CN114897084A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114897084A CN114897084A CN202210565758.4A CN202210565758A CN114897084A CN 114897084 A CN114897084 A CN 114897084A CN 202210565758 A CN202210565758 A CN 202210565758A CN 114897084 A CN114897084 A CN 114897084A
- Authority
- CN
- China
- Prior art keywords
- neural network
- sensor
- tower crane
- graph
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 24
- 238000012544 monitoring process Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 35
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 17
- 238000013135 deep learning Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C23/00—Cranes comprising essentially a beam, boom, or triangular structure acting as a cantilever and mounted for translatory of swinging movements in vertical or horizontal planes or a combination of such movements, e.g. jib-cranes, derricks, tower cranes
- B66C23/88—Safety gear
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Mechanical Engineering (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
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,包括以下步骤,根据要监测的参数在塔式起重机的测点上布置相应的传感器,根据传感器位置和测量值构建图数据,图数据的补全,定义损失函数,训练模型,实时输出起重机安全状态。根据起重机上传感器各测点处测量值和相对关系构造的图数据,通过恢复算法恢复可能存在的缺失数据,保障了在缺失关键数据的情况下,模型仍然具有较好的预测性能。
Description
技术领域
本发明涉及起重机安全技术领域,具体涉及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。
背景技术
塔式起重机是建筑工地上常用的一种起重设备,用来吊运施工原材料,起到减能增效、保证工程质量的重要作用。随着塔式起重机在建筑工程中的广泛使用,塔式起重机事故高发,造成了重大经济损失。在各类事故中,相对于物体打击、高处坠落等事故,机体倾覆事故后果更为严重。因此,获取塔式起重机实时的结构安全状态信息,通过人工智能方法提前对危险状态进行预警,降低使用过程中塔式起重机事故的发生率,对建筑施工的健康发展具有重要意义。
当前的塔式起重机安全监控***多是利用传感器监测关键部位的力学参数和环境参数,然后通过物联网技术,将监测得到的数据发送到控制中心。如果传感器测量的数值超过预设的报警阈值,则发出警报。这种报警机制主要问题是阈值如何科学的设置,且报警是针对单个传感器的数值,缺少对起重机整体层面安全的判断。随着深度学习的发展,研究者逐渐将深度学习技术应用于起重机安全监测,目前的主要技术方案依然是通过大量传感器测量得到数据,然后利用测量得到的数据来训练模型,这种深度学习方法仅利用了传感器的测量值,没有考虑传感器之间的相关性。发明专利CN112783940A基于图神经网络的多源时序数据故障诊断方法和介质,该方法是基于多源时序数据,其处理的数据本质上是时间序列,并没有考虑传感器节点间的拓扑关系。发明专利CN103323282A一种塔式起重机安全评估方法及其评估设备提出了安全评估单元是基于力学分析、应力应变检测、应力分析等各项目的结果,综合评价得出结论。这要求进行评估的人员有比较高的知识背景。
目前的主要技术方案依然是通过在起重机关键部位布置大量传感器,测量得到数据。获得数据后的处理方法包括:
(1)基于专家***和专业知识,人工判断是否存在安全问题;
(2)基于机器学习或深度学习方法,利用测量得到的数值来训练模型,这种深度学习方法仅利用了传感器的测量值,没有考虑传感器节点在物理位置上的相关性。
(3)基于感知数据,评估安全状态,但是未考虑部分传感器数据缺失的情况。在部分传感器数据因为故障、电力耗尽、通信、外力破坏等原因损坏无法及时传递数据时,所构建的感知数据不完整,会使判定模型严重失真,可能会导致重大安全事故。
发明内容
针对现有技术中的问题,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,目的在于,能够在缺失部分数据时,对图数据进行补全,并根据恢复的图数据通过图卷积神经网络判断塔式起重机结构的安全状态。
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,其特征在于,包括以下步骤:
步骤1:根据要监测的参数在塔式起重机的测点上布置相应的传感器;
步骤2:通过仿真手段生成对应测点的传感器数据,并随机丢弃部分测点的传感器数据;
步骤6:根据均方误差函数构建损失函数,并通过所述损失函数计算所述安全状态的损失值;
步骤7:当判断所述损失值变化率小于0.1%时,则执行步骤8;否则执行步骤2;
步骤8:通过实际测量得到对应测点的传感器数据,并执行步骤3至步骤6,并输出相应的安全状态和相应的损失值。
通过传感器网络的物理空间拓扑结构集成到神经网络的智能学习中,并建立特征
矩阵,进一步:所述步骤3中,记所述传感器的测点的特征向量为,测点的数量为N,则测点
所构成的图数据可以用实数空间内的特征矩阵来表示,
其中,C表示每个测点上的特征向量维度。
其中,,为第i个节点的可用邻居传感器测点的集合,为由邻
居测点的特征向量利用图卷积方法计算出得到的特征信息,,,是待学习得到的
权重参数矩阵,,,是偏差参数,是符号函数,为神经网络中的激活函数,和是门控函数,符号表示哈达玛积,是要学习的图滤波器;
进一步:所述步骤6中,所述损失函数,其中,,表示缺失传感器集合,表示缺失传感器节点的数量;,表示分类标签,即安全状态和非安全状态。表示预测的类
别分布,表示真实类别分布;,为正则函数,表示模型中所
有训练参数的集合,,,分别为调节与其相应损失函数权重的系数。
进一步:所述步骤1中,要监测的参数包括应力、应变、温度、垂直度、环境风速,所述测点分布于塔式起重机的混凝土基础位置、标准节连接界面、标准节主弦杆跨中、回转支撑平台处、起重壁前端及起重臂上、下弦杆与回转支承连接处。
本发明的有益效果:根据起重机上传感器各测点处测量值和相对关系构造的图数据,通过恢复算法恢复可能存在的缺失数据,保障了在缺失关键数据的情况下,模型仍然具有较好的预测性能。
附图说明
图1为本发明的流程图;
图2为本发明中测点的分布图;
图3为本发明中图神经网络的示意图。
具体实施方式
下面结合附图对本发明做详细说明。下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。本发明实例中的左、中、右、上、下等方位用语,仅是互为相对概念或是以产品的正常使用状态为参考的,而不应该认为是具有限制性的。
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,如图1所示,包括以下步骤:
步骤1:根据要监测的参数在塔式起重机的测点上布置相应的传感器;
步骤2:通过仿真手段生成对应测点的传感器数据,并随机丢弃部分测点的传感器数据;
步骤6:根据均方误差函数构建损失函数,并通过所述损失函数计算所述安全状态的损失值;
步骤7:当判断所述损失值变化率小于0.1%时,则执行步骤8;否则执行步骤2;
步骤8:通过实际测量得到对应测点的传感器数据,并执行步骤3至步骤6,并输出相应的安全状态和相应的损失值,并根据损失值给出置信度。
其中,结合图2和图3所示,步骤1中要监测的参数包括应力、应变、温度、垂直度、环境风速,所述测点分布于塔式起重机的混凝土基础位置、标准节连接界面、标准节主弦杆跨中、回转支撑平台处、起重壁前端及起重臂上、下弦杆与回转支承连接处。
所述步骤3中,本发明主要的应用目的是将传感器网络的物理空间拓扑结构集成
到神经网络的智能学习中,对于深度学习技术,数据的完整度对模型的预测效果有较大的
影响,记所述传感器的测点即图的顶点的特征向量为,测点的数量为N,则测点所构成的
图数据可以用实数空间内的特征矩阵来表示,
其中,C表示每个测点上的特征向量维度。
所述步骤4包括,与传感器自身邻接的传感器的邻接矩阵即为图的拓扑关系,使
用图卷积神经网络方法,重建缺失传感器的特征,令代表第i个传感器经过t轮信息传递
后的特征向量,则初始时刻=;利用消息传递方法得到特征向量,
其中,,为第i个节点的可用邻居传感器测点的集合,为由邻
居测点的特征向量利用图卷积方法计算出得到的特征信息,,,是待学习得到的
权重参数矩阵,,,是偏差参数,是符号函数,为神经网络中的激活函数,和是门控函数,符号表示哈达玛积,是要学习的图滤波器;
其中,T是可变参数,其值代表消息传递的轮数,即卷积神经网络中“卷积层”的层数;T越大,模型越复杂,理论上数据恢复效果越好,计算复杂度越大。用户可根据设备的计算能力和任务精度要求,灵活进行设置。
所述步骤6中,在起重机测点图数据的恢复和起重机安全状态的判定过程中,主要
由两种损失,一种是在图数据恢复过程中出现的特征重构损失,另一种是安全状态判定
时,出现的分类损失,同时为了防止模型过拟合,在额外加入正则化损失。所述损失函
数,其中,,表示缺失传感器集合,
表示缺失传感器节点的数量;,表示分类标签,即安全状态和非安
全状态。表示预测的类别分布,表示真实类别分布;,为正
则函数,表示模型中所有训练参数的集合,,,分别为调节与其相应损失函数权重
的系数。
与现有技术相比,根据起重机上传感器各测点处测量值和相对关系构造的图数据,通过恢复算法恢复可能存在的缺失数据,保障了在缺失关键数据的情况下,模型仍然具有较好的预测性能。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种基于图卷积神经网络的塔式起重机结构安全监测方法,其特征在于,包括以下步骤:
步骤1:根据要监测的参数在塔式起重机的测点上布置相应的传感器;
步骤2:通过仿真手段生成对应测点的传感器数据,并随机丢弃部分测点的传感器数据;
步骤6:根据均方误差函数构建损失函数,并通过所述损失函数计算所述安全状态的损失值;
步骤7:当判断所述损失值变化率小于0.1%时,则执行步骤8;否则执行步骤2;
步骤8:通过实际测量得到对应测点的传感器数据,并执行步骤3至步骤6,并输出相应的安全状态和相应的损失值。
5.根据权利要求1中所述的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,其特征在于:所述步骤1中,要监测的参数包括应力、应变、温度、垂直度、环境风速,所述测点分布于塔式起重机的混凝土基础位置、标准节连接界面、标准节主弦杆跨中、回转支撑平台处、起重壁前端及起重臂上、下弦杆与回转支承连接处。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210565758.4A CN114897084A (zh) | 2022-05-24 | 2022-05-24 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210565758.4A CN114897084A (zh) | 2022-05-24 | 2022-05-24 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114897084A true CN114897084A (zh) | 2022-08-12 |
Family
ID=82724826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210565758.4A Pending CN114897084A (zh) | 2022-05-24 | 2022-05-24 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897084A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115878861A (zh) * | 2023-02-07 | 2023-03-31 | 东南大学 | 一种针对图数据补全的集成式关键节点组的选择方法 |
-
2022
- 2022-05-24 CN CN202210565758.4A patent/CN114897084A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115878861A (zh) * | 2023-02-07 | 2023-03-31 | 东南大学 | 一种针对图数据补全的集成式关键节点组的选择方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023197461A1 (zh) | 一种基于工况相似性评估的齿轮箱故障预警方法及*** | |
CN102340811B (zh) | 无线传感器网络故障诊断方法 | |
US20190285517A1 (en) | Method for evaluating health status of mechanical equipment | |
CN108764601A (zh) | 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法 | |
CN111737909A (zh) | 基于时空图卷积网络的结构健康监测数据异常识别方法 | |
CN114169036A (zh) | 一种大跨度桥梁风振响应预警***和方法 | |
CN111191832A (zh) | 一种台风灾害配电网杆塔故障预测方法及*** | |
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 | |
CN111439681A (zh) | 一种基于塔式起重机的不安全作业智能辨识方法及*** | |
Moeinifard et al. | Lost vibration test data recovery using convolutional neural network: a case study | |
CN108007499B (zh) | 一种结合计算力学和现场监测的拦网工作状态监测预警方法 | |
CN107222169A (zh) | 一种基于离群点检测的光伏阵列实时监控与故障检测方法 | |
CN116579615A (zh) | 一种基于无人机遥感的植被覆盖监测*** | |
CN112861071A (zh) | 一种基于深度自编码的高铁牵引***异常检测方法 | |
CN108776452A (zh) | 一种特种设备现场维保监控方法及*** | |
CN116112283A (zh) | 一种基于cnn-lstm的电力***网络安全态势预测方法及*** | |
CN114417729A (zh) | 一种基于bp神经网络的矿区环境安全预警方法 | |
CN104598970B (zh) | 一种爬架组的工作状态检测方法 | |
CN117058855B (zh) | 一种物联网云边通信方法 | |
CN104504265A (zh) | 一种在役桥梁监测信息安全评估的方法 | |
CN116502526A (zh) | 基于改进pso-grnn神经网络称重传感器故障诊断方法 | |
CN114582083B (zh) | 一种隧道监控多传感器数据融合火灾预警方法 | |
CN116680598A (zh) | 一种用于工地智能配电箱的故障诊断和剩余寿命预测方法 | |
CN115905998A (zh) | 多传感器数据融合结合fwa-bp神经网络算法的电缆隧道灭火决策方法 | |
CN115560962A (zh) | 一种基于多层级时空图神经网络的风机异常状态检测方法 |
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 |