[发明专利]一种爬架状态检测方法与装置

摘要

本发明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。

主权项

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X_i＝[x_i1 x_i2 x_i3 x_i4]，其中，x_i1表示爬架的前后倾角检测数据，x_i2表示爬架的左右倾角检测数据，x_i3表示爬架的重力检测数据，x_i4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(W¹X_i+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：$W^1=\left[\begin{array}{cccc}-0.3290& 1.2218& 1.5006& -1.7721\\ 1.5766& 2.0796& -0.3378& 1.2762\\ -1.3963& 2.0377& 1.0553& -0.0933\\ 0.5171& -1.1421& -2.1531& 0.0516\\ 0.7115& -2.0526& -0.7148& 0.8770\\ -1.1318& -1.0589& 1.3160& -1.5492\\ 2.2970& 0.6186& 0.2014& 0.2724\\ 1.8779& 0.7700& 1.1210& 1.1882\\ 1.4316& -0.8776& 1.0559& -1.4354\\ -1.1183& -1.2453& -1.4520& 0.3960\end{array}\right]b^1=\left[\begin{array}{c}2.3212\\ 1.4500\\ 1.4612\\ -0.8534\\ -0.2558\\ -0.6329\\ 0.9895\\ 1.5654\\ 1.9879\\ -2.7409\end{array}\right];$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(W¹X_i+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x_i1，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x_i2，爬架的重力归一化数据作为爬架的重力检测数据x_i3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x_i4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。