岸桥工况状态的神经网络识别技术的研究

摘要

该论文依托外高桥集装箱码头岸桥状态监测分析系统的研制和宝钢原料码头卸船机状态监测诊断系统预研两个工程项目进行一些关键技术的研究.该论文在讨论基于神经网络的模式识别技术的基础上,阐述了所设计的基于带有偏差值的递归神经网络的模式识别系统的工作原理,并进行了应用.在应用过程中,该论文所需要的大量学习样本是通过模型试验得到的,该文介绍了在试验过程中用到的岸桥模型和数据采集软件.通过岸桥模型,模拟真实岸桥运行时的各种工作工况,得到了大量的数据,为网络的学习建立了样本库.该论文依据岸桥实体和模型上传感装置的布置位置和数量建立了神经网络模型,并以采集得到的数据作为教师值,对网络进行训练.在模式识别的过程中,该论文比较了基于BP网络和基于带有偏差值的递归神经网络两种模式识别的方法.

目录

文摘

英文文摘

声明

第一章绪论

1.1概述

1.2故障诊断技术

1.2.1故障诊断的发展过程

1.2.2故障诊断的现状和发展趋势

1.3模式识别与神经网络的综合应用

1.4港口起重机械(集装箱岸桥)的状态检测

1.4.1货物集装箱化和集装箱岸桥的发展

1.4.2港口起重机械的状态检测技术

1.5本论文的主要工作及技术难点

第二章前馈型神经网络的基本原理及其主要算法

2.1人工神经网络模型

2.2人工神经网络的学习

2.3前馈型神经网络及其要算法

2.3.1前馈型神经网络

2.3.2 BP神经网络的结构与数学描述

2.4反向传播算法(BP法)的数学描述

2.5 BP算法的改进

2.5.1变步长的算法

2.5.2加动量项

2.5.3 Levenberg-Marquardt优化算法

2.6递归神经网络

第三章岸桥模型实物仿真试验及数据采集软件的设计

3.1岸桥模型试验的目的

3.2模型试验方案

3.2.1测点的布置

3.2.2模型试验中参数及工况的确定

3.2.3试验方案的确定

3.3试验数据采集软件的设计

3.3.1虚拟仪器的简介

3.3.2系统的设计

3.3.3软件的使用

第四章基于神经网络的岸桥工况状态识别技术的研究

4.1基于BP算法的岸桥工况状态识别神经网络的建立

4.1.1神经网络输入层和输出层单元的确定

4.1.2隐层数的确定

4.1.3隐层单元数的确定

4.1.4初始值的选择

4.2基于BP算法的神经网络的学习及其不足

4.3带有偏差单元的递归神经网络的建立

4.4基于带有偏差值的递归神经网络的岸桥模型工况状态的识别

4.4.1步长对网络的影响

4.4.2输入值的预处理对网络学习的影响

4.4.3样本的排列顺序对网络学习结果的影响

4.4.4综合分析

4.5测点布置与网络结构的优化分析

第五章结论和展望

5.1结论

5.2进一步的工作

附录1采集数据的记录表

附录2基于带偏差值的递归神经网络训练过程的主要程序

攻读硕士学位期间完成的科研论文及有关科研项目

致谢

参考文献