本文针对岸边STS起重机不断大型化、高效化的发展趋势,对岸桥的状态监测和故障诊断的一些技术进行研究。 本文利用上海海事大学机械系装卸状态监控信息处理研究中心开发的《港口机械状念监测与安全评估系统(HMSAS)》,在上海外高桥集装箱四期码头,采集集装箱起重机在工作的过程中,不同的工况下六个测试位置的应力数据。针对现场的数据采集的过程中受到各种环境因素干扰及人为原因产生不准确的数据,本文通过ANSYS建模,计算在理论条件下不同载荷作用下的各位置的应力值,验证了现场得到的数据,将与理论值相差特别大的数据加以剔除,提高数据的准确性。 在模式识别过程中,把处理分析过的数据分为两个部分,一部分作为神经网络的学习样本,对网络进行训练,另一部分数据用来考察经过训练以后的神经网络的对于小车位置和起重重量这两个量的识别能力。针对本文研究的问题,在神经网络建立的过程中融合了模糊技术,建立了模糊神经网络。在网络的选择上,考虑到RBF神经网络学习速度快、适用于模式识别等特点,比较适用于本文所要解决的问题,通过比较发现该网络在学习速度和识别精度上都要优于BP神经网络。基于RBF神经刚络利用两种不同的方法与模糊逻辑相结合建立了两个不同的模糊神经网络,分别对这两个网络进行训练,并用它们来作模式识别,通过比较得出第一种网络学习速度较快,第二种网络识别精度更高的结论。