[发明专利]一种起重机运行状态的智能监测方法

说明书

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，