摘要：为实现在役起重机的疲劳剩余寿命估算，预防灾难性事故，确保起重机使用的安全性。针对起重机使用工况的高度随机性和不确定性，以通用桥式起重机为研究对象，首次通过大量的数据调研，采集不同额定起升载荷起重机在一个工作时段内对应不同起升载荷的工作循环次数簇，基于人工神经网络(Artificialneuralnetwork,ANN)技术获取预评估起重机的当量载荷谱。以Miner疲劳损伤累积理论、线弹性断裂力学理论和雨流计数法为理论基础，运用Paris．Eadogan方程，推导疲劳剩余寿命计算公式，以实现通用类桥式起重机疲劳剩余寿命估算。经实例验证：所提出的方法可快速获取该类型预评估疲劳剩余寿命起重机的当量载荷谱并估算其主梁的疲劳剩余寿命，大大节省起重机现场实测的烦琐过程和大量投入。与实测应力谱计算的疲劳剩余寿命相比具有较好的吻合性和实用性，说明应用本方法进行起重机的疲劳剩余寿命估算是可行和有效的。

前言：

起重机械在经济建设中起着不可或缺的重要作用，是重大技术装备行业中的特种设备，一旦发生事故，经济损失惨重、社会影响恶劣。近年来，国内外许多国家和地区，相继发生起重机械结构系统突然性断裂和失效事件，而造成这类事故的主要原因之一是疲劳破坏【l’31。因此，各国政府和检验机构对起重机械结构系统进行定寿、延寿的研究空前重视。随着国家现代社会经济的高速发展，起重机械的使用越来越广泛，工作越来越繁重，人们对工程和装备的经济性和安全性要求愈来愈高，迫切需要一种能安全检测和监测起重机结构系统并估算其疲劳剩余寿命的有效方法。目前，国内外对于起重机疲劳剩余寿命估算有不少的理论研究，提出了一些疲劳损伤和疲劳剩余寿命估算的新方法【4巧】，但至今尚未形成一套完整有效、可供实用的理论体系。因此，本文针对起重机使用工况的高度随机性和不确定性，以及现场试验条件所限(样机准备、测试成本、生产周期)难以实施大量实际载荷谱试验的问题，以通用桥式起重机为研究对象，首次提出一种基于LMBP(Levenberg—marquardt back  propagation network)t6】人工神经网络技术获取起重机当量载荷谱的疲劳剩余寿命评估方法，并通过实际案例验证了该方法的可行性和有效性。

1 起重机当量载荷谱的获取方法

为实现在役起重机关键部件的疲劳剩余寿命估算，预防灾难性事故，确保起重机使用的安全性，需要获得起重机关键部件疲劳核算点的应力谱。由于起重机结构系统承受变化的重复载荷，每次实测的结果均不相同，这种随机性和不确定性，导致无法将实测结果直接应用于理论分析与工程实践；再者由于现场试验条件所限，难以实施大量实际载荷谱试验。为此提出采用现场作业调研的方式，采集不同额定起升载荷起重机在一段时间内对应不同起升载荷的工作循环次数簇，基于人工神经网络技术获取相应类型起重机的当量载荷谱。因此当量载荷谱是对实际载荷谱基于海量数据的高度提炼，是相当于实际载荷谱的载荷谱。

1．1 建立获取起重机当量载荷谱的神经网络模型

取通用类桥式起重机的额定起升载荷和起升载荷为输入量，对应该类起重机一额定起升载荷的不同起升载荷在一个工作时段内的工作循环次数为输出量，构建具有输入层、隐层和输出层三层结构的双输入单输出前向神经网络模型。输入层有两个神经元分别用来输入额定起升载荷和起升载荷，输出层有一个神经元代表起重机的工作循环次数。本文建立的获取桥式起重机当量载荷谱神经网络模型拓扑结构如图l所示。隐层神经元数为15，是在综合考虑网络结构复杂程度和误差大小的情况下，经大量的计算试验，采用节点删除和扩张的方法确定的。

1．2获取学习样本

以通用类桥式起重机的额定起升载荷和起升载荷为学习样本的输入，对应一额定起升载荷的不同起升载荷在一个工作时段内的工作循环次数为学习样本的希望输出。通过大量的数据调研，获取学习样本，并将额定起升载荷值均分成8份对学习样本进行分级(样本分级越多越好)，即将0至额定起升载荷区间的载荷值至少均分成8份，然后按均分值对起升载荷及其对应的工作循环次数进行分级。

如表1所示为本文采集的2个工作日的数据样本的部分数据。

为使学习后的神经网络具有良好的性能，所收集的样本数据应该是以桥式起重机开始起吊一个重物起，到能开始起吊下一个物品时止，包括桥式起重机运行及正常停歇在内的一个完整过程的处于正常工作状态下的起升载荷及其相应的工作循环次数，使学习样本符合起重机的实际使用工况。

1．3训练LMBP神经网络

只有训练后的神经网络才能建立对应类型起重机的当量载荷谱，并获取该类型预评估疲劳剩余寿命起重机的当量载荷谱。把第1．2节得到的学习样本归一化，训练由第1．1节确定的LMBP神经网络，得到其模型参数。神经网络训练过程是通过不断调整输入层与隐层的权系数W1，隐层与输出层的权系数伊，使神经网络对非学习样本的输出与希望值的误差很小直到满足应用的要求。1．4起重机当量载荷谱的获取由第1．3节训练好的神经网络即建立了通用桥式起重机的不同额定起升载荷和不同起升载荷与工作循环次数的随机性变化趋势映射关系——通用类桥式起重机的当量载荷谱。将需要估算疲劳剩余寿命的通用桥式起重机的额定起升载荷和8级(同样本分级数)不同起升载荷输入到第1．3节训练好的神经网络，即可获取该起重机的当量载荷谱。

1．4起重机当量载荷谱神经网络获取方法流程

起重机当量载荷谱神经网络获取方法流程如图2所示。