本发明专利技术公开了一种爬架状态检测方法及装置，通过构建神经网络模型，神经网络模型包括输入层、隐藏层和输出层，在获取爬架的前后倾角、左右倾角、重力和上升速度四个参数，将爬架的前后倾角、左右倾角、重力和上升速度四个参数进行归一化处理后作为神经网络模型的输入数据输入到输入层中，神经网络的输入层、隐藏层和输出层按照设定的传输函数依次对数据进行处理得到神经网络模型的输出，该神经网络模型的输出即为爬架状态对应的指数值，根据爬架状态对应的指数值即可判定爬架的状态；优点是该指数值全面考虑了运行速度异常、载荷超载或失载和爬架倾斜等危险状况，检测精度较高，全面准确把握爬架的状态，保证爬架的安全运作。
【技术实现步骤摘要】
本专利技术涉及一种爬架状态检测技术，尤其是涉及一种爬架状态检测方法与装置。
技术介绍
随着我国经济的快速发展，高层建筑越来越多。在高层建筑施工过程中，爬架起着 越来越重要的作用。爬架在运行过程中，可能会出现运行速度异常、载荷超载或失载和爬架 倾斜等危险状况。当这些危险状况出现时，如果不加以报警就可能会出现险情，轻则造成财 产损失，重则危及人的生命安全。因此，如何有效的对爬架状态进行检测与评估对安全生产 具有重大意义。 现有的爬架状态检测方法主要包括以下步骤：在控制器中设定爬架的标准载荷范 围，然后检测并获取爬架的当前载荷，将当前载荷与标准载荷范围进行对比，如果当前载荷 未落入标准载荷范围内，则表明爬架超载或失载。现有的爬架状态检测方法仅能检测爬架 超载或失载状态，但是爬架运行时，实际情况十分复杂，爬架主体的倾斜或者爬升速度异常 都可能出现险情，现有的爬架状态检测方法无法检测获取爬架运行速度异常状态和倾斜危 险状态，无法全面准确把握爬架的状态。
技术实现思路
本专利技术所要解决的技术问题之一是提供一种爬架状态检测方法，该爬架状态检测 方法通过构建神经网络模型，并获取爬架的前后倾角、左右倾角、重力和上升速度四个参 数，将爬架的前后倾角、左右倾角、重力和上升速度四个参数进行归一化处理后作为神经网 络模型的输入数据，由此通过神经网络模型计算得到爬架状态对应的指数值，根据该指数 值判定爬架的状态，该指数值全面考虑了运行速度异常、载荷超载或失载和爬架倾斜等危 险状况，检测精度较高，全面准确把握爬架的状态，保证爬架的安全运作。 本专利技术解决上述技术问题之一所采用的技术方案为：一种爬架状态检测方法，包 括以下步骤： ①构建神经网络模型，所述的神经网络模型包括输入层、隐藏层和输出层； 所述的输入层用于输入数据，所述的输入层的输入向量为X1=，其 中，Xll表示爬架的前后倾角检测数据，X12表示爬架的左右倾角检测数据，X13表示爬架的重 力检测数据，xl4表示爬架的上升速度检测数据； 所述的隐藏层包括十个神经元节点，所述的隐藏层用于接收所述的输入层 的输入数据，所述的隐藏层的神经元节点的传输函数为fkx)，fkx)为tansig函数，e为自然对数的底数，e= 2. 718281828459 ; ， 所述的隐藏层的输出"=fYW^+b1)，W1为隐藏层的权值矩阵，b1为隐藏层的阈 值矩阵，W1和b1分别用矩阵的形式表示为： 所述的输出层接收所述的隐藏层输出，所述的输出层包括一个神经元节点，所述 的输出层的神经元节点的传输函数为f2(x)，f2(x)为purelin函数，f2(x) =X;所述的输出 层的输出〇2=f2(WV+b2) =fO^O^+bW)，其中W2为输出层的权值矩阵，b2为输出 层的阈值矩阵，W2和b2分别用矩阵的形式表示为： ff2= b2= ； 所述的神经网络模型的输出y=ο2; ②实时采集并获取爬架的前后倾角、左右倾角、重力和上升速度四个参数；分别对步骤②获取的爬架的前后倾角、左右倾角、 重力和上升速度四个参数进行归一化处理，分别得到爬架的前后倾角归一化数据、爬架的 左右倾角归一化数据、爬架的重力归一化数据和爬架的上升速度归一化数据，其中f分别 对应前后倾角、左右倾角、重力和上升速度四个参数的归一化数据；X分别对应步骤②获取 的爬架的前后倾角、左右倾角、重力和上升速度四个参数，max分别对应爬架的前后倾角、爬 架的左右倾角、爬架的重力和爬架的上升速度四个参数能达到的最大值，min分别对应爬架 的前后倾角、爬架的左右倾角、爬架的重力和爬架的上升速度四个参数能达到的最小值； ④将爬架的前后倾角归一化数据作为爬架的前后倾角检测数据Xll，爬架的左右倾 角归一化数据作为爬架的左右倾角检测数据xl2，爬架的重力归一化数据作为爬架的重力检 测数据xl3和爬架的上升速度归一化数据作为爬架的上升速度检测数据^4输入到神经网络 模型的输入层中，计算得到神经网络模型的输出y; ⑤对神经网络模型的输出y进行判决，判决函数如下： 如果y的取值小于0. 60时，爬架状态为安全；如果y的取值大于等于0. 60且小于 0.85时，爬架状态为警告；如果y的取值大于等于0.85且小于等于1时，爬架状态为危险。 与现有技术相比，本专利技术的方法的优点在于通过构建神经网络模型，神经网络模 型包括输入层、隐藏层和输出层，获取爬架的前后倾角、左右倾角、重力和上升速度四个参 数，将爬架的前后倾角、左右倾角、重力和上升速度四个参数进行归一化处理后作为神经网 络模型的输入数据输入到输入层中，神经网络的输入层、隐藏层和输出层按照设定的传输 函数依次对数据进行处理得到神经网络模型的输出，该神经网络模型的输出即为爬架状态 对应的指数值，根据爬架状态对应的指数值即可判定爬架的状态，该指数值全面考虑了运 行速度异常、载荷超载或失载和爬架倾斜等危险状况，检测精度较高，全面准确把握爬架的 状态，保证爬架的安全运作。 本专利技术所要解决的技术问题之二是提供一种爬架状态检测装置，该爬架状态检测 装置的中央处理器中设置有神经网络模型，第一采集电路实时采集爬架的前后倾角和左右 倾角并传送给中央处理器，第二采集电路实时采集爬架的重力并传送给中央处理器，第三 采集电路实时采集爬架的位置并传送给中央处理器，中央处理器将爬架的前后倾角、左右 倾角、重力和上升速度四个参数进行归一化处理后作为神经网络模型的输入数据，神经网 络模型计算得到爬架状态对应的指数值，中央处理器根据该指数值判定爬架的状态，该指 数值全面考虑了运行速度异常、载荷超载或失载、电机故障和爬架倾斜等危险状况，检测精 度较高，全面准确把握爬架的状态，保证爬架的安全运作。 本专利技术解决上述技术问题之二所采用的技术方案为：一种爬架状态检测装置，包 括中央处理器、用于采集爬架前后倾角和左右倾角的第一采集电路，用于采集爬架重力的 第二采集电路、用于采集爬架位置的第三采集电路、安全指示灯、继电器和报警器，所述的 中央处理器分别与所述的第一采集电路、所述的第二采集电路、所述的第三采集电路、所述 的安全指示灯、所述的继电器和所述的报警器连接，所述的中央处理器内设置有神经网络 模型，所述的神经网络模型包括输入层、隐藏层和输出层； 所述的输入层用于输入数据，所述的输入层的输入向量为X1=，其 中，Xll表示爬架的前后倾角检测数据，X12表示爬架的左右倾角检测数据，X13表示爬架的重 力检测数据，xl4表示爬架的上升速度检测数据； 所述的隐藏层包括十个神经元节点，所述的隐藏层用于接收所述的输入层 的输入数据，所述的隐藏层的神经元节点的传输函数为fkx)，fkx)为tansig函数，e为自然对数的底数，e= 2. 718281828459 ; 所述的隐藏层的输出"=fYW^+b1)，W1为隐藏层的权值矩阵，b1为隐藏层的阈 值矩阵W1和b1分别用矩阵的形式表示为： 所述的输出层接收所述的隐藏层输出，所述的输出层包括一个神经元节点，所述 的输出层的神经元节点的传输函数为f2(x)，f2(x)为purelin函数，f2(x) =X;所述的输出 层的输出〇2=f2(WV+b2) =fO^O^+bW)，W2为输出层的权值矩阵，b2为输出层本文档来自技高网...
【技术保护点】
一种爬架状态检测方法，其特征在于包括以下步骤：①构建神经网络模型，所述的神经网络模型包括输入层、隐藏层和输出层；所述的输入层用于输入数据，所述的输入层的输入向量为Xi＝[xi1 xi2 xi3 xi4]，其中，xi1表示爬架的前后倾角检测数据，xi2表示爬架的左右倾角检测数据，xi3表示爬架的重力检测数据，xi4表示爬架的上升速度检测数据；所述的隐藏层包括十个神经元节点，所述的隐藏层用于接收所述的输入层的输入数据，所述的隐藏层的神经元节点的传输函数为f1(x)，f1(x)为tansig函数，e为自然对数的底数，e＝2.718281828459；所述的隐藏层的输出o1＝f1(W1Xi+b1)，W1为隐藏层的权值矩阵，b1为隐藏层的阈值矩阵W1和b1分别用矩阵的形式表示为：W1=-0.32901.22181.5006-1.77211.57662.0796-0.33781.2762-1.39632.03771.0553-0.09330.5171-1.1421-2.15310.05160.7115-2.0526-0.71480.8770-1.1318-1.05891.3160-1.54922.29700.61860.20140.27241.87790.77001.12101.18821.4316-0.87761.0559-1.4354-1.1183-1.2453-1.45200.3960b1=2.32121.45001.4612-0.8534-0.2558-0.63290.98951.56541.9879-2.7409;]]>所述的输出层接收所述的隐藏层输出，所述的输出层包括一个神经元节点，所述的输出层的神经元节点的传输函数为f2(x)，f2(x)为purelin函数，f2(x)＝x；所述的输出层的输出o2＝f2(W2o1+b2)＝f2(W2f1(W1Xi+b1)+b2)，其中，W2为输出层的权值矩阵，b2为输出层的阈值矩阵W2和b2分别用矩阵的形式表示为：W2＝[‑0.2282 1.1340 ‑0.6504 ‑0.1181 ‑0.0120 0.2103 0.8087 ‑0.5868 0.0913 ‑0.5395]b2＝[0.6769]；所述的神经网络模型的输出y＝o2；②实时采集并获取爬架的前后倾角、左右倾角、重力和上升速度四个参数；③通过转换函数分别对步骤②获取的爬架的前后倾角、左右倾角、重力和上升速度四个参数进行归一化处理，分别得到爬架的前后倾角归一化数据、爬架的左右倾角归一化数据、爬架的重力归一化数据和爬架的上升速度归一化数据，其中x*分别对应前后倾角、左右倾角、重力和上升速度四个参数的归一化数据；x分别对应步骤②获取的爬架的前后倾角、左右倾角、重力和上升速度四个参数，max分别对应爬架的前后倾角、爬架的左右倾角、爬架的重力和爬架的上升速度四个参数能达到的最大值，min分别对应爬架的前后倾角、爬架的左右倾角、爬架的重力和爬架的上升速度四个参数能达到的最小值；④将爬架的前后倾角归一化数据作为爬架的前后倾角检测数据xi1，爬架的左右倾角归一化数据作为爬架的左右倾角检测数据xi2，爬架的重力归一化数据作为爬架的重力检测数据xi3和爬架的上升速度归一化数据作为爬架的上升速度检测数据xi4输入到神经网络模型的输入层中，计算得到神经网络模型的输出y；⑤对神经网络模型的输出y进行判决，判决函数如下：如果y的取值小于0.60时，爬架状态为安全；如果y的取值大于等于0.60且小于0.85时，爬架状态为警告；如果y的取值大于等于0.85且小于等于1时，爬架状态为危险。...
【技术特征摘要】
【专利技术属性】
技术研发人员：陈斌，李宏，秦建武，陈东旭，施乾东，
申请(专利权)人：宁波大学，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。