网络算法在起重量限制器优化检测中的应用.docVIP

网络算法在起重量限制器优化检测中的应用 徐伟锋 (浙江麒龙起重机械有限公司，浙江省 绍兴) 摘要：介绍了网络算法，，ＲＢＦＢＰＲＢＦＢＰAbstract：This article introduced the network algorithm, the article briefly narrate the hoisting limiter structure, and it is applied to the weight limit on the optimization in detecting, by comparing the RBF and BP two network structure of axle load estimate of the impact, and the results show that the real-time performance of the RBF network estimate is better than the BP neural network. Key word：Network algorithm Hoisting weight limiter BP algorithm RBF algorithm 一、引言 随着智能控制理论与方法的迅速发展，智能方法在中得到了广泛应用。目前主要存在的智能算法主要有模糊算法、神经网络算法、模糊神经网络、遗传算法和进化神经网络等。Back- Propagation Network，简称BP网络）是将W-H学习规则一般化，对非线性可微分函数进行权值训练的多层网络。对于多层网络，BP网络的激活函数必须是处处可微的，是由一个非线性的超平面组成的区域，可以严格利用梯度法进行推算，其权值修正的解析式十分明确，而其算法被称为误差反向传播法（Back- Propagation），也简称BP算法。BP算法的基本思想为最小二乘学习算法。它采用梯度搜索技术以使网络的实际输出与期望输出值的误差均方值为最小。这是一种可以避免统计平均的递推算法。虽然，这种算法不能界定保证收敛的步幅范围，但是它能给每一步调整的正确方向。它的学习过程是一种误差边向后传播边修整加权系数的过程，它包括了正向传播和方向传播两个阶段。在正向传播过程中，输入信息从输入层经隐含层逐层处理并传向输出层，每一层的神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各层神经元的加权系数，使误差最小。 径向基函数算法（Radial Basis Function，即RBF算法）是前向神经网络中的典型算法。RBF算法是以函数逼近理论为基础而构造的一类前向网络，这类网络的学习等价于在多维空间中寻找训练数据的最佳拟合平面。径向基函数网络的每一个隐含层神经元传递函数都构成了拟合平面的一个基函数，网络也由此得名。径向基函数网络是一种局部逼近网络，即对于输入空间的某一个局部区域只存在少数的神经元用于决定网络的输出，所以径向基函数神经网络一般规模比BP网络要大。 三、起重量限制器中的神经网络 起重量限制器是起重机械的安全保护装置，能防止起重机械因超载而引起机构损坏、钢丝绳断裂、制动器制动不住等原因造成重大设备或人身伤亡事故。起重量限制器按照制作原理可以分为两大类，一类为机械式，另一类为电子式，而机械式起重量限制器目前国内用得很少，主要使用电子式起重量限制器。起重量限制器一般由载荷传感器和二次仪表两部分组成。 目前起重量限制器中使用的载荷传感器主要有电阻应变式和磁弹性式两种，用得较多的是电阻应变式。二次仪表由放大、比较、显示、控制等单元组成。现在，由于科技的发展使许多产品具有越来越多的附加功能，如大屏幕显示、计算、打印等。 下面以神经网络为工具，对相关起重量限制器的输出数据加以扩展，提取冗余载荷传感器数据中所蕴涵的检测信息，从而实现对系统的优化检测。 起重量限制器产生的网络由n个神经网络组成的神经网络组构成，其目的是将n个载荷传感器的输入信号量进行扩展，产生2n个输出，为优化检测提供更为全面详细的分析数据。神经网络采用径向基函数网络，即如图2所示。其中，R为输入变量数，S1为第一层神经元数，S2为第二层神经元数，radbas(n)=e，a1=radbas(||W1-P||b1)，a2=purlin(W2·a1+b2)。作为一种前馈网络，径向基网络在完成函数逼近任务是在逼近能力、分类能力和学习速度方面均优于BP网络。 图2径向基函数网络 由提供给神经网络的训练样本，可以训练出n个径向基函数网络，每个网络有（n-1）个输入，1个输出，扩展信息就是由这n个网络产生的。系