为所述待校准工况下对应的变幅油缸压差;将所述待校准工况下对应的吊臂长度、预定吊臂倾斜角度、变幅油缸压差以及理论载荷吊重偏差构成所述待校准工况下对应的规范样本。
16.根据权利要求13所述的装置,其特征在于,所述校准模块还用于将当前待校准工况下采集得到的样本数据作为所述广义回归神经网络的输入层;根据得到所述广义回归神经网络的第i个隐含层神经元的输出φi′,其中,L′0为当前待校准工况下采集得到的吊臂长度、θ′0为当前待校准工况下采集得到的吊臂倾斜角度、P′0为当前待校准工况下采集得到的变幅油缸压差,对应于当前待校准工况下采集得到的变幅油缸无杆腔压强和变幅油缸有杆腔压强之间的差值,L′i、θ′i和Pi′为所述新规范样本集中的第i个规范样本中的吊臂长度、吊臂倾斜角度和变幅油缸压差,σ为平滑因子;根据得到所述待校准工况下对应的载荷吊重偏差预测值其中,φi′为所述广义回归神经网络的第i个隐含层神经元的输出,δ′Gi为所述新规范样本集中的第i个规范样本中的理论载荷吊重偏差,n为所述新规范样本集中规范样本的个数;根据所述待校准工况下的载荷吊重与所述待校准工况下对应的载荷吊重偏差预测值之间的差值,得到所述待校准工况下对应的校准后载荷吊重。
17.一种存储介质,其特征在于,所述存储介质中存储有指令,当其在计算机上运行时,使得计算机执行如权利要求1-8任一项所述的载荷吊重的计算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911022976.8A CN110817694B (zh) | 2019-10-25 | 2019-10-25 | 载荷吊重的计算方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911022976.8A CN110817694B (zh) | 2019-10-25 | 2019-10-25 | 载荷吊重的计算方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110817694A CN110817694A (zh) | 2020-02-21 |
CN110817694B true CN110817694B (zh) | 2020-08-28 |
Family
ID=69550528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911022976.8A Active CN110817694B (zh) | 2019-10-25 | 2019-10-25 | 载荷吊重的计算方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110817694B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111591893A (zh) * | 2020-05-27 | 2020-08-28 | 太原科技大学 | 基于神经网络的汽车起重机的起吊载荷测量方法 |
CN113722813A (zh) * | 2021-07-20 | 2021-11-30 | 中科云谷科技有限公司 | 用于泵车臂架状况监测的方法、装置及泵车 |
CN113740086A (zh) * | 2021-07-20 | 2021-12-03 | 中科云谷科技有限公司 | 用于泵车臂架状况监测的方法、装置、处理器及泵车 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201429485Y (zh) * | 2009-06-26 | 2010-03-24 | 贵州师范大学 | 一种斜拉桥的索力实时预测装置 |
WO2013033904A1 (zh) * | 2011-09-08 | 2013-03-14 | 长沙中联重工科技发展股份有限公司 | 测量塔式起重机的起重力矩的方法、装置以及监控系统 |
CN105731259A (zh) * | 2016-04-29 | 2016-07-06 | 上海海事大学 | 集装箱龙门起重机可插电串联增程式动力源装置能量控制方法 |
CN110032555A (zh) * | 2019-04-16 | 2019-07-19 | 上海建科工程咨询有限公司 | 一种神经网络塔吊风险预测方法及系统 |
CN110119766A (zh) * | 2019-04-19 | 2019-08-13 | 淮阴工学院 | 一种多组合智能化模型的青椒温室温度智能化预警装置 |
CN110223780A (zh) * | 2019-06-13 | 2019-09-10 | 广东工业大学 | 一种自适应pso-grnn的胎儿体重预测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG10201610116PA (en) * | 2016-11-03 | 2018-06-28 | Avanseus Holdings Pte Ltd | Method and system for machine failure prediction |
-
2019
- 2019-10-25 CN CN201911022976.8A patent/CN110817694B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201429485Y (zh) * | 2009-06-26 | 2010-03-24 | 贵州师范大学 | 一种斜拉桥的索力实时预测装置 |
WO2013033904A1 (zh) * | 2011-09-08 | 2013-03-14 | 长沙中联重工科技发展股份有限公司 | 测量塔式起重机的起重力矩的方法、装置以及监控系统 |
CN105731259A (zh) * | 2016-04-29 | 2016-07-06 | 上海海事大学 | 集装箱龙门起重机可插电串联增程式动力源装置能量控制方法 |
CN110032555A (zh) * | 2019-04-16 | 2019-07-19 | 上海建科工程咨询有限公司 | 一种神经网络塔吊风险预测方法及系统 |
CN110119766A (zh) * | 2019-04-19 | 2019-08-13 | 淮阴工学院 | 一种多组合智能化模型的青椒温室温度智能化预警装置 |
CN110223780A (zh) * | 2019-06-13 | 2019-09-10 | 广东工业大学 | 一种自适应pso-grnn的胎儿体重预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110817694A (zh) | 2020-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110817694B (zh) | 载荷吊重的计算方法、装置及存储介质 | |
US10691847B2 (en) | Real-time damage determination of an asset | |
CN106842922B (zh) | 一种数控加工误差优化方法 | |
CN113267258B (zh) | 红外测温方法、装置、设备、智能巡检机器人及存储介质 | |
EP3348983B1 (en) | Data transformation for a virtual asset | |
CN110059449B (zh) | 基于改进应力场强法的曲轴疲劳极限载荷预测方法 | |
WO2022222393A1 (zh) | 挖掘机自动称重校准方法、系统和挖掘机 | |
CN106022631B (zh) | 一种指标权重分析方法 | |
CN112001125A (zh) | 一种工业机器人失效率预计方法 | |
CN105912839B (zh) | 一种基于逐维分析策略的结构噪声可靠性优化的方法 | |
CN117289668B (zh) | 分布式减速机网络协同控制方法、装置、设备及存储介质 | |
CN113799137A (zh) | 一种基于神经网络的移动加工机器人快速视觉定位方法 | |
WO2023226566A1 (zh) | 臂架的控制方法、控制系统及工程机械 | |
US20230192456A1 (en) | Working equipment system, and a method of the working equipment system | |
CN108537322A (zh) | 神经网络层间激活值量化方法及装置 | |
CN116252039A (zh) | 一种惯性摩擦焊机智能控制方法和系统 | |
CN113704922B (zh) | 一种基于声振及纹理特征预测表面粗糙度的方法 | |
CN112526945B (zh) | 具备反馈与闭环控制功能的全流程监控与预警系统 | |
CN109270900A (zh) | 一种基于层次分析法的设备状态评价方法及相关设备 | |
CN110159495B (zh) | 风机塔筒预警方法、装置及系统 | |
JP2020160067A (ja) | 閾値算出装置、閾値算出方法および測定装置 | |
CN112990752A (zh) | 一种基于改进雷达图法的侦察装备效能评估方法 | |
CN113441827B (zh) | 一种电阻点焊工艺参数自动生成方法及其系统 | |
CN109242302A (zh) | 一种基于加权欧式距离算法的设备状态评价方法 | |
CN112116003B (zh) | 一种复杂传感器网络自适应动态故障诊断方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |