一种基于滑轮轴的缆索拉力监测系统技术方案

本发明专利技术公开了一种基于滑轮轴的缆索拉力监测系统，涉及船舶结构力学测试领域，包括滑轮轴组件和应力传感器，滑轮轴上开设有通孔；建立滑轮轴组件的三维等效模型并进行有限元分析，确定通孔的内表面上的各个有限元网格节点处的应力数据集，从所有有限元网格节点中筛选出监测测量点，在每个监测测量点处布置一个应力传感器；利用向量化处理后的样本集对神经网络模型进行训练得到模型参数，并构建得到拉力监测模型；在滑轮轴组件的工作过程中采集实测数据集，将向量化后的实测数据集输入拉力监测模型得到缆索拉力，通过本系统能够及时的获取缆索上的拉力，可以直接替换现有的普通滑轮轴，适用范围广，适合批量生产且成本较低。适合批量生产且成本较低。适合批量生产且成本较低。

【技术实现步骤摘要】
一种基于滑轮轴的缆索拉力监测系统


[0001]本专利技术涉及船舶结构力学测试领域，尤其是一种基于滑轮轴的缆索拉力监测系统。

技术介绍

[0002]缆索绞车是各类船舶与海工平台的常用连接装置，缆索与海底或其他固定设施连接从而保证船舶在固定位置停泊或作业，对于大型船舶以及特种作业船舶，缆索的拉力通常高达2000KN以上，为了保证锚泊系统的结构安全以及合理调节锚泊力，需要感知作用于绞车滑轮上的缆索的拉力大小。
[0003]目前，测量滑轮缆索拉力的方法主要包括：(1)在缆索的一端连接拉力传感器，这种方式需要将拉力传感器布置在水下或者带缆桩的前端，布放不便，且耐久性较差；(2)在缆索上夹持应力计，但这种方式会阻碍缆索的正常收放，且需要专业人员现场安装及调试；(3)其他间接测量方式，例如在绞车上布置传感器，通过计算间接获取拉力，缺点是该方法需要定制，且需要专业人员现场施工和调试，不能实现通用化和批量部署。

技术实现思路

[0004]本专利技术人针对上述问题及技术需求，提出了一种基于滑轮轴的缆索拉力监测系统，本专利技术的技术方案如下：
[0005]一种基于滑轮轴的缆索拉力监测系统，包括滑轮轴组件和应力传感器，所述滑轮轴组件包括滑轮轴和安装在所述滑轮轴上的滑轮，缆索缠绕在所述滑轮上，所述滑轮轴上开设有通孔；
[0006]建立所述滑轮轴组件的三维等效模型并进行有限元分析，确定所述通孔的内表面上的各个有限元网格节点处的应力数据集，每个有限元网格节点处的应力数据集包括所述有限元网格节点在N个不同的加载力下的应力值，根据各个有限元网格节点处的应力数据集及任意两个有限元网格节点处的应力数据集之间的Pearson相关系数从所有有限元网格节点中筛选出监测测量点，在每个所述监测测量点处布置一个所述应力传感器；
[0007]在缆索上施加n个在预定载荷范围内的不同大小的加载力，在每个加载力下分别采集各个应力传感器的应力测量值得到样本集，利用向量化处理后的所述样本集对神经网络模型进行训练得到模型参数，并构建得到拉力监测模型；
[0008]在所述滑轮轴组件的工作过程中，采集各个应力传感器的应力测量值得到实测数据集，将向量化处理后的实测数据集输入所述拉力监测模型得到对应的缆索拉力。
[0009]其进一步的技术方案为，所述根据各个有限元网格节点处的应力数据集及任意两个有限元网格节点处的应力数据集之间的Pearson相关系数从所有有限元网格节点中筛选出监测测量点，包括：
[0010]确定初始的选取数据集包括所有有限元网格节点处的应力数据集；
[0011]从所述选取数据集中选取最大的应力数据集对应的有限元网格节点作为监测测
量点；
[0012]将所述选取数据集中与最大的应力数据集之间的Pearson相关系数达到预定相关系数的应力数据集对应的有限元网格节点删除，得到更新后的选取数据集；
[0013]针对所述选取数据集再次执行所述从所述选取数据集中选取对应的应力数据集最大的有限元网格节点作为监测测量点的步骤，直至所述选取数据集为空。
[0014]其进一步的技术方案为，任意两个有限元网格节点处的应力数据集之间的Pearson相关系数的计算公式为：
[0015][0016]r为任意两个有限元网格节点处的应力数据集X和Y之间的Pearson相关系数，j为参数，X
j
表示应力数据集X中在第j个加载力下的应力值，Y
j
表示应力数据集Y中在第j个加载力下的应力值，表示应力数据集X中所有应力值的平均值，表示应力数据集Y中所有应力值的平均值。
[0017]其进一步的技术方案为，所述利用向量化处理后的所述样本集对神经网络模型进行训练得到模型参数，包括：
[0018]将向量化处理后的所述样本集作为模型输入值输入神经网络模型得到对应的模型输出值；
[0019]根据所述模型输入值和模型输出值计算得到对应的损失函数；
[0020]根据所述损失函数和所述神经网络模型中第i层网络的网络参数计算得到第i层网络的误差值，利用第i层网络的误差值对所述第i层网络的网络参数进行更新，i为参数；
[0021]对每一层网络的网络参数更新后得到迭代更新后的神经网络模型，并对迭代更新后的神经网络模型执行所述将向量化处理后的所述样本集作为输入值输入神经网络模型得到对应的输出值的步骤，直至达到迭代终止条件。
[0022]其进一步的技术方案为，所述根据所述损失函数和所述神经网络模型中第i层网络的网络参数计算得到第i层网络的误差值，利用第i层网络的误差值对所述第i层网络的网络参数进行更新，包括：
[0023]通过链式求导法计算所述损失函数J和第i层网络的网络参数H
[i]之间的偏导数作为第i层网络的误差值；
[0024]按照公式对第i层网络的网络参数进行更新。
[0025]其进一步的技术方案为，所述神经网络模型的第i层网络的表达式为：
[0026]Z
[i]＝W
[i]A
[i
‑
1]+b
[i][0027]A
[i]＝g(Z
[i])；
[0028]Z
[i]表示第i层网络对第i层网络的输入值A
[i
‑
1]执行线性运算后的结果，g()表示
激活函数，A
[i]表示第i层网络的输出值，则第i层网络的网络参数包括网络参数W
[i]和b
[i]，则所述按照公式对第i层网络的网络参数进行更新，包括：
[0029]按照公式对第i层网络的网络参数W
[i]进行更新、按照公式对第i层网络的网络参数b
[i]进行更新。
[0030]其进一步的技术方案为，第i层网络的激活函数的表达式为：
[0031][0032]其进一步的技术方案为，所述根据所述模型输入值和模型输出值计算得到对应的损失函数，包括计算：
[0033][0034]其中，y
q
表示向量化处理后的所述样本集中与第q个加载力对应的数据，表示y
q
输入神经网络模型后得到的对应的模型输出值。
[0035]其进一步的技术方案为，其特征在于，所述通孔的直径小于四分之一滑轮轴直径，所述通孔深度小于所述滑轮轴长度的二分之一。
[0036]其进一步的技术方案为，其特征在于，所述通孔上安装有螺栓，所述通孔的内壁上设置有与所述螺栓相匹配的螺纹孔。
[0037]本专利技术的有益技术效果是：通过本系统能够及时的获取缆索上的拉力，可以直接替换现有的普通滑轮轴，适用范围广，同时不影响缆索系统的正常收放，适合批量生产且成本较低。
附图说明
[0038]图1是本申请的流程示意图。
具体实施方式
[0039]下面结合附图对本专利技术的具体实施方式做进一步说明。
[0040]一种基于滑轮轴的缆索拉力监测系统，包括滑轮轴组件和应力传感器，滑轮轴本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于滑轮轴的缆索拉力监测系统，其特征在于，包括滑轮轴组件和应力传感器，所述滑轮轴组件包括滑轮轴和安装在所述滑轮轴上的滑轮，缆索缠绕在所述滑轮上，所述滑轮轴上开设有通孔；建立所述滑轮轴组件的三维等效模型并进行有限元分析，确定所述通孔的内表面上的各个有限元网格节点处的应力数据集，每个有限元网格节点处的应力数据集包括所述有限元网格节点在N个不同的加载力下的应力值，根据各个有限元网格节点处的应力数据集及任意两个有限元网格节点处的应力数据集之间的Pearson相关系数从所有有限元网格节点中筛选出监测测量点，在每个所述监测测量点处布置一个所述应力传感器；在缆索上施加n个在预定载荷范围内的不同大小的加载力，在每个加载力下分别采集各个应力传感器的应力测量值得到样本集，利用向量化处理后的所述样本集对神经网络模型进行训练得到模型参数，并构建得到拉力监测模型；在所述滑轮轴组件的工作过程中，采集各个应力传感器的应力测量值得到实测数据集，将向量化处理后的实测数据集输入所述拉力监测模型得到对应的缆索拉力。2.根据权利要求1所述的系统，其特征在于，所述根据各个有限元网格节点处的应力数据集及任意两个有限元网格节点处的应力数据集之间的Pearson相关系数从所有有限元网格节点中筛选出监测测量点，包括：确定初始的选取数据集包括所有有限元网格节点处的应力数据集；从所述选取数据集中选取最大的应力数据集对应的有限元网格节点作为监测测量点；将所述选取数据集中与最大的应力数据集之间的Pearson相关系数达到预定相关系数的应力数据集对应的有限元网格节点删除，得到更新后的选取数据集；针对所述选取数据集再次执行所述从所述选取数据集中选取对应的应力数据集最大的有限元网格节点作为监测测量点的步骤，直至所述选取数据集为空。3.根据权利要求1所述的系统，其特征在于，任意两个有限元网格节点处的应力数据集之间的Pearson相关系数的计算公式为：r为任意两个有限元网格节点处的应力数据集X和Y之间的Pearson相关系数，j为参数，X
j
表示应力数据集X中在第j个加载力下的应力值，Y
j
表示应力数据集Y中在第j个加载力下的应力值，表示应力数据集X中所有应力值的平均值，表示应力数据集Y中所有应力值的平均值。4.根据权利要求1所述的系统，其特征在于，所述利用向量化处理后的所述样本集对神经网络模型进行训练得到模型参数，包括：将向量化处理后的所述样本集作为模型输入值输入神经网络模型得到对应的模型输出值；根据所述模型输入值和模型输出值计算得到对应的损失函数；
根据所述损失...

【专利技术属性】
技术研发人员：张涛，蒋镇涛，孙函宇，申桓榕，汪雪良，杨华伟，徐春，郑庆新，杨启帆，朱全华，鲁晶，
申请(专利权)人：南方海洋科学与工程广东省实验室广州，
类型：发明
国别省市：