基于神经网络模型的起重机小车运行能耗分析方法技术

本发明专利技术涉及能耗分析技术领域，具体来说是一种基于神经网络模型的起重机小车运行能耗分析方法，包括：利用三次样条插值方法进行插值，插值后获得扩充的学习样本数据集，引入遗传算法优化的BP神将网络模型完善小车的运行能耗预测，得到各参数对能耗的贡献率，再同其他同类型的起重机进行小车运行能耗比较。本发明专利技术同现有技术相比，其优点在于：综合运用了插值算法，神经网络以及遗传算法模型与起重机小车的能耗预测上，采用BP神经网络模型，将各个非可直接计算的能耗，划归到每一个物理过程当中，综合体现其摩擦、主梁特性、重物摆动等因素,并引入数据插值方法，还通过遗传算法完善小车能耗的BP神经网络，提高网络泛化能力，减少误差，增加准确性。

Energy consumption analysis method of crane trolley based on neural network model

The present invention relates to the technical field of energy analysis, in particular to a method, crane operation energy consumption based on neural network model including: interpolation using three spline interpolation method, interpolation is obtained after extended learning sample data set, BP God network model is introduced to genetic algorithm optimization to improve the energy consumption of the car, get the contribution of various parameters on the energy consumption rate, compared with other same type crane car running energy consumption. Compared with the prior art, the utility model has the advantages of comprehensive use of interpolation algorithm, energy consumption prediction neural network model and genetic algorithm on the trolley crane, using BP neural network model, the energy consumption of each can be calculated directly, as a physical process, a comprehensive reflection of friction, girders, weight swing and other factors, and the introduction of data interpolation method, BP neural network by genetic algorithm to improve the car consumption, improve the generalization ability of the network to reduce errors and increase the accuracy.

【技术实现步骤摘要】
基于神经网络模型的起重机小车运行能耗分析方法[
]本专利技术涉及能耗分析
，具体来说是一种基于神经网络模型的起重机小车运行能耗分析方法。[
技术介绍
]小车部分的运行涉及到的变量有：载荷质量、小车的运行速度和小车的运行距离。为了得到每单位物理变量对于小车运行过程中总能耗的贡献值，通常采用同样多元回归分析的方法，探讨偏回归系数的意义。但是实际操作发现，拟合的效果并不是很理想，其残差的偏差值较大，如图1分位数-分位数图所示。即没有明显的线性关系，应进一步分析其产生原因。究其原因，可从其小车运行的物理过程及机械特性入手分析：文献的研究指出，为了补偿起重机主梁在工作时的下挠，目前我国各厂仍普遍采用上拱主梁的方式。即在小车在实际的运行当中，其主梁并非完全的平直状态，如图2所示。起重机小车沿桥架移动时，桥架承受着小车轮压的作用，会有向下的弯曲，而形成类似“爬坡”的运动。而上拱曲线一般是按照额定载荷确定的，但是在实际工况中，载荷具有不确定性，可为轻载也可能为重载。轻载时，小车运行肯定需要爬坡或下坡,而载荷不同，小车的运行能耗也不同。爬坡阻力的大小于主梁小车的位置处的倾角有关，能耗的增长与小车的运行距离及载重成非线性关系。起重机在经过长期使用后会发生永久下挠，国内外的起重机都不例外，随着使用年限的增加,拱度会逐渐消失,下挠增大,甚至报废。在特定的实验测量间期内，认为起重机的下挠值固定不变。α预+α＝0式中：α预为预制上拱的曲线的倾角；α为无上拱曲线时主梁的下挠倾角。起重机在工作时,主梁会有一定程度的下挠，小车在运行过程中需要克服一定的阻力，主要包括小车的摩擦阻力和爬坡阻力。爬坡阻力p坡是由于小车运行方向与水平线的倾角而产生的附加阻力计算:P坡＝(m起+m小车)gtanα式中：P坡为爬坡阻力；m起为起重机的总起升质量；m小车为小车的质量；g为重力加速度；α为小车运行时的轨道倾角。式中：P为小车和吊重的重力；μ为车轮轴承摩擦系数；d为车轮轴径；fk为车轮沿轨道的滚动摩擦力臂；Cf为考虑车轮轮缘与轨顶侧面摩擦等的附加摩擦阻力系数；D为车轮踏面直径。因此起重机能耗主要包括爬坡能耗和摩擦能耗，将阻力积分就可以得到能耗的计算公式：E＝E爬+E摩＝∫p爬dx+∫p摩dx小车上坡阶段产生耗能，而下坡不能回收能量，区别与之前的有能量回收的起升过程不同。因此计算能耗时只考虑上坡时的耗能。小车运行方向对摩擦耗能无影响，摩擦能耗考虑在小车水平运行时的能耗。小车运行的摩擦损耗与主梁自身预拱都为直接计算E爬、E摩带来了困难，不易直接计算出数值。同时，作为在海岸边作业的大型起重机，其风载荷所引起的机械摆动以及主梁影响也不可忽略，文献中做了具体数值的计算，这些都是起重机小车运行时的一些随机性质的能量损耗。另一方面，岸边集装箱起重机的小车在加速或减速运动阶段,由于小车和吊重之间采用柔性钢绳联结以及吊重的惯性，有时会在其平面内做类似单摆的运动。文献均通过智能控制算法来研究起重机小车的仿摆动问题。下面就小车运动过程中，吊重二而产生的类似单摆的运动进行数学建模与能耗讨论：小车的物理运行模型如图3所示。对于整个起重机防摆系统,设小车质量为M、吊重质量为m,小车M吊物m的坐标分别为(xM,yM)和(xm,ym)，系统受到的外力有小车驱动力F,钢丝绳起升力F1小车与轨道之间的摩擦力f。以力F方向为x轴正向，垂直地面为y轴坐标系。最大起升高度lmax＝h,选水平位置x,绳长l,摆角θ为系统的广义坐标,建立具有3个广义坐标下的起重机防摆系统模型：1)小车的吊重的水平和垂直位移分量表示为：2)系统的动、势能系统的动能为：约定初始位置绳长为h，吊重未起升时的位置为零的势能点。系统的势能为：E势＝mg(h-lcosθ)文献中利用分析力学中的拉格朗日方程来建立起重机防摆系统的数学模型。通过对系统内吊绳摆动以及受力分析，建立了传递函数与状态方程，并分析了系统的可观性与可控性。神经网络分为很多的种类，如单层感知器、BP神经网络、径向基函数RBF网络、自组织竞争网络、随机神经网络等。其各有优势，也有不同的应用场合。但就本质上将，都是一种搜索算法，找到目标函数的解。但目前对于神经网络的研究多是停留在从多个输入变量通过神经网络的“黑箱”对于输出变量的结果进行预测，然后比较预测的准确性。相对缺少的关于输入与输出变量间系统运作机理的分析与讨论。针对本文的需求而言，需要知道输入层与隐藏节点间的权值，在利用代数关系，可知对于输出变量的贡献量。在这方面,BP神经网络就有其优势。而作为同样常用的径向基RBF神经网络虽然相对BP网络而言，具有所需参数少、学习速率快等优势，但是因其采用随机选取固定中心的方法，基函数的中心和标准差都是固定的，唯一需要训练的参数是隐含层与输出层之间的权值。径向基函数使用局部指数衰减的非线性函数进行局部逼近。与BP神经网络不同，源节点和隐藏单元之间的连接是直接连接，没有权值。所以径向基神经网络反而不利于探讨对不同输入对于输出的影响。因此，综合上述特性分析，为了得出在每一个单位物理量的变化，所对应的总能耗的增加值，结合其非线性的特性，本专利技术将采用BP神经网络模型，将各个非可直接计算的能耗，划归到每一个物理过程当中，综合体现其摩擦、主梁特性、重物摆动等因素。但是BP神经网络分析因初始点的选取是随机的，所以会造成较大的误差。但是因现场的实验条件及所配置的传感器精度的限制，采集到等间隔梯度变化值，并不能完整地测得所有各个变量连续变化的工况数值。直接使用有限采集到的数据，由于数据过少，会对神经网络的训练结果的准确性产生较大影响。所以需借助新的手段，提高网络的泛化能力，解决上述问题。[
技术实现思路
]本专利技术的目的在于解决现有技术的不足，提供一种基于神经网络模型的起重机小车运行能耗分析方法，选取小车运行过程中的特征物理量：小车的载重a1、小车的运行距离a2、小车的运行速度a3作为模型的输入量，以小车运行过程产生的总能耗a4作为输出量，因总的运行能耗为多变量共同决定，与其中某一变量并不形成特定的函数关系，所以藉由BP神经网络的方法，通过样本学习，找出其中的非线性对应关系，进而可对指定工况下的能耗变化做出预测分析，更为全面反应起重机小车运行过程中的能耗特性。为了实现上述目的，设计一种基于神经网络模型的起重机小车运行能耗分析方法，其特征在于所述的方法包括：单台桥式起重机小车在不同工况下运行；所述的不同工况是指在起重机小车运行的一个测试周期内，选取多个典型工况，包括起升载荷值、不同运行距离和不同起吊高度的梯度变化试验。2)获取学习样本数据集；通过起重机自身配置的位置传感器获取数据；电力质量分析仪测能耗值；记录所需特征参数并做基本处理；3)利用三次样条插值方法进行插值；4)插值后扩充的学习样本数据集；5)引入遗传算法优化的BP神经网络算法预测小车运行能耗；6)得到各参数对能耗的贡献率；7)同其他同类型的起重机进行小车运行能耗比较。本专利技术同现有技术相比，其优点在于：综合运用了插值算法，神经网络以及遗传算法模型与起重机小车的能耗预测上，采用BP神经网络模型，将各个非可直接计算的能耗，划归到每一个物理过程当中，综合体现其摩擦、主梁特性、重物摆动等因素,并引入数据插值方法，还通过遗传算法完本文档来自技高网...

【技术保护点】
一种基于神经网络模型的起重机小车运行能耗分析方法,其特征在于所述的方法包括：1)单台桥式起重机小车在不同工况下运行；2)获取学习样本数据集；a.通过起重机自身配置的位置传感器获取数据；b.电力质量分析仪测能耗值；c.记录所需特征参数并做基本处理；3)利用三次样条插值方法进行插值；4)插值后扩充的学习样本数据集；6)引入遗传算法优化的BP神经网络算法预测小车运行能耗；7)得到各参数对能耗的贡献率；8)同其他同类型的起重机进行小车运行能耗比较。

【技术特征摘要】
1.一种基于神经网络模型的起重机小车运行能耗分析方法,其特征在于所述的方法包括：1)单台桥式起重机小车在不同工况下运行；2)获取学习样本数据集；a.通过起重机自身配置的位置传感器获取数据；b.电力质量分析仪测能耗值；c.记录所需特征参数并做基本处理；3)利用三次样条插值方法进行插值；4)插值后扩充的学习样本数据集；6)引入遗传算法优化的BP神经网络算法预测小车运行能耗；7)得到各参数对能耗的贡献率；8)同其他同类型的起重机进行小车运行能耗比较。2.如权利要求1所述的一种基于神经网络模型的起重机小车运行能耗分析方法，其特征在于所述的三次样条插值方法具体如下：若函数y＝s(x)>0满足条件：Ins(x)是三次多项式，则称函数y＝s(x)为三次指数多项式；若函数S(x)满足条件：1)S(x)在每一个子区间[xi-1,xi](i＝1,2….,n)上是一个三次指数多项式；2)S(x)在每个内节点上具有指导2阶的连续导数，即S(x)∈C2[x0,xn]；则称S(x)为节点上的三次样条指数多项式，此也为光滑性条件；若函数S(x)在所有节点上还满足插值条件：S(x)＝S(x)＝yi(i＝0,1,2,…,n)则将起重机运行能耗值视为连续而光滑空间曲面且满足：a＝j1＜j2＜…＜jn＝b；每一个能耗值都对应一组参数：小车所吊重物质量t1、小车运行距离t2及其运行速度t3，利用三次自然样条函数S(x)求解它们在各插值点的函数值及其一阶导数S'(x)和二阶导数S”(x)，在满足样条函数的条件下，令Mi＝S″(xi)，S(xi)＝ti及其中：hi-1＝xi-xi-1经两次积分，得三次样条函数S(x)的表达式，利用S(x)在样点xi具有连续的二阶导数的条件，增加自然边界条件，得到方程组：式中解上述方程组，求得Mi代入S(x)即可得到每个自区间的三次样条函数。3.如权利要求1所述的一种基于神经网络模型的起重机小车运行能耗分析方法，其特征在于所述的BP神经网络算法分为两个过程，工作信号正向传递和误差信号反向传递：a.正向传递过程输入层的输出等于整个网络的输入信号：其中M表示输入神经元个数，此处即为小车能耗的输入变量；n为迭代的次数。隐含层第i个神经元的输入等于的加权和：ωmi为输入层第m个神经元到隐含层第i个神经元的连接权值；f(·)为Sigmoid函数，则隐含层第i个神经元的输出等于：式中：表示第I个隐含层的第i个神经元输入。该模型为单输出，输出神经元的输入等于Vi(n)的加权和：则输出层与输出神经元的误差为：e(n)＝d(n)-u(n)u(n)为神经网络输出，d(n)为期望输出；b.误差信号反向传播首先从输出层开始逐层计算各神经元输出误差，然后依据误差梯度下降法调节各层次的阈值和权值，使修改后的网络最终输出能逼近期望值：每个样本p的二次型误差准则函数为Ep:此处神经网络只有一个输出，即起重机能耗，故BP神经网络的权值W和阈值θ按照式中的误差来修正，同时权值W和阈值θ的修改是的Ep最小，因...

【专利技术属性】
技术研发人员：冯双昌，
申请(专利权)人：上海市特种设备监督检验技术研究院，
类型：发明
国别省市：上海,31