安平县艾斯欧爬架网厂欢迎您!爬架网

最新评论

联系资料

  • 公司电话:18831842666
  • 公司邮箱:738136939@qq.com
  • 公司地址:河北省衡水市安平县纬二路20号
  • 本厂承诺:本厂生产的爬架网价格优惠,质量保证十年品质,可根据您的需求订制各种规格,具体报价请联系客服。

BP神经网络在爬架组安全监测系统中的应用

安平县艾斯欧架网厂 发布于 2年前 (07-31) 分类:施工方案 阅读(311)

摘要: 针对高层建筑施工过程中传统的爬架组安全监测系统对传感器数据多采用独立处理和分别判决的方式,易受外界环境干扰导致判定结果不准确,形成安全隐患的问题,提出了一种基于BP 神经网络数据融合技术的爬架组安全监测系统。首先,介绍了爬架组安全监测系统总体架构,然后构建了BP 神经网络数据融合模型,该模型由多传感器数据归一化输入层、两级BP 神经网络处理层和状态判定处理模块构成。通过对BP 神经网络的学习训练得到BP 神经网络的结构参数,将该技术应用于爬架组安全监测系统。测试表明,所提出的方案与传统的相比降低了漏报率,从而提高了系统的可靠性和安全性。

关键词: 安全监测; 爬架;

1 引言

随着国民经济的快速发展,我国建筑业的产业规模不断扩大,大型高层工程日益增多,推动着建筑脚手架技术的迅速发展。目前,高层建筑施工常用的脚手架有落地式外脚手架、悬挑式脚手架和爬架等。爬架,即附着式升降脚手架,在建筑施工中只需要装拆一次,可随施工进度多点同时逐层提升或下降,节约人力、材料等费用,提高工作效率,在高层建筑施工中具有广阔的应用前景。

建筑脚手架的安全问题一直是我国建筑施工中的难题,每年都会发生多起脚手架安全事故,故为施工脚手架提供一定的安全保障机制的重要性是显而易见的。爬架组整体升降作业过程中的危险性主要体现在外倾、升降不同步引起的荷载超限。李圣明等,针对爬架组内各提升点提升速度不同易引起较快的提升点荷载超限的问题,指出利用拉力传感器测量各个提升点的拉力,并计算出提升点的拉力相对于初始拉力值的偏差,通过比较该偏差与报警偏差限来判断系统的安全状态。韩超等改进了此做法,通过计算提升点的拉力相对于各提升点平均拉力值的偏差,并与报警偏差限比较。杨光祥通过测量提升装置的转数来测量爬架组内各个爬
架的提升或者下降相对高度超限与否来判断安全状态。这些判定爬架组安全状况的方法是对爬架组内的各个爬架独立进行检测得到数据,然后采用阈值比较方式处理监测的数据得到该爬架的工作状态是否安全。但是这些安全状态检测方法存在以下问题: 该方法中各个爬架的数据独立,互不相关,未考虑爬架组内相邻爬架的状态数据的关联性,没有考虑外界环境对爬架组内各个爬架的干扰影响,导致对爬架组的工作状态是否安全的判定结果准确度较低,存在较大的安全隐患。

本文提出利用数据融合技术弥补现有方法不准确的缺陷,通过BP 神经网络对爬架组的多个状态数据进行融合处理,并根据融合值判定系统的安全状态。

2 爬架组安全监测系统总体架构

爬架组安全监测系统总体架构如图1 所示,系统由多个监控组和计算机组成,一个监控组由五个监控站构成,一个爬架上安装一个监控站,一个监控站由分控器和拉线、角度和拉力等传感器构成。按照工作状态,监控组分为工作组和空闲组两种,每次只有一组为工作组,其余为空闲组。工作组中的分控器通过传感器采集爬架的状态数据,可以以USB有线或WIFI 无线等方式把数据发送给计算机。计算机主要负责对工作组内的所有爬架进行动作控制和状态数据融合,并根据数据融合得到的安全判定结果做出相应处理: 介于正常与危险状态之间的过渡状态时,预警提示; 处于危险状态时,则需报警并下发停机控制命令。同时,计算机还直观地显示爬架组的状态信息。
爬架组安全监测系统架构图

3 BP 神经网络数据融合模型

3. 1 多传感器数据融合
单传感器数据处理的方法通常是采用简单的数学算法,多传感器数据的低层次数据处理也只是从多个孤立的侧面来描述被测对。多传感器数据融合,是类似于人类处理信息。人类通过各种感官( 眼、耳、鼻、手) 获取外界环境的景物、声音、气味、触觉等信息,并经过人脑综合处理以对外界环境做出多角度、全方位的评估。多传感器数据融合的原理也是利用多个传感器资源获取多种数据,对传感器数据在时间上和空间上的冗余或互补按照某种准则进行组合,以获取对被测对象的一致性认识。虽然数据融合的方法有很多,有加权平均法、极大似然估计、最小二乘法等经典方法,也有神经网络、模糊逻辑、遗传算法等现代方法,然而神经网络具有信息分布式存储、并行协同处理能力和自组织自学习能力,可很好地实现网络输入与目标输出间的非线性映射关。神经网络可反映样本数据中的非线性关系,大量神经单元能构建非线性自学习的动态系统,可灵活应对多因子、关系复杂的系统建模,同时具有容错性等优点,使其广泛应用于自动控制、图像处理、传感器信号处理工业等领域。

其中BP 神经网络包含了神经网络理论最精华的部分,由于其结构简单、可塑性强,得到了广泛的应用。

3. 2 多传感器数据融合模型
由于爬架升降过程的安全受到多种因素影响如外倾、升降不同步、荷载超限等,而且各种因素相互关联,与评估值存在着复杂的非线性关系。考虑到传感器数据间的关系不能简单用数学算法描述,故爬架组安全监测系统以神经网络中的BP 算法作为数据融合的核心算法,来构建基于BP 神经网络的多传感器数据融合模型。

多传感器数据融合模型

本系统需要对工作组内的五个爬架的15 个传感器数据进行融合处理,这些数据包括高度、倾角和荷载三类。考虑到爬架组升降作业过程中相邻爬架之间的状态信息之间存在某种互补、冗余的关联性,故将工作组的高度、倾角和荷载数据进行两级融合处理。多传感器数据融合模型如图2 所示,主要分为以下几步: 首先,对来自传感器的数据进行预处理; 然后进行两级融合处理,第一级是对每一类传感器数据分别进行BP 神经网络处理,第二级是对第一级处理结果进行第二次BP 神经网络融合,得到爬架组状态数据最终的融合值; 最后,根据融合值判定状态。图2 中,h1 ~ h5依次为组内五个爬架的高度数据,d1 ~ d5为倾角数据,1 ~ F5为荷载数据。

3. 3 数据融合BP 神经网络的构建

BP 神经网络是采用有监督学习规则进行网络训练的多层神经网络。其网络结构一般包括输入层、隐藏层和输出层3 个部分。上文所述的BP 神经网络结构的构建,要考虑网络层数、每层中的节点个数。综合考虑设计要求以及网络性能,选择网络模型为: 每个网络均为输入层、隐藏层和输出层3,第一级高度BP 神经网络节点数为4 - 9 - 1,倾角和荷载的BP 神经网络节点数都为5 - 11-1。

BP 神经网络结构图

针对现有的判定爬架组安全状况方法的传感器数据处理方式独立、判定方式单一和易受环境干扰影响等问题,该文首次提出利用数据融合技术将爬架组内相关联的多个爬架的多个状态信息纳入融合模型中,以BP 神经网络算法对多传感器数据进行两级融合处理,多角度综合评估爬架组的安全状况,得到全面、准确的爬架组的安全状态评估结果。经测试表明,该方法提高了检测爬架组安全状况的准确率,增强了抗干扰性,确保了系统安全可靠。

本站网址:http://www.apycw.com/转载前请联系 » BP神经网络在爬架组安全监测系统中的应用

安平县艾斯欧爬架网厂 主营:爬架网 © 版权所有 冀ICP备13015791号