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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。