[发明专利]基于BP神经网络的变电站构架爬梯的防坠落装置及其预警方法

权利要求书

1.一种基于BP神经网络的变电站构架爬梯的防坠落装置，其特征在于，包括箱体(1)和设于箱体(1)内的蓄电池(2)、控制模块(3)、驱动电机(4)、电动卷扬机(5)；所述的控制模块(3)分别与驱动电机(4)和蓄电池(2)电性连接，驱动电机(4)与电动卷扬机(5)电性连接，在所述的卷扬机的转轴上缠绕有安全绳(6)，安全绳(6)的一端与转轴固定连接，另一端设有安全挂钩(7)，在安全挂钩(7)上设有无线重力传感器，所述的无线重力传感器与控制模块(3)无线连接。

2.根据权利要求1所述的一种基于BP神经网络的变电站构架爬梯的防坠落装置，其特征在于，还包括设于箱体(1)上的温湿度传感器和风速传感器，以及用于穿戴于用户身上的穿戴式加速度传感器；所述的温湿度传感器、风速传感器、穿戴式加速度传感器均与控制模块(3)无线连接。

3.根据权利要求2所述的一种基于BP神经网络的变电站构架爬梯的防坠落装置，其特征在于，还设有报警模块，所述的报警模块与控制模块(3)电性连接。

4.根据权利要求3所述的一种基于BP神经网络的变电站构架爬梯的防坠落装置，其特征在于，所述的箱体(1)顶部设有光伏板(8)和风力发电机(9)，所述的蓄电池(2)分别与光伏板(8)和风力发电机(9)电性连接。

5.根据权利要求3所述的一种基于BP神经网络的变电站构架爬梯的防坠落装置，其特征在于，所述的箱体(1)底部设有圆孔(10)，所述的安全绳(6)和安全挂钩(7)可穿过圆孔(10)至箱体(1)外部；所述的箱体(1)底部还设有安装支架(11)，在安装支架(11)上设有螺栓孔，螺栓孔内设有螺栓；所述的箱体(1)底部设有LED灯(12)，LED灯(12)与控制模块(3)(3)电性连接。

6.根据权利要求1至5任一项所述的一种基于BP神经网络的变电站构架爬梯的防坠落装置，其特征在于，还设有控制面板(13)，所述的控制面板(13)与控制模块(3)电性连接；在控制面板(13)上设有开关按钮(14)、升降速度按钮(15)以及显示屏(16)。

7.根据权利要求6所述的一种基于BP神经网络的变电站构架爬梯的防坠落装置，其特征在于，所述的控制模块(3)为STM32型单片机。

8.根据权利要求6所述的一种基于BP神经网络的变电站构架爬梯的防坠落装置，其特征在于，所述的安全挂钩(7)上设有用于防止挂钩松开的锁紧装置。

9.一种基于BP神经网络的变电站构架爬梯的防坠落预警方法，其特征在于，包括以下步骤：

S1.控制模块(3)构建和训练BP神经网络，利用历史的温湿度、风速数据以及运维人员攀爬速度数据对神经网络进行训练学习，并根据登高作业安全技术规范将气象数据和攀爬速度归类为无危险和存在危险；

S2.通过温湿度传感器、风速传感器、穿戴式加速度传感器实时监测当地气象条件和运维人员的攀爬速度，并将采集的数据实时通过无线传输模块传输至控制模块(3)；

S3.控制模块(3)利用S1步骤所训练好的BP神经网络对传输过来的数据进行实时分析，判断有无危险性，若无危险，则不做处理继续利用防坠落装置保证运维人员的安全，若有危险，则控制模块(3)通过无线传输模块将信号发送给报警模块，报警模块实时发出危险警示，提醒运维人员此时的气象条件不适宜高处作业；一旦运维人员在攀爬过程中攀爬速度过快，报警模块发出警示提醒运维人员注意安全，降低攀爬速度。

10.根据权利要求9所述的一种基于BP神经网络的变电站构架爬梯的防坠落预警方法，其特征在于，所述的S1步骤中搭建和训练BP神经网络的步骤具体包括：

S11.搭建BP神经网络，对BP神经网络进行初始化设置，包括设置神经网络的输入层、隐含层、输出层的节点个数，给w_ij、v_jt和阀值θ_j随机赋值；将历史的温度、湿度、风速、运维人员的攀爬速度作为神经网络的训练样本，并对训练样本数据进行归一化处理，具体公式如下：

式中，为归一化后的数值，x_i为归一化前的数值，x_min和x_max分别为输入数据的最小值和最大值；

S12.计算BP神经网络中隐含层节点的输入u_j和输出h_j，计算公式为：

式中，x_i为当时的温度、湿度、风速以及运维人员的攀爬速度，w_ij为神经元j到神经元i的连接权值，θ_j为输入层与隐含层神经元的输出阀值；

S13.计算BP神经网络中输出层中神经节点的输入l_t和预测结果y_t，计算公式为：

l_t＝∑v_jt-γ_t

式中v_jt为输入层j与隐含层t之间的连接权值，γ_t为隐含层与输出层神经元的输出阀值；

S14.计算BP神经网络中输出层节点t上的误差ε_i：

ε_i＝(c_t-y_t)y_t(1-y_t)

式中：c_t为系统期望输出值；

S15.计算BP神经网络中隐含层节点j上的误差ε_j：

S16.修正BP神经网络中的连接权值和阀值：

θ_j(N+1)＝θ_j(N)+βε_j

w_jt(N)和θ_j(N)分别为神经网络修正前的连接权值和阀值，为连接权值学习率，β为阀值学习率；

S17.比较神经网络的输出与系统所期望输出值之间的误差，如果满足则结束神经网络的训练学习，如果不满足则继续S12步骤。