第一篇：门式起重机无线传感器机械状态监测技术研究

摘要 -为了安全管理门机，监测设备的机械状况非常重要。 根据门式起重机的特点，本文设计了一套无线监测机械状况的系统，包括金属结构，回转支承和减速器的状态。 该系统解决了金属结构测试中的温度漂移，零点设置等问题，GPRS DTU作为传感器向网络传输数据的核心部件。 该监测系统具有结构简单，精度高，价格低廉，扩展性强等优点，对港口公司设备安全管理具有巨大的应用潜力。

1.简介 -门式起重机是港口装卸作业的关键设备。在长期冲击载荷的作用下，门式起重机的机械状态会出现许多故障，如回转支承的运行故障，金属结构的开裂和变形等，这将对的设备和操作人员的安全构成严重威胁。通过对门式起重机的监控，可以预测金属结构的恶化趋势，避免突发事故的发生。

采用传统的状态测试方法，管道和电缆（它们的数量与测试点编号和金属结构的尺寸相关）将放置在起重机结构上。不仅劳动力，金钱和时间将大量消耗，而且信号也会受到电磁干扰的影响。最近，一些无线测试方法已被引入[1-2]。但是，如果将这些测试方法应用于门座起重机，则应解决温度和零点漂移问题，无线传输的性能如无形传输距离，衍射能力等应满足门座起重机的测试要求。

本文设计了门式起重机机械状态的监测系统，主要用于减速箱金属结构，回转支承和油温的检测。通过金属结构测试，使用基于TDC技术的应变芯片PSФ21，不再需要应变桥电阻的高精度。零点漂移和温度补偿可以通过PSФ21本身来实现。包括应变，温度和振动分析结果在内的所有数据将通过各个传感器的各个GPRS DTU传送到网上。

该系统具有结构简单，精度高，成本低，无限制的传输距离，易扩展等特点。它适用于门座起重机的长期在线监测。

2. 监控系统的总体结构和硬件设计

该系统由现场部分（传感器）和远程部分（服务器）组成。现场部分包括应变测试单元（焊接电阻应变片，PSФ21，MCU和GPRS DTU），振动测试单元（ICP传感器，恒流源，数据采集模块PCM5111，PC104 / SD701和GPRS DTU）以及温度测试单元（温度传感器/ DS18B20，MCU和GPRS DTU）。监控系统的总体结构如图1所示。

图1.监控系统的总体结构

A.应变测试硬件设计

基于TDC原理的PSФ21用于测量应变。 PSФ21的外围电路非常简单。与电阻变化转换为电压变化的惠斯登电桥相反，PSФ21将其转换为时间间隔。这种方法具有如下优点：1）不需要连接外部高精度的应变电阻; 2）测量精度高，相当于24bit ADC; 3）内部温度测量零点漂移补偿和量程补偿，无需额外调整。

应变测试原理如图2所示。PSФ21使用半桥电路。应变电阻R3，R4和电容C3组成低通滤波器。 C3首先充电饱和，然后通过R3和R4将电量释放为阈值电压。时间由TDC精确测量。时间反映了电阻的变化。 SPI接口用于连接MCU和PSФ21。 UART串行接口用于连接MCU和GPRS DTU。

图2.应变测试原理

GPRS DTU电源开关Q1由MCU控制。 它可以实现按需数据传输并降低功耗。 为了减少数据流，根据应变数据的特征（在工作时间变化缓慢，在空闲时间几乎没有变化），数据在当组数据的偏差小于设置值时被压缩。根据门式起重机的配电特点，可采用外部维修服务电源或航空灯光电源为内部AC / DC模块供电，可满足长期监控的电力需求。

B. 温度测试硬件设计

温度传感器安装在变速箱的出口处。 传感器直径小于出口直径。 传感器测试头应该足够长，以便浸入油中。 本系统采用DS18B20，具有以下特点：1）采用单线路总线进行多点温度测量; 2）温度测试范围大; 3）精度高; 4）简单的外围电路。 测量原理如图3所示。

图3. 温度测试原理

C.振动测试硬件设计

采用ICP压电传感器进行振动测量。恒流源电路旨在为ICP提供24V / 4mA电源。 并通过恒流源的CR高通滤波器，间接测试信号的直流偏置电压被滤除。 AC测试信号被发送到PC104。 信号经过分析后，分析结果通过GPRS DTU传输到远程服务器。 同时，原始数据保存到PC104的DOM和TF卡中。 几乎可以保存一个月的数据。 振动测试原理如图4所示。

图4. 振动测试原理

A.应变测试流程

为了满足精度要求，需要设置PSФ21的温度，偏移误差，零点和预热测试补偿寄存器[3]。 正常测试后通过另一个简单的应变测试来实现温度补偿。 通过测试，可以得到热敏电阻的电阻变化，可以计算出应变电阻的K因子。 TempRate寄存器在测试后设置。

选择各种补偿方法来补偿偏移误差。 其他两个电阻连接到存储电容的两个端子。 通过设置#39;SepGain#39;寄存器，开始偏移误差补偿。 零漂补偿必须在空载和高平均速率下进行测量。 通过设置#39;SubOffset#39;寄存器，启动零点漂移补偿。通过设置#39;Mfake#39;寄存器启动预热测试。

图5显示了应变测试的流程。

图5.应变测试流程

B.温度测试流程

为了读取当前温度，需要两个工作周期。第一个周期是复位，跳过ROM命令，开始温度转换。 第二个周期是复位，跳过ROM命令，读取数据[44]。 温度采集流程如图6所示。

图6. 温度采集流程

C.振动测试流程

模拟信号被采集到PC104卡。振动数据的频谱是通过实时数据的FFT获得的。普通门机的振动信号幅值接近正态分布。门式起重机的点蚀，剥落划痕等故障将导致冲击载荷，大振幅的概率密度将增加。通过分析轴承回转振动信号的概率密度可以反映故障信息。小波分析结果通过UART传输到GPRS DTU。振动信号采集流程如图7所示。

图7.振动信号采集流程

D. GPRS DTU工作流程

所有的数据都通过GPRS网络和互联网传输到远程服务器。在长期监测中，可能发生GPRS DTU需要重拨（时间可能会限制在3分钟内）。数据将被暂时保存在DTU RAM中，确保没有数据丢失。当DTU重新连接网络时，保存的数据将被传输到服务器。 GPRS DTU的工作流程如图8所示。

图8.GPRS DTU工作流程

E.服务器程序设计

服务器程序中包含测试前的门座式起重机参数设置，当前的机械状态监测，数据分析，电子测试报告等。服务器程序的设计流程如图9所示。

图9. 服务器程序的设计流程

IV。 概要

本文讨论了基于GPRS无线传输的门机应变，油温和振动测试技术。

已经研究了用于门座起重机的新智能应变传感器和其他无线传感器。 该系统具有结构简单，精度高，成本低，传输距离无限，易扩展等特点。 它适用于大型起重机的在线监测。

第二篇．基于聚类和BP神经网络的散装港口门式起重机动态称重方法

摘要 - 散货港货物装卸过程中，货物称重是散货装卸信息管理系统的基础。由于干扰因素众多，采用机械方式难以获得门式起重机的实际起重量。为解决这个问题，本文提出了一种使用电机功率的新方法。在这种方法中，收集起重作业中的实时电机电压，电流和功率因数，并将其输入到预先训练的BP神经网络中，以计算门机的起重量。 K-means聚类算法用于分析和过滤测量数据以找到所需的功率值。 BP神经网络模型能很好地反映起重量与起重机起升机构电机（起升电机和开闭电机）的瞬时输出功率之间的关系。最后，实验结果证明了该方法的有效性。

关键词 - 门式起重机;动态称重; K-means聚类算法; BP神经网络

一，导言

门式起重机是散装码头中常用的搬运机械之一。由于复杂的机械结构和负荷变化，目前大多数港口门式起重机仅配备过载保护装置，但没有专门的称重测量装置[1]。目前，实际装卸过程中的货物装载量主要以船舶的水线估算，常常受外部环境的影响，而操作人员的实际装卸量无法准确验证，造成了其管理很多麻烦 [2]。因此，门式起重机的在线监测对港口管理至关重要。

美国Vishay-Nobel公司开发了一种空心轴剪式称重传感器，并将其安装在钢丝绳系统的支座或移动块上，然后采用数字滤波技术，动态信号分析和钢丝绳软件补偿技术获取体重值[3]。该方法不适用于门式起重机的动态称重，因为它没有考虑门式起重机在不同幅度下对称重传感器的影响。一家在位于石家庄开发区的中国公司YiTong科技有限公司提出了“3D单片机”的称重方法。该方法在钢丝绳筒杆支点轴承和负载抑制齿轮上安装称重传感器作为主要磨损机构，设计测量速度和量程机构。该方法充分考虑门座起重机起升装置和振幅对测量结果的影响，建立三维空间称重测量模型进行动态称重[4]。尽管这种解决方案考虑了影响门式起重机动态称量测量精度的因素，并提供了补偿方法，但它涉及太多的传感器及其测量和补偿速度，并且其幅度机制非常复杂，相对成本较高。

上述动态称重解决方案要求在门式起重机上安装称重传感器。 安装相当麻烦，门式起重机工作时振动较大，不同驾驶员抓货物和提升的速度和加速度各不相同，称重传感器的浮动值通常比较大，以至于很难获得稳定的重量数据。 本文提出了一种基于聚类算法和BP神经预测模型的方法，通过获取门机吊装机构的瞬时输出功率，可以预测门机当前的吊装重量。该方法简单方便，通过对测量数据的计算和分析，使称重的精度满足生产管理的要求。

II.方法

门式起重机的动态称重是在正常处理抓斗时获得门式起重机当前的起重量。如图1所示，在上升抓货的过程中，收集门机的瞬时功率。门式起重机抓取货物并关闭铲斗之后的抬升过程可分为三个阶段：1.加速阶段，即A到C的阶段。货物从静态变为全速; 2.保持速度阶段，即C到D的阶段。货物保持全速达一定的高度; 3.减速阶段，即D到E的阶段。货物从全速变为静态。

在货物加速上升速度的过程中，电动机的瞬时输出功率急剧上升。当货物全速上升时，电机的瞬时输出功率变化保持相对稳定;当货物降低上升速度时，电机的瞬时输出功率分别降低。当门式起重机抓住货物并上升时，A，B，C，D和E点的位置可能不同，但总体趋势保持不变。根据门式起重机抓货的特点，货物全速上升的瞬时输出功率视为门式起重机抓货的瞬时输出功率。这样就构建了输出功率值与提升重量之间的模型。在司机完成抓取和上升后，可以计算门机的当前起重量。本文采用建立BP神经网络预测模型的方法来计算门机当前的起重量。

Figure 1. Instantaneous power graph. 瞬时功率图。

A.基于k-means算法的功率数据处理

由于需要从全部瞬时输出功率中筛选出全速运行时获得的输出功率值，本文采用聚类算法来解决这个问题。 在实现k-means算法之前，有必要决定类中心的数量，因为k值的初始选择将直接影响最终的聚类结果[5]。 由于功率数据的分布是相对连续的，因此很难直观地观察输出值的聚类数量，所以采用改进的k-均值算法来解决这个问题将是有用的。 该改进算法可以动态调整参数k，自动确定聚类数目，并获得最优聚类结果。

这里的k代表聚类参数；Zi 代表 Ci类的每个中心值；N代表数字集中的数量；i=1,2,3hellip;,k; j=1,2,3hellip;,k.

上述计算公式表明，有必要尽量减少类里的数据与类中心之间的距离，以获得最大程度的提高数据类中的相似度。

Figure 2. Clustering algorithm flowchart. 聚类算法流程图

聚类算法流程图如图2所示。通过分析功率数据的分布，功率的最大值是整个样本中的一个孤立点。 K-means算法在对球分布数据进行聚类时具有更好的能力，但对孤立的噪点非常敏感。一些孤立点数据会对聚类效果产生很大影响。因此，有必要实施基于第一k-均值聚类结果的第二k-均值聚类，以避免少数孤立数据对类中心的最大影响。根据类中心的大小和类数据的个数，对首次k-means聚类得到的类数据进行分类，确定类中心值大，数据最多的类。同时，以该类数据作为二次k-means聚类样本，得到二次聚类中心，将其作为提升相同载荷下的门式起重机的电机的输出功率值。

B. BP神经网络模型

BP神经网络是指多层前馈网络训练后的每误差传播算法[8]。当输入信息时，输入信号将从输入层通过隐藏层传输到输出层。在输出层无法获得预期输出的情况下，传输将被反转并且偏差信号沿原始连接访问被发回。通过修改不同神经元之间的连接权重可以降低偏差，偏差范围通过不断迭代最终达到满意的结果。

用BP神经网络训练实际上是一种非线性拟合方法。训练好的神经网络将适当的输出提供给样本集附近的输入，这是利用BP神经网络的泛化能力。我们的模型采用由输入层，隐藏层和输出层构成的传统三层神经网络。 BP神经网络的结构如图3所示。k-means聚类得到的功率值可以作为该预测模型的输入变量，提升权值作为输出变量。模型特征的决定因素主要指输入量，隐层节点数和隐层数的选取。当利用BP神经网络进行预测时，最关键的是输入因子的选择和隐层节点数的定义，这直接关系到预测结果的质量。

Figure 3. structure of BP neural network. BP神经网络的结构

III. 实验

您可能感兴趣的文章

• 2.3港口吞吐量预测外文翻译资料
• 使用多标准移动通信分层遗传算法的阻抗 匹配网络的宽带优化外文翻译资料
• 移动RFID标签阅读与非重叠串联阅读器在输送带的应用外文翻译资料
• 利用数字图像进行的全场应变测量方法外文翻译资料
• 自然灾害中并发事件的多种应急资源的分配外文翻译资料
• 基于主机的卡仿真：开发，安全和生态系统影响分析外文翻译资料
• 实现基于Android智能手机的主机卡仿真模式作为替代ISO 14443A标准的Arduino NFC模块外文翻译资料
• 探索出行方式选择和出行链模式复杂性之间的关系外文翻译资料
• 信息系统研究、教育和实践的基本立场及其影响外文翻译资料
• 仓储和MH系统决策模型的设计优化与管理外文翻译资料