(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111301706.8 (22)申请日 2021.11.04 (71)申请人 福建省华渔教育科技有限公司 地址 350200 福建省福州市长乐市湖南 镇 大鹤村 (72)发明人 刘德建　黄梅玲　王宪宇　陈宏展　 (74)专利代理 机构 福州旭辰知识产权代理事务 所(普通合伙) 35233 代理人 程春宝 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) G06Q 50/08(2012.01) G06F 30/27(2020.01) (54)发明名称 一种基于CNN-LSTM混合模型的塔吊裂缝生 长预测方法 (57)摘要 本发明提供了一种基于CNN ‑LSTM混合模型 的塔吊裂缝生长预测方法， 包括以下步骤： 步骤 S1、 将采集到的塔吊裂缝影响因素制作成数据 集； 步骤S2、 构建卷积神经网络与长短期记忆网 络的CNN‑LSTM混合模型； 步骤S3、 通过保存拟合 的CNN‑LSTM混合模型权重， 剪枝去 掉权重小的特 征， 保留对塔吊裂缝生长影响大的特征； 步骤S4、 重复步骤S2和步骤S3， 直到剪枝后的模型预测效 果降低； 步骤S5、 通过自适应算法对CNN ‑LSTM混 合模型预测得到的塔吊裂缝生长趋势可靠性进 行评估； 本发明通过CNN算法对人工提取到的特 征进行降维， 再输入到LS TM算法模型对时间序列 进行预测， 并借用LSTM算法在长短期序列预测的 优势， 从而对塔吊裂缝的生长趋势进行精准预 测。 权利要求书1页 说明书6页 附图3页 CN 114021702 A 2022.02.08 CN 114021702 A 1.一种基于 CNN‑LSTM混合模型的塔吊裂缝生长预测方法， 其特 征在于， 包括以下步骤： 步骤S1、 在建筑工地使用多个传感器采集对应的塔吊裂缝影响因素， 将采集到的塔吊 裂缝影响因素制作成数据集； 步骤S2、 构建卷积神经网络与长短期记忆网络的CNN ‑LSTM混合模型， 通过数据集对 CNN‑LSTM混合模型进行训练； 步骤S3、 通过保存拟合的CNN ‑LSTM混合模型权重， 剪枝去掉权重小的特征， 保留对塔吊 裂缝生长影响大的特 征， 重新训练CN N‑LSTM混合模型； 步骤S4、 重复步骤S2和步骤S3， 直到剪枝后 的模型预测效果降低， 保留步骤S2的CNN ‑ LSTM混合模型与特 征， 得到简化CN N‑LSTM混合模型和对应的特 征集； 步骤S5、 通过自适应算法对CNN ‑LSTM混合模型预测得到的塔吊裂缝生长趋势可靠性进 行评估， 从而实现塔吊裂缝的生长预测。 2.根据权利要求1所述的一种基于CNN ‑LSTM混合模型的塔吊裂缝生长预测方法， 其特 征在于： 所述步骤S1进一步具体为： 通过集成了对应传感器的单片机设备实时采集包括塔 吊周边空气湿度、 昼夜温差、 使用年限、 拆除安装次数的外在因素， 塔吊最大吊重、 塔基承载 能力、 塔吊臂杠仰角的内在因素， 以月份为单位制作成二维时间序列数据集。 3.根据权利要求1所述的一种基于CNN ‑LSTM混合模型的塔吊裂缝生长预测方法， 其特 征在于： 所述步骤S2进一步具体为： 通过python编程语 言在Tensorflow平台上搭建网络， 形 成卷积神经网络与长短期记忆 网络的CNN ‑LSTM混合模型， 通过AdamOptimizer优化器对网 络进行优化， 设定学习 率、 梯度衰减、 训练轮数， 数据集经过网络对CNN ‑LSTM混合模型进行 训练。 4.根据权利要求1所述的一种基于CNN ‑LSTM混合模型的塔吊裂缝生长预测方法， 其特 征在于： 所述步骤S3进一步具体为： 通过CNN算法降维后输入到LSTM算法中进行训练， CNN ‑ LSTM混合模 型训练拟合后， 保存CNN ‑LSTM混合模 型的权重， 根据输入的权重大小不一， 剪枝 去对塔吊裂缝影响小或负相关的特征， 重复训练， 直至网络性能下降， 保留前一次训练的模 型为最佳模型。 5.根据权利要求1所述的一种基于CNN ‑LSTM混合模型的塔吊裂缝生长预测方法， 其特 征在于： 所述步骤S 5中的自适应算法为根据CNN ‑LSTM混合模型特征的变化快慢自适应地评 估CNN‑LSTM混合模型预测算法随着时间跨度的增加， 提出连续预测的阈值L， 所述预测阈值 L的计算采用以下公式： L＝Lmax*Qθ； 式中， Lmax为预测算法连续预测极值， Qθ为梯度影响参 数。 6.根据权利权利要求5所述的一种基于CNN ‑LSTM混合模型的塔吊裂缝生长预测方法， 其特征在于： 所述梯度影响参数Qθ计算公式为： 式中， θ max为数 据采集过程中所 出现的梯度最大值， θ x、 θ y、 θ z为 假设的三种特 征值的梯度。 7.根据权利权利要求5所述的一种基于CNN ‑LSTM混合模型的塔吊裂缝生长预测方法， 其特征在于： 当所述预测算法连续预测极值Lmax取值为12， 即保证即便是在最优条件下一 年就得重新使用预测算法预测一次塔吊裂缝生长趋势， 并根据生长趋势判定该塔吊是否合 适继续投入工程。权　利　要　求　书 1/1 页 2 CN 114021702 A 2一种基于CN N‑LSTM混合模型的塔 吊裂缝生长预测方 法 技术领域 [0001]本发明涉及 计算机应用研究技术领域， 特别是一种基于CNN ‑LSTM混合模型的塔吊 裂缝生长预测方法。 背景技术 [0002]近年来， 各市建设行政主管部门和市直安监总站大力开展建筑施工大检查大整治 工作， 重点对桩机进 行认真严格的排查， 强化对流动式起重设备的防倾覆工作， 坚决消除桩 机安全隐患。 尤其是位于 市中心和交通要道附近的移动式起重 设备， 进行全数检查。 在塔吊 事故中， 裂缝往往 是很大的安全隐患， 因此， 能够精准识别塔吊裂缝特征， 并对其做出预测， 能够大大提高安检工作的效率。 发明内容 [0003]为克服上述问题， 本发明的目的是提供一种通过CNN算法对人工提取到的特征进 行降维， 再输入到LSTM算法模型对时间序列进行预测， 并借用LSTM算法在长短期序列预测 的优势， 从而对塔吊裂缝的生长趋势进 行精准预测的基于CNN ‑LSTM混合模型的塔吊裂缝生 长预测方法。 [0004]本发明采用以下方案实现： 一种基于CNN ‑LSTM混合模型的塔吊裂缝生长预测方 法， 包括以下步骤： [0005]步骤S1、 在建筑工地使用多个传感器采集对应 的塔吊裂缝影响因素， 将采集到 的 塔吊裂缝影响因素制作成数据集； [0006]步骤S2、 构建卷积神经网络与长短期记忆网络的CNN ‑LSTM混合模型， 通过数据集 对CNN‑LSTM混合模型进行训练； [0007]步骤S3、 通过保存拟 合的CNN‑LSTM混合模型权重， 剪枝去掉权重小的特征， 保留对 塔吊裂缝生长影响大的特 征， 重新训练CN N‑LSTM混合模型； [0008]步骤S4、 重复步骤S2和步骤S3， 直到剪枝后的模型预测效果降低， 保留步骤S2的 CNN‑LSTM混合模型与特 征， 得到简化CN N‑LSTM混合模型和对应的特 征集； [0009]步骤S5、 通过自适应算法对CNN ‑LSTM混合模型预测得到的塔吊裂缝生长趋势 可靠 性进行评估， 从而实现塔吊裂缝的生长预测。 [0010]进一步的， 所述步骤S1进一步具体为： 通过集成了对应传感器 的单片机设备实时 采集包括塔吊周边空气湿度、 昼夜温差、 使用年限、 拆除安装次数 的外在因素， 塔吊最大吊 重、 塔基承载能力、 塔吊臂杠仰角的内在因素， 以月份为单位制作成二维时间序列数据集。 [0011]进一步的， 所述步骤S2进一步具体为： 通过python编程语言在Tensor flow平台上 搭建网络， 形成卷积神经网络与长短期记忆网络的CNN ‑LSTM混合模型， 通过AdamOptimizer 优化器对网络进行优化， 设定学习 率、 梯度衰减、 训练轮数， 数据集经过网络对CNN ‑LSTM混 合模型进行训练。 [0012]进一步的， 所述步骤S3进一步具体为： 通过CNN算法降维后输入到LSTM算法 中进行说　明　书 1/6 页 3 CN 114021702 A 3