Améliorer la sécurité et l'efficacité des opérations de grue
Optimiser les mouvements des grues à tour pour améliorer la sécurité et réduire la consommation d'énergie.
― 10 min lire
Table des matières
- Pourquoi optimiser les mouvements de la grue ?
- Concepts clés dans les opérations de grue
- Les défis des opérations de grues à tour
- Le planificateur de trajectoire anti-balancement proposé
- Études de simulation et résultats
- Comparaison des techniques d'optimisation
- Implications dans le monde réel
- Directions futures
- Conclusion
- Source originale
Les grues à tour autonomes sont de plus en plus populaires sur les chantiers de construction. Elles sont conçues pour soulever et déplacer rapidement et en toute sécurité des matériaux lourds. Cependant, un gros problème avec les grues à tour, c'est qu'elles peuvent faire balancer ou déplacer de manière incontrôlée les charges qu'elles soulèvent. Ce mouvement de balancement, ou d'oscillation, peut être dangereux et entraîner des accidents ou des dommages.
Pour améliorer le fonctionnement des grues à tour, des chercheurs travaillent sur des moyens d’optimiser leurs mouvements. Ça veut dire trouver les meilleurs chemins et méthodes pour soulever les matériaux tout en réduisant le mouvement de balancement. L'objectif est de créer un système qui permet à la grue de soulever et placer les matériaux efficacement et en toute sécurité, sans mouvements indésirables.
Pourquoi optimiser les mouvements de la grue ?
La raison principale pour optimiser les mouvements de la grue, c'est la sécurité. Quand une grue se déplace rapidement pour soulever une charge, ça peut créer des mouvements de balancement qui mettent en danger les travailleurs et l'équipement à proximité. Réduire ces balancements aide à s'assurer que la charge reste sous contrôle et qu'elle peut être placée précisément où elle est nécessaire.
En plus, optimiser les opérations de la grue peut faire gagner du temps et de l'énergie. En planifiant les meilleurs chemins et mouvements pour la grue, les chantiers de construction peuvent fonctionner plus harmonieusement, réduire les délais et améliorer la productivité en général.
Concepts clés dans les opérations de grue
Planification de chemin
La planification de chemin fait référence au processus de création d'un itinéraire clair que la grue doit suivre lors du levage d'une charge. Ça implique de déterminer où la grue commence, où elle doit aller, et le chemin le plus sûr à prendre en évitant les obstacles. Un bon plan de chemin aide à minimiser le temps nécessaire pour déplacer une charge tout en s'assurant que le chemin est sûr et sans collisions.
Planification de trajectoire
La planification de trajectoire va un peu plus loin que la planification de chemin. Elle ne définit pas seulement le chemin, mais spécifie aussi la vitesse à laquelle la grue doit se déplacer le long de ce chemin. Ça veut dire déterminer la position, la vitesse et l'accélération de la grue à chaque point du processus de levage. Une planification efficace de la trajectoire permet des transitions fluides et aide à éviter les mouvements brusques qui peuvent causer des balancements.
Balancement résiduel
Le balancement résiduel fait référence au mouvement de balancement qui peut se produire après que la grue ait terminé son levage. Même après que la grue s'arrête, la charge peut continuer à osciller pendant un moment. Ce balancement résiduel peut poser des problèmes, car il peut affecter la capacité de la grue à placer la charge avec précision et créer des dangers pour la sécurité.
Les défis des opérations de grues à tour
Les grues à tour sont des machines complexes qui fonctionnent dans des environnements dynamiques. Il y a plusieurs défis auxquels elles font face :
Sous-actionnement : Les grues à tour ont souvent moins d'actionneurs (mécanismes qui créent le mouvement) que de degrés de liberté (manières dont la grue peut se déplacer). Ça signifie que certains mouvements, comme le balancement, ne sont pas directement contrôlés et peuvent se produire à cause du mouvement de la grue.
Dynamiques non linéaires : Les relations entre les mouvements de la grue peuvent être compliquées. Par exemple, quand la grue se déplace dans une direction, ça peut affecter la façon dont la charge oscille, conduisant à des mouvements imprévisibles.
Contraintes de sécurité : Les grues à tour doivent fonctionner dans des limites de sécurité strictes pour éviter les accidents. Ces contraintes peuvent limiter la rapidité ou la distance auxquelles la grue peut se déplacer à un moment donné.
Le planificateur de trajectoire anti-balancement proposé
La solution à ces défis réside dans le développement d'un planificateur de trajectoire anti-balancement. Ce système se concentre sur la création de chemins et de mouvements optimaux pour les grues à tour qui réduisent le balancement et assurent des opérations de levage sûres et efficaces.
Comment ça fonctionne
Planification de chemin géométrique : Le planificateur anti-balancement commence par générer un chemin géométrique clair que la grue doit suivre. Ce chemin évite les obstacles et garantit que la charge peut être soulevée sans collisions.
Mise à l'échelle de trajectoire optimale : Après avoir établi le chemin, le planificateur détermine la meilleure façon de l'exécuter. Cela implique de mettre à l'échelle le chemin avec des informations temporelles, assurant que la grue se déplace de manière fluide et efficace.
Analyse dynamique : Le planificateur analyse le mouvement de la grue pour traiter ses dynamiques non linéaires. En comprenant comment la grue interagit avec la charge, il peut mieux prédire et contrôler les mouvements de balancement.
Optimisation multi-objectifs : Le planificateur optimise plusieurs facteurs à la fois. Par exemple, il vise à réduire à la fois le temps d'opération et la consommation d'énergie pendant les opérations de levage. En équilibrant ces objectifs, le planificateur s'assure que la grue fonctionne de manière aussi efficace que possible.
Outils utilisés
Pour atteindre les objectifs du planificateur de trajectoire anti-balancement, deux techniques d'optimisation principales sont souvent utilisées :
Algorithme génétique de tri non dominé (NSGA-II) : Cet algorithme aide à trouver un ensemble diversifié de solutions optimales en imitant la sélection naturelle. Il identifie les meilleurs chemins en fonction des métriques de performance, permettant au planificateur de sélectionner les options les plus appropriées.
Évolution différentielle généralisée (GDE3) : Cet algorithme est une autre approche utilisée pour générer des solutions optimales mais avec un focus différent. Il aide à maintenir une gamme diversifiée de solutions, permettant d'explorer divers chemins et mouvements potentiels.
Études de simulation et résultats
Pour valider l'efficacité du planificateur de trajectoire anti-balancement, des études de simulation sont réalisées. Ces études créent un environnement virtuel où le planificateur peut tester ses solutions par rapport à des conditions du monde réel.
Mise en place des simulations
Les simulations sont exécutées sur un ordinateur en utilisant un logiciel spécialisé qui modélise la grue et ses mouvements. L'environnement inclut divers paramètres tels que le poids des charges, les limites des mouvements de la grue, et les contraintes de sécurité.
Métriques de performance
La performance du planificateur anti-balancement est évaluée sur la base de plusieurs critères :
- Temps d'opération : Le temps total nécessaire pour que la grue termine ses tâches de levage. Des temps plus bas indiquent une plus grande efficacité.
- Consommation d'énergie : La quantité d'énergie utilisée pendant les opérations de levage. Une consommation d'énergie plus faible suggère que la grue fonctionne plus efficacement.
- Réduction des oscillations de charge : Le degré auquel les mouvements de balancement indésirables sont minimisés. Une réduction du balancement améliore la sécurité et la précision.
Résultats
Les résultats des simulations montrent l'efficacité du planificateur anti-balancement. Il a réussi à générer des chemins de levage optimaux qui :
- Minimisaient le temps d'opération total et la consommation d'énergie.
- Réduisaient les mouvements de balancement résiduels pour assurer des opérations plus sûres.
- Gardaient tous les mouvements dans les limites mécaniques et de sécurité définies.
Comparaison des techniques d'optimisation
Les deux NSGA-II et GDE3 ont été testés pour trouver le meilleur algorithme d'optimisation pour le planificateur anti-balancement. La performance de ces algorithmes a été comparée en fonction de leur capacité à fournir des solutions diversifiées et de leur rapidité à résoudre les problèmes d'optimisation.
Conclusions
- Diversité des solutions : GDE3 avait tendance à produire une plus large gamme de solutions optimales, ce qui facilite la sélection de la meilleure option basée sur les besoins spécifiques des utilisateurs.
- Rapidité : NSGA-II était généralement plus rapide à fournir des solutions, le rendant plus adapté aux situations nécessitant une planification rapide, comme dans des environnements dynamiques où les conditions peuvent changer rapidement.
Implications dans le monde réel
Le développement et la mise en œuvre d'un planificateur de trajectoire anti-balancement efficace pour les grues à tour peuvent avoir des impacts positifs significatifs sur les chantiers de construction. Ces impacts incluent :
Sécurité améliorée : En minimisant le balancement des charges et en assurant des mouvements précis, le risque d'accidents sur les chantiers de construction est considérablement réduit.
Efficacité accrue : Des temps d'opération plus rapides et une consommation d'énergie réduite conduisent à des chantiers de construction plus productifs. Cela peut faire économiser des coûts et permettre d'achever les projets plus rapidement.
Meilleur contrôle : Un chemin de levage optimisé fournit aux opérateurs de grue un meilleur contrôle sur leur machinerie, menant à un placement plus précis des matériaux.
Directions futures
Bien que le planificateur de trajectoire anti-balancement ait montré des promesses, il y a encore des domaines à améliorer. Les recherches futures pourraient se concentrer sur :
Systèmes de rétroaction : Intégrer des systèmes de contrôle de rétroaction qui peuvent s'adapter aux conditions en temps réel, comme des vents forts ou des obstacles inattendus, peut encore améliorer la performance de la grue.
Adaptabilité : Développer des planificateurs qui peuvent rapidement s'ajuster aux changements dans l'environnement ou les caractéristiques de la charge peut augmenter l'efficacité globale et la polyvalence des grues à tour dans divers scénarios.
Modélisation avancée : Incorporer des modèles plus sophistiqués qui tiennent compte des perturbations externes et des interactions dynamiques pourrait conduire à une performance encore meilleure dans des environnements de construction complexes.
Conclusion
Le développement d'un planificateur de trajectoire anti-balancement pour les grues à tour représente une avancée significative dans la technologie de construction. En optimisant le mouvement des grues, il est possible d'améliorer à la fois la sécurité et l'efficacité sur les chantiers de construction. L'utilisation d'algorithmes avancés et d'études de simulation démontre l'efficacité de ces planificateurs pour créer des chemins de levage précis et contrôlés. À mesure que la recherche se poursuit, d'autres améliorations à ces systèmes promettent de faire des grues à tour un outil encore plus essentiel dans la construction moderne.
Titre: Design and Simulation of Time-energy Optimal Anti-swing Trajectory Planner for Autonomous Tower Cranes
Résumé: For autonomous crane lifting, optimal trajectories of the crane are required as reference inputs to the crane controller to facilitate feedforward control. Reducing the unactuated payload motion is a crucial issue for under-actuated tower cranes with spherical pendulum dynamics. The planned trajectory should be optimal in terms of both operating time and energy consumption, to facilitate optimum output spending optimum effort. This article proposes an anti-swing tower crane trajectory planner that can provide time-energy optimal solutions for the Computer-Aided Lift Planning (CALP) system developed at Nanyang Technological University, which facilitates collision-free lifting path planning of robotized tower cranes in autonomous construction sites. The current work introduces a trajectory planning module to the system that utilizes the geometric outputs from the path planning module and optimally scales them with time information. Firstly, analyzing the non-linear dynamics of the crane operations, the tower crane is established as differentially flat. Subsequently, the multi-objective trajectory optimization problems for all the crane operations are formulated in the flat output space through consideration of the mechanical and safety constraints. Two multi-objective evolutionary algorithms, namely Non-dominated Sorting Genetic Algorithm (NSGA-II) and Generalized Differential Evolution 3 (GDE3), are extensively compared via statistical measures based on the closeness of solutions to the Pareto front, distribution of solutions in the solution space and the runtime, to select the optimization engine of the planner. Finally, the crane operation trajectories are obtained via the corresponding planned flat output trajectories. Studies simulating real-world lifting scenarios are conducted to verify the effectiveness and reliability of the proposed module of the lift planning system.
Auteurs: Souravik Dutta, Yiyu Cai
Dernière mise à jour: 2024-04-08 00:00:00
Langue: English
Source URL: https://arxiv.org/abs/2404.05581
Source PDF: https://arxiv.org/pdf/2404.05581
Licence: https://creativecommons.org/licenses/by/4.0/
Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.
Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.