申请/专利权人：北京建筑大学

申请日：2022-04-12

公开（公告）日：2024-03-19

公开（公告）号：CN114741876B

主分类号：G06F30/20

分类号：G06F30/20;G06N3/04

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2022.07.29#实质审查的生效;2022.07.12#公开

摘要：本发明属于塔式起重机技术领域，特别涉及一种塔式起重机智能检验的方法，所述方法包括如下步骤：1构成数据库；2基于熵权法和专家调查法的相关因素重要度分析；3计算整机综合评价系数v；4基于模糊理论的检验等级量化；5根据步骤3得到的综合评价系数v，对样本数据集进行聚类分析，等级分类；6建立LVQ神经网络；7采用LVQ神经网络对样本数据集进行训练；8改进的LVQ神经网络模型；9采集待检验的塔式起重机数据，形成测试集；10采用步骤8得到的改进的LVQ神经网络模型，对测试集进行分级判断；采用改进的LVQ算法，提高判断的准确性，避免误判。

主权项：1.一种塔式起重机智能检验的方法，其特征在于：所述方法包括如下步骤：1构成数据库从建筑工地塔式起重机的检验样本中，随机抽取N个塔式起重机检验原始记录构建数据库；所述每个记录包括检验项目xi、单项检测结果以及整机检验结果；2基于熵权法和专家调查法的相关因素重要度分析设输入分量x＝{x1,x2,……x29}，统计检验项目x1,x2,……,x29中，塔式起重机不合格的各个单项检测结果所出现的频次，得到主导因素；通过专家调查法，进一步调整设置权值ωi，得到权重集ω＝{ω1,ω2,……ωi}；权值ωi的确定根据数据库中样本故障数据，采用熵权法进行计算；3计算整机综合评价系数v设单个检验项目为xi，则数据输入是一个N维向量下X＝x1,x2,…,xNT，其中的每一个分量都对应一个权值ωi，计算出综合评价系数： 公式1中，ν为整机综合评价系数，xi为输入分量，ωi为输入分量所对应的权值；4基于模糊理论的检验等级量化采用专家调查法，根据专家的经验将塔式起重机的检验等级划分为五个级别，采用的模糊逻辑控制规则如下：v＝1时，为不合格，模糊系数为1；0.7≤v1时，为整改后合格，模糊系数为2；0.3≤v0.7时，为基本合格，模糊系数为3；0v0.3时，为合格，模糊系数为4；v＝0时，为非常合格，模糊系数为5；a1、a2、a3、a4分别取值为0，0.3，0.7，1，得到梯形隶属函数；5根据步骤3得到的综合评价系数v，对样本数据集进行聚类分析，等级分类；6建立LVQ神经网络在步骤1中得到的数据库中，随机抽取N1个样本作为训练集；建立LVQ神经网络；所述N1≤N；7采用LVQ神经网络对样本数据集进行训练通过MATLAB的LVQ神经网络仿真，进行数据集训练；设置Matlab网络参数，或者按照缺省值进行选取；8改进的LVQ神经网络模型：8.1学习率的调整LVQ算法中，学习率是个很重要的参数，会影响分类结果；当学习率取大值时候，就趋向于判断为合格；当学习率取小值时，就会趋向于判断为不合格；在定义学习速率的时候还要考虑收敛的速度和算法的稳定性；最大学习率满足公式6： 公式6中，λmax是输入向量X组成的自相关矩阵R的最大特征值；由于λmax常常不可知，往往使用自相关矩阵R的迹来代替；按定义，矩阵的迹是矩阵主对角线元素之和： 公式7中，trR表示矩阵的迹；Ri,i表示矩阵的第i行、第i列数值；8.2隐含层节点数的调整隐含层节点数l满足下列经验公式： 公式8中，l为隐含层节点数；n为输入层节点数；m为输出层节点数；a为0-10之间的常数；9采集待检验的塔式起重机数据，形成测试集；10采用步骤8得到的改进的LVQ神经网络模型，对测试集进行分级判断；将测试集的样本数据输入步骤8得到的改进的LVQ网络，利用通过训练得到的分类特征权值对测试集中的测试样本进行识别分类，得到所要测试样本的测试结果。

全文数据：

权利要求：

百度查询： 北京建筑大学 一种塔式起重机智能检验的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD