[发明专利]载荷吊重的计算方法、装置及存储介质

说明书

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。

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，P_w为所述变幅油缸无杆腔压强，P_y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。