基于LoRA分布式传感器的爬架提升控制系统技术方案

本发明专利技术公开了基于LoRA分布式传感器的爬架提升控制系统，涉及爬架控制技术领域，包括分布式重量收集模块、历史数据收集模块、深度学习模型训练模块、强化学习模型训练模块以及云平台决策模块；通过设置分布式重量收集模块实时通过分布式传感器收集爬架拉取的货物的重量；设置历史数据收集模块预先收集爬架提升过程的控制数据；设置深度学习模型训练模块根据爬架历史控制数据，训练出预测爬架状态的深度学习模型；设置强化学习模型训练模块预先训练指导爬架进行控制提升的强化学习模型；设置云平台决策模块在爬架进行实际货物提升时，使用强化学习模型进行实时决策；极大的提高了爬架的提升灵活性以及控制效率。架的提升灵活性以及控制效率。架的提升灵活性以及控制效率。

【技术实现步骤摘要】
基于LoRA分布式传感器的爬架提升控制系统


[0001]本专利技术属于爬架控制领域，涉及人工智能技术，具体是基于LoRA分布式传感器的爬架提升控制系统。

技术介绍

[0002]目前建筑施工场地的爬架所使用的数据传输方式往往是有线传输，有线传输需要消耗大量的线缆材料，且整理不便；另一方面，爬架使用的重量传感器规定的重量上限一般较为固定，在达到重量上限时立刻停机；缺乏灵活性，且容易为工人的工作带来困扰；因此，亟需一种通过无线传输且可以实时根据爬架挂载货物的重量情况，灵活决策的控制系统；
[0003]为此，提出基于LoRA分布式传感器的爬架提升控制系统。

技术实现思路

[0004]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出基于LoRA分布式传感器的爬架提升控制系统，该基于LoRA分布式传感器的爬架提升控制系统通过预先收集的爬架模型在模拟操作过程中产生的控制数据以及爬架实时状态，并利用深度学习模型对控制数据进行训练；生成输出爬架实时状态概率的深度学习模型；进一步的，根据深度学习模型生成的爬架概率，将爬架决策转化为强化学习模型的决策模型，并对强化学习模型进行决策训练；从而生成可根据爬架实时挂载情况而进行提升决策的强化学习模型；极大的提高了爬架的提升灵活性以及控制效率。
[0005]为实现上述目的，根据本专利技术的第一方面的实施例提出基于LoRA分布式传感器的爬架提升控制系统，包括分布式重量收集模块、历史数据收集模块、深度学习模型训练模块、强化学习模型训练模块以及云平台决策模块；其中，各个模块之间通过电气和/或无线网络方式连接；
[0006]其中，所述分布式重量收集模块主要用于实时通过分布式传感器收集爬架拉取的货物的重量；
[0007]所述分布式重量收集模块收集货物重量的方式为：
[0008]预先为爬架的每个拉钩设置一个唯一的编号；爬架通过处在同一水平高度的拉钩同时拉取货物，每个拉钩上安装的重量传感器实时感应拉钩承受的重量；
[0009]每个拉钩传感器实时通过LoRA无线网络将重量传感器的数值以及拉钩编号发送至云平台决策模块；
[0010]其中，所述历史数据收集模块主要用于预先收集爬架提升过程的控制数据；
[0011]在一个优选的实施例中，所述历史数据收集模块通过收集爬架模型模拟操作中各个挂钩的重量传感器所感应的重量以及爬架实时状态；所述爬架实时状态包括正常提升、挂钩线断裂、货物碎裂以及货物坠落；所述历史数据收集模块根据货物的重量以及挂钩的重量传感器感应重量和实际的货物重量比值，将每个爬架模型的挂钩的感应重量按比例进行计算；
[0012]所述历史数据收集模块将按比例计算后的感应重量发送至深度学习模型训练模块；
[0013]其中，所述深度学习模型训练模块主要用于根据爬架历史控制数据，训练出预测爬架状态的深度学习模型；
[0014]所述深度学习模型训练模块训练预测爬架状态的深度学习模型包括以下步骤：
[0015]步骤P1：所述深度学习模型训练模块将每组经过比例换算后的每个挂钩的感应重量转化为数字向量形式；并将每组数字向量对应的爬架实时状态转为数字形式；
[0016]步骤P2：将数字向量作为深度学习模型的输入；
[0017]步骤P3：根据实际经验设置并调试深度学习模型的训练参数，对深度学习模型进行训练；并根据实际经验预设预测准确率阈值P，训练至神经网络模型的预测准确率达到预测准确率阈值P；将训练完成的神经网络模型标记为M；
[0018]所述深度学习模型训练模块将训练完成的深度学习模型M发送至强化学习模型训练模块；
[0019]其中，所述强化学习模型训练模块主要用于预先训练指导爬架进行控制提升的强化学习模型；
[0020]所述强化学习模型训练模块训练对爬架进行指导控制的强化学习模型包括以下步骤：
[0021]步骤Q1：预先根据实际经验设置决策重量阈值W；当爬架挂钩上的若干重量传感器感应到货物重量大于决策重量阈值W时，执行步骤Q2；
[0022]步骤Q2：云平台实时将每个重量传感器感应的货物重量数据输入至深度学习模型M中，获得对爬架实时状态的预测概率的输出；
[0023]步骤Q3：以爬架提升作为强化学习模型的决策原型；所述强化学习模型的环境状态即爬架的实时状态；决策内容包括终止提升以及继续提升；且爬架实时状态的预测概率即为强化学习模型的初始决策策略概率分布；
[0024]强化学习模型预先设置继续提升爬架且爬架正常的奖励值以及继续提升导致挂钩线断裂、货物碎裂以及货物坠落的惩罚值；
[0025]步骤Q4：对强化学习模型进行爬架决策的训练，生成实时对爬架是否继续提升做出决策的强化学习模型；
[0026]所述强化学习模型训练模块将训练完成的强化学习模型发送至云平台决策模块；
[0027]其中，所述云平台决策模块主要用于在爬架进行实际货物提升时，使用强化学习模型进行实时决策；
[0028]所述云平台决策模块将训练完成的强化学习模型安装至云平台中；云平台在出现若干重量传感器发送的货物重量大于决策重量阈值W时，运行强化学习模型，并根据实时的货物重量信息以及深度学习模型M输出的爬架状态概率，使用强化学习模型进行实时决策。
[0029]与现有技术相比，本专利技术的有益效果是：
[0030]1、本专利技术通过引入LoRA技术，实时通过无线网络方式传输爬架的每个挂钩上的重量传感器所感应的重量数据；避免了线缆的使用，为工人施工带来便利；
[0031]2、本专利技术通过预先收集的爬架模型在模拟操作过程中产生的控制数据以及爬架实时状态，并利用深度学习模型对控制数据进行训练；生成输出爬架实时状态概率的深度
学习模型；进一步的，根据深度学习模型生成的爬架概率，将爬架决策转化为强化学习模型的决策模型，并对强化学习模型进行决策训练；从而生成可根据爬架实时挂载情况而进行提升决策的强化学习模型；极大的提高了爬架的提升灵活性以及控制效率。
附图说明
[0032]图1为本专利技术的原理图。
具体实施方式
[0033]下面将结合实施例对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0034]如图1所示，基于LoRA分布式传感器的爬架提升控制系统，包括分布式重量收集模块、历史数据收集模块、深度学习模型训练模块、强化学习模型训练模块以及云平台决策模块；其中，各个模块之间通过电气和/或无线网络方式连接；
[0035]目前建筑施工场地的爬架所使用的数据传输方式往往是有线传输，有线传输需要消耗大量的线缆材料，且整理不便；另一方面，爬架使用的重量传感器规定的重量上限一般较为固定，在达到重量上限时立刻停机；缺乏灵活性；
[0036]其中，所述分布式重量收集模块本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于LoRA分布式传感器的爬架提升控制系统，其特征在于，包括分布式重量收集模块、历史数据收集模块、深度学习模型训练模块、强化学习模型训练模块以及云平台决策模块；其中，各个模块之间通过电气和/或无线网络方式连接；所述分布式重量收集模块用于实时通过分布式传感器收集爬架拉取的货物的重量；且通过LoRA无线网络将重量传感器的数值以及拉钩编号发送至云平台决策模块；所述历史数据收集模块用于预先收集爬架提升过程的控制数据；并将按比例计算后的感应重量发送至深度学习模型训练模块；所述深度学习模型训练模块用于根据爬架历史控制数据，训练出预测爬架状态的深度学习模型；并将训练完成的深度学习模型发送至强化学习模型训练模块；所述强化学习模型训练模块用于预先训练指导爬架进行控制提升的强化学习模型；并将训练完成的强化学习模型发送至云平台决策模块；所述云平台决策模块用于在爬架进行实际货物提升时，使用强化学习模型进行实时决策。2.根据权利要求1所述的基于LoRA分布式传感器的爬架提升控制系统，其特征在于，所述分布式重量收集模块收集货物重量的方式为：预先为爬架的每个拉钩设置一个唯一的编号；爬架通过处在同一水平高度的拉钩同时拉取货物，每个拉钩上安装的重量传感器实时感应拉钩承受的重量。3.根据权利要求1所述的基于LoRA分布式传感器的爬架提升控制系统，其特征在于，所述历史数据收集模块通过收集爬架模型模拟操作中各个挂钩的重量传感器所感应的重量以及爬架实时状态；所述历史数据收集模块根据货物的重量以及挂钩的重量传感器感应重量和实际的货物重量比值，将每个爬架模型的挂钩的感应重量按比例进行计算。4.根据权利要求1所述的基于LoRA分布式传感器的爬架提升控制系统，其特征在于，所述爬架实时状态包括正常提升、挂钩线断裂、货物碎裂以及货物坠落。5.根据权利要求1所述的基于LoRA分布式传感器的爬架提升控制系统，其特征在于，所述深度学习模型...

【专利技术属性】
技术研发人员：肖宇，李峰，左妮娜，
申请(专利权)人：蚌埠高灵传感系统工程有限公司，
类型：发明
国别省市：