李西平　谷立臣　寇雪芹

西安建筑科技大学,西安,710055



基于超声时序神经网络目标识别的塔机安全预警

李西平谷立臣寇雪芹

西安建筑科技大学,西安,710055

为实现塔机失稳监测和防碰撞的安全预警功能，改善塔机被动安全模型存在的低成本、主动性、灵活性、快速性和及时性的不足，通过分析目标物特性与超声时序信号相关特征及测距值特征的关系，结合Elman、SOM网络，构建了基于超声时序神经网络目标识别的塔机安全预警系统，可以实现对扭转角和障碍物的信号采集、数据融合、主动预警功能，试验结果表明该系统可以达到预期的低成本、高速度、高精度的塔机工作要求。

神经网络； 塔机；目标识别；安全预警；超声时序

0　引言

塔机是一种起重臂装设于高处的全回转非连续性搬运起重机械，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装作业。由于大型塔机起升质量已达200t，起升速度达50m/min，回转速度在0.6r/min以上，负载重、速度高、惯性大，在复杂多变的施工环境中，塔机失稳和碰撞频频出现[1-2]，这促使国内外学者广泛开展塔机安全监控的研究。在塔机失稳监测方面，POTAIN塔机太空舱驾驶室设计[3]、LIEBHERR塔机模块化设计和电子监控系统[4]、Crop公司可编程控制器塔机监视与控制技术[5]等代表着塔机稳定性监测的较高水平；在塔机防碰撞方面，SMIE公司AC30系统动态位置计算和风险估算技术[6]、POTAIN公司塔机区域限制规划技术[7]、e-build公司TAC-3000塔机群防碰撞工作边界限制和区域保护技术[8]等代表着塔机防碰撞的成熟技术。但这些塔机安全监控技术都是被动防御安全模型，在主动性、智能化、实时性、快速性上还有待提高；同时，在超声传感器技术、数字信号处理技术、分类识别技术、神经网络工程应用等众多前沿成果的推动下，超声传感器与神经网络相结合的超声目标识别技术无论是在研究的内容上还是在使用的技术方法上都呈现出广阔前景。目前，远距离超声传感器用于塔机安全预警的研究还处于起步阶段, 超声时序信号与神经网络相结合进行数据融合、目标识别的技术也未见报道。

1　超声时序信号特征分析

1.1信号采集实验方案

超声波是频率高于20kHz的机械波，传播过程中发生折射与反射，声压随传播距离呈负指数形式衰减。为适应塔机工况要求，实验选用波束角较小、声能集中的LHQ22-2气介式压电陶瓷防水型超声传感器，与超声发射模块、超声接收模块、数据采集模块、超声信号分析处理模块、模拟目标物等组成了超声信号时间序列数据采集分析实验系统，主要设备如图1所示。

图1　数据采集分析实验系统

针对障碍物识别和塔机扭摆识别的不同要求，设计两种实验方案：①不同材质、形状、距离障碍物超声信号时间序列采集方案，如图2所示，发射与接收换能器间距为15cm，与障碍物同高度水平放置，面向障碍物做转速为1r/min的转动；②换能器对射超声信号时间序列采集方案，如图3所示，发射与接收换能器以一定间隔、同一水平高度放置，发射换能器分静止和转动两种状态进行采集，转动状态时，发射换能器面向接收换能器做转速为1r/min的水平转动，接收换能器均保持静止进行数据采集。

图2　目标物超声信号时间序列采集方案图

图3　对射超声信号时间序列采集方案图

1.2时间序列特征分析方法

当发射换能器以编码变频方式连续发射超声波时，接收换能器可以持续接收到超声时间序列回波信号，对采集的信号可以通过相关幅值时间序列SR和测距值时间序列SD进行特征分析。

相关分析是为了评价两种具有相近性的信号在不同时间变化的相互依赖程度，当把超声波的发射和接收这两个随机过程看作具有相近性的两个广义平稳随机过程时，可以在时域上用互相关函数来评价两者的相似性，由计算可知，不但单个互相关计算结果因目标物的不同而取值不同，连续多个互相关幅值组成的序列也与目标物的材质、形状、位置及发射换能器转角等特性存在关联。超声波发射信号x(t)和回波信号y(t+τ)的互相关函数Rxy(τ)可表示为

(1)

发射波和回波离散化后可表示为

(2)

式中，τ为渡越时间；n为采样点；N为采样点数；m为回波信号的延迟点数。

根据式(2)可以求出每组发射波与其回波的Rxy(m)最大值，它们在连续采样时间内构成了反映目标物特性的相关幅值时间序列SR。

超声回波时域波形因目标物特性或换能器转角不同而变化，其中测距值d与特性参数x的复杂非线性关系可表示为d=f(x1,x2,…，xn)，但因单次采集信息量少，干扰信号强，无法分析得出两者复杂的关系表达式;而在连续采样时间内多个测距值(d1,d2,…，dm)构成了测距值时间序列SD，SD中必然保留着f(x1,x2,…，xn)的对应关系，即存在SD=F(x1,x2,…，xn)，通过分析这种规律，可以丰富信息量，避免噪声干扰，便于提取特征量。

1.3序列特征分析

采集不同材质目标物超声信号时间序列时，按图2所示的方案在距离5m、采样频率100kHz的实验条件下，将目标物依次替换为不同材质物体，采集实验数据后进行滤波和相关计算处理，可形成相关幅值时间序列SR和测距值时间序列SD平滑曲线，两种时间序列的图形均与二次函数图形类似，因此对采样序列和两种时间序列建立二次多项式模型a0+a1n+a2n2并进行回归分析，在统一函数顶点坐标物理意义和平移为关于x=0对称后可得图4，此时，二次多项式可简化为a0+a2n2。

(a)相关幅值时序模型　　　 (b)测距值时序模型1.铁板　2.木板　3.纸板图4　不同材质板状物的两种二次模型(距离5 m采集信号)

由于超声接收换能器是依靠超声反射回波测距的，在超声波强度等其他影响反射的实验条件均相同的情况下，造成SR和SD两种序列不同的原因只与目标物声阻抗Z(即材质)相关，故代表曲线特征的二次模型参数[a0a2]应与障碍物声阻抗Z存在函数关系，绘制[a0a2]与Z的图形后可知系数a0不随Z变化，系数a2随Z的增大非线性增大，对系数a2和Z可以建立模型Z=b1eb2a2+b3，再用非线性指数回归分析法求出函数表达式，函数图形如图5所示，再将表达式代入二次多项式模型，可以求出时间序列SR中的元素R与目标物材质Z的关系式：

(5)

其中，参数b1、b2、b3和已知材质声阻抗Z均为已知量。

(a)序列SR系数a2与Z关系(b)序列SD系数a2与Z关系图5　二次函数系数与声阻抗的拟合结果

不同形状目标物的超声回波时序也有明显区分，但目标物形状千差万别，对形状间的差异并无参数表征，因此，无法通过回归或拟合建立两者间的函数表达式，只能通过神经网络等智能算法模拟两者之间的映射关系。

2　神经网络识别模型设计

2.1单超声信号Elman网络识别模型

在塔机安全预警中，如果能实现对单个超声传感器采集到的信号时间序列进行特征提取以实现目标识别，就能防止多个传感器之间的串扰，避免复杂的空间几何计算，减少传感器安装数量、简化监测系统布局、降低安装精度要求，给工程应用带来很大方便。

Elman网络是一种局部回归动态反馈网络，此网络可看作具有局部记忆单元和局部反馈连接的前向网络，从结构上可分为输入、隐蔽、承接和输出四层，特殊存在的承接层将隐蔽层的输出延迟与存储并自联到隐蔽层的输入，使得前后两次输入之间产生了联系，强化了对历史状态的敏感性，增加了网络处理动态信息的能力，可以用来挖掘超声信号时间序列中连续输入相互关联的隐含信息[9]。

表1　Elman输入部分样本数据

网络通过实例学习，对于每次的输入样本,网络输出都有对应的指导信号与其属性匹配，基于输出端监督信号与输出的目标函数准则，通过不断调整网络的连接权值，使得网络输出与监督信号误差逐渐减小到要求的限度内，最终得出可以用来指导执行单元作用的一般规则。为适应系统快速实时性的要求，训练采用自适应Ir动量梯度下降法，学习采用带动量的最速下降法。表2给出了一组学习样本数据中对应表1输入样本的期望输出样本，图6为网络学习训练后的误差曲线图,1000步时的最佳迭代效果达到0.001 110 4。

表2　Elman部分学习样本数据中的期望输出

图6　Elman网络运行后的误差曲线图

网络识别效果可以通过仿真和实验两种方式进行验证。在塔机吊臂顶端安装单个远距离超声传感器，如图7所示，传感器探测区有不同位置、形状、材质的目标物或接收换能器。吊臂以0.6r/min的速度回转时，传感器依次探测各目标并返回时间序列数据，原始数据经滤波、预计算后输入Elman网络识别出目标物位置或形变信息，仿真和实验结果分别如图8和表3所示。

图7　仿真和实验验证方案

(a)柱体　　　　　　　(b)板状　图8　两种形状的Elman网络仿真识别结果

柱体板状最大误差emax(mm)91.859149.5579平均误差e-(mm)-22.22570.5575方差δ(mm2)45.986518.1733耗时t(s)32.409235.4953

2.2多超声信号SOM网络识别模型

由于塔机预警工作区域装有多个超声传感器，必然存在不同位置传感器对同一目标同时进行监测并获取数据的情况，在单超声信号目标识别的基础上，通过神经网络融合多超声传感器的互补信息，对于提高目标识别效果和预警准确性有很大作用。

SOM网络模拟大脑神经系统自组织特征映射功能，其竞争层不同区域的神经元有不同分工，当接受外界输入模式后，网络使用竞争方式无监督地进行自组织学习，将竞争层分为不同反应区域，各区域对输入模式具有不同的响应特征，能捕捉各个输入模式中所含的模式特征，并对其进行自组织后在竞争层将聚类结果表示出来，实现自动聚类融合，达到目标识别的目的。因Elman单超声信号目标识别输出数据是以空间中多个点的形式出现的，而理想输出应该仅有一个与真实轮廓重合的点，多点间的相似性使多个分散的点以某种规律汇集，形成不同的区域划分，此输入特征可作为类属划分的准则，便于用SOM网络对Elman网络过于分散的识别结果进行聚类融合。

2D-SOM网络输入层以Elman网络输出序列循环分段的方式，依次输入定长序列为其输入特征量进行识别，表4为一组SOM输入部分样本数据；输出层节点数可按换能器可探测区域等距划分构成，确定为10×10个二维输出神经元；输入层每个节点连到输出层所有节点而不存在反馈连接，输出层使用层内连。网络输出层的类神经元们对每一个输入彼此竞争，最后剩下一个或一组节点，它们反映一类样本的属性。

表4　SOM输入部分样本数据

网络设计完成后，随机初始化链接权向量，学习率参数的调节应随着时间由1逐渐减小，初始邻域应包含较大范围的类神经元。以表4的学习样本为输入，网络根据minargd′(wi,xj)找出胜利节点，并根据式wi(p+1)=wi(p)+η·(Xj-wi(p))调整胜利神经元邻域链接值向量[10]，其中d′为欧氏距离，Xj为输入样本，p为学习迭代步数，η为学习率参数，i、j代表不同神经元。重复学习步骤至迭代终止。表5为网络输出的部分数据，图9为学习后输出层临近神经元距离图。

表5　SOM输出部分数据

图9　学习后输出层临近神经元距离图

SOM网络识别效果的仿真和实验方案同Elman网络，原始数据经滤波、预计算、Elman网络识别后再经SOM网络聚类融合出目标物位置或形变信息，仿真和实验结果分别如图10和表6所示。

(a)柱体　　　　　　　　(b)板状　　图10　两种形状的SOM网络仿真识别结果

柱体板状最大误差emax(mm)135.031244.0352平均误差e-(mm)15.25872.3838方差δ(mm2)38.478412.3973耗时t(s)33.871635.4560

由识别结果可知，Elman网络输出较好地分布在理想数据周围，与真实目标物位置偏差不大，有较好的拟合、泛化能力；SOM网络输出分布更加集中，与真实目标物位置偏差很小。从两种网络对多种形状、位置、材质的目标物或换能器转角的多次识别结果分析可得，Elman和SOM两种网络的最大绝对误差分别为386mm、309mm，后者比前者降低了20%；最大平均误差分别为106mm、102mm，较为接近；最大方差分别为224mm、220mm，较为接近；SOM网络采用离线训练且不计算Elman前期融合耗时的在线计算耗时仅0.017s，明显优于其他多源融合、数据关联及方程组求解方法，可以很好地达到预期效果，满足塔机实际工况需求。

3　塔机超声安全预警系统

3.1塔机失稳预警

塔机失稳判定一般采用压杆稳定性判定方法和静力稳定性判定方法，但在塔机的复杂性、结果的适用性、判定的主动性上都略显不足。根据独立式塔机极限载荷动态稳定性有限元分析结果，塔机位移在Z轴方向最大值均出现在起重臂离回转中心最远处，X轴和Y轴方向位移最大处都发生在塔帽顶端，坐标轴如图11所示。由于塔机在受力过程中自身会发生变形，若将塔机作为弹性振动体系进行建模并应用力矩平衡法分析可知，对于惯性力作用下塔机最大位移ΔXmax、ΔYmax、

图11　坐标轴、监测点、参考点布局图

ΔZmax可通过解方程组求出，通过比较实际位移与塔机监测位置极限位移大小关系可以判定塔机稳定性。

将塔机简化成弹性振动体系后计算系统动能和位能，再将动能对速度和时间微分，将位能对位移微分，可推导出塔机塔帽顶端ΔXmax、ΔYmax及起重臂离回转中心最远处ΔZmax。以塔机起重工况下起重臂离回转中心最远处ΔZmax计算为例，得出ΔZmax的表达式如下：

Mc=Gl2-G0l1-Mf

其中，m1为电机和起升机构旋转部分推算至卷筒半径的质量，m2为吊重质量；l为起重臂长，l1为起吊重物离倾覆边距离，l2为塔机重心离倾覆边距离；FV为起升机构推算至卷筒的加速力，K为整体刚度；G为起重机自重；G0为起吊重物总重力；Mf为风载力矩。当塔机在起重工况下，起重臂顶端的Z轴位移大于ΔZmax时，塔机将会发生倾翻。

塔机失稳是整机倾翻的主要原因，事故前常表现为塔臂和塔身的摆动，可以采用塔机失稳在线监测系统监测塔机关键部位摆动幅度，以此判定失稳可能性，实现安全预警功能。由最大位移变形分析[11]可知，塔机塔帽顶部X轴和Y轴方向位移、起重臂顶端Z轴方向位移均应重点监测。因此，超声发射换能器监测点安装位置可设置在塔机起重臂顶端和塔帽顶端；配对的接收换能器可设置在固定的建筑物顶部等参考点位置，具体位置如图11所示。监测点和参考点与主控制器共同构成监测系统，指令和数据通过无线网连接传递。监测点摆动幅度可以由超声传感器时序信号经Elman网络时间序列融合识别获取，再经SOM网络聚类融合，结合塔机各类载荷、工况条件下的极限位移失稳判据，可以实现对塔机失稳的监测和预警。

3.2塔机碰撞预警

根据塔机碰撞特征分析可以确定出塔机易撞部位为吊臂、平衡臂和吊钩，可用图12所示的无线防碰撞预警系统对吊臂、平衡臂重点监测。传感器布局应考虑既要减少传感器数量又要减小检测盲区，盲区距离控制在2m[12]以内。监测区域出现障碍物时，换能器接收到回波时序信号，经Elman网络时间序列融合识别，再经SOM网络聚类融合得出其空间位置和外形轮廓信息后，与塔机运行信息联合进行安全预警判断。设围绕塔机回转中心的圆形区域Ⅰ为塔机工作区域，围绕起重臂、平衡臂的长方区域Ⅱ为超声检测区域，若障碍物在区域Ⅱ里，此时系统以提醒方式通知驾驶员注意有障碍物可能阻挡塔机运行；若障碍物在区域Ⅰ里，此时系统以警报方式通知驾驶员减速至安全速度，安全速度可参考设置为0.3r/min[12]；若障碍物的距离达到碰撞临界距离，此时系统自动强制停机至驾驶员人工干预，临界距离的参考设置值为5m[12]。

图12　防碰撞预警信息传输结构图

4　结论

(1)通过实验采集分析了超声回波信号时间序列与目标物特性间的映射关系，得到了超声信号相关幅值、测距值两种时间序列特征与目标物位置、几何、物理特性及换能器动态物性间的映射规律,部分建立了数学表达式。

(2)对无法建立数学表达式的时序信号与目标物间的映射关系，提出了神经网络目标识别方法，设计出了Elman网络单超声时间序列目标识别法和SOM网络多超声时间序列目标识别法，并通过仿真和实验验证了其有效性。

(3) 通过对塔机稳定性机理分析得出了以角度为特征量的失稳预警监测的塔机倾覆判据，构建了塔机神经网络目标识别防失稳安全预警系统；通过塔机碰撞事故特征分析，构建了塔机神经网络目标识别防碰撞安全预警系统。

(4)研究表明，神经网络目标识别方法可以有效用于塔机超声防失稳、碰撞安全预警系统中，较传统方法在智能化、主动性、灵活性、快速性、实时性方面都有所提高。

[1]令召兰.基于MAS的多塔机防碰撞控制系统研究[D].西安:西安理工大学,2007.

[2]闫小乐.面向塔机防碰撞的远距离超声传感技术研究[D]. 西安:西安建筑科技大学,2012.

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

[4]魏涛.利勃海尔塔式起重机发展概述[J].建筑机械化，2003,24(3):40-41.

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

[5]谢长宇,尹荀保.大型塔机安全监控系统的研制[J].建设机械技术与管理,2001(2):17-18.

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

[6]马燕明，朱冬梅，杨清泉,等.塔机防碰撞及工作区域限制技术[J].水利水电机械,2004，26(6)：16-20.

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

[7]魏素军. 波坦MD2200塔式起重机[J].建筑机械, 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超声信号时间融合的塔机防碰撞技术[J]. 传感技术学报, 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]何银晖,塔式起重机极限工况的动态稳定性分析[D].西安:西安建筑科技大学,2012.

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

(编辑王旻玥)

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

国家自然科学基金资助项目(50975218)；陕西省教育厅专项基金资助项目(2013JK1011)；陕西省重点实验室开放基金资助项目(2014G1502043)。

TP183

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

李西平，男，1978年生。西安建筑科技大学机电工程学院讲师、博士。主要研究方向为多源信息融合与智能控制。谷立臣，男，1956年生。西安建筑科技大学机电工程学院教授、博士研究生导师。寇雪芹，女，1978年生。西安建筑科技大学机电工程学院副教授、博士。