一种平头塔式起重机起重臂结构裂纹诊断方法与流程

1.本发明属于工程机械智能化领域，尤其涉及一种平头塔式起重机起重臂结构裂纹诊断方法。


背景技术：

2.平头塔式起重机在建筑领域中发挥着不可替代的功能，但是因其结构原因一旦出现事故不仅会威胁作业人员生命危险还会降低公司的公信力。塔机的损坏形式包括大臂折断，倒塌，吊物坠落以及少数的操作不当。在这诸多损坏形式中尤以大臂折断发生最多，所以本文的研究对象为平头塔式起重机的起重臂。平头塔式起重机的起重臂定期健康维护是行业内亟待解决的问题。
3.目前国内传统的塔机结构安全智能化水平较低。通过小波能量诊断故障，固有频率法诊断故障，这些方法能够诊断出起重臂的损伤但是相比于现在的人工智能发展智能化水平还是较低。


技术实现要素：

4.发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种平头塔式起重机起重臂结构裂纹诊断方法。能够避免诊断单一、灵敏度低、人工效率低、适应性低等问题。
5.为实现上述技术目的，本发明的技术方案是这样实现的：
6.根据是否发生裂纹，裂纹发生的位置和对应的参数变化入手，使用支持向量机svm来对t6010-6型号平头塔式起重机的起重臂进行结构诊断。通过二分类确定有无裂纹故障，通过多分类确定裂纹损伤位置以达到一个准确的结构诊断结果。未经算法优化的svm和粒子群优化过的pso-svm方法对比提高诊断准确性。
7.本发明具体包括以下步骤：
8.步骤1，输入数据并进行预处理；
9.步骤2，初始化粒子群pso(particle swarm optimization)，更新粒子；
10.步骤3，获取最优惩罚系数c和gamma值；
11.步骤4，训练支持向量机svm模型，划分超平面；
12.步骤5，获得分类得出的各项指标和混淆矩阵，得到平头塔式起重机起重臂结构裂纹诊断结果。
13.步骤1中，所述输入数据包括workbench仿真模型建立的局部坐标系y方向的速度和加速度数据，在workbench中设置生死单元来模拟有无裂纹，当单元设置为dead则表示有裂纹；整体的钢结构参数按照q235参数设置即密度设置为7800kg/m3、泊松比设置为0.3、弹性模量设置为210gpa。分别把x，y，z三个方向的数据输入分类器发现y方向的数据更容易区分，进一步试验发现y方向的速度和加速度在svm中更加敏感，所以选用y方向的速度和加速度数据作为输入数据。
14.步骤1中，所述预处理包括：对数据进行标准化处理，数据标准化后均值将变为0，方差和标准差将变为1，然后将数据标注标签，以便进行有监督的机器学习。
15.步骤1中，所述将数据标注标签包括：
16.在判断起重臂有无裂纹的二分类pso-svm(support vector machines for particle swarm optimization)粒子群优化的支持向量机模型中存在0和1两类标签：0代表起重臂不存在裂纹，1代表起重臂存在裂纹；
17.在判断起重臂裂纹位置的三分类pso-svm粒子群优化的支持向量机模型中存在0、1、2三类标签：0代表起重臂裂纹位置靠近起重臂根部附近，1代表起重臂裂纹在起重臂中间位置附近，2代表起重臂裂纹在起重臂自由端附近。这两个模型是现有诊断技术，后面的svm就是这两个模型的详细阐述。
18.步骤2包括：将支持向量机svm模型的核参数gamma和惩罚系数c作为搜寻目标；设置种群数量、个体经验c1、群体经验c2、最大迭代次数、粒子飞行最大速度；计算适应度，评价每个粒子适应度，以粒子全局适应度最好的点为最佳点；根据适应度更新全局最优点和粒子。
19.步骤2中，所述根据适应度更新全局最优点和粒子包括：设置支持向量机svm模型x次交叉验证后的准确度函数作为适应度函数，初始化之后计算粒子的适应度，以及全局最优适应度；粒子向综合全局适应度以及自己经验适应度方向更新，再次计算自身适应度和全局适应度，如果更新过后的适应度更好则更新粒子位置，如果寻找出更好的全局适应度则更新最佳全局适应度的位置。
20.优选地，在步骤2中粒子群部分把svm分类器中的参数gamma和c作为要寻找的最优横纵坐标设置gamma的区间为[0，50]，定义惩罚系数c的区间为[0，50]。具体实现步骤如下：
[0021]
步骤2-1初始化种群数量，设置种群数量为50；
[0022]
步骤2-2设置个体经验c1＝1.5，群体经验c2＝1.7；
[0023]
步骤2-3：设置最大迭代次数为200，设置飞行最大速度为10；
[0024]
步骤2-4：适应度计算，评价每个粒子适应度，以粒子全局适应度最好的点为最佳点；
[0025]
优选地，在上述步骤2-1到步骤2-4中循环，把5重交叉验证的平均分类准确度作为适应度，以粒子的全局适应度为最大值。将每个粒子最佳适应度与当前粒子的最佳适应度比较，如果当前更好就使用当前值作为粒子的单个最佳点；再与全局最佳点比较若比全局最佳点更好则作为全局最佳点，更新粒子。
[0026]
优选地，在上述步骤2-1到步骤2-4中，当种群达到最大迭代次数即200次或者当种群在迭代过程中适应度不再变化则停止。
[0027]
步骤3包括：粒子在更新过程中不断比较适应度，更新粒子位置，当粒子适应度值不再发生变化或者达到所设置的最大迭代次数时停止更新，此时的全局最佳适应度位置即为所搜寻的最佳gamma值和c参数组合的坐标，坐标即为最优惩罚系数c和gamma值。
[0028]
优选地，在步骤3中得到的最优gamma和c是步骤2中通过粒子群在规定范围内寻优得到的，此时的gamma和c组合下的svm模型是5折交叉验证之后分类准确性最高的得到此时的坐标。
[0029]
优选地，步骤3中收集起重臂有无裂纹数据160组，设置数据集划分，其中112组作
为训练集，48组作为测试集。其中标签0代表没有裂纹80组数据，标签1代表有裂纹80组数据。训练得到一个二分类的分类器用来判断有无裂纹。进一步地，在步骤4中所述划分svm超平面的具体步骤如下：
[0030]
划分有无裂纹的超平面；
[0031]
计算有无裂纹类型的间隔；
[0032]
计算有无裂纹的最大间隔，得出最优超平面；
[0033]
得出score反应分类准确性；
[0034]
优选地步骤3中进行三分类确定起重臂裂纹位置，另外重新采集177组数据作为多分类的输入数据，其中包括三个不同位置的裂纹，标签0代表裂纹存在起重臂根部附近，标签1代表裂纹在起重臂中部附近，标签2代表裂纹在起重臂自由端附近。其中54组作为测试集其余作为训练集训练多分类模型。
[0035]
步骤4包括：
[0036]
步骤4-1，在判断起重臂有无裂纹的二分类pso-svm模型中：
[0037]
根据w
t
x b＝0划分有无裂纹的超平面，其中w表示超平面的法向量，垂直于超平面；t是转秩，即把参数向量w转秩；b表示截距，x是用来表示训练样本的特征向量，且设定wtx b＝0表示决策边界；wtx b≥1表示标签为正；wtx b≤-1表示标签为负，在决策边界两边等距形成的两个超平面间的距离就是最大间距；对于有无裂纹训练样本(xi，yi)，xi代表有无裂纹的参数在平面中的位置，yi代表有无裂纹的这个参数被分为正平面或者负平面，如果yi＝1则被分类为类别1，表示起重臂无裂纹；如果yi＝-1则被分类为类别2，表示起重臂有裂纹；两个决策超平面之间的距离为d，让这两条线分别过两类数据中距离决策边界最近的点，这些点就被称为“支持向量”，而决策边界永远在这两条线的中间，所以可以被调整。令0类的支持向量为x
p
，1类的支持向量为xr，得到：
[0038]w·
x
p
b＝1
[0039]w·
xr b＝-1
[0040]
其中0类的支持向量为x
p
，1类的支持向量为xr；
[0041]
上述两式相减有：w
·
(x
p-xr)＝2；
[0042]
其中(x
p-xr)表示两点之间的连线是一条斜线，而边际d是平行于w的即垂直与决策边界的向量，所以相当于是得到了三角型中的斜边在线性代数中，有如下数学性质：向量b除以自身的模长||b||，得到b方向上的单位向量；将公式w
·
(x
p-xr)＝2除以||w||，得到类别0和类别1两个支持向量间的直线距离为令f(w)为的函数，问题从求最大间隔的问题变成求f(w)最大值问题，f(w)的表达式如下：
[0043][0044]
对于任意样本i，把决策函数写作：
[0045]w·
xi b≥1 yi＝1
[0046]w·
xi b≤-1 yi＝-1
[0047]
整理得到：
[0048]
yin(w
·
xi b)≥1,i＝1,2...n
[0049]
其中n代表自然数，即用数码0，1，2，3，4
……
所表示的数；自然数由0开始，一个接一个，组成一个无穷的集体；
[0050]
把函数间隔作为附加条件，得到了svm的损失函数最初形态，如下所示：
[0051][0052]
subject to yi(w
·
xi b)≥1
[0053]
i＝1,2,
…n[0054]
其中w是超平面法向量的模长，subject to代表约束条件，求f(w)的最大值就是求的最小值，其中未知数是w和b；
[0055]
采用拉格朗日乘子方法进行求解：
[0056][0057]
上式是拉格朗日乘子的形式，其中l代表拉格朗日，λ代表拉格朗日乘子；
[0058]
进一步化简为：
[0059][0060]
其中是求导符号；
[0061]
得到有无裂纹类型的最优超平面模型f(x)：
[0062][0063]
其中λi表示拉格朗日算子；f(x)表示是否存在裂纹最优超平面的方位；x
it
x表示内积运算，t代表对xi向量转秩；
[0064]
步骤4-2，在判断起重臂裂纹位置的三分类pso-svm模型中：
[0065]
在ovo(one vs one)一对一模式下，标签中的所有类别会被两两组合，每两个类别之间建一个二分类模型，每个二分类模型生成一个决策边界，分别进行二分类，对于含有n_class个标签类别的数据，会生成总共个模型，会生成总共个超平面，其中，
[0066]
标签0和标签1作为一组，然后求解出标签0和标签1之间的决策边界；然后让标签1和标签2作为一组，求解出标签1和标签2之间的的决策边界；最后让标签2和标签0组成一组，组成两类之间的决策边界，然后基于三个边界分别对三个类别进行分类；
[0067]
在ovr(one vs rest)模式下，标签中所有的类别会分别与其他类别进行组合，建立n_class个模型，每个模型生成一个决策边界，分别进行二分类，生成如下的决策边界：
[0068]
标签0、标签1和标签2所组成的一个整体分类生成一个决策边界；标签1、标签0和标签2所组成的一个整体分类生成一个决策边界；标签2、标签0和标签1所组成的一个整体分类生成一个决策边界，然后基于三个决策边界分别对三个类别进行分类。
[0069]
步骤5中，所述各项指标包括准确率acc、精确率ppv、召回率tpr、特异度tnr和假正率fpr(混淆矩阵是包含上述几种指标的样本分布，通过混淆矩阵就能计算出上述各项指标)：
[0070][0071][0072][0073][0074]
fpr＝1-tnr
[0075]
其中tp表示实际存在裂纹与svm预测存在裂纹的组数；tn表示实际不存在裂纹与svm预测不存在裂纹的组数；fp表示实际不存在裂纹svm预测为存在的组数；fn表示实际存在裂纹被svm预测为存在的组数。
[0076]
步骤5中，所述各项指标意义如下：
[0077]
在判断起重臂有无裂纹的二分类pso-svm模型中：
[0078]
准确率代表把有裂纹和无裂纹正确分类的概率，准确率越接近1越好；精确率代表预测是裂纹的样本中确实存在裂纹的样本所占比例；召回率代表所有真实存在裂纹的样本中，被预测为有裂纹的样本所占的比例；特异度表示所有真实不存在裂纹的样本中，被正确预测为不存在裂纹的样本所占的比例；假正率是1-specificity表示模型判错的能力；
[0079]
在判断起重臂裂纹位置的三分类pso-svm模型中：
[0080]
准确率代表把裂纹位置1，裂纹位置2，裂纹位置3正确分类的概率，准确率越接近1越好；精确率代表预测是位置1存在裂纹的样本中位置1确实存在裂纹的样本所占的比例；召回率代表所有位置1真实存在裂纹的样本中被预测出位置1确实存在裂纹的样本所占的比例；特异度表示所有位置1不存在裂纹的样本中被预测位置1也不存在裂纹的样本所占的比例；假正率是1-specificity表示模型判错的能力。
[0081]
有益效果：
[0082]
针对现有塔机结构诊断方法灵活性不足，智能化程度不高的缺点创新地实现了智能化与工程机械的结合，很大程度地节省了工人上塔检查的工作量，也给管理人员提供了便捷的方式。
[0083]
本发明能够准确确定是否存在故障，以及故障存在的位置。相比于人工诊断具有智能化程度高，耗时短的优点。本发明运用了粒子群算法提高svm自己寻找最优参数的效率，相比于原来的交叉验证方法pso方法能够更好地搜索全局最优参数组合。降低了模型过拟合的问题，通过用测试样本测试svm分类效果，本发明能够克服现有技术的缺陷，从而更快速，更准确地解决塔机长时间工作过程中的起重臂结构裂纹问题。
附图说明
[0084]
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
[0085]
图1为粒子群pso优化svm的平头塔式起重机起重臂结构诊断模型的流程图。
[0086]
图2为平头塔式起重机起重臂结构诊断二分类模式示意图。
[0087]
图3为平头塔式起重机起重臂结构诊断三分类模式示意图。
具体实施方式
[0088]
本发明提供了一种平头塔式起重机起重臂结构裂纹诊断方法，包括：
[0089]
svm起重臂结构裂纹方法过程：
[0090]
起重臂裂纹的产生过程是因为焊接质量，焊接缺陷，服役时间长等原因，起重臂会产生疲劳裂纹。当疲劳裂纹不断扩展，加深到一定程度后就会引发安全问题。传统的起重臂结构检查是需要定期的人工检查，在工期不长的工地上会在组装起重臂之前让工人师傅进行检查，若是在工期较长的工地上，那就需要定期派专业人员上塔进行维护。这种做法主要依靠工人的经验判断而且自动化程度低，耗时长。显然不是如今我们所需求的结构诊断手段，因此需要使用人工智能作为媒介定期对塔机结构做出诊断。为了对塔机裂纹做出可靠诊断，需要塔机相关的特征参数，比如应力，应变，振动等数据。经过研究发现振动数据能够更好的反应塔机结构裂纹，所以本文采用位移，速度，加速度作为反应振动的指标。通过前期准备得到160组数据，其80组有裂纹，80组无裂纹，随机抽取112组作为训练集，48组作为测试集用来检测是否发生裂纹。再次进行样本提取一共177个数据样本其中包括三个不同位置的裂纹，标签0代表裂纹靠近起重臂根部附近，标签1代表裂纹在起重臂中部附近，标签2代表裂纹靠近起重臂自由端附近。随机抽取54组作为测试集其余作为训练集训练多分类模型，判断裂纹损伤的位置。
[0091]
如图1所示为粒子群pso优化svm的平头塔式起重机起重臂结构诊断模型的流程图；起重臂结构诊断中svm支持向量机的目标就是寻找区分不同类别的超平面，将样本分成类别1和类别2两类。类别1和类别2间隔最大的超平面即为最优。类别1和类别2距离最优超平面最近的点作平行线穿过的散点称为支持向量，有无裂纹二分类模型原理图如图2所示。
[0092]
svm起重臂结构诊断算法逻辑：
[0093]
如图2所示为平头塔式起重机起重臂结构诊断二分类模式。支持向量机分类的核心思想是寻求定义在特征空间上不同类别间几何间隔最大的分离超平面。分离超平面的定义是wtx b＝0，这个平面的解是无数的，但是到分类距离最大的超平面则是唯一解。为了方便计算设定wtx b＝0表示决策边界；wtx b≥1表示标签为正；wtx b≤-1表示标签为负，在决策边界两边等距形成的两个超平面间的距离就是最大间距。1、划分有无裂纹的超平面，其中w表示参数向量，决定有无裂纹超平面的方向；b表示截距，决定不同超平面之间的距离假设此有无裂纹类别超平面能够将有无裂纹的类别正确区分开，那么对于有无裂纹训练样本(xi，yi)应该有xi代表有无裂纹的参数在平面中的位置，yi代表有无裂纹的这个参数被分为正平面或者负平面，即被分到哪一类。如果yi＝1则被分类为类别1(起重臂无裂纹)；如果yi＝-1则被分类为类别2(起重臂有裂纹)。两个决策超平面之间的距离为f(w)，所以求最大间隔的问题就变成求f(w)最大值问题，f(w)的表达式如下：
[0094][0095]
对于任意样本i，把决策函数写作：
[0096]w·
xi b≥1 yi＝1
[0097]w·
xi b≤-1 yi＝-1
[0098]
两式子整理得到：
[0099]
yin(w
·
xi b)≥1,i＝1,2...n
[0100]
这个式子被称为“函数间隔”将函数间隔作为条件附加到f(w)上，就得到了svm的损失函数最初形态：
[0101][0102]
subject to yi(w
·
xi b)≥1
[0103]
i＝1,2,
…n[0104]
此方程是关于w和b的一个二元函数附带条件求极值的问题，因此采用拉格朗日乘子方法对其进行求解：
[0105][0106]
进一步化简为：
[0107][0108]
得到有无裂纹类型的最优超平面模型f(x)：
[0109][0110]
其中λi表示拉格朗日算子；f(x)表示是否存在裂纹最优超平面的方位；x
it
x表示内积运算，也可以称为有无裂纹类型的核函数，用ki(x)表示。对于其他样本来说，拉格朗日算子为0可以得出最终有无裂纹类型的最优超平面模型仅与支持向量有关。
[0111]
划分裂纹位置的超平面：
[0112]
如图3所示是裂纹位置诊断三分类原理示意图；运用三分类pso-svm寻找起重臂裂纹位置，在python中进行svm三分类的模型有以下两种方法：
[0113]
(1)one vs one(ovo)模式：
[0114]
如图3中坐标的图所示，在ovo(one vs one)模式下，标签中的所有类别会被两两组合，每两个类别之间建一个二分类模型，每个模型生成一个决策边界，分别进行二分类。这种模式下，对于含有n_class个标签类别的数据来说会生成总共个模型，会生成总
共个超平面，其中，
[0115]
在ovo模式下首先提出标签0和标签1作为一组，然后求解出标签0和标签1之间的决策边界。然后让标签1和标签2作为一组，求解出标签1和标签2之间的的决策边界。最后让标签2和标签0组成一组，组成两类之间的决策边界，然后基于三个边界分别对三个类别进行分类。
[0116]
(2)one vs rest
[0117]
如图3中右边的图所示，在ovr(one vs rest)模式下，标签中所有的类别会分别与其他类别进行组合，建立n_class个模型，每个模型生成一个决策边界，分别进行二分类。同样的数据集，如果是ovr模式，则会生成如下的决策边界：
[0118]
标签0、标签1和标签2所组成的一个整体分类生成一个决策边界；标签1、标签0和标签2所组成的一个整体分类生成一个决策边界；标签2、标签0和标签1所组成的一个整体分类生成一个决策边界，然后基于三个决策边界分别对三个类别进行分类。
[0119]
进行三分类时无论是ovr还是ovo模式需要的决策边界都会相对于二分类起重臂有无裂纹模型变得复杂，起重臂裂纹位置三分类模型的模型也会越来越复杂，不过ovo模式下的模型计算会更加复杂，因为ovo模式中的决策边界数量增加更快，ovr模型计算更快。所以在进行三分类时选择分类速度更快的ovr模式进行裂纹位置诊断。
[0120]
计算反应svm诊断结果的参数：
[0121]
使用混淆矩阵评估模型各项指标。这些重要参数包括准确率acc(accuracy)，精确率ppv(precision)召回率tpr(recall)，特异度tnr(specificity)，假正率(false positive rate)。准确率代表把有裂纹和无裂纹正确分类的概率越接近1越好。精确率代表预测是裂纹的样本中真正是裂纹的样本所占比例。召回率代表所有真实存在裂纹的样本中，被预测为有裂纹的样本所占的比例。特异度表示所有真实存在裂纹的样本中，被正确预测为存在裂纹的样本所占的比例。假正率是1-specificity表示模型判错的能力。
[0122][0123][0124][0125][0126]
其中tp表示实际存在裂纹与svm预测存在裂纹的组数；tn表示实际不存在裂纹与svm预测不存在裂纹的组数；fp表示实际不存在裂纹svm预测为存在的组数；fn表示实际存在裂纹被svm预测为存在的组数。
[0127]
pso-svm起重臂结构诊断算法逻辑：
[0128]
粒子群算法(pso)是受到鸟群觅食活动启发得出的一种启发式算法。粒子(particle)是在规定范围内存在一个点且这个点是pso优化问题的隐含解。每一个粒子象征鸟群中的一只鸟，假设在区域内存在一份食物，每只鸟都知道距离食物的间隔，但是食物
的具体方位未知那么鸟群中的所有鸟都可以作为目标函数的适应度值。鸟群会根据设置的初始速度和方向找到觅食的最佳方法。在觅食过程中每个鸟都报告自己所发现的最优方法以及适应度。虽然每只鸟都是个体觅食但是整个鸟群却是在中心控制下产生的。这就是由个体规则运动组成复杂的全局行为。粒子群算法作为智能算法中的一员因其原理易懂且参数较少，有着较快收敛速度，计算精度高而受到函数优化、神经网络优化、模糊系统控制及机器人路径优化等领域被广泛应用。
[0129]
根据是上述粒子群寻优原理优化svm，从svm公式和核函数原理中可以看出核参数gamma和惩罚因子c对svm分类准确性影响显著。如果c值设定比较大，那么最大间隔距离就会变小，会选择能够更好地分类所有训练集的决策边界。如果c的设定值较小，那么最大间隔距离就会尽量大，决策功能会更简单，但代价是训练的准确度会降低。参数gamma主要是对低维的样本进行高度度映射，gamma值越大映射的维度越高，训练的结果越好，但是越容易引起过拟合，即泛化能力低。所以选择合适的c和gamma组合是确保分类准确性的重点，下面阐述起重臂结构诊断系统中粒子群寻优过程：
[0130]
第一步：对粒子进行初始化并设置粒子群参数。其中粒子是由svm参数gamma和c随机产生的初始粒子，设置粒子群大小，最大迭代次数，惯性权值，个体学习系数和群体学习系数c1c2。
[0131]
第二步：计算每个粒子当前的适应度值，在平头塔机起重臂结构诊断方法分类中把svm分类结果5重交叉验证的平均分类准确度作为适应度函数。把粒子全局适应度最大值设置为最佳点。
[0132]
第三步：每个粒子的速度和位置更新。将每个粒子的历史最佳适应值与当前粒子的最佳适应值进行比较。如果当前值更好，请使用当前粒子的位置作为该粒子的单个最佳点或全局最佳点更新粒子，即更新所寻的最佳(c，gamma)参数组合。
[0133]
第四步：当迭代次数达到所设置的最大迭代次数时即会停止或者当适应度值不再变化也会停止，否则则会进入步骤3再次进行更新迭代。
[0134]
第五步：在迭代数达到最大值并且满足停止准则的情况下，最终得到最优参数gamma和c，再用所得到的最佳参数组合建立最后的pso-svm模型进行二分类有无裂纹检测；同样重复以上步骤进行三分类pso-svm裂纹位置诊断模型。
[0135]
(四)平头塔式起重机起重臂结构方法数据来源具体实践结果：
[0136]
1、为了获取在svm中最敏感的数据，将采用数据试验方式进行寻找。用worbench建立起重臂模型，用生死单元方法模拟起重臂裂纹，设置dead即表示存在裂纹，当选中的网格alive就代表不存在裂纹。具体数据和方向选择如下：
[0137]
采集的数据有无裂情况下的x方向的位移、速度、加速度；y方向的位移、速度、加速度；z方向的位移、速度、加速度。有裂情况下的x方向的位移、速度、加速度；y方向的位移、速度、加速度；z方向的位移、速度、加速度。具体组合方式如下：
[0138]
无裂纹x方向位移，速度 有裂纹x方向位移，速度。这种数据输入下的linear线性核函数分类器准确性是48％，poly多项式核函数分类器准确性是46％，rbf高斯核函数分类器准确性是39％，sigmoid激活函数作为核函数分类器准确性是48％；
[0139]
无裂纹x方向位移，加速度 有裂纹x方向位移，加速度。这种数据输入下的linear线性核函数分类器准确性是48％，poly多项式核函数分类器准确性是38％，rbf高斯核函数
分类器准确性是40％，sigmoid激活函数作为核函数分类器准确性是56％；
[0140]
无裂纹x方向速度，加速度 有裂纹x方向速度，加速度。这种数据输入下的linear线性核函数分类器准确性是48％，poly多项式核函数分类器准确性是46％，rbf高斯核函数分类器准确性是46％，sigmoid激活函数作为核函数分类器准确性是56％；
[0141]
无裂纹y方向位移，速度 有裂纹y方向位移，速度。这种数据输入下的linear线性核函数分类器准确性是100％，poly多项式核函数分类器准确性是100％，rbf高斯核函数分类器准确性是100％，sigmoid激活函数作为核函数分类器准确性是100％
[0142]
无裂纹y方向位移，加速度 有裂纹y方向位移，加速度。这种数据输入下的linear线性核函数分类器准确性是100％，poly多项式核函数分类器准确性是100％，rbf高斯核函数分类器准确性是100％，sigmoid激活函数作为核函数分类器准确性是100％；
[0143]
无裂纹y方向速度，加速度 有裂纹y方向速度，加速度。这种数据输入下的linear线性核函数分类器准确性是100％，poly多项式核函数分类器准确性是100％，rbf高斯核函数分类器准确性是100％，sigmoid激活函数作为核函数分类器准确性是100％；
[0144]
无裂纹z方向位移，速度 有裂纹z方向位移，速度。这种数据输入下的linear线性核函数分类器准确性是100％，poly多项式核函数分类器准确性是100％，rbf高斯核函数分类器准确性是100％，sigmoid激活函数作为核函数分类器准确性是100％；
[0145]
无裂纹z方向位移，加速度 有裂纹z方向位移，加速度。这种数据输入下的linear线性核函数分类器准确性是38％，poly多项式核函数分类器准确性是38％，rbf高斯核函数分类器准确性是38％，sigmoid激活函数作为核函数分类器准确性是54％；
[0146]
无裂纹z方向速度，加速度 有裂纹z方向速度，加速度。这种数据输入下的linear线性核函数分类器准确性是100％，poly多项式核函数分类器准确性是100％，rbf高斯核函数分类器准确性是100％，sigmoid激活函数作为核函数分类器准确性是100％；
[0147]
进一步地使用了用样的方式对y方向的位移，速度，加速度两两组合进行三分类训练，最后发现速度和加速度的组合在三分类中精确程度最高，所以选择y方向的速度，加速度数据作为输入数据。之后将数据分别输入到pso-svm二分类模型和pso-svm三分类模型中，选择rbf即高斯核函数作为二分类和三分类的核函数。这一步骤虽然耗时巨大但是为以后的分类训练节省了大笔时间。
[0148]
2、分类结果
[0149]
在获取到y方向的速度和加速度作为输入分类器的数据之后，采集了80组存在裂纹的y方向速度和加速度数据，以及80组不存在裂纹的y方向速度和加速度数据。把不存在裂纹的编号为0，存在裂纹的编号为1。进一步地将数据随机切分，30％数据作为测试集，70％的数据作为训练集。使用pso-svm进行分类之后得到输出参数为有无裂纹类型编号。
[0150]
使用两种支持向量机分类器对112组训练数据进行训练，与单纯的svm交叉验证结果相比，pso-svm在训练时没有存在较大差异，都可以实现分类；但是在进行二分类时相比于svm的2个错误样本点pso-svm没有分错的样本点，整体性能提高了50％。从这里可以看出粒子群算法可以为支持向量机最优超平面的最优参数进行优化，且优化效果良好。进行二分类时svm和pso-svm得到的平头塔式起重机起重臂结构裂纹诊断结果对比如表1所示：
[0151]
表1
[0152][0153]
进行三分类来确定裂纹所在的位置，同样使用workbench仿真出177组数据，其中51个是标签为0的样本，62个样本标签为1的样本，64个标签为2的样本。标签为0代表裂纹靠近起重臂根部，标签为1代表裂纹在起重臂中部，标签为2代表裂纹在起重臂自由端附近。通过svm得到分类判断裂纹处于哪种分类之间方便维修人员进行定期维修。在起重臂裂纹位置诊断的分类器中输入的数据是y方向的速度和加速度数据。使用两种支持向量机分类器对123组训练数据进行训练，与单纯的svm交叉验证结果相比，pso-svm在训练时没有存在较大差异，都可以实现分类；但是在进行三分类时相比于svm的交叉验证各方面的指标都有所提升。从这里可以看出粒子群算法可以为支持向量机最优超平面的最优参数进行优化，且优化效果良好。进行三分类时svm和pso-svm得到的平头塔式起重机起重臂结构裂纹诊断结果对比如表2所示：
[0154]
表2
[0155][0156]
根据表1和表2中粒子群算法优化过的支持向量机对于二分类和三分类的分类能力都要优于未经优化的支持向量。因此采用pso-svm模型作为平头塔式起重机起重臂结构诊断的模型。
[0157]
具体实现中，本技术提供计算机存储介质以及对应的数据处理单元，其中，该计算机存储介质能够存储计算机程序，所述计算机程序通过数据处理单元执行时可运行本发明提供的一种平头塔式起重机起重臂结构裂纹诊断方法的发明内容以及各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random access memory，ram)等。
[0158]
本领域的技术人员可以清楚地了解到本发明实施例中的技术方案可借助计算机程序以及其对应的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机程序即软件产品的形式体现出来，该计算机程序软件产品可以存储在存储介质中，包括若干指令用以使得一台包含数据处理单元的设备(可以是个人计算机，服务器，单片机。muu或者网络设备等)执行本发明
各个实施例或者实施例的某些部分所述的方法。
[0159]
本发明提供了一种平头塔式起重机起重臂结构裂纹诊断方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。