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.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.cmemo.org.cn/CN/

http://www.cmemo.org.cn/CN/Y2016/V27/I16/2190

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]	谢阳, 戴逸群, 张超勇, 刘金锋. 融合集成模型与深度学习的机床能耗识别与预测方法[J]. 中国机械工程, 2023, 34(24): 2963-2974.
[4]	刘孝保, 严清秀, 易斌, 姚廷强, 顾文娟. 基于集成学习和改进粒子群优化算法的流程制造工艺参数优化[J]. 中国机械工程, 2023, 34(23): 2842-2853.
[5]	陈剑, 许畅, 徐庭亮, . 基于位错叠加法和改进概率神经网络的离心泵故障诊断方法[J]. 中国机械工程, 2023, 34(23): 2854-2861.
[6]	屈小章, 张加贝, 翟方志. 高速列车散热离心风机性能灵敏性分析及优化[J]. 中国机械工程, 2023, 34(20): 2504-2512.
[7]	徐美姣, 薛善良, 张惠, 周国庆, 卢红根. 基于BP-AdaBoost算法的复杂产品装配制造成熟度等级评估方法[J]. 中国机械工程, 2023, 34(20): 2513-2519.
[8]	张东, 刘啸奔, 孔天威, 杨悦, 武学健, 吴锴, 张宏. 高钢级管道焊缝材料应力应变本构关系确定方法[J]. 中国机械工程, 2023, 34(17): 2106-2114.
[9]	阴艳超, 施成娟, 邹朝普, 刘孝保. 基于深度时间卷积神经网络与迁移学习的流程制造工艺过程质量时序关联预测[J]. 中国机械工程, 2023, 34(14): 1659-1671.
[10]	贺青川, 刘慧, 潘骏, 陈文华. 基于电机运行状态的电静压伺服机构内泄漏检测方法[J]. 中国机械工程, 2023, 34(12): 1407-1414.
[11]	古玉锋, 杜雨洁, 王育阳, 李昆鹏, 黎程山. 基于神经网络与自调节卡尔曼滤波的超宽带定位算法研究[J]. 中国机械工程, 2023, 34(12): 1504-1511.
[12]	曾俊玮, 季元进, 任利惠, 葛方顺, 孙泽良, 黄章行. 融合一维卷积神经网络和双向门控循环单元的APM车辆轮胎径向载荷识别方法[J]. 中国机械工程, 2023, 34(03): 359-368.
[13]	王东杰, 王鹏江, 李悦, 郭明泽, 郑伟雄, 沈阳, 吴淼. 掘进机截割臂自适应截割控制策略研究[J]. 中国机械工程, 2022, 33(20): 2492-2501.
[14]	唐东林, 杨洲, 程衡, 刘铭璇, 周立, 丁超. 浅层卷积神经网络融合Transformer的金属缺陷图像识别方法[J]. 中国机械工程, 2022, 33(19): 2298-2305，2316.
[15]	郭伟, 邢晓松. 基于改进卷积生成对抗网络的少样本轴承智能诊断方法[J]. 中国机械工程, 2022, 33(19): 2347-2355.