基于灰色关联与BP神经网络的塔吊安全研究

发布时间：2021-06-18 21:11

　　为保证塔吊的作业安全,将灰色系统理论和BP神经网络相结合对塔吊安全进行研究。首先取300组数据进行灰关联分析:将倾角作为映射量,找到安全影响因素的关联序;再利用BP神经网络预测分析:将300组数据作为训练样本分别在隐含层不同激活函数的神经网络进行训练,取10组实测数据作为测试样本进行预测,再根据关联序逐一删除各输入特征参数分析主次要因素。结果表明影响塔吊安全的主要因素是高度、幅度、风速和载重,次要因素为转角,激活函数为relu的神经网络预测精度更高。利用神经网络可较准确地预测倾角的变化趋势,具有较好的应用价值。 

【文章来源】：计算机仿真. 2019,36(10)北大核心

【文章页数】：6 页

【部分图文】：

典型的BP神经网络结构图

本文按照图2所示的流程进行训练并分析不同神经元下不同激活函数的效果。训练样本为表1归一化处理后的300组数据，网络的学习率lr设置为0.0005，对BP网络进行1000次训练，直至达到设置的训练次数为止。不同隐含层神经元个数时的训练测试结果如图3～图5和表3所示，综合考虑网络误差和训练次数两个因素，发现当神经元个数为11时，两种激活函数到达目标误差为0.0015时的训练次数均比其它两个情况要少，因此本文选择11个神经元作为BP神经网络隐含层神经元个数。图2BP神经网络训练流程图图37个神经元时的训练次数与误差关系图—474—

行训练并分析不同神经元下不同激活函数的效果。训练样本为表1归一化处理后的300组数据，网络的学习率lr设置为0.0005，对BP网络进行1000次训练，直至达到设置的训练次数为止。不同隐含层神经元个数时的训练测试结果如图3～图5和表3所示，综合考虑网络误差和训练次数两个因素，发现当神经元个数为11时，两种激活函数到达目标误差为0.0015时的训练次数均比其它两个情况要少，因此本文选择11个神经元作为BP神经网络隐含层神经元个数。图2BP神经网络训练流程图图37个神经元时的训练次数与误差关系图—474—

【参考文献】：
期刊论文
[1]基于ZigBee网络的塔吊监测控制系统[J]. 何瑛.  电子设计工程. 2016(18)
[2]ZigBee技术在塔吊安全监测预警系统中的应用[J]. 张青春,王伟庚,孙志勇.  计算机测量与控制. 2014(08)
[3]基于BP神经网络的金属拉深件裂纹在线监测[J]. 骆志高,张保刚,何鑫.  振动与冲击. 2012(10)
[4]基于遗传算法的BP神经网络在塔式起重机故障诊断中的应用[J]. 尚敬强,原思聪,卫东东,肖畅.  起重运输机械. 2012(04)
[5]BP神经网络在软件项目风险评估中的应用[J]. 李华,曹晓龙,成江荣.  计算机仿真. 2011(07)
[6]BP神经网络在基金价格预测中的应用研究[J]. 肖国荣.  计算机仿真. 2011(03)
[7]TBSTC-Ⅰ型塔吊安全监控系统的应用[J]. 汤新泉,石志祥.  建筑施工. 2011(02)
[8]基于神经网络的塔式起重机电气设备故障诊断系统[J]. 王丁磊.  起重运输机械. 2010(03)



本文编号：3237390