CN114897084A - 一种基于图卷积神经网络的塔式起重机结构安全监测方法 - Google Patents

一种基于图卷积神经网络的塔式起重机结构安全监测方法 Download PDF

Info

Publication number
CN114897084A
CN114897084A CN202210565758.4A CN202210565758A CN114897084A CN 114897084 A CN114897084 A CN 114897084A CN 202210565758 A CN202210565758 A CN 202210565758A CN 114897084 A CN114897084 A CN 114897084A
Authority
CN
China
Prior art keywords
neural network
sensor
tower crane
graph
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210565758.4A
Other languages
English (en)
Inventor
张阳
吕艳琳
王晓雷
王钱庆
朱命冬
王鲜芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan Institute of Technology
Original Assignee
Henan Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Henan Institute of Technology filed Critical Henan Institute of Technology
Priority to CN202210565758.4A priority Critical patent/CN114897084A/zh
Publication of CN114897084A publication Critical patent/CN114897084A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
    • B66C23/00—Cranes comprising essentially a beam, boom, or triangular structure acting as a cantilever and mounted for translatory of swinging movements in vertical or horizontal planes or a combination of such movements, e.g. jib-cranes, derricks, tower cranes
    • B66C23/88—Safety gear
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Mechanical Engineering (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

一种基于图卷积神经网络的塔式起重机结构安全监测方法，包括以下步骤，根据要监测的参数在塔式起重机的测点上布置相应的传感器，根据传感器位置和测量值构建图数据，图数据的补全，定义损失函数，训练模型，实时输出起重机安全状态。根据起重机上传感器各测点处测量值和相对关系构造的图数据，通过恢复算法恢复可能存在的缺失数据，保障了在缺失关键数据的情况下，模型仍然具有较好的预测性能。

Description

一种基于图卷积神经网络的塔式起重机结构安全监测方法
技术领域
本发明涉及起重机安全技术领域，具体涉及一种基于图卷积神经网络的塔式起重机结构安全监测方法。
背景技术
塔式起重机是建筑工地上常用的一种起重设备，用来吊运施工原材料，起到减能增效、保证工程质量的重要作用。随着塔式起重机在建筑工程中的广泛使用，塔式起重机事故高发，造成了重大经济损失。在各类事故中，相对于物体打击、高处坠落等事故，机体倾覆事故后果更为严重。因此，获取塔式起重机实时的结构安全状态信息，通过人工智能方法提前对危险状态进行预警，降低使用过程中塔式起重机事故的发生率，对建筑施工的健康发展具有重要意义。
当前的塔式起重机安全监控系统多是利用传感器监测关键部位的力学参数和环境参数，然后通过物联网技术，将监测得到的数据发送到控制中心。如果传感器测量的数值超过预设的报警阈值，则发出警报。这种报警机制主要问题是阈值如何科学的设置，且报警是针对单个传感器的数值，缺少对起重机整体层面安全的判断。随着深度学习的发展，研究者逐渐将深度学习技术应用于起重机安全监测，目前的主要技术方案依然是通过大量传感器测量得到数据，然后利用测量得到的数据来训练模型，这种深度学习方法仅利用了传感器的测量值，没有考虑传感器之间的相关性。发明专利CN112783940A基于图神经网络的多源时序数据故障诊断方法和介质，该方法是基于多源时序数据，其处理的数据本质上是时间序列，并没有考虑传感器节点间的拓扑关系。发明专利CN103323282A一种塔式起重机安全评估方法及其评估设备提出了安全评估单元是基于力学分析、应力应变检测、应力分析等各项目的结果，综合评价得出结论。这要求进行评估的人员有比较高的知识背景。
目前的主要技术方案依然是通过在起重机关键部位布置大量传感器，测量得到数据。获得数据后的处理方法包括：
（1）基于专家系统和专业知识，人工判断是否存在安全问题；
（2）基于机器学习或深度学习方法，利用测量得到的数值来训练模型，这种深度学习方法仅利用了传感器的测量值，没有考虑传感器节点在物理位置上的相关性。
（3）基于感知数据，评估安全状态，但是未考虑部分传感器数据缺失的情况。在部分传感器数据因为故障、电力耗尽、通信、外力破坏等原因损坏无法及时传递数据时，所构建的感知数据不完整，会使判定模型严重失真，可能会导致重大安全事故。
发明内容
针对现有技术中的问题，一种基于图卷积神经网络的塔式起重机结构安全监测方法，目的在于，能够在缺失部分数据时，对图数据进行补全，并根据恢复的图数据通过图卷积神经网络判断塔式起重机结构的安全状态。
一种基于图卷积神经网络的塔式起重机结构安全监测方法，其特征在于，包括以下步骤：
步骤1：根据要监测的参数在塔式起重机的测点上布置相应的传感器；
步骤2：通过仿真手段生成对应测点的传感器数据，并随机丢弃部分测点的传感器数据；
步骤3：根据传感器的位置和传感器数据构建图数据，得到图数据的特征矩阵
Figure DEST_PATH_IMAGE001
， 并根据图数据的拓扑关系得到邻接矩阵
Figure 871185DEST_PATH_IMAGE002
；
步骤4：依据所述特征矩阵
Figure 665966DEST_PATH_IMAGE001
和所述邻接矩阵
Figure 360253DEST_PATH_IMAGE002
利用消息传递方法重建传感器自 身的特征矩阵并记为特征矩阵
Figure DEST_PATH_IMAGE003
；
步骤5：图卷积神经网络根据所述特征矩阵
Figure 979190DEST_PATH_IMAGE003
执行分类任务，并输出塔式起重机结 构的安全状态；
步骤6：根据均方误差函数构建损失函数，并通过所述损失函数计算所述安全状态的损失值；
步骤7：当判断所述损失值变化率小于0.1%时，则执行步骤8；否则执行步骤2；
步骤8：通过实际测量得到对应测点的传感器数据，并执行步骤3至步骤6，并输出相应的安全状态和相应的损失值。
通过传感器网络的物理空间拓扑结构集成到神经网络的智能学习中，并建立特征 矩阵，进一步：所述步骤3中，记所述传感器的测点的特征向量为
Figure 227769DEST_PATH_IMAGE004
，测点的数量为N，则测点 所构成的图数据可以用实数空间
Figure DEST_PATH_IMAGE005
内的特征矩阵
Figure 295082DEST_PATH_IMAGE006
来表示，
Figure 578296DEST_PATH_IMAGE008
其中，C表示每个测点上的特征向量维度。
为通过消息传递方法进行缺失数据恢复，并得到恢复后图数据的特征矩阵，进一 步：所述步骤4包括，令
Figure DEST_PATH_IMAGE009
代表第i个传感器经过t轮信息传递后的特征向量，则初始时刻
Figure 135179DEST_PATH_IMAGE010
=
Figure DEST_PATH_IMAGE011
；利用消息传递方法得到特征向量
Figure DEST_PATH_IMAGE013
，
Figure 339896DEST_PATH_IMAGE014
Figure 509102DEST_PATH_IMAGE016
Figure 381243DEST_PATH_IMAGE018
Figure 843449DEST_PATH_IMAGE020
Figure 863357DEST_PATH_IMAGE022
Figure 334790DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE025
，
Figure 327017DEST_PATH_IMAGE026
为第i个节点的可用邻居传感器测点的集合，
Figure DEST_PATH_IMAGE027
为由邻 居测点的特征向量利用图卷积方法计算出得到的特征信息，
Figure 428965DEST_PATH_IMAGE028
，
Figure DEST_PATH_IMAGE029
，
Figure 841229DEST_PATH_IMAGE030
是待学习得到的 权重参数矩阵，
Figure DEST_PATH_IMAGE031
，
Figure 850774DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE033
是偏差参数，
Figure 963086DEST_PATH_IMAGE034
是符号函数，
Figure DEST_PATH_IMAGE035
为神经网络中的激活函数，
Figure 235936DEST_PATH_IMAGE036
和
Figure DEST_PATH_IMAGE037
是门控函数，符号
Figure 433699DEST_PATH_IMAGE038
表示哈达玛积，
Figure DEST_PATH_IMAGE039
是要学习的图滤波器；
Figure DEST_PATH_IMAGE041
Figure 674363DEST_PATH_IMAGE042
；
当，t=T-1时，可以得到经过T轮消息传递后的第i个节点的估计特征向量
Figure DEST_PATH_IMAGE043
，
Figure DEST_PATH_IMAGE045
，则，所述特征矩阵H=[
Figure 47707DEST_PATH_IMAGE046
，
Figure DEST_PATH_IMAGE047
，
Figure 553775DEST_PATH_IMAGE048
…
Figure DEST_PATH_IMAGE049
]。
进一步：所述步骤6中，所述损失函数
Figure 176517DEST_PATH_IMAGE050
，其中，
Figure DEST_PATH_IMAGE051
，
Figure 793443DEST_PATH_IMAGE052
表示缺失传感器集合，
Figure DEST_PATH_IMAGE053
表示缺失传感器节点的数量；
Figure 316566DEST_PATH_IMAGE054
，
Figure DEST_PATH_IMAGE055
表示分类标签，即安全状态和非安全状态。
Figure 993535DEST_PATH_IMAGE056
表示预测的类 别分布，
Figure DEST_PATH_IMAGE057
表示真实类别分布；
Figure 369153DEST_PATH_IMAGE058
，
Figure DEST_PATH_IMAGE059
为正则函数，
Figure 727453DEST_PATH_IMAGE060
表示模型中所 有训练参数的集合，
Figure DEST_PATH_IMAGE061
，
Figure 668864DEST_PATH_IMAGE062
，
Figure DEST_PATH_IMAGE063
分别为调节与其相应损失函数权重的系数。
进一步：所述步骤1中，要监测的参数包括应力、应变、温度、垂直度、环境风速，所述测点分布于塔式起重机的混凝土基础位置、标准节连接界面、标准节主弦杆跨中、回转支撑平台处、起重壁前端及起重臂上、下弦杆与回转支承连接处。
本发明的有益效果：根据起重机上传感器各测点处测量值和相对关系构造的图数据，通过恢复算法恢复可能存在的缺失数据，保障了在缺失关键数据的情况下，模型仍然具有较好的预测性能。
附图说明
图1为本发明的流程图；
图2为本发明中测点的分布图；
图3为本发明中图神经网络的示意图。
具体实施方式
下面结合附图对本发明做详细说明。下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。本发明实例中的左、中、右、上、下等方位用语，仅是互为相对概念或是以产品的正常使用状态为参考的，而不应该认为是具有限制性的。
一种基于图卷积神经网络的塔式起重机结构安全监测方法，如图1所示，包括以下步骤：
步骤1：根据要监测的参数在塔式起重机的测点上布置相应的传感器；
步骤2：通过仿真手段生成对应测点的传感器数据，并随机丢弃部分测点的传感器数据；
步骤3：根据传感器的位置和传感器数据构建图数据，得到图数据的特征矩阵
Figure 955882DEST_PATH_IMAGE001
， 并根据图数据的拓扑关系得到邻接矩阵
Figure 146692DEST_PATH_IMAGE002
；
步骤4：依据所述特征矩阵
Figure 839842DEST_PATH_IMAGE001
和所述邻接矩阵
Figure 370180DEST_PATH_IMAGE002
利用消息传递方法重建传感器自 身的特征矩阵并记为特征矩阵
Figure 857793DEST_PATH_IMAGE003
；
步骤5：图卷积神经网络根据所述特征矩阵
Figure 535899DEST_PATH_IMAGE003
执行分类任务，并输出塔式起重机结 构的安全状态；
步骤6：根据均方误差函数构建损失函数，并通过所述损失函数计算所述安全状态的损失值；
步骤7：当判断所述损失值变化率小于0.1%时，则执行步骤8；否则执行步骤2；
步骤8：通过实际测量得到对应测点的传感器数据，并执行步骤3至步骤6，并输出相应的安全状态和相应的损失值，并根据损失值给出置信度。
其中，结合图2和图3所示，步骤1中要监测的参数包括应力、应变、温度、垂直度、环境风速，所述测点分布于塔式起重机的混凝土基础位置、标准节连接界面、标准节主弦杆跨中、回转支撑平台处、起重壁前端及起重臂上、下弦杆与回转支承连接处。
为便于计算机处理，可以用图的邻接矩阵
Figure 32740DEST_PATH_IMAGE064
表示图数据的拓扑关系。如果两个节 点间存在边的连接，则
Figure DEST_PATH_IMAGE065
，否则
Figure 886426DEST_PATH_IMAGE066
；
Figure DEST_PATH_IMAGE067
例如上面的邻接矩阵
Figure 777897DEST_PATH_IMAGE064
中，第2行第1列的元素
Figure 677720DEST_PATH_IMAGE068
，表示图数据中顶点2和顶点 1间存在一条边。
所述步骤3中，本发明主要的应用目的是将传感器网络的物理空间拓扑结构集成 到神经网络的智能学习中，对于深度学习技术，数据的完整度对模型的预测效果有较大的 影响，记所述传感器的测点即图的顶点的特征向量为
Figure 447093DEST_PATH_IMAGE004
，测点的数量为N，则测点所构成的 图数据可以用实数空间
Figure 217602DEST_PATH_IMAGE005
内的特征矩阵
Figure 109335DEST_PATH_IMAGE006
来表示，
Figure DEST_PATH_IMAGE069
其中，C表示每个测点上的特征向量维度。
所述步骤4包括，与传感器自身邻接的传感器的邻接矩阵
Figure 902979DEST_PATH_IMAGE002
即为图的拓扑关系，使 用图卷积神经网络方法，重建缺失传感器的特征，令
Figure 741622DEST_PATH_IMAGE009
代表第i个传感器经过t轮信息传递 后的特征向量，则初始时刻
Figure 163376DEST_PATH_IMAGE010
=
Figure 429272DEST_PATH_IMAGE011
；利用消息传递方法得到特征向量
Figure 742835DEST_PATH_IMAGE070
，
Figure 119590DEST_PATH_IMAGE014
Figure 395850DEST_PATH_IMAGE016
Figure DEST_PATH_IMAGE071
Figure 35910DEST_PATH_IMAGE020
Figure 600884DEST_PATH_IMAGE072
Figure DEST_PATH_IMAGE073
其中，
Figure 46909DEST_PATH_IMAGE025
，
Figure 380938DEST_PATH_IMAGE026
为第i个节点的可用邻居传感器测点的集合，
Figure 723058DEST_PATH_IMAGE027
为由邻 居测点的特征向量利用图卷积方法计算出得到的特征信息，
Figure 273862DEST_PATH_IMAGE028
，
Figure 257999DEST_PATH_IMAGE029
，
Figure 243272DEST_PATH_IMAGE030
是待学习得到的 权重参数矩阵，
Figure 21873DEST_PATH_IMAGE031
，
Figure 561438DEST_PATH_IMAGE032
，
Figure 818107DEST_PATH_IMAGE033
是偏差参数，
Figure 923467DEST_PATH_IMAGE034
是符号函数，
Figure 872968DEST_PATH_IMAGE035
为神经网络中的激活函数，
Figure 899830DEST_PATH_IMAGE036
和
Figure 694611DEST_PATH_IMAGE037
是门控函数，符号
Figure 359204DEST_PATH_IMAGE038
表示哈达玛积，
Figure 541923DEST_PATH_IMAGE039
是要学习的图滤波器；
Figure 790502DEST_PATH_IMAGE074
Figure 654553DEST_PATH_IMAGE042
；
当，t=T-1时，可以得到经过T轮消息传递后的第i个节点的估计特征向量
Figure 672187DEST_PATH_IMAGE043
，
Figure DEST_PATH_IMAGE075
，则，所述特征矩阵H=[
Figure 229071DEST_PATH_IMAGE046
，
Figure 964945DEST_PATH_IMAGE047
，
Figure 632687DEST_PATH_IMAGE048
…
Figure 504828DEST_PATH_IMAGE049
]。
其中，T是可变参数，其值代表消息传递的轮数，即卷积神经网络中“卷积层”的层数；T越大，模型越复杂，理论上数据恢复效果越好，计算复杂度越大。用户可根据设备的计算能力和任务精度要求，灵活进行设置。
所述步骤6中，在起重机测点图数据的恢复和起重机安全状态的判定过程中，主要 由两种损失，一种是在图数据恢复过程中出现的特征重构损失
Figure 763771DEST_PATH_IMAGE076
，另一种是安全状态判定 时，出现的分类损失
Figure DEST_PATH_IMAGE077
，同时为了防止模型过拟合，在额外加入正则化损失
Figure 688740DEST_PATH_IMAGE078
。所述损失函 数
Figure 894593DEST_PATH_IMAGE050
，其中，
Figure DEST_PATH_IMAGE079
，
Figure 152399DEST_PATH_IMAGE052
表示缺失传感器集合，
Figure 785506DEST_PATH_IMAGE053
表示缺失传感器节点的数量；
Figure 495973DEST_PATH_IMAGE080
，
Figure 239938DEST_PATH_IMAGE055
表示分类标签，即安全状态和非安 全状态。
Figure 148988DEST_PATH_IMAGE056
表示预测的类别分布，
Figure 952996DEST_PATH_IMAGE057
表示真实类别分布；
Figure DEST_PATH_IMAGE081
，
Figure 867205DEST_PATH_IMAGE059
为正 则函数，
Figure 414861DEST_PATH_IMAGE060
表示模型中所有训练参数的集合，
Figure 178418DEST_PATH_IMAGE061
，
Figure 418906DEST_PATH_IMAGE062
，
Figure 572807DEST_PATH_IMAGE063
分别为调节与其相应损失函数权重 的系数。
与现有技术相比，根据起重机上传感器各测点处测量值和相对关系构造的图数据，通过恢复算法恢复可能存在的缺失数据，保障了在缺失关键数据的情况下，模型仍然具有较好的预测性能。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种基于图卷积神经网络的塔式起重机结构安全监测方法，其特征在于，包括以下步骤：
步骤1：根据要监测的参数在塔式起重机的测点上布置相应的传感器；
步骤2：通过仿真手段生成对应测点的传感器数据，并随机丢弃部分测点的传感器数据；
步骤3：根据传感器的位置和传感器数据构建图数据，得到图数据的特征矩阵
Figure 263896DEST_PATH_IMAGE001
，并根据 图数据的拓扑关系得到邻接矩阵
Figure 11272DEST_PATH_IMAGE002
；
步骤4：依据所述特征矩阵
Figure 159357DEST_PATH_IMAGE001
和所述邻接矩阵
Figure 918365DEST_PATH_IMAGE002
利用消息传递方法重建传感器自身的 特征矩阵并记为特征矩阵
Figure 126493DEST_PATH_IMAGE003
；
步骤5：图卷积神经网络根据所述特征矩阵
Figure 469487DEST_PATH_IMAGE003
执行分类任务，并输出塔式起重机结构的 安全状态；
步骤6：根据均方误差函数构建损失函数，并通过所述损失函数计算所述安全状态的损失值；
步骤7：当判断所述损失值变化率小于0.1%时，则执行步骤8；否则执行步骤2；
步骤8：通过实际测量得到对应测点的传感器数据，并执行步骤3至步骤6，并输出相应的安全状态和相应的损失值。
2.根据权利要求1中所述的一种基于图卷积神经网络的塔式起重机结构安全监测方 法，其特征在于：所述步骤3中，记所述传感器的测点的特征向量为
Figure 155683DEST_PATH_IMAGE004
，测点的数量为N，则测 点所构成的图数据可以用实数空间
Figure 159411DEST_PATH_IMAGE005
内的特征矩阵
Figure 413806DEST_PATH_IMAGE006
来表示，
Figure 604616DEST_PATH_IMAGE007
其中，C表示每个测点上的特征向量维度。
3.根据权利要求2中所述的一种基于图卷积神经网络的塔式起重机结构安全监测方 法，其特征在于：所述步骤4包括，令
Figure 235449DEST_PATH_IMAGE008
代表第i个传感器经过t轮信息传递后的特征向量，则 初始时刻
Figure 93683DEST_PATH_IMAGE009
=
Figure 643613DEST_PATH_IMAGE010
；利用消息传递方法得到特征向量
Figure 462665DEST_PATH_IMAGE011
，
Figure 490664DEST_PATH_IMAGE012
Figure 580236DEST_PATH_IMAGE013
Figure 566646DEST_PATH_IMAGE014
Figure 872994DEST_PATH_IMAGE015
Figure 704684DEST_PATH_IMAGE016
Figure 271931DEST_PATH_IMAGE017
其中，
Figure 39030DEST_PATH_IMAGE018
，
Figure 957308DEST_PATH_IMAGE019
为第i个节点的可用邻居传感器测点的集合，
Figure 468055DEST_PATH_IMAGE020
为由邻居测 点的特征向量利用图卷积方法计算出得到的特征信息，
Figure 889809DEST_PATH_IMAGE021
，
Figure 218022DEST_PATH_IMAGE022
，
Figure 466338DEST_PATH_IMAGE023
是待学习得到的权重 参数矩阵，
Figure 170989DEST_PATH_IMAGE024
，
Figure 447250DEST_PATH_IMAGE025
，
Figure 821730DEST_PATH_IMAGE026
是偏差参数，
Figure 449021DEST_PATH_IMAGE027
是符号函数，
Figure 35991DEST_PATH_IMAGE028
为神经网络中的激活函数，
Figure 697916DEST_PATH_IMAGE029
和
Figure 102353DEST_PATH_IMAGE030
是门控函数，符号
Figure 92306DEST_PATH_IMAGE031
表示哈达玛积，
Figure 607601DEST_PATH_IMAGE032
是要学习的图滤波器；
Figure 512582DEST_PATH_IMAGE033
Figure 87920DEST_PATH_IMAGE034
；
当，t=T-1时，可以得到经过T轮消息传递后的第i个节点的估计特征向量
Figure 689803DEST_PATH_IMAGE035
，
Figure 149734DEST_PATH_IMAGE036
，则，所述特征矩阵H=[
Figure 255094DEST_PATH_IMAGE037
，
Figure 142278DEST_PATH_IMAGE038
，
Figure 700298DEST_PATH_IMAGE039
…
Figure 88554DEST_PATH_IMAGE040
]。
4.根据权利要求3中所述的一种基于图卷积神经网络的塔式起重机结构安全监测方 法，其特征在于：所述步骤6中，所述损失函数
Figure 923786DEST_PATH_IMAGE041
，其中，
Figure 106506DEST_PATH_IMAGE042
，
Figure 417402DEST_PATH_IMAGE043
表示缺失传感器集合，
Figure 717671DEST_PATH_IMAGE044
表示缺失传感器节点的数量；
Figure 532043DEST_PATH_IMAGE045
，
Figure 26609DEST_PATH_IMAGE046
表示分类标签，即安全状态和非安全状态，
Figure 559222DEST_PATH_IMAGE047
表示预测的类 别分布，
Figure 23701DEST_PATH_IMAGE048
表示真实类别分布；
Figure 833525DEST_PATH_IMAGE049
，
Figure 358048DEST_PATH_IMAGE050
为正则函数，
Figure 377956DEST_PATH_IMAGE051
表示模型中所 有训练参数的集合，
Figure 787072DEST_PATH_IMAGE052
，
Figure 841616DEST_PATH_IMAGE053
，
Figure 648291DEST_PATH_IMAGE054
分别为调节与其相应损失函数权重的系数。
5.根据权利要求1中所述的一种基于图卷积神经网络的塔式起重机结构安全监测方法，其特征在于：所述步骤1中，要监测的参数包括应力、应变、温度、垂直度、环境风速，所述测点分布于塔式起重机的混凝土基础位置、标准节连接界面、标准节主弦杆跨中、回转支撑平台处、起重壁前端及起重臂上、下弦杆与回转支承连接处。
CN202210565758.4A 2022-05-24 2022-05-24 一种基于图卷积神经网络的塔式起重机结构安全监测方法 Pending CN114897084A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210565758.4A CN114897084A (zh) 2022-05-24 2022-05-24 一种基于图卷积神经网络的塔式起重机结构安全监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210565758.4A CN114897084A (zh) 2022-05-24 2022-05-24 一种基于图卷积神经网络的塔式起重机结构安全监测方法

Publications (1)

Publication Number Publication Date
CN114897084A true CN114897084A (zh) 2022-08-12

Family

ID=82724826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210565758.4A Pending CN114897084A (zh) 2022-05-24 2022-05-24 一种基于图卷积神经网络的塔式起重机结构安全监测方法

Country Status (1)

Country Link
CN (1) CN114897084A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115878861A (zh) * 2023-02-07 2023-03-31 东南大学 一种针对图数据补全的集成式关键节点组的选择方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115878861A (zh) * 2023-02-07 2023-03-31 东南大学 一种针对图数据补全的集成式关键节点组的选择方法

Similar Documents

Publication Publication Date Title
CN111274737A (zh) 一种机械设备剩余使用寿命预测方法及系统
WO2023197461A1 (zh) 一种基于工况相似性评估的齿轮箱故障预警方法及系统
CN108764601A (zh) 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法
CN105930629B (zh) 一种基于海量运行数据的在线故障诊断方法
CN111737909A (zh) 基于时空图卷积网络的结构健康监测数据异常识别方法
CN111439681B (zh) 一种基于塔式起重机的不安全作业智能辨识方法及系统
CN108648403A (zh) 一种自学习消防安全预警方法及系统
CN106209829A (zh) 一种基于告警策略的网络安全管理系统
CN114897084A (zh) 一种基于图卷积神经网络的塔式起重机结构安全监测方法
CN106227185A (zh) 一种电梯风险评估系统
CN114169036A (zh) 一种大跨度桥梁风振响应预警系统和方法
CN111191832A (zh) 一种台风灾害配电网杆塔故障预测方法及系统
Moeinifard et al. Lost vibration test data recovery using convolutional neural network: a case study
CN112861071A (zh) 一种基于深度自编码的高铁牵引系统异常检测方法
CN106683222A (zh) 一种用于工程车辆技术性能检测装置及检测方法
CN108776452A (zh) 一种特种设备现场维保监控方法及系统
CN115966074A (zh) 基于机器学习的盾构刀盘结泥饼预警方法及系统
CN116112283A (zh) 一种基于cnn-lstm的电力系统网络安全态势预测方法及系统
CN104598970B (zh) 一种爬架组的工作状态检测方法
CN107222169A (zh) 一种基于离群点检测的光伏阵列实时监控与故障检测方法
CN104504265A (zh) 一种在役桥梁监测信息安全评估的方法
CN114582083B (zh) 一种隧道监控多传感器数据融合火灾预警方法
CN115905998A (zh) 多传感器数据融合结合fwa-bp神经网络算法的电缆隧道灭火决策方法
CN115560962A (zh) 一种基于多层级时空图神经网络的风机异常状态检测方法
CN114417729A (zh) 一种基于bp神经网络的矿区环境安全预警方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination