CN116409716A - 起重机运行状态监控系统和方法 - Google Patents
起重机运行状态监控系统和方法 Download PDFInfo
- Publication number
- CN116409716A CN116409716A CN202310356662.1A CN202310356662A CN116409716A CN 116409716 A CN116409716 A CN 116409716A CN 202310356662 A CN202310356662 A CN 202310356662A CN 116409716 A CN116409716 A CN 116409716A
- Authority
- CN
- China
- Prior art keywords
- crane
- data
- risk level
- neural network
- image 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012544 monitoring process Methods 0.000 title claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 8
- 231100001261 hazardous Toxicity 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000005291 magnetic effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C13/00—Other constructional features or details
- B66C13/16—Applications of indicating, registering, or weighing devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C15/00—Safety gear
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Control And Safety Of Cranes (AREA)
Abstract
本申请提供了一种起重机运行状态监控系统和方法,能够获取起重机的实时运行数据及状态数据,并根据起重机的实时运行数据及状态数据,确定起重机当前设备状态的风险级别,再根据风险级别,对起重机的行为进行相应的控制,能够实时监控起重机的设备状态,并根据设备状态预测发生起重机运行事故的可能性并及时采取相应措施,从而提高起重机生产时的安全性,避免起重机运行事故的发生,提高起重机的工作效率。
Description
技术领域
本发明涉及特种设备运维领域,尤其是涉及一种起重机运行状态监控系统和方法。
背景技术
随着我国基础设施建设的推进和国民经济重型工业的整体发展,起重机已经成为国民经济快速发展的重要装备,在多个国民经济部门得到了广泛应用。随着起重机向大型化、高速化、自动化方向的发展,起重机的安全性得到了越来越多的关注。在各类特种设备事故中,起重机事故不仅占比很高,而且通常都是重大、特大事故,从而严重威胁安全生产形势和人民生命财产安全。
起重机事故中有大量事故属于起重机运行时发生的事故,例如起重机生产时与周围障碍物的碰撞、多台起重机生产时相互的干涉、起重机生产时对施工人员的伤害等,而起重机的实时设备状态难以根据静态经验判断,往往需要安全管理人员以人工方式分析处理,降低了起重机运行时的安全性和起重机的工作效率。
因此,需要对起重机的设备状态进行实时监控,对可能的起重机运行时事故进行提前预测,从而避免起重机运行时事故的发生。
发明内容
本申请的一个目的是提供一种起重机运行状态监控系统和方法,用以解决现有技术下难以实时监控起重设备的设备状态的问题。
为实现上述目的,本申请提供了一种起重机运行状态监控方法,其中,该方法包括:
获取起重机的实时运行数据及状态数据;
根据起重机的实时运行数据及状态数据,确定起重机当前设备状态的风险级别;
根据风险级别,对起重机的行为进行相应的控制。
进一步地,起重机的实时运行数据及状态数据至少包括如下一种:
通过传感器采集的数据、通过摄像头采集的危险区域图像数据和接收的卫星定位数据。
进一步地,根据起重机的实时运行数据及状态数据,确定起重机当前设备状态的风险级别,包括:
将通过传感器采集的数据和接收的卫星定位数据输入区域防撞模型,获取预测的起重机当前设备状态的风险级别。
进一步地,通过传感器采集的数据至少包括如下:
起重机的吊装载荷的高度数据、起重机的变幅幅度数据、起重机的当前风速数据、起重机的主梁旋转角度数据、起重机的吊装载荷的重量数据。
进一步地,区域防撞模型用于根据通过传感器采集的数据和接收的卫星定位数据确定起重机的运行轨迹,并判断运行轨迹与起重机的周围障碍物的碰撞风险。
进一步地,根据起重机的实时运行数据及状态数据,确定起重机当前设备状态的风险级别,包括:
将通过摄像头采集的危险区域图像数据输入预先训练的物体识别神经网络模型,根据物体识别神经网络模型的识别结果确定起重机当前设备状态的风险级别。
进一步地,危险区域图像数据至少包括如下一种:
起重机移动轨道的图像数据、起重机施工现场危险区域的图像数据、起重机操作人员视觉盲区图像数据。
进一步地,物体识别神经网络模型通过以下方式创建:
预先采集起重机危险区域的图像数据,并对该图像数据中的物体进行标注,将标注好的图像数据作为训练数据;
将训练数据输入神经网络进行物体识别,并根据识别结果与标注结果的差异对神经网络的参数进行调整;
持续对神经网络参数进行迭代,在满足预设训练结束条件后,将最终得到的神经网络作为物体识别神经网络模型。
进一步地,根据风险级别,对起重机的行为进行相应的控制,包括:
在风险级别较低的情况下,向起重机操作人员发送提醒信息;
或在风险级别中等的情况下,向起重机发送强制减速指令;
或在风险级别较高的情况下,向起重机发送强制停机指令。
本申请的一些实施例还提供了一种起重机运行状态监控系统,该系统包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该系统执行前述起重机运行状态监控方法。
与现有技术相比,本申请提供的方案能够获取起重机的实时运行数据及状态数据,并根据起重机的实时运行数据及状态数据,确定起重机当前设备状态的风险级别,再根据风险级别,对起重机的行为进行相应的控制,能够实时监控起重机的设备状态,并根据设备状态预测发生起重机运行事故的可能性并及时采取相应措施,从而提高起重机生产时的安全性,避免起重机运行事故的发生,提高起重机的工作效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1为本申请的一些实施例提供的一种起重机运行状态监控方法的流程图。
图2为本申请的一些实施例提供的一种物体识别神经网络模型的创建过程的流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
在此,本申请实施例的起重机运行状态监控方法适合用于对起重机的运行状态进行实时监控和事故预防的场景,在此,起重机的运行状态即起重机的实时设备状态。
在该场景中,起重机在吊运载荷时需要进行移动或大范围旋转起重臂,而起重机周围可能存在障碍物如工业建筑、电线杆、其它起重机等,起重机工作时的运动可能与周围障碍物发生碰撞导致运行事故的发生。另外,起重机工作时存在相应的风险区域,例如起重机的移动轨道、起重机施工现场危险区域、起重机操作人员的视觉盲区等,如果有工作人员进入风险区域,则人身安全容易受到损害。
然而,现场安全管理人员难以对起重机的设备状态进行实时监控,对起重机的设备状态以静态经验判断为主,无法实时对起重机的实时运行风险进行评估,难以预测潜在的起重机运行事故,只能在运行事故发生后进行补救,往往无法及时避免工作人员的人身伤害,造成的严重后果不可逆转。
本申请实施例提供的起重机运行状态监控方法,能够获取起重机的实时数据及状态数据,并根据起重机的实时运行数据及状态数据,确定起重机当前设备状态的风险级别,再根据风险级别,对起重机的行为进行相应的控制,能够实时监控起重机的设备状态,并根据设备状态预测发生起重机运行事故的可能性并及时采取相应措施,从而提高起重机生产时的安全性,避免起重机运行事故的发生,提高起重机的工作效率。
本申请的一些实施例提供了一种起重机运行状态监控方法,如图1所示,该方法具体包括如下步骤:
步骤S101,获取起重机的实时运行数据及状态数据。
起重机是指在一定范围内垂直提升和水平搬运重物的多动作起重机械,又称为天车,航吊,吊车等。起重机的工作特点时候做间歇性运动,即在一个工作循环中取料、运移、卸载等动作的相应机构是交替工作的。
在此,起重机的实时运行数据及状态数据是指起重机进行生产工作时产生的多种不同类型的实时数据,这些数据可以用于描述起重机当前的工作状况,可以通过分析相关数据判断起重机是否处于安全工作状态,如果起重机处于不安全的工作状态,可以进行实时报警以提醒进行相应干预。
在一些实施例中,起重机的实时运行数据及状态数据可以包括但不限于:通过传感器采集的数据、通过摄像头采集的危险区域图像数据和接收的卫星定位数据。
通过传感器采集的数据是通过设置在起重机上不同位置的多种传感器所采集的数据,传感器根据预设的采集频率采集实时数据并提供给相应的后台处理设备。
可以理解,用于采集不同类型数据的传感器分别设置在起重机的不同部位,例如,用于采集高度信息的传感器可以设置在起重机的主梁、吊钩、载重小车等位置,本申请实施例对此不做具体限制。
另外,在一些实施例中,传感器的类型可以包括但不限于:高度传感器、幅度传感器、风速传感器、角度传感器、重量传感器、距离传感器等。高度传感器用于采集吊装载荷的当前高度数据。幅度传感器用于采集起重机的变幅幅度数据。风速传感器用于采集起重机当前工作环境的风速数据。角度传感器用于采集起重机主梁的旋转角度数据。重量传感器用于采集吊装载荷的重量数据。距离传感器用于采集起重机与周围障碍物之间的距离数据。
通过摄像头采集的危险区域图像数据是通过设置在起重机上的摄像头所采集的起重机附近具有较高风险的区域的图像数据,摄像头通常设置在起重机上可以监测到起重机工作危险区域的位置。
可以理解,设置在起重机上的摄像头可以为一个或多个,多个摄像头设置在起重机上不同位置,分别用于采集对应的危险区域的图像数据,本申请实施例对摄像头的数量不做具体限制。
可以理解,摄像头可以是采集视频的摄像头,视频摄像头持续采集视频数据,摄像头也可以是采集图像的摄像头,图像摄像头根据预设的间隔时间采集图像数据,本申请实施例对此不做具体限制。
在一些实施例中,危险区域图像数据可以包括但不限于:起重机移动轨道的图像数据、起重机施工现场危险区域的图像数据、起重机操作人员视觉盲区图像数据。起重机移动轨道是起重机移动时经过的预设轨道,起重机可以在轨道上来回移动。起重机施工现场危险区域例如起重机工作时吊运载荷的移动轨迹所在区域,起重机的起重臂下方的区域等存在较大风险的区域等。起重机操作人员视觉盲区是起重机操作人员在工作时无法观察到的区域等。
采集起重机移动轨道的图像数据例如可以通过在起重机的主梁两端各设置一个摄像头,分别采集各自对应轨道的图像数据。采集起重机施工现场危险区域的图像数据例如可以为每个危险区域设置一个对应摄像头,每个摄像头采集对应危险区域的图像数据,采集起重机操作人员视觉盲区图像数据类似。例如,可以设置多个摄像头以监测吊钩、吊钩周围、各个门腿等危险或视觉盲区区域等。
接收的卫星定位数据是通过卫星定位信号接收端接收导航卫星发送的位置数据,用于确定卫星定位信号接收端的当前位置。在此,卫星定位信号接收端通常设置在起重机上需要定位的位置,例如起重机的门腿、起重机的主梁等。可以理解,卫星定位信号接收端可以是一个或多个,本申请实施例对此不做具体限制。
步骤S102,根据起重机的实时运行数据及状态数据,确定起重机当前设备状态的风险级别。
在此,获取起重机的实时运行数据及状态数据之后,根据实时运行数据及状态数据对起重机当前设备状态进行评估判断,确定当前设备状态对应的风险级别。
在一些实施例中,可以将过传感器采集的数据和接收的卫星定位数据输入区域防撞模型,获取预测的起重机当前设备状态的风险级别。区域防撞模型是预先创建的模型,通过将当前传感器采集的数据和当前卫星定位数据作为输入,输出起重机当前设备状态的风险级别。
在一些实施例中,区域防撞模型用于根据通过传感器采集的数据和接收的卫星定位数据确定起重机的运行轨迹,并判断运行轨迹与起重机的周围障碍物的碰撞风险。在此,区域防撞模型可以根据起重机的位置数据和高度数据建立一个三维坐标系,起重机位于该三维坐标系的原点,在该三维坐标系中还包括起重机周围障碍物的信息如位置、高度、距离、大小等,这里的障碍物可以是起重机的周边建筑,也可以是其它起重机等可能影响到该起重机正常工作的物体。
区域防撞模型结合通过传感器采集的数据如吊装载荷的高度数据、起重机变幅幅度数据、当前风速数据、主梁旋转数据、吊装载荷重量数据和根据卫星定位数据确定的起重机整体的移动方向数据和移动速度数据,对未来一段时间内的起重机工作运行轨迹进行预测,并根据预测的运行轨迹确定起重机的部件如门腿、主梁、起重臂等与周围障碍物之间的距离,再根据距离确定相应的风险级别。例如,可以根据预设的距离阈值来确定风险级别,具体来说,可以设定距离阈值为2米和5米,距离大于5米,则将起重机当前设备状态的风险级别设定为较低,距离在2米到5米之间,则将起重机当前设备状态的风险级别设定为中等,距离小于2米,则将起重机当前设备状态的风险级别设定为较高。
在一些实施例中,还可以将通过摄像头采集的危险区域图像数据输入预先训练的物体识别神经网络模型,根据物体识别神经网络模型的识别结果确定起重机当前设备状态的风险级别。在此,物体识别神经网络模型是通过预先采集的危险区域图像数据对神经网络进行训练后得到的模型,物体识别神经网络模型能够识别出危险区域中的物体并输出识别结果,如人、动物、施工器材等,再根据识别结果确定相应的风险级别,例如在危险区域中出现了不应该出现的物体,则可以根据物体的不同类型来确定相应的风险级别。
可以理解,物体识别神经网络模型使用的神经网络可以是任意能够对图像中物体进行识别的神经网络,例如卷积神经网络(Convolutional Neural Network,CNN)或其它类卷积神经网络如R-CNN、Faster R-CNN等,本申请实施例对此不做具体限制。
在一些实施例中,物体识别神经网络模型的创建过程包括如下步骤:
步骤S201,预先采集起重机危险区域的图像数据,并对该图像数据中的物体进行标注,将标注好的图像数据作为训练数据。
在此,预先采集包括不同类型物体的起重机危险区域图像数据,图像数据中包括的物体可以是人,也可以是动物如狗、猫等,还可以是施工器材如施工小车等,具体数量可以是一个或多个。预先采集包括不同类型物体的起重机危险区域图像数据通常为多条。
采集起重机危险区域图像数据之后,可以通过人工方式对图像数据中的物体进行标注,标记该物体的类型、物体的大小、物体的位置等,标注好的图像数据即可作为神经网络的训练数据。可以理解,训练数据的数量越多,神经网络的训练效果越好,得到的物体识别神经网络模型对物体的识别能力越强。
步骤S202,将训练数据输入神经网络进行物体识别,并根据识别结果与标注结果的差异对神经网络的参数进行调整。
在此,使用初始参数的神经网络对训练数据中物体的识别能力很弱,需要不断调整神经网络的参数来增强对物体的识别能力,神经网络参数的调整根据预设的损失函数进行,损失函数用于评估神经网络的当前识别结果与标注结果之间的差异。
步骤S203,持续对神经网络参数进行迭代,在满足预设训练结束条件后,将最终得到的神经网络作为物体识别神经网络模型。
神经网络的训练需要进行多次迭代,将训练数据输入神经网络并得到相应的物体识别结果为一次迭代,每次迭代过程中都对神经网络的参数进行调整,经过多次迭代后神经网络的物体识别结果越接近标注结果。
可以理解,预设的训练结束条件可以是迭代次数阈值,在达到迭代次数阈值后停止对神经网络的训练,也可以是差异阈值,在物体识别结果与标注结果的差异小于差异阈值后停止对神经网络的训练,本申请实施例对此不做具体限制。
在停止神经网络的训练后,对神经网络参数的调整也结束,将使用最终神经网络参数的神经网络确定为物体识别神经网络模型。
步骤S103,根据风险级别,对起重机的行为进行相应的控制。
在此,确定起重机当前设备状态的风险级别之后,根据不同的风险级别对起重机的行为采取不同的控制措施以控制相应风险。
在一些实施例中,在风险级别较低的情况下,向起重机操作人员发送提醒信息。如果风险级别较低,说明起重机发生实时运行事故的可能性较小,因此只需要提醒起重机操作人员控制风险即可。
在一些实施例中,在风险级别中等的情况下,向起重机发送强制减速指令。如果风险级别中等,说明起重机有一定可能性发生实时运行事故,为了降低事故发生风险,可以向起重机发送指令强制进行速度降低操作,从而延长起重机处于风险状态的时间,可以帮助起重机操作人员进行事故避免的处理。
在一些实施例中,在风险级别较高的情况下,向起重机发送强制停机指令。如果风险级别较高,说明起重机很可能发生实时运行事故,因此需要立即停止起重机的运行,避免事故的发生。
本申请的一些实施例还提供了一种起重机运行状态监控系统,该系统包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该系统执行前述起重机运行状态监控方法。
综上所述,本申请提供的方案能够获取起重机的实时运行数据及状态数据,并根据起重机的实时运行数据及状态数据,确定起重机当前设备状态的风险级别,再根据风险级别,对起重机的行为进行相应的控制,能够实时监控起重机的设备状态,并根据设备状态预测发生起重机运行事故的可能性并及时采取相应措施,从而提高起重机生产时的安全性,避免起重机运行事故的发生,提高起重机的工作效率。
需要注意的是,本申请可在软件和/或软件与硬件的组合体中被实施,例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中,本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地,本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本申请的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个步骤或功能的电路。
在本申请一个典型的配置中,终端、网络设备均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
另外,本申请的一部分可被应用为计算机程序产品,例如计算机程序指令,当其被计算机执行时,通过该计算机的操作,可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令,可能被存储在固定的或可移动的记录介质中,和/或通过广播或其他信号承载媒体中的数据流而被传输,和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此,根据本申请的一个实施例包括一个设备,该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该设备运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (10)
1.一种起重机运行状态监控方法,其特征在于,该方法包括:
获取起重机的实时运行数据及状态数据;
根据所述起重机的实时运行数据及状态数据,确定所述起重机当前设备状态的风险级别;
根据所述风险级别,对所述起重机的行为进行相应的控制。
2.根据权利要求1所述的方法,其特征在于,所述起重机的实时运行数据及状态数据至少包括如下一种:
通过传感器采集的数据、通过摄像头采集的危险区域图像数据和接收的卫星定位数据。
3.根据权利要求2所述的方法,其特征在于,根据所述起重机的实时运行数据及状态数据,确定所述起重机当前设备状态的风险级别,包括:
将所述通过传感器采集的数据和所述接收的卫星定位数据输入区域防撞模型,获取预测的起重机当前设备状态的风险级别。
4.根据权利要求2所述的方法,其特征在于,所述通过传感器采集的数据至少包括如下:
所述起重机的吊装载荷的高度数据、所述起重机的变幅幅度数据、所述起重机的当前风速数据、所述起重机的主梁旋转角度数据、所述起重机的吊装载荷的重量数据。
5.根据权利要求2所述的方法,其特征在于,所述区域防撞模型用于根据所述通过传感器采集的数据和所述接收的卫星定位数据确定所述起重机的运行轨迹,并判断所述运行轨迹与所述起重机的周围障碍物的碰撞风险。
6.根据权利要求2所述的方法,其特征在于,根据所述起重机的实时运行数据及状态数据,确定所述起重机当前设备状态的风险级别,包括:
将通过摄像头采集的危险区域图像数据输入预先训练的物体识别神经网络模型,根据所述物体识别神经网络模型的识别结果确定所述起重机当前设备状态的风险级别。
7.根据权利要求6所述的方法,其特征在于,所述危险区域图像数据至少包括如下一种:
起重机移动轨道的图像数据、起重机施工现场危险区域的图像数据、起重机操作人员视觉盲区图像数据。
8.根据权利要求6所述的方法,其特征在于,所述物体识别神经网络模型通过以下方式创建:
预先采集起重机危险区域的图像数据,并对该图像数据中的物体进行标注,将标注好的图像数据作为训练数据;
将所述训练数据输入神经网络进行物体识别,并根据识别结果与标注结果的差异对所述神经网络的参数进行调整;
持续对神经网络参数进行迭代,在满足预设训练结束条件后,将最终得到的神经网络作为物体识别神经网络模型。
9.根据权利要求1所述的方法,其特征在于,根据所述风险级别,对所述起重机的行为进行相应的控制,包括:
在所述风险级别较低的情况下,向起重机操作人员发送提醒信息;
或在所述风险级别中等的情况下,向所述起重机发送强制减速指令;
或在所述风险级别较高的情况下,向所述起重机发送强制停机指令。
10.一种起重机运行状态监控系统,该系统包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该系统执行权利要求1至9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310356662.1A CN116409716A (zh) | 2023-04-04 | 2023-04-04 | 起重机运行状态监控系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310356662.1A CN116409716A (zh) | 2023-04-04 | 2023-04-04 | 起重机运行状态监控系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116409716A true CN116409716A (zh) | 2023-07-11 |
Family
ID=87049175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310356662.1A Pending CN116409716A (zh) | 2023-04-04 | 2023-04-04 | 起重机运行状态监控系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116409716A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116306929A (zh) * | 2023-03-21 | 2023-06-23 | 广东盛迪嘉电子商务股份有限公司 | 一种创客服务系统 |
-
2023
- 2023-04-04 CN CN202310356662.1A patent/CN116409716A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116306929A (zh) * | 2023-03-21 | 2023-06-23 | 广东盛迪嘉电子商务股份有限公司 | 一种创客服务系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | Cyber physical system for safety management in smart construction site | |
US20200074769A1 (en) | Vehicle Fault Handling Method, Apparatus, Device and Storage Medium | |
Chian et al. | Computer vision approaches for detecting missing barricades | |
CN105574683A (zh) | 一种全方位变电站巡检系统及方法 | |
CN103259206A (zh) | 基于计算机视觉定位技术的变电站作业安全管控系统 | |
CN116409716A (zh) | 起重机运行状态监控系统和方法 | |
Chian et al. | Dynamic identification of crane load fall zone: A computer vision approach | |
CN107888875A (zh) | 基于移动侦测的变电站地面作业安全管控系统及方法 | |
CN112282819B (zh) | 基于视觉的综采工作面人员目标安全监控方法及系统 | |
CN112279104B (zh) | 吊车防撞控制方法、装置、系统、计算机设备和存储介质 | |
CN109879174B (zh) | 龙门吊防撞系统和方法 | |
CN114187676A (zh) | 一种巡检方法、装置、设备、系统和存储介质 | |
CN117152211A (zh) | 一种面向施工人机安全的动态入侵检测方法和系统 | |
CN112597950A (zh) | 一种机械设备的安全监测方法及装置 | |
CN116664343A (zh) | 一种基于智慧工地数字模型的系统及方法 | |
CN203173719U (zh) | 大型履带式起重机施工的安全监控装置 | |
CN116739343A (zh) | 一种电网建设项目现场的安全评估方法及系统 | |
CN114314347B (zh) | 起重机械安全监控管理系统 | |
CN111583591B (zh) | 一种起重机械安全报警方法和装置 | |
Luo et al. | Requirements for autonomous crane safety monitoring | |
CN111232842B (zh) | 基于物联网的塔机操作状态展示方法和设备 | |
CN114275681B (zh) | 用于起重机的控制方法及装置、控制器和起重机 | |
CN205375555U (zh) | 一种全方位变电站巡检系统 | |
CN111348559A (zh) | 缆机与门机的碰撞预测与避免系统及方法 | |
CN117105097B (zh) | 一种智能塔机控制系统、方法及控制设备 |
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 |