基于超聲時序神經網絡目標識別的塔機安全預警

李西平　谷立臣　寇雪芹

西安建筑科技大學,西安,710055

?

基于超聲時序神經網絡目標識別的塔機安全預警

李西平谷立臣寇雪芹

西安建筑科技大學,西安,710055

為實現塔機失穩監測和防碰撞的安全預警功能，改善塔機被動安全模型存在的低成本、主動性、靈活性、快速性和及時性的不足，通過分析目標物特性與超聲時序信號相關特征及測距值特征的關系，結合Elman、SOM網絡，構建了基于超聲時序神經網絡目標識別的塔機安全預警系統，可以實現對扭轉角和障礙物的信號采集、數據融合、主動預警功能，試驗結果表明該系統可以達到預期的低成本、高速度、高精度的塔機工作要求。

神經網絡； 塔機；目標識別；安全預警；超聲時序

0　引言

塔機是一種起重臂裝設于高處的全回轉非連續性搬運起重機械，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。由于大型塔機起升質量已達200t，起升速度達50m/min，回轉速度在0.6r/min以上，負載重、速度高、慣性大，在復雜多變的施工環境中，塔機失穩和碰撞頻頻出現[1-2]，這促使國內外學者廣泛開展塔機安全監控的研究。在塔機失穩監測方面，POTAIN塔機太空艙駕駛室設計[3]、LIEBHERR塔機模塊化設計和電子監控系統[4]、Crop公司可編程控制器塔機監視與控制技術[5]等代表著塔機穩定性監測的較高水平；在塔機防碰撞方面，SMIE公司AC30系統動態位置計算和風險估算技術[6]、POTAIN公司塔機區域限制規劃技術[7]、e-build公司TAC-3000塔機群防碰撞工作邊界限制和區域保護技術[8]等代表著塔機防碰撞的成熟技術。但這些塔機安全監控技術都是被動防御安全模型，在主動性、智能化、實時性、快速性上還有待提高；同時，在超聲傳感器技術、數字信號處理技術、分類識別技術、神經網絡工程應用等眾多前沿成果的推動下，超聲傳感器與神經網絡相結合的超聲目標識別技術無論是在研究的內容上還是在使用的技術方法上都呈現出廣闊前景。目前，遠距離超聲傳感器用于塔機安全預警的研究還處于起步階段, 超聲時序信號與神經網絡相結合進行數據融合、目標識別的技術也未見報道。

1　超聲時序信號特征分析

1.1信號采集實驗方案

超聲波是頻率高于20kHz的機械波，傳播過程中發生折射與反射，聲壓隨傳播距離呈負指數形式衰減。為適應塔機工況要求，實驗選用波束角較小、聲能集中的LHQ22-2氣介式壓電陶瓷防水型超聲傳感器，與超聲發射模塊、超聲接收模塊、數據采集模塊、超聲信號分析處理模塊、模擬目標物等組成了超聲信號時間序列數據采集分析實驗系統，主要設備如圖1所示。

圖1　數據采集分析實驗系統

針對障礙物識別和塔機扭擺識別的不同要求，設計兩種實驗方案：①不同材質、形狀、距離障礙物超聲信號時間序列采集方案，如圖2所示，發射與接收換能器間距為15cm，與障礙物同高度水平放置，面向障礙物做轉速為1r/min的轉動；②換能器對射超聲信號時間序列采集方案，如圖3所示，發射與接收換能器以一定間隔、同一水平高度放置，發射換能器分靜止和轉動兩種狀態進行采集，轉動狀態時，發射換能器面向接收換能器做轉速為1r/min的水平轉動，接收換能器均保持靜止進行數據采集。

圖2　目標物超聲信號時間序列采集方案圖

圖3　對射超聲信號時間序列采集方案圖

1.2時間序列特征分析方法

當發射換能器以編碼變頻方式連續發射超聲波時，接收換能器可以持續接收到超聲時間序列回波信號，對采集的信號可以通過相關幅值時間序列SR和測距值時間序列SD進行特征分析。

相關分析是為了評價兩種具有相近性的信號在不同時間變化的相互依賴程度，當把超聲波的發射和接收這兩個隨機過程看作具有相近性的兩個廣義平穩隨機過程時，可以在時域上用互相關函數來評價兩者的相似性，由計算可知，不但單個互相關計算結果因目標物的不同而取值不同，連續多個互相關幅值組成的序列也與目標物的材質、形狀、位置及發射換能器轉角等特性存在關聯。超聲波發射信號x(t)和回波信號y(t+τ)的互相關函數Rxy(τ)可表示為

(1)

發射波和回波離散化后可表示為

(2)

式中，τ為渡越時間；n為采樣點；N為采樣點數；m為回波信號的延遲點數。

根據式(2)可以求出每組發射波與其回波的Rxy(m)最大值，它們在連續采樣時間內構成了反映目標物特性的相關幅值時間序列SR。

超聲回波時域波形因目標物特性或換能器轉角不同而變化，其中測距值d與特性參數x的復雜非線性關系可表示為d=f(x1,x2,…，xn)，但因單次采集信息量少，干擾信號強，無法分析得出兩者復雜的關系表達式;而在連續采樣時間內多個測距值(d1,d2,…，dm)構成了測距值時間序列SD，SD中必然保留著f(x1,x2,…，xn)的對應關系，即存在SD=F(x1,x2,…，xn)，通過分析這種規律，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

采集不同材質目標物超聲信號時間序列時，按圖2所示的方案在距離5m、采樣頻率100kHz的實驗條件下，將目標物依次替換為不同材質物體，采集實驗數據后進行濾波和相關計算處理，可形成相關幅值時間序列SR和測距值時間序列SD平滑曲線，兩種時間序列的圖形均與二次函數圖形類似，因此對采樣序列和兩種時間序列建立二次多項式模型a0+a1n+a2n2并進行回歸分析，在統一函數頂點坐標物理意義和平移為關于x=0對稱后可得圖4，此時，二次多項式可簡化為a0+a2n2。

(a)相關幅值時序模型　　　 (b)測距值時序模型1.鐵板　2.木板　3.紙板圖4　不同材質板狀物的兩種二次模型(距離5 m采集信號)

由于超聲接收換能器是依靠超聲反射回波測距的，在超聲波強度等其他影響反射的實驗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物聲阻抗Z(即材質)相關，故代表曲線特征的二次模型參數[a0a2]應與障礙物聲阻抗Z存在函數關系，繪制[a0a2]與Z的圖形后可知系數a0不隨Z變化，系數a2隨Z的增大非線性增大，對系數a2和Z可以建立模型Z=b1eb2a2+b3，再用非線性指數回歸分析法求出函數表達式，函數圖形如圖5所示，再將表達式代入二次多項式模型，可以求出時間序列SR中的元素R與目標物材質Z的關系式：

(5)

其中，參數b1、b2、b3和已知材質聲阻抗Z均為已知量。

(a)序列SR系數a2與Z關系(b)序列SD系數a2與Z關系圖5　二次函數系數與聲阻抗的擬合結果

不同形狀目標物的超聲回波時序也有明顯區分，但目標物形狀千差萬別，對形狀間的差異并無參數表征，因此，無法通過回歸或擬合建立兩者間的函數表達式，只能通過神經網絡等智能算法模擬兩者之間的映射關系。

2　神經網絡識別模型設計

2.1單超聲信號Elman網絡識別模型

在塔機安全預警中，如果能實現對單個超聲傳感器采集到的信號時間序列進行特征提取以實現目標識別，就能防止多個傳感器之間的串擾，避免復雜的空間幾何計算，減少傳感器安裝數量、簡化監測系統布局、降低安裝精度要求，給工程應用帶來很大方便。

Elman網絡是一種局部回歸動態反饋網絡，此網絡可看作具有局部記憶單元和局部反饋連接的前向網絡，從結構上可分為輸入、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并自聯到隱蔽層的輸入，使得前后兩次輸入之間產生了聯系，強化了對歷史狀態的敏感性，增加了網絡處理動態信息的能力，可以用來挖掘超聲信號時間序列中連續輸入相互關聯的隱含信息[9]。

表1　Elman輸入部分樣本數據

網絡通過實例學習，對于每次的輸入樣本,網絡輸出都有對應的指導信號與其屬性匹配，基于輸出端監督信號與輸出的目標函數準則，通過不斷調整網絡的連接權值，使得網絡輸出與監督信號誤差逐漸減小到要求的限度內，最終得出可以用來指導執行單元作用的一般規則。為適應系統快速實時性的要求，訓練采用自適應Ir動量梯度下降法，學習采用帶動量的最速下降法。表2給出了一組學習樣本數據中對應表1輸入樣本的期望輸出樣本，圖6為網絡學習訓練后的誤差曲線圖,1000步時的最佳迭代效果達到0.001 110 4。

表2　Elman部分學習樣本數據中的期望輸出

圖6　Elman網絡運行后的誤差曲線圖

網絡識別效果可以通過仿真和實驗兩種方式進行驗證。在塔機吊臂頂端安裝單個遠距離超聲傳感器，如圖7所示，傳感器探測區有不同位置、形狀、材質的目標物或接收換能器。吊臂以0.6r/min的速度回轉時，傳感器依次探測各目標并返回時間序列數據，原始數據經濾波、預計算后輸入Elman網絡識別出目標物位置或形變信息，仿真和實驗結果分別如圖8和表3所示。

圖7　仿真和實驗驗證方案

(a)柱體　　　　　　　(b)板狀　圖8　兩種形狀的Elman網絡仿真識別結果

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t(s)32.409235.4953

2.2多超聲信號SOM網絡識別模型

由于塔機預警工作區域裝有多個超聲傳感器，必然存在不同位置傳感器對同一目標同時進行監測并獲取數據的情況，在單超聲信號目標識別的基礎上，通過神經網絡融合多超聲傳感器的互補信息，對于提高目標識別效果和預警準確性有很大作用。

SOM網絡模擬大腦神經系統自組織特征映射功能，其競爭層不同區域的神經元有不同分工，當接受外界輸入模式后，網絡使用競爭方式無監督地進行自組織學習，將競爭層分為不同反應區域，各區域對輸入模式具有不同的響應特征，能捕捉各個輸入模式中所含的模式特征，并對其進行自組織后在競爭層將聚類結果表示出來，實現自動聚類融合，達到目標識別的目的。因Elman單超聲信號目標識別輸出數據是以空間中多個點的形式出現的，而理想輸出應該僅有一個與真實輪廓重合的點，多點間的相似性使多個分散的點以某種規律匯集，形成不同的區域劃分，此輸入特征可作為類屬劃分的準則，便于用SOM網絡對Elman網絡過于分散的識別結果進行聚類融合。

2D-SOM網絡輸入層以Elman網絡輸出序列循環分段的方式，依次輸入定長序列為其輸入特征量進行識別，表4為一組SOM輸入部分樣本數據；輸出層節點數可按換能器可探測區域等距劃分構成，確定為10×10個二維輸出神經元；輸入層每個節點連到輸出層所有節點而不存在反饋連接，輸出層使用層內連。網絡輸出層的類神經元們對每一個輸入彼此競爭，最后剩下一個或一組節點，它們反映一類樣本的屬性。

表4　SOM輸入部分樣本數據

網絡設計完成后，隨機初始化鏈接權向量，學習率參數的調節應隨著時間由1逐漸減小，初始鄰域應包含較大范圍的類神經元。以表4的學習樣本為輸入，網絡根據minargd′(wi,xj)找出勝利節點，并根據式wi(p+1)=wi(p)+η·(Xj-wi(p))調整勝利神經元鄰域鏈接值向量[10]，其中d′為歐氏距離，Xj為輸入樣本，p為學習迭代步數，η為學習率參數，i、j代表不同神經元。重復學習步驟至迭代終止。表5為網絡輸出的部分數據，圖9為學習后輸出層臨近神經元距離圖。

表5　SOM輸出部分數據

圖9　學習后輸出層臨近神經元距離圖

SOM網絡識別效果的仿真和實驗方案同Elman網絡，原始數據經濾波、預計算、Elman網絡識別后再經SOM網絡聚類融合出目標物位置或形變信息，仿真和實驗結果分別如圖10和表6所示。

(a)柱體　　　　　　　　(b)板狀　　圖10　兩種形狀的SOM網絡仿真識別結果

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t(s)33.871635.4560

由識別結果可知，Elman網絡輸出較好地分布在理想數據周圍，與真實目標物位置偏差不大，有較好的擬合、泛化能力；SOM網絡輸出分布更加集中，與真實目標物位置偏差很小。從兩種網絡對多種形狀、位置、材質的目標物或換能器轉角的多次識別結果分析可得，Elman和SOM兩種網絡的最大絕對誤差分別為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網絡采用離線訓練且不計算Elman前期融合耗時的在線計算耗時僅0.017s，明顯優于其他多源融合、數據關聯及方程組求解方法，可以很好地達到預期效果，滿足塔機實際工況需求。

3　塔機超聲安全預警系統

3.1塔機失穩預警

塔機失穩判定一般采用壓桿穩定性判定方法和靜力穩定性判定方法，但在塔機的復雜性、結果的適用性、判定的主動性上都略顯不足。根據獨立式塔機極限載荷動態穩定性有限元分析結果，塔機位移在Z軸方向最大值均出現在起重臂離回轉中心最遠處，X軸和Y軸方向位移最大處都發生在塔帽頂端，坐標軸如圖11所示。由于塔機在受力過程中自身會發生變形，若將塔機作為彈性振動體系進行建模并應用力矩平衡法分析可知，對于慣性力作用下塔機最大位移ΔXmax、ΔYmax、

圖11　坐標軸、監測點、參考點布局圖

ΔZmax可通過解方程組求出，通過比較實際位移與塔機監測位置極限位移大小關系可以判定塔機穩定性。

將塔機簡化成彈性振動體系后計算系統動能和位能，再將動能對速度和時間微分，將位能對位移微分，可推導出塔機塔帽頂端ΔXmax、ΔYmax及起重臂離回轉中心最遠處ΔZmax。以塔機起重工況下起重臂離回轉中心最遠處ΔZmax計算為例，得出ΔZmax的表達式如下：

Mc=Gl2-G0l1-Mf

其中，m1為電機和起升機構旋轉部分推算至卷筒半徑的質量，m2為吊重質量；l為起重臂長，l1為起吊重物離傾覆邊距離，l2為塔機重心離傾覆邊距離；FV為起升機構推算至卷筒的加速力，K為整體剛度；G為起重機自重；G0為起吊重物總重力；Mf為風載力矩。當塔機在起重工況下，起重臂頂端的Z軸位移大于ΔZmax時，塔機將會發生傾翻。

塔機失穩是整機傾翻的主要原因，事故前常表現為塔臂和塔身的擺動，可以采用塔機失穩在線監測系統監測塔機關鍵部位擺動幅度，以此判定失穩可能性，實現安全預警功能。由最大位移變形分析[11]可知，塔機塔帽頂部X軸和Y軸方向位移、起重臂頂端Z軸方向位移均應重點監測。因此，超聲發射換能器監測點安裝位置可設置在塔機起重臂頂端和塔帽頂端；配對的接收換能器可設置在固定的建筑物頂部等參考點位置，具體位置如圖11所示。監測點和參考點與主控制器共同構成監測系統，指令和數據通過無線網連接傳遞。監測點擺動幅度可以由超聲傳感器時序信號經Elman網絡時間序列融合識別獲取，再經SOM網絡聚類融合，結合塔機各類載荷、工況條件下的極限位移失穩判據，可以實現對塔機失穩的監測和預警。

3.2塔機碰撞預警

根據塔機碰撞特征分析可以確定出塔機易撞部位為吊臂、平衡臂和吊鉤，可用圖12所示的無線防碰撞預警系統對吊臂、平衡臂重點監測。傳感器布局應考慮既要減少傳感器數量又要減小檢測盲區，盲區距離控制在2m[12]以內。監測區域出現障礙物時，換能器接收到回波時序信號，經Elman網絡時間序列融合識別，再經SOM網絡聚類融合得出其空間位置和外形輪廓信息后，與塔機運行信息聯合進行安全預警判斷。設圍繞塔機回轉中心的圓形區域Ⅰ為塔機工作區域，圍繞起重臂、平衡臂的長方區域Ⅱ為超聲檢測區域，若障礙物在區域Ⅱ里，此時系統以提醒方式通知駕駛員注意有障礙物可能阻擋塔機運行；若障礙物在區域Ⅰ里，此時系統以警報方式通知駕駛員減速至安全速度，安全速度可參考設置為0.3r/min[12]；若障礙物的距離達到碰撞臨界距離，此時系統自動強制停機至駕駛員人工干預，臨界距離的參考設置值為5m[12]。

圖12　防碰撞預警信息傳輸結構圖

4　結論

(1)通過實驗采集分析了超聲回波信號時間序列與目標物特性間的映射關系，得到了超聲信號相關幅值、測距值兩種時間序列特征與目標物位置、幾何、物理特性及換能器動態物性間的映射規律,部分建立了數學表達式。

(2)對無法建立數學表達式的時序信號與目標物間的映射關系，提出了神經網絡目標識別方法，設計出了Elman網絡單超聲時間序列目標識別法和SOM網絡多超聲時間序列目標識別法，并通過仿真和實驗驗證了其有效性。

(3) 通過對塔機穩定性機理分析得出了以角度為特征量的失穩預警監測的塔機傾覆判據，構建了塔機神經網絡目標識別防失穩安全預警系統；通過塔機碰撞事故特征分析，構建了塔機神經網絡目標識別防碰撞安全預警系統。

(4)研究表明，神經網絡目標識別方法可以有效用于塔機超聲防失穩、碰撞安全預警系統中，較傳統方法在智能化、主動性、靈活性、快速性、實時性方面都有所提高。

[1]令召蘭.基于MAS的多塔機防碰撞控制系統研究[D].西安:西安理工大學,2007.

[2]閆小樂.面向塔機防碰撞的遠距離超聲傳感技術研究[D]. 西安:西安建筑科技大學,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發展概述[J].建筑機械化，2003,24(3):40-41.

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

[5]謝長宇,尹荀保.大型塔機安全監控系統的研制[J].建設機械技術與管理,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.塔機防碰撞及工作區域限制技術[J].水利水電機械,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[J].建筑機械, 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超聲信號時間融合的塔機防碰撞技術[J]. 傳感技術學報, 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,塔式起重機極限工況的動態穩定性分析[D].西安:西安建筑科技大學,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

國家自然科學基金資助項目(50975218)；陜西省教育廳專項基金資助項目(2013JK1011)；陜西省重點實驗室開放基金資助項目(2014G1502043)。

TP183

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

李西平，男，1978年生。西安建筑科技大學機電工程學院講師、博士。主要研究方向為多源信息融合與智能控制。谷立臣，男，1956年生。西安建筑科技大學機電工程學院教授、博士研究生導師?？苎┣郏?，1978年生。西安建筑科技大學機電工程學院副教授、博士。