建筑施工升降机自动化安全控制系统的模型分析

邓湘国

摘要：针对施工升降机现行安全管理的特点，升降机作业时大量的、无作用的往返运动，将严重影响施工工作效率。由于升降过程中频繁地起制动，这样的速度变化升降机也会产生动载荷问题，容易出现不安全因素。因此针对上述缺点，本文设计了一种施工升降机自动化安全控制系统。

关键词：建筑施工；升降机；安全控制系统；模型

中图分类号：TU74 文献标识码：A 文章编号：

建筑用施工升降机由于具有造价较低、结构简单，在建筑施工中得到广泛使用。但是，由于其使用环境恶劣、结构构件与装置长期暴露在外，使用过程中需要经常变更高度，组装、拆卸频繁，在建筑安全事故中，由施工升降机而引发的安全事故比例较高。另外，施工升降机的出入口闸门的连锁装置，常因使用者图一时方便而遭到破坏，亦是容易造成安全事故发生的原因之一。因此，对施工升降机施工安全性能进行科学评价，对于提升建筑施工的安全生产水平有着极为重要的现实意义[1]。

1升降机自动化安全系统控制原理

系统根据同向优先、就近优先的原则处理呼叫信号。即系统根据吊笼载荷情况，当呼叫信号方向与吊笼运行方向同向时，优先停靠离吊笼最近的楼层。当吊笼处于满载状态时，则不理会一切呼叫信号，直达目的层。系统硬件框图如图 1 所示：

图1 系统硬件框架图

（1）呼叫信号控制：在高层建筑施工中，由于施工楼层多，以 33 层为例，楼高近 100 米。如果按传统方法在每一施工层上设置上/下行呼叫按钮，则信号线就需要66 根，势必造成信号线多，成本高。为尽可能减少信号线的数量，本系统采用二进制编码技术，需 6根信号线，再加 2 根电源线共需 8 根线就解决了问题。这样大大地减少了信号线的数量。同时根据施工楼层的基本层高，将信号线制作成标准线段，呼叫按钮制作成可拆卸的，随着施工楼层的升高，只需增加标准信号线段即可，组装、拆卸方便。所有呼层信号通过标准信号线送到呼叫信号控制器。呼叫信号控制器为MCS- 51单片机组成的控制系统，控制器将所有呼层信号经过信号处理后，通过无线通信的方式将呼层信号传送到吊笼主控制系统。

（2）自动选层及平层：由于施工升降机为齿轮、齿条啮合传动，运行位置十分准确，在施工升降机吊笼内传动机构蜗杆轴端部同轴安装一个旋转编码器。随着轴的转动，旋转编转器提供一组与楼层高度成正比的脉冲数，通过对脉冲的计数，可以准确地反映出吊笼的运行位置，系统从而能够进行可靠的平层控制。

（3）系统存储器：在本系统中，将程序存储器和数据存储器合二为一。由于不同的工程有着不同的层高，随着施工的进行，楼高不断增高，对应的层高和楼高脉冲计数不同，因此系统选用现场读写方便的 EEPROM 作为系统的R AM 和 R OM。在每一项新工程使用前先对对应层高进行一次脉冲计数，以确定每层所对应的脉冲数，作为设定值，并进行存储。随着施工的进行，楼高也在不断升高，需要将施工最高层数不断修正并存储[2]。

（4）Watchdog 看门狗电路：由于施工现场环境恶劣，对系统的干扰多，因此系统设计了看门狗电路，从硬件上保证系统的正常运行。

（5）LED 显示：系统设计 7 位 LED 显示器，分别显示吊笼的重量，呼叫楼层和吊笼实际位置。

2系统软件设计

系统初始化程序模块。键盘处理程序模块。上升控制程序模块，当按上升键后转至本程序，首先判断预置值是否大于当前值，否则返回键盘扫描程序，上升过程中，每到一层，8031 中的 T0 计数器，由于响应的码盘与光电传感器组成的外部脉冲发生器所提供的计数脉冲，就会发出一个计数溢出中断，并判断是否已上升至目的楼层。为保证系统每次的正常使用，特设一个自检子程序，确保施工升降机能可靠工作。系统设有底层校正开关及程序，在吊笼每次回到底层时进行脉冲零位校正，以消除吊笼在运行过程中带来的脉冲计数误差。具体主程序流程图如下图所示。

图2 主程序流程图

3基于BP神经网络的建筑施工升降机安全评价模型

3.1 BP人工神经网络的设计

BP神经网络是一种前向多层神经网络，是由韦伯斯（Werbos）在1994年提出的。 它由三层构成，包括输入层、隐含层（简称隐层，或称隐蔽层或中间层等）和输出层。当信号输入时，首先是到隐层点，经过作用函数后，再把隐含层单元输出信息传到输出层单元，经过处理后给出输出结果。目前，在安全评价中应用较多的是具有多输入单元和单输出单元的3层BP神经网络。 输入信号从输入层经隐含层单元逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果输出层不能得到期望的输出，则转入反向传播，将输出信号的误差沿原来的连接通路返回，通过修改各层神经元的权值，使得误差最小（收敛）。最后即可求得一组连结权系数，权系数确定以后，整个网络系统也就随之确定。对施工升降机安全性能评价时采用的BP人工神经网络模型设计过程如下[3]：

1）确定网络的拓扑结构，包括中间隐含层的层次，输入层、输出层和隐含层的节点数。2）确定被评价系统的指标体系，包括特征参数和状态参数。3）选择学习样本，供神经网络学习。4）确定作用函数，通常选择非线形S型函数。5）建立系统安全评价知识库。6）进行实际系统的安全评价。

3.2网络对象的建立

首先将作业人员、设备、作业环境和施工管理因素的安全状况样本值作为BP算法的输入单元，将各个样本的安全状况评价作为输出单元。网络设4个输入单元，分别为作业人员、设备、作业环境和施工管理因素的安全状况值，输出层单元1个，用（1.0，0.85，0.75，0.7，0.6）这5个数值分别表示优、良、一般、较差、差。根据隐含层的确定原则，经计算知隐含层神经单元的个数为8。至此，建立了用以确定施工现场安全的神经网络的拓扑结构为（4，8，1）。

3.3网络的训练

在此根据一般选择样本的方法确定了10组样本对此网络进行训练。 为了便于利用MATLAB神经网络工具箱中的训练函数， 应用最大最小函数premnmx（）对训练样本进行预处理，将各参数的值量化到范围[-1，1]内，然后再作为输入单元。训练样本汇总表见表1。

表1 训练样本汇总表

训练样本经过1703次的学习和训练，网络全局误差E=0.01，小于预设的精度0.01，网络收敛。用训练好的网络对升降机施工安全进行预测计算。

3.4数据评价

数据评价的程序如下所示：Tp=［0.67；0.9；0.58；0.73］；％待评价的数据集ppost=tramnmx（Tp，minP，maxP）；％对评价数据集进行后处理PJn=sim（net，ppost）；pingjia=postmnmx （PJn，minT，maxT）；％ 最终评价结果最后可从升降机安全评价神经网络中得到该升降机施工的安全度为0.78，安全状况良好，属于安全型，预示着升降机可安全运行，但还存在潜在危险性较小的不符合之处。此安全评价结果与文献采用模糊专家系统评价的结果相符[4]。

结论

通过以上论述该系统经硬、软件设计，利用单片机和编码技术，系统根据吊笼的载荷率、楼层呼叫信号、吊笼的运行方向，自动选择最需要的停靠层站和使吊笼准确可靠的平层，很好地解决了施工升降机实际使用中遇到的问题，提高了施工升降机的自动化水平和运输效率，同时对施工升降机的安全可靠运行具有良好的应用前景。

参考文献：

[1]仲维俊. Visual Basic6.0 完全自学手册[M]. 机械工业出版社，2007.1：89-90.

[2]高春艳，李俊民，刘彬彬. Visual Basic 程序开发宝典[M]. 北京：人民邮电出版社，2006.7：152-153.

[3]全国一级建造师职业资格考试用书编写委员会. 建设工程项目管理[M]. 北京：中国建筑工业出版社，2010，204～205.

[4]赵耀江. 安全评价理论与方法[M]. 北京：煤炭工业出版社，2008.8：99～100.