CN109726936A - 一种用于倾斜砖石古塔纠偏的监视方法 - Google Patents

Abstract

本发明公开了一种用于倾斜砖石古塔纠偏的监视方法，其特征在于，包括如下步骤：步骤一、采集倾斜砖石古塔的数据，其包括：古塔的建筑年龄、高度、地上层建筑面积、地上层建筑面积、古塔总面积以及倾斜角度；根据所述倾斜砖石古塔的数据获取所述倾斜砖石古塔对应的预设评估指标步骤二、当

Description

一种用于倾斜砖石古塔纠偏的监视方法

技术领域

本发明涉及倾斜砖石古塔保护领域，具体涉及一种用于倾斜砖石古塔纠偏的监视方法。

背景技术

砖石古塔在各类塔中数量最多，这是由砖的材料性质所决定的，砖由粘土烧制，其在结构上的耐久性和稳定性与石材接近，远胜于夯土和木材，又具有易于施工的特点，可以相对轻易地砌出各种造型并进行各式雕刻，明清两代，制砖工业迅速发展，各类砖塔大量涌现，以至于难以见到其他材料建造的高塔了。

塔砖之间的粘合材料也是对砖塔稳定性产生很大影响的因素，唐代砖塔多以粘性稍差的黄泥为灰浆，宋辽以后在黄泥浆中加入一定的石灰和稻壳，使其粘合力有所增加，从明代开始，砌塔全部使用石灰浆，使得明、清塔的稳定性有极大提高。

但以砖砌成的塔也有一些弊端，尤其是砖塔之间的缝隙多，特别在南方极易生长植物，无论杂草还是树木，根系深入塔身后都会逐渐破坏塔的结构，甚至最终导致塔的坍塌。因此需要监视系统对倾斜砖石古塔进行合理的监视，针对倾斜砖石古塔所存在的风险问题进行监视。

发明内容

本发明设计开发了一种用于倾斜砖石古塔纠偏的监视方法，本发明的发明目的之一是通过计算预设评估指标和风险评估指数对倾斜砖石古塔进行风险判断。

本发明的发明目的之二是通过BP神经网络对倾斜砖石古塔进行风险判断，进而能够对倾斜砖石古塔进行有效保护。

本发明提供的技术方案为：

一种用于倾斜砖石古塔纠偏的监视方法，包括如下步骤：

步骤一、采集倾斜砖石古塔的数据，其包括：古塔的建筑年龄、高度、地上层建筑面积、地上层建筑面积、古塔总面积以及倾斜角度；根据所述倾斜砖石古塔的数据获取所述倾斜砖石古塔对应的预设评估指标

步骤二、当时，采集所述倾斜砖石古塔所处的环境温度、环境湿度、倾斜角度和土壤紧实度，根据所述环境温度、环境湿度、倾斜角度和土壤紧实度对所述预设评估指标进行处理得到风险评估指数ξ；

步骤三、根据所述环境温度、所述环境湿度、所述倾斜角度、所述土壤紧实度和所述风险评估指数进行所述倾斜砖石古塔的倾斜风险状态判断，以此对所述倾斜砖石古塔进行监视。

优选的是，在所述步骤一中，所述预设评估指标计算过程为：

其中，κ为第一校正系数，H为建筑高度，θ为待监视倾斜砖石古塔的倾斜角度，S_U为地上层建筑面积，S_D为地下层建筑面积，S_A为建筑总面积，δ₁为地上层建筑面积校正系数，δ₂为地下层建筑面积校正系数，δ₁+δ₂＝0.95，δ₃为建筑总面积校正系数，取值为0.53～0.62。

优选的是，当所述倾斜砖石古塔的建筑年龄不大于500年时，κ取值为0.89～1.09；以及

当所述倾斜砖石古塔的建筑年龄大于500年时，κ取值为1.08～1.13。

优选的是，在所述步骤二中，所述风险评估指数ξ计算过程为

式中，RH为环境湿度，T为环境温度，θ为待监视倾斜砖石古塔的倾斜角度，P为土壤紧实度，RH₀为比较环境湿度，F₀为比较风力等级，P₀为比较土壤紧实度，e为自然对数的底数，λ为第二校正系数，A为经验常数。

优选的是，λ取值为0.2，A取值为1.17。

优选的是，在所述步骤三中，通过建立BP神经网络模型对所述倾斜风险状态判断，包括如下步骤：

步骤1、按照采样周期，通过温度传感器采集待监视倾斜砖石古塔的环境温度T，通过湿度传感器采集待监视倾斜砖石古塔的环境湿度RH，通过图像探测器采集待监视倾斜砖石古塔的倾斜角度θ，通过土壤紧实度检测仪采集待监视倾斜砖石古塔的土壤紧实度P，所述风险评估指数ξ；

步骤2、依次将上述参数进行规格化，确定三层BP神经网络的输入层神经元向量x＝{x₁,x₂,x₃,x₄,x₅}，其中，x₁为环境温度系数、x₂为环境湿度系数、x₃为倾斜角度系数、x₄为土地紧实度系数，x₅为风险评估指数系数；

步骤3、所述输入层向量映射到隐层，所述隐层向量y＝{y₁,y₂,…,y_m}，m为隐层节点个数；

步骤4、得到输出层向量o＝{o₁,o₂}；o₁为倾斜砖石古塔的安全状态系数、o₂为故障信号，所述输出层神经元值为k为输出层神经元序列号，k＝{1,2}；其中，当o₁为1时，倾斜砖石古塔处于安全状态，当o₁为0时，倾斜砖石古塔处于危险状态；当o₂为1时，监视装置工作正常，当o₂为0时，监视装置工作异常，停止工作。

优选的是，在所述步骤3中，所述隐层节点个数m满足：其中，n为输入层节点个数，p为输出层节点个数。

优选的是，在所述步骤2中，将环境温度T、环境湿度RH、倾斜角度θ、土壤紧实度P和风险评估指数ψ进行规格化的公式为：

其中，x_j为输入层向量中的参数，X_j分别为测量参数T、RH、θ、P、ξ，j＝1,2,3,4,5；X_{j max}和X_{j min}分别为相应测量参数中的最大值和最小值。

优选的是，所述隐层及所述输出层的激励函数均采用S型函数f_j(x)＝1/(1+e^-x)。

本发明与现有技术相比较所具有的有益效果：本发明通过建立倾斜砖石古塔监视系统，通过计算预设评估指标和风险评估指数和基于BP神经网络对风险状态进行判断，根据风险等级对倾斜砖石古塔进行有效合理保护。

具体实施方式

下面本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

本发明提供倾斜砖石古塔监视系统，包括：温度传感器用于监测待监视倾斜砖石古塔的环境温度；湿度传感器用于监测待监视倾斜砖石古塔的环境湿度；多个图像探测器用于采集待监视倾斜砖石古塔的图像，监测待监视倾斜砖石古塔的倾斜角度；土壤紧实度检测仪用于监测待监视倾斜砖石古塔的土壤紧实度。

本发明中还包括：前端采集模块与温度传感器、湿度传感器、多个图像探测器和土壤紧实度检测仪同时相连，用于采集待监视倾斜砖石古塔的环境指标信息数据；数据输入模块用于输入采集待监视倾斜砖石古塔的指标信息数据；数据接收与存储模块接收所述采集模块和所述数据输入模块发送的信息；服务模块接收所述数据接收与存储模块发送的数据，并将所述指标信息数据进行计算并输出风险状态；显示模块与所述服务模块连接，用于显示所述风险状态。

本发明还提供了用于倾斜砖石古塔纠偏的监视方法，包括如下步骤：

步骤一、采集倾斜砖石古塔的数据，其包括：古塔的建筑年龄、高度、地上层建筑面积、地上层建筑面积、古塔总面积以及倾斜角度；根据所述倾斜砖石古塔的数据获取所述倾斜砖石古塔对应的预设评估指标

步骤二、当时，采集所述倾斜砖石古塔所处的环境温度、环境湿度、倾斜角度和土壤紧实度，根据所述环境温度、环境湿度、倾斜角度和土壤紧实度对所述预设评估指标进行处理得到风险评估指数ξ；

步骤三、根据所述环境温度、所述环境湿度、所述倾斜角度、所述土壤紧实度和所述风险评估指数进行所述倾斜砖石古塔的倾斜风险状态判断，以此对所述倾斜砖石古塔进行监视。

在另一种实施例中，预设评估指标计算过程为：

其中，κ为第一校正系数，H为建筑高度，θ为待监视倾斜砖石古塔的倾斜角度，S_U为地上层建筑面积，S_D为地下层建筑面积，S_A为建筑总面积，δ₁为地上层建筑面积校正系数，δ₂为地下层建筑面积校正系数，δ₁+δ₂＝0.95，δ₃为建筑总面积校正系数，取值为0.53～0.62，当所述倾斜砖石古塔的建筑年龄不大于500年时，κ取值为0.89～1.09，当所述倾斜砖石古塔的建筑年龄大于500年时，κ取值为1.08～1.13；作为一种优选，在本实施例中，δ₁取值为0.53，δ₂取值为0.42，δ₃取值为0.59，当所述倾斜砖石古塔的建筑年龄不大于500年时，κ取值为1.05，当所述倾斜砖石古塔的建筑年龄大于500年时，κ取值为1.11。

在另一种实施例中，风险评估指数ξ计算过程为：

式中，RH为环境湿度，T为环境温度，θ为待监视倾斜砖石古塔的倾斜角度，P为土壤紧实度，RH₀为比较环境湿度，T₀为比较环境温度，P₀为比较土壤紧实度，e为自然对数的底数，λ为第二校正系数，A为经验常数；在本实施例中，作为一种优选，RH₀取值为55％，T₀为25℃，P₀取值为250Pa，λ取值为0.2，A取值为1.17。

在另一种实施例中，在步骤三中，通过建立BP神经网络模型对所述风险状态判断，包括如下步骤：

步骤1、建立BP神经网络模型。

BP模型上各层次的神经元之间形成全互连连接，各层次内的神经元之间没有连接，输入层神经元的输出与输入相同，即o_i＝x_i。中间隐含层和输出层的神经元的操作特性为

o_pj＝f_j(net_pj)

其中p表示当前的输入样本，ω_ji为从神经元i到神经元j的连接权值，o_pi为神经元j的当前输入，o_pj为其输出；f_j为非线性可微非递减函数，一般取为S型函数，即f_j(x)＝1/(1+e^-x)。

本发明采用的BP网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示设备工作状态的n个检测信号，这些信号参数由数据预处理模块给出；第二层为隐层，共m个节点，由网络的训练过程以自适应的方式确定；第三层为输出层，共p个节点，由系统实际需要输出的响应确定。

该网络的数学模型为：

输入向量：x＝(x₁,x₂,...,x_n)^T

中间层向量：y＝(y₁,y₂,...,y_m)^T

输出向量：o＝(o₁,o₂,...,o_p)^T

本发明中，输入层节点数为n＝5，输出层节点数为p＝2，隐藏层节点数m由下式估算得出：

输入层5个参数分别表示为：x₁为环境温度系数、x₂为环境湿度系数、x₃为倾斜角度系数、x₄为土地紧实度系数，x₅为风险评估指数系数；

由于传感器获取的数据属于不同的物理量，其量纲各不相同。因此，在数据输入人工神经网络之前，需要将数据规格化为0-1之间的数。

归一化的公式为其中，x_j为输入层向量中的参数，X_j分别为测量参数T、RH、F、P、ξ，j＝1,2,3,4,5；X_{j max}和X_{j min}分别为相应测量参数中的最大值和最小值，采用S型函数。

具体而言，对于使用温度传感器测量的环境温度T，进行规格化后，得到环境温度系数x₁：

其中，T_min和T_max分别为温度传感器测量的最小环境温度和最大环境温度。

同样的，使用湿度传感器测量的环境湿度RH通过下式进行规格化，得到环境湿度系数x₂：

其中，RH_min和RH_max分别为湿度传感器测量的最小湿度和最大湿度。

使用图像探测器测量得到倾斜角度θ，进行规格化后，得到倾斜角度系数x₃：

其中，θ_min和θ_max分别为图像探测器测量的最小倾斜角度和最大倾斜角度。

使用土壤紧实度检测仪测量得到土地紧实度P，进行规格化后，得到土地紧实度系数x₄：

其中，P_min和P_max分别为土壤紧实度检测仪测量的最小土地紧实度和最大土地紧实度。

根据计算得到的风险评估指数ξ，进行规格化后，得到风险评估指数系数x₅：

其中，ξ_min和ξ_max分别为通过计算能够得到的最小风险评估指数和最大风险评估指数。

输出层2个参数分别表示为：o₁为倾斜砖石古塔的安全系数、o₂为故障信号，所述输出层神经元值为k为输出层神经元序列号，k＝{1,2}；其中，当o₁为1时，倾斜砖石古塔处于安全状态，无需对倾斜砖石古塔进行纠偏措施，当o₁为0时，倾斜砖石古塔处于危险状态，需要对倾斜砖石古塔进行纠偏措施；当o₂为1时，监视装置工作正常，当o₂为0时，监视装置工作异常，停止工作。

步骤2、进行BP神经网络的训练。

建立好BP神经网络节点模型后，即可进行BP神经网络的训练。根据产品的历史经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值，隐层节点j和输出层节点k之间的连接权值。

(1)训练方法

各子网采用单独训练的方法；训练时，首先要提供一组训练样本，其中的每一个样本由输入样本和理想输出对组成，当网络的所有实际输出与其理想输出一致时，表明训练结束；否则，通过修正权值，使网络的理想输出与实际输出一致；

(2)训练算法

BP网络采用误差反向传播(Backward Propagation)算法进行训练，其步骤可归纳如下：

第一步：选定一结构合理的网络，设置所有节点阈值和连接权值的初值。第二步：对每个输入样本作如下计算：

(a)前向计算：对l层的j单元

式中，为第n次计算时l层的j单元信息加权和，为l层的j单元与前一层(即l-1层)的单元i之间的连接权值，为前一层(即l-1层，节点数为n_l-1)的单元i送来的工作信号；i＝0时，令 为l层的j单元的阈值。

若单元j的激活函数为sigmoid函数，则

且

若神经元j属于第一隐层(l＝1)，则有

若神经元j属于输出层(l＝L)，则有

且e_j(n)＝x_j(n)-o_j(n)；

(b)反向计算误差：

对于输出单元

对隐单元

(c)修正权值：

η为学习速率。

第三步：输入新的样本或新一周期样本，直到网络收敛，在训练时各周期中样本的输入顺序要重新随机排序。

BP算法采用梯度下降法求非线性函数极值，存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是Levenberg-Marquardt优化算法，它使得网络学习时间更短，能有效地抑制网络陷于局部极小。其权值调整率选为

Δω＝(J^TJ+μI)^-1J^Te

其中J为误差对权值微分的雅可比(Jacobian)矩阵，I为输入向量，e为误差向量，变量μ是一个自适应调整的标量，用来确定学习是根据牛顿法还是梯度法来完成。

在系统设计时，系统模型是一个仅经过初始化了的网络，权值需要根据在使用过程中获得的数据样本进行学习调整，为此设计了系统的自学习功能。在指定了学习样本及数量的情况下，系统可以进行自学习，以不断完善网络性能；

如表1所示，给定了一组训练样本以及训练过程中各节点的值。

表1训练过程各节点值

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (9)

1.一种用于倾斜砖石古塔纠偏的监视方法，其特征在于，包括如下步骤：

步骤一、采集倾斜砖石古塔的数据，其包括：古塔的建筑年龄、高度、地上层建筑面积、地上层建筑面积、古塔总面积以及倾斜角度；根据所述倾斜砖石古塔的数据获取所述倾斜砖石古塔对应的预设评估指标

步骤二、当时，采集所述倾斜砖石古塔所处的环境温度、环境湿度、倾斜角度和土壤紧实度，根据所述环境温度、环境湿度、倾斜角度和土壤紧实度对所述预设评估指标进行处理得到风险评估指数ξ；

步骤三、根据所述环境温度、所述环境湿度、所述倾斜角度、所述土壤紧实度和所述风险评估指数进行所述倾斜砖石古塔的倾斜风险状态判断，以此对所述倾斜砖石古塔进行监视。

2.如权利要求1所述的用于倾斜砖石古塔纠偏的监视方法，其特征在于，在所述步骤一中，所述预设评估指标计算过程为：

其中，κ为第一校正系数，H为建筑高度，θ为待监视倾斜砖石古塔的倾斜角度，S_U为地上层建筑面积，S_D为地下层建筑面积，S_A为建筑总面积，δ₁为地上层建筑面积校正系数，δ₂为地下层建筑面积校正系数，δ₁+δ₂＝0.95，δ₃为建筑总面积校正系数，取值为0.53～0.62。

3.如权利要求2所述的用于倾斜砖石古塔纠偏的监视方法，其特征在于，当所述倾斜砖石古塔的建筑年龄不大于500年时，κ取值为0.89～1.09；以及

当所述倾斜砖石古塔的建筑年龄大于500年时，κ取值为1.08～1.13。

4.如权利要求2所述的用于倾斜砖石古塔纠偏的监视方法，其特征在于，在所述步骤二中，所述风险评估指数ξ计算过程为

式中，RH为环境湿度，T为环境温度，θ为待监视倾斜砖石古塔的倾斜角度，P为土壤紧实度，RH₀为比较环境湿度，F₀为比较风力等级，P₀为比较土壤紧实度，e为自然对数的底数，λ为第二校正系数，A为经验常数。

5.如权利要求2所述的用于倾斜砖石古塔纠偏的监视方法，其特征在于，λ取值为0.2，A取值为1.17。

6.如权利要求2或3所述的用于倾斜砖石古塔纠偏的监视方法，其特征在于，在所述步骤三中，通过建立BP神经网络模型对所述倾斜风险状态判断，包括如下步骤：

步骤1、按照采样周期，通过温度传感器采集待监视倾斜砖石古塔的环境温度T，通过湿度传感器采集待监视倾斜砖石古塔的环境湿度RH，通过图像探测器采集待监视倾斜砖石古塔的倾斜角度θ，通过土壤紧实度检测仪采集待监视倾斜砖石古塔的土壤紧实度P，所述风险评估指数ξ；

步骤2、依次将上述参数进行规格化，确定三层BP神经网络的输入层神经元向量x＝{x₁,x₂,x₃,x₄,x₅}，其中，x₁为环境温度系数、x₂为环境湿度系数、x₃为倾斜角度系数、x₄为土地紧实度系数，x₅为风险评估指数系数；

步骤3、所述输入层向量映射到隐层，所述隐层向量y＝{y₁,y₂,…,y_m}，m为隐层节点个数；

步骤4、得到输出层向量o＝{o₁,o₂}；o₁为倾斜砖石古塔的安全状态系数、o₂为故障信号，所述输出层神经元值为k为输出层神经元序列号，k＝{1,2}；其中，当o₁为1时，倾斜砖石古塔处于安全状态，当o₁为0时，倾斜砖石古塔处于危险状态；当o₂为1时，监视装置工作正常，当o₂为0时，监视装置工作异常，停止工作。

7.如权利要求6所述的用于倾斜砖石古塔纠偏的监视方法，其特征在于，在所述步骤3中，所述隐层节点个数m满足：其中，n为输入层节点个数，p为输出层节点个数。

8.如权利要求7所述的用于倾斜砖石古塔纠偏的监视方法，其特征在于，在所述步骤2中，将环境温度T、环境湿度RH、倾斜角度θ、土壤紧实度P和风险评估指数ψ进行规格化的公式为：

其中，x_j为输入层向量中的参数，X_j分别为测量参数T、RH、θ、P、ξ，j＝1,2,3,4,5；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值。

9.如权利要求8所述的用于倾斜砖石古塔纠偏的监视方法，其特征在于，所述隐层及所述输出层的激励函数均采用S型函数f_j(x)＝1/(1+e^-x)。