本技術(shù)涉及數(shù)據(jù)處理領(lǐng)域，具體涉及一種基于激光的高低吊箱梁安全角度計(jì)算方法。

背景技術(shù)：

1、在高低吊箱梁施工領(lǐng)域，安全監(jiān)測(cè)一直是一個(gè)重要且具有挑戰(zhàn)性的問(wèn)題。傳統(tǒng)的箱梁吊裝監(jiān)測(cè)主要依靠人工觀測(cè)和簡(jiǎn)單的傳感器數(shù)據(jù)采集，這種方式不僅效率低下，而且容易受到人為因素和環(huán)境條件的影響，難以及時(shí)發(fā)現(xiàn)和預(yù)警潛在的安全隱患。隨著智能傳感技術(shù)的發(fā)展，雖然出現(xiàn)了一些基于激光測(cè)距、姿態(tài)傳感等技術(shù)的監(jiān)測(cè)方案，但這些方案仍存在明顯的局限性。

2、現(xiàn)有的監(jiān)測(cè)系統(tǒng)往往采用單一數(shù)據(jù)源或簡(jiǎn)單的數(shù)據(jù)融合方式，難以全面準(zhǔn)確地反映箱梁的實(shí)時(shí)狀態(tài)。同時(shí)，環(huán)境因素對(duì)激光測(cè)距的影響較大，而現(xiàn)有系統(tǒng)缺乏有效的環(huán)境補(bǔ)償機(jī)制，導(dǎo)致測(cè)量精度不穩(wěn)定。在數(shù)據(jù)處理方面，簡(jiǎn)單的濾波算法難以有效處理復(fù)雜工況下的噪聲干擾，而固定的預(yù)警閾值也無(wú)法適應(yīng)動(dòng)態(tài)變化的施工環(huán)境。此外，現(xiàn)有系統(tǒng)普遍缺乏對(duì)歷史數(shù)據(jù)的深入挖掘和利用，無(wú)法實(shí)現(xiàn)模型的持續(xù)優(yōu)化和自適應(yīng)調(diào)整，這嚴(yán)重影響了系統(tǒng)的可靠性和實(shí)用性。

3、因此，如何實(shí)現(xiàn)多源數(shù)據(jù)的有效融合、建立動(dòng)態(tài)的安全評(píng)估機(jī)制，以及提高系統(tǒng)的自適應(yīng)能力，是當(dāng)前亟需解決的關(guān)鍵問(wèn)題。這不僅關(guān)系到施工安全和效率，也是推動(dòng)建筑施工智能化發(fā)展的重要課題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)中的問(wèn)題，本技術(shù)提供一種基于激光的高低吊箱梁安全角度計(jì)算方法，能夠效提升高低吊箱梁施工過(guò)程中的安全監(jiān)測(cè)水平和預(yù)警能力。

2、為了解決上述問(wèn)題中的至少一個(gè)，本技術(shù)提供以下技術(shù)方案：

3、第一方面，本技術(shù)提供一種基于激光的高低吊箱梁安全角度計(jì)算方法，包括：

4、構(gòu)建多源監(jiān)測(cè)數(shù)據(jù)融合模型，采集激光測(cè)距數(shù)據(jù)、天車姿態(tài)數(shù)據(jù)及環(huán)境參數(shù)數(shù)據(jù)，所述環(huán)境參數(shù)數(shù)據(jù)包括溫度數(shù)據(jù)、濕度數(shù)據(jù)、大氣壓數(shù)據(jù)、光照強(qiáng)度數(shù)據(jù)；基于所述環(huán)境參數(shù)數(shù)據(jù)建立自適應(yīng)環(huán)境補(bǔ)償機(jī)制，提取所述溫度數(shù)據(jù)、所述濕度數(shù)據(jù)、所述大氣壓數(shù)據(jù)、所述光照強(qiáng)度數(shù)據(jù)的時(shí)變特征，建立所述時(shí)變特征與測(cè)距誤差的映射關(guān)系模型，根據(jù)所述映射關(guān)系模型計(jì)算環(huán)境補(bǔ)償系數(shù)；利用卡爾曼濾波算法對(duì)所述激光測(cè)距數(shù)據(jù)、所述天車姿態(tài)數(shù)據(jù)進(jìn)行噪聲抑制與狀態(tài)估計(jì)，基于協(xié)方差矩陣計(jì)算所述激光測(cè)距數(shù)據(jù)、所述天車姿態(tài)數(shù)據(jù)的置信度權(quán)重，結(jié)合所述置信度權(quán)重、所述環(huán)境補(bǔ)償系數(shù)對(duì)所述激光測(cè)距數(shù)據(jù)進(jìn)行修正得到箱梁高度數(shù)據(jù)，對(duì)所述天車姿態(tài)數(shù)據(jù)進(jìn)行修正得到天車運(yùn)動(dòng)數(shù)據(jù)，將所述箱梁高度數(shù)據(jù)與所述天車運(yùn)動(dòng)數(shù)據(jù)融合得到箱梁實(shí)時(shí)狀態(tài)參數(shù)；

5、基于所述箱梁實(shí)時(shí)狀態(tài)參數(shù)構(gòu)建動(dòng)態(tài)安全評(píng)估模型，采用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)分別提取所述箱梁高度數(shù)據(jù)、所述天車運(yùn)動(dòng)數(shù)據(jù)的時(shí)序特征，構(gòu)建滑動(dòng)時(shí)間窗口計(jì)算所述時(shí)序特征的局部波動(dòng)指標(biāo)，結(jié)合所述局部波動(dòng)指標(biāo)構(gòu)建自回歸模型預(yù)測(cè)箱梁傾角變化趨勢(shì)，基于所述箱梁傾角變化趨勢(shì)計(jì)算風(fēng)險(xiǎn)等級(jí)，當(dāng)所述風(fēng)險(xiǎn)等級(jí)超過(guò)預(yù)設(shè)閾值時(shí)觸發(fā)分級(jí)報(bào)警信號(hào)；

6、將所述箱梁高度數(shù)據(jù)、所述天車運(yùn)動(dòng)數(shù)據(jù)、所述時(shí)序特征、所述局部波動(dòng)指標(biāo)、所述箱梁傾角變化趨勢(shì)、所述風(fēng)險(xiǎn)等級(jí)數(shù)據(jù)存入優(yōu)化數(shù)據(jù)庫(kù)，基于所述優(yōu)化數(shù)據(jù)庫(kù)中的歷史數(shù)據(jù)訓(xùn)練所述長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)與所述自回歸模型并更新所述映射關(guān)系模型。

7、進(jìn)一步地，所述基于所述環(huán)境參數(shù)數(shù)據(jù)建立自適應(yīng)環(huán)境補(bǔ)償機(jī)制，提取所述溫度數(shù)據(jù)、所述濕度數(shù)據(jù)、所述大氣壓數(shù)據(jù)、所述光照強(qiáng)度數(shù)據(jù)的時(shí)變特征，建立所述時(shí)變特征與測(cè)距誤差的映射關(guān)系模型，根據(jù)所述映射關(guān)系模型計(jì)算環(huán)境補(bǔ)償系數(shù)，包括：

8、將所述溫度數(shù)據(jù)、所述濕度數(shù)據(jù)、所述大氣壓數(shù)據(jù)、所述光照強(qiáng)度數(shù)據(jù)分別通過(guò)小波變換提取時(shí)變特征，對(duì)每類數(shù)據(jù)采用滑動(dòng)時(shí)間窗口計(jì)算均值、標(biāo)準(zhǔn)差、峰度和偏度等統(tǒng)計(jì)特征，將計(jì)算得到的統(tǒng)計(jì)特征組合形成特征向量，使用歸一化處理將所述特征向量映射到[0,1]區(qū)間得到環(huán)境時(shí)變特征；

9、構(gòu)建一個(gè)包含輸入層、隱藏層和輸出層的bp神經(jīng)網(wǎng)絡(luò)，將所述環(huán)境時(shí)變特征輸入所述bp神經(jīng)網(wǎng)絡(luò)的輸入層，通過(guò)所述隱藏層的非線性變換建立所述環(huán)境時(shí)變特征與激光測(cè)距誤差的映射關(guān)系，基于所述輸出層計(jì)算得到的測(cè)距誤差值確定環(huán)境補(bǔ)償系數(shù)，所述環(huán)境補(bǔ)償系數(shù)用于對(duì)激光測(cè)距數(shù)據(jù)進(jìn)行修正。

10、進(jìn)一步地，所述利用卡爾曼濾波算法對(duì)所述激光測(cè)距數(shù)據(jù)、所述天車姿態(tài)數(shù)據(jù)進(jìn)行噪聲抑制與狀態(tài)估計(jì)，基于協(xié)方差矩陣計(jì)算所述激光測(cè)距數(shù)據(jù)、所述天車姿態(tài)數(shù)據(jù)的置信度權(quán)重，結(jié)合所述置信度權(quán)重、所述環(huán)境補(bǔ)償系數(shù)對(duì)所述激光測(cè)距數(shù)據(jù)進(jìn)行修正得到箱梁高度數(shù)據(jù)，包括：

11、構(gòu)建卡爾曼濾波器狀態(tài)空間模型，將激光測(cè)距數(shù)據(jù)和天車姿態(tài)數(shù)據(jù)作為觀測(cè)量輸入所述狀態(tài)空間模型，通過(guò)狀態(tài)預(yù)測(cè)方程計(jì)算先驗(yàn)狀態(tài)估計(jì)值，基于觀測(cè)方程計(jì)算新息序列，結(jié)合卡爾曼增益矩陣更新?tīng)顟B(tài)估計(jì)值，得到噪聲抑制后的測(cè)距數(shù)據(jù)和姿態(tài)數(shù)據(jù)；

12、基于所述卡爾曼濾波過(guò)程中的預(yù)測(cè)誤差協(xié)方差矩陣計(jì)算測(cè)距數(shù)據(jù)和姿態(tài)數(shù)據(jù)的置信度權(quán)重，將所述置信度權(quán)重與環(huán)境補(bǔ)償系數(shù)進(jìn)行線性組合得到綜合修正系數(shù)，使用所述綜合修正系數(shù)對(duì)噪聲抑制后的測(cè)距數(shù)據(jù)進(jìn)行校正，生成反映箱梁實(shí)際高度的箱梁高度數(shù)據(jù)。

13、進(jìn)一步地，?所述對(duì)所述天車姿態(tài)數(shù)據(jù)進(jìn)行修正得到天車運(yùn)動(dòng)數(shù)據(jù)，將所述箱梁高度數(shù)據(jù)與所述天車運(yùn)動(dòng)數(shù)據(jù)融合得到箱梁實(shí)時(shí)狀態(tài)參數(shù)，包括：

14、根據(jù)天車姿態(tài)數(shù)據(jù)中的加速度、角速度和角度信息，采用四元數(shù)姿態(tài)解算方法計(jì)算天車運(yùn)動(dòng)姿態(tài)矩陣，結(jié)合所述置信度權(quán)重對(duì)姿態(tài)矩陣進(jìn)行修正，通過(guò)坐標(biāo)變換得到天車的三維運(yùn)動(dòng)軌跡數(shù)據(jù)和運(yùn)動(dòng)參數(shù)，生成反映天車實(shí)際運(yùn)動(dòng)狀態(tài)的天車運(yùn)動(dòng)數(shù)據(jù)；

15、設(shè)計(jì)多源數(shù)據(jù)融合模型，將所述箱梁高度數(shù)據(jù)和所述天車運(yùn)動(dòng)數(shù)據(jù)按時(shí)間戳對(duì)齊，采用加權(quán)平均法計(jì)算融合權(quán)重系數(shù)，對(duì)齊后的數(shù)據(jù)通過(guò)權(quán)重系數(shù)進(jìn)行加權(quán)求和運(yùn)算，得到包含箱梁高度信息和天車運(yùn)動(dòng)信息的箱梁實(shí)時(shí)狀態(tài)參數(shù)。

16、進(jìn)一步地，所述基于所述箱梁實(shí)時(shí)狀態(tài)參數(shù)構(gòu)建動(dòng)態(tài)安全評(píng)估模型，采用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)分別提取所述箱梁高度數(shù)據(jù)、所述天車運(yùn)動(dòng)數(shù)據(jù)的時(shí)序特征，構(gòu)建滑動(dòng)時(shí)間窗口計(jì)算所述時(shí)序特征的局部波動(dòng)指標(biāo)，包括：

17、構(gòu)建長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)結(jié)構(gòu)，包含輸入層、lstm層和全連接層，分別將箱梁高度數(shù)據(jù)和天車運(yùn)動(dòng)數(shù)據(jù)按照預(yù)設(shè)時(shí)間步長(zhǎng)劃分為訓(xùn)練序列輸入所述長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)，通過(guò)遺忘門(mén)、輸入門(mén)和輸出門(mén)的協(xié)同作用提取數(shù)據(jù)中的長(zhǎng)期依賴關(guān)系和短期變化特征，在全連接層輸出箱梁高度和天車運(yùn)動(dòng)的時(shí)序特征向量；

18、設(shè)置固定長(zhǎng)度的滑動(dòng)時(shí)間窗口，在所述時(shí)間窗口內(nèi)對(duì)時(shí)序特征向量計(jì)算均方根值和方差，將計(jì)算結(jié)果作為特征波動(dòng)強(qiáng)度指標(biāo)，通過(guò)指數(shù)加權(quán)平均方法對(duì)所述特征波動(dòng)強(qiáng)度指標(biāo)進(jìn)行平滑處理，得到反映箱梁狀態(tài)變化的局部波動(dòng)指標(biāo)。

19、進(jìn)一步地，所述結(jié)合所述局部波動(dòng)指標(biāo)構(gòu)建自回歸模型預(yù)測(cè)箱梁傾角變化趨勢(shì)，基于所述箱梁傾角變化趨勢(shì)計(jì)算風(fēng)險(xiǎn)等級(jí)，當(dāng)所述風(fēng)險(xiǎn)等級(jí)超過(guò)預(yù)設(shè)閾值時(shí)觸發(fā)分級(jí)報(bào)警信號(hào)，包括：

20、構(gòu)建自回歸模型，將局部波動(dòng)指標(biāo)按時(shí)序輸入模型，利用最小二乘法估計(jì)自回歸系數(shù)，基于所述自回歸系數(shù)和歷史數(shù)據(jù)序列計(jì)算箱梁傾角的未來(lái)預(yù)測(cè)值，通過(guò)一次指數(shù)平滑法對(duì)預(yù)測(cè)值進(jìn)行平滑處理，得到箱梁傾角的變化趨勢(shì)曲線；

21、采用模糊綜合評(píng)判方法建立風(fēng)險(xiǎn)評(píng)估規(guī)則，將箱梁傾角變化趨勢(shì)的斜率和加速度作為評(píng)判因子，通過(guò)隸屬度函數(shù)計(jì)算各評(píng)判因子的風(fēng)險(xiǎn)得分，基于風(fēng)險(xiǎn)評(píng)判矩陣對(duì)各得分進(jìn)行加權(quán)求和得到綜合風(fēng)險(xiǎn)等級(jí)，根據(jù)所述風(fēng)險(xiǎn)等級(jí)與預(yù)設(shè)閾值的對(duì)比結(jié)果輸出相應(yīng)級(jí)別的報(bào)警信號(hào)。

22、進(jìn)一步地，所述將所述箱梁高度數(shù)據(jù)、所述天車運(yùn)動(dòng)數(shù)據(jù)、所述時(shí)序特征、所述局部波動(dòng)指標(biāo)、所述箱梁傾角變化趨勢(shì)、所述風(fēng)險(xiǎn)等級(jí)數(shù)據(jù)存入優(yōu)化數(shù)據(jù)庫(kù)，基于所述優(yōu)化數(shù)據(jù)庫(kù)中的歷史數(shù)據(jù)訓(xùn)練所述長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)與所述自回歸模型并更新所述映射關(guān)系模型，包括：

23、將箱梁高度數(shù)據(jù)、天車運(yùn)動(dòng)數(shù)據(jù)、時(shí)序特征、局部波動(dòng)指標(biāo)、箱梁傾角變化趨勢(shì)和風(fēng)險(xiǎn)等級(jí)數(shù)據(jù)按照預(yù)設(shè)的數(shù)據(jù)表結(jié)構(gòu)存入優(yōu)化數(shù)據(jù)庫(kù)，對(duì)存儲(chǔ)的數(shù)據(jù)建立時(shí)間索引和關(guān)聯(lián)關(guān)系，采用滑動(dòng)窗口機(jī)制定期清理過(guò)期數(shù)據(jù)，保留最近一段時(shí)間的有效樣本數(shù)據(jù)作為訓(xùn)練集；

24、基于所述訓(xùn)練集中的歷史數(shù)據(jù)對(duì)長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)進(jìn)行增量訓(xùn)練，更新網(wǎng)絡(luò)權(quán)重參數(shù)，對(duì)自回歸模型的系數(shù)進(jìn)行重新估計(jì)，同時(shí)根據(jù)環(huán)境參數(shù)與測(cè)距誤差的歷史對(duì)應(yīng)關(guān)系重新訓(xùn)練bp神經(jīng)網(wǎng)絡(luò)，更新環(huán)境補(bǔ)償映射模型的參數(shù)，實(shí)現(xiàn)模型的在線優(yōu)化更新。

25、第二方面，本技術(shù)提供一種基于激光的高低吊箱梁安全角度計(jì)算裝置，包括：

26、多源融合模塊，用于構(gòu)建多源監(jiān)測(cè)數(shù)據(jù)融合模型，采集激光測(cè)距數(shù)據(jù)、天車姿態(tài)數(shù)據(jù)及環(huán)境參數(shù)數(shù)據(jù)，所述環(huán)境參數(shù)數(shù)據(jù)包括溫度數(shù)據(jù)、濕度數(shù)據(jù)、大氣壓數(shù)據(jù)、光照強(qiáng)度數(shù)據(jù)；基于所述環(huán)境參數(shù)數(shù)據(jù)建立自適應(yīng)環(huán)境補(bǔ)償機(jī)制，提取所述溫度數(shù)據(jù)、所述濕度數(shù)據(jù)、所述大氣壓數(shù)據(jù)、所述光照強(qiáng)度數(shù)據(jù)的時(shí)變特征，建立所述時(shí)變特征與測(cè)距誤差的映射關(guān)系模型，根據(jù)所述映射關(guān)系模型計(jì)算環(huán)境補(bǔ)償系數(shù)；利用卡爾曼濾波算法對(duì)所述激光測(cè)距數(shù)據(jù)、所述天車姿態(tài)數(shù)據(jù)進(jìn)行噪聲抑制與狀態(tài)估計(jì)，基于協(xié)方差矩陣計(jì)算所述激光測(cè)距數(shù)據(jù)、所述天車姿態(tài)數(shù)據(jù)的置信度權(quán)重，結(jié)合所述置信度權(quán)重、所述環(huán)境補(bǔ)償系數(shù)對(duì)所述激光測(cè)距數(shù)據(jù)進(jìn)行修正得到箱梁高度數(shù)據(jù)，對(duì)所述天車姿態(tài)數(shù)據(jù)進(jìn)行修正得到天車運(yùn)動(dòng)數(shù)據(jù)，將所述箱梁高度數(shù)據(jù)與所述天車運(yùn)動(dòng)數(shù)據(jù)融合得到箱梁實(shí)時(shí)狀態(tài)參數(shù)；

27、風(fēng)險(xiǎn)告警模塊，用于基于所述箱梁實(shí)時(shí)狀態(tài)參數(shù)構(gòu)建動(dòng)態(tài)安全評(píng)估模型，采用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)分別提取所述箱梁高度數(shù)據(jù)、所述天車運(yùn)動(dòng)數(shù)據(jù)的時(shí)序特征，構(gòu)建滑動(dòng)時(shí)間窗口計(jì)算所述時(shí)序特征的局部波動(dòng)指標(biāo)，結(jié)合所述局部波動(dòng)指標(biāo)構(gòu)建自回歸模型預(yù)測(cè)箱梁傾角變化趨勢(shì)，基于所述箱梁傾角變化趨勢(shì)計(jì)算風(fēng)險(xiǎn)等級(jí)，當(dāng)所述風(fēng)險(xiǎn)等級(jí)超過(guò)預(yù)設(shè)閾值時(shí)觸發(fā)分級(jí)報(bào)警信號(hào)；

28、迭代優(yōu)化模塊，用于將所述箱梁高度數(shù)據(jù)、所述天車運(yùn)動(dòng)數(shù)據(jù)、所述時(shí)序特征、所述局部波動(dòng)指標(biāo)、所述箱梁傾角變化趨勢(shì)、所述風(fēng)險(xiǎn)等級(jí)數(shù)據(jù)存入優(yōu)化數(shù)據(jù)庫(kù)，基于所述優(yōu)化數(shù)據(jù)庫(kù)中的歷史數(shù)據(jù)訓(xùn)練所述長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)與所述自回歸模型并更新所述映射關(guān)系模型。

29、第三方面，本技術(shù)提供一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)所述的基于激光的高低吊箱梁安全角度計(jì)算方法的步驟。

30、第四方面，本技術(shù)提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)所述的基于激光的高低吊箱梁安全角度計(jì)算方法的步驟。

31、第五方面，本技術(shù)提供一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序/指令，該計(jì)算機(jī)程序/指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)所述的基于激光的高低吊箱梁安全角度計(jì)算方法的步驟。

32、由上述技術(shù)方案可知，本技術(shù)提供一種基于激光的高低吊箱梁安全角度計(jì)算方法，通過(guò)多源數(shù)據(jù)融合和動(dòng)態(tài)安全評(píng)估實(shí)現(xiàn)箱梁吊裝過(guò)程的精確監(jiān)測(cè)和風(fēng)險(xiǎn)預(yù)警。方法建立環(huán)境參數(shù)與測(cè)距誤差的映射關(guān)系，采用自適應(yīng)環(huán)境補(bǔ)償機(jī)制提高測(cè)量精度；利用卡爾曼濾波和置信度權(quán)重對(duì)激光測(cè)距和天車姿態(tài)數(shù)據(jù)進(jìn)行優(yōu)化融合；基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)提取時(shí)序特征，結(jié)合滑動(dòng)時(shí)間窗口和自回歸模型預(yù)測(cè)箱梁傾角變化趨勢(shì)，實(shí)現(xiàn)風(fēng)險(xiǎn)分級(jí)預(yù)警。該方法通過(guò)持續(xù)優(yōu)化數(shù)據(jù)庫(kù)實(shí)現(xiàn)模型自適應(yīng)更新，有效提升了高低吊箱梁施工過(guò)程中的安全監(jiān)測(cè)水平和預(yù)警能力。