人工神经网络在起重机运行状态监测中的应用案例2.docVIP

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 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: 为输入向量，也就是训练样本，样本的总个数为； 为第次迭代隐层和输入层间的权值向量； 为第次迭代隐层和隐层间的权值向量； 为第次迭代输出层和隐层间的权值向量； ，为第次迭代网络的实际输出； 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) 然后输入样本，。 (4)关于输入的样本，前向计算BP神经网络每一层神经元的输入信号与输出信号。 （5）上一步求得的实际输出和实际期望输出计算误差，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）。 判断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，然后反向计算每层神经元的局部梯度 。其中， （1） （2） （3） (7）按下面的式子计算权值修正，并对权值进行修正，为学习速率。，转至（4）。 （4） （5） （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 样本序号 状态观测变量 状态类型编码 起重量 起重力矩 起升高度 起重幅度 风速 绕组温度 1 6375 686 38.6 10.8 10.9 109 00100 2 6565 666 39 10.1 15 88 00100 3 6214 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