一种爬架组的工作状态检测方法
【技术领域】
[0001] 本发明涉及一种爬架组的工作状态检测技术，尤其是涉及一种爬架组的工作状态 检测方法。
【背景技术】
[0002] 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、悬挑式脚手架和附着式升降脚手架等。落地式外脚手架因其耗时、耗工和耗材等缺点 而逐渐被淘汰；悬挑式脚手架存在反复搭拆的缺点；而附着式升降脚手架，即爬架，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爬升或下降，较好的克服了悬挑式脚 手架的缺点，从而节约人力、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。
[0003] 建筑业是一种具有高空作业频繁、流动性强、危险高和事故多发等特点的行业，被 列入我国高危行业。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。 目前，爬架通常是成组使用，每个爬架组包括多个爬架。在爬架安全规范中规定，爬架组中 的各个爬架必须具有防倾、防超载和同步升降等安全机制。在爬架组工作过程中，需要实时 监测各个爬架的工作状态，以免发生爬架安全事故。
[0004] 现有的爬架组的工作状态检测方法通常是对爬架组内的各个爬架独立进行检测 得到检测数据，然后采用阈值比较方式处理检测数据得到该爬架的工作状态是否安全。但 是现有的爬架组的工作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。
【发明内容】
[0005] 本发明所要解决的技术问题是提供一种爬架组的工作状态检测方法，该方法考虑 爬架组内各个爬架的状态数据的关联性，降低外界环境对各个爬架的干扰影响，判定结果 准确度较高。
[0006] 本发明解决上述技术问题所采用的技术方案为：一种爬架组的工作状态检测方 法，所述的爬架组包括依次排列的五个爬架，五个爬架依次为1号爬架、2号爬架、3号爬架、 4号爬架和5号爬架；包括以下步骤：
[0007] ①构建两级神经网络模型：第一级神经网络模型包括三个神经网络模型，分别 为高度神经网络模型、倾角神经网络模型和载荷神经网络模型，第二级神经网络模型包括 一个神经网络模型，每个所述的神经网络模型包括输入层、隐藏层和输出层，每个所述的 神经网络模型的隐藏层和输出层的激活函数均为tansig函数，所述的tansig函数为：
【主权项】
1. 一种爬架组的工作状态检测方法，所述的爬架组包括依次排列的五个爬架，五个爬 架依次为1号爬架、2号爬架、3号爬架、4号爬架和5号爬架；其特征在于包括W下步骤： ① 构建两级神经网络模型；第一级神经网络模型包括S个神经网络模型，分别为高 度神经网络模型、倾角神经网络模型和载荷神经网络模型，第二级神经网络模型包括一 个神经网络模型，每个所述的神经网络模型包括输入层、隐藏层和输出层，每个所述的 神经网络模型的隐藏层和输出层的激活函数均为tansig函数，所述的tansig函数为： ，e为自然对数的底数； l+e 所述的高度神经网络模型的输入层的神经元节点数为4个，所述的高度神经网络模型 的隐藏层的神经元节点数为9个，所述的高度神经网络模型的输出层的神经元节点数为1 个；所述的高度神经网络模型的输入层的参数为Xi= [X 1，X,，X3, X4]，隐藏层的输出函数为 Yi= f 1 (iwA+bi)，输出层的输出函数为 Y2= f 2 (iKsYi+bg) = fgdwsfi (iWiXi+bi)+b2)，其中 iwi为输入层与隐藏层之间的权值矩阵，bi为输入层与隐藏层之间的阔值矩阵；Iw 2为隐藏 层与输出层之间的权值矩阵，b,为隐藏层与输出层之间的阔值矩阵；所述的高度神经网络 模型的输出Yh=y2; 所述的倾角神经网络模型的输入层的神经元节点数为5个，所述的倾角神经网络模 型的隐藏层的神经元节点数为11个，所述的倾角神经网络模型的输出层的神经元节点 数为1个；所述的倾角神经网络模型的输入层的参数为X,= [xg，xe，X,，X8, xg]，隐藏层 的输出函数为y/ = f 1'（iwi' X2+V )，输出层的输出函数为y2' = f2'（IV y/ +b2'）= f,'（1?^2+131'）+62'），其中1?1'为输入层与隐藏层之间的权值矩阵，131'为输入层 与隐藏层之间的阔值矩阵；lW2'为隐藏层与输出层之间的权值矩阵，b2'为隐藏层与输出层 之间的阔值矩阵；所述的倾角神经网络模型的输出Yd= 7 2' ； 所述的载荷神经网络模型的输入层的神经元节点数为5个，所述的载荷神经网络模型 的隐藏层的神经元节点数为11个，所述的载荷神经网络模型的输出层的神经元节点数为1 个；所述的载荷神经网络模型的输入层的参数为Xs= [X 1。，Xu, Xi2, Xi3, X J，隐藏层的输出 函数为yi" =fi" (iWi" Xs+V )，输出层的输出函数为y2" =f2" Qw2" y/' +b2") = f2" (lW2" fi" (iWi" Xs+bi" )+b2")，其中iWi"为输入层与隐藏层之间的权值矩阵， bi"为输入层与隐藏层之间的阔值矩阵；lW2"为隐藏层与输出层之间的权值矩阵，b2"为 隐藏层与输出层之间的阔值矩阵；所述的载荷神经网络模型的输出Yp= y 2"; 所述的第二级神经网络模型的输入层的神经元节点数为3个，所述的第二级神经 网络模型的隐藏层的神经元节点数为7个，所述的第二级神经网络模型的输出层的神 经元节点数为1个；所述的第二级神经网络模型的输入层的参数为X4= [X 15, Xie，xj， 隐藏层的输出函数为y/' ' =fi" '（iWi" 'X4+bi" '），输出层的输出函数为y," ' = f2"，（lW2"，yi"，+b2" '）=f2"，（lW2"，fi" '（iWi"，X4+V '）+b2"，），其中 iWi"， 为输入层与隐藏层之间的权值矩阵，bi" '为输入层与隐藏层之间的阔值矩阵；Iw," '为 隐藏层与输出层之间的权值矩阵，b," '为隐藏层与输出层之间的阔值矩阵；所述的第二级 神经网络模型的输出T = Y2" ' ； ② 采用爬架组的样本数据对步骤①中各个神经网络模型进行训练，得到iWi、bi、lW2、 b2、iw/、bi'、lw2'、b2'、iwi"、bi"、1讯2"、b2"、iwi" '、bi" '、1讯2" '、b2" ' ； ⑨对五个爬架的工作状态进行周期性的采样：每个周期内的采样数据包括爬架的高 度、倾角和载荷数据，其中，1号爬架的高度记为hi、倾角记为di、载荷记为Fi;2号爬架的高 度记为h2、倾角记为d2、载荷记为F2;3号爬架的高度记为h 3、倾角记为ds、载荷记为Fs;4号 爬架的高度记为h4、倾角记为d4、载荷记为F4;5号爬架的高度记为h 5、倾角记为dg、载荷记 为Fs; ④将同一周期内相邻两个爬架的高度相减，得到A hi、A tv A 和Ah 4,其中A hi = hi-hs，Ahs 二 h 厂hs，Ahg 二 hs-liA，Ah4 二 h4-h日； 八 -X -巧7 /?// ⑥ 对Ahl、Ah2、Ah3、Ah4、dl、d2、d3、d4、d5、Fl、F2、F3、F4和F5分别代入公式x =-- max - mu! 进行归一化处理，该公式中，X表示归一化处理前的值，.、.表示X归一化处理后的值，min表 示X所表示的物理量的最小取值，max表示X所表示的物理量的最大取值；A hi归一化处理 后的值为a\，Ah2归一化处理后的值为Ahs归一化处理后的值为aIj，Ah4归一化 处理后的值为么&&4, di归一化处理后的值为，d2归一化处理后的值为4，ds归一化处理 后的值为，d*归一化处理后的值为，ds归一化处理后的值为，Fi归一化处理后的值 为马，归一化处理后的值为/i，归一化处理后的值为马，归一化处理后的值为為， Fg归一化处理后的值为若,； ⑧ 将步骤⑥归一化处理后的数值输入两级神经网络模型中进行处理；将Ml、A/;,、 A/;,和/a,作为高度神经网络模型的输入层的参数Xi= [Xi，X2，X3，xJ输入到高度神经网络 模型中进行处理，得到高度神经网络模型的输出Yh;将為、為、名、矣和4作为倾角神经 网络模型的输入层的参数X2= [X5，Xe，X7，X8，xJ输入到倾角神经网络模型中进行处理，得 到倾角神经网络模型的输出Yd;将马、马、和作为载荷神经网络模型的输入层 的参数Xs= [X w，Xii，Xi2，Xi3，xJ输入到载荷神经网络模型中进行处理，得到载荷神经网络 模型的输出Yp; ⑦ 将Yh、Yd和Yp作为第二级神经网络模型的输入层的参数X4= [Xi5, Xie，xj输入到 第二级神经网络模型中，得到第二级神经网络模型的输出T ; ⑨ 根据T判定爬架组的工作状态是否安全；如果0《T < 0. 6,则判定爬架组处于正常 工作状态，即安全状态；如果0. 6《T < 0. 85,则判定爬架组处于过渡状态，爬架组的工作 状态介于安全状态和危险状态之间；如果0. 85《T < 1，则判定爬架组处于危险状态。
2. 根据权利要求1所述的一种爬架组的工作状态检测方法，其特征在于步骤⑨中采用 传感器对五个爬架的工作状态进行周期性的采样。
3. 根据权利要求1所述的一种爬架组的工作状态检测方法，其特征在于步骤②中训练 得到的王讯1、131、1讯2、62、王讯1'、131'、1讯2'、62'、王讯1"、131"、1讯2"、62"、王讯1"'、131"'、1讯2"' 和b2" '的值分别用矩阵形式表示如下：
1讯2= [0.3018 0.9576 -0.9755 0.6558 -0.6398 -1.3462 0.0730 -1.0640 0. 7539]; b2= 1. 0666 ；
1讯2' = [-0. 4708 0. 5644 0. 0656 -0. 2925 0. 6840 -0. 4306 0. 3589 0. 8449 -0. 8681 -0. 4029 -0. 2514]; b/ = [1. 2941]；
1讯2" =[-1.：M93 2. 7278 0.9061 0.8963 1.6039 -0.3664 -2. 2133 0.3152 -0.2164 -0. 4828 1. 3420]；
ba" = [1. 754引；
1讯2" '= [0.5816 -0.3338 0.3656 -0.1650 0.7490 0.8836 0.2446]; ba" ， = 0.7275。
【专利摘要】本发明公开了一种爬架组的工作状态检测方法，通过构建两级神经网络模型，高度神经网络模型对爬架组内的相邻爬架之间的高度差信息进行处理，倾角神经网络模型对爬架组内的各个爬架的倾角信息进行处理，载荷神经网络对爬架组内的各个爬架的载荷信息进行处理，高度神经网络模型、倾角神经网络模型和载荷神经网络模型的输出作为第二级神经网络模型的输入，由此得到第二级神经网络模型的输出并据此进行判定得到爬架组的工作状态；优点是考虑爬架组内相邻爬架的状态数据的关联性，对爬架组内的各个爬架的数据信息进行融合处理，降低外界环境对各个爬架的干扰影响，综合得到全面、准确的判定结果，提高了检测爬架组安全状况的准确率。
【IPC分类】G06N3-02
【公开号】CN104598970
【申请号】CN201510010422
【发明人】秦建武, 李宏, 陈斌, 陈东旭, 施乾东
【申请人】宁波大学
【公开日】2015年5月6日
【申请日】2015年1月9日