【技术实现步骤摘要】
本专利技术属于塔吊安全监测，具体涉及一种基于bo-cnn-lstm模型的塔吊安全监测数据预测方法。
技术介绍
1、现行的塔吊安全监测手段，诸如依赖人工进行定期巡查、现场记录以及资料存档等传统做法，普遍存在操作流程繁复、时效性欠缺等弊端，导致其在识别与预警安全隐患方面效能低下。
2、现有塔吊在运行中可能出现传感器偶然故障、数据失真、数据缺失等问题。无法对塔吊安全进行有效监测，为此，提出一种基于bo-cnn-lstm模型的塔吊安全监测数据预测方法。
技术实现思路
1、本专利技术的目的是为了解决现有技术中存在塔吊运行过程中可能出现的传感器偶然故障、数据失真、数据缺失等问题，而提出的一种基于bo-cnn-lstm模型的塔吊安全监测数据预测方法。该基于bo-cnn-lstm模型的塔吊安全监测数据预测方法能够提取塔吊的空间特征，并捕捉传感器数据之间的长期依赖关系，从而实现对塔吊关键特征的准确预测。
2、为了实现上述目的，本专利技术采用了如下技术方案：
3、设计一种基于bo-cnn-lstm模型的塔吊安全监测数据预测方法，具体包括如下步骤：
4、步骤1)、通过传感器实时采集的吊重、倾角、回转角、力矩、高度、风速、倾角数据，输入标准化之后的数据，定义一个滑动窗口函数，利用窗口数据去预测和更新下一个数据，将得到的数据集划分成训练集和测试集；
5、步骤2)、对训练集中的数据进行卷积神经网络模型训练；
6、步骤3)、小批量切分数据，
7、步骤4)、构建长短期记忆单元框架，由两个长短期记忆单元隐藏层构建，每个隐藏层选择tanh函数作为激活函数；
8、步骤5)、定义一个评估函数，使用均匀分布和随机抽样来定义学习率lr，隐藏层大小hidden_size、步长step_size、gamma和p的搜索范围，通过贝叶斯优化模型对定义的目标函数进行优化，设置迭代次数，在得到最优参数之后对hidden_size和step_size进行微调，然后重新运行超参数优化；
9、步骤6)、将得到的参数配置在长短期记忆单元中，进行模型的循环训练，使用adam优化器进行参数更新并计算损失函数进行反向传播；
10、步骤7)、计算模型预测结果与真实标签之间均方根误差和平均绝对百分比误差，根据误差值进行塔吊安全监测数据预测。
11、进一步的，在步骤1)中，所述窗口数据大小为30。
12、进一步的，在步骤1)中，数据集划分包括数据集前80％的数据为训练集，之后20％的数据为测试集。
13、进一步的，在步骤2)中，训练集中的数据转换为张量利用gpu进行张量运算。
14、进一步的，在步骤3)中，每次迭代训练使用的数据量为50。
15、进一步的，在步骤3)中，当小批量的样本数据不足数据量时则丢弃，确保所有小批量大小一致。
16、进一步的，在步骤4)中，两个长短期记忆单元隐藏层中插入一个dropout层，舍弃率为0.1。
17、进一步的，在步骤5)中，贝叶斯优化模型对定义的目标函数进行优化，设置迭代次数为100次。
18、本专利技术提出的一种基于bo-cnn-lstm模型的塔吊安全监测数据预测方法，有益效果在于：本专利技术利用bo-cnn-lstm模型实现对塔吊安全监测数据的融合与倾角变量的预测，以提高对塔吊运行状态的判断能力，使得对塔吊实时工作状态的监测与未来倾角变化趋势的预判，精确的态势感知能力，能够及时、准确地反映塔吊在复杂作业条件下的实际姿态变化，为决策者提供关键依据。管理者得以据此提前识别潜在的倾角超限风险，及时采取预防性操作调整或干预措施，避免因倾角失控引发的重大设备故障或安全事故，从而有效防止不必要的大规模维修甚至施工暂停，显著优化施工流程，提升整体工程效率。具体地：
19、(1)、本专利技术能够充分利用多源传感器数据间的互补性和冗余性，消除单一传感器可能带来的测量偏差与不确定性，显著提升倾角预测的准确性和可靠性。
20、(2)、本专利技术通过cnn来提取塔吊传感器数据的空间特征，然后将特征输入到lstm网络中，以捕捉不同特征之间的依赖关系，融合cnn和lstm模型的输出，形成融合的特征表示，混合模型在倾角的拟合程度细节方面有进一步的提升，模型能够有效理解数据的空间和时间特征，从而提高了对塔吊数据预测的准确性。
本文档来自技高网...【技术保护点】
1.一种基于BO-CNN-LSTM模型的塔吊安全监测数据预测方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的一种基于BO-CNN-LSTM模型的塔吊安全监测数据预测方法，其特征在于，在步骤1中，所述窗口数据大小为30。
3.根据权利要求1所述的一种基于BO-CNN-LSTM模型的塔吊安全监测数据预测方法，其特征在于，在步骤1中，数据集划分包括数据集前80％的数据为训练集，之后20％的数据为测试集。
4.根据权利要求1所述的一种基于BO-CNN-LSTM模型的塔吊安全监测数据预测方法，其特征在于，在步骤2中，训练集中的数据转换为张量利用GPU进行张量运算。
5.根据权利要求1所述的一种基于BO-CNN-LSTM模型的塔吊安全监测数据预测方法，其特征在于，在步骤3中，每次迭代训练使用的数据量为50。
6.根据权利要求1所述的一种基于BO-CNN-LSTM模型的塔吊安全监测数据预测方法，其特征在于，在步骤3中，当小批量的样本数据不足数据量时则丢弃，确保所有小批量大小一致。
7.根据权利要求1所述的一种
8.根据权利要求1所述的一种基于BO-CNN-LSTM模型的塔吊安全监测数据预测方法，其特征在于，在步骤5中，贝叶斯优化模型对定义的目标函数进行优化，设置迭代次数为100次。
...【技术特征摘要】
1.一种基于bo-cnn-lstm模型的塔吊安全监测数据预测方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的一种基于bo-cnn-lstm模型的塔吊安全监测数据预测方法，其特征在于，在步骤1中，所述窗口数据大小为30。
3.根据权利要求1所述的一种基于bo-cnn-lstm模型的塔吊安全监测数据预测方法，其特征在于，在步骤1中，数据集划分包括数据集前80％的数据为训练集，之后20％的数据为测试集。
4.根据权利要求1所述的一种基于bo-cnn-lstm模型的塔吊安全监测数据预测方法，其特征在于，在步骤2中，训练集中的数据转换为张量利用gpu进行张量运算。
5.根据权利要求1所述的一种基于bo-cn...
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。