一种起重机运行状态的智能监测方法
【专利摘要】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。
【专利说明】
【技术领域】
[0001] 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。 一种起重机运行状态的智能监测方法
【背景技术】
[0002] 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。
[0003] 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。
[0004] 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。
[0005] 算法的步骤为：
[0006] (a)设置变量和参数：
[0007] xk = [xkl, xk2,...，xkP], (k = 1，2,…，N)为输入向量，即训练样本，N为样本的个 数；
[0008] WPI (n) = (WipMXI为第η次迭代时输入层与隐层I之间的权值向量；
[0009] A? = (WiJ)IXJ为第η次迭代时隐层I与隐层J之间的权值向量；
[0010] Wj^Oi) = 为第η次迭代是隐层J与输出层之间的权值向量；
[0011] 〇k (n) = [0kl (η), 0k2 (η), ···, 0kN3 (η)],
[0012] (k = 1,2, "·，Ν)为第η次迭代时网络的实际输出；
[0013] 为期望输出。
[0014] (b)初始化。赋较小的dk = [dkl, dk2,…，dM3]，（k = 1，2, "·，Ν)随机非零值于
[0015] (c)输入样本 Xk，η = 0。
[0016] (d)对输入样本Xk，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。
[0017] (e)由期望输出dk和上一步求得的实际输出0k (η)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)。
[0018] (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Xk，反向 计算每层神经元的局部梯度δ。其中，
【权利要求】
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SOI :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。
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。
3. 如权利要求2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。
4. 如权利要求2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。
5. 如权利要求2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。
6. 如权利要求2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。
7. 如权利要求2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。
8. 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。
【文档编号】B66C13/16GK104085789SQ201410187009
【公开日】2014年10月8日 申请日期:2014年5月6日 优先权日:2014年5月6日
【发明者】禹建丽, 徐广善 申请人:新乡市起重机厂有限公司