CN111439681B - 一种基于塔式起重机的不安全作业智能辨识方法及*** - Google Patents
一种基于塔式起重机的不安全作业智能辨识方法及*** Download PDFInfo
- Publication number
- CN111439681B CN111439681B CN202010055629.1A CN202010055629A CN111439681B CN 111439681 B CN111439681 B CN 111439681B CN 202010055629 A CN202010055629 A CN 202010055629A CN 111439681 B CN111439681 B CN 111439681B
- Authority
- CN
- China
- Prior art keywords
- hoisting
- unsafe
- behaviors
- intelligent
- response data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C15/00—Safety gear
- B66C15/06—Arrangements or use of warning devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C13/00—Other constructional features or details
- B66C13/16—Applications of indicating, registering, or weighing devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C15/00—Safety gear
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Control And Safety Of Cranes (AREA)
- Jib Cranes (AREA)
Abstract
本发明公开了一种塔式起重机不安全作业行为智能辨识***及其工作方法。***主要由吊装实时响应数据采集模块、吊装不安全行为智能辨识模块以及辨识结果可视化模块组成。所述数据采集模块实现塔式起重机结构体力学响应数据的实时采集。不安全行为辨识模块通过上述采集数据对不安全作业行为进行辨识,其中关键在于不安全作业行为智能辨识模型的构建,通过智能学习算法建立了吊装结构体力学响应数据与不安全作业行为的映射关系。吊装辨识结果可视化模块将最终辨识结果进行可视化显示及预警。本发明所提出的智能辨识***与工作方法能够准确地预警塔式起重机的不安全作业行为,在事故发生的根源上进行违规矫正,从而优化塔式起重机现场安全管理过程。
Description
技术领域
本发明属于吊装作业安全控制领域,更具体地,涉及一种基于塔式起重机的不安全作业智能辨识方法及***。
背景技术
塔式起重机是工程建造运输活动的关键装备,同时,随着装配式建筑新工艺的推广,塔机行业的市场规模将持续扩大。然而在工程施工过程中,塔机生产事故始终没有得到有效地控制,成为了困扰国内外建筑业发展的难题。究其原因,人的不安全作业行为是吊装事故的导火索,一旦出现过载、斜吊、大风条件下起吊等违规作业时,极易造成塔机整体失稳安全事故。
目前,吊装风险的控制大多数的研究及发明集中在盲区、碰撞风险的预警,忽略了人的不安全作业行为导致塔式起重机失稳、倾覆的风险辨识与控制。一方面,传统依靠少量传感器以及采用安全员进行现场安全管理的方法具有较大的误差,不能准确地预警风险。另一方面,现有的风险控制思路主要集中在吊装作业过程中,缺少对于包括起吊在内的全过程不安全作业行为的辨识,这也使得整个预警过程片面化、安全管理不及时,难以起到真正的吊装风险预防和控制效果。
因此,亟需一种快速、准确的吊装不安全作业行为的辨识方法,提高现场安全管理的主动控制能力。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于塔式起重机的不安全作业智能辨识方法及***,其目的在于,基于智能学习模型建立吊装行为产生的力学响应数据与吊装行为类别的映射关系,从而对塔式起重机吊装过程中的不安全作业行为进行快速智能辨识,预防吊装作业风险事故的发生。
为实现上述目的,按照本发明的一个方面,提供了一种基于塔式起重机的不安全作业智能辨识方法,包括如下离线训练阶段和在线检测阶段,其中:
离线训练阶段包括:
S1、构建吊装作业历史响应状态数据库,以采集并记录塔式起重机的吊装行为对应的力学响应数据;建立吊装不安全行为分类库,并将力学响应数据按照安全行为和不安全行为的类别进行标记;
S2、基于智能学习算法构建吊装不安全作业行为智能辨识训练模型,利用S1中所述的吊装历史响应状态数据库以及不安全行为分类库对所述吊装不安全作业行为智能辨识训练模型进行训练,获得吊装不安全作业智能辨识模型;
在线检测阶段:
S3、采集吊装作业结构体的实时力学响应数据并输入至S2所述的吊装不安全作业智能辨识模型,获得当下吊装工况下不安全作业的辨识结果。
进一步地,所述步骤S1包括如下子步骤:
S11、吊装作业历史响应数据库中,正常吊装作业包括起吊、回转、变幅和/或以上吊装行为的复合作业,通过正常吊装实验,获取各种正常吊装行为下的传感器力学响应数据,绘制传感器力学响应数据的波动图,从中提取波动段的数据作为有效的力学响应数据加入塔吊吊装作业力学状态响应数据库中,建立力学响应数据与正常吊装作业行为的对应关系;
S12、吊装作业历史响应数据库及吊装不安全行为分类库中,不安全吊装作业行为包括斜吊、超载起吊、大风环境下吊装作业、吊装急停、急起、和/或接近满载时进行复合吊装行为;进行不安全吊装作业实验,获取各种不安全吊装作业行为下的传感器力学响应数据,绘制传感器力学响应数据的波动图,从中提取波动段的数据作为有效的力学响应数据加入塔吊吊装作业力学状态响应数据库中,建立力学响应数据与各种不安全吊装作业行为一一对应的联系,构建吊装不安全行为分类库。
进一步地,所述步骤S2中,基于智能学习形成的吊装不安全作业行为智能辨识训练模型表示为:
[X]{θd}=[H]
其中,[X]为某种作业工况下的吊装结构体力学响应数据;[H]为该工况下吊装行为反应矩阵;{θd}为吊装不安全作业行为智能辨识训练模型中待辨识的参数集合;
训练后得到的由数据驱动的吊装不安全作业行为智能辨识模型表示为:
[X]{θh}=[H]
其中,[X]为实时工况下的吊装结构体力学响应状态;[H]为吊装行为反应矩阵;{θh}为{θd}训练后得到的稳定可靠的参数集合。
进一步地,所述步骤S2包括如下子步骤:
S21,基于BP神经网络建立吊装不安全作业行为智能辨识训练模型;
S22,将力学响应数据及其对应的吊装不安全作业行为类别分别作为输入和输出,采用梯度下降法训练步骤S21的吊装不安全作业行为智能辨识训练模型,得到吊装不安全作业行为智能辨识模型。
进一步地,所述步骤S22包括如下子步骤:
S221,将力学响应数据划分为不安全吊装作业行为、安全吊装作业行为,并赋予力学响应数据与吊装行为一一对应的标签;
S222,将BP神经网络初始化,构建输入层、隐藏层、输出层;输入层第i个神经元到隐含层第j个神经元的权重为wij,隐含层第j个神经元到输出层第k个神经元的权重为wjk,输入层到隐含层的偏置设置为aj,输出层的偏置设置为bk,学习速率为η;激励函数g(x)取Sigmoid函数,形式为:
其中,x是神经元的输入数据;
S223,将力学响应数据输入BP神经网络中得到各神经元的输出,隐含层神经元输出计算公式为:
其中,xi为输入层结构体响应数据;
Hj为隐含层各神经元节点的输出;
输出层的输出计算公式为:
其中,Ok为输出层神经元节点的输出;
S224,本专利取反传误差函数为:
其中,Yk为输出层期望输出,Ok为输出层实际输出,δ为输出层神经元误差;
S225,计算最后一层输出与真实结果的误差,将该误差反向传播给前面的神经元,得到各个神经元的误差,如此一直反向传播到第一层,隐含层误差计算公式为:
其中,δj为隐含层第j个神经元误差;
δk为输出层神经元误差;
输入层误差计算公式为:
其中,δi为当输入层第i个神经元的误差值;
S226,得到各个神经元的误差后,采用梯度下降法修正权重,得到更为准确的传递权重,修正权重的计算公式为:
其中,w′ij为输入层神经元到隐含层神经元的修正权重;
w′jk(k=1)为隐含层神经元到输出层神经元的修正权重;
采用修正完的模型,不断进行训练,直到训练结果收敛。
进一步地,所述步骤S3中,当识别出不安全作业行为时发出预警信息并进行记录。
为了实现上述目的,本发明还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现如前任一项所述的方法。
为了实现上述目的,本发明还提供了一种基于塔式起重机的不安全作业智能辨识***,包括如前所述的计算机可读存储介质以及处理器,处理器用于调用和处理计算机可读存储介质中存储的计算机程序。
为了实现上述目的,本发明还提供了一种基于塔式起重机的不安全作业智能辨识***,包括:吊装实时响应数据采集模块、吊装不安全行为智能辨识模块以及吊装辨识结果可视化模块;
所述吊装实时响应数据采集模块包括实时数据采集传感器及传输子模块,用于采集起重机械在吊装作业时的力学状态响应数据并实时上传,以供吊装不安全行为辨识模块进行分析;
所述吊装不安全行为智能辨识模块包括按照如前任意一项所述的不安全作业智能辨识方法中的离线训练阶段,训练得到的吊装不安全作业行为智能辨识模型,用于快速辨识吊装不安全作业行为,辨识结果传至吊装辨识结果可视化模块;
所述吊装辨识结果可视化模块包括显示装置与预警装置,用于实时显示不安全作业行为的辨识结果,并在当辨识结果为不安全作业时进行预警和/或记录。
总体而言,本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
1、本发明采用智能学习方法构建基于数据驱动的辨识模型,通过吊装历史响应数据及对应吊装行为对上述模型进行训练,得到吊装作业不安全行为智能辨识模型,能够准确的预警吊装作业过程中的违规操作,为现场安全管理提供更加可靠的方法。相应的***能够基于实时数据采集模块、行为辨识模块以及数据可视化模块完成对于不安全作业行为进行监测预警,实现不安全吊装行为的可视化预警。
2、传感器力学响应的波动数据可以有效直观反映塔机是否在进行吊装行为、在进行何种吊装行为,选取波动数据大大降低了传感器数据的冗余性与重复性,因此选取波动数据作为力学响应的有效数据进行模型训练与行为辨识具有更高的准确率和鲁棒性。
附图说明
图1是本发明提供的一种塔式起重机的吊装不安全作业智能辨识***的示意图;
图2是图1的工作原理图;
图3是具体实施案例中塔式起重机模型及对应的传感器布设方式;
图4中的(a)~(d)是具体实施案例中吊装作业力学状态响应数据库分类波动数据示意图;
图5是根据本发明实施例提供的采用智能学习方法构建的数据驱动的不安全作业行为辨识模型的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1、图2所示,为本发明提供的一种塔式起重机的不安全作业智能辨识***的示意图,包括:吊装实时数据采集模块、不安全行为辨识模块和辨识数据可视化模块。
所述吊装实时响应数据采集模块,通过传感器实时采集吊装状态响应数据。包括利用拉压传感器测量拉压数据、加速度传感器测量加速度数据、拉力传感器测量载荷数据,通过拉压传感器测量出的拉压数据反映结构应力状态、通过加速度传感器测量出的加速度数据反映结构的振动频率,本专利主要通过拉压传感器数据及其反映的结构应力状态来构建数据采集模块;
所述吊装失稳不安全行为辨识模块,通过机器学习智能算法,进一步的,采用BP神经网络构建辨识模型,输入历史吊装力学状态响应数据及其对应的不安全吊装行为进行训练,形成吊装作业不安全行为智能辨识模型,实现对实时的吊装力学状态数据的辨识,获得吊装作业不安全行为的辨识结果;
所述吊装辨识结果可视化模块,通过塔吊终端显示设备对辨识结果进行可视化,并通过界面预警提醒现场管理及操作人员对不安全的起吊行为进行纠正。
本发明实施例中***各模块构建步骤如下:
S1,如图3所示,在塔式起重机基座四个顶点处布设拉压传感器,在吊绳处布设拉力传感器,用于采集实验数据、吊装实时数据,通过拉压传感器读取数据,根据对传感器波动数据的筛选,降低所得数据的冗余性和重复性,筛分安全吊装行为数据与不安全吊装行为数据,输入数据库中构建吊装作业力学状态响应数据库,根据吊装行为记录建立吊装不安全行为分类库。
如图4所示,绘制传感器数据波动图,根据各种吊装行为对应传感器响应数据波动规律的不同,筛选有效传感器数据构建吊装作业力学状态响应数据库。
S2,构建塔吊吊装作业不安全行为辨识基于机器学习的智能辨识模型,该模型反应了结构动力响应数据与吊装不安全行为之间的对应关系。具体步骤如下:
S21,基于BP神经网络的方法得到塔吊吊装作业不安全行为辨识训练模型,将模型训练后进行数据测试,稳定后的模型即可作为塔吊吊装作业不安全行为的智能辨识模型。
S22,将所述S21得到的吊装作业不安全行为辨识训练模型,结合传感器采集到的响应状态数据及其对应的吊装失稳不安全作业行为,采用梯度下降法训练模型,求解智能辨识模型的参数集合,完成模型参数辨识训练过程。具体步骤如下:
S221,将力学状态响应数据库中历史响应数据库分别整理为训练集、验证集、测试集,进一步的,训练集中将传感器数据划分为不安全吊装作业行为、安全吊装作业行为,并赋予传感器数据与吊装行为一一对应的标签。
S222,将BP神经网络初始化,构建输入层、隐藏层、输出层,输入层的节点个数根据输入结构体响应数据矩阵设置为82个,隐含层设置为1层,隐含层设置16个节点,然后将结果输出到输出层;输入层第i个神经元到隐含层第j个神经元的权重为wij,隐含层第j个神经元到输出层第k个神经元的权重为wjk,输入层到隐含层的偏置设置为aj,输出层的偏置设置为bk。学习速率为η,激励函数为g(x)。其中激励函数g(x)取Sigmoid函数,形式为:
S223,将训练集的结构体响应数据输入BP神经网络中得到各神经元的输出,隐含层神经元输出计算公式为:
其中,xi(i=1…82)为输入层结构体响应数据;
Hj(j=1…16)为隐含层各神经元节点的输出。
输出层的输出计算公式为:
其中,Ok(k=1)为输出层神经元节点的输出。
S224,本专利取反传误差函数为:
其中,Yk(k=1)为输出层期望输出,Ok为输出层实际输出,δ为输出层神经元误差。
S225,计算得到最后一层误差值后,将误差反向传播给前面的神经元,得到各个神经元的误差,如此一直反向传播到第一层,隐含层误差计算公式为:
其中,δj(j=1…16)为隐含层第j个神经元误差;
δk(k=1)为输出层神经元误差。
输入层误差计算公式为:
其中,δi(i=1…82)为当输入层第i个神经元的误差值。
S226,得到各个神经元的误差后,采用梯度下降法修正权重,得到更为准确的传递权重,修正计算公式为:
其中,w′ij(i=1…82;j=1…16)为输入层神经元到隐含层神经元的修正权重;
w′jk(k=1)为隐含层神经元到输出层神经元的修正权重。
采用修正完的模型,不断进行训练,直到训练结果收敛。
S23,基于所述S21得到的吊装作业不安全行为智能辨识训练模型,将测试集中的数据带入训练模型中进行测试,比较测试结果与实际结果的误差,当训练模型达到稳定、可靠的结果时,即可固化为基于BP神经网络的智能辨识模型。
S3,利用S2所建立的智能辨识模型,输入传感器所采集到的局部结构体实时响应数据,进行不安全吊装行为辨识。经过机器学习的方法,依据在不同吊装行为下反馈的结构体力学响应数据,对此时的吊装行为进行实时的辨识,判断塔吊是否在进行不安全吊装行为。
如图5所示,为本发明实施例提供的一种基于机器学习的不安全作业行为辨识方法的流程示意图,具体步骤如下:
S1,通过多次实验,获取大量的拉压传感器数据,对传感器数据进行预处理,选取针对各种吊装行为的有效传感器数据,形成吊装作业响应状态数据库;
S2,对获取的有效传感器数据赋予标签,对正常吊装行为数据赋予“0”标签,对不安全吊装行为数据分层标记,对所有不安全行为数据赋予“1”标签,并对不同种类不安全行为数据分别赋予标签,形成了吊装不安全行为分类库;
S3,将步骤二中赋予标签的数据划分为训练集、验证集、测试集,将大量的测试集输入智能辨识训练模型中,计算隐含层、输出层的输出、输出误差,根据反向传播算法调整输入层、隐含层、输出层的权值,将测试集、验证集带入模型中训练,误差达到预设要求,则结束训练,形成不安全吊装作业行为智能辨识模块;
S4,将测试集数据带入模型中测试,检验智能辨识模块对于不同吊装行为识别的准确性。
S5,将塔机实时传感器数据输入塔式起重机不安全作业行为智能辨识***中,对塔机作业行为进行监控。
本实施例通过塔式起重机吊装过程中的局部结构体响应状态数据进行不安全吊装行为辨识,即当出现过载起吊、倾斜起吊、急停、急起等异常行为时,其所反映出结构关键数据响应与正常状态不一致。通过对大量的吊装作业基础历史数据进行收集作为训练样本,构建数据驱动的机器训练模型,将所标记的大量的不安全作业行为的结构状态数据输入所构建的机器训练模型中进行训练,得到吊装作业不安全行为智能辨识模型。对后续吊装作业活动时的不安全起吊行为进行监管预警。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于塔式起重机的不安全作业智能辨识方法,其特征在于,包括如下离线训练阶段和在线检测阶段,其中:
离线训练阶段包括:
S1、构建吊装作业历史响应状态数据库,以采集并记录塔式起重机的吊装行为对应的力学响应数据;建立吊装不安全行为分类库,并将力学响应数据按照安全行为和不安全行为的类别进行标记;
S2、基于智能学习算法构建吊装不安全作业行为智能辨识训练模型,利用S1中所述的吊装作业 历史响应状态数据库以及不安全行为分类库对所述吊装不安全作业行为智能辨识训练模型进行训练,获得吊装不安全作业智能辨识模型;
在线检测阶段:
S3、采集吊装作业结构体的实时力学响应数据并输入至S2所述的吊装不安全作业智能辨识模型,获得当下吊装工况下不安全作业的辨识结果。
2.如权利要求1所述的不安全作业智能辨识方法,其特征在于,所述步骤S1包括如下子步骤:
S11、吊装作业历史响应状态 数据库中,正常吊装作业包括起吊、回转、变幅和/或以上吊装行为的复合作业,通过正常吊装实验,获取各种正常吊装行为下的传感器力学响应数据,绘制传感器力学响应数据的波动图,从中提取波动段的数据作为有效的力学响应数据加入塔吊吊装作业力学状态响应数据库中,建立力学响应数据与正常吊装作业行为的对应关系;
S12、吊装作业历史响应状态 数据库及吊装不安全行为分类库中,不安全吊装作业行为包括斜吊、超载起吊、大风环境下吊装作业、吊装急停、急起、和/或接近满载时进行复合吊装行为;进行不安全吊装作业实验,获取各种不安全吊装作业行为下的传感器力学响应数据,绘制传感器力学响应数据的波动图,从中提取波动段的数据作为有效的力学响应数据加入塔吊吊装作业力学状态响应数据库中,建立力学响应数据与各种不安全吊装作业行为一一对应的联系,构建吊装不安全行为分类库。
3.如权利要求1或2所述的不安全作业智能辨识方法,其特征在于,所述步骤S2中,基于智能学习形成的吊装不安全作业行为智能辨识训练模型表示为:
[X]{θd}=[H]
其中,[X]为某种作业工况下的吊装结构体力学响应数据;[H]为该工况下吊装行为反应矩阵;{θd}为吊装不安全作业行为智能辨识训练模型中待辨识的参数集合;
训练后得到的由数据驱动的吊装不安全作业行为智能辨识模型表示为:
[X]{θh}=[H]
其中,[X]为实时工况下的吊装结构体力学响应状态;[H]为吊装行为反应矩阵;{θh}为{θd}训练后得到的稳定可靠的参数集合。
4.如权利要求1或2所述的不安全作业智能辨识方法,其特征在于,所述步骤S2包括如下子步骤:
S21,基于BP神经网络建立吊装不安全作业行为智能辨识训练模型;
S22,将力学响应数据及其对应的吊装不安全作业行为类别分别作为输入和输出,采用梯度下降法训练步骤S21的吊装不安全作业行为智能辨识训练模型,得到吊装不安全作业行为智能辨识模型。
5.如权利要求4所述的不安全作业智能辨识方法,其特征在于,所述步骤S22包括如下子步骤:
S221,将力学响应数据划分为不安全吊装作业行为、安全吊装作业行为,并赋予力学响应数据与吊装行为一一对应的标签;
S222,将BP神经网络初始化,构建输入层、隐藏层、输出层;输入层第i个神经元到隐含层第j个神经元的权重为wij,隐含层第j个神经元到输出层第k个神经元的权重为wjk,输入层到隐含层的偏置设置为aj,输出层的偏置设置为bk,学习速率为η;激励函数g(x)取Sigmoid函数,形式为:
其中,x是神经元的输入数据;
S223,将力学响应数据输入BP神经网络中得到各神经元的输出,隐含层神经元输出计算公式为:
其中,xi为输入层结构体响应数据;
Hj为隐含层各神经元节点的输出;
输出层的输出计算公式为:
其中,Ok为输出层神经元节点的输出;
S224,取反传误差函数为:
其中,Yk为输出层期望输出,Ok为输出层实际输出,δ为输出层神经元误差;
S225,计算最后一层输出与真实结果的误差,将该误差反向传播给前面的神经元,得到各个神经元的误差,如此一直反向传播到第一层,隐含层误差计算公式为:
其中,δj为隐含层第j个神经元误差;
δk为输出层神经元误差;
输入层误差计算公式为:
其中,δi为当输入层第i个神经元的误差值;
S226,得到各个神经元的误差后,采用梯度下降法修正权重,得到更为准确的传递权重,修正权重的计算公式为:
其中,w′ij为输入层神经元到隐含层神经元的修正权重;
w′jk(k=1)为隐含层神经元到输出层神经元的修正权重;
采用修正完的模型,不断进行训练,直到训练结果收敛。
6.如权利要求1或2所述的不安全作业智能辨识方法,其特征在于,所述步骤S3中,当识别出不安全作业行为时发出预警信息并进行记录。
7.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现如权利要求1~6任一项所述的方法。
8.一种基于塔式起重机的不安全作业智能辨识***,其特征在于,包括如权利要求7所述的计算机可读存储介质以及处理器,处理器用于调用和处理计算机可读存储介质中存储的计算机程序。
9.一种基于塔式起重机的不安全作业智能辨识***,其特征在于,包括:吊装实时响应数据采集模块、吊装不安全行为智能辨识模块以及吊装辨识结果可视化模块;
所述吊装实时响应数据采集模块包括实时数据采集传感器及传输子模块,用于采集起重机械在吊装作业时的力学状态响应数据并实时上传,以供吊装不安全行为辨识模块进行分析;
所述吊装不安全行为智能辨识模块包括按照权利要求1~6任意一项所述的不安全作业智能辨识方法中的离线训练阶段,训练得到的吊装不安全作业行为智能辨识模型,用于快速辨识吊装不安全作业行为,辨识结果传至吊装辨识结果可视化模块;
所述吊装辨识结果可视化模块包括显示装置与预警装置,用于实时显示不安全作业行为的辨识结果,并在当辨识结果为不安全作业时进行预警和/或记录。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010055629.1A CN111439681B (zh) | 2020-01-17 | 2020-01-17 | 一种基于塔式起重机的不安全作业智能辨识方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010055629.1A CN111439681B (zh) | 2020-01-17 | 2020-01-17 | 一种基于塔式起重机的不安全作业智能辨识方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111439681A CN111439681A (zh) | 2020-07-24 |
CN111439681B true CN111439681B (zh) | 2021-11-02 |
Family
ID=71627026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010055629.1A Active CN111439681B (zh) | 2020-01-17 | 2020-01-17 | 一种基于塔式起重机的不安全作业智能辨识方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111439681B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560337B (zh) * | 2020-12-10 | 2023-12-01 | 东北大学 | 复杂工业过程数字孪生***智能建模方法、装置、设备及存储介质 |
CN114314347B (zh) * | 2022-01-21 | 2023-03-24 | 大连科润重工起重机有限公司 | 起重机械安全监控管理*** |
CN114715806B (zh) * | 2022-06-08 | 2023-06-16 | 杭州未名信科科技有限公司 | 一种塔机异常状态的应急控制方法、装置、介质及塔机 |
CN116449725B (zh) * | 2023-06-19 | 2023-09-12 | 深蓝(天津)智能制造有限责任公司 | 一种可视化的排管智能控制方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104085789A (zh) * | 2014-05-06 | 2014-10-08 | 新乡市起重机厂有限公司 | 一种起重机运行状态的智能监测方法 |
WO2017212115A1 (en) * | 2016-06-10 | 2017-12-14 | Lifthanger Finland Oy | Load handling device for a transportation unit, and a transportation unit with said device |
CN110135648A (zh) * | 2019-05-21 | 2019-08-16 | 北京起重运输机械设计研究院有限公司 | 一种作业设备的安全状态预测方法、装置及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101894377B1 (ko) * | 2016-12-27 | 2018-09-04 | 부산대학교 산학협력단 | 장치장 크레인 작업 계획 시스템 및 방법 |
-
2020
- 2020-01-17 CN CN202010055629.1A patent/CN111439681B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104085789A (zh) * | 2014-05-06 | 2014-10-08 | 新乡市起重机厂有限公司 | 一种起重机运行状态的智能监测方法 |
WO2017212115A1 (en) * | 2016-06-10 | 2017-12-14 | Lifthanger Finland Oy | Load handling device for a transportation unit, and a transportation unit with said device |
CN110135648A (zh) * | 2019-05-21 | 2019-08-16 | 北京起重运输机械设计研究院有限公司 | 一种作业设备的安全状态预测方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111439681A (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111439681B (zh) | 一种基于塔式起重机的不安全作业智能辨识方法及*** | |
CN111274737A (zh) | 一种机械设备剩余使用寿命预测方法及*** | |
CN210924883U (zh) | 一种桥梁结构健康监测*** | |
CN112070215B (zh) | 基于bp神经网络的危险态势分析的处理方法及处理装置 | |
CN108921230A (zh) | 基于类均值核主元分析和bp神经网络的故障诊断方法 | |
CN110703712B (zh) | 一种工业控制***信息安全攻击风险评估方法及*** | |
CN107491058A (zh) | 一种工业控制***序列攻击检测方法及设备 | |
Singh et al. | EYE-on-HMI: A Framework for monitoring human machine interfaces in control rooms | |
CN102297767A (zh) | 支座角位移时基于角度监测的索***的健康监测方法 | |
CN104085789A (zh) | 一种起重机运行状态的智能监测方法 | |
CN108596364B (zh) | 一种化工园区重大危险源动态预警方法 | |
CN114417729A (zh) | 一种基于bp神经网络的矿区环境安全预警方法 | |
CN113593605A (zh) | 一种基于深度神经网络的工业音频故障监测***和方法 | |
CN117270482A (zh) | 基于数字孪生的汽车工厂控制*** | |
CN117407817A (zh) | 一种配电自动化机房的异常监测*** | |
CN111158338A (zh) | 一种基于主成分分析的化工风险监测方法 | |
CN101894214A (zh) | 基于遗传神经网络的矿山通风***故障判断方法 | |
WO2024045539A1 (zh) | 一种欠驱商船自主靠离泊测试方法及*** | |
CN114897084A (zh) | 一种基于图卷积神经网络的塔式起重机结构安全监测方法 | |
CN115187026A (zh) | 一种产业风险监控方法、***和可读存储介质 | |
CN117163835B (zh) | 基于虚拟现实的物流管控方法及*** | |
CN112510699A (zh) | 一种基于大数据的变电站二次设备状态分析方法及设备 | |
CN117975372B (zh) | 一种基于YOLOv8和Transformer编码器相结合的工地安全检测***及方法 | |
Jiang et al. | Research on multi-type & small batch oriented process quality control system under network environment | |
CN118134435B (zh) | 基于数据分析的施工现场物料动态跟踪监管预警*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |