基于域自适应的塔式起重机结构损伤诊断方法研究

塔式起重机结构损伤诊断存在诊断过程复杂且低效、收集数据量大且有标签数据少、不同塔式起重机间收集到的数据因有差异而造成的网络模型诊断精确度不稳定等问题。为解决这些问题引入迁移学习方法,文中采用迁移学习中的域自适应方法,利用过往的标签数据与现有工况无标签数据建立工况间的联系,从而学习到不随工况改变的结构损伤特征,扩大了模型的应用领域。并且,以深层神经网络为基本框架,运用深层多核最大均值差异对不同塔机收集到的数据特征的分布进行评价,实现了少量多种塔式起重机数据的智能结构损伤诊断。

基于一维卷积神经网络的塔式起重机结构损伤诊断方法研究

文中针对塔式起重机结构损伤诊断依赖较强的专业知识、诊断过程复杂且效率低的问题,基于深度学习理论提出面向塔式起重机结构数据自动分类的一维卷积神经网络模型。首先针对塔式起重机结构损伤数据匮乏的问题,通过分析塔式起重机顶端位移数据的结构特点,研究了塔式起重机结构损伤数据增强方法;其次基于1D CNN模型泛化理论,建立塔式起重机结构损伤诊断模型;最后通过研究超参数对诊断结果的影响规律,以及与目前方法的对比,验证了所提出方法有效性与鲁棒性,并给出了参数选择方案。结果表明:该方法在推荐超参数下诊断准确率达到97.3%,说明其能够有效、较为准确地实现塔式起重机结构损伤的诊断,为基于深度学习的塔式起重机智能损伤诊断方法提供了方法指导与理论依据。

塔式起重机塔身顶端位移实时监测方法

塔式起重机塔身顶端位移实时监测技术对于塔式起重机安全状态判断具有重要意义,长期以来由于缺少实时检测技术,塔身顶端位移一直以专业人员用经纬仪定期检测为主。文中提出了一种运用捷联惯导系统获取塔式起重机塔身顶端的加速度和轨迹信号的方法,分析了姿态解算方法,设计了姿态解算的一般过程,然后对加速度信号进行趋势项过滤,抑制其漂误差,求解分段位移,并对分段位移累加得到塔身顶端运动轨迹。通过JY901S实测6010A塔式起重机的起升工况塔身顶端位移数据,该方法计算结果最大误差为1.37 cm,最小误差为0.11 cm,平均误差为0.968 cm。