本技术涉及起重机，具体地，涉及一种起重机自适应控制方法及其控制系统。
背景技术：
1、随着工业自动化的快速发展，起重机作为重要的物料搬运设备，在各类生产环境中扮演着至关重要的角色。然而，传统起重机在操作过程中往往依赖于操作员的经验和判断，难以精确适应复杂多变的作业环境，特别是在负载变化、环境影响等外部因素作用下，其操作效率和安全性面临诸多挑战。
2、起重机在搬运不同重量的负载时，其稳定性和安全性要求截然不同。负载过重可能导致起重机结构受损，甚至引发安全事故；而负载过轻则可能因操作不当造成物料损坏或效率低下。此外，在户外或开放环境中作业的起重机，风力是一个不可忽视的外部因素。风力不仅会影响起重机的稳定性，还可能增加操作难度和安全隐患。特别是在大风天气下，起重机若不能及时调整移动速度和姿态，极易发生倾覆或碰撞事故。
3、然而，目前现有的起重机大多采用固定参数或预设程序进行控制，缺乏对复杂环境因素的实时感知与自适应调整能力，无法灵活应对实际作业中的复杂变化。因此，为了提高起重机的操作安全性，期待一种起重机自适应控制方法及其控制系统。
技术实现思路
1、提供该
技术实现要素：
部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
2、第一方面，本技术提供了一种起重机自适应控制方法，所述方法包括：
3、获取由负载传感器采集的负载值的时间队列，以及由环境传感器采集的风向的时间队列和风速的时间队列；
4、将所述负载值的时间队列、所述风向的时间队列和所述风速的时间队列通过无线通信模块传输至自适应控制中心；
5、在所述自适应控制中心，对所述负载值的时间队列、所述风向的时间队列和所述风速的时间队列分别进行时序特征提取以得到负载时序关联隐含特征向量、风向时序关联隐含特征向量和风速时序关联隐含特征向量；
6、将所述风向时序关联隐含特征向量和所述风速时序关联隐含特征向量输入基于特征解耦的局部细粒度序列交互响应聚合网络以得到风力时序解耦强化交互全局表示向量；
7、基于所述负载时序关联隐含特征向量和所述风力时序解耦强化交互全局表示向量之间的主成分匹配融合特征，确定移动速度的控制指令。
8、可选地，对所述负载值的时间队列、所述风向的时间队列和所述风速的时间队列分别进行时序特征提取以得到负载时序关联隐含特征向量、风向时序关联隐含特征向量和风速时序关联隐含特征向量，包括：将所述负载值的时间队列、所述风向的时间队列和所述风速的时间队列分别输入基于bi-lstm模型的序列编码器以得到所述负载时序关联隐含特征向量、所述风向时序关联隐含特征向量和所述风速时序关联隐含特征向量。
9、可选地，将所述风向时序关联隐含特征向量和所述风速时序关联隐含特征向量输入基于特征解耦的局部细粒度序列交互响应聚合网络以得到风力时序解耦强化交互全局表示向量，包括：对所述风向时序关联隐含特征向量和所述风速时序关联隐含特征向量分别进行特征解耦以得到风向时序局部表示向量的序列和风速时序局部表示向量的序列；计算所述风向时序局部表示向量的序列和所述风速时序局部表示向量的序列中每组对应的风向时序局部表示向量和风速时序局部表示向量之间的局部语义关联交互向量以得到风力局部时序语义关联交互向量的序列；计算所述风力局部时序语义关联交互向量的序列中的各个风力局部时序语义关联交互向量的细粒度注意力权重以得到细粒度注意力权重的序列；将所述细粒度注意力权重的序列输入随机失活模块以得到失活处理后细粒度注意力权重的序列；以所述失活处理后细粒度注意力权重的序列作为权重分布，计算所述风力局部时序语义关联交互向量的序列的加权和以得到所述风力时序解耦强化交互全局表示向量。
10、可选地，计算所述风向时序局部表示向量的序列和所述风速时序局部表示向量的序列中每组对应的风向时序局部表示向量和风速时序局部表示向量之间的局部语义关联交互向量以得到风力局部时序语义关联交互向量的序列，包括：计算所述风向时序局部表示向量和与其对应的风速时序局部表示向量之间的按位置点加、按位置点减和按位置点乘以得到第一融合结果、第二融合结果和第三融合结果；将所述第一融合结果、所述第二融合结果和所述第三融合结果级联为风力多尺度融合特征向量后，对其进行一维卷积处理和最大值池化处理以得到所述风力局部时序语义关联交互向量。
11、可选地，计算所述风力局部时序语义关联交互向量的序列中的各个风力局部时序语义关联交互向量的细粒度注意力权重以得到细粒度注意力权重的序列，包括：将所述风力局部时序语义关联交互向量乘以权重系数矩阵，再与偏置向量相加后通过tanh函数以得到风力局部时序语义关联交互编码特征向量；使用注意力打分参考向量乘以所述风力局部时序语义关联交互编码特征向量以得到所述细粒度注意力权重。
12、可选地，基于所述负载时序关联隐含特征向量和所述风力时序解耦强化交互全局表示向量之间的主成分匹配融合特征，确定移动速度的控制指令，包括：将所述负载时序关联隐含特征向量和所述风力时序解耦强化交互全局表示向量输入基于特征主成分查询匹配的显著融合网络以得到负载-风力主成分协同交互融合表示向量；将所述负载-风力主成分协同交互融合表示向量输入基于解码器的移动速度控制器以得到所述控制指令，所述控制指令用于表示推荐的移动速度解码值。
13、可选地，将所述负载时序关联隐含特征向量和所述风力时序解耦强化交互全局表示向量输入基于特征主成分查询匹配的显著融合网络以得到负载-风力主成分协同交互融合表示向量，包括：对所述负载时序关联隐含特征向量和所述风力时序解耦强化交互全局表示向量进行标准化处理以得到标准化负载时序关联隐含特征向量和标准化风力时序解耦强化交互全局表示向量；分别计算所述标准化负载时序关联隐含特征向量和所述标准化风力时序解耦强化交互全局表示向量的样本协方差矩阵以得到负载样本协方差矩阵和风力样本协方差矩阵；对所述负载样本协方差矩阵和所述风力样本协方差矩阵进行基于矩阵分解的特征向量提取以得到负载时序关联主成分特征向量的集合和风力时序交互主成分特征向量的集合；将所述负载时序关联主成分特征向量的集合和所述风力时序交互主成分特征向量的集合输入最大近似查询匹配网络以得到负载时序关联主成分特征向量和风力时序交互主成分特征向量的最佳匹配对的集合；将所述负载时序关联主成分特征向量和风力时序交互主成分特征向量的最佳匹配对的集合中的各个最佳匹配对输入细粒度语义交互联合模块以得到负载-风力主成分特征向量的集合；将所述负载-风力主成分特征向量的集合进行级联以得到所述负载-风力主成分协同交互融合表示向量；其中，将所述负载时序关联主成分特征向量和风力时序交互主成分特征向量的最佳匹配对的集合中的各个最佳匹配对输入细粒度语义交互联合模块以得到负载-风力主成分特征向量的集合，包括：对所述最佳匹配对进行多维度的特征融合，并将多维度的特征融合结果级联为负载-风力主成分多尺度融合特征向量后，对其进行一维卷积处理和最大值池化处理以得到所述负载-风力主成分特征向量。
14、可选地，对所述负载样本协方差矩阵和所述风力样本协方差矩阵进行基于矩阵分解的特征向量提取以得到负载时序关联主成分特征向量的集合和风力时序交互主成分特征向量的集合，包括：计算所述风力样本协方差矩阵的主成分特征值和主成分方向特征向量，使得所述风力样本协方差矩阵乘以所述主成分方向特征向量等于所述主成分特征值乘以所述主成分方向特征向量，以得到风力时序交互主成分特征值的集合和风力时序交互主成分方向特征向量的集合；将所述风力时序交互主成分特征值的集合作为对角线元素构建风力时序交互主成分特征值对角矩阵；计算所述风力时序交互主成分方向特征向量的集合中的各个风力时序交互主成分方向特征向量与所述风力时序交互主成分特征值对角矩阵的乘积结果，再将所述乘积结果乘以所述风力时序交互主成分方向特征向量的转置向量以得到所述风力时序交互主成分特征向量的集合。
15、可选地，将所述负载时序关联主成分特征向量的集合和所述风力时序交互主成分特征向量的集合输入最大近似查询匹配网络以得到负载时序关联主成分特征向量和风力时序交互主成分特征向量的最佳匹配对的集合，包括：计算所述负载时序关联主成分特征向量的集合中的第i个负载时序关联主成分特征向量与所述风力时序交互主成分特征向量的集合中各个风力时序交互主成分特征向量之间的余弦相似度以得到余弦相似度的集合；将所述余弦相似度的集合中的最大值对应的风力时序交互主成分特征向量与所述第i个负载时序关联主成分特征向量组成所述最佳匹配对。
16、第二方面，本技术提供了一种起重机自适应控制系统，所述系统包括：
17、负载值、风向和风速获取模块，用于获取由负载传感器采集的负载值的时间队列，以及由环境传感器采集的风向的时间队列和风速的时间队列；
18、无线通信模块，用于将所述负载值的时间队列、所述风向的时间队列和所述风速的时间队列通过无线通信模块传输至自适应控制中心；
19、时序特征提取模块，用于在所述自适应控制中心，对所述负载值的时间队列、所述风向的时间队列和所述风速的时间队列分别进行时序特征提取以得到负载时序关联隐含特征向量、风向时序关联隐含特征向量和风速时序关联隐含特征向量；
20、局部细粒度序列交互响应聚合模块，用于将所述风向时序关联隐含特征向量和所述风速时序关联隐含特征向量输入基于特征解耦的局部细粒度序列交互响应聚合网络以得到风力时序解耦强化交互全局表示向量；
21、移动速度的控制指令确定模块，用于基于所述负载时序关联隐含特征向量和所述风力时序解耦强化交互全局表示向量之间的主成分匹配融合特征，确定移动速度的控制指令。
22、采用上述技术方案，通过采用基于深度学习的人工智能技术对起重机吊钩的负载数据和环境数据协同分析，分别提取出负载、风向和风速的时序动态变化特征，并通过对风向和风速进行细粒度的时序特征交互聚合，以获取融合多模态信息的风力全局时序特征表示，进而基于负载和风力的主成分匹配融合特征，实现对起重机移动速度的自适应调控。这样，可以动态适应风力变化，合理调控起重机的移动速度，从而提高起重机在复杂环境下的工作稳定性和安全性。
23、本技术的其他特征和优点将在随后的具体实施方式部分予以详细说明。
1.一种起重机自适应控制方法，其特征在于，包括：
2.根据权利要求1所述的起重机自适应控制方法，其特征在于，对所述负载值的时间队列、所述风向的时间队列和所述风速的时间队列分别进行时序特征提取以得到负载时序关联隐含特征向量、风向时序关联隐含特征向量和风速时序关联隐含特征向量，包括：
3.根据权利要求2所述的起重机自适应控制方法，其特征在于，将所述风向时序关联隐含特征向量和所述风速时序关联隐含特征向量输入基于特征解耦的局部细粒度序列交互响应聚合网络以得到风力时序解耦强化交互全局表示向量，包括：
4.根据权利要求3所述的起重机自适应控制方法，其特征在于，计算所述风向时序局部表示向量的序列和所述风速时序局部表示向量的序列中每组对应的风向时序局部表示向量和风速时序局部表示向量之间的局部语义关联交互向量以得到风力局部时序语义关联交互向量的序列，包括：
5.根据权利要求4所述的起重机自适应控制方法，其特征在于，计算所述风力局部时序语义关联交互向量的序列中的各个风力局部时序语义关联交互向量的细粒度注意力权重以得到细粒度注意力权重的序列，包括：
6.根据权利要求5所述的起重机自适应控制方法，其特征在于，基于所述负载时序关联隐含特征向量和所述风力时序解耦强化交互全局表示向量之间的主成分匹配融合特征，确定移动速度的控制指令，包括：
7.根据权利要求6所述的起重机自适应控制方法，其特征在于，将所述负载时序关联隐含特征向量和所述风力时序解耦强化交互全局表示向量输入基于特征主成分查询匹配的显著融合网络以得到负载-风力主成分协同交互融合表示向量，包括：
8.根据权利要求7所述的起重机自适应控制方法，其特征在于，对所述负载样本协方差矩阵和所述风力样本协方差矩阵进行基于矩阵分解的特征向量提取以得到负载时序关联主成分特征向量的集合和风力时序交互主成分特征向量的集合，包括：
9.根据权利要求8所述的起重机自适应控制方法，其特征在于，将所述负载时序关联主成分特征向量的集合和所述风力时序交互主成分特征向量的集合输入最大近似查询匹配网络以得到负载时序关联主成分特征向量和风力时序交互主成分特征向量的最佳匹配对的集合，包括：
10.一种起重机自适应控制系统，其特征在于，包括：
