CN111473768A - 一种建筑物安全智能检测系统 - Google Patents
一种建筑物安全智能检测系统 Download PDFInfo
- Publication number
- CN111473768A CN111473768A CN202010201765.7A CN202010201765A CN111473768A CN 111473768 A CN111473768 A CN 111473768A CN 202010201765 A CN202010201765 A CN 202010201765A CN 111473768 A CN111473768 A CN 111473768A
- Authority
- CN
- China
- Prior art keywords
- building
- neural network
- settlement
- interval number
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 91
- 238000013519 translation Methods 0.000 claims abstract description 46
- 238000005259 measurement Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims description 209
- 238000003062 neural network model Methods 0.000 claims description 44
- 230000004927 fusion Effects 0.000 claims description 42
- VIEYMVWPECAOCY-UHFFFAOYSA-N 7-amino-4-(chloromethyl)chromen-2-one Chemical compound ClCC1=CC(=O)OC2=CC(N)=CC=C21 VIEYMVWPECAOCY-UHFFFAOYSA-N 0.000 claims description 33
- 230000002490 cerebral effect Effects 0.000 claims description 33
- 238000000354 decomposition reaction Methods 0.000 claims description 26
- 238000012544 monitoring process Methods 0.000 claims description 21
- 230000000306 recurrent effect Effects 0.000 claims description 17
- 238000006073 displacement reaction Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000013461 design Methods 0.000 abstract description 18
- 230000008859 change Effects 0.000 abstract description 5
- 238000000034 method Methods 0.000 description 26
- 230000006870 function Effects 0.000 description 23
- 230000008569 process Effects 0.000 description 18
- 238000013507 mapping Methods 0.000 description 15
- 239000013598 vector Substances 0.000 description 14
- 210000002569 neuron Anatomy 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000013139 quantization Methods 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000012886 linear function Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 210000000857 visual cortex Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C9/00—Measuring inclination, e.g. by clinometers, by levels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Alarm Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种建筑物安全智能检测系统，其特征在于：所述检测系统由基于CAN现场总线的建筑物安全参数采集平台和建筑物安全测量系统2部分组成；本发明不但有效解决了传统建筑物安全检测系统由于设计不合理、设备落后、控制系统不完善等原因导致建筑物安全检测不及时、不精确和不可靠等许多问题，而且有效解决了现有的建筑安全检测系统，没有根建筑物沉降、倾侧和平移变化的非线性、大滞后和建筑物变形变化复杂等特点，对影响建筑物安全的沉降、倾侧角和平移进行监测与预测，从而极大的影响建筑物变形的调控问题。
Description
技术领域
本发明涉及建筑物检测自动化装备的技术领域，具体涉及一种建筑物安全智能检测系统。
背景技术
随着当前社会经济发展速度不断的加快，城市的建筑物不断增多，建筑物的质量也被更加全面的重视，尤其是建筑物沉降变形会严重的干扰建筑物的使用质量和使用寿命，对建筑物变形监测方法、观测精度及变形分析十分必要。这种变形在一定限度之内，应认为是正常的现象，但如果超过了规定的限度，就会影响建筑物的正常使用，严重时还会危及建筑物的安全。因此，在工程建筑物的施工和运营期间，必须对它们进行监视观测，即变形观测，变形观测的任务是周期性地对观测点进行重复观测，本发明专利根据对建筑物变形影响建筑物安全的需要，发明一种建筑物安全智能检测系统。
发明内容
本发明提供了一种建筑物安全智能检测系统，本发明不但有效解决了传统建筑物安全检测系统由于设计不合理、设备落后、控制系统不完善等原因导致建筑物安全检测不及时、不精确和不可靠等许多问题，而且有效解决了现有的建筑安全检测系统，没有根建筑物沉降、倾侧和平移变化的非线性、大滞后和建筑物变形变化复杂等特点，对影响建筑物安全的沉降、倾侧角和平移进行监测与预测，从而极大的影响建筑物变形的调控问题。
本发明通过以下技术方案实现：
一种建筑物安全智能检测系统，所述检测系统由基于CAN现场总线的建筑物安全参数采集平台和建筑物安全测量系统2部分组成；基于CAN现场总线的建筑物安全参数采集平台实现对建筑物安全因子参数进行检测和预测，建筑物安全测量系统由建筑物沉降检测模块、建筑物倾侧角度检测模块、建筑物位移检测模块和区间数Jordan神经网络建筑物安全分类器组成，建筑物沉降检测模块、建筑物倾侧角度检测模块和建筑物位移检测模块的输出作为区间数Jordan神经网络建筑物安全分类器的输入，区间数Jordan神经网络建筑物安全分类器的输出为表示建筑物安全等级的区间数，建筑物安全测量系统实现对被检测建筑物的安全状态进行检测、预测和分类。
本发明进一步技术改进方案是：
所述建筑物沉降检测模块由建筑物沉降区间数神经网络模型、2个沉降小波分解模型、2组多个CMAC小脑神经网络沉降预测模型、2个ANFIS神经网络沉降融合模型和2个Elman神经网络沉降残差预测模型组成，多个建筑物沉降传感器的输出作为建筑物沉降区间数神经网络模型的输入，建筑物沉降区间数神经网络模型输出的区间数上限值和下限值分别作为2个对应的小波分解模型的输入，2个沉降小波分解模型的建筑物沉降区间数神经网络模型输出的区间数上限值和下限值的2组低频趋势部分和多个高频波动部分信号分别作为2组对应的多个CMAC小脑神经网络沉降预测模型的输入，2每组多个CMAC小脑神经网络沉降预测模型的输出分别作为2个对应的ANFIS神经网络沉降融合模型的输入，建筑物沉降区间数神经网络模型输出的区间数上下限值分别与2个对应的ANFIS神经网络沉降融合模型输出值的差分别作为2个对应的Elman神经网络沉降残差预测模型的输入，2个ANFIS神经网络沉降融合模型输出值分别与2个对应的Elman神经网络沉降残差预测模型输出值的和分别作为建筑物沉降区间数神经网络模型输出的区间数上下限值的预测值和建筑物沉降检测模块输出区间数的上下限值；
所述区间数Jordan神经网络建筑物安全分类器由6个按拍延迟线TDL和区间数Jordan神经网络组成，6个按拍延迟线TDL的输入分别为建筑物沉降检测模块、建筑物倾侧角度检测模块和建筑物位移检测模块输出的3个区间数的上下限值，6个按拍延迟线TDL的输出为区间数Jordan神经网络的输入，区间数Jordan神经网络建筑物安全分类器的输出为代表建筑物安全等级的区间数；根据建筑物安全的工程实践与《建筑变形测量规范(JGJ8-2007)》，区间数Jordan神经网络建筑物安全分类器构建5个区间数与建筑物5种安全等级的对应关系表，建筑物5种安全等级分别为正常状态、有变形迹象、比较危险、很危险和非常危险，计算区间数Jordan神经网络建筑物安全分类器输出的区间数与代表建筑物安全等级的5个区间数的相似度，其中相似度最大的区间数对应的建筑物安全等级确定为该建筑物安全等级。
本发明进一步技术改进方案是：
所述建筑物沉降区间数神经网络模型由多个RR时间递归神经网络、区间数脊波神经网络和2个按拍延迟线TDL(Tapped Delay Line)组成，多个建筑物沉降传感器的输出作为对应的多个RR时间递归神经网络的输入，多个RR时间递归神经网络的输出作为区间数脊波神经网络的输入，区间数脊波神经网络的输出作为2个按拍延迟线TDL的输入，2个按拍延迟线TDL的输出作为区间数脊波神经网络的输入，区间数脊波神经网络的输出为代表一段时间建筑物沉降大小的上下限值构成的区间数和建筑物沉降区间数神经网络模型的输出，建筑物沉降区间数神经网络模型把一段时间多个建筑物沉降传感器感知被测量建筑物沉降量转换为建筑物沉降的动态区间数值。
本发明进一步技术改进方案是：
所述建筑物倾侧角度检测模块由建筑物倾侧角度区间数神经网络模型、2个倾侧角度小波分解模型、2组多个CMAC小脑神经网络倾侧角度预测模型、2个ANFIS神经网络倾侧角度融合模型和2个Elman神经网络倾侧角度残差预测模型组成。
本发明进一步技术改进方案是：
所述建筑物平移检测模块由建筑物平移区间数神经网络模型、2个平移小波分解模型、2组多个CMAC小脑神经网络平移预测模型、2个ANFIS神经网络平移融合模型和2个Elman神经网络平移残差预测模型组成。
本发明进一步技术改进方案是：
所述基于CAN现场总线的建筑物安全参数采集平台包括建筑物安全参数的检测节点、调节建筑物安全参数的控制节点和现场监控端组成，通过CAN现场总线方式构建成测控网络来实现检测节点、控制节点和现场监控端之间的现场通信；检测节点将检测的建筑物安全参数发送给现场监控端并对传感器数据进行初步处理；现场监控端把控制信息传输到检测节点和控制节点。
本发明进一步技术改进方案是：
所述建筑物倾侧角度检测模块、建筑物平移检测模块的功能结构特征与建筑物沉降检测模块的功能结构类似。
本发明与现有技术相比，具有以下明显优点：
一、本发明针对建筑物沉降量、倾侧角度和平移量大小参数测量过程中，传感器精度误差、干扰和测量沉降量异常等问题存在的不确定性和随机性，本发明专利将建筑物沉降、倾侧角度和平移传感器测量的参数值通过建筑物沉降、倾侧和平移区间数神经网络模型转化为区间数形式表示，有效地处理了建筑物沉降量、倾侧角度和平移传感器测量参数的模糊性、动态性和不确定性，提高了建筑物沉降量、倾侧角度和平移传感器值检测参数的客观性和可信度。
二、本发明RNN时间递归神经网络是一种用于处理建筑物沉降量、倾侧和平移的时序数据的神经网络。在该网络中，循环结构会保留当前时刻隐藏神经元的状态值，并将其作为下一次循环输入的一部分输入信号输入到下一时刻的隐藏层神经元中。RNN的输入信号采取的是建筑物沉降量时序输入，每输入一步，每一层都共享网络权重和偏置，大大减少了网络中需要学习的参数，降低了网络的复杂度。
三、本发明RNN时间递归神经网络充分利用基于时间序列数据之间的相关性，是一种在隐含层内部加入了定向循环结构的神经网络，其特殊的结构能够较好地处理基于时间序列建筑物沉降量、倾侧角度和平移数据的问题，通过表征输入建筑物沉降数据、倾侧角度和平移的分布式表示，展现出较强的学习建筑物沉降、倾侧角度和平移数据集的本质特征的能力，实现复杂函数的逼近，更好地刻画出建筑物沉降、倾侧角度和平移数据的丰富内在信息，具有较强的泛化能力，提高计算建筑物沉降量、倾侧角度和平移大小的准确性和可靠性。
四、本发明RNN时间递归神经网络是一种引入了“时序”概念的建筑物沉降量、倾侧角度和平移大小神经网络，其具有反馈机制，广泛应用于建筑物沉降量、倾侧角度和平移大小时间序列数据建模。RNN可以使学习到的信息在网络内储存，使模型能够学习到当前时刻建筑物沉降量、倾侧角度和平移大小与过去信息的依赖关系。给定建筑物沉降量、倾侧角度和平移大小输入序列，RNN时间递归神经网络在任意时刻t，的隐藏层状态ht均是基于当前时刻的建筑物沉降、倾侧角度和平移输入xt以及过去时刻的隐藏层状态ht－1映射得到的，且RNN时间递归神经网络可以将每个时刻的隐藏层状态输出传入下一时刻；最终RNN时间递归神经网络通过输出层将一段时间建筑物沉降、倾侧角度和平移映射得到建筑物沉降的输出量。
五、本发明小波分解模型可以将建筑物降量、倾侧角度和平移数据的上下限值时间数据序列信号分解到不同的分辨率空间中采用不同的CMAC小脑神经网络分别来预测、ANFIS神经网络融合模型和Elman神经网络残差预测模型综合融合，提高建筑物降量、倾侧角度和平移数据预测与处理的精确性和可靠性。
六、本发明所采用的2个Elman神经网络残差预测模型实现对建筑物沉降、倾侧角度和平移区间数上下限值的一段时间内建筑物沉降、倾侧角度和平移参数残差预测，该Elman神经网络残差预测模型一般分为4层:输入层、中间层(隐含层)、承接层和输出层,其输入层、隐含层和输出层的连接类似于前馈网络,输入层的单元仅起信号传输作用,输出层单元起线性加权作用。隐含层单元的传递函数可采用线性或非线性函数,承接层又称为上下文层或状态层,它用来记忆隐含层单元前一时刻的输出值,可以认为是一个一次延时算子。Elman神经网络残差预测模型的特点是隐含层的输出通过承接层的延迟与存储,自联到隐含层的输入,这种自联方式使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,从而达到了动态预测建筑物沉降、倾侧角度和平移参数残差的目的。Elman神经网络残差预测模型的特点是隐层的输出通过结构单元的延迟、存储自联到隐层的输入,这种自联方式使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,有利于动态过程的建模；该神经网络利用关联层动态神经元的反馈连接,将未来预测网络和过去预测网络的信息进行融合,使网络对时间序列特征信息的记忆得到加强,从而提高建筑物沉降、倾侧角度和平移区间数的预测精度。
七、本专利的区间数脊波神经网络模型，区间数脊波神经网络模拟人脑的视觉皮层，该区域的神经元可接收特定的方向信息，即对特定方向上的目标有最佳反应。与建筑物降量、倾侧角度和平移数据单独向一个方向正好吻合，与传统神经网络相比，脊波神经的神经元具有方向性，使脊波神经网络具有更多的维数信息，能处理更高数据，对非线性高维函数逼近有很好的效果。区间数脊波神经网络隐含层激励函数为脊波函数，神经元具有方向性，使脊波神经网络具有更多的维数信息，能处理更高维的数据，对非线性高维函数的逼近有很好的效果，区间数脊波神经网络融合模型的输入为一段时间建筑物沉降、倾侧角度和平移区间数的上下限值，输出为代表建筑物沉降、倾侧角度和平移区间数的预测值，提高了脊波神经网络融合模型可以准确地动态地预测的建筑物沉降、倾侧角度和平移区间数数的动态性能与可靠性。
八、区间数Jordan神经网络建筑物安全分类器提高建筑物安全等级等级分类的科学性和可靠性，本专利的区间数Jordan神经网络建筑物安全分类器，根据建筑物变形发生的工程实践经验和《建筑变形测量规范(JGJ8-2007)》，通过区间数Jordan神经网络建筑物安全分类器将被检测建筑物的沉降、倾侧角度和平移区间数的预测值大小对建筑物变形安全影响的动态程度量化为建筑物安全等级，区间数Jordan神经网络建筑物安全分类器输出代表建筑物安全等级的区间数；建筑物5种安全等级分别为正常状态、有变形迹象、比较危险、很危险和非常危险，区间数Jordan神经网络建筑物安全分类器构建5个区间数与建筑物5种安全等级的对应关系表。计算区间数Jordan神经网络建筑物安全分类器输出的区间数与代表建筑物5种安全等级的5个区间数的相似度，其中相似度最大的区间数对应的建筑物安全等级确定为该建筑物安全等级，实现对建筑物安全等级分类的动态性能和科学分类。
附图说明
图1为本发明基于CAN现场总线的建筑物安全参数采集平台；
图2为本发明建筑物安全测量系统；
图3为本发明检测节点功能图；
图4为本发明控制节点功能图；
图5为本发明现场监控端软件功能图；
图6为本发明建筑物沉降区间数神经网络模型。
具体实施方式
结合附图1-6，对本发明技术方案作进一步描述：
1、系统总体功能的设计
本发明实现对影响建筑物安全参数进行检测和建筑物沉降量、倾侧角度和平移数融合与预测，该系统由基于CAN现场总线的建筑物安全参数采集平台和建筑物安全测量系统2部分组成。基于CAN现场总线的建筑物安全参数采集平台包括测量建筑物沉降量、倾侧角度、挠度和平移的检测节点1、调节建筑物安全参数的控制节点2和现场监控端3，通过CAN总线方式构建成测控网络来实现检测节点1、控制节点2和现场监控端3之间的现场通信；检测节点1将检测的建筑物安全参数发送给现场监控端3并对传感器数据进行处理；现场监控端3把控制信息传输到检测节点1和控制节点2。基于CAN现场总线的建筑物安全参数采集平台见图1所示。
2、检测节点的设计
本发明采用基于CAN总线的检测节点1作为建筑物安全参数感知终端，检测节点1和控制节点2通过CAN总线方式实现与现场监控端3之间的信息相互交互。检测节点1包括采集影响建筑物安全的建筑物沉降量、倾侧角度、挠度和平移参数的传感器和对应的信号调理电路、C8051F040微处理器；检测节点的软件主要实现现场总线通信和建筑物安全参数的采集与预处理。软件采用C语言程序设计，兼容程度高，大大提高了软件设计开发的工作效率，增强了程序代码的可靠性、可读性和可移植性。检测节点结构见图3。
3、控制节点的设计
控制节点2在输出通路设计了4路D/A转换电路输出对建筑物沉降量、倾侧角度、挠度和平移调节的数模转换电路、C8051F040微处理器和CAN总线通信模块接口，实现对建筑物安全控制设备进行调节，控制节点见图4。
4、现场监控端软件的设计
现场监控端3是一台工业控制计算机，现场监控端3主要实现对建筑物安全参数进行采集、多点参数融合和建筑物安全参数预测，实现与检测节点1和控制节点2的信息交互，现场监控端3主要功能为通信参数设置、数据分析与数据管理、建筑物安全参数融合与预测。建筑物安全测量系统由建筑物沉降检测模块、建筑物倾侧角度检测模块、建筑物位移检测模块和区间数Jordan神经网络建筑物安全分类器组成，建筑物沉降检测模块、建筑物倾侧角度检测模块和建筑物位移检测模块的输出作为区间数Jordan神经网络建筑物安全分类器的输入，区间数Jordan神经网络建筑物安全分类器的输出为表示建筑物安全等级的区间数，建筑物安全测量系统实现对被检测建筑物的安全状态进行检测、预测和分类；该管理软件选择了Microsoft Visual++6.0作为开发工具，调用系统的Mscomm通信控件来设计通讯程序，现场监控端软件功能见图5，建筑物倾侧角度检测模块与建筑物平移检测模块和建筑物沉降检测模块的设计方法类似，建筑物安全测量系统见图2，建筑物安全测量系统的设计如下：
(1)、建筑物沉降检测模块设计
建筑物沉降检测模块由建筑物沉降区间数神经网络模型、2个沉降小波分解模型、2组多个CMAC小脑神经网络沉降预测模型、2个ANFIS神经网络沉降融合模型和2个Elman神经网络沉降残差预测模型组成，设计过程如下：
A、建筑物沉降区间数神经网络模型设计
建筑物沉降区间数神经网络模型由多个RR时间递归神经网络、区间数脊波神经网络和2个按拍延迟线TDL(Tapped Delay Line)组成，多个建筑物沉降传感器的输出作为多个对应的RR时间递归神经网络的输入，多个RR时间递归神经网络的输出作为区间数脊波神经网络神经网络的输入，区间数脊波神经网络神经网络的输出作为2个按拍延迟线TDL的输入，2个按拍延迟线TDL的输出作为区间数脊波神经网络的输入，区间数脊波神经网络的输出为代表一段时间建筑物沉降大小的上下限值构成的区间数，建筑物沉降区间数神经网络模型把一段时间多个建筑物沉降传感器感知被测量建筑物沉降量转换为建筑物沉降的动态区间数值；多个建筑物沉降传感器的输出为对应的RR时间递归神经网络的输入，多个RR时间递归神经网络模型的输出为区间数脊波神经网络神经网络的输入，2个按拍延迟线TDL的输出为区间数脊波神经网络模型的输入，区间数脊波神经网络的输出为u1(k)和u2(k)，u1(k)和u2(k)分别作为对应的按拍延迟线TDL的输入，u1(k)和u2(k)分别代表建筑物沉降区间数值神经网络模型输出的上限值和下限值，构成建筑物沉降传感器在一段时间内被检测建筑物沉降量的输出区间数值为[u2,u1]，建筑物沉降区间数神经网络模型辨识结构如图6所示，多个RR时间递归神经网络模型的输出分别为X(1)、X(2)，…，X(n)；U1(k-1)，…，U1(k–d)为建筑物沉降区间数神经网络模型输出值的上限值的历史数据，U2(k-1)，…，U2(k–d)为建筑物沉降区间数值神经网络模型输出值的下限值的历史数据，u1(k)和u2(k)为区间数脊波神经网络的输出值代表建筑物沉降区间数值神经网络模型的输出，k表示当前时刻，d分别表示U的滞后点。建筑物沉降区间数神经网络模型可以描述为：
U(k)＝[u2(k),u1(k)]＝F[X(1),X(2),…,X(n)；u1(k),…,u1(k-d)；u2(k),…,u2(k-d)] (1)
RNN时间递归神经网络可以处理建筑物沉降量大小的顺序信息，RNN时间递归神经网络使用建筑物沉降量大小的前一状态的输出作为预测后一沉降量大小输入的一部分，具备一般意义上的“记忆”建筑物沉降量大小的功能。RNN时间递归神经网络可以保留前一序列建筑物沉降量作为输出，下一序列的建筑物沉降量输入和保留的前一序列沉降量输出共同计算得到下一序列的建筑物沉降量输出。xt是t时刻的输入，st表示网络的记忆单元t时刻的状态，st通过前一步的状态st-1以及当前时刻的输入xt共同计算得到：
st＝f(Uxt+Wst-1) (2)
激励函数f是RNN神经网络中非线性函数tanh，通常第一个隐藏状态st-1的值会用0进行初始化，但实际使用极小值进行初始化会使梯度下降的更快。ot是t时刻的输出,通常是由归一化指数函数计算出的概率向量：
ot＝softmax(Vst) (3)
区间数脊波神经网络具有m×p×2三层结构，m表示脊波神经网络输入层节点个数，p表示脊波神经网络隐含层节点个数，2表示输出层节点个数，将脊波函数作为隐含层激励函数的神经网络为脊波神经网络，X＝[x1,x2,…,xm]表示区间数脊波神经网络的输入量，y表示区间数脊波神经网络的输出量，U＝[u1,u2,…up]表示脊波神经网络的方向矩阵，其中Ui＝[ui1,ui2,…uim]表示第i个隐含层神经元对应的脊波方向向量，a＝[a1,a2,…ap]表示脊波神经网络的脊波尺度向量，b＝[b1,b2,…bp]表示脊波神经网络的脊波位置向量，w＝[w1,w2,…wp]表示隐含层和输出层之间的连接权值向量。网络输出表示为：
其中i为2,代表输出两个节点组成区间数脊波神经网络输出的区间数，
为第j个隐含层神经元的输出，其表达式为：
一段时间多个RNN时间递归神经网络的输出作为区间数脊波神经网络的输入，区间数脊波神经网络输出为建筑物沉降量大小的区间数；建筑物沉降传感器在一段时间内检测建筑物沉降量的输出区间数值为[u2,u1]。
B、2个沉降小波分解模型设计
建筑物沉降区间数神经网络模型输出的区间数上限值和下限值分别作为2个对应的沉降小波分解模型的输入，2个沉降小波分解模型输出的建筑物沉降区间数神经网络模型输出的区间数上限值和下限值的2组低频趋势部分和多个高频波动部分信号分别作为2组对应的多个CMAC小脑神经网络沉降预测模型的输入。本发明专利用小波分析方法对检测建筑物沉降参数的区间值的时间序列上下限值进行分解，小波分解对建筑物沉降区间数各层信息进行自相关和互相关分析，小波分解过程中对建筑物沉降区间数信号做了平滑处理，因此，建筑物沉降区间数经过小波处理后的数据要平滑很多。根据建筑物沉降区间数各层信号分析后的特点分别建立2组相应的上限和下限多个CMAC小脑神经网络沉降预测模型来分别预测建筑物沉降区间数的上下限值，最后将各层预测结果分别作为对应的ANFIS神经网络沉降融合模型的输入，2个ANFIS神经网络沉降融合模型的输出作为对建筑物沉降区间数预测值的融合值。沉降小波多分辨率分解过程一般采用Mallat算法，该算法的分解关系表示如下:
式(6)中h0、h1分别为低通分解滤波器和高通分解滤波器。mp np分别是分辨率为2-p下的低频系数和高频系数。该算法重构关系如下:
式(7)中g0、g1分别为低通重构滤波器和高通重构滤波器。Ap、Dp分别是分辨率2-p下的低频分量和高频分量。Mallat算法将每一层分解后的低频信号部分再次分解成高频和低频，这样进行层层分解。原始本检测的历史数据X进行p层分解后得到的结果为:
X＝D1+D2+…Dp+Ap (8)
式(8)中Ap为第p层分解后的低频信号部分，Dp为第p层分解后的高频部分。小波分析可以将被检测建筑物沉降区间数上下限值的历史数据序列信号分解到不同频率分辨率空间中，分别采用2组对应的多个CMAC小脑神经网络沉降预测模型分别对建筑物沉降区间数的上下限历史数据进行预测，提高了建筑物沉降区间数上下限值预测的精确度和可靠性。
C、2组多个CMAC小脑神经网络沉降预测模型设计
2个沉降小波分解模型输出的建筑物沉降区间数神经网络模型输出的区间数上限值和下限值的2组低频趋势部分和多个高频波动部分信号分别作为2组对应的多个CMAC小脑神经网络沉降预测模型的输入，2组多个CMAC小脑神经网络沉降预测模型的输出为区间数上限值和下限值的2组对应的低频趋势部分和多个高频波动部分的预测值。CMAC小脑神经网络沉降预测模型结构简单，不需要选择网络的层数及神经元个数，且相对传统神经网络来说，不需要大量数据进行离线建模，只需在每个量化等级内取一组数据进行训练即可。CMAC小脑神经网络沉降预测模型在映射过程中只有一定的单元被激活，相近的输入所激活的单元有所重叠，故相近输入可获得相近输出。因此CMAC小脑神经网络沉降预测模型具有一定的泛化能力，学习精度高且学习速度较快。CMAC小脑神经网络沉降预测模型本质上是一种查表的方法，易于软件上的编程实现。CMAC小脑神经网络沉降预测模型由两层映射结构组成:第一层为非线性映射，将输入的模拟量量化成离散的输入空间S，转化成二进制的联合向量a，输入空间中的每个点将同时激活a中的C个单元。其中C是CMAC小脑神经网络中的重要参数，它表征了信号检测单元的感受野大小，直接影响系统的泛化能力，一般称为泛化参数。CMAC小脑神经网络沉降预测模型的输入为经过量化后的结果，离散输入空间的数据与联合向量存在一一对应关系，每个输入点由唯一的联合向量表示。第一层变换的特点是:它将只存在很小差别的两个相邻的输入点映射到联合向量中，随着输入点之间的距离逐渐增加，相应的联合向量之间相同的位数随之减少，当超过泛化参数C后，将不再存在相同位。因此，该映射具有非线性特征和对整个系统进行泛化的能力。CMAC小脑神经网络沉降预测模型从输入量x到输出量y的运算过程可看作是由以下三个非线性映射顺序组成的:x→S，S→A和A→y，其中x为CMAC小脑神经网络沉降预测模型的输入量，S为量化等级存储空间，A为感知器存储空间，y为神经网络的输出量，三个非线性映射顺序过程为：
(a)x→S映射:根据量化等级的精度N，将输入量x映射到量化等级存储空间S(S由N个量化等级顺序排列组成，即S1-SN)，映射过程计算公式如下:
(b)S→A映射:将量化等级Si按照指针的方式顺序激活感知器存储空间A(A由N+C－1个感知器组成，其中C为CMAC小脑神经网络预测模型的泛化常数；
(c)A→y映射:第二层结构的输出是由联合向量a和加权向量w得出的一个标量，感知器存储空间A中各感知器都对应一个权值，将S→A映射过程中所激活的感知器对应的权值相加得到CMAC小脑神经网络沉降预测模型的输出y为：
yj＝aTwj (j＝1,2) (11)
其中：a＝[a1,a2,…,aN+C-1]T和wj＝[w1,j,w2,j,…,wN+C-1,j]T。向量a中各元素表示各感知器的被激活情况，若在S→A映射过程中某感知器被激活，则向量a中相应元素置“1”，其余未被激活的感知器其相应的元素置“0”。由S→A映射可以看出，相邻的量化等级在该过程所激活的感知器有一定的重叠。距离越相近，重叠的感知器的数量越多，CMAC小脑神经网络沉降预测模型的输出也越相近；反之，距离较远的量化等级之间，重叠的感知器数量较少或没有重叠的感知器。因此CMAC小脑神经网络沉降预测模型具有一定的泛化能力，即相近输入能获得相近输出，不相近的输入所获得的输出则存在一定的差异。另外在S→A映射过程中，只有部分感知器被激活，所以CMAC小脑神经网络沉降预测模型较其他神经网络学习速度较快。
D、2个ANFIS神经网络沉降融合模型设计
2每组多个CMAC小脑神经网络沉降预测模型的输出分别作为2个对应的ANFIS神经网络沉降融合模型的输入，2个ANFIS神经网络沉降融合模型的输出分别为建筑物沉降区间数上下限值历史数据的预测值。ANFIS神经网络沉降融合模型是基于神经网络的自适应模糊推理系统ANFIS，也称为自适应神经模糊推理系统(Adaptive Neuro-Fuzzy InferenceSystem)，将神经网络和自适应模糊推理系统有机地结合起来，既能发挥二者的优点，又可弥补各自的不足。ANFIS神经网络沉降融合模型中的模糊隶属度函数及模糊规则是通过对大量建筑物沉降区间数的上下限值已知的低频和高频历史数据预测值的学习得到的，ANFIS神经网络沉降融合模型的输入为建筑物沉降区间数的上下限值的低频和高频预测值，ANFIS神经网络沉降融合模型的输出是对建筑物沉降区间数的上下限值的低频和高频的预测值,ANFIS神经网络沉降融合模型主要运算步骤如下:
第1层:将输入的建筑物沉降区间数的上下限值的低频和高频值的预测值模糊化，每个节点对应输出可表示为:
式n为每个输入隶属函数个数，隶属函数采用高斯隶属函数。
第2层:实现规则运算，输出规则的适用度，ANFIS神经网络沉降融合模型的规则运算采用乘法如下：
第3层:将各条规则的适用度归一化:
第4层:每个节点的传递函数为线性函数，表示局部的线性模型，每个自适应节点i输出为:
第5层:该层的单节点是一个固定节点，计算ANFIS神经网络沉降融合模型的输出为:
ANFIS神经网络沉降融合模型中决定隶属函数形状的条件参数和推理规则的结论参数可以通过学习过程进行训练。参数采用线性最小二乘估计算法与梯度下降结合的算法调整参数。ANFIS神经网络沉降融合模型每一次迭代中首先输入信号沿网络正向传递直到第4层，采用最小二乘估计算法调节结论参数；信号继续沿网络正向传递直到输出层(即第5层)。ANFIS神经网络沉降融合模型将获得的误差信号沿网络反向传播，用梯度法更新条件参数。以此方式对ANFIS神经网络沉降融合模型中给定的条件参数进行调整，可以得到结论参数的全局最优点，这样不仅可以降低梯度法中搜索空间的维数，还可以提高ANFIS神经网络沉降融合模型参数的收敛速度。ANFIS神经网络沉降融合模型的输出作为建筑物沉降区间数的上下限值低频和高频分量的预测值。
E、2个Elman神经网络沉降残差预测模型设计
建筑物沉降区间数神经网络模型输出的区间数上下限值分别与2个对应的ANFIS神经网络沉降融合模型输出值的差分别作为2个对应的Elman神经网络沉降残差预测模型的输入，2个ANFIS神经网络沉降融合模型输出值分别与2个对应的Elman神经网络沉降残差预测模型输出值的和分别作为建筑物沉降区间数神经网络模型输出的区间数上下限值的预测值和建筑物沉降检测模块输出区间数的上下限值。每个Elman神经网络沉降残差预测模型可以看作是一个具有局部记忆单元和局部反馈连接的前向神经网络，除了隐层外,还有一个特别的关联层；关联层从隐层接收反馈信号,每一个隐层节点都有一个与之对应的关联层节点连接。关联层将上一时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入,相当于状态反馈。隐层的传递函数一般为Sigmoid函数,输出层为线性函数,关联层也为线性函数。为了有效地解决被检测参数预测中的逼近精度问题,增强关联层的作用,设Elman神经网络沉降残差预测模型的输入层、输出层、隐层的个数分别为m,n和r；w1，w2，w3和w4分别表示结构层单元到隐层、输入层到隐层、隐层到输出层、结构层到输出层的连接权矩阵,则Elman神经网络沉降残差预测模型隐含层、关联层和输出层的表达式分别为:
cp(k)＝xp(k-1) (18)
本专利每个Elman神经网络沉降残差预测模型的输入层、输出层、隐层的个数分别为5,1和11，建筑物沉降区间数神经网络模型输出的区间数上下限值分别与2个对应的ANFIS神经网络沉降融合模型输出值的差分别作为2个对应的Elman神经网络沉降残差预测模型的输入，Elman神经网络沉降残差预测模型的输出为建筑物沉降区间数神经网络模型输出区间数的上限和下限值残差的预测值，该模型提高了建筑物沉降区间数神经网络模型输出区间数的上限和下限值的预测精确度。
(2)、区间数Jordan神经网络建筑物安全分类器设计
区间数Jordan神经网络建筑物安全分类器由6个按拍延迟线TDL和区间数Jordan神经网络组成，6个按拍延迟线TDL的输入分别为建筑物沉降检测模块、建筑物倾侧角度检测模块和建筑物位移检测模块输出的3个区间数的上下限值，6个按拍延迟线TDL的输出为区间数Jordan神经网络的输入，区间数Jordan神经网络的输出为代表建筑物安全等级的区间数；根据建筑物安全的工程实践与《建筑变形测量规范(JGJ8-2007)》，区间数Jordan神经网络建筑物安全分类器构建5个区间数与建筑5种安全等级的对应关系见表1所示，本发明专利所采用的区间数Jordan神经网络除了输入层、隐层和输出层外，还有一个用来记忆系统前一时刻输出值的特殊单元层，可以认为是时延算子，并将隐层状态反馈；区间数Jordan神经网络具有输出反馈环节，可以反映系统的输出特性，通过将隐层的状态反馈，使其能够反映状态特性，这样使得区间数Jordan神经网络具有更丰富的性质，适用范围更广泛，更适于动态系统辨识，相对于前向网络具有明显的优势。区间数Jordan神经网络的输入层有n个节点，隐层有m个节点，输出层有2个节点，区间数Jordan神经网络的隐含层和目标层的输出为：
ot＝f(xi(k)-θi) (21)
其中f是sigmoid函数，是阈值。其中：
区间数Jordan神经网络建筑物安全分类器的输出为代表建筑物安全等级的区间数，计算区间数Jordan神经网络建筑物安全分类器输出的区间数与代表发生建筑物安全等级的5个区间数的相似度，其中相似度最大的区间数对应的建筑物安全等级确定为该建筑物安全等级。
表1建筑安全等级与区间数对应关系表
| 序号 | 安全等级 | 区间数 |
| 1 | 正常状态 | [0.00，0.20] |
| 2 | 有变形迹象 | [0.20，0.40] |
| 3 | 比较危险 | [0.40，0.60] |
| 4 | 很危险 | [0.60，0.80] |
| 5 | 非常危险 | [0.80，1.0] |
5、基于CAN现场总线的建筑物安全参数采集平台的设计举例
根据建筑物环境的状况，系统设计了检测节点1和控制节点2和现场监控端3的平面布置安装图，其中检测节点1均衡布置在被检测的建筑物环境中，通过该系统实现对建筑物安全参数的采集和预测。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (5)
1.一种建筑物安全智能检测系统，其特征在于：所述检测系统由基于CAN现场总线的建筑物安全参数采集平台和建筑物安全测量系统两部分组成； 基于CAN现场总线的建筑物安全参数采集平台实现对建筑物安全因子参数进行检测和预测，建筑物安全测量系统由建筑物沉降检测模块、建筑物倾侧角度检测模块、建筑物位移检测模块和区间数Jordan神经网络建筑物安全分类器组成，建筑物沉降检测模块、建筑物倾侧角度检测模块和建筑物位移检测模块的输出作为区间数Jordan神经网络建筑物安全分类器的输入，区间数Jordan神经网络建筑物安全分类器的输出为表示建筑物安全等级的区间数，建筑物安全测量系统实现对被检测建筑物的安全状态进行检测、预测和分类；
所述建筑物沉降检测模块由建筑物沉降区间数神经网络模型、2个沉降小波分解模型、2组多个CMAC小脑神经网络沉降预测模型、2个ANFIS神经网络沉降融合模型和2个Elman神经网络沉降残差预测模型组成，多个建筑物沉降传感器的输出作为建筑物沉降区间数神经网络模型的输入，建筑物沉降区间数神经网络模型输出的区间数上限值和下限值分别作为2个对应的小波分解模型的输入，2个沉降小波分解模型的建筑物沉降区间数神经网络模型输出的区间数上限值和下限值的2组低频趋势部分和多个高频波动部分信号分别作为2组对应的多个CMAC小脑神经网络沉降预测模型的输入，2每组多个CMAC小脑神经网络沉降预测模型的输出分别作为2个对应的ANFIS神经网络沉降融合模型的输入，建筑物沉降区间数神经网络模型输出的区间数上下限值分别与2个对应的ANFIS神经网络沉降融合模型输出值的差分别作为2个对应的Elman神经网络沉降残差预测模型的输入，2个ANFIS神经网络沉降融合模型输出值分别与2个对应的Elman神经网络沉降残差预测模型输出值的和分别作为建筑物沉降区间数神经网络模型输出的区间数上下限值的预测值和建筑物沉降检测模块输出区间数的上下限值；
所述区间数Jordan神经网络建筑物安全分类器由6个按拍延迟线TDL和区间数Jordan神经网络组成，6个按拍延迟线TDL的输入分别为建筑物沉降检测模块、建筑物倾侧角度检测模块和建筑物位移检测模块输出的3个区间数的上下限值，6个按拍延迟线TDL的输出为区间数Jordan神经网络的输入，区间数Jordan神经网络建筑物安全分类器的输出为代表建筑物安全等级的区间数；根据建筑物安全的工程实践与国家关于建筑物安认定标准，区间数Jordan神经网络建筑物安全分类器构建5个区间数与建筑物5种安全等级的对应关系表，建筑物5种安全等级分别为正常状态、有变形迹象、比较危险、很危险和非常危险，计算区间数Jordan神经网络建筑物安全分类器输出的区间数与代表建筑物安全等级的5个区间数的相似度，其中相似度最大的区间数对应的建筑物安全等级确定为该建筑物安全等级。
2.根据权利要求1所述的一种建筑物安全智能检测系统，其特征在于：所述建筑物沉降区间数神经网络模型由多个RR时间递归神经网络、区间数脊波神经网络和2个按拍延迟线TDL组成，各个建筑物沉降传感器的输出作为对应的RR时间递归神经网络的输入，多个RR时间递归神经网络的输出作为区间数脊波神经网络的输入，区间数脊波神经网络的输出作为2个按拍延迟线TDL的输入，2个按拍延迟线TDL的输出作为区间数脊波神经网络的输入，区间数脊波神经网络的输出为代表一段时间建筑物沉降大小的上下限值构成的区间数和建筑物沉降区间数神经网络模型的输出，建筑物沉降区间数神经网络模型把一段时间多个建筑物沉降传感器感知被测量建筑物沉降量转换为建筑物沉降的动态区间数值。
3.根据权利要求1所述的一种建筑物安全智能检测系统，其特征在于：所述建筑物倾侧角度检测模块由建筑物倾侧角度区间数神经网络模型、2个倾侧角度小波分解模型、2组多个CMAC小脑神经网络倾侧角度预测模型、2个ANFIS神经网络倾侧角度融合模型和2个Elman神经网络倾侧角度残差预测模型组成。
4.根据权利要求1所述的一种建筑物安全智能检测系统，其特征在于：所述建筑物平移检测模块由建筑物平移区间数神经网络模型、2个平移小波分解模型、2组多个CMAC小脑神经网络平移预测模型、2个ANFIS神经网络平移融合模型和2个Elman神经网络平移残差预测模型组成。
5.根据权利要求1所述的一种建筑物安全智能检测系统，其特征在于：所述基于CAN现场总线的建筑物安全参数采集平台包括建筑物安全参数的检测节点、调节建筑物安全参数的控制节点和现场监控端组成，通过CAN现场总线方式构建成测控网络来实现检测节点、控制节点和现场监控端之间的现场通信；检测节点将检测的建筑物安全参数发送给现场监控端并对传感器数据进行初步处理；现场监控端把控制信息传输到检测节点和控制节点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010201765.7A CN111473768B (zh) | 2020-03-20 | 2020-03-20 | 一种建筑物安全智能检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010201765.7A CN111473768B (zh) | 2020-03-20 | 2020-03-20 | 一种建筑物安全智能检测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111473768A true CN111473768A (zh) | 2020-07-31 |
| CN111473768B CN111473768B (zh) | 2021-10-29 |
Family
ID=71748286
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010201765.7A Active CN111473768B (zh) | 2020-03-20 | 2020-03-20 | 一种建筑物安全智能检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111473768B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112911532A (zh) * | 2021-01-13 | 2021-06-04 | 淮阴工学院 | 一种基坑大数据检测系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103093400A (zh) * | 2013-01-24 | 2013-05-08 | 华中科技大学 | 一种隧道施工中邻近建筑物安全性定量评价方法 |
| CN103616011A (zh) * | 2013-12-06 | 2014-03-05 | 天津大学 | 地下工程变形远程自动监控系统 |
| CN103643668A (zh) * | 2013-12-02 | 2014-03-19 | 重庆大学 | 一种建筑工程基坑监测的方法 |
| CN106529185A (zh) * | 2016-11-24 | 2017-03-22 | 西安科技大学 | 一种古建筑位移的组合预测方法及系统 |
| CN107368928A (zh) * | 2017-08-03 | 2017-11-21 | 西安科技大学 | 一种古建筑沉降的组合预测方法及系统 |
| CN108460231A (zh) * | 2018-03-23 | 2018-08-28 | 中交公路长大桥建设国家工程研究中心有限公司 | 一种桥梁建养全过程智能监测评估预警决策系统及方法 |
| US10395108B1 (en) * | 2018-10-17 | 2019-08-27 | Decision Engines, Inc. | Automatically identifying and interacting with hierarchically arranged elements |
-
2020
- 2020-03-20 CN CN202010201765.7A patent/CN111473768B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103093400A (zh) * | 2013-01-24 | 2013-05-08 | 华中科技大学 | 一种隧道施工中邻近建筑物安全性定量评价方法 |
| CN103643668A (zh) * | 2013-12-02 | 2014-03-19 | 重庆大学 | 一种建筑工程基坑监测的方法 |
| CN103616011A (zh) * | 2013-12-06 | 2014-03-05 | 天津大学 | 地下工程变形远程自动监控系统 |
| CN106529185A (zh) * | 2016-11-24 | 2017-03-22 | 西安科技大学 | 一种古建筑位移的组合预测方法及系统 |
| CN107368928A (zh) * | 2017-08-03 | 2017-11-21 | 西安科技大学 | 一种古建筑沉降的组合预测方法及系统 |
| CN108460231A (zh) * | 2018-03-23 | 2018-08-28 | 中交公路长大桥建设国家工程研究中心有限公司 | 一种桥梁建养全过程智能监测评估预警决策系统及方法 |
| US10395108B1 (en) * | 2018-10-17 | 2019-08-27 | Decision Engines, Inc. | Automatically identifying and interacting with hierarchically arranged elements |
Non-Patent Citations (1)
| Title |
|---|
| 崔腾飞，许章平，刘成洲，李一凡: "基于小波分析的神经网络基坑变形预测模型", 《北京测绘》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112911532A (zh) * | 2021-01-13 | 2021-06-04 | 淮阴工学院 | 一种基坑大数据检测系统 |
| CN112911532B (zh) * | 2021-01-13 | 2022-06-14 | 淮阴工学院 | 一种基坑大数据检测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111473768B (zh) | 2021-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cheng | A neural network approach for the analysis of control chart patterns | |
| CN111461187B (zh) | 一种建筑物沉降智能检测系统 | |
| Boussabaine | The use of artificial neural networks in construction management: a review | |
| CN111474094B (zh) | 一种粉尘浓度智能化检测系统 | |
| CN111476278B (zh) | 一种气体浓度智能化检测系统 | |
| CN111461413B (zh) | 一种公路路面使用性能检测系统 | |
| US5107454A (en) | Pattern associative memory system | |
| CN111444947B (zh) | 一种桥梁沉降智能检测系统 | |
| CN110689179A (zh) | 基于时空序列混合模型的水华预测方法 | |
| Babaie et al. | Learning based brain emotional intelligence as a new aspect for development of an alarm system | |
| CN112665656B (zh) | 一种农产品生长环境大数据检测系统 | |
| CN111426344B (zh) | 一种建筑物能耗智能检测系统 | |
| CN111429718B (zh) | 一种公路交通安全智能检测系统 | |
| CN111460729A (zh) | 一种桥梁变形智能检测系统 | |
| CN114397043B (zh) | 多点温度智能检测系统 | |
| CN112904756B (zh) | 一种管网大数据检测系统 | |
| CN114911185A (zh) | 基于云平台和移动端App的安防大数据物联网智能系统 | |
| CN111473768B (zh) | 一种建筑物安全智能检测系统 | |
| Yang et al. | Analysis and prediction of chaotic time series based on deep learning neural networks | |
| CN115062764B (zh) | 光照度智能调节与环境参数物联网大数据系统 | |
| CN114358244B (zh) | 基于物联网的压力大数据智能检测系统 | |
| CN114386672B (zh) | 环境大数据物联网智能检测系统 | |
| CN114970745B (zh) | 物联网智能安防与环境大数据系统 | |
| CN114399024B (zh) | 油气浓度大数据智能检测系统 | |
| CN113688770B (zh) | 高层建筑长期风压缺失数据补全方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wang Jianguo Inventor after: Ding Baizhan Inventor after: Ma Li Inventor after: Ding Xiaohong Inventor after: Ma Congguo Inventor after: Chen Yajuan Inventor after: Bai Xiaoying Inventor after: Zhang Haijiang Inventor after: Zhang Yuehong Inventor after: Li Guanghuai Inventor before: Ma Congguo Inventor before: Ding Baizhan Inventor before: Ma Li Inventor before: Ding Xiaohong Inventor before: Wang Jianguo Inventor before: Chen Yajuan Inventor before: Bai Xiaoying Inventor before: Zhang Haijiang Inventor before: Zhang Yuehong Inventor before: Li Guanghuai |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200731 Assignee: SUZHOU YOUPAKE PACKAGING MATERIALS Co.,Ltd. Assignor: HUAIYIN INSTITUTE OF TECHNOLOGY Contract record no.: X2021980013449 Denomination of invention: An intelligent detection system for building safety Granted publication date: 20211029 License type: Common License Record date: 20211130 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220704 Address after: 536009 No. 60, Jiangbian village, quwan village committee, Yintan Town, Beihai City, Guangxi Zhuang Autonomous Region Patentee after: Beihai Xiangtai Construction Engineering Quality Inspection Co.,Ltd. Address before: 223005 Jiangsu Huaian economic and Technological Development Zone, 1 East Road. Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY |
|
| TR01 | Transfer of patent right | ||
| EC01 | Cancellation of recordation of patent licensing contract |
Assignee: SUZHOU YOUPAKE PACKAGING MATERIALS Co.,Ltd. Assignor: HUAIYIN INSTITUTE OF TECHNOLOGY Contract record no.: X2021980013449 Date of cancellation: 20220804 |
|
| EC01 | Cancellation of recordation of patent licensing contract | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Building Safety Intelligent Detection System Effective date of registration: 20230615 Granted publication date: 20211029 Pledgee: China Construction Bank Corporation Beihai branch Pledgor: Beihai Xiangtai Construction Engineering Quality Inspection Co.,Ltd. Registration number: Y2023450000089 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |