CN112926027B - 一种基于机器学习的基坑风险监测系统 - Google Patents

Abstract

本发明公开了一种基于机器学习的基坑风险监测系统，包括：中控系统、传感器组网、大数据系统、算法模块，其中，算法模块和大数据系统均与中控系统交互连接，传感器组网通过网关与中控系统连接。中控系统用于整个系统的统筹协调；传感器组网用于收集遍布基坑各个位置的传感器数据并通过所述网关上传；大数据系统用于数据的存储与管理；所述算法模块对收集的传感器数据进行整体的分析、处理和预测。通过中控系统连接起来的大数据系统、算法模块、传感器组网，形成了一整套完善的自动化监测装置，能够达到更高效率、更高精度的预测，能够及时发现安全隐患并进行报警，保障了现场基坑建设的安全性。

Description

一种基于机器学习的基坑风险监测系统

技术领域

本发明涉及基坑风险监测，特别是涉及一种基于机器学习的基坑风险监测系统。

背景技术

近年来，随着城镇化发展的提速，出现了越来越多的大型基坑工程，这对施工的难度与安全保障都提出了更严格的要求。

在基坑工程的施工阶段，由自然环境改变、人为操作违规等多种因素导致的安全事故频发，特别是开挖过程中土体、支护结构的荷载在不停发生变化。准确、及时地掌握基坑各个关键结构的受力及形变等状态，对判断基坑的风险等级有着重要的指导意义。

目前，在基坑监测领域主要采用定点布设传感器，人为搜集数据、制定报表、人为判断基坑状态，整个过程存在流程繁杂、人工参与过多、严重依赖主观经验、判断结果单一、历史数据利用率低等问题。

发明内容

本发明主要解决的技术问题是提供一种基于机器学习模型的基坑风险监测系统，能够实现基坑监测的自动化、智能化，能够及时发现基坑建设过程中的安全隐患，并提前进行报警，保障了现场施工人员的人身安全以及基坑建设的安全性。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于机器学习模型的基坑风险监测系统，包括：中控系统、传感器组网、大数据系统、算法模块，其中，算法模块和大数据系统均与中控系统交互连接，传感器组网通过网关与中控系统连接；所述中控系统用于整个系统的统筹协调；所述传感器组网用于收集遍布基坑各个位置的传感器数据并通过所述网关上传；所述大数据系统用于数据的存储与管理；所述算法模块融合多个机器学习模型，对收集的传感器数据进行整体的分析、处理和预测。

其中，所述中控系统包括：功能管理模块，用于各个工地项目的增删改查，以及默认项目的切换；设备管理模块，用于管理当前项目中所放置的传感器，以及控制设备在线数量；人员管理模块，用于管理当前项目对其可见的人员，以及控制人员权限；数据统计分析模块，根据所述传感器的数据，向项目人员提供当前项目的统计信息，包括设备历史数据趋势图、预测结果、报警信息；数据可视化模块，用可视化的形式，展现数据信息；风险预警模块，通过数据接口与所述算法模块对接，将所述算法模块返回的预警、报警信息展现出来，供项目管理人员查看；语音播报模块，将所述报警信息通过语音模块播放出来，以提醒工作人员注意；智能预测模块，根据当前数据，通过调用所述算法模块实现预测未来时刻的数据趋势；风险管控模块，根据当前项目的数据情况，以及算法预测的结果，判断风险情况。

所述传感器组网包括：沉降仪、水位计、激光测量仪、倾角仪、位移计、测斜仪。所述沉降仪安装在固定位置上，拉绳缚在移动物体上，主要用于墙(坡)顶水平位移、墙(坡)顶竖向位移、围护墙深层水平位移、立柱竖向位移、基坑周边地表竖向位移、管线位移、邻近建(构) 筑物沉降等位置的监测；水位计需要放置在基坑附近的水孔中，用于监测水位变化；激光测量仪：需要成对安装，一个发送转置，一个接收转置，通过接收装置接收到的激光点左边变化来记录监测项目的状态变化；安装位置一般在基坑支护桩、支护墙等位置；倾角仪用于监测立杆、墙体的倾斜情况，通过X、Y轴的数据变化来判断监测项目的倾斜情况；需安装在支护桩/墙的2/3处；位移计类似沉降仪，用于测量可移动物体的位移大小；安装与沉降仪同理，传感器安装在固定位置上，拉绳缚在移动物体上；测斜仪：需要安装在工地测斜孔中，一般需要专门在基坑周边打数个测斜孔，然后把测斜仪放置其中，然后水泥浇筑或者用土填埋夯实。

一种基于机器学习的基坑风险监测系统，所述传感器数据包括：一维数据、二维数据、N维数据，其中一维数据包括：位移、沉降、水位；二维数据包括：倾角、激光；N维数据包括：测斜。

一种基于机器学习的基坑风险监测系统，所述大数据系统包括：基础架构模块、数据存储模块、数据清洗模块、数据处理模块、冗余备份模块和安全管理模块。

一种基于机器学习的基坑风险监测系统，所述算法模块包括：数据预处理模块，用于数据平滑去噪，滤除明显的异常数据，保证算法输入的合理性；数据管道模块，将所述预处理模块处理的数据根据所述传感器数据进行定制化组合；模型训练模块，将所述数据管道模块形成的定制化组合，与该数据类型相配的模型训练模块，模型根据所述数据类型进行自动化参数搜索，从预先设定的范围内筛选确定出最合适的参数，确定模型最终使用的参数，对模型进行训练，不同维度的数据会对应不同的模型；模型持久化模块，将所述模型存放到服务器中指定的路径，用于后续随时调用；模型部署模块，将所述模型作为系统的一部分，所述算法模块在接收到调用请求后，将在底层调用所述模型，来计算得出结果。进一步地，所述算法模块的具体实现步骤包括：

S1：调用接口接收所述传感器数据，通过所述数据预处理模块保证算法输入的合理性；

S2：通过所述数据管道模块对传感器数据进行定制化组合，针对不同传感器数据，设置不同的数据维度；

S3：网络搜索：网格搜索模型，通过所述模型训练模块进行模型参数的搜索，根据AIC、BIC信息准则搜索到合适的参数后，将参数搜索结果与数据共同送入ARIMA模型；

S4：所述模型持久化模块和模型部署模块调用所述ARIMA模型，计算得出模型预测结果；

S5：接口返回模型预测结果至所述中控系统。

所述网络搜索是通过针对指定参数的变化范围来设定一个区间，在该区间内，每次移动一定步长来改变参数的取值，从而形成了若干个组合，每种组合即是该区间内的一个网格。

此外，所述网络搜索还包括在网格搜索过程中，使用每个网格的参数对模型做一次训练，根据训练得到的模型结果，判断其AIC、BIC值，在网格搜索完成后，选择AIC²+BIC²最小的网格所对应的参数，即本次训练最适合模型的参数。

进一步地，所述确定的最适合模型的参数，经过模型预测可以得到符合基坑实际情况的结果。

本发明的有益效果是：(1)通过中控系统连接起来的大数据系统、算法模块、传感器组网，形成了一整套完善的自动化监测装置，能够替代目前已有的人工监测的方法；(2)机器学习模型与硬件装置的组合，可以达到基坑监测的自动化：降低人工参与程度，简化监测流程；(3) 人工智能进行基坑监测：引入机器学习模型，提升对基坑状态的判断准确率，避免人为判断所引入的主观误差，实现高效的自动化风险监测； (4)针对基坑数据开发的机器学习预测算法——Auto_Arima：该算法针对不同类型的传感器数据，制定不同的数据处理方式，并通过网格搜索技术确定最合适的模型参数，从而在经过模型预测可以得到符合基坑实际情况的结果。

附图说明

图1是本发明基坑风险监测系统的构成示意图；

图2是本发明中控系统组成的示意图；

图3是本发明传感器组网组成示意图；

图4是本发明大数据服务器组成示意图；

图5是本发明算法模块组成示意图；

图6是本发明算法模块的流程示意图。

具体实施方式

为了使本发明的目的、技术方案和有益效果更加清楚，下面将结合附图对本发明做进一步详细描述。

如图1所示，一种基于机器学习的基坑风险监测系统，包括：中控系统、传感器组网、大数据系统、算法模块，其中，算法模块和大数据系统均与中控系统交互连接，传感器组网通过网关与中控系统连接；所述中控系统用于整个系统的统筹协调；所述传感器组网用于收集遍布基坑各个位置的传感器数据并通过所述网关上传；所述大数据系统用于数据的存储与管理；所述算法模块融合多个机器学习模型，对收集的传感器数据进行整体的分析、处理和预测。

如图2所示，一种基于机器学习的基坑风险监测系统，所述中控系统包括：功能管理模块，用于各个工地项目的增删改查，以及默认项目的切换；设备管理模块，用于管理当前项目中所放置的传感器，以及控制设备在线数量；人员管理模块，用于管理当前项目对其可见的人员，以及控制人员权限；数据统计分析模块，根据所述传感器的数据，向项目人员提供当前项目的统计信息，包括设备历史数据趋势图、预测结果、报警信息；数据可视化模块，用可视化的形式，展现数据信息；风险预警模块，通过数据接口与所述算法模块对接，将所述算法模块返回的预警、报警信息展现出来，供项目管理人员查看；语音播报模块，将所述报警信息通过语音模块播放出来，以提醒工作人员注意；智能预测模块，根据当前数据，通过调用所述算法模块实现预测未来时刻的数据趋势；风险管控模块，根据当前项目的数据情况，以及算法预测的结果，判断风险情况。

进一步地，所述中控系统与算法模块之间通过接口交互方式连接，算法模块通过算法接口向系统请求算法所需参数，根据所给数据计算所得的结果通过接口返回系统中。

如图3所示，一种基于机器学习的基坑风险监测系统，所述传感器组网包括：沉降仪、水位计、激光测量仪、倾角仪、位移计、测斜仪。

不同类型的传感器，其安装放置都是有具体要求的。各种传感器均需要按照安装规范放置在规定位置，不然其监测到的数据将不具有真实有效性。例如：

所述沉降仪安装在固定位置上，拉绳缚在移动物体上，主要用于墙 (坡)顶水平位移、墙(坡)顶竖向位移、围护墙深层水平位移、立柱竖向位移、基坑周边地表竖向位移、管线位移、邻近建(构)筑物沉降等位置的监测；

水位计需要放置在基坑附近的水孔中，用于监测水位变化；

激光测量仪：需要成对安装，一个发送转置，一个接收转置，通过接收装置接收到的激光点左边变化来记录监测项目的状态变化；安装位置一般在基坑支护桩、支护墙等位置；

倾角仪用于监测立杆、墙体的倾斜情况，通过X、Y轴的数据变化来判断监测项目的倾斜情况；需安装在支护桩/墙的2/3处；

位移计类似沉降仪，用于测量可移动物体的位移大小；安装与沉降仪同理，传感器安装在固定位置上，拉绳缚在移动物体上；

测斜仪：需要安装在工地测斜孔中，一般需要专门在基坑周边打数个测斜孔，然后把测斜仪放置其中，然后水泥浇筑或者用土填埋夯实。

进一步地，所述传感器数据包括：一维数据、二维数据、N维数据，其中一维数据包括：位移、沉降、水位；二维数据包括：倾角、激光； N维数据包括：测斜。

如图4所示，一种基于机器学习的基坑风险监测系统，所述大数据系统包括：基础架构模块、数据存储模块、数据清洗模块、数据处理模块、冗余备份模块和安全管理模块。

此外，本发明将现有技术的Arima算法改进并使之适用于基坑的数据预测，能够达到预期效果。针对基坑数据的特点，算法模块从传感器类型入手，针对各个类型的传感器数据设置了不的算法使用方法。

如图5所示，一种基于机器学习的基坑风险监测系统，所述算法模块包括：数据预处理模块，用于数据平滑去噪，滤除明显的异常数据，保证算法输入的合理性；数据管道模块，将所述预处理模块处理的数据根据所述传感器数据进行定制化组合；模型训练模块，将所述数据管道模块形成的定制化组合，与该数据类型相配的模型训练模块，模型根据所述数据类型进行自动化参数搜索，从预先设定的范围内筛选确定出最合适的参数，确定模型最终使用的参数，对模型进行训练，不同维度的数据会对应不同的模型；模型持久化模块，将所述模型存放到服务器中指定的路径，用于后续随时调用；模型部署模块，将所述模型作为系统的一部分，所述算法模块在接收到调用请求后，将在底层调用所述模型，来计算得出结果。

其中，通过数据组合，解决了现有技术中的ARIMA算法只能处理单一维度数据的问题，而本申请的方式可以根据工地传来的数据具体形式，自动封装数据并送入算法模型进行计算。

进一步地，如图6所示，所述算法模块(Auto_Arima)的具体实现步骤包括：

S1：调用算法接口接收所述传感器数据，提取传感器数据，通过所述数据预处理模块处理传感器数据，保证算法输入的合理性，若数据合理则输出至数据管道模块，若不合理则抛出异常；

S2：通过所述数据管道模块对传感器数据进行定制化组合，针对不同传感器数据，设置不同的数据维度；例如：将三维传感数据(测斜)，在算法接口收到数据后，将数据组合成三维的形式，事先预设了各种传感器的数据维度，调用算法时，只需指定传感器类型，即可通过程序来进行数据组合；

S3：网络搜索：如图6中，搜索空间，即是需要搜索的参数(这里指p、d、q)的变化范围所围成的一个区域针，对指定参数p/d/q的变化范围来设定一个区间，在该区间内，每次移动一定步长来改变参数的取值，从而形成了若干个组合，每种组合即是该区间内的一个网格；然后通过所述模型训练模块进行模型参数的搜索。

需要说明的是，p为自回归项数、q为滑动平均项数、d为使数据序列成为平稳序列所做的差分次数。其中指定参数p/d/q的变化范围根据经验进行设定，通常取[0,5]中的整数，比如当前有两个参数p和d， p的取值范围是[0,3]内的整数，d的取值范围是[0,2]内的整数，则包含了p和d两个参数的搜索空间则是一个3×2的网格，每个网格代表了p 和d的一种组合。

根据AIC、BIC信息准则搜索到合适的参数后，将参数搜索结果与数据共同送入ARIMA模型；进一步地，不同维度的数据会对应不同的模型，大于一维的数据，通过多线程并行地调用ARIMA进行处理，得到每个线程的处理结果后，再把结果按照原来的维度组合在一起即可。每个模型的核心算法都一样，只是处理的数据维度不同，所以可以认为“一维组合数据与模型A参数匹配，二维组合数据与模型B参数匹配”的情况是存在的。

此外，所述网络搜索还包括在网格搜索过程中，使用每个网格的参数对模型做一次训练，根据训练得到的模型结果，判断其AIC、BIC值，在网格搜索完成后，选择AIC²+BIC²最小的网格所对应的的参数，即本次训练最适合模型的参数。这里使用AIC²+BIC²平方和的方式，可以过滤掉正负号带来的影响，同时平方可以增大较大指标的影响力；

S4：所述模型持久化模块和模型部署模块调用所述ARIMA模型，经过模型预测可以计算得到符合基坑实际情况的结果；

S5：接口返回模型预测结果至所述中控系统。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (3)

1.一种基于机器学习的基坑风险监测系统，其特征在于，包括：中控系统、传感器组网、大数据系统、算法模块，其中，算法模块和大数据系统均与中控系统交互连接，传感器组网通过网关与中控系统连接；

所述中控系统用于整个系统的统筹协调；所述传感器组网用于收集遍布基坑各个位置的传感器数据并通过所述网关上传；所述大数据系统用于数据的存储与管理；所述算法模块融合多个机器学习模型，对收集的传感器数据进行整体的分析、处理和预测；

所述传感器组网包括：沉降仪、水位计、激光测量仪、倾角仪、位移计、测斜仪；所述传感器数据包括：一维数据、二维数据、N维数据，其中一维数据包括：位移、沉降、水位；二维数据包括：倾角、激光；N维数据包括：测斜；

所述算法模块包括：数据预处理模块，用于数据平滑去噪，滤除明显的异常数据，保证算法输入的合理性；数据管道模块，将所述预处理模块处理的数据根据所述传感器数据进行定制化组合；模型训练模块，将所述数据管道模块形成的定制化组合，与该数据类型相配的模型训练模块，模型根据所述数据类型进行自动化参数搜索，从预先设定的范围内筛选确定出最合适的参数，确定模型最终使用的参数，对模型进行训练，不同维度的数据会对应不同的模型；模型持久化模块，将所述模型存放到服务器中指定的路径，用于后续随时调用；模型部署模块，将所述模型作为系统的一部分，所述算法模块在接收到调用请求后，将在底层调用所述模型，来计算得出结果；

所述算法模块的具体实现步骤包括：

S1：调用接口接收所述传感器数据，通过所述数据预处理模块保证算法输入的合理性，若数据合理则输出至数据管道模块，若不合理则抛出异常；

S2：通过所述数据管道模块对传感器数据进行定制化组合，针对不同传感器数据，设置不同的数据维度；

S3：网络搜索：网格搜索模型，通过所述模型训练模块进行模型参数的搜索，根据AIC、BIC信息准则搜索到合适的参数后，将参数搜索结果与数据共同送入ARIMA模型；

S4：所述模型持久化模块和模型部署模块调用所述ARIMA模型，计算得出模型预测结果；

S5：接口返回模型预测结果至所述中控系统；

所述网络搜索还包括在网格搜索过程中，使用每个网格的参数对模型做一次训练，根据训练得到的模型结果，判断其AIC、BIC值，在网格搜索完成后，选择AIC²+BIC²最小的网格所对应的的参数，即本次训练最适合模型的参数，过滤掉正负号带来的影响；

所述确定的最适合模型的参数，经过模型预测可以得到符合基坑实际情况的结果；

所述中控系统包括：功能管理模块，用于各个工地项目的增删改查，以及默认项目的切换；设备管理模块，用于管理当前项目中所放置的传感器，以及控制设备在线数量；人员管理模块，用于管理当前项目对其可见的人员，以及控制人员权限；数据统计分析模块，根据所述传感器的数据，向项目人员提供当前项目的统计信息，包括设备历史数据趋势图、预测结果、报警信息；数据可视化模块，用可视化的形式，展现数据信息；风险预警模块，通过数据接口与所述算法模块对接，将所述算法模块返回的预警、报警信息展现出来，供项目管理人员查看；语音播报模块，将所述报警信息通过语音模块播放出来，以提醒工作人员注意；智能预测模块，根据当前数据，通过调用所述算法模块实现预测未来时刻的数据趋势；风险管控模块，根据当前项目的数据情况，以及算法预测的结果，判断风险情况。

2.根据权利要求1所述的一种基于机器学习的基坑风险监测系统，其特征在于，所述大数据系统包括：基础架构模块、数据存储模块、数据清洗模块、数据处理模块、冗余备份模块和安全管理模块。

3.根据权利要求1所述的一种基于机器学习的基坑风险监测系统，其特征在于，所述网络搜索是通过针对指定参数的变化范围来设定一个区间，在该区间内，每次移动一定步长来改变参数的取值，从而形成若干个组合，每种组合即是该区间内的一个网格。

Images