摘要：為實現(xiàn)在役起重機的疲勞剩余壽命估算，預防災難性事故，確保起重機使用的安全性。針對起重機使用工況的高度隨機性和不確定性，以通用橋式起重機為研究對象，首次通過大量的數(shù)據(jù)調研，采集不同額定起升載荷起重機在一個工作時段內對應不同起升載荷的工作循環(huán)次數(shù)簇，基于人工神經網絡(Artificialneuralnetwork,ANN)技術獲取預評估起重機的當量載荷譜。以Miner疲勞損傷累積理論、線彈性斷裂力學理論和雨流計數(shù)法為理論基礎，運用Paris．Eadogan方程，推導疲勞剩余壽命計算公式，以實現(xiàn)通用類橋式起重機疲勞剩余壽命估算。經實例驗證：所提出的方法可快速獲取該類型預評估疲勞剩余壽命起重機的當量載荷譜并估算其主梁的疲勞剩余壽命，大大節(jié)省起重機現(xiàn)場實測的煩瑣過程和大量投入。與實測應力譜計算的疲勞剩余壽命相比具有較好的吻合性和實用性，說明應用本方法進行起重機的疲勞剩余壽命估算是可行和有效的。

前言：

起重機械在經濟建設中起著不可或缺的重要作用，是重大技術裝備行業(yè)中的特種設備，一旦發(fā)生事故，經濟損失慘重、社會影響惡劣。近年來，國內外許多國家和地區(qū)，相繼發(fā)生起重機械結構系統(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，各國政府和檢驗機構對起重機械結構系統(tǒng)進行定壽、延壽的研究空前重視。隨著國家現(xiàn)代社會經濟的高速發(fā)展，起重機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濟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)測起重機結構系統(tǒng)并估算其疲勞剩余壽命的有效方法。目前，國內外對于起重機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、可供實用的理論體系。因此，本文針對起重機使用工況的高度隨機性和不確定性，以及現(xiàn)場試驗條件所限(樣機準備、測試成本、生產周期)難以實施大量實際載荷譜試驗的問題，以通用橋式起重機為研究對象，首次提出一種基于LMBP(Levenberg—marquardt back  propagation network)t6】人工神經網絡技術獲取起重機當量載荷譜的疲勞剩余壽命評估方法，并通過實際案例驗證了該方法的可行性和有效性。

1 起重機當量載荷譜的獲取方法

為實現(xiàn)在役起重機關鍵部件的疲勞剩余壽命估算，預防災難性事故，確保起重機使用的安全性，需要獲得起重機關鍵部件疲勞核算點的應力譜。由于起重機結構系統(tǒng)承受變化的重復載荷，每次實測的結果均不相同，這種隨機性和不確定性，導致無法將實測結果直接應用于理論分析與工程實踐；再者由于現(xiàn)場試驗條件所限，難以實施大量實際載荷譜試驗。為此提出采用現(xiàn)場作業(yè)調研的方式，采集不同額定起升載荷起重機在一段時間內對應不同起升載荷的工作循環(huán)次數(shù)簇，基于人工神經網絡技術獲取相應類型起重機的當量載荷譜。因此當量載荷譜是對實際載荷譜基于海量數(shù)據(jù)的高度提煉，是相當于實際載荷譜的載荷譜。

1．1 建立獲取起重機當量載荷譜的神經網絡模型

取通用類橋式起重機的額定起升載荷和起升載荷為輸入量，對應該類起重機一額定起升載荷的不同起升載荷在一個工作時段內的工作循環(huán)次數(shù)為輸出量，構建具有輸入層、隱層和輸出層三層結構的雙輸入單輸出前向神經網絡模型。輸入層有兩個神經元分別用來輸入額定起升載荷和起升載荷，輸出層有一個神經元代表起重機的工作循環(huán)次數(shù)。本文建立的獲取橋式起重機當量載荷譜神經網絡模型拓撲結構如圖l所示。隱層神經元數(shù)為15，是在綜合考慮網絡結構復雜程度和誤差大小的情況下，經大量的計算試驗，采用節(jié)點刪除和擴張的方法確定的。

1．2獲取學習樣本

以通用類橋式起重機的額定起升載荷和起升載荷為學習樣本的輸入，對應一額定起升載荷的不同起升載荷在一個工作時段內的工作循環(huán)次數(shù)為學習樣本的希望輸出。通過大量的數(shù)據(jù)調研，獲取學習樣本，并將額定起升載荷值均分成8份對學習樣本進行分級(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的工作循環(huán)次數(shù)進行分級。

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

為使學習后的神經網絡具有良好的性能，所收集的樣本數(shù)據(jù)應該是以橋式起重機開始起吊一個重物起，到能開始起吊下一個物品時止，包括橋式起重機運行及正常停歇在內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的工作循環(huán)次數(shù)，使學習樣本符合起重機的實際使用工況。

1．3訓練LMBP神經網絡

只有訓練后的神經網絡才能建立對應類型起重機的當量載荷譜，并獲取該類型預評估疲勞剩余壽命起重機的當量載荷譜。把第1．2節(jié)得到的學習樣本歸一化，訓練由第1．1節(jié)確定的LMBP神經網絡，得到其模型參數(shù)。神經網絡訓練過程是通過不斷調整輸入層與隱層的權系數(shù)W1，隱層與輸出層的權系數(shù)伊，使神經網絡對非學習樣本的輸出與希望值的誤差很小直到滿足應用的要求。1．4起重機當量載荷譜的獲取由第1．3節(jié)訓練好的神經網絡即建立了通用橋式起重機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)的隨機性變化趨勢映射關系——通用類橋式起重機的當量載荷譜。將需要估算疲勞剩余壽命的通用橋式起重機的額定起升載荷和8級(同樣本分級數(shù))不同起升載荷輸入到第1．3節(jié)訓練好的神經網絡，即可獲取該起重機的當量載荷譜。

1．4起重機當量載荷譜神經網絡獲取方法流程

起重機當量載荷譜神經網絡獲取方法流程如圖2所示。