论文部分内容阅读
桥式类型起重机是实现生产过程机械化与现代化的一种特种装备,在现代化工业中应用广泛,桥式类型起重机结构庞大、组成复杂,运作运行时相关人员较多,事故一旦发生就会造成严重后果。因此,对桥式起重机的故障进行分析和对发生故障的概率进行预测,可以在事故、故障发生之前,防止事故发生或提前做好应急工作。故障树分析法是使用最为广泛的一种故障分析方法。将故障树分析法用于桥式起重机的故障分析中,把故障清晰简洁的显示出来,对故障类型进行系统的总结,对引起故障的原因进行全面概括,从而定性的对故障进行分析。层次分析法是一种综合性的评价方法,将其用于故障分析中是基于故障树分析法,根据故障树画出相应故障的层次结构模型,利用专家的经验建立判断矩阵,计算每种影响因素的权重。使用层次分析法对故障进行定量分析,既避免了使用故障树分析法建立最小割集的强大的工作量,又减少了对最小割集的划分的主观性,解决了故障树逻辑关系的不确定性,以及在碰到逻辑门时无法判断两边重要度的问题。使用层次分析法计算重要度可以将每一层的影响因素相对于上一层因素的重要度均计算出来,而不仅仅是计算影响因素相对于目标层的权重。对桥式起重机的故障进行分析并分类之后,将统计的数据进行整理,对每类故障发生的概率进行预测,将24年的故障概率作为数据的输入,利用神经网络自学习自适应,预测下一年故障发生的概率,从而为预防故障发生以及准备零部件并合理安排维修时间与工作计划提供依据。本文使用两种神经网络对故障率分别进行预测,比较两种预测方法的准确性。首先,使用遗传算法优化BP神经网络进行预测,遗传算法优化的BP神经网络是进行预测时使用最为广泛的一种神经网络。其次,使用Elman神经网络进行预测,Elman神经网络是一种动态神经网络,常用于电力负荷预测。本文阐述了桥式起重机的结构以及故障形式,研究了使用故障树分析法与层次分析法相结合的方法进行分析,画出了桥式起重机主要故障的故障树及层次结构模型,建立了判断矩阵,计算了各影响因素的权重。本文使用神经网络进行故障率预测,研究神经网络的结构权值,得出神经网络的预测结果图和预测误差图,并对结果进行分析,从而判断使用神经网络方法预测故障率的可用性。