CN119515085A 一种吊篮运输安全管理方法及系统 （中航建设集团有限公司）

本申请公开了一种吊篮运输安全管理方法2S5，将采集的吊篮重量数据与预设的安全采用小波包分解算法对振动数据进行时频分解，提取不同频带的能量特征和小波系采用快速傅里叶变换算法对小波分解后的振动数据进行频域分析，提3根据每个数据片段的时间戳，从吊篮钢丝绳的历史检修记录和故障将多尺度数据片段与对应的损伤标签组合，构建训练数据集，每史时刻的损失特征序列和未来一段时间内的真实损伤标签，构建BiLSTM模型的训练数据S45，利用训练后的BiLSTM模型对提取的钢丝绳当前时刻的损伤类型和损伤程度特征将提取的钢丝绳当前时刻的损伤类型和损伤程度特征向量，转化为固定长度的one_将嵌入层输出的损伤类型和损伤程度向量按特征维度拼接，得到采用两个平行的正向和反向LSTM分别对损伤特征向量进行正向和反向钢丝绳损伤发展过程中的前向和后向长距离时序依在正向LSTM网络的每一个时间步，将当前时间步的正向隐在反向LSTM网络的每一个时间步，将当前时间步的反向隐在每一个时间步，将正向LSTM网络输出的正向隐藏状态和利用Luong注意力机制，通过当前时刻双向LSTM隐藏状态向量与各时刻双向LSTM隐藏状态向量的相似度计算当前时刻与各时刻的注意力权重，基于注意力权重对各时刻双向将当前时刻注意力特征向量与当前时刻双向LSTM隐藏4将当前时刻损伤预测特征向量通过全连接层和Softmax函数映射为未来一段时间内钢骤S66得到的在线学习模型，分别获得基于历史经验的控制方案和基于在线学习的控制方设置决策树序列中每棵决策树的最大深度、叶子节点最小样本数利用交叉验证方法将步骤S63构建的训练数遍历所有的超参数组合，根据综合性能评估结果，选择最优超参数组合5分别获取基于历史经验的控制方案和基于在线根据预设融合权重对基于历史经验的控制方案和基于在线学习的控制方案进行线性将计算得到的吊篮运行工况变化率与预设阈值如果吊篮运行工况变化率超出预设阈值范围，则调整融合设置历史经验控制方案的权重调整系数α,设置在线学习控制方案的权重调整系数β,获取计算得到的吊篮运行工况变化率，根据变化率相对于程度，计算权重调整系数的变化值Aa和AB；偏离程度通过变化率与阈值范围上下限的;;a'和p分别为更新后的历史经验控制方案和在线学习控制方案的权重调整系;;利用归一化后的权重调整系数a"和p"，计算历史经验控制方案和在线学习控;;其中，和分别为融合权重调整前的历史经验控制方案和在线学习控制方案的权6至少一个处理单元；用于执行指令以实现权利要求1至9任一项所789绳的健康状态预测结果，提取钢丝绳当前时刻的损伤类型和损伤程度特征向量，作为意力层和输出层；S43，从步骤S3获取的钢丝绳历史运行数据及对应的历史损伤标签数据损伤特征向量；采用两个平行的正向和反向LSTM分别对损伤特征向量进行正向和反向传将正向LSTM网络输出的正向隐藏状态和反向LSTM网络输出的反向隐藏状态按照特征维度通过当前时刻双向LSTM隐藏状态向量与各时刻双向LSTM隐藏状态向量的相似度计算当前向量通过全连接层和Softmax函数映射为未来一段时间内钢丝绳各个损伤类型的损伤程度优超参数组合以及对应的决策树序列作为吊篮运行控制的在设置历史经验控制方案的权重调整系数α,设置在线学习控制方案的权重调整系数β,初始偏离程度，计算权重调整系数的变化值Aa和AB；偏离程度通过变化率与阈值范围上下限的差值的绝对值表示；对权重调整系数进行更新，更新公式为：a'=a-AXAa，a'和p分别为更新后的历史经验控制方案和在线学习控制方案更新后的权重调整系数”和s进行归一化处理利用归一化后的权重调整系数a"和p"，计算历史经验控制方案和在线学习控制方案的权重和:,,其中，和分别为融合权重调整前的历史经验控制[0024]图1是根据本申请一些实施例所示的一种吊篮运输安全管理方法的示例性流程[0026]图3是根据本申请一些实施例所示的生成钢丝绳健康状态预测结果的示例性流程[0027]图4是根据本申请一些实施例所示的构建钢丝绳健康状态预测模型的训练数据集[0028]图5是根据本申请一些实施例所示的生成吊篮运行控制决策方案的示例性流程过编码器记录钢丝绳的运行位移，将各传感器采集的信号映射到钢丝绳的空间坐标系下，[0038]如图4所示，构建训练数据集，将所有钢丝绳的数据片段及其对应的损伤标签汇[0040]S33：采用反向传播算法和mini_batch梯度下降方法对钢丝绳健康状态预测模型MLP模型预测的损伤类型和程度概率分布与样本真实标签之间的差异。对每个mini_batch到输入层。对于第l层的权重矩阵"和偏置向量s，其梯度公式为和,其中和分别为一阶矩估计和二阶矩估[0044]迭代训练：重复执行直到完成100个epoch或模型在验证集上的准确率连续5个[0045]S34：利用训练后的钢丝绳健康状态预测模型，对采集的钢丝绳运行数据进行预中L为需要预测的时间窗口长度。将提取出的特征片段输入到训练好的MLP神经网络模型[（damage_type_1，damage_level_1damage_type_2，damage_level_2.......，量。对于每个时间步t，将t时刻的D维嵌入向量和t_1时刻的H维正向隐藏状态作为和记忆单元状态。在每个时间步t，将正向LSTM网络输出的H维正向隐藏状态和反向LSTM网络输出的H维反向隐藏状态按照特征维度拼接，得到一个2H维的向量h与各时刻双向隐藏状态向量h,i=1,2,…,N的注意力权重a,。采用Luong注意力到归一化的注意力权重。基于归一化的注意力权重对各时刻双向隐藏一个12M维的预测向量。将预测向量按照时子向量，每个子向量对应未来一个时间步的损伤状态预测值。对每个12维的子向量应用频率对数据进行分组和同步。对于应变片数据，按照每分钟100个采样点的频率进行重采和偏度等5个统计特征。将应变数据的4个统计特征和加速度数据的5个统计特征按照特征测，得到t时刻钢丝绳的损伤类型damagew和损伤程度damagepa。将预测得到的damagew和damagena组合成一个二元组(damage,m,damage)，表示t时刻钢丝绳元组序列，每个序列包含连续N个时刻的损伤状态，表示一段时间内钢丝绳损伤的发展过ldamagemuw,damagemuw)。如果在M个时间步内不存在损伤记录，则将损伤标签二[0058]S45：利用训练后的BiLSTM模型对提取的钢丝绳当前时刻的损伤类型和损伤程度个损伤状态二元组damagem.ma,damageaw.ma)。将预测得到的当前时刻损伤状态二元组damagem.ma,damageaw.ma)追加到历史损伤特征序列的末尾。如果历史损伤特每个未来时间步，选择概率最大的损伤类型和损伤程度组合作为该时间步的预测损伤状型和损伤程度预测序列。超限的判断结果；具体的，根据吊篮的设计参数和安全规范，预设吊篮的安全重量范围测量值W。将测量值W与预设的安全重量范围[wa,W]进行比对，判断W是否sa，表明使用训练好的MLP神经网络模型，对钢丝绳当前时刻的多传感器数据进行健康状态预测。[0061]然后提取未来一段时间内钢丝绳损伤趋势预测结果，使用训练对钢丝绳当前时刻及其之前N个时刻的健康状态序列进行损伤趋势预测。BiLSTM模型的输出为未来M个时间步的钢丝绳损伤类型和损伤程度序列，每个时间步包含一个损伤类型和重状态，将其编码为1；如果W>wa，则判断吊篮处于超重状态，将其编码为3；如果sa量综合了钢丝绳当前的健康状态、未来的损伤趋势以及吊篮的载重情况，全面刻画了吊篮提取为统一的特征表示，构建了一个综合描述吊篮运行状态的输入特征向量。该特征向量公式为：score=wxslability+w2xenergy+Mxresponse，其中w,M2,w3分别为三法的训练数据集，训练数据集中每个训练样本包含输入特征向量和对应的最优控制方案，树算法的输入。训练数据集的每个样本由两部分组成：输入特征X表示吊篮的当前运行状训练数据集进行二叉树建模，生成初始决策树，首先，使用CART（Classificationand。选择基尼指数最小的特征k和取值v设节点t包含N,个样本，共有K个类别，第k类样本的数量为。节点t的基尼指数为：该节点中所有样本的输出控制方案标签Y。选择出现频率最高的控制方案作为该叶子节点,每个子数据集的样本数量与原始训练集相同。Bagging通过有放回的随机抽样，在每个子数据集中引入了随机扰动，增强了决策树的多样性。对每个子数据集采用投票法对M个预测结果进行集成，选择得票数最高的控制方案作为最终的集成预测结成预测得到最终的控制方案决策模型通过Bagging集成策略，降低了单棵决策树的方置决策树数量M和采样比例η,初始化样本权重分布为均的软投票方法，对K组评估结果进行融合，得到当前超