CN115947239B - 异常预警与应急处理方法、装置及建筑机器人 - Google Patents
异常预警与应急处理方法、装置及建筑机器人 Download PDFInfo
- Publication number
- CN115947239B CN115947239B CN202211678076.0A CN202211678076A CN115947239B CN 115947239 B CN115947239 B CN 115947239B CN 202211678076 A CN202211678076 A CN 202211678076A CN 115947239 B CN115947239 B CN 115947239B
- Authority
- CN
- China
- Prior art keywords
- data
- tower crane
- early warning
- working condition
- emergency
- 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.)
- Active
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 30
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 230000002093 peripheral effect Effects 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000002159 abnormal effect Effects 0.000 claims abstract description 37
- 230000004044 response Effects 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000007774 longterm Effects 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000010276 construction Methods 0.000 claims abstract description 22
- 238000012706 support-vector machine Methods 0.000 claims abstract description 11
- 238000004891 communication Methods 0.000 claims description 32
- 238000011282 treatment Methods 0.000 claims description 21
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000013139 quantization Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 15
- 230000001276 controlling effect Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000011269 treatment regimen Methods 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Jib Cranes (AREA)
- Control And Safety Of Cranes (AREA)
Abstract
本发明适用于安全生产预测技术领域,提供了一种异常预警与应急处理方法、装置及建筑机器人,所述方法包括以下步骤:获取与塔机异常预警相关的长时数据、外围数据和即时数据;根据工况类别对所述即时数据与长时数据、外围数据进行组合,并采用支持向量机的方法进行训练,得到工作状态判断器;通过工作状态判断器判断每一时刻塔机的工况状态,输入指定LSTM时序模型进行训练,得到工作状态推理器;通过训练后的工作状态推理器循环预测当前时刻后的未来一段时间塔机的工况状态,得到预测结果;本发明针对塔机使用过程中存在的安全隐患,可融合天气、风力等外围数据,基于时序进行预测并提供预警与响应,最大程度保障塔机安全作业。
Description
技术领域
本发明属于安全生产预测技术领域,尤其涉及塔吊安全预测技术领域,具体公开了一种异常预警与应急处理方法、装置及建筑机器人。
背景技术
传统的塔机安全监控系统依赖各类传感器获取并监控塔机当前运行状态,在一定程度上可以向塔机操作员展示塔机当前运行状态。然而数据采集、数据回传、数据分析等方面均存在一定的时延,很多时候危险已发生,作业人员才有所感知。
中国专利2022106423659公开了一种塔机异常状态的应急控制方法、装置、介质及塔机(下称现有技术1),所述方法包括:根据塔机的历史运行数据建立应急处理模型,所述应急处理模型包括故障事件识别模块、危险等级确定模块以及处理策略输出模块;实时采集塔机运行过程中的参数数据以及外部环境数据;将所述参数数据以及外部环境数据输入所述应急处理模型,识别出所述塔机的故障事件、危险等级以及相应的处理策略;根据所述处理策略对所述塔机进行调控。根据该应急控制方法,能迅速准确应对塔机出现的各种异常状态,并给出处理策略,保障了塔机的运行安全性。中国专利2019103698713公开了一种基于塔机应急联动的安全气囊防护系统(下称现有技术2),在塔机的各个部位安装安全气囊,并通过感应单元检测塔机的倾斜角度、通过控制单元计算塔机是否处于倾塌状态、通过触发单元触发安全气囊充气;当塔机发生倾塌时,控制单元根据感应单元的检测数据可第一时间感知到,控制单元迅速启动触发单元,安全气囊会立即充气防护。可在塔机倾塌时提供两重保护,一是保护塔机操作室内的操作人员,二是可对塔机的各个部位进行气囊防护,可大幅减缓塔身对地面人或物的冲击伤害。
但是,现有技术1,主要通过实时监控与预设数据库对比从而提供处理策略;现有技术2,是当异常状态发生时触发安全气囊装置保障作业人员的安全。都主要集中在发生意外情况后的检测与处理方面,并不能预测塔机的未来状态,在异常响应的及时性方面还有待提高。
发明内容
本发明实施例的目的在于提供一种异常预警与应急处理方法、装置及建筑机器人,旨在解决现有技术做出异常响应存在一定的时延,导致异常响应不及时的问题。
本发明实施例是这样实现的,一种异常预警与应急处理方法,所述方法包括以下步骤:
获取与塔机异常预警相关的长时数据、外围数据和即时数据;
根据工况类别对所述即时数据与长时数据、外围数据进行组合,并采用支持向量机的方法进行训练,得到工作状态判断器;
通过工作状态判断器判断每一时刻塔机的工况状态,并按照时间序列整合、分割对应时刻的外围数据、即时数据以及工况状态,输入指定LSTM时序模型进行训练,得到工作状态推理器;
通过训练后的工作状态推理器循环预测当前时刻后的未来一段时间塔机的工况状态,得到预测结果;
根据预测结果和塔机的当前操作判断是否发出预警信息;
根据预警信息进行应急安全控制使塔机安全停机。
为了加快所述异常预警与应急处理方法的实施,本发明实施例的另一目的在于提供一种异常预警与应急处理装置,用于如上所述的异常预警与应急处理方法,所述异常预警与应急处理装置包括:数据获取模块、异常状态预警模块和应急响应控制模块;
所述数据获取模块,用于获取与塔机异常预警相关的长时数据、外围数据和即时数据;
所述异常状态预警模块,用于根据工况类别对所述即时数据与长时数据、外围数据进行组合,并采用支持向量机的方法进行训练,得到工作状态判断器;通过工作状态判断器判断每一时刻塔机的工况状态,并按照时间序列整合、分割对应时刻的外围数据、即时数据以及工况状态,输入指定LSTM时序模型进行训练,得到工作状态推理器;通过训练后的工作状态推理器循环预测当前时刻后的未来一段时间塔机的工况状态,得到预测结果;根据预测结果和塔机的当前操作判断是否发出预警信息;
所述应急响应控制模块,用于根据预警信息进行应急安全控制使塔机安全停机。
优选地,所述应急响应控制模块包括:预警信息监控单元、风险感知单元、应急路径规划单元和执行单元;
所述预警信息监控单元,用于预警信息发出时,触发应急响应请求;
所述风险感知单元,用于根据应急响应请求判断塔机的塔吊是否吊有物体;
所述应急路径规划单元,用于根据实时获取的外围数据和即时数据规划塔吊的控制路线;
所述执行单元,用于根据所述塔吊的控制路线控制塔吊运行,根据实时获取的即时数据修正所述的控制路线,直至安全停机。
为了便于所述异常预警与应急处理方法的实施,本发明实施例的另一目的在于提供一种建筑机器人,所述建筑机器人包括:如上所述的异常预警与应急处理装置。
本发明实施例提供的一种异常预警与应急处理方法,针对塔机使用过程中存在的安全隐患,可融合天气、风力等外围数据,基于时序进行预测并提供预警与响应,最大程度保障塔机安全作业;提高塔机异常响应的及时性,尽可能的减少安全事故的发生和降低事故损失。
附图说明
图1为本发明实施例提供的一种异常预警与应急处理方法的流程图;
图2为一个实施例中工作状态推理器训练的流程图;
图3为一个实施例中工作状态判断器和工作状态推理器离线训练的流程图;
图4为一个实施例中预测结果在线推断的流程图;
图5为本发明实施例提供的一种应急响应控制的流程框图;
图6为本发明实施例提供的一种应急响应控制的场景简图;
图7为本发明实施例提供的一种塔吊的控制路线规划原理简图;
图8为本发明实施例提供的另一种塔吊的控制路线规划原理简图;
图9为本发明实施例提供的一种异常预警与应急处理方法的思维简图;
图10为一个实施例中数据获取模块的结构简图;
图11为一种建筑机器人中异常预警与应急处理装置的结构框图;
图12为一种建筑机器人中应急响应控制模块的结构框图;
图13为一个实施例中计算机设备的内部结构框图。
图中:100、塔吊异常预警与应急处理装置;110、数据获取模块;120、异常状态预警模块;130、应急响应控制模块;131、预警信息监控单元;132、风险感知单元;133、控制路线规划单元;134、执行单元;200、传感器组件;201、固定座;202、散热器;210、工控机;211、幅度传感器;212、第一风速传感器;213、重量传感器;214、回转传感器;215、高度传感器;216、第二风速传感器。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但除非特别说明,这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一xx脚本称为第二xx脚本,且类似地,可将第二xx脚本称为第一xx脚本。
如图1所示,在一个实施例中,针对现有的塔机异常状态响应不及时的问题,提出的一种可以利用大数据、深度学习网络来降低数据处理时延,提高塔机对未来的异常预测或感知的技术方案,具体提出了一种异常预警与应急处理方法,可以包括以下步骤:
S101,获取与塔机异常预警相关的长时数据、外围数据和即时数据;
在本步骤中,所述的获取与塔机异常预警相关的长时数据、外围数据和即时数据,可以包括:
通过第一通信接口,按照第一获取周期获取外部环境信息,并将获取的外部环境信息、时间进行数学量化处理,得到所述长时数据;
通过第二通信接口,按照第二获取周期获取塔机作业的工地状态信息,并进行数学量化处理,得到所述外围数据;
通过第三通信接口,按照第三获取周期获取塔机的运行信息,并进行数学量化处理,得到所述即时数据。
在本实施例的一个示例中,所述的异常预警与应急处理方法可以通过一种计算机程序或可执行指令实现,将该计算机程序或可执行指令布置在塔机上的工控机;或云端;并可以由工控机或云端控制塔机吊装物体。优选地,通过工控机实现,这样的话,可以减少数据的传输量;在工控机设置数据总线和移动通讯网络;该第一通信接口、第二通信接口和第三通信接口通过数据总线或移动通讯网络支持的协议搭建例如CAN总线协议、Modbus通讯协议、RS-232通讯协议、RS-485通讯协议、MPI通信协议、串口通信协议、PROFIBUS通信、工业以太网、ASI通信、PPI通信、远程无线通信、TCP协议、UDP协议、NB-IoT、5G等。本示例中,根据第一获取周期、第二获取周期、第三获取周期的数值大小进行灵活设置;其中第一获取周期的数值大于第三获取周期的数值。
在本实施例的一个示例中,第一通信接口、第二通信接口、第三通信接口可以由同一通讯链路通过设置的不同通信协议实现;也可以通过不同的通信链路实现,所述的第一获取周期、第二获取周期、第三获取周期的获取时间越加频繁。以便于兼容数据量与功耗的需求。
在本实施例的一个示例中,一般地与塔机异常预警相关的数据有:工地所在的气温、风力、高度、幅度等可以通过设置的传感器(各类传感器构成传感器组件)来获取环境数据,及塔机运行数据,同时通过无线接收模块接受云端的工地区域信息;该无线接收模块可以是近场通讯网络、蓝牙局域网络、毫米波通讯网络或移动通讯网络;本实施例中,对不同数据设置不同获取频率,兼具数据获取频率、功耗,及高精度和时效等,可以将这些数据分为:长时数据、外围数据和即时数据;其中,长时数据:表示当前与未来天气(天气预报的天气、气温、风力等等)、时间(24小时计时、工作时间/非工作时间)等一般性数据,可用DL表示:
DL=[l1,l2,...,ln]T;
其中,l1,l2,...,ln分别对应量化后的天气或时间的数值,例如,将对应于天气整体情况的变量量化为:晴天:0;雨天:1;雪天:2,以此类推。一种DL的表示示例如下式(1)所示:
其中,外围数据可以设定是工地当前信息,主要包括了当前工地区域的人数、工作状态(作业与非作业)、塔机区域工人位置等工地信息,工地信息由工地原有的工地监控系统获取,可用DW表示:
DW=[M1,M2,...,Mk]T;
其中,M1,M2,...,Mk分别对应量化后的工地信息,一种DW的表示示例如下式(2)所示:
其中,即时数据:集合了塔机本体工作的信息,由塔机上安装的各类传感器获取,主要包括:作业信息、风速传感器(分别是第一风速传感器212和第二风速传感器)、高度传感器215、幅度传感器211、回转传感器214、重量传感器213、倾角传感器等等(如图10所示),可用DI表示:
DI=[S1,S2,...,Si]T
其中,S2,...,Si分别对应量化后的塔机即时状态信息,,一种DI的表示示例如下式(3)所示:
在本实施例的一个示例中,对于一些长时间内不会改变的数据,也可以将其设置为定值,或不获取;这样的话可以减少数据传输和处理的数据量,进一步提高异常预警的时效。
在本实施例的一个示例中,上述的数据中,长时数据DL更新频率较低,可以1小时更新一次;外围数据DW可按获取更新,设其为10秒更新一次;即时数据DI表示塔机实施运行信息,应实时更新获取,设其0.5秒更新一次。我们将三组数据按照采集的时间段对齐并补全,其方法是:以即时数据DI为基准数据,进行扩展填充,补全其时刻所对应的最近时段上的DW和DL。对数据进行补齐处理,可以便于后续对数据的聚类和分类。
在一个实施例中,所述的工况类别,可以通过对获取的即时数据进行K-均值聚类算法聚类得到;或者,通过经验规则建立不同工况与自然类别的映射得到。
例如:人为的将风力与不同的工况进行量化为:无风:0;软风:1;轻风:2;微风:3;以此类推;并与塔机的不同工况(如:正常拆装、谨慎拆装、停止拆装)对应。人为的将天气整体情况的变量量化为:晴天:0;雨天:1;雪天:2,以此类推。本示例并不限制于此。
在本实施例的一个示例中,对于获取或采集到的大量即时数据,采用K-均值聚类的算法,获取不同工况状态的区分聚类,例如设其可分为a个类别,分别对应于S1,S2,...,Sa类。在聚类处理过程中,上述类别可以直接用1,2,...,a等自然数表示。
在一个实施例中,所述异常预警与应急处理方法,还包括以下步骤:S103,根据工况类别对所述即时数据与长时数据、外围数据进行组合,并采用支持向量机的方法进行训练,得到工作状态判断器;
如图3所示,在一个示例中,对大量的即时数据聚类分析后,与长时数据、外围数据组成第一样本集合(即图中的标记样本集合1),可以表示如下的一个样本集合:
其中,dl、dw和di分别表示当前时刻DL、DW和DI的数据;是长时数据+外围数据+即时数据,构成一维列向量,S为该样本对应的工况状态,是自然数表示的类别。
本步骤的一个示例中,所述的根据工况类别对所述即时数据与长时数据、外围数据进行组合,并采用支持向量机的方法进行训练,得到工作状态判断器,包括:建立每一时刻获取的即时数据、长时数据及外围数据与工况类别的映射,得到第一样本集合,即式(4);基于所述得到的第一样本集合,采用支持向量机的方法进行训练,得到工作状态判断器。本示例中,支持向量机的方法是一种通用的机器学习方法,为现有技术,在此不在详述。
如图3所示,在一个实施例中,所述异常预警与应急处理方法,还包括以下步骤:S105,通过工作状态判断器判断每一时刻塔机的工况状态,并按照时间序列整合、分割对应时刻的外围数据、即时数据以及工况状态,输入指定LSTM时序模型进行训练,得到工作状态推理器;
如图2、图3所示,本实施例的一个示例中,所述的通过工作状态判断器判断塔机每一时刻的工况状态,并按照时间序列整合、分割对应时刻的外围数据、即时数据以及工况状态,输入指定LSTM时序模型进行训练,得到工作状态推理器,包括:
S202,根据所述即时数据的数据长度,对齐所述外围数据的数据长度;
S204,通过工作状态判断器判断塔机每一时刻的工况状态;
S206,整合各时刻的所述外围数据、即时数据与工况状态,得到整合数据;
S208,将得到的整合数据按照时序序列化得到整合数据序列;
S210,对得到的所述整合数据序列按照一定长度进行窗口滑动分割,得到第二样本集合;
S212,将所述第二样本集合作为输入,输入指定LSTM时序模型进行训练,得到工作状态推理器。
本实施例的一个示例中,对于每个时刻的外围数据DW、即时数据DI,先以即时数据DI的数据量为参考,对外围数据DW的数量量进行对齐补全,同时运用工作状态判断器进行工况判断,得到当前工况S,进而得到该时刻的整合数据DLI;
将DLI按照时间顺序序列化,得到如下的整合数据序列:
进一步的,将上述整合数据序列按照一定长度(以5为例)的窗口滑动分割,得到数据组(以第n个为例):
依此可以生成第二样本集合(即图3中的标记样本集合2),其中的一个样本可以表示为(Xn→Yn):
对于标记样本集合2,选择一个LSTM时序模型,进行训练得到基于时序的工作状态推理器。LSTM时序模型的训练,具体可见常用的长短期记忆(LSTM)人工神经网络训练方法,为现有技术,这里不再详述。
在一个示例中,为了简化计算复杂度,可以采用单步预测。
如图1所示,在一个实施例中,所述异常预警与应急处理方法,还包括以下步骤:S107,通过训练后的工作状态推理器循环预测当前时刻后的未来一段时间塔机的工况状态,得到预测结果;
具体地,可以参见图4;在对塔机的实时异常预警中,首先,基于长时数据和外围数据,采用工作状态判断器,识别当前的工况S;将当前已知的外围数据、即时数据序列化,当前时刻可以定义为1时刻,当前时刻后的未来一段时刻定义为n时刻,预测时:从n时刻到n+3时刻,构成工作状态推理器的输入:
通过工作状态推理器,得到新的预测(n+3时刻后的一个时刻(n+4)):
此时是对n+4时刻的预测。
依照如下步骤循环预测i(例如,i=5次),可以得到后续时刻的预测:
将Yn加入Xn末尾,同时剔除Xn的首列,得到新序列
通过工作状态推理器,得到新的预测:
上述步骤重复i次以后,可以得到对未来一段时间内塔机的即时工作状态的预测结果:
F=[Yn,Yn+1,Yn+2,...,Yn+i-1] (10);
将根据不断更新的F和当前的操作,进行在线判断,给予操作人员安全提示,或者在必要的时候进行纠正。
需要说明的是,n时刻、重复i次的数值范围仅是为了便于描述本发明,并不局限于此,也可以是其他数值,例如:n+6、n+7等;i=6、i=7等。
上述的根据不断更新的F和当前的操作,进行在线判断,可以这样实施:
基于不同工况状态计算聚类的结果,对于每一种工况状态S∈{S1,S2,...,Sa},提取属于此工况S的{外围数据+即时数据}的全部数据组,计算统计均值μs和方差σs。
对于F=[Yn,Yn+1,Yn+2,...,Yn+i-1],其中每一项Y都是对未来的预测,可写为:
在一个实施例中,所述异常预警与应急处理方法,还包括以下步骤:S109,根据预测结果和塔机的当前操作判断是否发出预警信息;
所述的根据预测结果和塔机的当前操作判断是否发出预警信息,包括:
根据不同的工况状态,提取每一种工况状态对应的外围数据和即时数据;
计算外围数据的均值和方差,计算即时数据的均值和方差,根据所述外围数据的均值和方差、所述即时数据的均值和方差确定塔机异常判断的参考阈值区间;
根据预测结果确定预测的工况状态及其即时状态量,当即时状态量超过所述参考阈值区间时;判断为异常,并发出预警信息。
其中,对于预测的工况状态记为:即时状态量是/>参考阈值区间表示为:μs±3σs;当预测的即时状态量/>超出μs±3σs范围时,可判断为异常,做出警示或者异常处理。
在本实施例的一个示例中,对于式(10)的F中的每个Y,如果预测发现工况状态与当前S不同,可以发出提示音,提示操作者注意。
在本实施例的一个示例中,即时状态量超出μs的范围也可以由人工依据操作安全规范指定。
当操作者被警示或提示而注意到预测结果后,会对塔机进行停机的相关操作,即应急安全控制;一般情况下,应急安全控制以实现塔机整体的快速静止为目的,这对于塔机本体是不难实现的,塔机都设置有急停按钮,紧急状况时急停激活,塔机设备将停止运作。这来预测结果视为普通异常情况,因此,可以由塔机自动的进行应急主动安全处置,之后,判断停车安全位置、规划控制路线及自动控制执行停机。此外,当塔机的塔机控制室有人时,应当优先有人工进行控制,对一侧产生的警示提示进行反应,并作出人工处理;在人工处理超时或其他紧急情况时,应急响应控制启动,并进行停车控制前的情况判断,如图5所示。
但是,一方面,当塔机吊有重物时,塔机设备停止,但重物仍然存在摆动,会造成潜在威胁。另一方面,有些情况下,重物悬空,而下面有人、物等紧急情况时,急停反而不安全。
为了解决这一潜在的威胁,在一个实施例中,对所述异常预警与应急处理方法作进一步改进,因此,所述异常预警与应急处理方法,还包括以下步骤:S111,根据预警信息进行应急安全控制使塔机安全停机。
参见图5,为本实施例的异常预警与应急处理方法,进行应急安全控制流程简图,所述的根据预警信息进行应急安全控制使塔机安全停机,包括:
预警信息信息发出时,触发应急响应请求;
根据应急响应请求判断塔机的塔吊是否吊有物体;
若有,则根据实时获取的即时数据、外围数据规划塔吊的控制路线;
根据所述塔吊的控制路线控制塔吊运行,根据实时获取的即时数据修正所述的控制路线,直至安全停机。
如图6-图8所示,在一个实施例中,所述根据实时获取的即时数据、外围数据规划塔吊的控制路线,具体包括:
通过获取的外围数据DW、即时数据DI,进行安全停车区域与停车安全位置的判断;其中,可以是依靠从外围数据DW中获知的塔机附近人员、贵重物品的较准确位置(需外围安全系统提供)计算得到;并由即时数据DI获取当前塔机所处角度及所吊物体的空间位置;将实时感知的塔机位置、重物位置、人与贵重物品位置,进行二维平面投影图的建立,确定安全停车区域与停车安全位置;
根据安全停车区域与停车安全位置,划分受影响区域;
其中,根据工地施工进度、物品放置位置及固定建筑物的建设情况,确定无人区域、无贵重物品区域,进而可以预先给定或者实时计算出安全停车区域;
而受影响区域,可以视为塔吊吊装物体是物体可能掉落的区域;本实施例中,对于塔机上物体,可以以半径R划定其在二维平面投影图的影响范围:
其中,K为比例系数,一般可设为2;d为一般的物体大小尺寸系数,可设为3米;V1表示风速,V2表示物体的移动速度,α表示风速的影响系数,可取0.05;h为高度,g为重力加速度。
对于塔机上物体的正下方可能存在的人、贵重物品,按照固定半径设定其受影响范围,一般而言,可在其外轮廓外给定固定的影响范围为3米;可以参见图6,其中,SA表示安全停车区域,DA表示当前的受影响范围,PE表示当前受影响的人或物体,BO表示塔机的塔臂当前的位置,BO’表示塔机的塔臂的停车安全位置,O(0,0)表示塔臂转动的中心。
基于停车安全位置、受影响区域规划控制路线。
在本实施例的一个示例中,所述控制路线的规划,具体包括以下步骤:
根据塔机的塔臂当前角度和停车安全位置所处角度/>得到塔臂需要直接转过的角度区间/>
根据承载物体的小车在塔臂上的当前位置x1和停车安全位置所处物体位置x2,得到承载物体的小车在塔臂上的位置区间[x1,x2];
基于指定的安全区间确定安全区间内对应的承载物体的小车的位置区间X。
进一步地,第一步,根据塔机的塔臂当前角度和停车安全位置所处角度/>得到塔臂需要直接转过的角度区间/>根据承载物体的小车在塔臂上的当前位置x1和停车安全位置所处物体位置x2,得到承载物体(或物体/承载重物)的小车在塔臂上的位置区间[x1,x2]。
第二步,从二维平面投影图中搜索从区间内塔臂所经过扇形区域,下方不存在人或者贵重物体的安全区间,确定其安全区间对应的承载物体的小车的位置区间X。位置区间X为对塔臂长度与小车工作区域的粗略划分,可以分为3个到5个。
如图7所示,X2和X3即为小车可行的位置区间,以距离当前小车较近位置为输出,图中示例为X2。由此,可以输出规划控制路径(或控制路线),即:先将小车匀速移动到X2区间,再将塔臂匀速由角度转到角度/>最后,小车移动到X2位置。
在本实施例的另一个示例中,当第二步无法直接找到可以直接通过的位置区间X时,寻找中间角度以/>替代/>重复第二步,先规划和控制物体到中间位置/>然后再实现从/>到/>的规划;第二步和第三步可以重复进行,即为复杂情况下的规划实现。实际实施中,考虑到实际操作的不确定性与安全性保障,一般优选地,最多只寻找两次中间位置/>根据确定的控制路线或规划路径,输出控制指令,控制吊臂和小车平稳缓慢地到达停车安全位置,最终放下物体或卸货。
本实施例中,所述的异常预警与应急处理方法,相比于传统的塔机安全监控系统,能够实时的连续进行异常行为预测与预警,依靠获取的长时数据、外围数据和即时数据,自动实现塔机的连续行为推断与预警,可以成为整个塔机安全保障体系的有益补充。除此之外,本发明还可以进行应急安全控制,通过内置紧急情况下的异常预警与应急处理装置,可以使塔机自动停机或者条件许可时主动回归停车安全位置;成为整个塔机安全系统的有益补充。
如图11所示,在另一个实施例中,一种异常预警与应急处理装置100,用于如上任一所述的异常预警与应急处理方法,所述异常预警与应急处理装置100包括:数据获取模块110、异常状态预警模块120和应急响应控制模块130;
所述数据获取模块110,用于获取与塔机异常预警相关的长时数据、外围数据和即时数据;
具体实施时,所述数据获取模块110可以设置有第一通信接口,通过第一通信接口接入公共服务,获取工地所在区域的天气、风力等环境数据;设置有第二通信接口,与工地配套的外围安全系统通信连接,获取外围数据;设置有第三通信接口,与塔机设置的传感器组件进行通讯连接,通过获取所述传感器组件的数据得到即时数据,进而得到长时数据、外围数据和即时数据;
所述异常状态预警模块120,用于根据工况类别对所述即时数据与长时数据、外围数据进行组合,并采用支持向量机的方法进行训练,得到工作状态判断器;通过工作状态判断器判断每一时刻塔机的工况状态,并按照时间序列整合、分割对应时刻的外围数据、即时数据以及工况状态,输入指定LSTM时序模型进行训练,得到工作状态推理器;通过训练后的工作状态推理器循环预测当前时刻后的未来一段时间塔机的工况状态,得到预测结果;根据预测结果和塔机的当前操作判断是否发出预警信息;
所述应急响应控制模块130,用于根据预警信息进行应急安全控制使塔机安全停机。
本实施例中,所述异常状态预警模块120,由基于时序的推理模型离线训练学习、基于时序的推理模型在线判断两个部分组成,基于长时数据、外围数据、即时数据,设计推理模型,通过基于大量数据的离线训练学习,实现工作状态判断器、工作状态推理器的训练;即是推理模型具体包括工作状态判断器和工作状态推理器。
如图12所示,在本实施例的一个示例中,所述应急响应控制模块130包括:预警信息监控单元131、风险感知单元132、应急路径规划单元133和执行单元134;
所述预警信息监控单元131,用于预警信息发出时,触发应急响应请求;
所述风险感知单元132,用于根据应急响应请求判断塔机的塔吊是否吊有物体;
所述应急路径规划单元133,用于根据实时获取的外围数据和即时数据规划塔吊的控制路线;
所述执行单元134,用于根据所述塔吊的控制路线控制塔吊运行,根据实时获取的即时数据修正所述的控制路线,直至安全停机。
在一个示例中,根据实时获取的即时数据修正所述的控制路线,直至安全停机,具体如上所述,当第二步无法直接找到可以直接通过的位置区间X时,寻找中间角度以替代/>重复第二步,先规划和控制物体到中间位置/>然后再实现从/>到/>的规划;第二步和第三步可以重复进行,即为复杂情况下的规划实现。实际实施中,考虑到实际操作的不确定性与安全性保障,一般优选地,最多只寻找两次中间位置/>根据确定的控制路线或规划路径,输出控制指令,控制吊臂和小车平稳缓慢地到达停车安全位置,最终放下物体或卸货。
如图9所示,在另一个实施例中,一种建筑机器人,所述建筑机器人包括:如上所述的异常预警与应急处理装置。
本实施例的建筑机器人,可以设置在可移动的,也可以设置为固定的,例如布置在塔机上,用于其预警和应急处理工作中,其中的异常预警与应急处理装置可以布置在塔机的控制室;也可以布置在云端或工地的其他区域;异常预警与应急处理装置与塔机原有的传感器组件200协同,可以实时对部分或全部的外围数据和即时数据的获取;其余数据可以通过云端获取,进而实现塔机异常预警。
如图10所示,所述传感器组件200包括与工控机210连接的幅度传感器211、第一风速传感器212、重量传感器213、回转传感器214、高度传感器215、第二风速传感器216等等。工控机210通过一个箱体进行封装或安装,该箱体通过固定座201设置在塔机上;所述箱体上设置有散热器202,通过散热器202制冷工控机210。
本实施例中的异常预警与应急处理装置100,可以是一种软硬结合的设备,例如工控机、计算机设备;图13示出了一个实施例中计算机设备的内部结构图。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏(或监视器,用于实现监控)。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现塔吊安全预警处理方法;具体可以是数据获取模块110、异常状态预警模块120和应急响应控制模块130各自执行的步骤。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行异常预警与应急处理方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图13中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (8)
1.一种异常预警与应急处理方法,其特征在于,所述方法包括以下步骤:
获取与塔机异常预警相关的长时数据、外围数据和即时数据;
根据工况类别对所述即时数据与长时数据、外围数据进行组合,并采用支持向量机的方法进行训练,得到工作状态判断器;
通过工作状态判断器判断每一时刻塔机的工况状态,并按照时间序列整合、分割对应时刻的外围数据、即时数据以及工况状态,输入指定LSTM时序模型进行训练,得到工作状态推理器;
通过训练后的工作状态推理器循环预测当前时刻后的未来一段时间塔机的工况状态,得到预测结果;
根据预测结果和塔机的当前操作判断是否发出预警信息;
根据预警信息进行应急安全控制使塔机安全停机;
所述的根据预警信息进行应急安全控制使塔机安全停机,包括:
预警信息信息发出时,触发应急响应请求;
根据应急响应请求判断塔机的塔吊是否吊有物体;
若有,则根据实时获取的即时数据、外围数据规划塔吊的控制路线;
根据所述塔吊的控制路线控制塔吊运行,根据实时获取的即时数据修正所述的控制路线,直至安全停机;
其中,所述根据实时获取的外围数据和即时数据规划塔吊的控制路线的步骤,具体包括:
根据塔机的塔臂当前角度和停车安全位置所处角度/>,得到塔臂需要直接转过的角度区间/>;
根据承载物体的小车在塔臂上的当前位置和停车安全位置所处物体位置/>,得到承载物体的小车在塔臂上的位置区间/>;
基于指定的安全区间确定安全区间内对应的承载物体的小车的位置区间X;
当无法直接找到可以直接通过的位置区间X时,寻找中间角度,以/>替代/>,先规划和控制物体到中间位置/>,然后再实现从/>到/>的规划。
2.根据权利要求1所述的异常预警与应急处理方法,其特征在于,所述的获取与塔机异常预警相关的长时数据、外围数据和即时数据,包括:
通过第一通信接口,按照第一获取周期获取外部环境信息,并将获取的外部环境信息、时间进行数学量化处理,得到所述长时数据;
通过第二通信接口,按照第二获取周期获取塔机作业的工地状态信息,并进行数学量化处理,得到所述外围数据;
通过第三通信接口,按照第三获取周期获取塔机的运行信息,并进行数学量化处理,得到所述即时数据。
3.根据权利要求1所述的异常预警与应急处理方法,其特征在于,所述的根据工况类别对所述即时数据与长时数据、外围数据进行组合,并采用支持向量机的方法进行训练,得到工作状态判断器,包括:
建立每一时刻获取的即时数据、长时数据及外围数据与工况类别的映射,得到第一样本集合;
基于所述得到的第一样本集合,采用支持向量机的方法进行训练,得到工作状态判断器。
4.根据权利要求3所述的异常预警与应急处理方法,其特征在于,所述的工况类别,通过对获取的即时数据进行K-均值聚类算法聚类得到;或者,通过经验规则建立不同工况与自然类别的映射得到。
5.根据权利要求1所述的异常预警与应急处理方法,其特征在于,所述的通过工作状态判断器判断塔机每一时刻的工况状态,并按照时间序列整合、分割对应时刻的外围数据、即时数据以及工况状态,输入指定LSTM时序模型进行训练,得到工作状态推理器,包括:
根据所述即时数据的数据长度,对齐所述外围数据的数据长度;
通过工作状态判断器判断塔机每一时刻的工况状态;
整合各时刻的所述外围数据、即时数据与工况状态,得到整合数据;
将得到的整合数据按照时序序列化得到整合数据序列;
对得到的所述整合数据序列按照一定长度进行窗口滑动分割,得到第二样本集合;
将所述第二样本集合作为输入,输入指定LSTM时序模型进行训练,得到工作状态推理器。
6.根据权利要求1所述的异常预警与应急处理方法,其特征在于,所述的根据预测结果和塔机的当前操作判断是否发出预警信息,包括:
根据不同的工况状态,提取每一种工况状态对应的外围数据和即时数据;
计算外围数据的均值和方差,计算即时数据的均值和方差,根据所述外围数据的均值和方差、所述即时数据的均值和方差确定塔机异常判断的参考阈值区间;
根据预测结果确定预测的工况状态及其即时状态量,当即时状态量超过所述参考阈值区间时;判断为异常,并发出预警信息。
7.一种异常预警与应急处理装置,其特征在于,用于如权利要求1-6任一所述的异常预警与应急处理方法,所述异常预警与应急处理装置包括:数据获取模块、异常状态预警模块和应急响应控制模块;
所述数据获取模块,用于获取与塔机异常预警相关的长时数据、外围数据和即时数据;
所述异常状态预警模块,用于根据工况类别对所述即时数据与长时数据、外围数据进行组合,并采用支持向量机的方法进行训练,得到工作状态判断器;通过工作状态判断器判断每一时刻塔机的工况状态,并按照时间序列整合、分割对应时刻的外围数据、即时数据以及工况状态,输入指定LSTM时序模型进行训练,得到工作状态推理器;通过训练后的工作状态推理器循环预测当前时刻后的未来一段时间塔机的工况状态,得到预测结果;根据预测结果和塔机的当前操作判断是否发出预警信息;
所述应急响应控制模块,用于根据预警信息进行应急安全控制使塔机安全停机;
所述应急响应控制模块包括:预警信息监控单元、风险感知单元、应急路径规划单元和执行单元;
所述预警信息监控单元,用于预警信息发出时,触发应急响应请求;
所述风险感知单元,用于根据应急响应请求判断塔机的塔吊是否吊有物体;
所述应急路径规划单元,用于根据实时获取的外围数据和即时数据规划塔吊的控制路线;
所述执行单元,用于根据所述塔吊的控制路线控制塔吊运行,根据实时获取的即时数据修正所述的控制路线,直至安全停机;
其中,所述根据实时获取的外围数据和即时数据规划塔吊的控制路线的步骤,具体包括:
根据塔机的塔臂当前角度和停车安全位置所处角度/>,得到塔臂需要直接转过的角度区间/>;
根据承载物体的小车在塔臂上的当前位置和停车安全位置所处物体位置/>,得到承载物体的小车在塔臂上的位置区间/>;
基于指定的安全区间确定安全区间内对应的承载物体的小车的位置区间X;
当无法直接找到可以直接通过的位置区间X时,寻找中间角度,以/>替代/>,先规划和控制物体到中间位置/>,然后再实现从/>到/>的规划。
8.一种建筑机器人,其特征在于,所述建筑机器人包括如权利要求7所述的异常预警与应急处理装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211678076.0A CN115947239B (zh) | 2022-12-26 | 2022-12-26 | 异常预警与应急处理方法、装置及建筑机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211678076.0A CN115947239B (zh) | 2022-12-26 | 2022-12-26 | 异常预警与应急处理方法、装置及建筑机器人 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115947239A CN115947239A (zh) | 2023-04-11 |
CN115947239B true CN115947239B (zh) | 2024-03-12 |
Family
ID=87296349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211678076.0A Active CN115947239B (zh) | 2022-12-26 | 2022-12-26 | 异常预警与应急处理方法、装置及建筑机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115947239B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110032555A (zh) * | 2019-04-16 | 2019-07-19 | 上海建科工程咨询有限公司 | 一种神经网络塔吊风险预测方法及系统 |
CN113239911A (zh) * | 2021-07-12 | 2021-08-10 | 杭州大杰智能传动科技有限公司 | 一种无人驾驶智能塔吊视觉场景分析方法和装置 |
CN113673046A (zh) * | 2021-07-20 | 2021-11-19 | 杭州大杰智能传动科技有限公司 | 用于智能塔吊紧急预警的物联网通信系统及其方法 |
-
2022
- 2022-12-26 CN CN202211678076.0A patent/CN115947239B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110032555A (zh) * | 2019-04-16 | 2019-07-19 | 上海建科工程咨询有限公司 | 一种神经网络塔吊风险预测方法及系统 |
CN113239911A (zh) * | 2021-07-12 | 2021-08-10 | 杭州大杰智能传动科技有限公司 | 一种无人驾驶智能塔吊视觉场景分析方法和装置 |
CN113673046A (zh) * | 2021-07-20 | 2021-11-19 | 杭州大杰智能传动科技有限公司 | 用于智能塔吊紧急预警的物联网通信系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115947239A (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3275758B1 (en) | Anomality candidate information analysis apparatus | |
US10559140B2 (en) | Systems and methods to obtain feedback in response to autonomous vehicle failure events | |
EP3722894B1 (en) | Control and monitoring of physical system based on trained bayesian neural network | |
CN107464023A (zh) | 生命周期预测模型的在线学习方法和设备 | |
CA3154607A1 (en) | Well site machine learning based rod pump failure predictions | |
US11198431B2 (en) | Operational risk assessment for autonomous vehicle control | |
US20230104214A1 (en) | Method and system for real time trajectory optimization | |
CN112561183A (zh) | 一种工程质量安全监督风险评估方法、系统、电子设备及存储介质 | |
CN116105802A (zh) | 一种基于物联网的地下设施安全监测预警方法 | |
CN113468724B (zh) | 一种机场飞机降落引导的数字孪生系统仿真方法及装置 | |
CN114692926A (zh) | 车用电池的安全评估方法、系统、设备及可读存储介质 | |
CN115947239B (zh) | 异常预警与应急处理方法、装置及建筑机器人 | |
Sapori et al. | A quantitative approach to risk management in critical infrastructures | |
CN116700199B (zh) | 一种基于数字孪生技术的工厂生产控制方法及系统 | |
CN116665155B (zh) | 一种基于图像处理技术的地下无轨人车的下车预警安全管理系统 | |
KR102556447B1 (ko) | 패턴 분석을 통한 상황 판단 시스템 | |
CN115640997B (zh) | 交通事故风险动态识别方法和识别模型构建方法 | |
EP4206963A1 (en) | System and method for diagnostics and monitoring of anomalies of a cyber-physical system | |
EP3871053A2 (en) | A building management system and method | |
KR102470520B1 (ko) | 국제표준(sae j1739) 기반의 잠재적 고장 영향 분석 방법 | |
CN115952582A (zh) | 基于bim模型及多元传感器的地铁多元数据防汛方法及系统 | |
CN111985717B (zh) | 安全预警方法、装置、安全预警设备及存储介质 | |
CN114047693A (zh) | 面向充电过程的汽车电池火灾自适应防范方法及系统 | |
Zhang et al. | Optimization of adaptive cruise control under uncertainty | |
Kim et al. | Reinforcement learning approach to develop variable speed limit strategy using vehicle data and simulations |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |