CN114757395B - 一种基于智能物联网的危房监测方法 - Google Patents

一种基于智能物联网的危房监测方法 Download PDF

Info

Publication number
CN114757395B
CN114757395B CN202210287735.1A CN202210287735A CN114757395B CN 114757395 B CN114757395 B CN 114757395B CN 202210287735 A CN202210287735 A CN 202210287735A CN 114757395 B CN114757395 B CN 114757395B
Authority
CN
China
Prior art keywords
sample
dangerous
room
current
training
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.)
Active
Application number
CN202210287735.1A
Other languages
English (en)
Other versions
CN114757395A (zh
Inventor
程军强
于灏
杨参
陈明
李俊龙
张胜利
尹国龙
陈新
罗东
雷光辉
田文华
张强
李国峰
宋政帅
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.)
Eurasia Hi Tech Digital Technology Co ltd
Original Assignee
Eurasia Hi Tech Digital Technology 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 Eurasia Hi Tech Digital Technology Co ltd filed Critical Eurasia Hi Tech Digital Technology Co ltd
Priority to CN202210287735.1A priority Critical patent/CN114757395B/zh
Publication of CN114757395A publication Critical patent/CN114757395A/zh
Application granted granted Critical
Publication of CN114757395B publication Critical patent/CN114757395B/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
    • G06Q10/04—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
    • 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
    • G06N20/00—Machine learning
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Computer Security & Cryptography (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种基于智能物联网的危房监测方法，属于危房监测技术领域。方法包括以下步骤：获取待监测危房的历史监测数据和当前监测数据；将待监测危房的历史监测数据和当前监测数据输入到TCN中，预测未来时刻待监测危房对应的监测数据；所述TCN的损失为各训练样本对应的修正后的损失之和，各训练样本对应的修正后的损失为对应训练样本的损失与对应训练样本的置信度之积，训练样本的置信度的计算方法为：获取各训练样本的历史监测数据和当前监测数据；根据所述各训练样本的承重点数据可信度和支撑棒数据准确度计算各训练样本的监测数据置信度，记为样本置信度。本发明解决了现有方法无法对危房状态进行提前预测的问题。

Description

一种基于智能物联网的危房监测方法
技术领域
本发明涉及危房监测技术领域，具体涉及一种基于智能物联网的危房监测方法。
背景技术
危房治理工作是建设和管理现代城市的一大难题，为了避免危房突然坍塌造成的一些人员伤亡，需要对危房进行监测。现有技术中对危房进行监测的方法是利用传感器检测危房的倾斜程度，当检测到危房的倾斜程度大于设定倾斜程度阈值时或者相较于上一时刻的倾斜程度发生明显变化时进行报警。这种方法只有当危房的倾斜程度已经出现了较大异常时才会报警，而不能对危房可能出现的较大异常进行提前预测，也就不能为危房管理者或者危房周围的人争取较长的应对时间，很容易造成人员伤亡。
如何实现对危房状态的预测是目前危房治理工作的难点。
发明内容
本发明的目的在于提供一种基于智能物联网的危房监测方法，用于解决现有方法无法对危房状态进行提前预测的问题。
为了解决上述问题，本发明的一种基于智能物联网的危房监测方法的技术方案，包括以下步骤：
获取待监测危房的历史监测数据和当前监测数据，所述历史监测数据包括各承重点对应的历史倾斜角度、各承重点对应的历史位移量、各地基角对应的历史下沉量、各支撑棒的历史应力；所述当前监测数据包括各承重点对应的当前倾斜角度、各承重点对应的当前位移量、各地基角对应的当前下沉量、各支撑棒的当前应力；
将待监测危房的历史监测数据和当前监测数据输入到TCN中，预测未来时刻待监测危房对应的监测数据；所述TCN的损失为各训练样本对应的修正后的损失之和，各训练样本对应的修正后的损失为对应训练样本的损失与对应训练样本的置信度之积，训练样本的置信度的计算方法为：
获取各训练样本的历史监测数据和当前监测数据；
根据各训练样本的各地基角对应的当前下沉量和历史下沉量计算任意两训练样本之间的地质相似度，根据所述地质相似度对各训练样本进行分组；
根据各训练样本的各承重点对应的历史倾斜角度、历史位移量、当前倾斜角度和当前位移量计算各训练样本与同组内其它训练样本之间的组内关联性，根据所述组内关联性计算各训练样本的承重点数据可信度；
根据各训练样本的各支撑棒的历史应力和当前应力计算各训练样本的支撑棒数据准确度；
根据所述各训练样本的承重点数据可信度和支撑棒数据准确度计算各训练样本的监测数据置信度，记为样本置信度。
有益效果：本发明将待危房的历史监测数据和当前监测数据作为TCN的输入，实现了对未来时刻待监测危房的监测数据的预测，能够提前对危险进行预警，有利于减少危房治理工作中的伤亡；本发明TCN的训练过程中利用各训练样本对应的监测数据置信度对各训练样本对应的损失进行修正，TCN的损失为各训练样本对应的修正后的损失之和，使得本发明的TCN能够更加准确预测未来时刻待监测危房的监测数据，可靠性更高。
进一步地，利用DBSCAN对各训练样本进行分组。
进一步地，所述根据各训练样本的各地基角对应的当前下沉量和历史下沉量计算任意两训练样本之间的地质相似度，包括：
利用如下计算公式计算两样本危房之间的地质相似度：
Figure BDA0003558933440000021
其中，RA，B表示第A个样本危房和第B个样本危房之间的地质相似度，DA，p表示第A个样本危房的第p个地基角的下沉量变化序列，DB，p表示第B个样本危房的第p个地基角的下沉量变化序列，DA为第A个样本危房当前的地基四角下沉量向量，DB为第B个样本危房当前的地基四角下沉量向量，PPMCC表示皮尔逊相关系数，γ为修正系数。
进一步地，所述承重点为承重墙、承重柱或横梁。
进一步地，所述根据各训练样本的各承重点对应的历史倾斜角度、历史位移量、当前倾斜角度和当前位移量计算各训练样本与同组内其它训练样本之间的组内关联性，包括：
利用如下计算公式计算各训练样本与同组内其它训练样本之间的组内关联性：
Figure BDA0003558933440000031
Figure BDA0003558933440000032
K(A，B)＝K1(A，B)+K2(A，B)
其中，K(A，B)为同一组内第A个样本危房与第B个样本危房的组内关联性；K1(A，B)为同一组内第A个样本危房与第B个样本危房之间承重点倾斜角度变化情况的相似度，K2(A，B)为同一组内第A个样本危房与第B个样本危房之间承重点位移量变化情况的相似度，MA，k，1表示第A个样本危房的第k个承重点的倾斜角度变化序列，MA，k，2表示第A个样本危房的第k个承重点的位移量变化序列，MB，k，1表示第B个样本危房的第k个承重点的倾斜角度变化序列，MB，k，2表示第B个样本危房的第k个承重点的位移量变化序列；R为序列的极差值，mean为序列的平均数，DTW函数为动态时间规整。
进一步地，根据各训练样本的各支撑棒的历史应力和当前应力计算各训练样本的支撑棒数据准确度，包括：
根据各训练样本的各支撑棒的历史应力和当前应力构建各训练样本的各支撑棒应力变化序列；
根据各训练样本的各支撑棒应力变化序列得到各训练样本的各支撑棒对墙面的支撑力变化序列；
根据各训练样本的各支撑棒对墙面的支撑力变化序列计算各训练样本的支撑棒数据准确度。
进一步地，所述根据各训练样本的各支撑棒对墙面的支撑力变化序列计算各训练样本的支撑棒数据准确度，包括：
利用如下计算公式计算各训练样本的支撑棒数据准确度：
Figure BDA0003558933440000041
其中，QA为第A个样本危房的支撑棒数据准确度，FA，t表示第A个样本危房t时刻的支撑棒对墙面的支撑力向量；FA，t-1表示第A个样本危房t-1时刻的支撑棒对墙面的支撑力向量；FA，t，r为第A个样本危房的第r个支撑棒t时刻对墙面的支撑力变化序列，FA，t-1，r为第A个样本危房的第r个支撑棒t-1时刻对墙面的支撑力变化序列，RA为第A个样本危房的支撑棒的数量，SIM为余弦相似度，T为当前时刻，t1为第二次采样对应的时刻，t-1时刻为t时刻对应的前一采样时刻，NT为当前时刻对应的采样次数，mean为序列的平均数。
进一步地，各样本危房的承重点数据可信度和支撑棒数据准确度均与监测数据置信度成正相关关系。
附图说明
图1是本发明的基于智能物联网的危房监测方法流程图；
图2是本发明的TCN各样本的置信度计算方法流程图；
图3是本发明的危房支撑棒示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更清楚，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介绍。
如图1所示，本实施例的基于智能物联网的危房监测方法包括以下步骤：
(1)获取待监测危房的历史监测数据和当前监测数据；
本实施例中监测数据包括危房承重点的监测数据，危房的承重集中于承重墙，承重柱，以及横梁位置。如果危房这几个位置的监测数值发生了异常，表示房屋处境比较危险。本实施例在承重墙，柱和梁上放置倾斜仪和位移计，分别测量对应的倾斜角度和位移量，由此，获得危房各承重点监测数据M＝{Ob1，Ob2，Ob3，Dp1，Dp2，Dp3}，其中，Ob表示倾斜角度，量纲为度，Dp表示水平位移量，量纲为米，Ob1表示承重墙的倾斜角度，Ob2表示承重柱的倾斜角度，Ob3表示横梁的倾斜角度，Dp1表示承重墙的位移量，Dp2表示承重柱的位移量，Dp3表示横梁的位移量。本实施例对危房的承重点的数据采样频率为每小时进行一次，多次采样可以获得危房各承重点的倾斜度变化序列和危房各承重点的位移量变化序列。通过危房各承重点的历史倾斜度和当前倾斜度对比可以确定危房各承重点的倾斜度变化情况，通过危房各承重点的历史位移量和当前位移量对比可以确定危房各承重点的位移量变化情况。
本实施例中监测数据包括危房的地基四角的下沉量，对于危房的倾斜，一般都是地基出现不平整，导致危房四角出现不同程度的塌陷，如果四角继续塌陷，房屋的倾斜度会越来越大，最终会倒塌。本实施例在危房的地基四角部署静力水准仪，用于检测房屋的垂直位移，由此，获得危房地基四角下沉量向量D＝{D1，D2，D3，D4}，其中，D1表示危房的第1个地基角的下沉量，D2表示危房的第2个地基角的下沉量，D3表示危房的第3个地基角的下沉量，D4表示危房的第4个地基角的下沉量。本实施例对危房的地基四角的下沉量采样频率为每小时进行一次，多次采样可以获得危房各地基角的下沉量变化序列。通过危房各地基角的历史下沉量和当前下沉量对比可以确定危房各地基角的下沉量变化情况。
本实施例中监测数据包括危房的各支撑棒的应力，为了防止危房进一步恶化和对危房墙体进行保护，往往对房屋倾倒方向上做防护措施，使用多个刚体直棒做支撑，本实施例在房屋与各支撑棒的接触点安置应力传感器，用于实时监测接触点的应力变化情况。由此，获得危房支撑棒应力监测数据f＝{f1...fN}，N为支撑棒个数，f1为第1个支撑棒的应力，f1为第N个支撑棒的应力。本实施例对危房的各支撑棒的应力采样频率为每小时进行一次，多次采样可以获得危房各支撑棒的应力变化序列。通过危房各支撑棒的历史应力和当前应力对比可以确定危房各支撑棒的应力变化情况。
本实施例旨在通过获取待监测危房的历史监测数据和当前监测数据来对未来时刻该危房的监测数据进行预测。
(2)将待监测危房的历史监测数据和当前监测数据输入到TCN中，预测未来时刻待监测危房的监测数据。
本实施例对TCN的训练过程包括多批次训练，每个批次训练都包括多个样本，TCN的输入为各样本的监测数据构成的序列。对于单批次训练过程，每个样本对应的损失分配一个权重，每个样本对应的权重为该样本的置信度，TCN的损失
Figure BDA0003558933440000061
其中LOSS为TCN的损失，lossi为第i个样本对应的均方差损失，Ci为第i个样本的置信度，I为样本数量，/>
Figure BDA0003558933440000062
本实施例中各样本对应的置信度即各样本对应的监测数据置信度，如图2所示，本实施例计算各样本对应的监测数据置信度的过程如下：
I.获取各训练样本的历史监测数据和当前监测数据；
本实施例中获取了大量样本危房的历史监测数据和当前监测数据，所述历史监测数据包括各承重点的历史倾斜角度、各承重点的历史位移量、各地基角的历史下沉量、各支撑棒的历史应力；所述当前监测数据包括各承重点的当前倾斜角度、各承重点的当前位移量、各地基角的当前下沉量、各支撑棒的当前应力。
上述各样本危房的各承重点的历史倾斜角度和当前倾斜角度构成各样本危房的各承重点的倾斜角度变化序列Mj，k，1，Mj，k，1表示第j个样本危房的第k个承重点的倾斜角度变化序列，k＝1，2，3；当k＝1时，Mj，1，1表示第j个样本危房的承重墙的倾斜角度变化序列；当k＝2时，Mj，2，1表示第j个样本危房的承重柱的倾斜角度变化序列；当k＝3时，Mj，3，1表示第j个样本危房的横梁的倾斜角度变化序列。
上述各样本危房的各承重点的历史位移量和当前位移量构成各样本危房的各承重点的位移量变化序列Mj，k，2，Mj，k，2表示第j个样本危房的第k个承重点的位移量变化序列，k＝1，2，3；当k＝1时，Mj，1，2表示第j个样本危房的承重墙的位移量变化序列；当k＝2时，Mj，2，2表示第j个样本危房的承重柱的位移量变化序列；当k＝3时，Mj，3，2表示第j个样本危房的横梁的位移量变化序列。
上述各样本危房的各地基角的历史下沉量和当前下沉量构成各样本危房的各地基角的下沉量变化序列Dj，p，Dj，p表示第j个样本危房的第p个地基角的下沉量变化序列，p＝1，2，3，4；当p＝1时，Dj，1表示第j个样本危房的第1个地基角的下沉量变化序列；当p＝2时，Dj，2表示第j个样本危房的第2个地基角的下沉量变化序列；当p＝3时，Dj，3表示第j个样本危房的第3个地基角的下沉量变化序列；当p＝4时，Dj，4表示第j个样本危房的第4个地基角的下沉量变化序列。
上述各样本危房的各支撑棒的历史应力和当前应力构成各样本危房的各支撑棒的应力变化序列fj，r，fj，r表示第j个样本危房的第r个支撑棒的应力变化序列，r＝1，2，...，Rj；当r＝1时，fj，1表示第j个样本危房的第1个支撑棒的应力变化序列；当r＝2时，fj，2表示第j个样本危房的第2个支撑棒的应力变化序列；当r＝Rj时，fj，R表示第j个样本危房的第Rj个支撑棒的应力变化序列，Rj为第j个样本危房的支撑棒数量。
II.根据各训练样本的各地基角的当前下沉量和历史下沉量计算任意两训练样本之间的地质相似度，根据所述地质相似度对各训练样本进行分组；
不同样本危房所处地形因素相近时，对应的各地基下沉量相似，本实施例根据不同样本危房对应的各地基下沉量来判断样本危房之间的地质相似度，并根据样本危房之间的地质相似度对各样本危房进行分组，每组中样本危房所处地形相似，具体过程如下：
本实施例利用如下计算公式计算两样本危房之间的地质相似度：
Figure BDA0003558933440000081
其中，RA，B表示第A个样本危房和第B个样本危房之间的地质相似度，DA，p表示第A个样本危房的第p个地基角的下沉量变化序列，DB，p表示第B个样本危房的第p个地基角的下沉量变化序列，DA为第A个样本危房当前的地基四角下沉量向量，DB为第B个样本危房当前的地基四角下沉量向量。
PPMCC表示皮尔逊相关系数，PPMCC(DA，p，DB，p)表示DA，p和DB，p的皮尔逊相关系数，本实施例中DA，p和DB，p两者为同向变化，因此PPMCC(DA，p，DB，p)的值域为[0，1]，DA，p和DB，p两者越相似，PPMCC(DA，p，DB，p)的大小越接近于1；反之DA，p和DB，p越不相似，PPMCC(DA，p，DB，p)的大小趋近于0。SIM为余弦相似度，本实施例中其值域为[0，1]。γ为修正系数，具体为一正数。
基于上述公式可以得到任意两样本危房之间的相似度。根据任意两样本危房之间的相似度，利用DBSCAN对样本进行密度聚类，由此产生多个分组，每组中样本危房所处地形相似。
III.根据各训练样本的各承重点的历史倾斜角度、历史位移量、当前倾斜角度和当前位移量计算各训练样本与同组内其它训练样本之间的组内关联性，根据所述组内关联性计算各训练样本的承重点数据可信度；
对于同一组内的各样本危房，其对应的各承重点的变化情况与同组内其它样本危房的各承重点的变化情况越相似，其对应的承重点数据可信度越高。本实施例计算同一组内任意两样本危房之间承重点变化情况的相似度的计算公式如下：
Figure BDA0003558933440000082
Figure BDA0003558933440000091
K(A，B)＝K1(A，B)+K2(A，B)
其中，K(A，B)为同一组内第A个样本危房与第B个样本危房之间承重点变化情况的相似度，即第A个样本危房与第B个样本危房的组内关联性；K1(A，B)为同一组内第A个样本危房与第B个样本危房之间承重点倾斜角度变化情况的相似度，K2(A，B)为同一组内第A个样本危房与第B个样本危房之间承重点位移量变化情况的相似度。
MA，k，1表示第A个样本危房的第k个承重点的倾斜角度变化序列，MA，k，2表示第A个样本危房的第k个承重点的位移量变化序列，MB，k，1表示第B个样本危房的第k个承重点的倾斜角度变化序列，MB，k，2表示第B个样本危房的第k个承重点的位移量变化序列；R函数为序列的极差值，mean函数为序列的平均数，两者的乘积能够用于描述序列变化的强度。DTW函数为动态时间规整，MA，k，y和MA，k，y两者变化越相似，DTW(MA，k，y，MB，k，y)值越小，反之，MA，k，y和MA，k，y两者变化越不相似，DTW(MA，k，y，MB，k，y)值越大。
由此，可以计算出同组内任意两样本危房之间承重点变化情况的相似度。通过计算某样本危房与同组内其它样本危房之间承重点变化情况的相似度的累加和可以得到该样本危房的承重点数据可信度UA＝∑X∈Z，X≠AK(A，X)，UA为第A个样本危房的承重点数据可信度，该值越大，说明该样本危房的承重点数据可靠性越高。Z为第A个样本危房所属组内样本危房的集合，K(A，X)为同一组内第A个样本危房与第X个样本危房之间承重点变化情况的相似度。
IV.根据各训练样本的各支撑棒的历史应力和当前应力计算各训练样本的支撑棒数据准确度；
在墙倾斜的过程中，由于支撑棒的支持，静止时其受力为平衡状态，其整体墙所受重力、地面的支持力和支撑棒的支撑力构成一个平衡系统。随着墙的慢慢倾斜，支撑力大小F应该较之前慢慢变大，因此，通过支撑力的变化可以判定各样本危房各支撑棒数据准确度。
如图3所示，1为危房墙面，2为支撑棒，支撑棒与水平线夹角为Ang，Ang为支撑棒倾角，危房墙面与竖直线之间夹角为Ob1，已知的数据为支撑棒的应力f、应力传感器相对水平线的高度，支撑棒的应力方向为沿支撑棒所在直线向上，根据几何关系，支撑棒对墙面的支撑力F为：
F＝f*cos(Ang-Ob1)
根据上述获取的各样本危房的的各支撑棒的应力变化序列fj，r可以得到各样本危房的各支撑棒对墙面的支撑力变化序列Fj，r，Fj，r表示第j个样本危房的第r个支撑棒对墙面的支撑力变化序列。
本实施例计算各样本危房的支撑棒数据准确度的计算公式为：
Figure BDA0003558933440000101
其中，QA为第A个样本危房的支撑棒数据准确度，FA，t表示第A个样本危房t时刻的支撑棒对墙面的支撑力向量，向量内的各元素为各支撑棒t时刻对墙面的支撑力；FA，t-1表示第A个样本危房t-1时刻的支撑棒对墙面的支撑力向量，向量内的各元素为各支撑棒t-1时刻对墙面的支撑力；FA，t，r为第A个样本危房的第r个支撑棒t时刻对墙面的支撑力变化序列，FA，t-1，r为第A个样本危房的第r个支撑棒t-1时刻对墙面的支撑力变化序列，RA为第A个样本危房的支撑棒的数量，SIM为余弦相似度，T为当前时刻，t1为第二次采样对应的时刻，t-1时刻为t时刻对应的前一采样时刻，NT为当前时刻对应的采样次数，mean为序列的平均数。
V.根据所述各训练样本的承重点数据可信度和支撑棒数据准确度计算各训练样本的监测数据置信度。
本实施例中各样本危房对应的承重点数据可信度和支撑棒数据准确度均与监测数据置信度成正相关关系，本实施例利用如下计算公式计算各样本危房对应的监测数据置信度：
CA＝UA*QA
其中，CA为第A个样本危房对应的监测数据置信度，该值越高，说明第A个样本危房对应的监测数据越可靠。
本实施例将同一组对应的样本危房作为同一批次样本对TCN进行训练，由此可以对TCN网络进行多批次训练，提高TCN网络输出的准确性。
本实施例将待危房的历史监测数据和当前监测数据作为TCN的输入，实现了对未来时刻待监测危房的监测数据的预测，能够提前对危险进行预警，有利于减少危房治理工作中的伤亡；本实施例TCN的训练过程中利用各训练样本对应的监测数据置信度对各训练样本对应的损失进行修正，TCN的损失为各训练样本对应的修正后的损失之和，使得本发明的TCN能够更加准确预测未来时刻待监测危房的监测数据，可靠性更高。
需要说明的是，尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

Claims (2)

1.一种基于智能物联网的危房监测方法，其特征在于，包括以下步骤：
获取待监测危房的历史监测数据和当前监测数据，所述历史监测数据包括各承重点对应的历史倾斜角度、各承重点对应的历史位移量、各地基角对应的历史下沉量、各支撑棒的历史应力；所述当前监测数据包括各承重点对应的当前倾斜角度、各承重点对应的当前位移量、各地基角对应的当前下沉量、各支撑棒的当前应力；
将待监测危房的历史监测数据和当前监测数据输入到TCN中，预测未来时刻待监测危房对应的监测数据；所述TCN的损失为各训练样本对应的修正后的损失之和，各训练样本对应的修正后的损失为对应训练样本的损失与对应训练样本的置信度之积，训练样本的置信度的计算方法为：
获取各训练样本的历史监测数据和当前监测数据；
根据各训练样本的各地基角对应的当前下沉量和历史下沉量计算任意两训练样本之间的地质相似度，根据所述地质相似度对各训练样本进行分组；
根据各训练样本的各承重点对应的历史倾斜角度、历史位移量、当前倾斜角度和当前位移量计算各训练样本与同组内其它训练样本之间的组内关联性，根据所述组内关联性计算各训练样本的承重点数据可信度；
根据各训练样本的各支撑棒的历史应力和当前应力计算各训练样本的支撑棒数据准确度；
根据所述各训练样本的承重点数据可信度和支撑棒数据准确度计算各训练样本的监测数据置信度，记为样本置信度；
所述根据各训练样本的各地基角对应的当前下沉量和历史下沉量计算任意两训练样本之间的地质相似度，包括：
利用如下计算公式计算两样本危房之间的地质相似度：
Figure FDA0004196467570000011
其中，RA,B表示第A个样本危房和第B个样本危房之间的地质相似度，DA,p表示第A个样本危房的第p个地基角的下沉量变化序列，DB,p表示第B个样本危房的第p个地基角的下沉量变化序列，DA为第A个样本危房当前的地基四角下沉量向量，DB为第B个样本危房当前的地基四角下沉量向量，PPMCC表示皮尔逊相关系数，SIM为余弦相似度，γ为修正系数；
所述承重点为承重墙、承重柱或横梁；
所述根据各训练样本的各承重点对应的历史倾斜角度、历史位移量、当前倾斜角度和当前位移量计算各训练样本与同组内其它训练样本之间的组内关联性，包括：
利用如下计算公式计算各训练样本与同组内其它训练样本之间的组内关联性：
Figure FDA0004196467570000021
Figure FDA0004196467570000022
K(A,B)＝K1(A,B)+K2(A,B)
其中，K(A,B)为同一组内第A个样本危房与第B个样本危房的组内关联性；K1(A,B)为同一组内第A个样本危房与第B个样本危房之间承重点倾斜角度变化情况的相似度，K2(A,B)为同一组内第A个样本危房与第B个样本危房之间承重点位移量变化情况的相似度，MA,k,1表示第A个样本危房的第k个承重点的倾斜角度变化序列，MA,k,2表示第A个样本危房的第k个承重点的位移量变化序列，MB,k,1表示第B个样本危房的第k个承重点的倾斜角度变化序列，MB,k,2表示第B个样本危房的第k个承重点的位移量变化序列；R为序列的极差值，mean为序列的平均数，DTW函数为动态时间规整；
根据各训练样本的各支撑棒的历史应力和当前应力计算各训练样本的支撑棒数据准确度，包括：
根据各训练样本的各支撑棒的历史应力和当前应力构建各训练样本的各支撑棒应力变化序列；
根据各训练样本的各支撑棒应力变化序列得到各训练样本的各支撑棒对墙面的支撑力变化序列；
根据各训练样本的各支撑棒对墙面的支撑力变化序列计算各训练样本的支撑棒数据准确度；
所述根据各训练样本的各支撑棒对墙面的支撑力变化序列计算各训练样本的支撑棒数据准确度，包括：
利用如下计算公式计算各训练样本的支撑棒数据准确度：
Figure FDA0004196467570000031
其中，QA为第A个样本危房的支撑棒数据准确度，FA,t表示第A个样本危房t时刻的支撑棒对墙面的支撑力向量；FA,t-1表示第A个样本危房t-1时刻的支撑棒对墙面的支撑力向量；FA,t,r为第A个样本危房的第r个支撑棒t时刻对墙面的支撑力变化序列，FA,t-1,r为第A个样本危房的第r个支撑棒t-1时刻对墙面的支撑力变化序列，RA为第A个样本危房的支撑棒的数量，SIM为余弦相似度，T为当前时刻，t1为第二次采样对应的时刻，t-1时刻为t时刻对应的前一采样时刻，NT为当前时刻对应的采样次数，mean为序列的平均数；
各样本危房的承重点数据可信度和支撑棒数据准确度均与监测数据置信度成正相关关系。
2.根据权利要求1所述的基于智能物联网的危房监测方法，其特征在于，利用DBSCAN对各训练样本进行分组。
CN202210287735.1A 2022-03-22 2022-03-22 一种基于智能物联网的危房监测方法 Active CN114757395B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210287735.1A CN114757395B (zh) 2022-03-22 2022-03-22 一种基于智能物联网的危房监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210287735.1A CN114757395B (zh) 2022-03-22 2022-03-22 一种基于智能物联网的危房监测方法

Publications (2)

Publication Number Publication Date
CN114757395A CN114757395A (zh) 2022-07-15
CN114757395B true CN114757395B (zh) 2023-06-16

Family

ID=82326799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210287735.1A Active CN114757395B (zh) 2022-03-22 2022-03-22 一种基于智能物联网的危房监测方法

Country Status (1)

Country Link
CN (1) CN114757395B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117557971B (zh) * 2024-01-12 2024-03-26 湖北神龙工程测试技术有限公司 基于物联网的危房监测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472684A (zh) * 2019-08-14 2019-11-19 树根互联技术有限公司 一种风机叶片的结冰监测方法、其装置及可读存储介质

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105005822A (zh) * 2015-06-26 2015-10-28 华能澜沧江水电股份有限公司 基于最优步长与模型动态选择的特高拱坝响应预测方法
CN107942875A (zh) * 2017-12-12 2018-04-20 杨川 城市危房信息云共享与监控系统
US11513480B2 (en) * 2018-03-27 2022-11-29 Terminus (Beijing) Technology Co., Ltd. Method and device for automatically diagnosing and controlling apparatus in intelligent building
CN108564492A (zh) * 2018-04-17 2018-09-21 温州市勘察测绘研究院 基于gis的危旧房动态监控管理平台以及建设该平台的方法
CN108629144B (zh) * 2018-06-11 2022-06-17 湖北交投智能检测股份有限公司 一种桥梁健康评估方法
US11410540B2 (en) * 2019-08-01 2022-08-09 Fuji Xerox Co., Ltd. System and method for event prevention and prediction
CN113221434A (zh) * 2021-01-06 2021-08-06 河北建筑工程学院 一种基坑变形预测方法
CN113486420B (zh) * 2021-06-08 2022-07-01 广东省水利水电科学研究院 水库大坝岸坡稳定性监测方法、装置、设备及介质
CN113627977A (zh) * 2021-07-30 2021-11-09 北京航空航天大学 一种基于异构图的房屋价值预测方法
CN114066070A (zh) * 2021-11-19 2022-02-18 郑州航空工业管理学院 基于人工智能和数值计算的天气预报方法
CN114154226B (zh) * 2022-02-10 2022-04-29 济宁明珠建筑工程有限公司 一种基坑稳定性监测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472684A (zh) * 2019-08-14 2019-11-19 树根互联技术有限公司 一种风机叶片的结冰监测方法、其装置及可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A deep hybrid learning model to detect unsafe behavior: Integrating convolution neural networks and long short-term memory;Lieyun Ding等;《Automation in Construction》;全文 *

Also Published As

Publication number Publication date
CN114757395A (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
CN111486814B (zh) 基于遗传算法的bim三维可视化深基坑变形预测系统
CN112884320B (zh) 基于熵值模型的基坑风险评估方法、装置、设备和介质
CN114154226B (zh) 一种基坑稳定性监测方法
CN111784070A (zh) 一种基于XGBoost算法的滑坡短临智能预警方法
CN114757395B (zh) 一种基于智能物联网的危房监测方法
CN110310021B (zh) 一种用于基坑监测预警的场地环境与监测点匹配系统
CN114611778B (zh) 一种基于入库流量的水库水位预警方法及系统
CN112784336A (zh) 一种基于深度学习lstm网络的桥梁静态位移预测技术
CN111651708B (zh) 一种大坝安全监测数据异常识别的预警阈值设置方法
US11739636B2 (en) Method and apparatus for measuring characteristics of fluid in a reservoir
CN109829561A (zh) 基于平滑处理与网络模型机器学习的事故预测方法
CN112883478B (zh) 钢结构位移预测方法、装置、终端设备和系统
CN108716904A (zh) 基于有限测斜仪测点测值的坝体挠度获取方法
CN114548482A (zh) 一种基于蠕变型滑坡动能变化率临滑预警方法
CN116716927A (zh) 塔基监测方法、装置、计算机设备、存储介质和产品
CN112200398A (zh) 一种重力坝安全表面变形预警方法和装置
Yang et al. Comparative Study on Deformation Prediction Models of Wuqiangxi Concrete Gravity Dam Based onMonitoring Data.
CN116758707B (zh) 一种基于大数据的地质灾害监测系统及方法
KR102332188B1 (ko) 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 ai 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법
CN115950485A (zh) 一种隧道内全自动智能化监测方法
CN114396912A (zh) 一种超大超高层建筑高空连廊两侧不均匀沉降观测方法、系统
CN118194024B (zh) 一种高速公路软土地基沉降预测方法及系统
CN118095813B (zh) 基于bim技术的地基沉降的可视化监测方法及系统
CN117249803B (zh) 一种深基坑支护立柱沉降监测与预警方法
CN118275068B (zh) 一种型钢混凝土框架结构振动性能测试方法

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A method for monitoring dangerous buildings based on intelligent Internet of Things

Effective date of registration: 20231128

Granted publication date: 20230616

Pledgee: China Construction Bank Corporation Zhengzhou Railway Sub Branch

Pledgor: Eurasia hi tech digital technology Co.,Ltd.

Registration number: Y2023410000002

PE01 Entry into force of the registration of the contract for pledge of patent right