CN114757383A - 基于人工智能的建筑物维护分析系统及方法 - Google Patents

基于人工智能的建筑物维护分析系统及方法 Download PDF

Info

Publication number
CN114757383A
CN114757383A CN202210664053.8A CN202210664053A CN114757383A CN 114757383 A CN114757383 A CN 114757383A CN 202210664053 A CN202210664053 A CN 202210664053A CN 114757383 A CN114757383 A CN 114757383A
Authority
CN
China
Prior art keywords
maintenance
building
representing
time
data
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
CN202210664053.8A
Other languages
English (en)
Other versions
CN114757383B (zh
Inventor
刘兴旺
李海涛
李军雪
刘岩
刘勇
刘燕
陈洋
田鑫鹏
刘云通
李洪涛
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.)
Heibei Agricultural University
Original Assignee
Heibei Agricultural University
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 Heibei Agricultural University filed Critical Heibei Agricultural University
Priority to CN202210664053.8A priority Critical patent/CN114757383B/zh
Publication of CN114757383A publication Critical patent/CN114757383A/zh
Application granted granted Critical
Publication of CN114757383B publication Critical patent/CN114757383B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Computer Hardware Design (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Geometry (AREA)

Abstract

本发明公开了基于人工智能的建筑物维护分析系统及方法，属于人工智能的建筑物维护分析技术领域。本系统包括：建筑物数据采集模块、模型分析模块、最佳维护方案生成模块；所述建筑物数据采集模块用于构建建筑物维护区域，获取建筑物的历史日常数据；所述模型分析模块用于构建模型，生成维护预警信息，输出至管理员端口；所述最佳维护方案生成模块用于管理员端口获取维护预警信息数据，构建建筑物维护方案，利用遗传算法进一步优化，生成最佳建筑物维护方案，输出至维护平台端口，供一线人员查阅。本发明提出的建筑物维护方案适用于公路、桥梁和一般建筑物的维护方案优化问题，适用面广泛且数据精准。

Description

基于人工智能的建筑物维护分析系统及方法
技术领域
本发明涉及人工智能的建筑物维护分析技术领域，具体为基于人工智能的建筑物维护分析系统及方法。
背景技术
改革开放以来，随着我国经济的飞速发展，我国建筑业的规模也越来越大，随着建筑物使用年限的增加，其使用性能均有不同程度的劣化，使用寿命与使用质量不断降低，其各项性能已经不能满足现阶段的建筑物使用需要。例如在使用过程中，建筑物受到各种自然因素、外力作用的影响，会出现变形、裂缝和其他各种破损，甚至还会诱发严重的塌陷、倾倒等事故，严重影响社会生产以及人们的生活。如何能够提前预知建筑物需要维护的时间，如何在减少建筑物维护成本的前提下，对其进行维护方案的制定与优化，同时使维护后的建筑物能满足国家规定的性能要求，安全地供人们使用，是建筑业内亟待解决的技术问题。
发明内容
本发明的目的在于提供基于人工智能的建筑物维护分析系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：
基于人工智能的建筑物维护分析方法，该方法包括以下步骤：
S1、构建建筑物维护区域，获取建筑物的历史日常数据，所述建筑物包括构筑物、狭义建筑物，所述构筑物包括道路、桥梁；所述狭义建筑物包括房屋；所述构筑物的历史日常数据包括交通信号灯数据、车流数据、载重数据；所述狭义建筑物的历史日常数据包括进出人群频率、建筑时长、气候；
S2、获取构筑物的井盖数据，构建井盖下沉预测模型，计算井盖下沉的修正值，生成构筑物维护预警，输出至管理员端口；
S3、获取狭义建筑物的历史日常数据，构建线性预测模型，分析狭义建筑物的维护预警时长，生成狭义建筑物维护预警，输出至管理员端口；
S4、管理员端口获取维护预警信息数据，构建建筑物维护方案，利用遗传算法进一步优化，生成最佳建筑物维护方案，输出至维护平台端口，供一线人员查阅。
根据上述技术方案，所述井盖下沉预测模型包括：
获取构筑物的历史日常数据；
构建构筑物维护监控区域，获取构筑物维护监控区域的所有井盖位置信息；
获取构筑物维护监控区域内的交通信号灯数据，在交通信号灯不允许车辆在井盖所在构筑物维护区域内通行时的持续时间，记为车辆停止时间
Figure DEST_PATH_IMAGE001
；
以一天为一个周期，获取每个周期下构筑物维护监控区域内的历史车流数据U组，设置车流阈值，所述车流阈值为每小时进入构筑物维护监控区域的车辆；超出车流阈值的每小时记为高车流时间段；
若存在
Figure 914165DEST_PATH_IMAGE002
，则将第d个小时记为一个周期内高车流时间段，其中，
Figure DEST_PATH_IMAGE003
代表概率因子，
Figure 737895DEST_PATH_IMAGE004
代表在历史车流数据中第d个小时是高车流时间段的数量；
生成一个周期内高车流时间段集合
Figure DEST_PATH_IMAGE005
；其中
Figure 768168DEST_PATH_IMAGE006
分别为一个周期内高车流时间段；其余时间段均记为低车流时间段；
构建一个时间片段，所述时间片段中包含若干个
Figure 647656DEST_PATH_IMAGE001
且所述时间片段小于一个周期；
构建井盖下沉预测模型：
Figure 890418DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
代表井盖下沉损失预测函数；
Figure 817923DEST_PATH_IMAGE010
代表时间片段内车辆停止时间
Figure 238671DEST_PATH_IMAGE001
在高车流时间段的数量；
Figure DEST_PATH_IMAGE011
代表时间片段内车辆停止时间
Figure 884416DEST_PATH_IMAGE001
在低车流时间段的数量；规定，若
Figure 665290DEST_PATH_IMAGE001
部分处于高车流时间段，部分处于低车流时间段，则在哪个车流时间段占比高，划归到哪一车流时间段；
Figure 430990DEST_PATH_IMAGE012
代表高车流时间段下车辆停在井盖上等红灯的概率；
Figure DEST_PATH_IMAGE013
代表低车流时间段下车辆停在井盖上等红灯的概率；
Figure 599803DEST_PATH_IMAGE014
代表井盖与最近的交通信号灯的距离的归一化数据；
Figure DEST_PATH_IMAGE015
代表高车流时间段对等待红灯的车辆数量的影响因子；
Figure 483577DEST_PATH_IMAGE016
代表低车流时间段对等待红灯的车辆数量的影响因子；
Figure DEST_PATH_IMAGE017
代表构筑物维护监控区域内的车辆平均载重数据的归一化数据；
Figure 802562DEST_PATH_IMAGE018
代表井盖受到压力下沉的线性系数值；
获取井盖标准维护参数，所述标准维护参数指井盖到达下沉阈值时经过的车辆数量；
获取构筑物维护监控区域内时间片段的车流数据，生成时间片段内井盖下沉修正值：
Figure 173501DEST_PATH_IMAGE020
其中，
Figure DEST_PATH_IMAGE021
代表时间片段内井盖下沉修正值；
Figure 968675DEST_PATH_IMAGE022
代表构筑物维护监控区域内时间片段的车辆通过数量；
Figure DEST_PATH_IMAGE023
代表井盖下沉阈值的归一化数据；
Figure 589012DEST_PATH_IMAGE024
代表井盖到达下沉阈值时经过的车辆数量；
设置报警阈值，在井盖下沉修正值高于报警阈值时，生成构筑物维护预警，输出至管理员端口。
在上述技术方案中，井盖作为道路或者桥梁上不可缺少的组成，由于车辆的不断碾压，长时间会造成井盖的下陷，当下陷高度达到一定程度时，会对驾驶员造成一定安全威胁，这时就需要进行道路或者桥梁的维护，对井盖进行修整，但是如果只单纯按照车辆通过来计算井盖的磨损并不精确，因为交通信号灯的存在，会导致车辆由于等信号灯长时间停留在路上，而如果此时车辆刚好压在井盖上，长此以往会快速加剧井盖的下陷，所以本申请对这一方面进行了考虑，利用不同车流量的前提，设置不同概率；同时结合实际，在等待交通信号灯时，如果是高车流量，那么排队的车辆也会多，则距离交通信号灯较远的井盖也会被车辆压住；但是如果是低车流量，那么排队的车辆变少，则距离交通信号灯较远的井盖被车辆压住的概率大大降低，因此与交通信号灯的距离是井盖下陷加剧的重要原因之一，因此对这一方面进行修正，能够更加提高模型的精确度。
其中，时间片段是可设置的时间区间，构筑物维护监控区域也是可设置的维护区域，因此本申请可适用于更大范围的预测。
根据上述技术方案，所述线性预测模型包括：
以进出人群频率、建筑时长、气候为自变量，以维护预警时长为因变量，构建线性模型：
Figure 728001DEST_PATH_IMAGE026
其中，
Figure DEST_PATH_IMAGE027
代表狭义建筑物
Figure 484604DEST_PATH_IMAGE028
的维护预警时长的归一化数据；
Figure DEST_PATH_IMAGE029
、
Figure 447750DEST_PATH_IMAGE030
、
Figure DEST_PATH_IMAGE031
分别代表进出人群频率、建筑时长、气候的线性回归参数；
Figure 758645DEST_PATH_IMAGE032
、
Figure DEST_PATH_IMAGE033
、
Figure 216172DEST_PATH_IMAGE034
分别代表进出人群频率、建筑时长、气候的归一化数据；
Figure DEST_PATH_IMAGE035
记为误差因子，受到各狭义建筑物工程建筑人员的资质影响；
构建维护预警时长阈值，在生成的维护预警时长超出阈值时，生成狭义建筑物维护预警，输出至管理员端口。
在本申请中，狭义建筑物一般指居民楼房等建筑，其受到进出人群频率的频率的制约，例如在进出人群频率频率过大时，会影响到维护预警的时长，导致其提前到来；同样，建筑时长的加长和气候的湿度过大或温度过低，都容易影响到维护预警的时长，导致其提前到来。
根据上述技术方案，所述生成最佳建筑物维护方案包括：
S4-1、获取维护预警信息数据，构建建筑物维护方案优化数学模型，目标函数如下：
Figure DEST_PATH_IMAGE037
Figure DEST_PATH_IMAGE039
Figure DEST_PATH_IMAGE041
Figure DEST_PATH_IMAGE043
其中：
T代表规划年数，指建筑物养护维修规划时间范围是1
Figure 232143DEST_PATH_IMAGE044
T年；
I代表建筑物受损区域数量，建筑物中所需维护的区域为1
Figure 851343DEST_PATH_IMAGE044
I处；
J代表建筑物第i处受损区域需要维护的位置数；
K代表维护方案数，根据建筑物损坏的程度采用不同的维护方案；
Figure DEST_PATH_IMAGE045
代表建筑物中需要进行养护维修的第i处受损区域的第j处位置在第t规划年是否采用第k种维护方案，如果采用则取值为1，否则取0；
Figure 383956DEST_PATH_IMAGE046
代表建筑物中的第i处受损区域采用第k种维护方案的费用；
Figure DEST_PATH_IMAGE047
代表将未来支付改变为现值所使用的利率，受通货膨胀的影响，取4%；
模型的第一个目标函数表示求解在规划期为T年的时间范围内，建筑物中各受损区域各位置采用各种维修方法所花费费用之和的最小值，约束条件第二、三个目标函数表示维护方案的选择。
S4-2、构建遗传算法的各项参数，包括：交叉概率、变异概率、种群的大小和遗传操作的代数；
S4-3、构建建筑物维护方案优化数学模型中的各项参数，包括建筑物维护规划总年数、建筑物中受损区域数量、每个受损区域需维护的位置数量、维护方案数量以及对应的费用；
所述维护方案包括：日常养护、小修保养、中修、大修或加固、改建；
S4-4、构建建筑物维护的约束条件，所述约束条件指建筑物在经过养护维修后需要满足的性能指标；例如在求解高速公路维护方案时，需输入有关部门规定的优良路率和次差路率；
S4-5、随机产生初始种群；
S4-6、计算种群个体的目标函数值，将种群个体依次代入建筑物维护方案优化数学模型的目标函数中，计算每个个体对应的维护方案费用、适应度值，并选出适应度最好的个体，记为精英个体；
对种群个体进行选择、交叉、变异操作，具体步骤包括：
S4-6-1、计算种群个体的适应度，设置种群大小为N；
S4-6-2、计算出种群每个个体被遗传到下一代种群中的概率；
Figure DEST_PATH_IMAGE049
其中，
Figure 723801DEST_PATH_IMAGE050
为种群第a个个体被遗传到下一代种群中的概率；
Figure DEST_PATH_IMAGE051
代表第a个个体的适应度；
Figure 438685DEST_PATH_IMAGE052
代表种群序号；
S4-6-3、计算出每个个体的累积概率；
Figure 228787DEST_PATH_IMAGE054
其中，
Figure DEST_PATH_IMAGE055
代表种群第a个个体的累积概率；
S4-6-4、在[0，1]区间内产生一个均匀分布的伪随机数h；若
Figure 530586DEST_PATH_IMAGE056
，则选择个体a；否则，选择个体c，满足
Figure DEST_PATH_IMAGE057
成立；
S4-6-5、重复步骤S4-6-4，共N次；
S4-6-6、采用三点交叉模型与取代变异实现交叉、变异操作，计算执行完该轮遗传操作后种群中每一个个体对应的维护方案费用、适应度值；
S4-7、选出当前代适应度最差的个体，将其替换为S4-6中选出的精英个体；
S4-8、重复执行步骤S4-6、S4-7，直至达到遗传操作的代数；
S4-9、输出最终的预测的建筑物维护方案与相应费用，记为最佳建筑物维护方案。
基于人工智能的建筑物维护分析系统，该系统包括：建筑物数据采集模块、模型分析模块、最佳维护方案生成模块；
所述建筑物数据采集模块用于构建建筑物维护区域，获取建筑物的历史日常数据；所述模型分析模块用于构建模型，生成维护预警信息，输出至管理员端口；所述最佳维护方案生成模块用于管理员端口获取维护预警信息数据，构建建筑物维护方案，利用遗传算法进一步优化，生成最佳建筑物维护方案，输出至维护平台端口，供一线人员查阅；
所述建筑物数据采集模块的输出端与所述模型分析模块的输入端相连接；所述模型分析模块的输出端与所述最佳维护方案生成模块的输入端相连接。
根据上述技术方案，所述建筑物包括构筑物、狭义建筑物，所述构筑物包括道路、桥梁；所述狭义建筑物包括房屋；所述构筑物的历史日常数据包括交通信号灯数据、车流数据、载重数据；所述狭义建筑物的历史日常数据包括进出人群频率、建筑时长、气候；
根据上述技术方案，所述模型分析模块包括构筑物模型分析模块、狭义建筑物模型分析模块；
所述构筑物模型分析模块用于获取构筑物的井盖数据，构建井盖下沉预测模型，计算井盖下沉的修正值，生成构筑物维护预警，输出至管理员端口；所述狭义建筑物模型分析模块用于获取狭义建筑物的历史日常数据，构建线性预测模型，分析狭义建筑物的维护预警时长，生成狭义建筑物维护预警，输出至管理员端口；
所述构筑物模型分析模块、所述狭义建筑物模型分析模块的输出端均与最佳维护方案生成模块的输入端相连接。
根据上述技术方案，所述井盖下沉预测模型包括：
获取构筑物的历史日常数据；
构建构筑物维护监控区域，获取构筑物维护监控区域的所有井盖位置信息；
获取构筑物维护监控区域内的交通信号灯数据，在交通信号灯不允许车辆在井盖所在构筑物维护区域内通行时的持续时间，记为车辆停止时间
Figure 595494DEST_PATH_IMAGE001
；
以一天为一个周期，获取每个周期下构筑物维护监控区域内的历史车流数据U组，设置车流阈值，所述车流阈值为每小时进入构筑物维护监控区域的车辆；超出车流阈值的每小时记为高车流时间段；
若存在
Figure 650038DEST_PATH_IMAGE002
，则将第d个小时记为一个周期内高车流时间段，其中，
Figure 863238DEST_PATH_IMAGE003
代表概率因子，
Figure 370442DEST_PATH_IMAGE004
代表在历史车流数据中第d个小时是高车流时间段的数量；
生成一个周期内高车流时间段集合
Figure 645566DEST_PATH_IMAGE005
；其中
Figure 820195DEST_PATH_IMAGE006
分别为一个周期内高车流时间段；其余时间段均记为低车流时间段；
构建一个时间片段，所述时间片段中包含若干个
Figure 686520DEST_PATH_IMAGE001
且所述时间片段小于一个周期；
构建井盖下沉预测模型：
Figure 697333DEST_PATH_IMAGE058
其中，
Figure 307306DEST_PATH_IMAGE009
代表井盖下沉损失预测函数；
Figure 336441DEST_PATH_IMAGE010
代表时间片段内车辆停止时间
Figure 373668DEST_PATH_IMAGE001
在高车流时间段的数量；
Figure 370311DEST_PATH_IMAGE011
代表时间片段内车辆停止时间
Figure 783975DEST_PATH_IMAGE001
在低车流时间段的数量；规定，若
Figure 933197DEST_PATH_IMAGE001
部分处于高车流时间段，部分处于低车流时间段，则在哪个车流时间段占比高，划归到哪一车流时间段；
Figure 141324DEST_PATH_IMAGE012
代表高车流时间段下车辆停在井盖上等红灯的概率；
Figure 861150DEST_PATH_IMAGE013
代表低车流时间段下车辆停在井盖上等红灯的概率；
Figure 812925DEST_PATH_IMAGE014
代表井盖与最近的交通信号灯的距离的归一化数据；
Figure 816653DEST_PATH_IMAGE015
代表高车流时间段对等待红灯的车辆数量的影响因子；
Figure 195682DEST_PATH_IMAGE016
代表低车流时间段对等待红灯的车辆数量的影响因子；
Figure 904268DEST_PATH_IMAGE017
代表构筑物维护监控区域内的车辆平均载重数据的归一化数据；
Figure 659735DEST_PATH_IMAGE018
代表井盖受到压力下沉的线性系数值；
获取井盖标准维护参数，所述标准维护参数指井盖到达下沉阈值时经过的车辆数量；
获取构筑物维护监控区域内时间片段的车流数据，生成时间片段内井盖下沉修正值：
Figure 517969DEST_PATH_IMAGE020
其中，
Figure 333479DEST_PATH_IMAGE021
代表时间片段内井盖下沉修正值；
Figure 27896DEST_PATH_IMAGE022
代表构筑物维护监控区域内时间片段的车辆通过数量；
Figure 321474DEST_PATH_IMAGE023
代表井盖下沉阈值的归一化数据；
Figure 34215DEST_PATH_IMAGE024
代表井盖到达下沉阈值时经过的车辆数量；
设置报警阈值，在井盖下沉修正值高于报警阈值时，生成构筑物维护预警，输出至管理员端口。
根据上述技术方案，所述线性预测模型包括：
以进出人群频率、建筑时长、气候为自变量，以维护预警时长为因变量，构建线性模型：
Figure 20626DEST_PATH_IMAGE026
其中，
Figure 700875DEST_PATH_IMAGE027
代表狭义建筑物
Figure 798144DEST_PATH_IMAGE028
的维护预警时长的归一化数据；
Figure 162129DEST_PATH_IMAGE029
、
Figure 70173DEST_PATH_IMAGE030
、
Figure 191713DEST_PATH_IMAGE031
分别代表进出人群频率、建筑时长、气候的线性回归参数；
Figure 623832DEST_PATH_IMAGE032
、
Figure 311165DEST_PATH_IMAGE033
、
Figure 891575DEST_PATH_IMAGE034
分别代表进出人群频率、建筑时长、气候的归一化数据；
Figure 31570DEST_PATH_IMAGE035
记为误差因子，受到各狭义建筑物工程建筑人员的资质影响；
构建维护预警时长阈值，在生成的维护预警时长超出阈值时，生成狭义建筑物维护预警，输出至管理员端口。
根据上述技术方案，所述最佳维护方案生成模块包括遗传算法优化模块、输出模块；
所述遗传算法优化模块用于构建建筑物维护方案，利用遗传算法进一步优化，生成最佳建筑物维护方案；所述输出模块用于连接维护平台端口，将最佳建筑物维护方案输出至维护平台端口，供一线人员查阅。
与现有技术相比，本发明所达到的有益效果是：
本发明利用建筑物数据采集模块构建建筑物维护区域，获取建筑物的历史日常数据；利用模型分析模块构建模型，生成维护预警信息，输出至管理员端口；利用最佳维护方案生成模块使管理员端口获取维护预警信息数据，构建建筑物维护方案，利用遗传算法进一步优化，生成最佳建筑物维护方案，输出至维护平台端口，供一线人员查阅；本发明能够根据井盖的下沉研究构筑物的维护时间，提高了维护普查效率，防止发生驾驶危险；同时本发明还对狭义建筑物进行了预测判断，能够提前预知维护时间，防止发生建筑物损毁等不可挽回的损失。
本发明还可以根据建筑物维护方案优化算法的具体实施步骤制作操作程序。实际操作中，只需将建筑物的性能预测数据与遗传算法的各项参数输入程序，程序就会自动运行并输出方案优化结果，减少了人工运算步骤，不熟悉该领域的研究人员也可轻松操作，降低了学习成本，并且在程序代码中可以直接修改算法的各种参数，便于后期的调试。
本发明将遗传算法这种通过借鉴生物界的自然选择和遗传进化机制而开发出的全局优化自适应概率搜索算法应用到建筑物维护方案的制定与优化中，充分利用了遗传算法的并行性、全局寻优性的特点，故本发明在解决建筑物维护方案制定工程实例时，运算效率高、求解结果精确。
本发明制作了相应软件，实现了算法的可视化操作界面，建筑物的性能预测数据输入、算法求解结果的输出更为直观、便捷。该软件使用MATLAB guide程序进行编程，兼容性强、内存占用小、运算效率高。
本发明提出的建筑物维护方案优化数学模型与建筑物维护方案优化问题的遗传算法求解模型适用于公路、桥梁和一般建筑物的维护方案优化问题，适用面较为广泛。
遗传算法的各项参数在一定程度上决定了算法求解的效率与求解准确度，本发明结合建筑物维护方案优化问题的具体特点，进行了大量的实验，最终确定了遗传算法的各项参数，减少了使用者在使用过程中修改与调试算法参数的工作量。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明基于人工智能的建筑物维护分析方法的流程示意图；
图2是本发明基于人工智能的建筑物维护分析系统及方法的建筑物质量诊断系统软件初始页面示意图；
图3是本发明基于人工智能的建筑物维护分析系统及方法的遗传算法中交叉算法的计算示意图；
图4是本发明基于人工智能的建筑物维护分析系统及方法的遗传算法中变异算法的计算示意图；
图5是本发明基于人工智能的建筑物维护分析系统及方法的建筑物质量诊断系统软件输出页面示意图；
图6是本发明基于人工智能的建筑物维护分析系统及方法的建筑物质量诊断系统软件输出页面中的最优点变化趋势示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-图6，在本实施例一中，以基于本发明创建的软件为例说明：
如图2所示，为建筑物质量诊断系统软件可视化界面；
初始准备工作如下：
构建建筑物维护区域，获取建筑物的历史日常数据，所述建筑物包括构筑物、狭义建筑物，所述构筑物包括道路、桥梁；所述狭义建筑物包括房屋；所述构筑物的历史日常数据包括交通信号灯数据、车流数据、载重数据；所述狭义建筑物的历史日常数据包括进出人群频率、建筑时长、气候；
获取构筑物的井盖数据，构建井盖下沉预测模型，计算井盖下沉的修正值，生成构筑物维护预警，输出至管理员端口；
所述井盖下沉预测模型包括：
获取构筑物的历史日常数据；
构建构筑物维护监控区域，获取构筑物维护监控区域的所有井盖位置信息；
获取构筑物维护监控区域内的交通信号灯数据，在交通信号灯不允许车辆在井盖所在构筑物维护区域内通行时的持续时间，记为车辆停止时间
Figure 736220DEST_PATH_IMAGE001
；
以一天为一个周期，获取每个周期下构筑物维护监控区域内的历史车流数据U组，设置车流阈值，所述车流阈值为每小时进入构筑物维护监控区域的车辆；超出车流阈值的每小时记为高车流时间段；
若存在
Figure 481322DEST_PATH_IMAGE002
，则将第d个小时记为一个周期内高车流时间段，其中，
Figure 980437DEST_PATH_IMAGE003
代表概率因子，
Figure 358460DEST_PATH_IMAGE004
代表在历史车流数据中第d个小时是高车流时间段的数量；
生成一个周期内高车流时间段集合
Figure 335643DEST_PATH_IMAGE005
；其中
Figure 997569DEST_PATH_IMAGE006
分别为一个周期内高车流时间段；其余时间段均记为低车流时间段；
构建一个时间片段，所述时间片段中包含若干个
Figure 667584DEST_PATH_IMAGE001
且所述时间片段小于一个周期；
构建井盖下沉预测模型：
Figure 31438DEST_PATH_IMAGE058
其中，
Figure 812313DEST_PATH_IMAGE009
代表井盖下沉损失预测函数；
Figure 328745DEST_PATH_IMAGE010
代表时间片段内车辆停止时间
Figure 169662DEST_PATH_IMAGE001
在高车流时间段的数量；
Figure 787856DEST_PATH_IMAGE011
代表时间片段内车辆停止时间
Figure 372421DEST_PATH_IMAGE001
在低车流时间段的数量；规定，若
Figure 743360DEST_PATH_IMAGE001
部分处于高车流时间段，部分处于低车流时间段，则在哪个车流时间段占比高，划归到哪一车流时间段；
Figure 755178DEST_PATH_IMAGE012
代表高车流时间段下车辆停在井盖上等红灯的概率；
Figure 819256DEST_PATH_IMAGE013
代表低车流时间段下车辆停在井盖上等红灯的概率；
Figure 207512DEST_PATH_IMAGE014
代表井盖与最近的交通信号灯的距离的归一化数据；
Figure 432957DEST_PATH_IMAGE015
代表高车流时间段对等待红灯的车辆数量的影响因子；
Figure 615677DEST_PATH_IMAGE016
代表低车流时间段对等待红灯的车辆数量的影响因子；
Figure 942884DEST_PATH_IMAGE017
代表构筑物维护监控区域内的车辆平均载重数据的归一化数据；
Figure 72514DEST_PATH_IMAGE018
代表井盖受到压力下沉的线性系数值；
获取井盖标准维护参数，所述标准维护参数指井盖到达下沉阈值时经过的车辆数量；
获取构筑物维护监控区域内时间片段的车流数据，生成时间片段内井盖下沉修正值：
Figure 949203DEST_PATH_IMAGE020
其中，
Figure 568403DEST_PATH_IMAGE021
代表时间片段内井盖下沉修正值；
Figure 615862DEST_PATH_IMAGE022
代表构筑物维护监控区域内时间片段的车辆通过数量；
Figure 80342DEST_PATH_IMAGE023
代表井盖下沉阈值的归一化数据；
Figure 280379DEST_PATH_IMAGE024
代表井盖到达下沉阈值时经过的车辆数量；
设置报警阈值，发现井盖下沉修正值高于报警阈值，生成构筑物维护预警，输出至管理员端口。
获取狭义建筑物的历史日常数据，构建线性预测模型，分析狭义建筑物的维护预警时长，生成狭义建筑物维护预警，输出至管理员端口；
所述线性预测模型包括：
以进出人群频率、建筑时长、气候为自变量，以维护预警时长为因变量，构建线性模型：
Figure 70480DEST_PATH_IMAGE026
其中，
Figure 841121DEST_PATH_IMAGE027
代表狭义建筑物
Figure 374871DEST_PATH_IMAGE028
的维护预警时长的归一化数据；
Figure 632677DEST_PATH_IMAGE029
、
Figure 124838DEST_PATH_IMAGE030
、
Figure 149819DEST_PATH_IMAGE031
分别代表进出人群频率、建筑时长、气候的线性回归参数；
Figure 221681DEST_PATH_IMAGE032
、
Figure 130731DEST_PATH_IMAGE033
、
Figure 262635DEST_PATH_IMAGE034
分别代表进出人群频率、建筑时长、气候的归一化数据；
Figure 7868DEST_PATH_IMAGE035
记为误差因子，受到各狭义建筑物工程建筑人员的资质影响；
构建维护预警时长阈值，发现生成的维护预警时长超出阈值时，生成狭义建筑物维护预警，输出至管理员端口。
管理员端口获取维护预警信息数据，构建建筑物维护方案，利用遗传算法进一步优化，生成最佳建筑物维护方案，输出至维护平台端口，供一线人员查阅；
所述生成最佳建筑物维护方案包括：
S4-1、获取维护预警信息数据，构建建筑物维护方案优化数学模型，目标函数如下：
Figure DEST_PATH_IMAGE059
Figure 148999DEST_PATH_IMAGE060
Figure DEST_PATH_IMAGE061
Figure 755299DEST_PATH_IMAGE043
其中：
T代表规划年数，指建筑物养护维修规划时间范围是1
Figure 792525DEST_PATH_IMAGE044
T年；
I代表建筑物受损区域数量，建筑物中所需维护的区域为1
Figure 539901DEST_PATH_IMAGE044
I处；
J代表建筑物第i处受损区域需要维护的位置数；
K代表维护方案数，根据建筑物损坏的程度采用不同的维护方案；
Figure 438718DEST_PATH_IMAGE045
代表建筑物中需要进行养护维修的第i处受损区域的第j处位置在第t规划年是否采用第k种维护方案，如果采用则取值为1，否则取0；
Figure 587940DEST_PATH_IMAGE046
代表建筑物中的第i处受损区域采用第k种维护方案的费用；
Figure 796067DEST_PATH_IMAGE047
代表将未来支付改变为现值所使用的利率，受通货膨胀的影响，取4%；
S4-2、构建遗传算法的各项参数，包括：交叉概率、变异概率、种群的大小和遗传操作的代数；
S4-3、构建建筑物维护方案优化数学模型中的各项参数，包括建筑物维护规划总年数、建筑物中受损区域数量、每个受损区域需维护的位置数量、维护方案数量以及对应的费用；
所述维护方案包括：日常养护、小修保养、中修、大修或加固、改建；可分别记为1-5，即1、日常养护；2、小修保养；3、中修；4、大修或加固；5、改建；
S4-4、构建建筑物维护的约束条件，所述约束条件指建筑物在经过养护维修后需要满足的性能指标；
S4-5、随机产生初始种群；
S4-6、计算种群个体的目标函数值，将种群个体依次代入建筑物维护方案优化数学模型的目标函数中，计算每个个体对应的维护方案费用、适应度值，并选出适应度最好的个体，记为精英个体；
对种群个体进行选择、交叉、变异操作，具体步骤包括：
S4-6-1、计算种群个体的适应度，设置种群大小为N；
S4-6-2、计算出种群每个个体被遗传到下一代种群中的概率；
Figure 765160DEST_PATH_IMAGE049
其中，
Figure 234712DEST_PATH_IMAGE050
为种群第a个个体被遗传到下一代种群中的概率；
Figure 707282DEST_PATH_IMAGE051
代表第a个个体的适应度；
Figure 351890DEST_PATH_IMAGE052
代表种群序号；
S4-6-3、计算出每个个体的累积概率；
Figure 808279DEST_PATH_IMAGE054
其中，
Figure 580057DEST_PATH_IMAGE055
代表种群第a个个体的累积概率；
S4-6-4、在[0，1]区间内产生一个均匀分布的伪随机数h；若
Figure 438292DEST_PATH_IMAGE056
，则选择个体a；否则，选择个体c，满足
Figure 253801DEST_PATH_IMAGE057
成立；
S4-6-5、重复步骤S4-6-4，共N次；
S4-6-6、采用三点交叉模型与取代变异实现交叉、变异操作，计算执行完该轮遗传操作后种群中每一个个体对应的维护方案费用、适应度值；
所述基因交叉，就是把２个父体部分结构加以替换，生成新的个体的操作。现有的研究中大多采用两点交叉算子进行交叉运算，但由于使用遗传算法优化建筑物维护方案时所需种群规模较大，应用该方法后种群进化速度较慢，求解效率较低。本发明对交叉算子进行改进，采用三点交叉模型，可使染色体在进行交叉时出现更多的可能性，利于算法跳出局部最优解，提升其运算效率。具体的实现步骤是：1、在两个相互配对的染色体编码串中随机设置三个交叉点，使两个父基因被随机分为四部分。2、交换两个父基因中的部分染色体从而形成两个子基因，如图3所示；其中A、B分别示意遗传算法中基因交叉算法下的原染色体，A’、B’分别示意遗传算法中基因交叉算法下的交叉后的染色体；
所述变异采用取代变异的方法，在染色体上随机选择一个取代位置，将该位置上的基因替换为它的等位基因，并且保证在当前位置用于取代的基因信息满足养护措施分析，如图4所示；图4上方代表初始状态，下方代表变异后状态，图4表示的是其中一个基因“2”变异为“4”的过程。
S4-7、选出当前代适应度最差的个体，将其替换为S4-6中选出的精英个体；
S4-8、重复执行步骤S4-6、S4-7，直至达到遗传操作的代数；
算法通过初始化，选择、交叉、变异等操作，并不断循环，最终使目标函数的值最小。本发明结合建筑物维护方案优化问题的具体特点，进行了大量的实验，最终确定遗传算法的各项参数：种群大小为300；遗传代数为200；交叉概率为0.9；变异概率为0.4，在实际操作中，可根据具体求解问题的实际情况进行修改。
S4-9、输出最终的预测的建筑物维护方案与相应费用，记为最佳建筑物维护方案。
利用MATLAB编程制作了操作程序，并使用MATLAB guide程序实现了算法程序的可视化，制作了建筑物质量诊断系统软件，该软件将建筑物性能预测数据和遗传算法参数输入、求解结果输出集成于一体，所以在实际建筑物维护方案的优化中，再对各种参数与数据进行确定后，将其输入软件程序中，即可实现维护方案的自动优化求解与可视化输出，如图5、图6所示。
在本实施例二中，设置有基于人工智能的建筑物维护分析系统，该系统包括：建筑物数据采集模块、模型分析模块、最佳维护方案生成模块；
所述建筑物数据采集模块的输出端与所述模型分析模块的输入端相连接；所述模型分析模块的输出端与所述最佳维护方案生成模块的输入端相连接。
所述模型分析模块包括构筑物模型分析模块、狭义建筑物模型分析模块；
所述构筑物模型分析模块用于获取构筑物的井盖数据，构建井盖下沉预测模型，计算井盖下沉的修正值，生成构筑物维护预警，输出至管理员端口；所述狭义建筑物模型分析模块用于获取狭义建筑物的历史日常数据，构建线性预测模型，分析狭义建筑物的维护预警时长，生成狭义建筑物维护预警，输出至管理员端口；
所述构筑物模型分析模块、所述狭义建筑物模型分析模块的输出端均与最佳维护方案生成模块的输入端相连接。
所述井盖下沉预测模型包括：
获取构筑物的历史日常数据；
构建构筑物维护监控区域，获取构筑物维护监控区域的所有井盖位置信息；
获取构筑物维护监控区域内的交通信号灯数据，在交通信号灯不允许车辆在井盖所在构筑物维护区域内通行时的持续时间，记为车辆停止时间
Figure 931907DEST_PATH_IMAGE001
；
以一天为一个周期，获取每个周期下构筑物维护监控区域内的历史车流数据U组，设置车流阈值，所述车流阈值为每小时进入构筑物维护监控区域的车辆；超出车流阈值的每小时记为高车流时间段；
若存在
Figure 740332DEST_PATH_IMAGE002
，则将第d个小时记为一个周期内高车流时间段，其中，
Figure 453073DEST_PATH_IMAGE003
代表概率因子，
Figure 439484DEST_PATH_IMAGE004
代表在历史车流数据中第d个小时是高车流时间段的数量；
生成一个周期内高车流时间段集合
Figure 604886DEST_PATH_IMAGE005
；其中
Figure 452887DEST_PATH_IMAGE006
分别为一个周期内高车流时间段；其余时间段均记为低车流时间段；
构建一个时间片段，所述时间片段中包含若干个
Figure 285714DEST_PATH_IMAGE001
且所述时间片段小于一个周期；
构建井盖下沉预测模型：
Figure 443026DEST_PATH_IMAGE058
其中，
Figure 95724DEST_PATH_IMAGE009
代表井盖下沉损失预测函数；
Figure 248881DEST_PATH_IMAGE010
代表时间片段内车辆停止时间
Figure 936214DEST_PATH_IMAGE001
在高车流时间段的数量；
Figure 264428DEST_PATH_IMAGE011
代表时间片段内车辆停止时间
Figure 404422DEST_PATH_IMAGE001
在低车流时间段的数量；规定，若
Figure 594226DEST_PATH_IMAGE001
部分处于高车流时间段，部分处于低车流时间段，则在哪个车流时间段占比高，划归到哪一车流时间段；
Figure 870486DEST_PATH_IMAGE012
代表高车流时间段下车辆停在井盖上等红灯的概率；
Figure 635180DEST_PATH_IMAGE013
代表低车流时间段下车辆停在井盖上等红灯的概率；
Figure 262471DEST_PATH_IMAGE014
代表井盖与最近的交通信号灯的距离的归一化数据；
Figure 754501DEST_PATH_IMAGE015
代表高车流时间段对等待红灯的车辆数量的影响因子；
Figure 416426DEST_PATH_IMAGE016
代表低车流时间段对等待红灯的车辆数量的影响因子；
Figure 86442DEST_PATH_IMAGE017
代表构筑物维护监控区域内的车辆平均载重数据的归一化数据；
Figure 935449DEST_PATH_IMAGE018
代表井盖受到压力下沉的线性系数值；
获取井盖标准维护参数，所述标准维护参数指井盖到达下沉阈值时经过的车辆数量；
获取构筑物维护监控区域内时间片段的车流数据，生成时间片段内井盖下沉修正值：
Figure 732635DEST_PATH_IMAGE020
其中，
Figure 249067DEST_PATH_IMAGE021
代表时间片段内井盖下沉修正值；
Figure 89984DEST_PATH_IMAGE022
代表构筑物维护监控区域内时间片段的车辆通过数量；
Figure 426287DEST_PATH_IMAGE023
代表井盖下沉阈值的归一化数据；
Figure 214115DEST_PATH_IMAGE024
代表井盖到达下沉阈值时经过的车辆数量；
设置报警阈值，在井盖下沉修正值高于报警阈值时，生成构筑物维护预警，输出至管理员端口。
所述线性预测模型包括：
以进出人群频率、建筑时长、气候为自变量，以维护预警时长为因变量，构建线性模型：
Figure 958207DEST_PATH_IMAGE026
其中，
Figure 173288DEST_PATH_IMAGE027
代表狭义建筑物
Figure 262466DEST_PATH_IMAGE028
的维护预警时长的归一化数据；
Figure 385143DEST_PATH_IMAGE029
、
Figure 626900DEST_PATH_IMAGE030
、
Figure 809620DEST_PATH_IMAGE031
分别代表进出人群频率、建筑时长、气候的线性回归参数；
Figure 120515DEST_PATH_IMAGE032
、
Figure 46883DEST_PATH_IMAGE033
、
Figure 907260DEST_PATH_IMAGE034
分别代表进出人群频率、建筑时长、气候的归一化数据；
Figure 260881DEST_PATH_IMAGE035
记为误差因子，受到各狭义建筑物工程建筑人员的资质影响；
构建维护预警时长阈值，在生成的维护预警时长超出阈值时，生成狭义建筑物维护预警，输出至管理员端口。
所述最佳维护方案生成模块包括遗传算法优化模块、输出模块；
所述遗传算法优化模块用于构建建筑物维护方案，利用遗传算法进一步优化，生成最佳建筑物维护方案；所述输出模块用于连接维护平台端口，将最佳建筑物维护方案输出至维护平台端口，供一线人员查阅。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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.基于人工智能的建筑物维护分析方法，其特征在于：该方法包括以下步骤：
S1、构建建筑物维护区域，获取建筑物的历史日常数据，所述建筑物包括构筑物、狭义建筑物，所述构筑物包括道路、桥梁；所述狭义建筑物包括房屋；所述构筑物的历史日常数据包括交通信号灯数据、车流数据、载重数据；所述狭义建筑物的历史日常数据包括进出人群频率、建筑时长、气候；
S2、获取构筑物的井盖数据，构建井盖下沉预测模型，计算井盖下沉的修正值，生成构筑物维护预警，输出至管理员端口；
S3、获取狭义建筑物的历史日常数据，构建线性预测模型，分析狭义建筑物的维护预警时长，生成狭义建筑物维护预警，输出至管理员端口；
S4、管理员端口获取维护预警信息数据，构建建筑物维护方案，利用遗传算法进一步优化，生成最佳建筑物维护方案，输出至维护平台端口，供一线人员查阅。
2.根据权利要求1所述的基于人工智能的建筑物维护分析方法，其特征在于：所述井盖下沉预测模型包括：
获取构筑物的历史日常数据；
构建构筑物维护监控区域，获取构筑物维护监控区域的所有井盖位置信息；
获取构筑物维护监控区域内的交通信号灯数据，在交通信号灯不允许车辆在井盖所在构筑物维护区域内通行时的持续时间，记为车辆停止时间
Figure 699514DEST_PATH_IMAGE001
；
以一天为一个周期，获取每个周期下构筑物维护监控区域内的历史车流数据U组，设置车流阈值，所述车流阈值为每小时进入构筑物维护监控区域的车辆；超出车流阈值的每小时记为高车流时间段；
若存在
Figure 668607DEST_PATH_IMAGE002
，则将第d个小时记为一个周期内高车流时间段，其中，
Figure 885961DEST_PATH_IMAGE003
代表概率因子，
Figure 864589DEST_PATH_IMAGE004
代表在历史车流数据中第d个小时是高车流时间段的数量；
生成一个周期内高车流时间段集合
Figure 509197DEST_PATH_IMAGE005
；其中
Figure 965586DEST_PATH_IMAGE006
分别为一个周期内高车流时间段；其余时间段均记为低车流时间段；
构建一个时间片段，所述时间片段中包含若干个
Figure 986631DEST_PATH_IMAGE001
且所述时间片段小于一个周期；
构建井盖下沉预测模型：
Figure DEST_PATH_IMAGE007
其中，
Figure 861178DEST_PATH_IMAGE008
代表井盖下沉损失预测函数；
Figure 411108DEST_PATH_IMAGE009
代表时间片段内车辆停止时间
Figure 354793DEST_PATH_IMAGE001
在高车流时间段的数量；
Figure 959955DEST_PATH_IMAGE010
代表时间片段内车辆停止时间
Figure 407117DEST_PATH_IMAGE001
在低车流时间段的数量；规定，若
Figure 393528DEST_PATH_IMAGE001
部分处于高车流时间段，部分处于低车流时间段，则在哪个车流时间段占比高，划归到哪一车流时间段；
Figure 309662DEST_PATH_IMAGE011
代表高车流时间段下车辆停在井盖上等红灯的概率；
Figure 203669DEST_PATH_IMAGE012
代表低车流时间段下车辆停在井盖上等红灯的概率；
Figure 36496DEST_PATH_IMAGE013
代表井盖与最近的交通信号灯的距离的归一化数据；
Figure 180426DEST_PATH_IMAGE014
代表高车流时间段对等待红灯的车辆数量的影响因子；
Figure 833124DEST_PATH_IMAGE015
代表低车流时间段对等待红灯的车辆数量的影响因子；
Figure 734084DEST_PATH_IMAGE016
代表构筑物维护监控区域内的车辆平均载重数据的归一化数据；
Figure 421417DEST_PATH_IMAGE017
代表井盖受到压力下沉的线性系数值；
获取井盖标准维护参数，所述标准维护参数指井盖到达下沉阈值时经过的车辆数量；
获取构筑物维护监控区域内时间片段的车流数据，生成时间片段内井盖下沉修正值：
Figure 500363DEST_PATH_IMAGE018
其中，
Figure DEST_PATH_IMAGE019
代表时间片段内井盖下沉修正值；
Figure 968253DEST_PATH_IMAGE020
代表构筑物维护监控区域内时间片段的车辆通过数量；
Figure 656592DEST_PATH_IMAGE021
代表井盖下沉阈值的归一化数据；
Figure 932853DEST_PATH_IMAGE022
代表井盖到达下沉阈值时经过的车辆数量；
设置报警阈值，在井盖下沉修正值高于报警阈值时，生成构筑物维护预警，输出至管理员端口。
3.根据权利要求1所述的基于人工智能的建筑物维护分析方法，其特征在于：所述线性预测模型包括：
以进出人群频率、建筑时长、气候为自变量，以维护预警时长为因变量，构建线性模型：
Figure 431967DEST_PATH_IMAGE023
其中，
Figure 606728DEST_PATH_IMAGE024
代表狭义建筑物
Figure DEST_PATH_IMAGE025
的维护预警时长的归一化数据；
Figure 380649DEST_PATH_IMAGE026
、
Figure 776995DEST_PATH_IMAGE027
、
Figure 699208DEST_PATH_IMAGE028
分别代表进出人群频率、建筑时长、气候的线性回归参数；
Figure 548215DEST_PATH_IMAGE029
、
Figure 860248DEST_PATH_IMAGE030
、
Figure 845522DEST_PATH_IMAGE031
分别代表进出人群频率、建筑时长、气候的归一化数据；
Figure 437171DEST_PATH_IMAGE032
记为误差因子，受到各狭义建筑物工程建筑人员的资质影响；
构建维护预警时长阈值，在生成的维护预警时长超出阈值时，生成狭义建筑物维护预警，输出至管理员端口。
4.根据权利要求1所述的基于人工智能的建筑物维护分析方法，其特征在于：所述生成最佳建筑物维护方案包括：
S4-1、获取维护预警信息数据，构建建筑物维护方案优化数学模型，目标函数如下：
Figure 39054DEST_PATH_IMAGE033
Figure 623619DEST_PATH_IMAGE034
Figure 994557DEST_PATH_IMAGE035
Figure 255643DEST_PATH_IMAGE036
其中：
T代表规划年数，指建筑物养护维修规划时间范围是1
Figure 344822DEST_PATH_IMAGE037
T年；
I代表建筑物受损区域数量，建筑物中所需维护的区域为1
Figure 264236DEST_PATH_IMAGE037
I处；
J代表建筑物第i处受损区域需要维护的位置数；
K代表维护方案数，根据建筑物损坏的程度采用不同的维护方案；
Figure 240414DEST_PATH_IMAGE038
代表建筑物中需要进行养护维修的第i处受损区域的第j处位置在第t规划年是否采用第k种维护方案，如果采用则取值为1，否则取0；
Figure 219871DEST_PATH_IMAGE039
代表建筑物中的第i处受损区域采用第k种维护方案的费用；
Figure 530767DEST_PATH_IMAGE040
代表将未来支付改变为现值所使用的利率，受通货膨胀的影响，取4%；
S4-2、构建遗传算法的各项参数，包括：交叉概率、变异概率、种群的大小和遗传操作的代数；
S4-3、构建建筑物维护方案优化数学模型中的各项参数，包括建筑物维护规划总年数、建筑物中受损区域数量、每个受损区域需维护的位置数量、维护方案数量以及对应的费用；
所述维护方案包括：日常养护、小修保养、中修、大修或加固、改建；
S4-4、构建建筑物维护的约束条件，所述约束条件指建筑物在经过养护维修后需要满足的性能指标；
S4-5、随机产生初始种群；
S4-6、计算种群个体的目标函数值，将种群个体依次代入建筑物维护方案优化数学模型的目标函数中，计算每个个体对应的维护方案费用、适应度值，并选出适应度最好的个体，记为精英个体；
对种群个体进行选择、交叉、变异操作，具体步骤包括：
S4-6-1、计算种群个体的适应度，设置种群大小为N；
S4-6-2、计算出种群每个个体被遗传到下一代种群中的概率；
Figure 443753DEST_PATH_IMAGE041
其中，
Figure 789283DEST_PATH_IMAGE042
为种群第a个个体被遗传到下一代种群中的概率；
Figure 939642DEST_PATH_IMAGE043
代表第a个个体的适应度；
Figure 222987DEST_PATH_IMAGE044
代表种群序号；
S4-6-3、计算出每个个体的累积概率；
Figure 953045DEST_PATH_IMAGE045
其中，
Figure 153083DEST_PATH_IMAGE046
代表种群第a个个体的累积概率；
S4-6-4、在[0，1]区间内产生一个均匀分布的伪随机数h；若
Figure 677605DEST_PATH_IMAGE047
，则选择个体a；否则，选择个体c，满足
Figure 212360DEST_PATH_IMAGE048
成立；
S4-6-5、重复步骤S4-6-4，共N次；
S4-6-6、采用三点交叉模型与取代变异实现交叉、变异操作，计算执行完该轮遗传操作后种群中每一个个体对应的维护方案费用、适应度值；
S4-7、选出当前代适应度最差的个体，将其替换为S4-6中选出的精英个体；
S4-8、重复执行步骤S4-6、S4-7，直至达到遗传操作的代数；
S4-9、输出最终的预测的建筑物维护方案与相应费用，记为最佳建筑物维护方案。
5.基于人工智能的建筑物维护分析系统，其特征在于：该系统包括：建筑物数据采集模块、模型分析模块、最佳维护方案生成模块；
所述建筑物数据采集模块用于构建建筑物维护区域，获取建筑物的历史日常数据；所述模型分析模块用于构建模型，生成维护预警信息，输出至管理员端口；所述最佳维护方案生成模块用于管理员端口获取维护预警信息数据，构建建筑物维护方案，利用遗传算法进一步优化，生成最佳建筑物维护方案，输出至维护平台端口，供一线人员查阅；
所述建筑物数据采集模块的输出端与所述模型分析模块的输入端相连接；所述模型分析模块的输出端与所述最佳维护方案生成模块的输入端相连接。
6.根据权利要求5所述的基于人工智能的建筑物维护分析系统，其特征在于：所述建筑物包括构筑物、狭义建筑物，所述构筑物包括道路、桥梁；所述狭义建筑物包括房屋；所述构筑物的历史日常数据包括交通信号灯数据、车流数据、载重数据；所述狭义建筑物的历史日常数据包括进出人群频率、建筑时长、气候。
7.根据权利要求6所述的基于人工智能的建筑物维护分析系统，其特征在于：所述模型分析模块包括构筑物模型分析模块、狭义建筑物模型分析模块；
所述构筑物模型分析模块用于获取构筑物的井盖数据，构建井盖下沉预测模型，计算井盖下沉的修正值，生成构筑物维护预警，输出至管理员端口；所述狭义建筑物模型分析模块用于获取狭义建筑物的历史日常数据，构建线性预测模型，分析狭义建筑物的维护预警时长，生成狭义建筑物维护预警，输出至管理员端口；
所述构筑物模型分析模块、所述狭义建筑物模型分析模块的输出端均与最佳维护方案生成模块的输入端相连接。
8.根据权利要求7所述的基于人工智能的建筑物维护分析系统，其特征在于：所述井盖下沉预测模型包括：
获取构筑物的历史日常数据；
构建构筑物维护监控区域，获取构筑物维护监控区域的所有井盖位置信息；
获取构筑物维护监控区域内的交通信号灯数据，在交通信号灯不允许车辆在井盖所在构筑物维护区域内通行时的持续时间，记为车辆停止时间
Figure 480531DEST_PATH_IMAGE001
；
以一天为一个周期，获取每个周期下构筑物维护监控区域内的历史车流数据U组，设置车流阈值，所述车流阈值为每小时进入构筑物维护监控区域的车辆；超出车流阈值的每小时记为高车流时间段；
若存在
Figure 331812DEST_PATH_IMAGE002
，则将第d个小时记为一个周期内高车流时间段，其中，
Figure 43547DEST_PATH_IMAGE003
代表概率因子，
Figure 816331DEST_PATH_IMAGE004
代表在历史车流数据中第d个小时是高车流时间段的数量；
生成一个周期内高车流时间段集合
Figure 622613DEST_PATH_IMAGE005
；其中
Figure 531663DEST_PATH_IMAGE006
分别为一个周期内高车流时间段；其余时间段均记为低车流时间段；
构建一个时间片段，所述时间片段中包含若干个
Figure 474404DEST_PATH_IMAGE001
且所述时间片段小于一个周期；
构建井盖下沉预测模型：
Figure 734484DEST_PATH_IMAGE007
其中，
Figure 344457DEST_PATH_IMAGE008
代表井盖下沉损失预测函数；
Figure 373593DEST_PATH_IMAGE009
代表时间片段内车辆停止时间
Figure 427131DEST_PATH_IMAGE001
在高车流时间段的数量；
Figure 705665DEST_PATH_IMAGE010
代表时间片段内车辆停止时间
Figure 119329DEST_PATH_IMAGE001
在低车流时间段的数量；规定，若
Figure 252239DEST_PATH_IMAGE001
部分处于高车流时间段，部分处于低车流时间段，则在哪个车流时间段占比高，划归到哪一车流时间段；
Figure 460366DEST_PATH_IMAGE011
代表高车流时间段下车辆停在井盖上等红灯的概率；
Figure 429459DEST_PATH_IMAGE012
代表低车流时间段下车辆停在井盖上等红灯的概率；
Figure 381235DEST_PATH_IMAGE013
代表井盖与最近的交通信号灯的距离的归一化数据；
Figure 135695DEST_PATH_IMAGE014
代表高车流时间段对等待红灯的车辆数量的影响因子；
Figure 780303DEST_PATH_IMAGE015
代表低车流时间段对等待红灯的车辆数量的影响因子；
Figure 236692DEST_PATH_IMAGE016
代表构筑物维护监控区域内的车辆平均载重数据的归一化数据；
Figure 992159DEST_PATH_IMAGE017
代表井盖受到压力下沉的线性系数值；
获取井盖标准维护参数，所述标准维护参数指井盖到达下沉阈值时经过的车辆数量；
获取构筑物维护监控区域内时间片段的车流数据，生成时间片段内井盖下沉修正值：
Figure 837012DEST_PATH_IMAGE049
其中，
Figure 652521DEST_PATH_IMAGE019
代表时间片段内井盖下沉修正值；
Figure 861785DEST_PATH_IMAGE020
代表构筑物维护监控区域内时间片段的车辆通过数量；
Figure 420943DEST_PATH_IMAGE021
代表井盖下沉阈值的归一化数据；
Figure 884416DEST_PATH_IMAGE022
代表井盖到达下沉阈值时经过的车辆数量；
设置报警阈值，在井盖下沉修正值高于报警阈值时，生成构筑物维护预警，输出至管理员端口。
9.根据权利要求7所述的基于人工智能的建筑物维护分析系统，其特征在于：所述线性预测模型包括：
以进出人群频率、建筑时长、气候为自变量，以维护预警时长为因变量，构建线性模型：
Figure 339668DEST_PATH_IMAGE023
其中，
Figure 770649DEST_PATH_IMAGE024
代表狭义建筑物
Figure 133498DEST_PATH_IMAGE025
的维护预警时长的归一化数据；
Figure 215592DEST_PATH_IMAGE026
、
Figure 107325DEST_PATH_IMAGE027
、
Figure 25602DEST_PATH_IMAGE028
分别代表进出人群频率、建筑时长、气候的线性回归参数；
Figure 926562DEST_PATH_IMAGE029
、
Figure 99049DEST_PATH_IMAGE030
、
Figure 427262DEST_PATH_IMAGE031
分别代表进出人群频率、建筑时长、气候的归一化数据；
Figure 567256DEST_PATH_IMAGE032
记为误差因子，受到各狭义建筑物工程建筑人员的资质影响；
构建维护预警时长阈值，在生成的维护预警时长超出阈值时，生成狭义建筑物维护预警，输出至管理员端口。
10.根据权利要求5所述的基于人工智能的建筑物维护分析系统，其特征在于：所述最佳维护方案生成模块包括遗传算法优化模块、输出模块；
所述遗传算法优化模块用于构建建筑物维护方案，利用遗传算法进一步优化，生成最佳建筑物维护方案；所述输出模块用于连接维护平台端口，将最佳建筑物维护方案输出至维护平台端口，供一线人员查阅。
CN202210664053.8A 2022-06-14 2022-06-14 基于人工智能的建筑物维护分析系统及方法 Active CN114757383B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210664053.8A CN114757383B (zh) 2022-06-14 2022-06-14 基于人工智能的建筑物维护分析系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210664053.8A CN114757383B (zh) 2022-06-14 2022-06-14 基于人工智能的建筑物维护分析系统及方法

Publications (2)

Publication Number Publication Date
CN114757383A true CN114757383A (zh) 2022-07-15
CN114757383B CN114757383B (zh) 2022-08-23

Family

ID=82336868

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210664053.8A Active CN114757383B (zh) 2022-06-14 2022-06-14 基于人工智能的建筑物维护分析系统及方法

Country Status (1)

Country Link
CN (1) CN114757383B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030023412A1 (en) * 2001-02-14 2003-01-30 Rappaport Theodore S. Method and system for modeling and managing terrain, buildings, and infrastructure
CN105277170A (zh) * 2015-04-23 2016-01-27 北京华千灌浆材料股份有限公司 市政道路检查井井盖下沉监测预警技术
CN111090901A (zh) * 2019-11-25 2020-05-01 山东建筑大学 基于车辆动载分析的井周路面结构设计方法及系统
CN111461187A (zh) * 2020-03-20 2020-07-28 淮阴工学院 一种建筑物沉降智能检测系统
CN112668207A (zh) * 2021-01-29 2021-04-16 南方电网调峰调频发电有限公司 一种基于构筑物体型信息构建工程安全和预警信息的方法
CN112836270A (zh) * 2020-12-22 2021-05-25 中建四局土木工程有限公司 一种应用于预测潜水降水对建筑物沉降影响的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030023412A1 (en) * 2001-02-14 2003-01-30 Rappaport Theodore S. Method and system for modeling and managing terrain, buildings, and infrastructure
CN105277170A (zh) * 2015-04-23 2016-01-27 北京华千灌浆材料股份有限公司 市政道路检查井井盖下沉监测预警技术
CN111090901A (zh) * 2019-11-25 2020-05-01 山东建筑大学 基于车辆动载分析的井周路面结构设计方法及系统
CN111461187A (zh) * 2020-03-20 2020-07-28 淮阴工学院 一种建筑物沉降智能检测系统
CN112836270A (zh) * 2020-12-22 2021-05-25 中建四局土木工程有限公司 一种应用于预测潜水降水对建筑物沉降影响的方法
CN112668207A (zh) * 2021-01-29 2021-04-16 南方电网调峰调频发电有限公司 一种基于构筑物体型信息构建工程安全和预警信息的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘兴旺 等: "指定服务水平的高速公路养护决策优化模型的研究", 《河北农业大学学报》 *
刘兴旺: "基于全寿命周期理论的桥面板维护方案优化研究", 《河北农业大学 硕士学位论文》 *
李元哲: ""建筑物变形观测数据处理及安全预警系统的设计和应用"", 《济南大学 硕士学位论文》 *

Also Published As

Publication number Publication date
CN114757383B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN105702029B (zh) 一种分时段考虑时空关联性的快速路交通状态预测方法
CN111737916B (zh) 一种基于大数据的道路桥梁病害分析与养护决策方法
CN111160728B (zh) 一种路桥养护决策优化方法及装置
Zayed et al. Life-cycle cost analysis using deterministic and stochastic methods: Conflicting results
CN111652520B (zh) 一种基于大数据的路面养护智能决策系统及方法
CN117592809B (zh) 一种基于人工智能的市政工程施工方案优化方法及系统
CN110288137A (zh) 路网级道路基础设施结构综合养护决策方法及系统
CN117436763A (zh) 一种基于数字化实现建筑劳务全流程精细化管理方法及系统
CN115496314A (zh) 一种装配式建筑施工安全风险评估方法
CN116340830A (zh) 一种基于深层记忆模型的高速公路机电系统故障分类方法
CN117272849B (zh) 区域停车场饱和度的预测方法、系统及可读存储介质
CN114757383B (zh) 基于人工智能的建筑物维护分析系统及方法
CN113762613A (zh) 一种基于养护优先级排序的公路网养护规划方法
CN117390399A (zh) 基于深度学习的公路预养护方法、系统、电子设备和介质
CN117408672A (zh) 智慧高速公路养护系统
CN116822729A (zh) 一种基于客流需求的城轨快慢车调度策略优化方法及系统
CN116128270A (zh) 多源数据融合的电网作业计划管理方法及装置
CN110008571A (zh) 一种城市轨道交通工程投资计算方法及系统
Petrov et al. Training and Applying Artificial Neural Networks in Traffic Light Control: Improving the Management and Safety of Road Traffic in Tyumen (Russia)
KR101993449B1 (ko) 수처리시설 계장계측제어를 통한 에너지최적화시스템
CN114444373B (zh) 一种基于打破平局分析和权衡分析的路面养护规划决策方法
CN118212097B (zh) 一种基于水资源管理平台的取水量预警方法
Chen et al. Road Horizontal Alignment Design Method for Continuous Loop Area in Autonomous Vehicles Proving Ground Based on Genetic Algorithms
CN115455799A (zh) 一种基于特征工程的台区电动汽车负荷预测方法及系统
Jamaludina et al. An Inventory of Measure for Urban Road Sustainability

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