李西平　谷立臣　寇雪芹

西安建筑科技大學(xué),西安,710055

?

基于超聲時(shí)序神經(jīng)網(wǎng)絡(luò)目標(biāo)識(shí)別的塔機(jī)安全預(yù)警

李西平谷立臣寇雪芹

西安建筑科技大學(xué),西安,710055

為實(shí)現(xiàn)塔機(jī)失穩(wěn)監(jiān)測(cè)和防碰撞的安全預(yù)警功能，改善塔機(jī)被動(dòng)安全模型存在的低成本、主動(dòng)性、靈活性、快速性和及時(shí)性的不足，通過(guò)分析目標(biāo)物特性與超聲時(shí)序信號(hào)相關(guān)特征及測(cè)距值特征的關(guān)系，結(jié)合Elman、SOM網(wǎng)絡(luò)，構(gòu)建了基于超聲時(shí)序神經(jīng)網(wǎng)絡(luò)目標(biāo)識(shí)別的塔機(jī)安全預(yù)警系統(tǒng)，可以實(shí)現(xiàn)對(duì)扭轉(zhuǎn)角和障礙物的信號(hào)采集、數(shù)據(jù)融合、主動(dòng)預(yù)警功能，試驗(yàn)結(jié)果表明該系統(tǒng)可以達(dá)到預(yù)期的低成本、高速度、高精度的塔機(jī)工作要求。

神經(jīng)網(wǎng)絡(luò)； 塔機(jī)；目標(biāo)識(shí)別；安全預(yù)警；超聲時(shí)序

0　引言

塔機(jī)是一種起重臂裝設(shè)于高處的全回轉(zhuǎn)非連續(xù)性搬運(yùn)起重機(jī)械，起吊高度高、工作幅度大，主要用于建筑施工中水平和垂直高空吊裝作業(yè)。由于大型塔機(jī)起升質(zhì)量已達(dá)200t，起升速度達(dá)50m/min，回轉(zhuǎn)速度在0.6r/min以上，負(fù)載重、速度高、慣性大，在復(fù)雜多變的施工環(huán)境中，塔機(jī)失穩(wěn)和碰撞頻頻出現(xiàn)[1-2]，這促使國(guó)內(nèi)外學(xué)者廣泛開(kāi)展塔機(jī)安全監(jiān)控的研究。在塔機(jī)失穩(wěn)監(jiān)測(cè)方面，POTAIN塔機(jī)太空艙駕駛室設(shè)計(jì)[3]、LIEBHERR塔機(jī)模塊化設(shè)計(jì)和電子監(jiān)控系統(tǒng)[4]、Crop公司可編程控制器塔機(jī)監(jiān)視與控制技術(shù)[5]等代表著塔機(jī)穩(wěn)定性監(jiān)測(cè)的較高水平；在塔機(jī)防碰撞方面，SMIE公司AC30系統(tǒng)動(dòng)態(tài)位置計(jì)算和風(fēng)險(xiǎn)估算技術(shù)[6]、POTAIN公司塔機(jī)區(qū)域限制規(guī)劃技術(shù)[7]、e-build公司TAC-3000塔機(jī)群防碰撞工作邊界限制和區(qū)域保護(hù)技術(shù)[8]等代表著塔機(jī)防碰撞的成熟技術(shù)。但這些塔機(jī)安全監(jiān)控技術(shù)都是被動(dòng)防御安全模型，在主動(dòng)性、智能化、實(shí)時(shí)性、快速性上還有待提高；同時(shí)，在超聲傳感器技術(shù)、數(shù)字信號(hào)處理技術(shù)、分類識(shí)別技術(shù)、神經(jīng)網(wǎng)絡(luò)工程應(yīng)用等眾多前沿成果的推動(dòng)下，超聲傳感器與神經(jīng)網(wǎng)絡(luò)相結(jié)合的超聲目標(biāo)識(shí)別技術(shù)無(wú)論是在研究的內(nèi)容上還是在使用的技術(shù)方法上都呈現(xiàn)出廣闊前景。目前，遠(yuǎn)距離超聲傳感器用于塔機(jī)安全預(yù)警的研究還處于起步階段, 超聲時(shí)序信號(hào)與神經(jīng)網(wǎng)絡(luò)相結(jié)合進(jìn)行數(shù)據(jù)融合、目標(biāo)識(shí)別的技術(shù)也未見(jiàn)報(bào)道。

1　超聲時(shí)序信號(hào)特征分析

1.1信號(hào)采集實(shí)驗(yàn)方案

超聲波是頻率高于20kHz的機(jī)械波，傳播過(guò)程中發(fā)生折射與反射，聲壓隨傳播距離呈負(fù)指數(shù)形式衰減。為適應(yīng)塔機(jī)工況要求，實(shí)驗(yàn)選用波束角較小、聲能集中的LHQ22-2氣介式壓電陶瓷防水型超聲傳感器，與超聲發(fā)射模塊、超聲接收模塊、數(shù)據(jù)采集模塊、超聲信號(hào)分析處理模塊、模擬目標(biāo)物等組成了超聲信號(hào)時(shí)間序列數(shù)據(jù)采集分析實(shí)驗(yàn)系統(tǒng)，主要設(shè)備如圖1所示。

圖1　數(shù)據(jù)采集分析實(shí)驗(yàn)系統(tǒng)

針對(duì)障礙物識(shí)別和塔機(jī)扭擺識(shí)別的不同要求，設(shè)計(jì)兩種實(shí)驗(yàn)方案：①不同材質(zhì)、形狀、距離障礙物超聲信號(hào)時(shí)間序列采集方案，如圖2所示，發(fā)射與接收換能器間距為15cm，與障礙物同高度水平放置，面向障礙物做轉(zhuǎn)速為1r/min的轉(zhuǎn)動(dòng)；②換能器對(duì)射超聲信號(hào)時(shí)間序列采集方案，如圖3所示，發(fā)射與接收換能器以一定間隔、同一水平高度放置，發(fā)射換能器分靜止和轉(zhuǎn)動(dòng)兩種狀態(tài)進(jìn)行采集，轉(zhuǎn)動(dòng)狀態(tài)時(shí)，發(fā)射換能器面向接收換能器做轉(zhuǎn)速為1r/min的水平轉(zhuǎn)動(dòng)，接收換能器均保持靜止進(jìn)行數(shù)據(jù)采集。

圖2　目標(biāo)物超聲信號(hào)時(shí)間序列采集方案圖

圖3　對(duì)射超聲信號(hào)時(shí)間序列采集方案圖

1.2時(shí)間序列特征分析方法

當(dāng)發(fā)射換能器以編碼變頻方式連續(xù)發(fā)射超聲波時(shí)，接收換能器可以持續(xù)接收到超聲時(shí)間序列回波信號(hào)，對(duì)采集的信號(hào)可以通過(guò)相關(guān)幅值時(shí)間序列SR和測(cè)距值時(shí)間序列SD進(jìn)行特征分析。

相關(guān)分析是為了評(píng)價(jià)兩種具有相近性的信號(hào)在不同時(shí)間變化的相互依賴程度，當(dāng)把超聲波的發(fā)射和接收這兩個(gè)隨機(jī)過(guò)程看作具有相近性的兩個(gè)廣義平穩(wěn)隨機(jī)過(guò)程時(shí)，可以在時(shí)域上用互相關(guān)函數(shù)來(lái)評(píng)價(jià)兩者的相似性，由計(jì)算可知，不但單個(gè)互相關(guān)計(jì)算結(jié)果因目標(biāo)物的不同而取值不同，連續(xù)多個(gè)互相關(guān)幅值組成的序列也與目標(biāo)物的材質(zhì)、形狀、位置及發(fā)射換能器轉(zhuǎn)角等特性存在關(guān)聯(lián)。超聲波發(fā)射信號(hào)x(t)和回波信號(hào)y(t+τ)的互相關(guān)函數(shù)Rxy(τ)可表示為

(1)

發(fā)射波和回波離散化后可表示為

(2)

式中，τ為渡越時(shí)間；n為采樣點(diǎn)；N為采樣點(diǎn)數(shù)；m為回波信號(hào)的延遲點(diǎn)數(shù)。

根據(jù)式(2)可以求出每組發(fā)射波與其回波的Rxy(m)最大值，它們?cè)谶B續(xù)采樣時(shí)間內(nèi)構(gòu)成了反映目標(biāo)物特性的相關(guān)幅值時(shí)間序列SR。

超聲回波時(shí)域波形因目標(biāo)物特性或換能器轉(zhuǎn)角不同而變化，其中測(cè)距值d與特性參數(shù)x的復(fù)雜非線性關(guān)系可表示為d=f(x1,x2,…，xn)，但因單次采集信息量少，干擾信號(hào)強(qiáng)，無(wú)法分析得出兩者復(fù)雜的關(guān)系表達(dá)式;而在連續(xù)采樣時(shí)間內(nèi)多個(gè)測(cè)距值(d1,d2,…，dm)構(gòu)成了測(cè)距值時(shí)間序列SD，SD中必然保留著f(x1,x2,…，xn)的對(duì)應(yīng)關(guān)系，即存在SD=F(x1,x2,…，xn)，通過(guò)分析這種規(guī)律，可以豐富信息量，避免噪聲干擾，便于提取特征量。

1.3序列特征分析

采集不同材質(zhì)目標(biāo)物超聲信號(hào)時(shí)間序列時(shí)，按圖2所示的方案在距離5m、采樣頻率100kHz的實(shí)驗(yàn)條件下，將目標(biāo)物依次替換為不同材質(zhì)物體，采集實(shí)驗(yàn)數(shù)據(jù)后進(jìn)行濾波和相關(guān)計(jì)算處理，可形成相關(guān)幅值時(shí)間序列SR和測(cè)距值時(shí)間序列SD平滑曲線，兩種時(shí)間序列的圖形均與二次函數(shù)圖形類似，因此對(duì)采樣序列和兩種時(shí)間序列建立二次多項(xiàng)式模型a0+a1n+a2n2并進(jìn)行回歸分析，在統(tǒng)一函數(shù)頂點(diǎn)坐標(biāo)物理意義和平移為關(guān)于x=0對(duì)稱后可得圖4，此時(shí)，二次多項(xiàng)式可簡(jiǎn)化為a0+a2n2。

(a)相關(guān)幅值時(shí)序模型　　　 (b)測(cè)距值時(shí)序模型1.鐵板　2.木板　3.紙板圖4　不同材質(zhì)板狀物的兩種二次模型(距離5 m采集信號(hào))

由于超聲接收換能器是依靠超聲反射回波測(cè)距的，在超聲波強(qiáng)度等其他影響反射的實(shí)驗(yàn)條件均相同的情況下，造成SR和SD兩種序列不同的原因只與目標(biāo)物聲阻抗Z(即材質(zhì))相關(guān)，故代表曲線特征的二次模型參數(shù)[a0a2]應(yīng)與障礙物聲阻抗Z存在函數(shù)關(guān)系，繪制[a0a2]與Z的圖形后可知系數(shù)a0不隨Z變化，系數(shù)a2隨Z的增大非線性增大，對(duì)系數(shù)a2和Z可以建立模型Z=b1eb2a2+b3，再用非線性指數(shù)回歸分析法求出函數(shù)表達(dá)式，函數(shù)圖形如圖5所示，再將表達(dá)式代入二次多項(xiàng)式模型，可以求出時(shí)間序列SR中的元素R與目標(biāo)物材質(zhì)Z的關(guān)系式：

(5)

其中，參數(shù)b1、b2、b3和已知材質(zhì)聲阻抗Z均為已知量。

(a)序列SR系數(shù)a2與Z關(guān)系(b)序列SD系數(shù)a2與Z關(guān)系圖5　二次函數(shù)系數(shù)與聲阻抗的擬合結(jié)果

不同形狀目標(biāo)物的超聲回波時(shí)序也有明顯區(qū)分，但目標(biāo)物形狀千差萬(wàn)別，對(duì)形狀間的差異并無(wú)參數(shù)表征，因此，無(wú)法通過(guò)回歸或擬合建立兩者間的函數(shù)表達(dá)式，只能通過(guò)神經(jīng)網(wǎng)絡(luò)等智能算法模擬兩者之間的映射關(guān)系。

2　神經(jīng)網(wǎng)絡(luò)識(shí)別模型設(shè)計(jì)

2.1單超聲信號(hào)Elman網(wǎng)絡(luò)識(shí)別模型

在塔機(jī)安全預(yù)警中，如果能實(shí)現(xiàn)對(duì)單個(gè)超聲傳感器采集到的信號(hào)時(shí)間序列進(jìn)行特征提取以實(shí)現(xiàn)目標(biāo)識(shí)別，就能防止多個(gè)傳感器之間的串?dāng)_，避免復(fù)雜的空間幾何計(jì)算，減少傳感器安裝數(shù)量、簡(jiǎn)化監(jiān)測(cè)系統(tǒng)布局、降低安裝精度要求，給工程應(yīng)用帶來(lái)很大方便。

Elman網(wǎng)絡(luò)是一種局部回歸動(dòng)態(tài)反饋網(wǎng)絡(luò)，此網(wǎng)絡(luò)可看作具有局部記憶單元和局部反饋連接的前向網(wǎng)絡(luò)，從結(jié)構(gòu)上可分為輸入、隱蔽、承接和輸出四層，特殊存在的承接層將隱蔽層的輸出延遲與存儲(chǔ)并自聯(lián)到隱蔽層的輸入，使得前后兩次輸入之間產(chǎn)生了聯(lián)系，強(qiáng)化了對(duì)歷史狀態(tài)的敏感性，增加了網(wǎng)絡(luò)處理動(dòng)態(tài)信息的能力，可以用來(lái)挖掘超聲信號(hào)時(shí)間序列中連續(xù)輸入相互關(guān)聯(lián)的隱含信息[9]。

表1　Elman輸入部分樣本數(shù)據(jù)

網(wǎng)絡(luò)通過(guò)實(shí)例學(xué)習(xí)，對(duì)于每次的輸入樣本,網(wǎng)絡(luò)輸出都有對(duì)應(yīng)的指導(dǎo)信號(hào)與其屬性匹配，基于輸出端監(jiān)督信號(hào)與輸出的目標(biāo)函數(shù)準(zhǔn)則，通過(guò)不斷調(diào)整網(wǎng)絡(luò)的連接權(quán)值，使得網(wǎng)絡(luò)輸出與監(jiān)督信號(hào)誤差逐漸減小到要求的限度內(nèi)，最終得出可以用來(lái)指導(dǎo)執(zhí)行單元作用的一般規(guī)則。為適應(yīng)系統(tǒng)快速實(shí)時(shí)性的要求，訓(xùn)練采用自適應(yīng)Ir動(dòng)量梯度下降法，學(xué)習(xí)采用帶動(dòng)量的最速下降法。表2給出了一組學(xué)習(xí)樣本數(shù)據(jù)中對(duì)應(yīng)表1輸入樣本的期望輸出樣本，圖6為網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練后的誤差曲線圖,1000步時(shí)的最佳迭代效果達(dá)到0.001 110 4。

表2　Elman部分學(xué)習(xí)樣本數(shù)據(jù)中的期望輸出

圖6　Elman網(wǎng)絡(luò)運(yùn)行后的誤差曲線圖

網(wǎng)絡(luò)識(shí)別效果可以通過(guò)仿真和實(shí)驗(yàn)兩種方式進(jìn)行驗(yàn)證。在塔機(jī)吊臂頂端安裝單個(gè)遠(yuǎn)距離超聲傳感器，如圖7所示，傳感器探測(cè)區(qū)有不同位置、形狀、材質(zhì)的目標(biāo)物或接收換能器。吊臂以0.6r/min的速度回轉(zhuǎn)時(shí)，傳感器依次探測(cè)各目標(biāo)并返回時(shí)間序列數(shù)據(jù)，原始數(shù)據(jù)經(jīng)濾波、預(yù)計(jì)算后輸入Elman網(wǎng)絡(luò)識(shí)別出目標(biāo)物位置或形變信息，仿真和實(shí)驗(yàn)結(jié)果分別如圖8和表3所示。

圖7　仿真和實(shí)驗(yàn)驗(yàn)證方案

(a)柱體　　　　　　　(b)板狀　圖8　兩種形狀的Elman網(wǎng)絡(luò)仿真識(shí)別結(jié)果

柱體板狀最大誤差emax(mm)91.859149.5579平均誤差e-(mm)-22.22570.5575方差δ(mm2)45.986518.1733耗時(shí)t(s)32.409235.4953

2.2多超聲信號(hào)SOM網(wǎng)絡(luò)識(shí)別模型

由于塔機(jī)預(yù)警工作區(qū)域裝有多個(gè)超聲傳感器，必然存在不同位置傳感器對(duì)同一目標(biāo)同時(shí)進(jìn)行監(jiān)測(cè)并獲取數(shù)據(jù)的情況，在單超聲信號(hào)目標(biāo)識(shí)別的基礎(chǔ)上，通過(guò)神經(jīng)網(wǎng)絡(luò)融合多超聲傳感器的互補(bǔ)信息，對(duì)于提高目標(biāo)識(shí)別效果和預(yù)警準(zhǔn)確性有很大作用。

SOM網(wǎng)絡(luò)模擬大腦神經(jīng)系統(tǒng)自組織特征映射功能，其競(jìng)爭(zhēng)層不同區(qū)域的神經(jīng)元有不同分工，當(dāng)接受外界輸入模式后，網(wǎng)絡(luò)使用競(jìng)爭(zhēng)方式無(wú)監(jiān)督地進(jìn)行自組織學(xué)習(xí)，將競(jìng)爭(zhēng)層分為不同反應(yīng)區(qū)域，各區(qū)域?qū)斎肽Ｊ骄哂胁煌捻憫?yīng)特征，能捕捉各個(gè)輸入模式中所含的模式特征，并對(duì)其進(jìn)行自組織后在競(jìng)爭(zhēng)層將聚類結(jié)果表示出來(lái)，實(shí)現(xiàn)自動(dòng)聚類融合，達(dá)到目標(biāo)識(shí)別的目的。因Elman單超聲信號(hào)目標(biāo)識(shí)別輸出數(shù)據(jù)是以空間中多個(gè)點(diǎn)的形式出現(xiàn)的，而理想輸出應(yīng)該僅有一個(gè)與真實(shí)輪廓重合的點(diǎn)，多點(diǎn)間的相似性使多個(gè)分散的點(diǎn)以某種規(guī)律匯集，形成不同的區(qū)域劃分，此輸入特征可作為類屬劃分的準(zhǔn)則，便于用SOM網(wǎng)絡(luò)對(duì)Elman網(wǎng)絡(luò)過(guò)于分散的識(shí)別結(jié)果進(jìn)行聚類融合。

2D-SOM網(wǎng)絡(luò)輸入層以Elman網(wǎng)絡(luò)輸出序列循環(huán)分段的方式，依次輸入定長(zhǎng)序列為其輸入特征量進(jìn)行識(shí)別，表4為一組SOM輸入部分樣本數(shù)據(jù)；輸出層節(jié)點(diǎn)數(shù)可按換能器可探測(cè)區(qū)域等距劃分構(gòu)成，確定為10×10個(gè)二維輸出神經(jīng)元；輸入層每個(gè)節(jié)點(diǎn)連到輸出層所有節(jié)點(diǎn)而不存在反饋連接，輸出層使用層內(nèi)連。網(wǎng)絡(luò)輸出層的類神經(jīng)元們對(duì)每一個(gè)輸入彼此競(jìng)爭(zhēng)，最后剩下一個(gè)或一組節(jié)點(diǎn)，它們反映一類樣本的屬性。

表4　SOM輸入部分樣本數(shù)據(jù)

網(wǎng)絡(luò)設(shè)計(jì)完成后，隨機(jī)初始化鏈接權(quán)向量，學(xué)習(xí)率參數(shù)的調(diào)節(jié)應(yīng)隨著時(shí)間由1逐漸減小，初始鄰域應(yīng)包含較大范圍的類神經(jīng)元。以表4的學(xué)習(xí)樣本為輸入，網(wǎng)絡(luò)根據(jù)minargd′(wi,xj)找出勝利節(jié)點(diǎn)，并根據(jù)式wi(p+1)=wi(p)+η·(Xj-wi(p))調(diào)整勝利神經(jīng)元鄰域鏈接值向量[10]，其中d′為歐氏距離，Xj為輸入樣本，p為學(xué)習(xí)迭代步數(shù)，η為學(xué)習(xí)率參數(shù)，i、j代表不同神經(jīng)元。重復(fù)學(xué)習(xí)步驟至迭代終止。表5為網(wǎng)絡(luò)輸出的部分?jǐn)?shù)據(jù)，圖9為學(xué)習(xí)后輸出層臨近神經(jīng)元距離圖。

表5　SOM輸出部分?jǐn)?shù)據(jù)

圖9　學(xué)習(xí)后輸出層臨近神經(jīng)元距離圖

SOM網(wǎng)絡(luò)識(shí)別效果的仿真和實(shí)驗(yàn)方案同Elman網(wǎng)絡(luò)，原始數(shù)據(jù)經(jīng)濾波、預(yù)計(jì)算、Elman網(wǎng)絡(luò)識(shí)別后再經(jīng)SOM網(wǎng)絡(luò)聚類融合出目標(biāo)物位置或形變信息，仿真和實(shí)驗(yàn)結(jié)果分別如圖10和表6所示。

(a)柱體　　　　　　　　(b)板狀　　圖10　兩種形狀的SOM網(wǎng)絡(luò)仿真識(shí)別結(jié)果

柱體板狀最大誤差emax(mm)135.031244.0352平均誤差e-(mm)15.25872.3838方差δ(mm2)38.478412.3973耗時(shí)t(s)33.871635.4560

由識(shí)別結(jié)果可知，Elman網(wǎng)絡(luò)輸出較好地分布在理想數(shù)據(jù)周圍，與真實(shí)目標(biāo)物位置偏差不大，有較好的擬合、泛化能力；SOM網(wǎng)絡(luò)輸出分布更加集中，與真實(shí)目標(biāo)物位置偏差很小。從兩種網(wǎng)絡(luò)對(duì)多種形狀、位置、材質(zhì)的目標(biāo)物或換能器轉(zhuǎn)角的多次識(shí)別結(jié)果分析可得，Elman和SOM兩種網(wǎng)絡(luò)的最大絕對(duì)誤差分別為386mm、309mm，后者比前者降低了20%；最大平均誤差分別為106mm、102mm，較為接近；最大方差分別為224mm、220mm，較為接近；SOM網(wǎng)絡(luò)采用離線訓(xùn)練且不計(jì)算Elman前期融合耗時(shí)的在線計(jì)算耗時(shí)僅0.017s，明顯優(yōu)于其他多源融合、數(shù)據(jù)關(guān)聯(lián)及方程組求解方法，可以很好地達(dá)到預(yù)期效果，滿足塔機(jī)實(shí)際工況需求。

3　塔機(jī)超聲安全預(yù)警系統(tǒng)

3.1塔機(jī)失穩(wěn)預(yù)警

塔機(jī)失穩(wěn)判定一般采用壓桿穩(wěn)定性判定方法和靜力穩(wěn)定性判定方法，但在塔機(jī)的復(fù)雜性、結(jié)果的適用性、判定的主動(dòng)性上都略顯不足。根據(jù)獨(dú)立式塔機(jī)極限載荷動(dòng)態(tài)穩(wěn)定性有限元分析結(jié)果，塔機(jī)位移在Z軸方向最大值均出現(xiàn)在起重臂離回轉(zhuǎn)中心最遠(yuǎn)處，X軸和Y軸方向位移最大處都發(fā)生在塔帽頂端，坐標(biāo)軸如圖11所示。由于塔機(jī)在受力過(guò)程中自身會(huì)發(fā)生變形，若將塔機(jī)作為彈性振動(dòng)體系進(jìn)行建模并應(yīng)用力矩平衡法分析可知，對(duì)于慣性力作用下塔機(jī)最大位移ΔXmax、ΔYmax、

圖11　坐標(biāo)軸、監(jiān)測(cè)點(diǎn)、參考點(diǎn)布局圖

ΔZmax可通過(guò)解方程組求出，通過(guò)比較實(shí)際位移與塔機(jī)監(jiān)測(cè)位置極限位移大小關(guān)系可以判定塔機(jī)穩(wěn)定性。

將塔機(jī)簡(jiǎn)化成彈性振動(dòng)體系后計(jì)算系統(tǒng)動(dòng)能和位能，再將動(dòng)能對(duì)速度和時(shí)間微分，將位能對(duì)位移微分，可推導(dǎo)出塔機(jī)塔帽頂端ΔXmax、ΔYmax及起重臂離回轉(zhuǎn)中心最遠(yuǎn)處ΔZmax。以塔機(jī)起重工況下起重臂離回轉(zhuǎn)中心最遠(yuǎn)處ΔZmax計(jì)算為例，得出ΔZmax的表達(dá)式如下：

Mc=Gl2-G0l1-Mf

其中，m1為電機(jī)和起升機(jī)構(gòu)旋轉(zhuǎn)部分推算至卷筒半徑的質(zhì)量，m2為吊重質(zhì)量；l為起重臂長(zhǎng)，l1為起吊重物離傾覆邊距離，l2為塔機(jī)重心離傾覆邊距離；FV為起升機(jī)構(gòu)推算至卷筒的加速力，K為整體剛度；G為起重機(jī)自重；G0為起吊重物總重力；Mf為風(fēng)載力矩。當(dāng)塔機(jī)在起重工況下，起重臂頂端的Z軸位移大于ΔZmax時(shí)，塔機(jī)將會(huì)發(fā)生傾翻。

塔機(jī)失穩(wěn)是整機(jī)傾翻的主要原因，事故前常表現(xiàn)為塔臂和塔身的擺動(dòng)，可以采用塔機(jī)失穩(wěn)在線監(jiān)測(cè)系統(tǒng)監(jiān)測(cè)塔機(jī)關(guān)鍵部位擺動(dòng)幅度，以此判定失穩(wěn)可能性，實(shí)現(xiàn)安全預(yù)警功能。由最大位移變形分析[11]可知，塔機(jī)塔帽頂部X軸和Y軸方向位移、起重臂頂端Z軸方向位移均應(yīng)重點(diǎn)監(jiān)測(cè)。因此，超聲發(fā)射換能器監(jiān)測(cè)點(diǎn)安裝位置可設(shè)置在塔機(jī)起重臂頂端和塔帽頂端；配對(duì)的接收換能器可設(shè)置在固定的建筑物頂部等參考點(diǎn)位置，具體位置如圖11所示。監(jiān)測(cè)點(diǎn)和參考點(diǎn)與主控制器共同構(gòu)成監(jiān)測(cè)系統(tǒng)，指令和數(shù)據(jù)通過(guò)無(wú)線網(wǎng)連接傳遞。監(jiān)測(cè)點(diǎn)擺動(dòng)幅度可以由超聲傳感器時(shí)序信號(hào)經(jīng)Elman網(wǎng)絡(luò)時(shí)間序列融合識(shí)別獲取，再經(jīng)SOM網(wǎng)絡(luò)聚類融合，結(jié)合塔機(jī)各類載荷、工況條件下的極限位移失穩(wěn)判據(jù)，可以實(shí)現(xiàn)對(duì)塔機(jī)失穩(wěn)的監(jiān)測(cè)和預(yù)警。

3.2塔機(jī)碰撞預(yù)警

根據(jù)塔機(jī)碰撞特征分析可以確定出塔機(jī)易撞部位為吊臂、平衡臂和吊鉤，可用圖12所示的無(wú)線防碰撞預(yù)警系統(tǒng)對(duì)吊臂、平衡臂重點(diǎn)監(jiān)測(cè)。傳感器布局應(yīng)考慮既要減少傳感器數(shù)量又要減小檢測(cè)盲區(qū)，盲區(qū)距離控制在2m[12]以內(nèi)。監(jiān)測(cè)區(qū)域出現(xiàn)障礙物時(shí)，換能器接收到回波時(shí)序信號(hào)，經(jīng)Elman網(wǎng)絡(luò)時(shí)間序列融合識(shí)別，再經(jīng)SOM網(wǎng)絡(luò)聚類融合得出其空間位置和外形輪廓信息后，與塔機(jī)運(yùn)行信息聯(lián)合進(jìn)行安全預(yù)警判斷。設(shè)圍繞塔機(jī)回轉(zhuǎn)中心的圓形區(qū)域Ⅰ為塔機(jī)工作區(qū)域，圍繞起重臂、平衡臂的長(zhǎng)方區(qū)域Ⅱ?yàn)槌暀z測(cè)區(qū)域，若障礙物在區(qū)域Ⅱ里，此時(shí)系統(tǒng)以提醒方式通知駕駛員注意有障礙物可能阻擋塔機(jī)運(yùn)行；若障礙物在區(qū)域Ⅰ里，此時(shí)系統(tǒng)以警報(bào)方式通知駕駛員減速至安全速度，安全速度可參考設(shè)置為0.3r/min[12]；若障礙物的距離達(dá)到碰撞臨界距離，此時(shí)系統(tǒng)自動(dòng)強(qiáng)制停機(jī)至駕駛員人工干預(yù)，臨界距離的參考設(shè)置值為5m[12]。

圖12　防碰撞預(yù)警信息傳輸結(jié)構(gòu)圖

4　結(jié)論

(1)通過(guò)實(shí)驗(yàn)采集分析了超聲回波信號(hào)時(shí)間序列與目標(biāo)物特性間的映射關(guān)系，得到了超聲信號(hào)相關(guān)幅值、測(cè)距值兩種時(shí)間序列特征與目標(biāo)物位置、幾何、物理特性及換能器動(dòng)態(tài)物性間的映射規(guī)律,部分建立了數(shù)學(xué)表達(dá)式。

(2)對(duì)無(wú)法建立數(shù)學(xué)表達(dá)式的時(shí)序信號(hào)與目標(biāo)物間的映射關(guān)系，提出了神經(jīng)網(wǎng)絡(luò)目標(biāo)識(shí)別方法，設(shè)計(jì)出了Elman網(wǎng)絡(luò)單超聲時(shí)間序列目標(biāo)識(shí)別法和SOM網(wǎng)絡(luò)多超聲時(shí)間序列目標(biāo)識(shí)別法，并通過(guò)仿真和實(shí)驗(yàn)驗(yàn)證了其有效性。

(3) 通過(guò)對(duì)塔機(jī)穩(wěn)定性機(jī)理分析得出了以角度為特征量的失穩(wěn)預(yù)警監(jiān)測(cè)的塔機(jī)傾覆判據(jù)，構(gòu)建了塔機(jī)神經(jīng)網(wǎng)絡(luò)目標(biāo)識(shí)別防失穩(wěn)安全預(yù)警系統(tǒng)；通過(guò)塔機(jī)碰撞事故特征分析，構(gòu)建了塔機(jī)神經(jīng)網(wǎng)絡(luò)目標(biāo)識(shí)別防碰撞安全預(yù)警系統(tǒng)。

(4)研究表明，神經(jīng)網(wǎng)絡(luò)目標(biāo)識(shí)別方法可以有效用于塔機(jī)超聲防失穩(wěn)、碰撞安全預(yù)警系統(tǒng)中，較傳統(tǒng)方法在智能化、主動(dòng)性、靈活性、快速性、實(shí)時(shí)性方面都有所提高。

[1]令召蘭.基于MAS的多塔機(jī)防碰撞控制系統(tǒng)研究[D].西安:西安理工大學(xué),2007.

[2]閆小樂(lè).面向塔機(jī)防碰撞的遠(yuǎn)距離超聲傳感技術(shù)研究[D]. 西安:西安建筑科技大學(xué),2012.

[3]SonenbergG,DennyJA,McFarlanR.AutomatingCranesforStorageandRetrievalOperations[J].IronandSteelEngineer, 1998, 75(8): 54-58.

[4]魏濤.利勃海爾塔式起重機(jī)發(fā)展概述[J].建筑機(jī)械化，2003,24(3):40-41.

WeiTao.ADevelopmentSurveyoftheLIEBHERRTower-crane[J]ConstructionMechanization，2003, 24(3): 40-41.

[5]謝長(zhǎng)宇,尹荀保.大型塔機(jī)安全監(jiān)控系統(tǒng)的研制[J].建設(shè)機(jī)械技術(shù)與管理,2001(2):17-18.

XieChangyu,YinXunbao.DevelopmentofLargeTowerCraneSafetyMonitoringSystem[J].Technology&ManagementforConstructionMachinery,2001(2):17-18.

[6]馬燕明，朱冬梅，楊清泉,等.塔機(jī)防碰撞及工作區(qū)域限制技術(shù)[J].水利水電機(jī)械,2004，26(6)：16-20.

MaYanming,ZhuDongmei,YangQingquan,etal.TowerCraneAnti-collision&WorkingAreaLimitationTechnology[J].WaterConservancy&ElectricPowerMachinery,2004,26(6):16-20.

[7]魏素軍. 波坦MD2200塔式起重機(jī)[J].建筑機(jī)械, 2003(8):18.

WeiSujun.PotainTowerCraneMD2200[J].ConstructionMachinery, 2003(8):18.

[8]WhatAretheAdvantagesofTAC-3000overOtherAnti-collisionControlSystem[EB/OL].[2015-08-25]http://www.tac3000.com/products.htm.

[9]李西平,谷立臣. 基于Elman超聲信號(hào)時(shí)間融合的塔機(jī)防碰撞技術(shù)[J]. 傳感技術(shù)學(xué)報(bào), 2014,27(1):96-99.

LiXiping,GuLichen.Anti-collisionofTowerCraneviaUltrasonicElmanFusion[J].ChineseJournalofSensorsandActuators, 2014,27(1):96-99.

[10]LiX,GuL,KouX.Anti-collisionofTowerCraneviaUltrasonicNeuralNetworks[J].AppliedMechanicsandMaterials, 2014, 543: 1520-1524.

[11]何銀暉,塔式起重機(jī)極限工況的動(dòng)態(tài)穩(wěn)定性分析[D].西安:西安建筑科技大學(xué),2012.

[12]LiX,GuL,JiaJ.Anti-collisionMethodofTowerCraneviaUltrasonicMulti-sensorFusion[C]//AutomaticControlandArtificialIntelligence.Xiamen, 2012: 522-525.

(編輯王旻玥)

TargetRecognitionofTowerCraneSafetyPre-warningBasedonUltrasoundTimingSequenceNeuralNetwork

LiXipingGuLichenKouXueqin

Xi’anUniversityofArchitectureandTechnology,Xi’an, 710055

Aimingattowercranesafetypre-warningofinstabilityandcollisionprevention,toimprovethepassivesecuritymodeloftowercranewhichlackedlowcost,initiative,flexibility,rapidityandsimultaneity,therelationshipsamongthetargetcharacteristics，ultrasoundtimingsequencereleventcharacteristicsanddistancecharacteristicswereanalyzed.CombinedwithElmanandSOMnetwork,asystemoftargetrecognitionoftowercranesafetypre-warningwasdevelopedbasedonultrasoundtimingsequenceneuralnetwork.Thefunctionssuchassampling,datafusion,initiativepre-warningoftwistanglesandobstacleswereachieved.Experimentalresultsverifythatthesystemcansatisfythetowercraneworkingrequirementswithlowcost,highspeedandhighprecision.

neuralnetwork;towercrane;targetrecognition;safetypre-warning;ultrasoundtimingsequence

2015-10-10

國(guó)家自然科學(xué)基金資助項(xiàng)目(50975218)；陜西省教育廳專項(xiàng)基金資助項(xiàng)目(2013JK1011)；陜西省重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金資助項(xiàng)目(2014G1502043)。

TP183

10.3969/j.issn.1004-132X.2016.16.011

李西平，男，1978年生。西安建筑科技大學(xué)機(jī)電工程學(xué)院講師、博士。主要研究方向?yàn)槎嘣葱畔⑷诤吓c智能控制。谷立臣，男，1956年生。西安建筑科技大學(xué)機(jī)電工程學(xué)院教授、博士研究生導(dǎo)師。寇雪芹，女，1978年生。西安建筑科技大學(xué)機(jī)電工程學(xué)院副教授、博士。