摘要：為實(shí)現(xiàn)在役起重機(jī)的疲勞剩余壽命估算，預(yù)防災(zāi)難性事故，確保起重機(jī)使用的安全性。針對起重機(jī)使用工況的高度隨機(jī)性和不確定性，以通用橋式起重機(jī)為研究對象，首次通過大量的數(shù)據(jù)調(diào)研，采集不同額定起升載荷起重機(jī)在一個工作時段內(nèi)對應(yīng)不同起升載荷的工作循環(huán)次數(shù)簇，基于人工神經(jīng)網(wǎng)絡(luò)(Artificialneuralnetwork,ANN)技術(shù)獲取預(yù)評估起重機(jī)的當(dāng)量載荷譜。以Miner疲勞損傷累積理論、線彈性斷裂力學(xué)理論和雨流計數(shù)法為理論基礎(chǔ)，運(yùn)用Paris．Eadogan方程，推導(dǎo)疲勞剩余壽命計算公式，以實(shí)現(xiàn)通用類橋式起重機(jī)疲勞剩余壽命估算。經(jīng)實(shí)例驗(yàn)證：所提出的方法可快速獲取該類型預(yù)評估疲勞剩余壽命起重機(jī)的當(dāng)量載荷譜并估算其主梁的疲勞剩余壽命，大大節(jié)省起重機(jī)現(xiàn)場實(shí)測的煩瑣過程和大量投入。與實(shí)測應(yīng)力譜計算的疲勞剩余壽命相比具有較好的吻合性和實(shí)用性，說明應(yīng)用本方法進(jìn)行起重機(jī)的疲勞剩余壽命估算是可行和有效的。

前言：

起重機(jī)械在經(jīng)濟(jì)建設(shè)中起著不可或缺的重要作用，是重大技術(shù)裝備行業(yè)中的特種設(shè)備，一旦發(fā)生事故，經(jīng)濟(jì)損失慘重、社會影響惡劣。近年來，國內(nèi)外許多國家和地區(qū)，相繼發(fā)生起重機(jī)械結(jié)構(gòu)系統(tǒng)突然性斷裂和失效事件，而造成這類事故的主要原因之一是疲勞破壞【l’31。因此，各國政府和檢驗(yàn)機(jī)構(gòu)對起重機(jī)械結(jié)構(gòu)系統(tǒng)進(jìn)行定壽、延壽的研究空前重視。隨著國家現(xiàn)代社會經(jīng)濟(jì)的高速發(fā)展，起重機(jī)械的使用越來越廣泛，工作越來越繁重，人們對工程和裝備的經(jīng)濟(jì)性和安全性要求愈來愈高，迫切需要一種能安全檢測和監(jiān)測起重機(jī)結(jié)構(gòu)系統(tǒng)并估算其疲勞剩余壽命的有效方法。目前，國內(nèi)外對于起重機(jī)疲勞剩余壽命估算有不少的理論研究，提出了一些疲勞損傷和疲勞剩余壽命估算的新方法【4巧】，但至今尚未形成一套完整有效、可供實(shí)用的理論體系。因此，本文針對起重機(jī)使用工況的高度隨機(jī)性和不確定性，以及現(xiàn)場試驗(yàn)條件所限(樣機(jī)準(zhǔn)備、測試成本、生產(chǎn)周期)難以實(shí)施大量實(shí)際載荷譜試驗(yàn)的問題，以通用橋式起重機(jī)為研究對象，首次提出一種基于LMBP(Levenberg—marquardt back  propagation network)t6】人工神經(jīng)網(wǎng)絡(luò)技術(shù)獲取起重機(jī)當(dāng)量載荷譜的疲勞剩余壽命評估方法，并通過實(shí)際案例驗(yàn)證了該方法的可行性和有效性。

1 起重機(jī)當(dāng)量載荷譜的獲取方法

為實(shí)現(xiàn)在役起重機(jī)關(guān)鍵部件的疲勞剩余壽命估算，預(yù)防災(zāi)難性事故，確保起重機(jī)使用的安全性，需要獲得起重機(jī)關(guān)鍵部件疲勞核算點(diǎn)的應(yīng)力譜。由于起重機(jī)結(jié)構(gòu)系統(tǒng)承受變化的重復(fù)載荷，每次實(shí)測的結(jié)果均不相同，這種隨機(jī)性和不確定性，導(dǎo)致無法將實(shí)測結(jié)果直接應(yīng)用于理論分析與工程實(shí)踐；再者由于現(xiàn)場試驗(yàn)條件所限，難以實(shí)施大量實(shí)際載荷譜試驗(yàn)。為此提出采用現(xiàn)場作業(yè)調(diào)研的方式，采集不同額定起升載荷起重機(jī)在一段時間內(nèi)對應(yīng)不同起升載荷的工作循環(huán)次數(shù)簇，基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)獲取相應(yīng)類型起重機(jī)的當(dāng)量載荷譜。因此當(dāng)量載荷譜是對實(shí)際載荷譜基于海量數(shù)據(jù)的高度提煉，是相當(dāng)于實(shí)際載荷譜的載荷譜。

1．1 建立獲取起重機(jī)當(dāng)量載荷譜的神經(jīng)網(wǎng)絡(luò)模型

取通用類橋式起重機(jī)的額定起升載荷和起升載荷為輸入量，對應(yīng)該類起重機(jī)一額定起升載荷的不同起升載荷在一個工作時段內(nèi)的工作循環(huán)次數(shù)為輸出量，構(gòu)建具有輸入層、隱層和輸出層三層結(jié)構(gòu)的雙輸入單輸出前向神經(jīng)網(wǎng)絡(luò)模型。輸入層有兩個神經(jīng)元分別用來輸入額定起升載荷和起升載荷，輸出層有一個神經(jīng)元代表起重機(jī)的工作循環(huán)次數(shù)。本文建立的獲取橋式起重機(jī)當(dāng)量載荷譜神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)如圖l所示。隱層神經(jīng)元數(shù)為15，是在綜合考慮網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜程度和誤差大小的情況下，經(jīng)大量的計算試驗(yàn)，采用節(jié)點(diǎn)刪除和擴(kuò)張的方法確定的。

1．2獲取學(xué)習(xí)樣本

以通用類橋式起重機(jī)的額定起升載荷和起升載荷為學(xué)習(xí)樣本的輸入，對應(yīng)一額定起升載荷的不同起升載荷在一個工作時段內(nèi)的工作循環(huán)次數(shù)為學(xué)習(xí)樣本的希望輸出。通過大量的數(shù)據(jù)調(diào)研，獲取學(xué)習(xí)樣本，并將額定起升載荷值均分成8份對學(xué)習(xí)樣本進(jìn)行分級(樣本分級越多越好)，即將0至額定起升載荷區(qū)間的載荷值至少均分成8份，然后按均分值對起升載荷及其對應(yīng)的工作循環(huán)次數(shù)進(jìn)行分級。

如表1所示為本文采集的2個工作日的數(shù)據(jù)樣本的部分?jǐn)?shù)據(jù)。

為使學(xué)習(xí)后的神經(jīng)網(wǎng)絡(luò)具有良好的性能，所收集的樣本數(shù)據(jù)應(yīng)該是以橋式起重機(jī)開始起吊一個重物起，到能開始起吊下一個物品時止，包括橋式起重機(jī)運(yùn)行及正常停歇在內(nèi)的一個完整過程的處于正常工作狀態(tài)下的起升載荷及其相應(yīng)的工作循環(huán)次數(shù)，使學(xué)習(xí)樣本符合起重機(jī)的實(shí)際使用工況。

1．3訓(xùn)練LMBP神經(jīng)網(wǎng)絡(luò)

只有訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)才能建立對應(yīng)類型起重機(jī)的當(dāng)量載荷譜，并獲取該類型預(yù)評估疲勞剩余壽命起重機(jī)的當(dāng)量載荷譜。把第1．2節(jié)得到的學(xué)習(xí)樣本歸一化，訓(xùn)練由第1．1節(jié)確定的LMBP神經(jīng)網(wǎng)絡(luò)，得到其模型參數(shù)。神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程是通過不斷調(diào)整輸入層與隱層的權(quán)系數(shù)W1，隱層與輸出層的權(quán)系數(shù)伊，使神經(jīng)網(wǎng)絡(luò)對非學(xué)習(xí)樣本的輸出與希望值的誤差很小直到滿足應(yīng)用的要求。1．4起重機(jī)當(dāng)量載荷譜的獲取由第1．3節(jié)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)即建立了通用橋式起重機(jī)的不同額定起升載荷和不同起升載荷與工作循環(huán)次數(shù)的隨機(jī)性變化趨勢映射關(guān)系——通用類橋式起重機(jī)的當(dāng)量載荷譜。將需要估算疲勞剩余壽命的通用橋式起重機(jī)的額定起升載荷和8級(同樣本分級數(shù))不同起升載荷輸入到第1．3節(jié)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，即可獲取該起重機(jī)的當(dāng)量載荷譜。

1．4起重機(jī)當(dāng)量載荷譜神經(jīng)網(wǎng)絡(luò)獲取方法流程

起重機(jī)當(dāng)量載荷譜神經(jīng)網(wǎng)絡(luò)獲取方法流程如圖2所示。