CN114216440A - 一种高耸结构安全姿态监测及其预警方法及系统 - Google Patents

一种高耸结构安全姿态监测及其预警方法及系统 Download PDF

Info

Publication number
CN114216440A
CN114216440A CN202111532769.4A CN202111532769A CN114216440A CN 114216440 A CN114216440 A CN 114216440A CN 202111532769 A CN202111532769 A CN 202111532769A CN 114216440 A CN114216440 A CN 114216440A
Authority
CN
China
Prior art keywords
wind
data
obtaining
similarity
taking
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
Application number
CN202111532769.4A
Other languages
English (en)
Other versions
CN114216440B (zh
Inventor
于品德
刘海宽
祝孝成
王航
马赟
王晓峰
姜自奇
窦继刚
李华
宋粉丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan Highway Engineering Test And Testing Center Co ltd
Henan Transportation Research Institute Co ltd
Original Assignee
Henan Highway Engineering Test And Testing Center Co ltd
Henan Transportation Research Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan Highway Engineering Test And Testing Center Co ltd, Henan Transportation Research Institute Co ltd filed Critical Henan Highway Engineering Test And Testing Center Co ltd
Priority to CN202111532769.4A priority Critical patent/CN114216440B/zh
Publication of CN114216440A publication Critical patent/CN114216440A/zh
Application granted granted Critical
Publication of CN114216440B publication Critical patent/CN114216440B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L11/00—Measuring steady or quasi-steady pressure of a fluid or a fluent solid material by means not provided for in group G01L7/00 or G01L9/00
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Alarm Systems (AREA)

Abstract

本发明涉及建筑安全预警技术领域，具体涉及一种高耸结构安全姿态监测及其预警方法及系统。该方法获取高耸结构的多种参数作为特征序列。根据特征序列之间风力信息和倾斜清晰的联系获得第一数据置信度，根据实际承重序列和设计承重序列的联系获得第二数据置信度，进而获得特征序列的质量系数。以质量系数作为特征序列的样本权重对时间卷积网络进行训练。实时特征数据通过时间卷积网络的处理输出预测数据，根据预测数据判断是否进行预警。本发明通过时间卷积网络实现了高耸结构的安全预测。

Description

一种高耸结构安全姿态监测及其预警方法及系统
技术领域
本发明涉及建筑安全预警技术领域，具体涉及一种高耸结构安全姿态监测及其预警方法及系统。
背景技术
随着城市的建设与发展，城市中的高耸结构越来越多。例如通信信号塔、大型雕塑或者高级写字楼等。在暴风等极端天气会严重影响到高耸结构的安全。
极端天气变化无常，对高耸结构的影响无法预测，在极端天气影响中可以通过大量的传感器数据获得当前高耸结构的参数信息，但是该参数信息仅能表示当前时刻的高耸结构状态，无法对未来时刻的影响作出判断。常规的检测手段只能在危险临近时发出预警，无法及时的提供参数信息并制定安全应对方案。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种高耸结构安全姿态监测及其预警方法及系统，所采用的技术方案具体如下：
本发明提出了一种高耸结构安全姿态监测及其预警方法，所述方法包括：
获得高耸结构的风力信息；所述风力信息包括迎风高度、所述迎风高度对应的风强和风向角；根据所述高耸结构每个高度单位下对应重力获得的实际承重序列；获得所述高耸结构的姿态倾斜角和震动信息；以所述风力信息、所述实际承重序列、所述姿态倾斜角和所述震动信息作为特征序列；
以所述迎风高度作为权重调整对应的所述风强，获得风强评分；获得所述姿态倾斜角与所述风向角的第一相似度；根据所述第一相似度和所述风强评分获得第一数据置信度；获得所述实际承重序列与设计承重序列的第二相似度，根据所述第二相似度获得第二数据置信度；以所述第一数据置信度和所述第二数据置信度的乘积作为所述特征序列的质量系数；
获取历史数据中的多个时间连续的所述特征序列作为时间卷积网络的训练数据；以所述特征序列对应的所述质量系数作为所述时间卷积网络损失函数的损失权重，通过所述损失函数对所述时间卷积网络进行训练；所述时间卷积网络的输入数据为所述风力信息和所述实际承重序列，输出数据为下一时刻的所述姿态倾斜角和所述震动信息；
将实时特征序列输入所述时间卷积网络中，输出下一时刻的预测姿态倾斜角和预测震动信息；根据所述预测姿态倾斜角和所述预测震动信息判断是否进行预警。
进一步地，所述获得高耸结构的风力信息包括：
在所述高耸结构每个所述高度单位的四个基本方向上部署四个风杯式风速传感器；若所述风杯式风速传感器的初始风强数据小于预设风强阈值，则所述风杯式风速传感器对应的所述基本方向为不受风力影响；反之则认为所述风杯式风速传感器对应的所述基本方向受风力影响；根据受风力影响的所述风杯式风速传感器对应的所述高度单位确定所述迎风高度；
若仅存在一个所述风杯式风速传感器对应的所述基本方向不受风力影响，则以其余所述风杯式风速传感器最大的两个所述初始风强数据的平均值作为所述风强；根据最后一个所述风杯式风速传感器对应的受风力影响的所述基本方向获得所述风向角；
若存在两个所述风杯式风速传感器对应的所述基本方向不受风力影响，则以其余两个苏搜风杯式风速传感器的所述初始风强数据的平方和作为所述风强，并根据所述初始风强数据的正切值获得所述风向角。
进一步地，所述获得所述高耸结构的姿态倾斜角包括：
在所述高耸结构顶部不同位置设置多个姿态检测传感器，以所述姿态检测传感器获取的初始姿态倾斜角的均值作为所述姿态倾斜角。
进一步地，所述获得所述高耸结构的姿态倾斜角和震动信息包括：
以所有所述姿态检测传感器获取的初始震动信息的中位数作为所述震动信息。
进一步地，所述获取历史数据中的多个时间连续的所述特征序列作为时间卷积网络的训练数据还包括：
以所述特征序列中的不同所述迎风高度下对应的所述风强和所述姿态倾斜角组成的多个子序列作为验证序列；获得每个所述特征序列中的所述验证序列之间的第三相似度；
根据所述第三相似度对多个所述特征序列进行聚类，去除聚类过程中的的孤立样本，以剩下的所述特征序列作为所述训练数据。
进一步地，所述以所述迎风高度作为权重调整对应的所述风强，获得风强评分包括：
以所述迎风高度与所述高耸结构的总高度的比值作为所述权重，以所述权重和所述风强的乘积作为所述风强评分。
进一步地，所述根据所述第一相似度和所述风强评分获得第一数据置信度包括：
根据所述姿态倾斜角与所述风向角的余弦相似度获得所述第一相似度；根据第一数据置信度公式获得所述第一数据置信度；所述第一数据置信度公式包括：
Figure BDA0003411423620000021
其中，J为所述第一数据置信度，M1为所述第一相似度，S为所述风强评分。
进一步地，所述获得所述实际承重序列与设计承重序列的第二相似度，根据所述第二相似度获得第二数据置信度包括：
根据所述实际承重序列与所述设计承重序列的DTW距离获得所述第二相似度；以所述第二相似度作为所述第二数据置信度。
进一步地，所述通过所述损失函数对所述时间卷积网络进行训练包括：
根据所述时间卷积的预设批尺寸输入所述特征序列；以所述特征序列对应的所述损失权重与对应的预设初始损失函数的乘积作为初始损失值；以所述批尺寸内所有所述初始损失值的累加值作为所述损失函数的损失值。
本发明还提出了一种高耸结构安全姿态监测及其预警系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项所述一种高耸结构安全姿态监测及其预警方法的步骤。
本发明具有如下有益效果：
1.本发明实施例通过高耸结构上的传感器进行数据采集，以风力信息、实际承重序列、姿态倾斜角和震动信息作为特征序列。进一步通过特征序列中风力信息与姿态倾斜角之间的关系判断数据的第一数据置信度。通过实际承重序列与设计承重序列的第二相似度获得第二数据置信度。第一数据置信度通过特征序列的内部数据特征进行分析，第二数据置信度通过特征序列与标准数据进行对比分析，使得获得的质量系数包含了特征序列的本身内部数据之间的联系和与外部标准数据的联系，提供了有效的参考性，提高了后续时间卷积网络准确率。
2.本发明实施例通过时间卷积网络分析特征序列中的特征信息，对下一时刻的高耸结构参数信息进行预测，实现了对高耸结构安全的有效预警。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种高耸结构安全姿态监测及其预警方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种高耸结构安全姿态监测及其预警方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种高耸结构安全姿态监测及其预警方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种高耸结构安全姿态监测及其预警方法流程图，该方法包括：
步骤S1：获得高耸结构的风力信息；风力信息包括迎风高度、迎风高度对应的风强和风向角；根据高耸结构每个高度单位下对应重力获得的实际承重序列；获得高耸结构的姿态倾斜角和震动信息；以风力信息、实际承重序列、姿态倾斜角和震动信息作为特征序列。
分析高耸结构的安全状态需要多种特征数据进行分析，因为在极端天气中，风力对高耸结构的影响最大，其次为高耸结构本身的重力参数，风力和重力的影响造成了高耸结构的倾斜和震动，因此以风力数据、重力数据、倾斜数据和震动数据作为高耸结构的特征数据，具体获取方法包括：
将高耸结构视为一个三维的长方体，以高耸结构四个基本方向上的数据进行分析。在高耸结构每个高度单位的四个基本方向上部署四个风杯式风速传感器，即一个基本方向对应一个风杯式风速传感器。风杯式风速传感器的数据获取方便，且成本较低，因此可以在高耸结构上大量部署。在本发明实施例中一个高度单位设置为10米，即每10米设置一组四个的风杯式风速传感器，四个风杯式风速传感器分别对应东南西北四个基本方向。
需要说明的是。为了保证数据准确，需要对风杯式风速传感器采集的初始风强数据进行范围限定，避免因为较小的初始风强数据对整体判断出现影响，具体包括：若风杯式风速传感器的初始风强数据小于预设风强阈值，则风杯式风速传感器对应的基本方向为不受风力影响；反之则认为风杯式风速传感器对应的基本方向受风力影响。根据受风力影响的风杯式风速传感器对应的高度单位确定迎风高度。在本发明实施例中，风强阈值设置为风杯式风速传感器量程的百分之十。
如果在一个基本方向上出现一阵正方向的风，如东风，则东基本方向上的风杯式风速传感器和邻近的风杯式风速传感器都会存在初始风强数据，且西基本方向上的风杯式风速传感器上的初始风强数据较小，认为不受风力影响。进一步考虑到因为东基本方向上的风杯式风速传感器受后方高耸建筑的影响，导致风力气流流通不如邻近风杯式风速传感器，使得初始风强数据与邻近风杯式风速传感器的相比较小，根据此特征可获得风力为正方向情况上的风强数据和风向角：若仅存在一个风杯式风速传感器对应的基本方向不受风力影响，则以其余风杯式风速传感器最大的两个初始风强数据的平均值作为风强；根据最后一个风杯式风速传感器对应的受风力影响的基本方向获得风向角。
如果风力与基本方向呈现夹角，如在东方和南方之间迎来一阵风。则东基本方向和南基本方向对应的风杯式风速传感器的初始风强数据体现的受风力影响，其他风杯式风速传感器不受风力影响。根据几何关系可以认为这阵风在东方和南方存在一定量的分量，因此可将东方和南方对应的初始风强数据结合，判断风强和风向角，具体包括：若存在两个所述风杯式风速传感器对应的所述基本方向不受风力影响，则以其余两个苏搜风杯式风速传感器的所述初始风强数据的平方和作为所述风强，并根据所述初始风强数据的正切值获得所述风向角
在本发明实施例中，根据KM算法对风杯式风速传感器的数据进行匹配，判断此时风力处于正方向还是处于夹角方向。
重力信息对一定风速下高耸结构的倾角有这很大的影响，例如底层重力越大，高耸结构越稳定，倾斜影响越小；反之，如果高层整体重力较大，中底层重力小，则会产生较大的倾斜隐患。统计高耸结构下每个高度单位对应的重力数据，获得实际承重序列。需要说明的是，高耸结构在建设时会出于平衡性考虑提供正确的重力分配方案，因此不会出现过于不常规的重力数据。
在高耸结构顶部部署多个姿态检测传感器。姿态检测传感器可以检测高耸结构的倾斜信息和震动信息。因为不同位置的风速会对高耸结构造成不同程度的影响，以及高耸结构内部重力分布不同，导致不同位置的传感器获取的初始姿态倾斜角的数据不同，形成数据误差。为了消除姿态检测传感器之间的数据误差，以姿态检测传感器获取的初始姿态倾斜角的均值作为姿态倾斜角，以所有姿态检测传感器获取的初始震动信息的中位数作为震动信息，避免了因为不同姿态检测传感器的数据差异造成是数据错误。
在本发明实施例中，在高耸结构顶部东南西北中5个方向设置五个姿态检测传感器。
需要说明的是，风向角与姿态倾斜角的参考主成分方向一致。
步骤S2：以迎风高度作为权重调整对应的风强，获得风强评分；获得姿态倾斜角与风向角的第一相似度；根据第一相似度和风强评分获得第一数据置信度；获得实际承重序列与设计承重序列的第二相似度，根据第二相似度获得第二数据置信度；以第一数据置信度和第二数据置信度的乘积作为特征序列的质量系数。
对于高耸结构而言，在固定的重力分配下，迎风高度越大，且风强越大，则结构受到的影响越大。因此以迎风高度作为权重调整对应的风强，获得此时特征序列的风强评分，具体包括：
以迎风高度与高耸结构的总高度的比值作为权重，以权重和风强的乘积作为风强评分。需要说明的是，本发明实施例获得风强评分后进行归一化操作，将值域限定为[0,1]区间中。
在固定重力分配下，高耸结构的倾斜仅受大风影响，因此倾斜方向与风力方向存在一定相似度，即在正常可供参考的特征序列中，风力信息与姿态倾斜角存在相似关系，如果不存在，则说明该特征序列中的信息出现缺失或者错误，不能作为后续的参考。因此获得姿态倾斜角与风向角的第一相似度；根据第一相似度和风强评分获得第一数据置信度，具体包括：
根据姿态倾斜角与风向角的余弦相似度获得第一相似度；根据第一数据置信度公式获得第一数据置信度。第一数据置信度公式包括：
Figure BDA0003411423620000061
其中，J为第一数据置信度，M1为第一相似度，S为风强评分。
第一数据置信度公式主要起到调整数据的目的，表示了高耸结构受风力影响的大小。第一相似度越大，说明姿态倾斜角与风向角越相似，风力对高耸结构起到直接的影响效果，则第一数据置信度越大越趋近于1；反之第一数据置信度越趋近与0。
第一数据置信度公式引入了风强评分，风强评分越大，表示高耸结构越容易倾斜；风强评分越小，表示高耸结构的风强或迎风高度较小，受到风的影响较小，此时如果第一相似度较大，说明存在其他影响过程，可通过风强评分对数据进行修正调整。
第一数据置信度考虑了风力信息对倾斜信息的联系，是通过特征序列的内部数据进行分析。进一步考虑到高耸结构可能会因为存在人员或设备在各个高度单位上直接的流动，造成的重力变化，在正常情况下，重力变化相对于高耸结构在建设时的重力分配方案都是微乎及微的，只有存在一个超重的物体才会造成实际承重序列的强烈变化，但是这种情况很少，即参考程度不高，因此获得实际承重序列与设计承重序列的第二相似度，根据第二相似度获得第二数据置信度，具体包括：
根据实际承重序列与设计承重序列的DTW距离获得第二相似度；以第二相似度作为第二数据置信度。在本发明实施例中，为了控制第二相似度的数据量，第二相似度M2的获取公式为：
Figure BDA0003411423620000071
其中D为DTW距离，DTW距离即动态时间规整算法，是一个计算时间序列之间距离的算法，具体过程为常规技术在此不做限定，通过该公式将第二相似度的值域控制在(0,1)区间中。
通过第一数据置信度和第二数据置信度从数据内部和外部分析特征序列的可参考性，以二者的乘积作为特征序列的质量系数。质量系数越大，则特征序列的可参考性越强。
步骤S3：获取历史数据中的多个时间连续的特征序列作为时间卷积网络的训练数据；以特征序列对应的质量系数作为时间卷积网络损失函数的损失权重，通过损失函数对时间卷积网络进行训练；时间卷积网络的输入数据为风力信息和实际承重序列，输出数据为下一时刻的姿态倾斜角和震动信息。
在对实时的目标高耸结构进行特征序列的获取时，可通过选用多个时间段内高质量系数的特征序列分析当前高耸结构的状态，例如可根据当前特征序列中不同种类数据的大小，判断当前高耸结构的状态是否危险，如果达到危险阈值即可进行预警。但是这种分析方法具有短时效性，仅能分析当前时刻的高耸结构状态，如果高耸结构产生了安全隐患而没有时间去解决则会造成无法估计的损失。因此本发明实施例通过历史数据中时间连续的特征序列作为时间卷积网络的训练数据，通过时间卷积网络学习到连续时间的特征序列之间的规律，进而实现预测下一时刻高耸结构的参数信息。
为了保证时间卷积网络训练数据的准确性，需要对特征序列进行去噪处理，具体包括：
以特征序列中的不同迎风高度下对应的风强和姿态倾斜角组成的多个子序列作为验证序列；获得每个特征序列中的验证序列之间的第三相似度。
在正常情况下，风强和姿态倾斜角相关关系一致，因此可根据第三相似度对多个特征序列进行聚类，去除聚类过程中的的孤立样本，以剩下的特征序列作为训练数据。
时间卷积网络为基础的神经网络，具体结构与训练过程不再赘述。以特征序列对应的质量系数作为时间卷积网络损失函数的损失权重，通过损失函数对时间卷积网络进行训练，具体包括：
根据时间卷积的预设批尺寸输入特征序列。以特征序列对应的损失权重与对应的预设初始损失函数的乘积作为初始损失值。以批尺寸内所有初始损失值的累加值作为损失函数的损失值。用公式表示为：
Figure BDA0003411423620000081
其中，Loss为损失函数，Lossi为第i个特征序列对应的初始损失函数，B为批尺寸大小，Ci为第i个特征序列对应的质量系数。
通过历史数据中风力变化的情况训练时间卷积网络，使得时间卷积网络输入数据为风力信息和实际承重序列，输出数据为下一时刻的姿态倾斜角和震动信息
步骤S4：将实时特征序列输入时间卷积网络中，输出下一时刻的预测姿态倾斜角和预测震动信息；根据预测姿态倾斜角和预测震动信息判断是否进行预警。
工作人员可根据预测姿态倾斜角和预测震动信息判断下一时刻是否会出现危险情况，从而制定有效的应对方案。
在本发明实施例中，如果预测姿态倾斜角达到了1.5°以上3°以下，此时可以减少高层的重力，增强中低层的重力，进行一定的结构内调整，增加高耸结构的抗风能力。如果预测姿态倾角达到了3°以上，则应立即疏散群众，之后在底层增加重力分布，或者做支撑措施，以保护高耸结构安全。如果预测震动信息达到15mm/s2以上30mm/s2以下，则同样可以减少高层的重力，增强中低层的重力，进行一定的结构内调整，从而使结构稳定。如果预测震动信息达到30mm/s2以上则立刻疏散群众，对结构做保护措施。在其他实施例中可根据具体情况设置其他应对方案。
综上所述，本发明实施例获取高耸结构的多种参数作为特征序列。根据特征序列之间风力信息和倾斜清晰的联系获得第一数据置信度，根据实际承重序列和设计承重序列的联系获得第二数据置信度，进而获得特征序列的质量系数。以质量系数作为特征序列的样本权重对时间卷积网络进行训练。实时特征数据通过时间卷积网络的处理输出预测数据，根据预测数据判断是否进行预警。本发明实施例通过时间卷积网络实现了高耸结构的安全预测。
本发明还提出了一种高耸结构安全姿态监测及其预警系统，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现任意一项一种高耸结构安全姿态监测及其预警方法的步骤。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种高耸结构安全姿态监测及其预警方法，其特征在于，所述方法包括：
获得高耸结构的风力信息；所述风力信息包括迎风高度、所述迎风高度对应的风强和风向角；根据所述高耸结构每个高度单位下对应重力获得的实际承重序列；获得所述高耸结构的姿态倾斜角和震动信息；以所述风力信息、所述实际承重序列、所述姿态倾斜角和所述震动信息作为特征序列；
以所述迎风高度作为权重调整对应的所述风强，获得风强评分；获得所述姿态倾斜角与所述风向角的第一相似度；根据所述第一相似度和所述风强评分获得第一数据置信度；获得所述实际承重序列与设计承重序列的第二相似度，根据所述第二相似度获得第二数据置信度；以所述第一数据置信度和所述第二数据置信度的乘积作为所述特征序列的质量系数；
获取历史数据中的多个时间连续的所述特征序列作为时间卷积网络的训练数据；以所述特征序列对应的所述质量系数作为所述时间卷积网络损失函数的损失权重，通过所述损失函数对所述时间卷积网络进行训练；所述时间卷积网络的输入数据为所述风力信息和所述实际承重序列，输出数据为下一时刻的所述姿态倾斜角和所述震动信息；
将实时特征序列输入所述时间卷积网络中，输出下一时刻的预测姿态倾斜角和预测震动信息；根据所述预测姿态倾斜角和所述预测震动信息判断是否进行预警。
2.根据权利要求1所述的一种高耸结构安全姿态监测及其预警方法，其特征在于，所述获得高耸结构的风力信息包括：
在所述高耸结构每个所述高度单位的四个基本方向上部署四个风杯式风速传感器；若所述风杯式风速传感器的初始风强数据小于预设风强阈值，则所述风杯式风速传感器对应的所述基本方向为不受风力影响；反之则认为所述风杯式风速传感器对应的所述基本方向受风力影响；根据受风力影响的所述风杯式风速传感器对应的所述高度单位确定所述迎风高度；
若仅存在一个所述风杯式风速传感器对应的所述基本方向不受风力影响，则以其余所述风杯式风速传感器最大的两个所述初始风强数据的平均值作为所述风强；根据最后一个所述风杯式风速传感器对应的受风力影响的所述基本方向获得所述风向角；
若存在两个所述风杯式风速传感器对应的所述基本方向不受风力影响，则以其余两个所述风杯式风速传感器的所述初始风强数据的平方和作为所述风强，并根据所述初始风强数据的正切值获得所述风向角。
3.根据权利要求1所述的一种高耸结构安全姿态监测及其预警方法，其特征在于，所述获得所述高耸结构的姿态倾斜角包括：
在所述高耸结构顶部不同位置设置多个姿态检测传感器，以所述姿态检测传感器获取的初始姿态倾斜角的均值作为所述姿态倾斜角。
4.根据权利要求3所述的一种高耸结构安全姿态监测及其预警方法，其特征在于，所述获得所述高耸结构的姿态倾斜角和震动信息包括：
以所有所述姿态检测传感器获取的初始震动信息的中位数作为所述震动信息。
5.根据权利要求1所述的一种高耸结构安全姿态监测及其预警方法，其特征在于，所述获取历史数据中的多个时间连续的所述特征序列作为时间卷积网络的训练数据还包括：
以所述特征序列中的不同所述迎风高度下对应的所述风强和所述姿态倾斜角组成的多个子序列作为验证序列；获得每个所述特征序列中的所述验证序列之间的第三相似度；
根据所述第三相似度对多个所述特征序列进行聚类，去除聚类过程中的的孤立样本，以剩下的所述特征序列作为所述训练数据。
6.根据权利要求1所述的一种高耸结构安全姿态监测及其预警方法，其特征在于，所述以所述迎风高度作为权重调整对应的所述风强，获得风强评分包括：
以所述迎风高度与所述高耸结构的总高度的比值作为所述权重，以所述权重和所述风强的乘积作为所述风强评分。
7.根据权利要求1所述的一种高耸结构安全姿态监测及其预警方法，其特征在于，所述根据所述第一相似度和所述风强评分获得第一数据置信度包括：
根据所述姿态倾斜角与所述风向角的余弦相似度获得所述第一相似度；根据第一数据置信度公式获得所述第一数据置信度；所述第一数据置信度公式包括：
Figure FDA0003411423610000021
其中，J为所述第一数据置信度，M1为所述第一相似度，S为所述风强评分。
8.根据权利要求1所述的一种高耸结构安全姿态监测及其预警方法，其特征在于，所述获得所述实际承重序列与设计承重序列的第二相似度，根据所述第二相似度获得第二数据置信度包括：
根据所述实际承重序列与所述设计承重序列的DTW距离获得所述第二相似度；以所述第二相似度作为所述第二数据置信度。
9.根据权利要求1所述的一种高耸结构安全姿态监测及其预警方法，其特征在于，所述通过所述损失函数对所述时间卷积网络进行训练包括：
根据所述时间卷积的预设批尺寸输入所述特征序列；以所述特征序列对应的所述损失权重与对应的预设初始损失函数的乘积作为初始损失值；以所述批尺寸内所有所述初始损失值的累加值作为所述损失函数的损失值。
10.一种高耸结构安全姿态监测及其预警系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1～9任意一项所述方法的步骤。
CN202111532769.4A 2021-12-15 2021-12-15 一种高耸结构安全姿态监测及其预警方法及系统 Active CN114216440B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111532769.4A CN114216440B (zh) 2021-12-15 2021-12-15 一种高耸结构安全姿态监测及其预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111532769.4A CN114216440B (zh) 2021-12-15 2021-12-15 一种高耸结构安全姿态监测及其预警方法及系统

Publications (2)

Publication Number Publication Date
CN114216440A true CN114216440A (zh) 2022-03-22
CN114216440B CN114216440B (zh) 2024-04-30

Family

ID=80702241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111532769.4A Active CN114216440B (zh) 2021-12-15 2021-12-15 一种高耸结构安全姿态监测及其预警方法及系统

Country Status (1)

Country Link
CN (1) CN114216440B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114942066A (zh) * 2022-05-26 2022-08-26 清华大学 电主轴误差间接预测方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002089081A (ja) * 2000-09-13 2002-03-27 Ohbayashi Corp 塔状構造物のカルマン渦振動抑制装置
CN106949936A (zh) * 2017-04-27 2017-07-14 武汉大学 利用双目视觉位移监测系统分析输电塔结构模态的方法
CN108961455A (zh) * 2018-04-28 2018-12-07 国家电网公司 线路杆塔巡检方法、系统及终端设备
CN110969798A (zh) * 2019-11-26 2020-04-07 国网山西省电力公司电力科学研究院 一种输电线路山火预警方法及系统
CN110966920A (zh) * 2018-09-29 2020-04-07 北京金风科创风电设备有限公司 风力发电机组的扭缆检测方法及系统
CN111696315A (zh) * 2019-03-15 2020-09-22 中国石油化工股份有限公司 高耸塔设备风振安全预警方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002089081A (ja) * 2000-09-13 2002-03-27 Ohbayashi Corp 塔状構造物のカルマン渦振動抑制装置
CN106949936A (zh) * 2017-04-27 2017-07-14 武汉大学 利用双目视觉位移监测系统分析输电塔结构模态的方法
CN108961455A (zh) * 2018-04-28 2018-12-07 国家电网公司 线路杆塔巡检方法、系统及终端设备
CN110966920A (zh) * 2018-09-29 2020-04-07 北京金风科创风电设备有限公司 风力发电机组的扭缆检测方法及系统
CN111696315A (zh) * 2019-03-15 2020-09-22 中国石油化工股份有限公司 高耸塔设备风振安全预警方法
CN110969798A (zh) * 2019-11-26 2020-04-07 国网山西省电力公司电力科学研究院 一种输电线路山火预警方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114942066A (zh) * 2022-05-26 2022-08-26 清华大学 电主轴误差间接预测方法及装置
CN114942066B (zh) * 2022-05-26 2023-08-04 清华大学 电主轴误差间接预测方法及装置

Also Published As

Publication number Publication date
CN114216440B (zh) 2024-04-30

Similar Documents

Publication Publication Date Title
CN115311821B (zh) 一种基于数字孪生技术的地质灾害智能监测云平台
CN113313145B (zh) 一种基于混合核相关向量机的快速道路交通事件检测方法
CN114216440B (zh) 一种高耸结构安全姿态监测及其预警方法及系统
CN110455517A (zh) 一种风力发电机组的塔筒健康监测方法
CN113015122B (zh) 基于物联网和无线传感器技术的装配式建筑质量监测分析方法
CN116522270B (zh) 用于智慧海绵城市的数据处理系统
CN109592528B (zh) 基于视觉词带的电梯安全标志物定位方法与系统
CN117591794B (zh) 基于时间序列的鸟类迁徙轨迹预测方法
CN116990847B (zh) 基于边缘计算的北斗gnss接收机解算方法和系统
CN109190762A (zh) 基于遗传算法编码的上肢姿态识别算法
CN112016206A (zh) 判定塔架失稳状态的方法、系统、计算机设备及应用
CN110059423A (zh) 基于多因子广义线性模型的热带气旋客观定强方法
CN114925731A (zh) 检测柔性测斜仪监测数据异常值的方法
CN116560219B (zh) 基于输电杆塔风速联合分析的自适应监测控制方法及系统
CN112926384A (zh) 一种基于功率谱传递比和支持向量机的模态自动识别方法
Li et al. Data-driven calibration for cup anemometer at different measurement locations around buildings using transfer learning based on domain adaptation
Han et al. Motion mode recognition in multi-storey buildings based on the naive Bayes method
CN112884315B (zh) 一种基于模糊评判的高大建筑倾斜预警方法
KR20200144393A (ko) 인공지능을 이용한 강수량 측정 방법
CN115964602B (zh) 涡旋涡心识别方法、装置、存储介质及电子设备
CN107330567A (zh) 基于大数据技术的配网短期负载预测方法
JPH07110379A (ja) 雷雲観測システム
CN116821626B (zh) 一种水电站气象数据监测查询警报系统
CN115394034B (zh) 火灾风险的确定方法、装置、系统和机器人
CN115861849B (zh) 一种钢铸塔攀爬保护方法及系统

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
GR01 Patent grant
GR01 Patent grant