一种爬架组的工作状态检测方法技术
【技术实现步骤摘要】
一种爬架组的工作状态检测方法
本专利技术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。
技术介绍
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。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。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...
【技术保护点】
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；其特征在于包括以下步骤：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：f(x)=21+e-2x-1,]]>e为自然对数的底数；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X1＝[x1，x2，x3，x4]，隐藏层的输出函数为y1＝f1(iw1X1+b1)，输出层的输出函数为y2＝f2(lw2y1+b2)＝f2(lw2f1(iw1X1+b1)+b2)，其中iw1为输入层与隐藏层之间的权值矩阵，b1为输入层与隐藏层之间的阈值矩阵；lw2为隐藏层与输出层之间的...
【技术特征摘要】
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；其特征在于包括以下步骤：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：e为自然对数的底数；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X1＝[x1，x2，x3，x4]，隐藏层的输出函数为y1＝f1(iw1X1+b1)，输出层的输出函数为y2＝f2(iw2y1+b2)＝f2(iw2f1(iw1X1+b1)+b2)，其中iw1为输入层与隐藏层之间的权值矩阵，b1为输入层与隐藏层之间的阈值矩阵；iw2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阈值矩阵；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X2＝[x5，x6，x7，x8，x9]，隐藏层的输出函数为y1'＝f1'(iw1'X2+b1')，输出层的输出函数为y2'＝f2'(iw2'y1'+b2')＝f2'(iw2'f1'(iw1'X2+b1')+b2')，其中iw1'为输入层与隐藏层之间的权值矩阵，b1'为输入层与隐藏层之间的阈值矩阵；iw2'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阈值矩阵；所述的倾角神经网络模型的输出Yd＝y2'；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X3＝[x10，x11，x12，x13，x14]，隐藏层的输出函数为y1”＝f1”(iw1”X3+b1”)，输出层的输出函数为y2”＝f2”(iw2”y1”+b2”)＝f2”(iw2”f1”(iw1”X3+b1”)+b2”)，其中iw1”为输入层与隐藏层之间的权值矩阵，b1”为输入层与隐藏层之间的阈值矩阵；iw2”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阈值矩阵；所述的载荷神经网络模型的输出YF＝y2”；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＝[x15，x16，x17]，隐藏层的输出函数为y1”'＝f1”'(iw1”'X4+b1”')，输出层的输出函数为y2”'＝f2”'(iw2”'y1”'+b2”')＝f2”'(iw2”'f1”'(iw1”'X4+b1”')+b2”')，其中iw1”'为输入层与隐藏层之间的权值矩阵，b1”'为输入层与隐藏层之间的阈值矩阵；iw2”'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阈值矩阵；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iw1、b1、iw2、b2、iw1'、b1'、iw2'、b2'、iw1”、b1”、iw2”、b2”、iw1”'、b1”'、iw2”'、b2”'；③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h1、倾角记为d1、载荷记为F1；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h3、倾角记为d3、载荷记为F3；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h5、倾角记为d5、载荷记为F5；④将同一周期内相邻两个爬架的高度相减，得到Δh1、Δh2、Δh3和Δh4，其中Δh1＝h1-h2，Δh2＝h2-h3，Δh3＝h3-h4，Δh4＝h4-h5；⑤对Δh1、Δh2、Δh3、Δh4、d1、d2、d3、d4、d5、F1、F2、F3、F4和F5分别代入公式进行归一化处理，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；Δh1归一化处理后的值为Δh2归一化处理后的值为Δh3归一化处理后的值为Δh4归一化处理后的值为d1归一化处理后的值为d2归一化处理后的值为d3归一化处理后的值为d4归一化处理后的值为d5归一化处理后的值为F1归一化处理后的值为F2归一化处理后的值为F3归一化处理后的值为F4归一化处理后的值为F5归一化处理后的值为⑥将步骤⑤归一化处理后的数值输入两级神经网络模型中进行处理：将和作为高度神经网络模型的输入层的参数X1＝[x1，x2，x3，x4]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；将和作为倾角神经网络模型的输入层的参数X2＝[x5，x6，x7，x8，x9]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；将和作为载荷神经网络模型的输入...
【专利技术属性】
技术研发人员：秦建武，李宏，陈斌，陈东旭，施乾东，
申请(专利权)人：宁波大学，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。