一种爬架组的工作状态检测方法

摘要

本发明公开了一种爬架组的工作状态检测方法，通过构建两级神经网络模型，高度神经网络模型对爬架组内的相邻爬架之间的高度差信息进行处理，倾角神经网络模型对爬架组内的各个爬架的倾角信息进行处理，载荷神经网络对爬架组内的各个爬架的载荷信息进行处理，高度神经网络模型、倾角神经网络模型和载荷神经网络模型的输出作为第二级神经网络模型的输入，由此得到第二级神经网络模型的输出并据此进行判定得到爬架组的工作状态；优点是考虑爬架组内相邻爬架的状态数据的关联性，对爬架组内的各个爬架的数据信息进行融合处理，降低外界环境对各个爬架的干扰影响，综合得到全面、准确的判定结果，提高了检测爬架组安全状况的准确率。

主权项

一种爬架组的工作状态检测方法，所述的爬架组包括依次排列的五个爬架，五个爬架依次为1号爬架、2号爬架、3号爬架、4号爬架和5号爬架；其特征在于包括以下步骤：①构建两级神经网络模型：第一级神经网络模型包括三个神经网络模型，分别为高度神经网络模型、倾角神经网络模型和载荷神经网络模型，第二级神经网络模型包括一个神经网络模型，每个所述的神经网络模型包括输入层、隐藏层和输出层，每个所述的神经网络模型的隐藏层和输出层的激活函数均为tansig函数，所述的tansig函数为：$f\left(x\right)=\frac{2}{1+e^{-2x}}-1,$e为自然对数的底数；所述的高度神经网络模型的输入层的神经元节点数为4个，所述的高度神经网络模型的隐藏层的神经元节点数为9个，所述的高度神经网络模型的输出层的神经元节点数为1个；所述的高度神经网络模型的输入层的参数为X₁＝[x₁，x₂，x₃，x₄]，隐藏层的输出函数为y₁＝f₁(iw₁X₁+b₁)，输出层的输出函数为y₂＝f₂(lw₂y₁+b₂)＝f₂(lw₂f₁(iw₁X₁+b₁)+b₂)，其中iw₁为输入层与隐藏层之间的权值矩阵，b₁为输入层与隐藏层之间的阈值矩阵；lw₂为隐藏层与输出层之间的权值矩阵，b₂为隐藏层与输出层之间的阈值矩阵；所述的高度神经网络模型的输出Y_h＝y₂；所述的倾角神经网络模型的输入层的神经元节点数为5个，所述的倾角神经网络模型的隐藏层的神经元节点数为11个，所述的倾角神经网络模型的输出层的神经元节点数为1个；所述的倾角神经网络模型的输入层的参数为X₂＝[x₅，x₆，x₇，x₈，x₉]，隐藏层的输出函数为y₁'＝f₁'(iw₁'X₂+b₁')，输出层的输出函数为y₂'＝f₂'(lw₂'y₁'+b₂')＝f₂'(lw₂'f₁'(iw₁'X₂+b₁')+b₂')，其中iw₁'为输入层与隐藏层之间的权值矩阵，b₁'为输入层与隐藏层之间的阈值矩阵；lw₂'为隐藏层与输出层之间的权值矩阵，b₂'为隐藏层与输出层之间的阈值矩阵；所述的倾角神经网络模型的输出Y_d＝y₂'；所述的载荷神经网络模型的输入层的神经元节点数为5个，所述的载荷神经网络模型的隐藏层的神经元节点数为11个，所述的载荷神经网络模型的输出层的神经元节点数为1个；所述的载荷神经网络模型的输入层的参数为X₃＝[x₁₀，x₁₁，x₁₂，x₁₃，x₁₄]，隐藏层的输出函数为y₁″＝f₁″(iw₁″X₃+b₁″)，输出层的输出函数为y₂″＝f₂″(lw₂″y₁″+b₂″)＝f₂″(lw₂″f₁″(iw₁″X₃+b₁″)+b₂″)，其中iw₁″为输入层与隐藏层之间的权值矩阵，b₁″为输入层与隐藏层之间的阈值矩阵；lw₂″为隐藏层与输出层之间的权值矩阵，b₂″为隐藏层与输出层之间的阈值矩阵；所述的载荷神经网络模型的输出Y_F＝y₂″；所述的第二级神经网络模型的输入层的神经元节点数为3个，所述的第二级神经网络模型的隐藏层的神经元节点数为7个，所述的第二级神经网络模型的输出层的神经元节点数为1个；所述的第二级神经网络模型的输入层的参数为X₄＝[x₁₅，x₁₆，x₁₇]，隐藏层的输出函数为y₁″'＝f₁″'(iw₁″'X₄+b₁″')，输出层的输出函数为y₂″'＝f₂″'(lw₂″'y₁″'+b₂″')＝f₂″'(lw₂″'f₁″'(iw₁″'X₄+b₁″')+b₂″')，其中iw₁″'为输入层与隐藏层之间的权值矩阵，b₁″'为输入层与隐藏层之间的阈值矩阵；lw₂″'为隐藏层与输出层之间的权值矩阵，b₂″'为隐藏层与输出层之间的阈值矩阵；所述的第二级神经网络模型的输出T＝y₂″'；②采用爬架组的样本数据对步骤①中各个神经网络模型进行训练，得到iw₁、b₁、lw₂、b₂、iw₁'、b₁'、lw₂'、b₂'、iw₁″、b₁″、lw₂″、b₂″、iw₁″'、b₁″'、lw₂″'、b₂″'；③对五个爬架的工作状态进行周期性的采样：每个周期内的采样数据包括爬架的高度、倾角和载荷数据，其中，1号爬架的高度记为h₁、倾角记为d₁、载荷记为F₁；2号爬架的高度记为h₂、倾角记为d₂、载荷记为F₂；3号爬架的高度记为h₃、倾角记为d₃、载荷记为F₃；4号爬架的高度记为h₄、倾角记为d₄、载荷记为F₄；5号爬架的高度记为h₅、倾角记为d₅、载荷记为F₅；④将同一周期内相邻两个爬架的高度相减，得到Δh₁、Δh₂、Δh₃和Δh₄，其中Δh₁＝h₁‑h₂，Δh₂＝h₂‑h₃，Δh₃＝h₃‑h₄，Δh₄＝h₄‑h₅；⑤对Δh₁、Δh₂、Δh₃、Δh₄、d₁、d₂、d₃、d₄、d₅、F₁、F₂、F₃、F₄和F₅分别代入公式进行归一化处理，该公式中，x表示归一化处理前的值，表示x归一化处理后的值，min表示x所表示的物理量的最小取值，max表示x所表示的物理量的最大取值；Δh₁归一化处理后的值为Δh₂归一化处理后的值为Δh₃归一化处理后的值为Δh₄归一化处理后的值为d₁归一化处理后的值为d₂归一化处理后的值为d₃归一化处理后的值为d₄归一化处理后的值为d₅归一化处理后的值为F₁归一化处理后的值为F₂归一化处理后的值为F₃归一化处理后的值为F₄归一化处理后的值为F₅归一化处理后的值为⑥将步骤⑤归一化处理后的数值输入两级神经网络模型中进行处理：将和作为高度神经网络模型的输入层的参数X₁＝[x₁，x₂，x₃，x₄]输入到高度神经网络模型中进行处理，得到高度神经网络模型的输出Y_h；将和作为倾角神经网络模型的输入层的参数X₂＝[x₅，x₆，x₇，x₈，x₉]输入到倾角神经网络模型中进行处理，得到倾角神经网络模型的输出Y_d；将和作为载荷神经网络模型的输入层的参数X₃＝[x₁₀，x₁₁，x₁₂，x₁₃，x₁₄]输入到载荷神经网络模型中进行处理，得到载荷神经网络模型的输出Y_F；⑦将Y_h、Y_d和Y_F作为第二级神经网络模型的输入层的参数X₄＝[x₁₅，x₁₆，x₁₇]输入到第二级神经网络模型中，得到第二级神经网络模型的输出T；⑧根据T判定爬架组的工作状态是否安全：如果0≤T＜0.6,则判定爬架组处于正常工作状态，即安全状态；如果0.6≤T＜0.85,则判定爬架组处于过渡状态，爬架组的工作状态介于安全状态和危险状态之间；如果0.85≤T＜1,则判定爬架组处于危险状态。