CN114741876B - 一种塔式起重机智能检验的方法 - Google Patents
一种塔式起重机智能检验的方法 Download PDFInfo
- Publication number
- CN114741876B CN114741876B CN202210378254.1A CN202210378254A CN114741876B CN 114741876 B CN114741876 B CN 114741876B CN 202210378254 A CN202210378254 A CN 202210378254A CN 114741876 B CN114741876 B CN 114741876B
- Authority
- CN
- China
- Prior art keywords
- qualified
- tower crane
- test
- lvq
- coefficient
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000007689 inspection Methods 0.000 title claims abstract description 42
- 238000012360 testing method Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 238000011835 investigation Methods 0.000 claims abstract description 15
- 238000007621 cluster analysis Methods 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 238000011002 quantification Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 18
- 238000012797 qualification Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 230000033228 biological regulation Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000009413 insulation Methods 0.000 claims description 3
- 238000000528 statistical test Methods 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000004804 winding Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 description 23
- 230000002860 competitive effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Control And Safety Of Cranes (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于塔式起重机技术领域,特别涉及一种塔式起重机智能检验的方法,所述方法包括如下步骤:1)构成数据库;2)基于熵权法和专家调查法的相关因素重要度分析;3)计算整机综合评价系数v;4)基于模糊理论的检验等级量化;5)根据步骤3)得到的综合评价系数v,对样本数据集进行聚类分析,等级分类;6)建立LVQ神经网络;7)采用LVQ神经网络对样本数据集进行训练;8)改进的LVQ神经网络模型;9)采集待检验的塔式起重机数据,形成测试集;10)采用步骤8)得到的改进的LVQ神经网络模型,对测试集进行分级判断;采用改进的LVQ算法,提高判断的准确性,避免误判。
Description
技术领域
本发明涉及一种塔式起重机智能检验的方法,属于塔式起重机技术领域。
背景技术
随着人工智能的发展,无人机安全巡检、吊钩可视化系统、智能监控系统等技术运用到了塔式起重机检验检测环节当中。这些系统可实现侦查、拍照、监控等工作,进行图像识别和处理,及时排查隐患,避免事故发生,提高了塔式起重机检验检测工作效率和质量。但是,目前的检验检测还不能完全代替人工,其原因在于存在误判,给安全带来隐患。因此,如何提高和改进检验检测诊断方法的正确率,提高故障分类的效率,消除误判,成为研究的重点问题。
发明内容
本发明的目的在于提供一种塔式起重机智能检验的方法,根据近几年现场检验数据,构成数据库,统计不合格项目,利用熵权法和专家评价法计算出权重,再根据现场检测得到的数据,计算出整机综合评价系数v。根据整机综合评价系数v,对塔式起重机进行聚类分析,构建出样本训练集。采集待检验塔式起重机数据,基于改进LVQ神经网络的模型,进行智能检验,判断塔式起重机是否合格,并分类等级。本发明提高了检验结果的准确性,避免了误判,提高塔式起重机的健康评价水平。
为了达到上述目的,本发明提供了如下技术方案:
一种塔式起重机智能检验的方法,所述方法包括如下步骤:
1)构成数据库
从建筑工地塔式起重机的检验样本中,随机抽取N个塔式起重机检验原始记录构建数据库;
所述每个记录包括检验项目xi、单项检测结果以及整机检验结果;
2)基于熵权法和专家调查法的相关因素重要度分析
设输入分量x={x1,x2,……x29},统计检验项目x1,x2,……,x29中,塔式起重机不合格的各个单项检测结果所出现的频次,得到主导因素;通过专家调查法,进一步调整设置权值ωi,得到权重集ω={ω1,ω2,……ωi};
权值ωi的确定根据数据库中样本故障数据,采用熵权法进行计算;
3)计算整机综合评价系数v
设单个检验项目为xi,则数据输入是一个N维向量下X=(x1,x2,…,xN)T,其中的每一个分量都对应一个权值ωi,计算出综合评价系数:
公式1中,ν为整机综合评价系数,xi为输入分量,ωi为输入分量所对应的权值;
4)基于模糊理论的检验等级量化
采用专家调查法,根据专家的经验将塔式起重机的检验等级划分为五个级别,采用的模糊逻辑控制规则如下:v=1时,为不合格,模糊系数为1;0.7≤v<1时,为整改后合格,模糊系数为2;0.3≤v<0.7时,为基本合格,模糊系数为3;0<v<0.3时,为合格,模糊系数为4;v=0时,为非常合格,模糊系数为5;a1、a2、a3、a4分别取值为0,0.3,0.7,1,得到梯形隶属函数;
5)根据步骤3)得到的综合评价系数v,对样本数据集进行聚类分析,等级分类;
6)建立LQX神经网络
在步骤1)中得到的数据库中,随机抽取N1个样本作为训练集;建立LVQ神经网络;所述N1≤N;
7)采用LVQ神经网络对样本数据集进行训练
通过MATLAB的LVQ神经网络仿真,进行数据集训练;设置Matlab网络参数,或者按照缺省值进行选取;
8)改进的LVQ神经网络模型:
8.1)学习率的调整
LVQ算法中,学习率是个很重要的参数,会影响分类结果;当学习率取大值时候,就趋向于判断为合格;当学习率取小值时,就会趋向于判断为不合格;在定义学习速率的时候还要考虑收敛的速度和算法的稳定性;最大学习率满足公式6:
公式6中,λmax是输入向量X组成的自相关矩阵R的最大特征值;由于λmax常常不可知,往往使用自相关矩阵R的迹来代替;按定义,矩阵的迹是矩阵主对角线元素之和:
公式7中,tr(R)表示矩阵的迹;R(i,i)表示矩阵的第i行、第i列数值;
8.2)隐含层节点数的调整
隐含层节点数l满足下列经验公式:
公式8中,l为隐含层节点数;n为输入层节点数;m为输出层节点数;a为0-10之间的常数;
9)采集待检验的塔式起重机数据,形成测试集;
10)采用步骤8)得到的改进的LVQ神经网络模型,对测试集进行分级判断;
将测试集的样本数据输入步骤8)得到的改进的LVQ网络,利用通过训练得到的分类特征权值对测试集中的测试样本进行识别分类,得到所要测试样本的测试结果。
步骤1)中,所述检验项目xi取自以下检验项目组:
其中,x1为技术资料是否齐全;x2为安全距离是否满足要求条件;x3为是否具有永久性标志;x4为结构件是否替换使用;x5为梯子扶手护圈是否牢固;x6为焊缝裂纹是否合格;x7为是否存在塑性变形;x8为司机室是否固定牢固;x9为操纵台是否满足要求;x10为基础是否满足设计要求;x11为基础有无积水;x12为吊钩是否合格;x13为钢丝绳是否合格;x14为滑轮是否合格;x15为制动器是否满足要求;x16为卷筒是否合格;x17为绝缘电阻是否满足要求条件;x18为接地电阻是否满足要求条件;x19为电气系统保护是否符合规定;x20为专用开关箱是否满足条件要求;x21为起升高度传感器是否安全可靠;x22为起重力矩是否准确可靠;x23为起重量是否准确可靠;x24为回转限制器是否安全可靠;x25为断绳保护是否安全可靠;x26为断轴保护是否满足条件要求;x27为是否安装了风速仪;x28为空载试验是否合格;x29为额定载荷试验是否合格。
步骤1)中,所述单项检测结果分为合格与不合格,合格用1表示,不合格则用0表示;所述整机检验结果分为合格与不合格,整机合格用T表示,整机不合格用F表示。
步骤5)中,样本数据集被分为五个级别,分别是5为不合格、4为整改后合格、3为基本合格、2为合格、1为非常合格;这样,就完成了对样本数据集的聚类分析和等级分类。
步骤8)中,当隐含层节点数为7时,合格率和不合格率的误差值均为最小。
与现有技术相比,本发明的有益效果在于:
1、基于模糊理论,量化等级。将整机检验等级划分为:不合格、整改后合格、基本合格、合格、非常合格五个级别。而现有技术中仅有合格、不合格两种结论。现有的技术中,对塔式起重机的整机检验仅仅是合格与否的判断,缺少对程度的判别,对风险识别不够科学合理。本发明可以对塔式起重机合格/不合格进行程度判断,科学评价潜在的风险源。
2、基于熵权法和专家调查法进行相关因素重要度分析,既考虑到了数据库中的不合格检测项目的出现频次,又考虑到了该检测项目与事故等级、事故类型的关系。
3、采用改进的LVQ算法,提高判断的准确性,避免误判。
附图说明
图1为本发明的塔式起重机智能检验的方法的流程图;
图2为塔式起重机检验项目示意图;
图3为相关因素权重示意图;
图4为LVQ神经网络结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。
一种塔式起重机智能检验的方法,包括如下步骤:
1、构成数据库
从建筑工地塔式起重机的检验样本中,随机抽取N个塔式起重机检验原始记录构建数据库。
所述每个记录包括检验项目xi、单项检测结果以及整机检验结果。
图2是依照GB/T 6067.1-2010《起重机械安全规程.第1部分:总则》、GB/T 5031-2019《塔式起重机》、DB11/611-2008《施工现场塔式起重机检验规则》以及塔式起重机安全管理相关安全技术标准和规范,整理归纳的检验项目。
优选地,所述检验项目xi取自以下检验项目组:
其中,x1为技术资料是否齐全;x2为安全距离是否满足要求条件;x3为是否具有永久性标志;x4为结构件是否替换使用;x5为梯子扶手护圈是否牢固;x6为焊缝裂纹是否合格;x7为是否存在塑性变形;x8为司机室是否固定牢固;x9为操纵台是否满足要求;x10为基础是否满足设计要求;x11为基础有无积水;x12为吊钩是否合格;x13为钢丝绳是否合格;x14为滑轮是否合格;x15为制动器是否满足要求;x16为卷筒是否合格;x17为绝缘电阻是否满足要求条件;x18为接地电阻是否满足要求条件;x19为电气系统保护是否符合规定;x20为专用开关箱是否满足条件要求;x21为起升高度传感器是否安全可靠;x22为起重力矩是否准确可靠;x23为起重量是否准确可靠;x24为回转限制器是否安全可靠;x25为断绳保护是否安全可靠;x26为断轴保护是否满足条件要求;x27为是否安装了风速仪;x28为空载试验是否合格;x29为额定载荷试验是否合格。
所述单项检测结果分为合格与不合格,合格用1表示,不合格则用0表示。
所述整机检验结果分为合格与不合格,整机合格用T表示,整机不合格用F表示。
2、基于熵权法和专家调查法的相关因素重要度分析
设输入分量x={x1,x2,……x29},统计检验项目x1,x2,……,x29中,塔式起重机不合格的各个单项检测结果所出现的频次,得到主导因素。但相关因素的重要程度还与故障率、事故等级、事故类型有关。通过专家调查法,对导致故障和事故发生的各影响因素的分析,推演故障和事故发生过程,解析因果关系,找出主、次要因素,进一步调整设置权值ωi,得到权重集ω={ω1,ω2,……ωi}。
权值ωi的确定根据数据库中样本故障数据,采用熵权法进行计算,如图3所示。图3中,纵坐标类别是检验项目xi。根据xi所占的权重不同,前3个分别是x6,x2和x7。
3、计算整机综合评价系数v
设单个检验项目为xi,则数据输入是一个N维向量下X=(x1,x2,…,xN)T,其中的每一个分量都对应一个权值ωi,计算出综合评价系数:
公式1中,ν为整机综合评价系数,xi为输入分量,ωi为输入分量所对应的权值。
4、基于模糊理论的整机检验等级量化
塔式起重机整机检验等级引用梯形隶属函数进行描述,梯形隶属函数的形状由a1、a2、a3、a4四个参数确定。设模糊集为Y=(a1,a2,a3,a4),且a1≤a2≤a3≤a4,则梯形隶属函数表示为:
公式2中,x为定变量的论域范围,a1、a2、a3、a4为指定梯形隶属度函数的形状。
采用专家调查法,根据专家的经验将塔式起重机的检验等级划分为五个级别,采用的模糊逻辑控制规则如下:v=1时,为不合格,模糊系数为1;0.7≤v<1时,为整改后合格,模糊系数为2;0.3≤v<0.7时,为基本合格,模糊系数为3;0<v<0.3时,为合格,模糊系数为4;v=0时,为非常合格,模糊系数为5。a1、a2、a3、a4分别取值为0,0.3,0.7,1,得到梯形隶属函数。
5、根据步骤3得到的整机综合评价系数v,对样本数据集进行聚类分析,等级分类。样本数据集被分为五个级别,分别是5为不合格、4为整改后合格、3为基本合格、2为合格、1为非常合格。这样,就完成了对样本数据集的聚类分析和等级分类。
6、建立LVQ神经网络
在步骤1中得到的数据库中,随机抽取N1个样本作为训练集。建立LVQ神经网络。所述N1≤N。
LVQ神经网络由3层神经元组成,即输入层、竞争层和线性输出层,如图4所示。输入层与竞争层之间采用全连接的方式,竞争层与线性输出层之间采用部分连接的方式。竞争层神经元个数总是大于线性输出层神经元个数,每个竞争层神经元只与一个线性输出层神经元相连接且连接权值恒为1。但是,每个线性输出层神经元可以与多个竞争层神经元相连接。竞争层神经元与线性输出层神经元的值只能是1或0。当某个输入模式被送至网络时,与输入模式距离最近的竞争层神经元被激活,神经元的状态为“1”,而其他竞争层神经元的状态均为“0”。因此,与被激活神经元相连接的线性输出层神经元状态也为“1”,而其他线性输出层神经元的状态均为“0”。
图4中,p是R维的输入模式;S1为竞争层神经元个数;IW1,1为输入层与竞争层之间的连接权系数矩阵;n1为竞争层神经元的输入;a1为竞争层神经元的输出;LW2,1为竞争层与线性输出层之间的连接权系数矩阵;n2为线性输出层神经元的输入;a2为线性输出层神经元的输出。
7、采用LVQ神经网络对样本数据集进行训练
通过MATLAB的LVQ神经网络仿真,进行数据集训练。设置Matlab网络参数,或者按照缺省值进行选取。
设输入训练样本为N维向量X=(x1,x2,…,xN)T,则可以视为在N维空间的样本点,而同一个类别的样本点可能散布成数群,各有各的形心。LVQ神经网络通过样本点来估计各个群体的形心位置,并正确地对应到所属的类别中;训练完成后的应用阶段,即可利用各自群体的形心位置,做出正确的分类判断。
LVQ网络的第2层是非监督的竞争层,每个神经元为一个独立的子类别。当样本点输入竞争层中,计算样本点与各子类别间的欧式距离,寻找出最合适的子类别归属,设竞争层有M个神经元,如公式3:
将竞争层优胜者的信息传入第三个输出层,进行监督学习分类,第三层的权值是固定值,优胜者信息传入后,即会产生学习结果的正确或错误。根据分类结构的正确与否,适当地修正竞争层的网络权值,以寻找正确形心位置。权值调整方式如下:
当i=c时,即分类结果正确时:
Wc(n+1)=Wc(n)+η(n)[X(n)-Wc(n))] 公式4
当i≠C时,即分类结果错误时:
Wc(n+1)=Wc(n)-η(n)[X(n)-Wc(n))] 公式5
公式3~公式5中,X表示输入样本向量,W表示网络初始形心位置向量,表示输入样本点i与子类别间的欧式距离,Wc表示竞争胜出后的子类别;Wi表示竞争层的神经元i的类标签。η表示学习速率,数值介于0-1之间,它具有抑制网络权值趋近无限大的作用。n为训练次数。
8、改进的LVQ神经网络模型:
8.1、学习率的调整
LVQ算法中,学习率是个很重要的参数,会影响分类结果。当学习率取大值时候,就趋向于判断为合格。当学习率取小值时,就会趋向于判断为不合格。在定义学习速率的时候还要考虑收敛的速度和算法的稳定性。最大学习率满足公式6:
公式6中,λmax是输入向量X组成的自相关矩阵R的最大特征值。由于λmax常常不可知,往往使用自相关矩阵R的迹来代替。按定义,矩阵的迹是矩阵主对角线元素之和:
公式7中,tr(R)表示矩阵的迹。R(i,i)表示矩阵的第i行、第i列数值。
8.2、隐含层节点数的调整
隐含层节点数对人工神经网络预测精度也有很大的影响:节点数太少,网络不能很好地学习,需要增加训练次数,训练的精度也受影响;节点数太多,训练时间增加,网络容易过拟合。
隐含层节点数l满足下列经验公式:
公式8中,l为隐含层节点数;n为输入层节点数;m为输出层节点数;a为0-10之间的常数。
最佳的隐含层节点数选择首先考虑公式8来确定节点数的大范围,然后用试凑法确定最佳的节点数。对于某些问题来说,隐含层节点数对输出结构影响较小。但对于塔式起重机检验问题而言,当隐含层节点数减小时,合格率误差会升高,不合格率会降低。当隐含层节点数增加时,合格率误差会降低,不合格率会升高。优选地,当隐含层节点数为7时,合格率和不合格率的误差值均为最小。
9、采集待检验的塔式起重机数据,形成测试集。
10、采用步骤8得到的改进的LVQ神经网络模型,对测试集进行分级判断。
将测试集的样本数据输入步骤8得到的改进的LVQ网络,利用通过训练得到的分类特征权值对测试集中的测试样本进行识别分类,得到所要测试样本的测试结果。
实施例
一种塔式起重机智能检验的方法,包括如下步骤:
1、构成数据库
从建筑工地塔式起重机的检验样本中,随机抽取350个塔式起重机检验原始记录构建数据库,如表所示:
2、基于熵权法和专家调查法的相关因素重要度分析
设输入分量x={x1,x2,……x29},根据检验项目x1,x2,……,x29中,x2,x5,x11,x13,x19,x22等出现不合格的频次较多,可以认定为主导因素,所占权重较大。但通过专家调查法发现x4,x7,x15,x16等对事故等级、事故类型影响较大,也属于重要因素,权重也应较大。基于熵权法和专家调查法调整设置权值,从而得到权重集ω={ω1,ω2,……ω29}。
3、计算整机综合评价系数v
根据公式计算整机综合评价系数v。
4、基于模糊理论的整机检验等级量化
采用的模糊逻辑控制规则如下:v=1时,为不合格,模糊系数为1;0.7≤v<1时,为整改后合格,模糊系数为2;0.3≤v<0.7时,为基本合格,模糊系数为3;0<v<0.3时,为合格,模糊系数为4;v=0时,为非常合格,模糊系数为5。
5、根据步骤3得到的整机综合评价系数v,对样本数据集进行聚类分析,等级分类。
如表所示:在整机检验栏中,样本数据集被分为五个级别,分别是5为不合格、4为整改后合格、3为基本合格、2为合格、1为非常合格。这样,就完成了对样本数据集的聚类分析和等级分类。
6、建立LVQ神经网络
在这350个样本数据集中,随机抽取300个样本作为训练集。建立LVQ神经网络,对该样本数据集进行训练。本实施例使用29个多维特征信号对神经网络进行训练,由于输入层为29组不同的特征信号,识别目标为5种不同的检验类别;所以LVQ神经网络结构确定为29-10-5型。
7、采用LVQ神经网络对样本数据集进行训练
通过MATLAB的LVQ神经网络仿真,进行数据集训练。学习率选取0.1,窗口参数选取0.25,显示频率设置为10,训练目标最小精度设为0.1,迭代次数选择为1000。这些参数是在经验基础上、反复测试得来的训练参数。
8、改进LVQ神经网络模型
8.1、学习率的调整
利用最大学习率公式:调整学习率。
8.2、隐含层节点数的调整
当隐含层节点数减小时,合格率误差会升高,不合格率会降低。当隐含层节点数增加时,合格率误差会降低,不合格率会升高。
本实施例中,当隐含层节点数为7时,合格率和不合格率的误差值均为最小,可以达到0。
9、采集待检验的塔式起重机数据,形成测试集
本实施例中,350个样本数据集中,除去随机抽取的300个样本作为训练集,剩余的50个样本作为测试集。
10、采用步骤8得到的改进的LVQ神经网络模型,对测试集进行分级判断
将测试集的50个样本数据输入步骤8得到的改进的LVQ网络,利用通过训练得到的分类特征权值对这50个测试样本进行识别分类,得到所要测试样本的测试结果。
Claims (5)
1.一种塔式起重机智能检验的方法,其特征在于:所述方法包括如下步骤:
1)构成数据库
从建筑工地塔式起重机的检验样本中,随机抽取N个塔式起重机检验原始记录构建数据库;
所述每个记录包括检验项目xi、单项检测结果以及整机检验结果;
2)基于熵权法和专家调查法的相关因素重要度分析
设输入分量x={x1,x2,……x29},统计检验项目x1,x2,……,x29中,塔式起重机不合格的各个单项检测结果所出现的频次,得到主导因素;通过专家调查法,进一步调整设置权值ωi,得到权重集ω={ω1,ω2,……ωi};
权值ωi的确定根据数据库中样本故障数据,采用熵权法进行计算;
3)计算整机综合评价系数v
设单个检验项目为xi,则数据输入是一个N维向量下X=(x1,x2,…,xN)T,其中的每一个分量都对应一个权值ωi,计算出综合评价系数:
公式1中,ν为整机综合评价系数,xi为输入分量,ωi为输入分量所对应的权值;
4)基于模糊理论的检验等级量化
采用专家调查法,根据专家的经验将塔式起重机的检验等级划分为五个级别,采用的模糊逻辑控制规则如下:v=1时,为不合格,模糊系数为1;0.7≤v<1时,为整改后合格,模糊系数为2;0.3≤v<0.7时,为基本合格,模糊系数为3;0<v<0.3时,为合格,模糊系数为4;v=0时,为非常合格,模糊系数为5;a1、a2、a3、a4分别取值为0,0.3,0.7,1,得到梯形隶属函数;
5)根据步骤3)得到的综合评价系数v,对样本数据集进行聚类分析,等级分类;
6)建立LVQ神经网络
在步骤1)中得到的数据库中,随机抽取N1个样本作为训练集;建立LVQ神经网络;所述N1≤N;
7)采用LVQ神经网络对样本数据集进行训练
通过MATLAB的LVQ神经网络仿真,进行数据集训练;设置Matlab网络参数,或者按照缺省值进行选取;
8)改进的LVQ神经网络模型:
8.1)学习率的调整
LVQ算法中,学习率是个很重要的参数,会影响分类结果;当学习率取大值时候,就趋向于判断为合格;当学习率取小值时,就会趋向于判断为不合格;在定义学习速率的时候还要考虑收敛的速度和算法的稳定性;最大学习率满足公式6:
公式6中,λmax是输入向量X组成的自相关矩阵R的最大特征值;由于λmax常常不可知,往往使用自相关矩阵R的迹来代替;按定义,矩阵的迹是矩阵主对角线元素之和:
公式7中,tr(R)表示矩阵的迹;R(i,i)表示矩阵的第i行、第i列数值;
8.2)隐含层节点数的调整
隐含层节点数l满足下列经验公式:
公式8中,l为隐含层节点数;n为输入层节点数;m为输出层节点数;a为0-10之间的常数;
9)采集待检验的塔式起重机数据,形成测试集;
10)采用步骤8)得到的改进的LVQ神经网络模型,对测试集进行分级判断;
将测试集的样本数据输入步骤8)得到的改进的LVQ网络,利用通过训练得到的分类特征权值对测试集中的测试样本进行识别分类,得到所要测试样本的测试结果。
2.如权利要求1所述的塔式起重机智能检验的方法,其特征在于:步骤1)中,所述检验项目xi取自以下检验项目组:
其中,x1为技术资料是否齐全;x2为安全距离是否满足要求条件;x3为是否具有永久性标志;x4为结构件是否替换使用;x5为梯子扶手护圈是否牢固;x6为焊缝裂纹是否合格;x7为是否存在塑性变形;x8为司机室是否固定牢固;x9为操纵台是否满足要求;x10为基础是否满足设计要求;x11为基础有无积水;x12为吊钩是否合格;x13为钢丝绳是否合格;x14为滑轮是否合格;x15为制动器是否满足要求;x16为卷筒是否合格;x17为绝缘电阻是否满足要求条件;x18为接地电阻是否满足要求条件;x19为电气系统保护是否符合规定;x20为专用开关箱是否满足条件要求;x21为起升高度传感器是否安全可靠;x22为起重力矩是否准确可靠;x23为起重量是否准确可靠;x24为回转限制器是否安全可靠;x25为断绳保护是否安全可靠;x26为断轴保护是否满足条件要求;x27为是否安装了风速仪;x28为空载试验是否合格;x29为额定载荷试验是否合格。
3.如权利要求1所述的塔式起重机智能检验的方法,其特征在于:步骤1)中,所述单项检测结果分为合格与不合格,合格用1表示,不合格则用0表示;所述整机检验结果分为合格与不合格,整机合格用T表示,整机不合格用F表示。
4.如权利要求1所述的塔式起重机智能检验的方法,其特征在于:步骤5)中,样本数据集被分为五个级别,分别是5为不合格、4为整改后合格、3为基本合格、2为合格、1为非常合格;这样,就完成了对样本数据集的聚类分析和等级分类。
5.如权利要求1所述的塔式起重机智能检验的方法,其特征在于:步骤8)中,当隐含层节点数为7时,合格率和不合格率的误差值均为最小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210378254.1A CN114741876B (zh) | 2022-04-12 | 2022-04-12 | 一种塔式起重机智能检验的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210378254.1A CN114741876B (zh) | 2022-04-12 | 2022-04-12 | 一种塔式起重机智能检验的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114741876A CN114741876A (zh) | 2022-07-12 |
CN114741876B true CN114741876B (zh) | 2024-03-19 |
Family
ID=82281627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210378254.1A Active CN114741876B (zh) | 2022-04-12 | 2022-04-12 | 一种塔式起重机智能检验的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114741876B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115465782B (zh) * | 2022-08-24 | 2024-01-19 | 杭州大杰智能传动科技有限公司 | 塔式起重机运维机构的协同控制方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104835103A (zh) * | 2015-05-11 | 2015-08-12 | 大连理工大学 | 基于神经网络和模糊综合评价的移动网络健康评价方法 |
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN106991531A (zh) * | 2017-03-30 | 2017-07-28 | 国家电网公司 | 基于bp神经网络的配电网项目建设效果后评价方法 |
CN108038300A (zh) * | 2017-12-07 | 2018-05-15 | 长春理工大学 | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 |
GB202007918D0 (en) * | 2020-05-27 | 2020-07-08 | Tomtom Global Content Bv | Neutral network model for image segmentation |
CN112070357A (zh) * | 2020-08-11 | 2020-12-11 | 中国人民解放军海军工程大学 | 一种基于改进bp神经网络的雷达辐射源威胁评估方法 |
-
2022
- 2022-04-12 CN CN202210378254.1A patent/CN114741876B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN104835103A (zh) * | 2015-05-11 | 2015-08-12 | 大连理工大学 | 基于神经网络和模糊综合评价的移动网络健康评价方法 |
CN106991531A (zh) * | 2017-03-30 | 2017-07-28 | 国家电网公司 | 基于bp神经网络的配电网项目建设效果后评价方法 |
CN108038300A (zh) * | 2017-12-07 | 2018-05-15 | 长春理工大学 | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 |
GB202007918D0 (en) * | 2020-05-27 | 2020-07-08 | Tomtom Global Content Bv | Neutral network model for image segmentation |
CN112070357A (zh) * | 2020-08-11 | 2020-12-11 | 中国人民解放军海军工程大学 | 一种基于改进bp神经网络的雷达辐射源威胁评估方法 |
Non-Patent Citations (4)
Title |
---|
一种基于Elman神经网络的网络舆情威胁估计方法;王铁套;王国营;陈越;;信息工程大学学报;20120815(第04期);全文 * |
基于人工神经网络的线缆敷设质量综合评判;宋倩;郭宇;王发麟;;计算机工程与应用;20171103(第14期);全文 * |
基于模糊神经网络的起重机安全评估方法研究;孟小胴;王卫辉;强宝民;曹原;;电子设计工程;20130605(第11期);全文 * |
基于模糊-组合神经网络的信息系统安全风险评估;付钰;吴晓平;王甲生;;海军工程大学学报;20100215(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114741876A (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN106355030B (zh) | 一种基于层次分析法和加权投票决策融合的故障检测方法 | |
CN106371427B (zh) | 基于层次分析法和模糊融合的工业过程故障分类方法 | |
CN103914064B (zh) | 基于多分类器和d-s证据融合的工业过程故障诊断方法 | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN108073158A (zh) | 基于pca和knn密度算法风电机组轴承故障诊断方法 | |
CN106055918A (zh) | 一种电力系统负荷数据辨识及修复方法 | |
CN109324604A (zh) | 一种基于多源信号的智能列车综合故障分析方法 | |
CN105095963A (zh) | 一种精确诊断与预测风洞设备故障的方法 | |
CN111597651A (zh) | 一种基于hwpso-svdd模型的滚动轴承性能退化评估方法 | |
CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建系统 | |
CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN110909802A (zh) | 一种基于改进的pso优化pnn平滑因子的故障分类方法 | |
CN110737976A (zh) | 一种基于多维度信息融合的机械设备健康评估方法 | |
CN114741876B (zh) | 一种塔式起重机智能检验的方法 | |
CN110705887A (zh) | 一种基于神经网络模型的低压台区运行状态综合评价方法 | |
CN111767657B (zh) | 一种核动力系统故障诊断方法和系统 | |
CN113887729A (zh) | 一种低压电力线载波通信系统故障诊断方法 | |
CN115130578A (zh) | 一种基于增量式粗糙聚类的配电设备状态在线评估方法 | |
CN115221973A (zh) | 一种基于增强加权异质集成学习的航空轴承故障诊断方法 | |
CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
CN113591402A (zh) | 一种数字化电力互感器健康状态模糊综合评价方法 | |
CN117556347A (zh) | 一种基于工业大数据的电力设备故障预测与健康管理方法 | |
CN112748331A (zh) | 一种基于ds证据融合的断路器机械故障识别方法及装置 | |
CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 |
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 |