CN117842848A - 一种面向起重机的防错装检测控制系统及方法 - Google Patents

一种面向起重机的防错装检测控制系统及方法 Download PDF

Info

Publication number
CN117842848A
CN117842848A CN202410048132.5A CN202410048132A CN117842848A CN 117842848 A CN117842848 A CN 117842848A CN 202410048132 A CN202410048132 A CN 202410048132A CN 117842848 A CN117842848 A CN 117842848A
Authority
CN
China
Prior art keywords
crane
article
gray level
image
level image
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
CN202410048132.5A
Other languages
English (en)
Inventor
马武卫
马艺萌
殷汝昌
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.)
Shandong Purui Machinery Technology Co ltd
Original Assignee
Shandong Purui Machinery Technology Co ltd
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 Shandong Purui Machinery Technology Co ltd filed Critical Shandong Purui Machinery Technology Co ltd
Priority to CN202410048132.5A priority Critical patent/CN117842848A/zh
Publication of CN117842848A publication Critical patent/CN117842848A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • B66C13/00—Other constructional features or details
    • B66C13/18—Control systems or devices
    • B66C13/48—Automatic control of crane drives for producing a single or repeated working cycle; Programme control
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Jib Cranes (AREA)

Abstract

本申请涉及防错装检测领域，尤其涉及一种面向起重机的防错装检测控制系统及方法，方法包括步骤：将获取的起重机上包含吊钩及吊装物品区域的彩色图像转化为灰度图像；划分灰度图像为物品灰度图像与吊钩灰度图像；构建第一向量；根据第一向量，构建多个历史时刻的第一向量序列，获得波动幅度序列；根据波动幅度序列及预设的神经网络模型，生成未来时刻的震荡幅度序列；确定安全阈值，响应于震荡幅度序列中任意一个震荡幅度值小于安全阈值，生成报警信号并降低起重机的起吊速度。本申请通过预测吊装的物品是否会掉落，在物品掉落前通过控制起重机对物品的起吊速度降低物品掉落的风险，降低因错装产生事故的风险。

Description

一种面向起重机的防错装检测控制系统及方法
技术领域
本申请涉及防错装检测领域，尤其涉及一种面向起重机的防错装检测控制系统及方法。
背景技术
起重机是一种用于垂直升降和水平移动重物的机械设备，广泛应用于各种行业，如建筑、制造业、物流等。起重机的主要功能是提高货物运输的效率，减少人力劳动，提高安全性。起重机在使用时，由于起重机的操作人员缺乏经验及专业知识、起重机的操作人员接收到不清晰的指令或物料标识出现错误等原因，可能会导致误装载或装载错误。
起重机误装载错误是指在起重机吊装作业中，将错误的物料或物品吊装到错误的地点或位置，或者将物料或物品吊装到不正确的重量或数量，导致起重机吊装操作不安全或无法完成。这种情况可能会导致物料或物品的损坏、丢失，甚至可能引发严重的事故，如起重机倾覆、货物坠落等，容易造成人员伤亡。
发明内容
为了预测吊装的物品是否存在掉落风险，在物品掉落前通过控制起重机对物品的起吊速度降低物品掉落的风险，将错装带来的危害降到最小，本申请提供一种面向起重机的防错装检测控制系统及方法。
第一方面，本申请提供一种面向起重机的防错装检测控制方法，采用如下的技术方案：
一种面向起重机的防错装检测控制方法，包括步骤：将的起重机上包含吊钩及吊装物品区域的彩色图像转化为灰度图像；根据预设的物品分割模型，划分所述灰度图像为物品灰度图像与吊钩灰度图像；根据所述物品灰度图像及所述吊钩灰度图像，构建第一向量；根据所述第一向量，构建多个历史时刻的第一向量序列，获得波动幅度序列；根据所述波动幅度序列及预设的神经网络模型，生成未来时刻的震荡幅度序列；确定安全阈值，响应于震荡幅度序列中任意一个震荡幅度值小于安全阈值，生成报警信号并降低起重机的起吊速度。
可选的，划分所述灰度图像为物品灰度图像与吊钩灰度图像，包括步骤：将灰度图像中，物品区域的像素值标记为1，非物品区域的像素值标记为0，得到第一标记图像；将第一标记图像与灰度图像相乘得到物品灰度图像；将灰度图像中，吊钩区域的像素值标记为1，非吊钩区域的像素值标记为0，得到第二标记图像；将第二标记图像与灰度图像相乘得到吊钩灰度图像。
可选的，根据所述物品灰度图像及所述吊钩灰度图像，构建第一向量，包括步骤：根据多帧所述物品灰度图像构建多个物品重心向量；计算调整比例，计算公式为：，其中，/>为调整比例，/>为前帧吊钩灰度图像中标记为1的像素点个数，/>为后帧吊钩灰度图像中标记为1的像素点个数，一个所述物品重心向量与对应一个所述调整比例；使所述物品重心向量的长度和对应的所述调整比例相乘，得到第一向量。
可选的，确定安全阈值，响应于震荡幅度序列中任意一个震荡幅度值小于安全阈值，生成报警信号并降低起重机的起吊速度中，包括步骤：
计算波动幅度序列的自相关函数，获得震荡周期，震荡周期包括当前时刻的震荡周期及非当前时刻的震荡周期，统计非当前时刻的震荡周期的最大震荡幅度作为初始阈值；根据获取的起重机上吊绳的应力，计算修正系数，以修正震荡周期，得到所述安全阈值；响应于震荡幅度序列中任意一个震荡幅度值小于安全阈值，生成报警信号并降低起重机的起吊速度。
可选的，根据起重机吊钩吊绳的应力，计算不平衡力，计算公式为：，其中，/>为/>时刻的所述不平衡力，/>为/>时刻的吊钩一侧吊绳的应力，为/>时刻的吊钩另一侧吊绳的应力；计算所述修正系数，计算公式为：，其中，/>为/>时刻的修正系数，/>为/>时刻的吊钩一侧吊绳的应力，/>为/>时刻的吊钩另一侧吊绳的应力，/>为/>时刻的不平衡力，/>为初始时刻的不平衡力，/>为吊绳的最大承载力，/>为归一化函数；使所述修正系数与所述震荡周期相乘，修正所述初始阈值得到所述安全阈值。
第二方面，本申请提供一种面向起重机的防错装检测控制系统，采用如下的技术方案：
一种面向起重机的防错装检测控制系统，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现上述的面向起重机的防错装检测控制方法。
本申请具有以下技术效果：
1、通过对起重过程中物品的第一向量的变化，预判物品是否会出现掉落的情况，若是，则在物品掉落前通过控制起重机对物品的起吊速度降低物品掉落的风险，通过控制起重机完成对物品的控制，降低物品掉落的风险，将错装带来的危害降到最小。
2、起吊过程中，物品在还没有发生明显的掉落趋势时，仍在震荡周期内，但牵引绳两端的拉力出现了明显变化，且一端的拉力越大，说明该端出现脱落的可能越大。因此，构建时间修正系数，对震荡周期进行修正，以提高预测和控制的准确度。
附图说明
通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，并且相同或对应的标号表示相同或对应的部分。
图1是本申请实施例一种面向起重机的防错装检测控制方法的方法流程图。
图2是本申请实施例一种面向起重机的防错装检测控制方法中步骤S2的方法流程图。
图3是本申请实施例一种面向起重机的防错装检测控制方法中步骤S3的方法流程图。
图4是本申请实施例一种面向起重机的防错装检测控制方法中步骤S6的方法流程图。
图5是本申请实施例一种面向起重机的防错装检测控制方法中步骤S61的方法流程图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例公开一种面向起重机的防错装检测控制方法，参照图1，包括步骤S1-步骤S6，具体如下：
S1：将获取的起重机上包含吊钩及吊装物品区域的彩色图像转化为灰度图像。
在起重机吊臂远离起重机的一端设置有吊钩，吊钩上悬挂有两根吊绳，吊绳的一端悬挂在吊钩上，吊绳的另一端与吊装物品固定，吊绳上安装应力计。吊绳在吊装物品时，两根吊绳远离吊钩一端之间的连线与两根吊绳组成一个三角形。吊臂的下表面固定有摄像头，以拍摄包含吊钩及包含吊钩及吊装物品区域的视频流，将视频流中的每帧图像进行抽取，得到多张彩色图像，对彩色图像进行灰度转化，得到灰度图像。
S2：根据预设的物品分割模型，划分灰度图像为物品灰度图像与吊钩灰度图像。参照图2，步骤S2包括步骤S20-步骤S23，具体如下：
S20：将灰度图像中，物品区域的像素值标记为1，非物品区域的像素值标记为0，得到第一标记图像。
将历史的灰度图像中物品灰度图像进行标记，将带有标记的历史灰度图像作为训练数据输入语义分割模型中，对语义分割模型进行训练，得到物品分割模型。模型训练的过程为现有技术，在此不做赘述。
将获取的实时场景的彩色图像输入物品分割模型中，得到物品区域的掩码图像和非物品区域的掩码图像。将物品区域的像素值标记为1，非物品区域的像素值标记为0，得到0-1图像作为第一标记图像。
S21：将第一标记图像与灰度图像相乘得到物品灰度图像。
将第一标记图像与实时场景的彩色图像相乘得到物品灰度图像。
S22：将灰度图像中，吊钩区域的像素值标记为1，非吊钩区域的像素值标记为0，得到第二标记图像。
S23：将第二标记图像与灰度图像相乘得到吊钩灰度图像。
一张灰度图像对应一张物品灰度图像及一张吊钩灰度图像。
S3：根据物品灰度图像及吊钩灰度图像，构建第一向量。参照图3，步骤S3包括步骤S30-步骤S32，具体如下：
S30：根据多帧物品灰度图像构建多个物品重心向量。
物品重心向量的起点为物品的质心。物品重心向量的终点为位于物品区域最小外界矩形左上角边长的交点。
质心满足多项式：，/>，其中，/>为质心的位置横坐标，/>为质心的位置纵坐标，/>表示彩色图像中第1个像素点的横坐标，/>表示彩色图像中第/>个像素点的横坐标，/>为像素点的个数。/>表示彩色图像中第1个像素点的纵坐标，/>表示彩色图像中第/>个像素点的纵坐标。
将物品区域的边界线上距离质心最远一点作为最远边界点，最远边界点满足以下关系式：/>，其中，/>为边界距离，/>为物品重心向量的终点的横坐标，/>为物品重心向量的终点的纵坐标。
最远边界点与质心组成的向量为物品的重心向量。
S31：计算调整比例。
物品的大小会随着位置的升高而在图像中占比变小，计算调整比例，对物品重心向量长度进行调整。
调整比例的计算公式为：，其中，/>为调整比例，/>为前帧吊钩灰度图像中标记为1的像素点个数，/>为后帧吊钩灰度图像中标记为1的像素点个数，一帧吊钩灰度图像对应一个物品重心向量，对应一个调整比例。
S32：使物品重心向量的长度和对应的调整比例相乘，得到第一向量。
获取物品起吊过程中连续多帧的物品灰度图像，重复步骤S30，得到多个物品重心向量，不改变物品重心向量的方向，将每个物品重心向量与对应的调整比例相乘，获得第一向量。每帧物品灰度图像对应一个第一向量。
计算每帧物品灰度图像第一向量与其他帧物品灰度图像第一向量的欧式距离，统计欧式距离为0的个数值作为目标值，一帧物品灰度图像对应一个目标值，将目标值最大的一帧物品灰度图像的第一向量作为标准第一向量。
S4：根据第一向量，构建多个历史时刻的第一向量序列，获得波动幅度序列。
在一个实施例中，若当前时刻为时刻，基于第一向量序列，获得波动幅度序列，波动幅度满足下述多项式：/>，其中，/>为/>时刻对应的震荡幅度，/>为标准第一向量，/>为/>时刻对应的物品灰度图像的第一向量。
S5：根据波动幅度序列及预设的神经网络模型，生成未来时刻的震荡幅度序列。
将时刻及之前的波动幅度组成的波动幅度序列记为/>，将/>作为输入项，投入到神经网络模型中，输出为/>时刻的震荡幅度。将/>时刻的震荡幅度作为输入项，投入到神经网络模型中，得到/>时刻的震荡幅度。重复计算，得到未来时刻的震荡幅度序列/>。神经网络模型采用LSTM（Long Short-Term Memory长短时记忆网络）模型。LSTM模型的训练过程为公知技术，在此不做赘述。
S6：确定安全阈值，响应于震荡幅度序列中任意一个震荡幅度值小于安全阈值，生成报警信号并降低起重机的起吊速度。参照图4，步骤S6包括步骤S60-步骤S62，具体如下：
物品在起吊过程中，物品受到的风力等外界因素的影响以及起重机的吊臂对于牵引绳的控制，物品会出现摆动的情况。摆动存在周期，即物品在空中的摆动基本可视为规律性的，因为需要确定物品的震荡周期。
S60：计算波动幅度序列的自相关函数，获得震荡周期，震荡周期包括当前时刻的震荡周期及非当前时刻的震荡周期，统计非当前时刻的震荡周期的最大震荡幅度作为初始阈值。
S61：根据获取的起重机上吊绳的应力，计算修正系数，以修正震荡周期，得到安全阈值。参照图5，步骤S61包括步骤S610-步骤S612，具体如下：
S610：根据起重机吊钩吊绳的应力，计算不平衡力。
计算公式为：，其中，/>为/>时刻的不平衡力，/>为/>时刻的吊钩一侧吊绳的应力，/>为/>时刻的吊钩另一侧吊绳的应力。
S611：计算修正系数。
计算公式为：，其中，/>为/>时刻的修正系数，/>为/>时刻的吊钩一侧吊绳的应力，/>为/>时刻的吊钩另一侧吊绳的应力，/>为/>时刻的不平衡力，/>为初始时刻的不平衡力，/>为吊绳的最大承载力，/>为归一化函数。
S612：使修正系数与震荡周期相乘，修正初始阈值得到安全阈值。
将得到的时刻的修正系数与震荡周期相乘，修正初始阈值得到安全阈值。
S62：响应于震荡幅度序列中任意一个震荡幅度值小于安全阈值，生成报警信号并降低起重机的起吊速度。
若未来时刻的震荡幅度序列中任意一个震荡幅度值小于安全阈值，说明在未来某一时刻时，会发生物品掉落的情况，例如未来某一时刻为时刻，记录/>时刻与/>时刻的时间间隔/>，作为危险时段。
若危险时段小于震荡周期，发送报警信号，并控制起吊速度降低，起吊速度降低时，起吊速度关于时间的变化曲线为线性曲线。
本申请实施例还公开一种面向起重机的防错装检测控制系统，包括处理器和存储器，存储器存储有计算机程序指令，当计算机程序指令被处理器执行时实现根据本申请的一种面向起重机的防错装检测控制方法。
上述系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。
在本申请中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（ResistiveRandomAccessMemory）、动态随机存取存储器DRAM（DynamicRandomAccessMemory）、静态随机存取存储器SRAM（StaticRandom-AccessMemory）、增强动态随机存取存储器EDRAM（EnhancedDynamicRandomAccessMemory）、高带宽内存HBM（High-BandwidthMemory）、混合存储立方HMC（HybridMemoryCube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。
虽然本说明书已经示出和描述了本申请的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本申请思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本申请的过程中，可以采用对本文所描述的本申请实施例的各种替代方案。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims (6)

1.一种面向起重机的防错装检测控制方法，其特征在于，包括步骤：
将获取的起重机上包含吊钩及吊装物品区域的彩色图像转化为灰度图像；
根据预设的物品分割模型，划分所述灰度图像为物品灰度图像与吊钩灰度图像；
根据所述物品灰度图像及所述吊钩灰度图像，构建第一向量；
根据所述第一向量，构建多个历史时刻的第一向量序列，获得波动幅度序列；
根据所述波动幅度序列及预设的神经网络模型，生成未来时刻的震荡幅度序列；
确定安全阈值，响应于所述震荡幅度序列中任意一个震荡幅度值小于所述安全阈值，生成报警信号并降低起重机的起吊速度。
2.根据权利要求1所述的面向起重机的防错装检测控制方法，其特征在于，划分所述灰度图像为物品灰度图像与吊钩灰度图像，包括步骤：
将所述灰度图像中，物品区域的像素值标记为1，非物品区域的像素值标记为0，得到第一标记图像；
将所述第一标记图像与所述灰度图像相乘得到所述物品灰度图像；
将所述灰度图像中，吊钩区域的像素值标记为1，非吊钩区域的像素值标记为0，得到第二标记图像；
将所述第二标记图像与所述灰度图像相乘得到所述吊钩灰度图像。
3.根据权利要求1所述的面向起重机的防错装检测控制方法，其特征在于，根据所述物品灰度图像及所述吊钩灰度图像，构建第一向量，包括步骤：
根据多帧所述物品灰度图像构建多个物品重心向量；
计算调整比例，计算公式为：，其中，/>为所述调整比例，/>为前帧所述吊钩灰度图像中标记为1的像素点个数，/>为后帧所述吊钩灰度图像中标记为1的像素点个数，一个所述物品重心向量与对应一个所述调整比例；
使所述物品重心向量的长度和对应的所述调整比例相乘，得到所述第一向量。
4.根据权利要求1所述的面向起重机的防错装检测控制方法，其特征在于，确定安全阈值，响应于所述震荡幅度序列中任意一个震荡幅度值小于所述安全阈值，生成报警信号并降低起重机的起吊速度中，包括步骤：
计算所述波动幅度序列的自相关函数，获得震荡周期，震荡周期包括当前时刻的震荡周期及非当前时刻的震荡周期，统计非当前时刻的震荡周期的最大震荡幅度作为初始阈值；
根据获取的起重机上吊绳的应力，计算修正系数，以修正所述震荡周期，得到所述安全阈值；
响应于所述震荡幅度序列中任意一个震荡幅度值小于所述安全阈值，生成所述报警信号并降低起重机的起吊速度。
5.根据权利要求4所述的面向起重机的防错装检测控制方法，其特征在于，根据获取的起重机上吊绳的应力，计算修正系数，以修正所述震荡周期，得到所述安全阈值，包括步骤：
根据起重机吊钩吊绳的应力，计算不平衡力，计算公式为：，其中，/>为/>时刻的所述不平衡力，/>为/>时刻的吊钩一侧吊绳的应力，/>为/>时刻的吊钩另一侧吊绳的应力；
计算所述修正系数，计算公式为：，其中，/>为/>时刻的修正系数，/>为/>时刻的吊钩一侧吊绳的应力，/>为/>时刻的吊钩另一侧吊绳的应力，/>为/>时刻的不平衡力，/>为初始时刻的不平衡力，/>为吊绳的最大承载力，/>为归一化函数；
使所述修正系数与所述震荡周期相乘，修正所述初始阈值得到所述安全阈值。
6.一种面向起重机的防错装检测控制系统，其特征在于，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据权利要求1-5任一项所述的面向起重机的防错装检测控制方法。
CN202410048132.5A 2024-01-12 2024-01-12 一种面向起重机的防错装检测控制系统及方法 Pending CN117842848A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410048132.5A CN117842848A (zh) 2024-01-12 2024-01-12 一种面向起重机的防错装检测控制系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410048132.5A CN117842848A (zh) 2024-01-12 2024-01-12 一种面向起重机的防错装检测控制系统及方法

Publications (1)

Publication Number Publication Date
CN117842848A true CN117842848A (zh) 2024-04-09

Family

ID=90545960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410048132.5A Pending CN117842848A (zh) 2024-01-12 2024-01-12 一种面向起重机的防错装检测控制系统及方法

Country Status (1)

Country Link
CN (1) CN117842848A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0954765A (ja) * 1994-11-24 1997-02-25 Matsushita Electric Ind Co Ltd 最適化調整方法と最適化調整装置
JP2007161393A (ja) * 2005-12-13 2007-06-28 Ishikawajima Harima Heavy Ind Co Ltd クレーンの振れ止め制御方法
CN114014188A (zh) * 2021-10-28 2022-02-08 三一汽车起重机械有限公司 起重机风险预防方法及装置
WO2023109664A1 (zh) * 2021-12-13 2023-06-22 深圳先进技术研究院 监测方法和相关产品

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0954765A (ja) * 1994-11-24 1997-02-25 Matsushita Electric Ind Co Ltd 最適化調整方法と最適化調整装置
JP2007161393A (ja) * 2005-12-13 2007-06-28 Ishikawajima Harima Heavy Ind Co Ltd クレーンの振れ止め制御方法
CN114014188A (zh) * 2021-10-28 2022-02-08 三一汽车起重机械有限公司 起重机风险预防方法及装置
WO2023109664A1 (zh) * 2021-12-13 2023-06-22 深圳先进技术研究院 监测方法和相关产品

Similar Documents

Publication Publication Date Title
EP3348983B1 (en) Data transformation for a virtual asset
CN107572373A (zh) 基于机器视觉的新型起重机主动防斜拉控制系统及其控制方法
CN107271026B (zh) 一种钢丝绳横向振动测量的方法
CN101428741B (zh) 一种判断吊钩位置的方法
CN105253775B (zh) 一种塔机顶升配平控制系统、方法、装置及塔式起重机
CN113003415B (zh) 一种塔吊自稳定控制方法及系统
CN117197150B (zh) 基于人工智能的单轨吊车稳定性控制方法及系统
CN117842848A (zh) 一种面向起重机的防错装检测控制系统及方法
CN101746683B (zh) 正面吊防倾覆控制方法、装置及正面吊
CN101428735A (zh) 一种基于人工神经网络算法的起重力矩限制器自适应精度校准方法
CN107628545A (zh) 一种海上起重机的力矩限制系统
CN111170184A (zh) 一种塔式起重机的实时监测预警系统及方法
CN113651245B (zh) 一种起重机承载力监测系统
CN111470425B (zh) 一种起重机自适应称重方法
CN113401803B (zh) 用于测定塔式起重机臂长的方法、装置及控制器
CN112209247A (zh) 起重机吊臂幅度补偿方法及设备
KR101818603B1 (ko) 로드셀을 이용한 크레인 과부하 방지 장치
CN102733428A (zh) Hl型高应变试桩法锤击系统
JPH07232693A (ja) 係船ライン張力監視システム
CN107555316B (zh) 集成偏载检测的集装箱堆码系统及其工作方法
EP3527526B1 (en) Suspended load calculation device
CN114314350B (zh) 一种用于自动行车吊具摆角定位的自动标定方法
CN114572835A (zh) 起重机臂架对应的压力差标定方法、自重的测量方法和装置
CN215516331U (zh) 一种三吊点自平衡及载荷自分配专用吊具
CN115180516A (zh) 一种岸桥吊具平衡点在小车方向上的位移补偿方法

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