基于超声时序神经网络目标识别的塔机安全预警

摘要/Abstract

摘要： 为实现塔机失稳监测和防碰撞的安全预警功能，改善塔机被动安全模型存在的低成本、主动性、灵活性、快速性和及时性的不足，通过分析目标物特性与超声时序信号相关特征及测距值特征的关系，结合Elman、SOM网络，构建了基于超声时序神经网络目标识别的塔机安全预警系统，可以实现对扭转角和障碍物的信号采集、数据融合、主动预警功能，试验结果表明该系统可以达到预期的低成本、高速度、高精度的塔机工作要求。

关键词: 神经网络, 塔机;目标识别;安全预警;超声时序

Abstract: Aiming at tower crane safety pre-warning of instability and collision prevention, to improve the passive security model of tower crane which lacked low cost, initiative, flexibility, rapidity and simultaneity, the relationships among the target characteristics， ultrasound timing sequence relevent characteristics and distance characteristics were analyzed. Combined with Elman and SOM network, a system of target recognition of tower crane safety pre-warning was developed based on ultrasound timing sequence neural network. The functions such as sampling, data fusion, initiative pre-warning of twist angles and obstacles were achieved. Experimental results verify that the system can satisfy the tower crane working requirements with low cost, high speed and high precision.

Key words: neural network, tower crane, target recognition, safety pre-warning, ultrasound timing sequence

中图分类号:

TP183

李西平, 谷立臣, 寇雪芹. 基于超声时序神经网络目标识别的塔机安全预警[J]. 中国机械工程.

Li Xiping, Gu Lichen, Kou Xueqin. Target Recognition of Tower Crane Safety Pre-warning Based on Ultrasound Timing Sequence Neural Network[J]. China Mechanical Engineering.

参考文献

[1]令召兰.基于MAS的多塔机防碰撞控制系统研究[D].西安:西安理工大学,2007.

[2]闫小乐.面向塔机防碰撞的远距离超声传感技术研究[D]. 西安:西安建筑科技大学,2012.

[3]Sonenberg G, Denny J A, McFarlan R. Automating Cranes for Storage and Retrieval Operations[J]. Iron and Steel Engineer, 1998, 75(8): 54-58.

[4]魏涛.利勃海尔塔式起重机发展概述[J].建筑机械化，2003,24(3):40-41.

Wei Tao. A Development Survey of the LIEBHERR Tower-crane[J] Construction Mechanization，2003, 24(3): 40-41.

[5]谢长宇,尹荀保.大型塔机安全监控系统的研制[J].建设机械技术与管理,2001(2):17-18.

Xie Changyu, Yin Xunbao. Development of Large Tower Crane Safety Monitoring System [J]. Technology & Management for Construction Machinery,2001(2):17-18.

[6]马燕明，朱冬梅，杨清泉,等.塔机防碰撞及工作区域限制技术[J].水利水电机械,2004，26（6）：16-20.

Ma Yanming,Zhu Dongmei,Yang Qingquan,et al. Tower Crane Anti-collision & Working Area Limitation Technology[J].Water Conservancy & Electric Power Machinery,2004,26(6):16-20.

[7]魏素军. 波坦MD2200塔式起重机[J].建筑机械, 2003(8):18.

Wei Sujun. Potain Tower Crane MD2200[J].Construction Machinery, 2003(8):18.

[8]What Are the Advantages of TAC-3000 over Other Anti-collision Control System.[2015-08-25] http://www.tac3000.com/products.htm.

[9]李西平,谷立臣. 基于Elman超声信号时间融合的塔机防碰撞技术[J]. 传感技术学报, 2014,27(1):96-99.

Li Xiping, Gu Lichen. Anti-collision of Tower Crane via Ultrasonic Elman Fusion[J].Chinese Journal of Sensors and Actuators, 2014,27(1):96-99.

[10]Li X, Gu L, Kou X. Anti-collision of Tower Crane via Ultrasonic Neural Networks [J].Applied Mechanics and Materials, 2014, 543: 1520-1524.

[11]何银晖,塔式起重机极限工况的动态稳定性分析[D].西安:西安建筑科技大学,2012.

[12]Li X, Gu L, Jia J. Anti-collision Method of Tower Crane via Ultrasonic Multi-sensor Fusion [C]// Automatic Control and Artificial Intelligence. Xiamen, 2012: 522-525.

[1]	李小力, 陈威, 闫蓉. 基于BP神经网络的空间轮廓误差自适应补偿 [J]. J4, 201016, 21(16): 1902-1906.
[2]	赵伟, 王志远, 周志立. 载重汽车连续下坡弯道路段制动稳定性仿真研究 [J]. J4, 201016, 21(16): 2010-2015.
[3]	陈换过, 刘培君, 俞杭, 肖雪. 基于改进PCA-SOM的电静压伺服作动器油滤堵塞故障诊断[J]. 中国机械工程, 2021, 32(07): 799-805.
[4]	王玉龙, 裴锋, 刘文如, 闫春香, 周卫林, 李智. 基于开关式深度神经网络的拟人化自动驾驶决策算法[J]. 中国机械工程, 2021, 32(06): 689-696.
[5]	李冰1;张永德1;袁立鹏2;朱光强3;代雪松1;苏文海3. 液压四足机器人足端的力预测控制与运动平稳性[J]. 中国机械工程, 2021, 32(05): 523-532.
[6]	郭保苏；庄集超；章钦；吴凤和. 基于多分量卷积神经网络的多晶硅晶片颜色差异检测[J]. 中国机械工程, 2021, 32(03): 297-304.
[7]	钟百鸿；王琳；钟诗胜. 基于综合灰关联序模型的残差门控循环神经网络位标器零部件选配[J]. 中国机械工程, 2021, 32(03): 314-320,356.
[8]	刘晏宇;喻凡;宋娟娟;庞纪苏;KAKU Chuyo. 采用神经网络与模糊控制的制动需求识别[J]. 中国机械工程, 2020, 31(23): 2847-2855.
[9]	于扬;梁军;陈龙;陈小波;朱宁;华国栋. 基于高斯混合隐马尔科夫模型与人工神经网络的紧急换道行为预测方法[J]. 中国机械工程, 2020, 31(23): 2874-2882,2890.
[10]	李锋1;程阳洋1,2;陈勇1;汤宝平3. 用于旋转机械状态趋势预测的量子注意力循环编码解码神经网络[J]. 中国机械工程, 2020, 31(21): 2573-2582.
[11]	曾大懿1;杨基宏2;邹益胜1;张继冬1;宋小欣1. 基于并行多通道卷积长短时记忆网络的轴承寿命预测方法[J]. 中国机械工程, 2020, 31(20): 2454-2462,2471.
[12]	童哲铭1；陈尧1；童水光1；余跃1；李进富2；郝国帅3. 基于NSGA-Ⅲ算法的低比转速离心泵多目标优化设计[J]. 中国机械工程, 2020, 31(18): 2239-2246.
[13]	何彦1;凌俊杰1;王禹林2;李育锋1;吴鹏程1;肖圳1. 基于长短时记忆卷积神经网络的刀具磨损在线监测模型[J]. 中国机械工程, 2020, 31(16): 1959-1967.
[14]	吕佑龙;许鸿伟;郑城;张洁;郑鹏. 基于混合式特征选择模型的晶圆允收测试关键参数识别方法[J]. 中国机械工程, 2020, 31(16): 1978-1984,1997.
[15]	余石龙, 鲍劲松, 李婕, 张启华. 基于误差注意力的晶圆制造数据异常检测[J]. 中国机械工程, 2020, 31(14): 1686-1692.