一种基于BP神经网络的岸桥状态预测方法技术

一种基于BP神经网络的岸桥状态预测方法，其特征在于：首先通过岸桥上的加速度传感器和应变传感器采集数据，再其次利用K‑均值的方法确定采集到的振动数据的载荷聚类中心，然后将聚类中心点的数据进行分类，最后利用BP神经网络算法对采集到的岸桥状态数据进行分析并预测其未来状态的数据，实现对岸桥状态预测的目的。通过数据分析岸桥的状态，得出岸桥在一段时间内是否需要保养或维修的结论。本发明专利技术提出的方法是对岸桥的实际工程数据进行分析，并以此为依据采用BP神经网络算法去预测岸桥未来运行状态数据，预测结果准确可靠。

【技术实现步骤摘要】
一种基于BP神经网络的岸桥状态预测方法
本专利技术涉及港口机械领域，具体是一种基于BP神经网络的岸桥状态预测方法。
技术介绍
由于全球贸易增长迅速，集装箱运输快速发展，在港口物流运输中岸桥的使用率越来越高。能否保证岸桥的正常作业，直接影响港口的工作效率和经济效益。因此越来越多的港口对岸桥的机械状态进行检测与评估，通过在岸桥的关键部位安装传感器，采集了大量的数据信息并储存于数据库中。这些数据信息隐藏着设备运行状态的各种信息，但是由于数据的量十分巨大、杂乱无章而且个别数据会出现漏缺，处理与分析这些海量数据有很大的挑战。通过对岸桥实时监控所得到的数据进行整理分析得出岸桥状态的结论，为岸桥的工作状态提供了很大的参考价值。因此在对岸桥的数据进行分析评估和预测，不仅能够判断岸桥的寿命和使用情况，而且能够提高岸桥在港口运输中的工作效率，具有重大的意义。现阶段对岸桥数据处理的方法主要包括：自组织特征映射(self-organizingfeaturemap,SOFM)神经网络算法方法分类、K均值岸桥数据分类。这些方法仅仅是将数据进行了分类处理，并没有对数据进行预测，无法预知岸桥在将来工作中的状态，不能本文档来自技高网...

【技术保护点】
一种基于BP神经网络的岸桥状态预测方法，其特征在于包括以下步骤：步骤1：在数据库中获取岸桥在一段时间内一个测点的数据，该数据是利用在安装岸桥起重电机上的传感器，每间隔10到20秒提取实时振动烈度数据，并储存在数据库中，所述的振动烈度数据用来评估岸桥载荷状态；所获取的数据V＝{v1,v2,···,vl,···,vL}，其中，L表示所述测试样本的个数，vl表示获取数据中的第l条振动数据；步骤2：将获取的数据按时间等分的方式分为K组数据，并对每组数据用K‑均值聚类的方式，计算出5个聚类簇，其中一组聚类中心数据为P＝{P1,P2,P3,P4,P5}，将每组聚类中心点按照数据从小到大分为5类，并与分类标...

【技术特征摘要】
1.一种基于BP神经网络的岸桥状态预测方法，其特征在于包括以下步骤：步骤1：在数据库中获取岸桥在一段时间内一个测点的数据，该数据是利用在安装岸桥起重电机上的传感器，每间隔10到20秒提取实时振动烈度数据，并储存在数据库中，所述的振动烈度数据用来评估岸桥载荷状态；所获取的数据V＝{v1,v2,···,vl,···,vL}，其中，L表示所述测试样本的个数，vl表示获取数据中的第l条振动数据；步骤2：将获取的数据按时间等分的方式分为K组数据，并对每组数据用K-均值聚类的方式，计算出5个聚类簇，其中一组聚类中心数据为P＝{P1,P2,P3,P4,P5}，将每组聚类中心点按照数据从小到大分为5类，并与分类标签数据Q＝{1,2,3,4,5}组成新的数据组，所有数据组组成新的样本数据为X＝{x1,x2,···,xs,···,xS}，其中，分类标签数据1,2,3,4,5分别代表岸桥空载、轻载、中载、重载、超重载五种状态；S为样本数据的个数，且S＝5K，K为正整数，xs表示样本数据中的第s条特征数据；步骤3：对样本数据基于时间的先后顺序和不同分类标签进行整理归类，得到数据组为D＝{d1,d2,…,do,…,dK}；其中，do为在第o个时间段内的5种状态的振动数据，并有do＝{do1,do2,do3,do4,do5}，do1表示空载状态的数据，do2表示轻载状态的数据，do3表示中载状态的数据，do4表示重载状态的数据，do5表示超重载状态的数据；将数据组D＝{d1,d2,…,do,…,dK}分为测试样本数据和训练样本数据两类，其中所述测试样本的振动数据为Y＝{y1,y2,···,ym,···,yM}，其中M表示所述测试样本的个数，ym表示所述测试样本中的第m条数据；训练样本的振动数据为Z＝{z1,z2,···,zn,···,zN}，其中N表示所述训练样本的个数，zn表示所述训练样本中的第n条数据；步骤4：对测试样本数据和训练样本数据进行归一化处理，生成归一化特征数据Y′＝{y1′，y2′，···,ym′，···yM′}和Z′＝{z1′，z2′，···,zn′，···zN′}，其中，ym′表示所述归一化特征数据Y′中的第m条数据,zn′表示所述归一化特征数据Z′中的第n条数据；归一化计算方式为：其中：Xmax，Xmin分别为实际样本数据的最大值和最小值，X*为归一化后的值，X为实际值；利用BP神经网络处理数据后，对数据进行反归一化计算，才得到实际的数据值；反归一化方程为：X＝(Xmax-Xmin)×X*+Xmin步骤5：建立BP神经网络模型；所述BP神经网络模型的拓扑结构包括输入层、隐含层和输出层；其中，输入层的神经元个数为f，隐含层的神经元个数为g，输出层的神经元个数为h；任意输入层神经元为fi，i∈(1、2…p)；任意隐含层神经元为gj，j∈(1、2…q)；任意输出层神经元为hk，k∈(1、2…r)；步骤6：初始化BP神经网络模型的基本参数，包括：学习速率μ、输入层到隐含层的权重wij、隐含层到输出层的权重wjk、输入层到隐含层的偏置数aj、隐含层到输出层的偏置数bk以及激励函数R(x)；其中，输入层到隐含层的权重wij、隐含层到输出层的权重wjk、输入层到隐含层的偏置数aj、隐含层到输出层的偏置数bk初始化值为(-1,1)内的随机数；其中：输入层到隐含层的权重wij含义为：任意的输入层神经元fi到任意的隐含层神经元gj之间的权重；隐含层到输出层的权重wjk含义为：任意的隐含层神经元gj到任意的输出层神经元hk之间的权重；输入层到隐含层的偏置数aj含义为：各输入层神经元到任意的隐含层神经元gj的偏置数；隐含层到输出层的偏置数...

【专利技术属性】
技术研发人员：唐刚，杨辉，黄婉娟，顾邦平，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：上海,31