人工神经网络在起重机运行状态监测中的应用案例2

人工神经网络在起重机运行状态监测中的应用

yujianli,zhouruifang,miaomanxiang

郑州航空工业管理学院

摘要:起重机作为工业生产中的大型机械设备,扮演着不可替代的重要角色,研究起重机故障诊断技术,提高起重机运行的安全性和可靠性,具有极其重要的作用。本文利用BP神经网络研究起重机运行状态监测及故障诊断问题,建立了对塔式起重机的运行状态进行在线监测的BP神经网络模型,并对模型的稳定性进行了仿真实验研究,结果表明,BP神经网络模型可以对塔式起重机的运行状态进行准确的判断,对故障进行有效的预测,从而提高起重机运行的安全性和可靠性。

关键字:BP神经网络,状态监测,起重机,模型

1、引言

起重机作为工业生产中的大型机械设备,其单机的工作范围、起重能力及监控水平不断向大型化和自动化方向发展。由于起重机自身结构和工作特点,决定了它是一种蕴藏较大危险因素的施工机械。保证起重设备的正常工作、监测起重机运行状态、对起重机的故障进行诊断,成为起重机安全设计方面的一大研究重点。臧大进(2009)研制有塔式起重机智能监控系统、戚本志(2010)设计了塔吊远程安全监控系统、尹献德(2010)研制有桥(门)式起重机安全运行监控记录装置等等。在故障诊断方面,近年很多研究者(王丁磊(2010),付芹(2010),谢正义(2010)等)采用神经网络技术,不仅能够检测各种曾经发生的已知故障,而且通过新的故障样本学习、训练和更新故障知识,建立起重机械故障征兆与故障状态之间的关系,从而能够识别首次发生的新故障。

本文利用BP神经网络研究起重机运行状态在线监测问题,建立了对塔式起重机的运行状态进行在线监测的BP神经网络模型,并对模型的稳定性进行了仿真实验研究,结果表明,BP神经网络模型可以对塔式起重机的运行状态进行准确的判断,对故障进行有效的预测,从而提高起重机运行的安全性和可靠性。

2、 BP神经网络原理

BP神经网络是一种按误差逆传播算法训练得到的多层前馈神经网络。BP神经网络能学习和存贮大量的输入-输出模式映射关系,但是无必事前揭示此种映射关系的数学方程。BP神经网络的学习方法是最速下

降法,通过反向传播来不断调整神经网络的权值与阈值,使BP 神经网络的误差平方和最小。BP 神经网络模型拓扑结构由输入层、隐层与输出层构成。

图1 BP 神经网络结构图

人工神经网络在起重机运行状态监测中的应用案例2

BP 神经网络中的正向传播与反向传播构成了其学习过程。正向传播是指用于网络计算,对某一个输入值求出它的输出值;反向传播是指用于逐层传递误差,修改连接权值以及阈值。算法的具体步骤如下所示。

(1) 首先设置训练网络的变量和参数:

12[,,

,],(1,2,

,)k k k kP X x x x k N ==为输入向量,也就是训练样本,样本

的总个数为N ;

()

()PI ij M I

W n w ?=为第n 次迭代隐层和输入层I 间的权值向量;

()J I ij IJ w n W ?=)(为第n 次迭代隐层J 和隐层I 间的权值向量;

()

33

()JN ij J N W n w ?=为第n 次迭代输出层和隐层J 间的权值向量;

123()[(),(),

,()]k k k kN O n O n O n O n =,),,2,1(N k =为第n 次迭代网络的实际

输出;

1,23[,

,],(1,2,

,)k k k kN d d d d k N ==为网络训练的期望输出。

(2) 进行初始化设置。赋于较小的随机非零值给

3(0),(0),(0)MI IJ JN W W W 。

(3) 然后输入样本k X ,0=n 。

(4)关于输入的样本k X ,前向计算BP 神经网络每一层神经元的输入信号u 与输出信号v 。

(5)上一步求得的实际输出()k O n 和实际期望输出k d 计算误差e ,判断是否满足要求,若满足要求则转至(8);如果不满足则转至(6)。 (1)判断1+n 是否大于最大迭代次数,如果大于则转至(8),否则,对于输入样本k X ,然后反向计算每层神经元的局部梯度δ 。其中,

3()(1())(()()),

(1,2,

,3)

N p p p p p O n O n d n O n p N δ=--= (1)

3

3

1

(())(),

(1,2,

,)

N J J N j

j

p jp p f u n w n j J δδ='==∑ (2)

),,2,1(,)())((1

I i n w n u f J

j ij J j I i

I i

='=∑=δδ (3)

(7)按下面的式子计算权值修正w ?,并对权值进行修正,η为学习速率。1+=n n ,转至(4)。

3

()()(),

(1)()(),(1,2,

,;1,2,

,);

N J jp p j jp jp jp w n n v n w n w n w n j J p P ηδ?=+=+?== (4)

);,,2,1;,,2,1(),()()1(),

()()(J j I i n w n w n w n v n n w ij ij ij I i J j ij ==?+=+=?ηδ (5) ()()()(1)()()(1,2,

,;1,2,

,)

I mi i km mi mi mi w n n x n w n w n w n m P i I ηδ?=+=+?== (6)

(8)判断是否学完所有的训练样本,如果是则结束,如果不是,则返回(3)。 3、构建起重机运行状态监测的BP 神经网络模型 3.1选取塔式起重机运行状态的观测变量

选取塔式起重机运行状态的6个变量作为观测变量,分别为: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,这6个观测变量均为塔机运行中可通过传感器采集到的变量;

3.2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大类,依次为安全状态、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,对这5类状态的编码依次分别为:10000、01000、00100、00010、00001;

3.3选取训练样本

在塔式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25组训练样本如表1所示。

表1: 训练样本

样本状态观测变量状态类型

序号起重量起重力矩起升高度起重幅度风速绕组温度编码

1 6375 686 38.6 10.8 10.9 109 00100

2 6565 666 39 10.1 15 88 00100

3 621

4 650 38.2 10.

5 14.3 102 00100

4 6483 650 39.4 10 15.7 114 00010

5 6214 678 39.8 10.9 13.1 114 00010

6 6565 666 39.8 10.1 14.3 118 00100

7 5882 615 39.4 10.5 10.9 109 01000

8 5882 686 38.6 11.7 14.3 88 00010

9 6483 615 39 9.5 13.1 102 00100

10 5882 678 39 11.5 15.6 102 00100

11 5882 666 38.2 11.3 13.1 114 00100

12 6375 650 38.6 10.2 10.9 118 00100

13 6483 650 38.2 10 15 109 00100

14 6214 686 39.8 11 15 114 00010

15 6483 666 39.8 10.3 10.9 102 00100

16 5882 615 38.6 9.4 14.3 114 00100

17 6565 678 38.2 10.3 10.9 88 00010

18 6565 615 38.6 9.4 14.3 114 00100

19 6483 686 39 10.6 13.1 118 00010

20 6375 678 39.4 10.6 14.3 102 00010

21 6214 666 38.6 10.7 15.7 109 00010

22 6130 640 39.2 10.4 12.4 86 01000

23 6435 640 15 9.9 14.7 106 00100

24 6400 640 15 10 14 100 01000

25 1500 300 38.2 20 14 80 10000

3.4构建起重机运行状态监测的BP神经网络模型

构建BP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变量,起重机状态类型分类编码为输出层变量。

3.5 进行神经网络训练

利用训练样本训练构建的BP神经网络模型,得出BP神经网络模型的权值和阈值。

BP神经网络模型训练采用最速下降学习算法,通过误差反向传播不断调整网络的权值和阈值,使BP神经网络输出与实际期望值的误差平方

和越来越小,如图二所示。

用下列MATLAB软件程序对神经网络进行训练,其中神经网络的隐层神经元的个数选为13,p为输入层向量,t为输出层样本向量。

p=load('p.txt');

p=p'

t=load('t.txt');

t=t'

net=newff(minmax(p),[13,5],{'tansig','purelin'},'trainlm') ;

net.trainParam.goal=0.010(0.010代表训练精度);

net.trainParam.lr=0.3;

net.trainParam.epochs=500(500代表训练次数);

[net,tr]=train(net,p,t);

人工神经网络在起重机运行状态监测中的应用案例2

图2: 网络训练误差变化图

用下列MATLAB软件程序命令输出训练得到的神经网络的权值和阈值

IW=net.IW{1,1}

LW=net.LW{2,1}

b1=net.b{1,1}

b2=net.b{2,1}

神经网络的权值如下所示:

IW =

-0.0130 0.0702 0.4838 -0.2164 0.9532 0.1336

0.0037 -0.0132 -0.0663 0.0302 -0.1139 -0.0455

-0.0010 -0.0104 0.1831 0.5016 -0.4914 -0.0755

0.0092 -0.0744 -0.1581 0.8853 0.0861 -0.2134

0.0024 -0.0097 -0.1260 0.3013 -0.0468 0.0066

-0.0006 0.0051 0.1631 -0.9502 -0.1049 0.0265

0.0014 -0.0141 -0.1431 0.1805 -0.0239 0.0209

0.0016 -0.0053 -0.1699 0.5654 -0.0521 -0.0413

-0.0003 0.0002 -0.0314 -0.1514 -0.0104 -0.0015

0.0177 -0.1359 0.6775 0.0856 0.0010 -0.0713

-0.0008 0.0253 0.2563 0.1437 -0.4912 -0.1505

0.0218 -0.1171 0.0221 -0.1235 0.0850 -0.1082

-0.0119 0.0682 0.0756 0.0909 0.1898 0.0867

LW =

-0.0033 0.0553 -0.0267 -0.0006 -0.6511 -0.2915 0.8249 0.3370 -1.1191 0.5802 -0.0659 -0.5948 0.1176;

-0.1361 0.3294 0.9121 1.0981 -0.6853 -0.8637 0.3946 -0.4913 -0.1787 0.7480 -0.0969 -0.4514 -0.2376;

-0.8225 -0.8642 -1.4491 -1.1441 -1.0349 0.5639 0.5087 0.6750 -0.0248 0.8949 -0.5176 -0.5992 0.4782;

0.7588 0.9223 -0.0305 0.0126 0.9832 -0.6981 -0.6443 -0.4047 0.6693 -0.5631 1.1803 0.9326 0.4705;

0.0560 -0.0792 0.1681 -0.1464 0.0442 -0.0961 0.1484 0.1517 -0.1687 -0.1316 -0.2945 0.2512 -0.0073;

训练得到的神经网络阈值如下所示:

b1 =

-8.6594

-4.2216

12.8071

3.2047

-6.4637

1.1500

2.8888

-1.1149

5.2438

-10.8605

-4.4772

5.1299

-3.5019

b2 =

0.0323

0.1571

-0.6009

-0.0651

-0.3824

3.6起重机运行状态监测实验

在塔式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10组样本,作为监测实验样本如表2所示。

表2: 监测实验样本

人工神经网络在起重机运行状态监测中的应用案例2

用MATLAB软件程序命令huijian=sim(net,p),将实验样本中的塔式起重机运行状态的观测变量数据输入到训练得到的BP神经网络中,对起重机运行状态进行识别,输出结果如下:

huijian =

0.0703 0.0135 -0.0257 -0.1586 -0.0794 0.1313

-0.0010 0.0569 -0.0236 -0.0153

0.0051 -0.0395 0.0557 0.1004 -0.1222 -0.0261 0.9487 -0.0087 0.0460 0.0152

0.9923 0.9690 0.8604 0.1833 0.1048 0.9102

-0.0188 0.0874 0.9379 0.9247

0.0413 -0.0045 0.1040 0.8701 0.8745 0.1459 0.0196 0.9205 -0.0299 0.1325

0.0671 0.0116 -0.0139 -0.2208 0.0057 0.1460 0.0112 -0.0024 0.0474 -0.0310

将上述BP神经网络对塔式起重机运行状态识别的输出向量中的最大值对应的分量值取为1,其它分量值取为0,得起重机运行状态识别结果,将其与训练样本中原来塔式起重机运行状态的分类编码进行比较可知,BP神经网络模型对起重机运行状态识别的准确率达到100%。

4、 BP神经网络模型的有效性和稳定性研究

为研究BP神经网络模型的有效性和稳定性,对监测实验样本的输

入进行扰动处理,得到扰动实验样本,用BP神经网络模型对扰动实验

样本进行运行状态识别实验,研究BP神经网络模型的稳定性。

4.1、第一组扰动实验数据处理,是在监测实验样本的基础上,对

10组样本的起重量上下波动5,其它数据保持不变,得到扰动实验样本。

然后用BP神经网络模型对扰动实验样本进行运行状态识别实验,用MATLAB软件进行实验,扰动实验样本及运行状态判断结果输出如下:p1 =

1.0e+003 *

6.3700 6.5600 6.2190 6.4880 6.2190 6.5600 5.8870 5.8870 6.4880 5.8870

0.6860 0.6660 0.6500 0.6500 0.6780 0.6660 0.6150 0.6860 0.6150 0.6780

0.0386 0.0390 0.0382 0.0394 0.0398 0.0398 0.0394 0.0386 0.0390 0.0390

0.0108 0.0101 0.0105 0.0100 0.0109 0.0101 0.0105 0.0117 0.0095 0.0115

0.0109 0.0150 0.0143 0.0157 0.0131 0.0143 0.0109 0.0143 0.0131 0.0156

0.1090 0.0880 0.1020 0.1140 0.1140 0.1180 0.1090 0.0880 0.1020 0.1020

t =

0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 1 0 0 0

1 1 1 0 0 1 0 0 1 1

0 0 0 1 1 0 0 1 0 0

0 0 0 0 0 0 0 0 0 0

zhenduan =

-0.0100 0.0001 -0.2748 -0.0216 0.0463 0.0031

0.0204 0.0072 -0.0236 -0.0092

0.0714 -0.0267 0.0196 -0.0658 -0.0035 -0.0095

1.0054 0.0119 -0.0751 -0.0729

1.0009 0.9723 0.7034 0.1220 0.0455 0.9164

0.1220 0.0191 0.9148 0.9342

0.0327 -0.0124 -0.0774 0.8408 0.8965 0.0799

-0.0469 0.9919 0.0544 0.0534

-0.0271 -0.0086 -0.2815 -0.0124 -0.0003 -0.0127

-0.0147 -0.0546 0.1500 0.0440

将上述BP神经网络对塔式起重机的运行状态进行分类判断,输出向

量中的最大值对应的分量值取为1,其余分量值取为0,由此可得起重机

运行状态的识别最终结果如下:

0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 1 0 0 0

1 1 1 0 0 1 0 0 1 1 0 0 0 1 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 由此得出本组数据的识别正确率为100%。

4.2、第二组扰动实验数据处理,是在监测实验样本的基础上,对

10组样本的起重力矩上下波动1左右,其它数据保持不变,得到扰动实

验样本。然后用BP神经网络模型对扰动实验样本进行运行状态识别实

验,用MATLAB软件进行实验,扰动实验样本及运行状态识别结果输出

如下:

p1 =

1.0e+003 *

6.3750 6.5650 6.2140 6.4830 6.2140 6.5650

5.8820 5.8820

6.4830 5.8820

0.6870 0.6670 0.6510 0.6510 0.6790 0.6670

0.6160 0.6870 0.6160 0.6790

0.0386 0.0390 0.0382 0.0394 0.0398 0.0398

0.0394 0.0386 0.0390 0.0390

0.0108 0.0101 0.0105 0.0100 0.0109 0.0101

0.0105 0.0117 0.0095 0.0115

0.0109 0.0150 0.0143 0.0157 0.0131 0.0143

0.0109 0.0143 0.0131 0.0156

0.1090 0.0880 0.1020 0.1140 0.1140 0.1180

0.1090 0.0880 0.1020 0.1020

t =

0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 1 0 0

1 1 1 0 0 1 0 0 1

1

0 0 0 1 1 0 0 1 0

0 0 0 0 0 0 0 0 0

zhenduan =

-0.0232 0.0113 -0.2470 -0.0105 0.0846 0.0002

-0.0298 -0.0325 -0.0142 -0.0209

0.0568 -0.0237 0.0182 -0.0790 -0.0219 0.0099

1.0480 0.0223 -0.0683 -0.0476

0.9639 0.9863 0.7297 0.1211 0.0540 0.9156

0.1456 0.0375 0.9248 0.9328

0.0401 -0.0138 -0.0756 0.8298 0.9372 0.0938

-0.0627 0.9854 0.0608 0.0472

-0.0324 0.0009 -0.2739 -0.0313 0.0160 -0.0197

0.0400 0.0051 0.1615 0.0399

将上述BP神经网络对塔式起重机的运行状态进行分类判断,输出向

量中的最大值对应的分量值取为1,其余分量值取为0,由此可得起重机

运行状态的识别最终结果如下:

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0

1 1 1 0 0 1 0 0 1 1 0 0 0 1 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 由此得出本组数据的识别正确率为100%。

4.3、与4.2和4.3类似,在监测实验样本的基础上,分别对10组

样本的其他3个观测变量进行上下波动,其它数据保持不变,得到扰动

实验样本。然后用BP神经网络模型对扰动实验样本进行运行状态识别

实验,实验结果表明,诊断正确率均达到100%。

5、结论

人工神经网络具有非线性映射、自主学习和较强的泛化能力,本文

采用神经网络技术,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,构建了用于塔式起重机运行状态监测的BP神经网络模型。

选取塔式起重机起重量、起重力矩、起升高度、起重幅度、风速及

电动机绕组温度等6个运行状态观测变量作为神经网络输入向量,将起

重机的运行状态分为安全状态、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等5中类型,对其进行编码,并将类型编码作

为神经网络输出向量。利用塔式起重机运行的历史数据作为训练样本对

神经网络进行训练,用训练得到的BP神经网络模型对监测试验样本进行

运行状态识别实验,准确度达到了100%。

为研究模型的有效性和稳定性,在监测实验样本的基础上,分别对

各个观测变量进行上下波动,得到扰动实验样本。然后用BP神经网络

模型对扰动实验样本进行运行状态识别,实验结果表明,诊断正确率

均达到100%。

研究结果表明,利用历史数据进行网络训练,BP神经网络模型可以

有效的对起重机运行状态进行监测,及时预测故障,并且BP神经网络

模型监测起重机运行状态具有较好的稳定性,从而可以达到提高起重

机运行安全性和可靠性的目的。

参考文献

相关推荐
相关主题
热门推荐