CN116128165A - 一种基于miv-bp的建筑构件质量预测方法及系统 - Google Patents

一种基于miv-bp的建筑构件质量预测方法及系统 Download PDF

Info

Publication number
CN116128165A
CN116128165A CN202310394300.1A CN202310394300A CN116128165A CN 116128165 A CN116128165 A CN 116128165A CN 202310394300 A CN202310394300 A CN 202310394300A CN 116128165 A CN116128165 A CN 116128165A
Authority
CN
China
Prior art keywords
model
parameters
quality
prediction
input
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.)
Pending
Application number
CN202310394300.1A
Other languages
English (en)
Inventor
李政道
丁志坤
幸厚冰
宋杏玲
洪竞科
郭振超
徐艳
寇立夫
吴恒钦
赵银
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.)
Shenzhen University
China Construction Fourth Engineering Division Corp Ltd
Original Assignee
Shenzhen University
China Construction Fourth Engineering Division Corp 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 Shenzhen University, China Construction Fourth Engineering Division Corp Ltd filed Critical Shenzhen University
Priority to CN202310394300.1A priority Critical patent/CN116128165A/zh
Publication of CN116128165A publication Critical patent/CN116128165A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/06395—Quality analysis or management
    • 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
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

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)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于MIV‑BP的建筑构件质量预测方法及系统，涉及数据处理技术领域，通过构建BP神经网络模拟模型，将经过数据预处理的训练样本带入所述BP神经网络模拟模型中进行训练，直到满足训练终止条件为止，对工艺参数进行数值变换，变换后输入质量预测模型中进行运算，根据预测结果计算得到工艺参数的影响值，基于影响值对输入参数进行筛选，带入质量预测模型中进行模型优化，达到对输入参数的筛选弥补了BP神经网络在输入特征参量增多时模型的复杂度，精简模型，更准确更简便的预测出各类构件的质量合格率，从而确保建筑施工质量的技术效果，解决建筑构件的合格率缺乏精准的评估预测手段，无法保证建筑构件的质量的技术问题。

Description

一种基于MIV-BP的建筑构件质量预测方法及系统
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于MIV-BP的建筑构件质量预测方法及系统。
背景技术
建筑行业作为城市化进程必不可少的一环，在改善居住环境、提高生活水平方面发挥了极其重要的作用。装配式建筑是指各个组成部分预先在专业的工厂进行生产，生产完成后运输至项目现场进行组装施工的施工技术，装配式建筑施工具有设计标准化、生产工厂化、施工组装装饰一体化、管理信息化和应用智能化的特点。预制构件对装配式建筑物整体的质量有关键影响，确保建筑安全和质量，并有效地减少劳动力，进一步缩短工期，提高效率，大大减少施工过程的资源消耗和浪费。现有技术中对于建筑构件的合格率缺乏精准的预测评估手段，无法保证建筑预制构件的质量从而对建筑施工存在安全或质量隐患。
发明内容
为了解决上述问题，本申请通过提供了一种基于MIV-BP的建筑构件质量预测方法及系统，解决了现有技术中对于建筑构件的合格率缺乏精准的评估预测手段，无法保证建筑构件的质量，从而使建筑施工存在安全或质量隐患的技术问题。达到对输入参数的筛选，弥补了BP神经网络在输入特征参量增多时模型的复杂度，提高了模型的训练效率，精简模型，构建出关键工序工艺参数和成品质量之间的模拟模型，更准确更简便的预测出各类构件的质量合格率，从而确保建筑施工质量的技术效果。
鉴于上述问题，本申请提供了一种基于MIV-BP的建筑构件质量预测方法及系统。
一方面，本申请提供了一种基于MIV-BP的建筑构件质量预测方法，所述方法包括：对构件生产的数据进行采集，获得构件监测数据，其中，所述构件监测数据包括工艺参数、质量合格率，基于所述工艺参数、质量合格率构建训练样本，并对所述训练样本进行数据预处理；构建BP神经网络模拟模型，将经过数据预处理的所述训练样本带入所述BP神经网络模拟模型中进行训练，直到满足训练终止条件为止，得到质量预测模型；对所述工艺参数进行数值变换；将数值变换后的工艺参数输入所述质量预测模型中进行运算，获得模型输出结果，其中，模型输出结果为预测质量合格率；根据数值变换后的各工艺参数、所述预测质量合格率，进行数值变换对模型输出结果的影响程度分析，计算得到各工艺参数的影响值，影响值为MIV值；基于MIV绝对值剔除对输出结果影响小的特征参数，对输入参数进行筛选，确定输入工艺参数，将所述输入工艺参数带入所述质量预测模型中进行模型优化，获得优化预测模型，通过所述优化预测模型得到构件质量预测结果。
优选的，对所述训练样本进行数据预处理，包括：通过公式：，对所述训练样本进行标准化归一转换，其中，样本最小值、样本最大值。
优选的，构建BP神经网络模拟模型，将经过数据预处理的所述训练样本带入所述BP神经网络模拟模型中进行训练，直到满足训练终止条件为止，得到质量预测模型，包括：(a):将n个输入参数共m个训练样本中的所有输入参数用P标记，输入参数对应的输出参数用A标记；(b):初始化BP神经网络模拟模型，确定输入层、隐含层、输出层结构，其中，工艺参数作为输入参数、质量合格率作为输出参数，采用公式：确定隐含层神经元数量，其中，n为隐含层的节点数、m为输入层的节点数、l为输出层的节点数、a为[0,10]之间的常数；(c)：根据隐含层节点数、输入层隐含层之间的连接权值、隐含层阈值对输入的训练样本，通过正切S型传递函数进行处理，得到隐含层的输出；(d):隐含层的输出到输出层，通过线性传递函数进行计算，获得模型预测输出；(e):通过模型预测输出与期望输出计算网络预测误差；(f):判断所述网络预测误差是否达到精度要求，当不满足时，基于所述网络预测误差对连接权重进行更新、隐含层阈值进行更新，利用更新后的连接权重、隐含层阈值循环执行(c)-(f)，直到满足所述精度要求为止，或达到最大循环次数为止。
优选的，所述正切S型传递函数计算公式为：；j=1,2,…,l，其中，l为隐含层节点数；为隐含层激励函数；为输入层与隐含层之间的连接权值；为隐含层的阈值；为隐含层的输出。
优选的，所述线性传递函数计算公式为：；k=1,2,…,m，其中，为连接权值；为阈值；为BP神经网络的预测输出。
优选的，基于所述网络预测误差对连接权重进行更新、隐含层阈值进行更新，包括：根据公式：；i=1,2,…,n；j=1,2,…,l；；j=1,2,…,l；k=1,2,…,m对连接权重进行更新，其中，为网络预测误差；根据公式：；j=1,2,…,l；；k=1,2,…,m更新所述隐含层阈值。
优选的，对所述工艺参数进行数值变换，包括：设定预设变换量，将P中第i个参数按照设定预设变换量进行数值变换，得到。
优选的，根据数值变换后的各工艺参数、所述预测质量合格率，进行数值变换对模型输出结果的影响程度分析，计算得到各工艺参数的影响值，影响值为MIV值，包括：获得第i个输出参数变换前预测质量合格率，变换后的预测质量合格率，通过，计算变动产生的影响值；将按照训练样本数进行平均，通过公式；i=1,2,…,n，计算获得第i个工艺参数的影响值。
另一方面，本申请提供了一种基于MIV-BP的建筑构件质量预测系统，所述系统包括：
数据获取单元，用于对构件生产的数据进行采集，获得构件监测数据，其中，所述构件监测数据包括工艺参数、质量合格率，基于所述工艺参数、质量合格率构建训练样本，并对所述训练样本进行数据预处理；
模型构建训练单元，用于构建BP神经网络模拟模型，将经过数据预处理的所述训练样本带入所述BP神经网络模拟模型中进行训练，直到满足训练终止条件为止，得到质量预测模型；
参数变换单元，用于分别对所述工艺参数进行数值变换；
模型运算单元，用于将数值变换后的工艺参数输入所述质量预测模型中进行运算，获得模型输出结果，其中，模型输出结果为预测质量合格率；
影响值计算单元，用于根据数值变换后的各工艺参数、所述预测质量合格率，进行数值变换对模型输出结果的影响程度分析，计算得到各工艺参数的影响值，影响值为MIV值；
模型优化单元，用于基于MIV绝对值剔除对输出结果影响小的特征参数，对输入参数进行筛选，确定输入工艺参数，将所述输入工艺参数带入所述质量预测模型中进行模型优化，获得优化预测模型，通过所述优化预测模型得到构件质量预测结果。
本申请中提供的技术方案，至少具有如下技术效果：
本申请提供了一种基于MIV-BP的建筑构件质量预测方法及系统，利用MIV可以在神经网络中反映参数权重的变化情况，来对BP网络神经模拟模型的输入参数进行筛选，选取对模型影响程度大的变量，从而减少构建模型所需的输入参数，增加模型的训练精度。现有的BP神经网络预测方法，当所有的特征参量都参与神经网络的构建时，就会大幅度增加了网络的训练时间和复杂度，本发明提出一种用平均影响值法与BP神经网络相结合的预测模型，更加准确的将工艺参数进行筛选，将输入参数对输出结果的影响进行计算排序，去除掉模型中对输出结果影响较小的输入参数，从而精简模型，构建出关键工序工艺参数和成品质量之间的模拟模型，更准确更简便的预测出各类构件的质量合格率。解决现有技术中对于建筑构件的合格率缺乏精准的评估预测手段，无法保证建筑构件的质量，从而使建筑施工存在安全或质量隐患的技术问题。同时避免了传统BP神经网络模型在利用梯度下降法进行构建训练时，当所有特征参量都参与构建时，造成增加网络训练时间和复杂度的问题。
附图说明
图1为本申请实施例的一种基于MIV-BP的建筑构件质量预测方法的流程示意图；
图2为本申请实施例的一种基于MIV-BP的建筑构件质量预测方法中得到质量预测模型的流程示意图；
图3为本申请实施例的一种基于MIV-BP的建筑构件质量预测方法中BP神经网络模拟模型的示意图；
图4为本申请实施例的一种基于MIV-BP的建筑构件质量预测系统的结构示意图。
具体实施方式
本申请通过提供了一种基于MIV-BP的建筑构件质量预测方法及系统，用以解决现有技术中对于建筑构件的合格率缺乏精准的评估预测手段，无法保证建筑构件的质量，从而使建筑施工存在安全或质量隐患的技术问题。
下面结合具体的实施例进行本发明方案的详细介绍。
实施例一
如图1所示，本申请实施例提供了一种基于MIV-BP的建筑构件质量预测方法，所述方法包括：
S1：对构件生产的数据进行采集，获得构件监测数据，其中，所述构件监测数据包括工艺参数、质量合格率，基于所述工艺参数、质量合格率构建训练样本，并对所述训练样本进行数据预处理。
进一步的，对所述训练样本进行数据预处理，包括：通过公式：，对所述训练样本进行标准化归一转换，其中，样本最小值、样本最大值。
具体的，首先针对建筑构件进行数据采集预处理，采集构件生产过程中的监测数据，监测数据包括工艺参数、质量合格率，其中工艺参数包括影响构件质量的代表性工艺参数、影响构件质量的关键性指标，代表性工艺参数、关键性指标可选的通过历史数据进行评估或通过专家确定等。将影响构件质量的工艺参数、及对应的质量合格率作为训练样本，由于试验中，各参数有不同的物理量，且数值差别较大，数据不具有可对比性，对模型的收敛可靠性、收敛速度会造成影响，因此本实施例对收集到的需要进行模型训练的训练样本进行数据预处理，利用标准化归一转换函数对训练样本进行标准化归一转换，其中X即为样本数据，为通过标准化归一转换后的数据。
S2：构建BP神经网络模拟模型，将经过数据预处理的所述训练样本带入所述BP神经网络模拟模型中进行训练，直到满足训练终止条件为止，得到质量预测模型。
进一步的，构建BP神经网络模拟模型，将经过数据预处理的所述训练样本带入所述BP神经网络模拟模型中进行训练，直到满足训练终止条件为止，得到质量预测模型，请参考图2的训练流程示意图，包括：
(a):将n个输入参数共m个训练样本中的所有输入参数用P标记，输入参数对应的输出参数用A标记；
(b):初始化BP神经网络模拟模型，确定输入层、隐含层、输出层结构，其中，工艺参数、质量合格率作为输出参数，采用公式：确定隐含层神经元数量，其中，n为隐含层的节点数、m为输入层的节点数、l为输出层的节点数、a为[0,10]之间的常数；
(c)：根据隐含层节点数、输入层隐含层之间的连接权值、隐含层阈值对输入的训练样本，通过正切S型传递函数进行处理，得到隐含层的输出；
(d):隐含层的输出到输出层，通过线性传递函数进行计算，获得模型预测输出；
(e):通过模型预测输出与期望输出计算网络预测误差；
(f):判断所述网络预测误差是否达到精度要求，当不满足时，基于所述网络预测误差对连接权重进行更新、隐含层阈值进行更新，利用更新后的连接权重、隐含层阈值循环执行(c)-(f)，直到满足所述精度要求为止，或达到最大循环次数为止。
具体的，请参考图2，构建BP神经网络模拟模型，将经过数据预处理的所述训练样本带入所述BP神经网络模拟模型中进行训练，直到满足训练终止条件为止，得到质量预测模型包括以下子步骤：
输入参数：将ｎ个输入参数，共ｍ个训练样本中的所有输入参数用Ｐ进行标记，其所对应的输出参数用Ａ进行标记。 。
BP神经网络的初始化：请参考图3所示，构建神经网络确定输入层、隐含层和输出层结构，设置BP网络初始化连接权重阈值，使用BP算法的三层神经网络模型在理论上可以任意精度逼近任意非线性函数。因而本申请实施例使用三层BP神经网络模型，工艺参数作为输入，判断质量的关键因素作为输出，采用经验公式确定隐藏层神经元的数量。
隐含层的输出计算：根据隐含层节点数，输入层隐含层之间的连接权值，隐含层的阈值等对输入数据进行处理，输入层到隐含层函数传递采用正切S型传递函数tansig()函数。进一步的，所述正切S型传递函数计算公式为：；j=1,2,…,l，其中，l为隐含层节点数；为隐含层激励函数；为输入层与隐含层之间的连接权值；为隐含层的阈值；为隐含层的输出。
输出层的输出计算：隐含层到输出层的传递函数为线性传递函数purelin()函数。进一步的，所述线性传递函数计算公式为：；k=1,2,…,m，其中，为连接权值；为阈值；为BP神经网络的预测输出。
计算误差：通过网络预测输出和与期望输出进行误差值的计算，将网络预测输出即模型输出的预测结果和期望输出结果相减，可选的期望输出为训练样本中采集到的已知质量合格率，质量合格率即为建筑构件生产中的产品质量合格比率，计算误差公式：；k=1,2,…,m，其中，为网络预测输出、为期望输出、为网络预测误差。
更新误差：基于得到的误差值对权值进行更新，增加网络精度，进一步的，根据公式：；i=1,2,…,n；j=1,2,…,l；；j=1,2,…,l；k=1,2,…,m对连接权重进行更新，其中，为网络预测误差，对连接权重进行更新。
阈值的更新：根据公式：；j=1,2,…,l；；k=1,2,…,m更新所述隐含层阈值。
判断算法是否结束迭代：判断误差是否达到精度要求，达到要求则结束循环；如果未达到要求，则判断是否达到设定的最大循环次数，如达到最大循环次数则结束循环；如果未达到最大循环次数则返回隐含层的输出计算该子步骤进行循环，不断优化，直到达到了精度要求或达到最大循环次数为止。
S3：对所述工艺参数进行数值变换。
进一步的，对所述工艺参数进行数值变换，包括：设定预设变换量，将P中第i个参数按照设定预设变换量进行数值变换，得到。
具体的，通过对工艺参数进行数值的增加或者缩小变换，利用变换后的工艺参数通过模型进行运算，根据输出的结果来判断该工艺参数对于质量合格率的影响程度。预设变换量即为进行数值变换的幅度设定值，举例而言，增加或缩小10%，将P中的第i个参数进行数值变换，使其增加或缩小10%，变换后的工艺参数如下：
S4：将数值变换后的工艺参数输入所述质量预测模型中进行运算，获得模型输出结果，其中，模型输出结果为预测质量合格率。
具体而言，将工艺参数经过数值变换后的中的数据作为新的样本通过已构建的BP神经网络模拟模型进行预测，将预测结果记为。
S5：根据数值变换后的各工艺参数、所述预测质量合格率，进行数值变换对模型输出结果的影响程度分析，计算得到各工艺参数的影响值，影响值为MIV值。
进一步的，根据数值变换后的各工艺参数、所述预测质量合格率，进行数值变换对模型输出结果的影响程度分析，计算得到各工艺参数的影响值，影响值为MIV值，包括：获得第i个输出参数变换前预测质量合格率，变换后的预测质量合格率，通过，计算变动产生的影响值；将按照训练样本数进行平均，通过公式；i=1,2,…,n，计算获得第i个工艺参数的影响值。
具体的，计算不同参数的影响值。参数变换前预测质量合格率，变换后的预测质量合格率，对两者做差计算，结果即表示第i个输出的参数如果进行变动对输出结果产生的影响变化值。将按照训练样本数进行平均，其值的大小即为第i个参数的平均影响值，计算公式为：，则为第i个参数的MIV值。
S6：基于MIV绝对值剔除对输出结果影响小的特征参数，对输入参数进行筛选，确定输入工艺参数，将所述输入工艺参数带入所述质量预测模型中进行模型优化，获得优化预测模型，通过所述优化预测模型得到构件质量预测结果。
具体的，利用MIV绝对值的大小对输入参数进行排序，其排列顺序代表各输入参数对输出参数相关性的重要程度，根据相关性的重要程度，剔除对输出结果影响较小的特征参数，从而实现输入参数的筛选，利用筛选的影响程度较大的特征参数重新进入模型进行训练优化从而形成新的优化预测模型，达到提高计算效率的效果。可选的，进行参数筛选时按照特征参数的数量和MIV值进行综合设定筛选数量，或按经验数据分析确定设置MIV筛选阈值。
综上，本申请实施例提供的一种基于MIV-BP的建筑构件质量预测方法，利用MIV可以在神经网络中反映参数权重的变化情况，来对BP网络神经模拟模型的输入参数进行筛选，选取对模型影响程度大的变量，从而减少构建模型所需的输入参数，增加模型的训练精度。现有的BP神经网络预测方法，当所有的特征参量都参与神经网络的构建时，就会大幅度增加了网络的训练时间和复杂度，本发明提出一种用平均影响值法与BP神经网络相结合的预测模型，更加准确的将工艺参数进行筛选，将输入参数对输出结果的影响进行计算排序，去除掉模型中对输出结果影响较小的输入参数，从而精简模型，构建出关键工序工艺参数和成品质量之间的模拟模型，更准确更简便的预测出各类构件的质量合格率。从而避免了传统BP神经网络模型在利用梯度下降法进行构建训练时，当所有特征参量都参与构建时，造成增加网络训练时间和复杂度的问题。达到对输入参数的筛选，弥补了BP神经网络在输入特征参量增多时模型的复杂度，提高了模型的训练效率，精简模型，构建出关键工序工艺参数和成品质量之间的模拟模型，更准确更简便的预测出各类构件的质量合格率，从而确保建筑施工质量的技术效果。
实施例二
基于与前述实施例中一种基于MIV-BP的建筑构件质量预测方法相同的发明构思，本申请实施例提供了一种基于MIV-BP的建筑构件质量预测系统，如图4所示，所述系统包括：
数据获取单元，用于对构件生产的数据进行采集，获得构件监测数据，其中，所述构件监测数据包括工艺参数、质量合格率，基于所述工艺参数、质量合格率构建训练样本，并对所述训练样本进行数据预处理；
模型构建训练单元，用于构建BP神经网络模拟模型，将经过数据预处理的所述训练样本带入所述BP神经网络模拟模型中进行训练，直到满足训练终止条件为止，得到质量预测模型；
参数变换单元，用于分别对所述工艺参数进行数值变换；
模型运算单元，用于将数值变换后的工艺参数输入所述质量预测模型中进行运算，获得模型输出结果，其中，模型输出结果为预测质量合格率；
影响值计算单元，用于根据数值变换后的各工艺参数、所述预测质量合格率，进行数值变换对模型输出结果的影响程度分析，计算得到各工艺参数的影响值，影响值为MIV值；
模型优化单元，用于基于MIV绝对值剔除对输出结果影响小的特征参数，对输入参数进行筛选，确定输入工艺参数，将所述输入工艺参数带入所述质量预测模型中进行模型优化，获得优化预测模型，通过所述优化预测模型得到构件质量预测结果。
进一步的，所述数据获取单元还用于：
通过公式：，对所述训练样本进行标准化归一转换，其中，样本最小值、样本最大值。
进一步的，所述模型构建训练单元还用于：
(a):将n个输入参数共m个训练样本中的所有输入参数用P标记，输入参数对应的输出参数用A标记；
(b):初始化BP神经网络模拟模型，确定输入层、隐含层、输出层结构，其中，工艺参数作为输入参数、质量合格率作为输出参数，采用公式：确定隐含层神经元数量，其中，n为隐含层的节点数、m为输入层的节点数、l为输出层的节点数、a为[0,10]之间的常数；
(c)：根据隐含层节点数、输入层隐含层之间的连接权值、隐含层阈值对输入的训练样本，通过正切S型传递函数进行处理，得到隐含层的输出；
(d):隐含层的输出到输出层，通过线性传递函数进行计算，获得模型预测输出；
(e):通过模型预测输出与期望输出计算网络预测误差；
(f):判断所述网络预测误差是否达到精度要求，当不满足时，基于所述网络预测误差对连接权重进行更新、隐含层阈值进行更新，利用更新后的连接权重、隐含层阈值循环执行(c)-(f)，直到满足所述精度要求为止，或达到最大循环次数为止。
进一步的，所述正切S型传递函数计算公式为：；j=1,2,…,l，其中，l为隐含层节点数；为隐含层激励函数；为输入层与隐含层之间的连接权值；为隐含层的阈值；为隐含层的输出。
进一步的，所述线性传递函数计算公式为：；k=1,2,…,m，其中，为连接权值；为阈值；为BP神经网络的预测输出。
进一步的，所述模型构建训练单元还用于：
根据公式：；i=1,2,…,n；j=1,2,…,l；；j=1,2,…,l；k=1,2,…,m对连接权重进行更新，其中，为网络预测误差；
根据公式：；j=1,2,…,l；；k=1,2,…,m更新所述隐含层阈值。
进一步的，所述参数变换单元还用于：设定预设变换量，将P中第i个参数按照设定预设变换量进行数值变换，得到。
进一步的，所述影响值计算单元还用于：
获得第i个输出参数变换前预测质量合格率，变换后的预测质量合格率，通过，计算变动产生的影响值；
将按照训练样本数进行平均，通过公式；i=1,2,…,n，计算获得第i个工艺参数的影响值。
本申请实施例提供的一种基于MIV-BP的建筑构件质量预测系统可实现实施例一的一种基于MIV-BP的建筑构件质量预测方法的任一过程，请参照实施例一的详细内容，在此不再赘述。
本说明书和附图仅仅是本申请的示例性说明，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (9)

1.一种基于MIV-BP的建筑构件质量预测方法，其特征在于，包括：
对构件生产的数据进行采集，获得构件监测数据，其中，所述构件监测数据包括工艺参数、质量合格率，基于所述工艺参数、质量合格率构建训练样本，并对所述训练样本进行数据预处理；
构建BP神经网络模拟模型，将经过数据预处理的所述训练样本带入所述BP神经网络模拟模型中进行训练，直到满足训练终止条件为止，得到质量预测模型；
对所述工艺参数进行数值变换；
将数值变换后的工艺参数输入所述质量预测模型中进行运算，获得模型输出结果，其中，模型输出结果为预测质量合格率；
根据数值变换后的各工艺参数、所述预测质量合格率，进行数值变换对模型输出结果的影响程度分析，计算得到各工艺参数的影响值，影响值为MIV值；
基于MIV绝对值剔除对输出结果影响小的特征参数，对输入参数进行筛选，确定输入工艺参数，将所述输入工艺参数带入所述质量预测模型中进行模型优化，获得优化预测模型，通过所述优化预测模型得到构件质量预测结果。
2.如权利要求1所述的方法，其特征在于，对所述训练样本进行数据预处理，包括：
通过公式： ，对所述训练样本进行标准化归一转换，其中，样本最小值、样本最大值。
3.如权利要求1所述的方法，其特征在于，构建BP神经网络模拟模型，将经过数据预处理的所述训练样本带入所述BP神经网络模拟模型中进行训练，直到满足训练终止条件为止，得到质量预测模型，包括：
(a):将n个输入参数共m个训练样本中的所有输入参数用P标记，输入参数对应的输出参数用A标记；
(b):初始化BP神经网络模拟模型，确定输入层、隐含层、输出层结构，其中，工艺参数作为输入参数、质量合格率作为输出参数，采用公式： 确定隐含层神经元数量，其中，n为隐含层的节点数、m为输入层的节点数、l为输出层的节点数、a为[0,10]之间的常数；
(c)：根据隐含层节点数、输入层隐含层之间的连接权值、隐含层阈值对输入的训练样本，通过正切S型传递函数进行处理，得到隐含层的输出；
(d):隐含层的输出到输出层，通过线性传递函数进行计算，获得模型预测输出；
(e):通过模型预测输出与期望输出计算网络预测误差；
(f):判断所述网络预测误差是否达到精度要求，当不满足时，基于所述网络预测误差对连接权重进行更新、隐含层阈值进行更新，利用更新后的连接权重、隐含层阈值循环执行(c)-(f)，直到满足所述精度要求为止，或达到最大循环次数为止。
4.如权利要求3所述的方法，其特征在于，所述正切S型传递函数计算公式为： ；j=1,2,…,l，其中，l为隐含层节点数；为隐含层激励函数；为输入层与隐含层之间的连接权值；为隐含层的阈值；为隐含层的输出。
5.如权利要求3所述的方法，其特征在于，所述线性传递函数计算公式为：；k=1,2,…,m，其中，为连接权值；为阈值；为BP神经网络的预测输出。
6.如权利要求3所述的方法，其特征在于，基于所述网络预测误差对连接权重进行更新、隐含层阈值进行更新，包括：
根据公式：；i=1,2,…,n；j=1,2,…,l；
；j=1,2,…,l；k=1,2,…,m对连接权重进行更新，其中，为网络预测误差；
根据公式：；j=1,2,…,l；；k=1,2,…,m更新所述隐含层阈值。
7.如权利要求3所述的方法，其特征在于，对所述工艺参数进行数值变换，包括：
设定预设变换量，将P中第i个参数按照设定预设变换量进行数值变换，得到。
8.如权利要求7所述的方法，其特征在于，根据数值变换后的各工艺参数、所述预测质量合格率，进行数值变换对模型输出结果的影响程度分析，计算得到各工艺参数的影响值，影响值为MIV值，包括：
获得第i个输出参数变换前预测质量合格率，变换后的预测质量合格率，通过，计算变动产生的影响值；
将按照训练样本数进行平均，通过公式；i=1,2,…,n，计算获得第i个工艺参数的影响值。
9.一种基于MIV-BP的建筑构件质量预测系统，其特征在于，所述系统包括：
数据获取单元，用于对构件生产的数据进行采集，获得构件监测数据，其中，所述构件监测数据包括工艺参数、质量合格率，基于所述工艺参数、质量合格率构建训练样本，并对所述训练样本进行数据预处理；
模型构建训练单元，用于构建BP神经网络模拟模型，将经过数据预处理的所述训练样本带入所述BP神经网络模拟模型中进行训练，直到满足训练终止条件为止，得到质量预测模型；
参数变换单元，用于分别对所述工艺参数进行数值变换；
模型运算单元，用于将数值变换后的工艺参数输入所述质量预测模型中进行运算，获得模型输出结果，其中，模型输出结果为预测质量合格率；
影响值计算单元，用于根据数值变换后的各工艺参数、所述预测质量合格率，进行数值变换对模型输出结果的影响程度分析，计算得到各工艺参数的影响值，影响值为MIV值；
模型优化单元，用于基于MIV绝对值剔除对输出结果影响小的特征参数，对输入参数进行筛选，确定输入工艺参数，将所述输入工艺参数带入所述质量预测模型中进行模型优化，获得优化预测模型，通过所述优化预测模型得到构件质量预测结果。
CN202310394300.1A 2023-04-13 2023-04-13 一种基于miv-bp的建筑构件质量预测方法及系统 Pending CN116128165A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310394300.1A CN116128165A (zh) 2023-04-13 2023-04-13 一种基于miv-bp的建筑构件质量预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310394300.1A CN116128165A (zh) 2023-04-13 2023-04-13 一种基于miv-bp的建筑构件质量预测方法及系统

Publications (1)

Publication Number Publication Date
CN116128165A true CN116128165A (zh) 2023-05-16

Family

ID=86306614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310394300.1A Pending CN116128165A (zh) 2023-04-13 2023-04-13 一种基于miv-bp的建筑构件质量预测方法及系统

Country Status (1)

Country Link
CN (1) CN116128165A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117723594A (zh) * 2024-02-09 2024-03-19 深圳大学 一种基于miv-bp模型的保温建筑构件的检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105925750A (zh) * 2016-05-13 2016-09-07 南阳理工学院 一种基于神经网络的炼钢终点预测方法
CN110363344A (zh) * 2019-07-11 2019-10-22 安徽理工大学 基于miv-gp算法优化bp神经网络的概率积分参数预测方法
CN113449474A (zh) * 2021-07-05 2021-09-28 南京工业大学 一种基于改进灰狼算法优化bp神经网络的管材成形质量预测方法
CN113515891A (zh) * 2021-06-04 2021-10-19 浙江永联民爆器材有限公司 一种乳化炸药质量预测和优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105925750A (zh) * 2016-05-13 2016-09-07 南阳理工学院 一种基于神经网络的炼钢终点预测方法
CN110363344A (zh) * 2019-07-11 2019-10-22 安徽理工大学 基于miv-gp算法优化bp神经网络的概率积分参数预测方法
CN113515891A (zh) * 2021-06-04 2021-10-19 浙江永联民爆器材有限公司 一种乳化炸药质量预测和优化方法
CN113449474A (zh) * 2021-07-05 2021-09-28 南京工业大学 一种基于改进灰狼算法优化bp神经网络的管材成形质量预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
张学功: "普通高等教育双一流建设经济学类专业数字化精品教材 MATLAB与量化投资", 华中科学技术大学出版社, pages: 278 - 280 *
张鲁滨 等: "基于BP神经网络和MIV算法的注塑件工艺参数优化研究", 塑料科技, vol. 46, no. 12, pages 94 - 99 *
谢玉婷;张华;鄢威;张辉;: "基于神经网络与食物链算法的工艺参数的优化", 电焊机, no. 08, pages 189 - 194 *
顾瑶媛;谢红;吴旭波;: "基于MIV特征筛选和BP神经网络的三维人体参数转换", 上海工程技术大学学报, no. 04, pages 361 - 364 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117723594A (zh) * 2024-02-09 2024-03-19 深圳大学 一种基于miv-bp模型的保温建筑构件的检测方法
CN117723594B (zh) * 2024-02-09 2024-05-24 深圳大学 一种基于miv-bp模型的保温建筑构件的检测方法

Similar Documents

Publication Publication Date Title
CN110083125B (zh) 一种基于深度学习的机床热误差建模方法
CN110569566B (zh) 一种板带力学性能预测方法
CN110824915B (zh) 基于ga-dbn网络的废水处理智能监控方法及系统
CN116128165A (zh) 一种基于miv-bp的建筑构件质量预测方法及系统
CN112989711B (zh) 基于半监督集成学习的金霉素发酵过程软测量建模方法
CN114290503B (zh) T梁蒸汽养生发生器功率控制方法及其装置
CN110222825B (zh) 一种水泥成品比表面积预测方法及系统
CN115495991A (zh) 一种基于时间卷积网络的降水区间预测方法
CN112434890A (zh) 基于CEEMDAN-BiLSTM的隧道沉降时间序列的预测方法
CN115965110A (zh) 面向产业园区的企业用能画像及碳排放精准测算方法
CN115982141A (zh) 一种针对时序数据预测的特征优化方法
CN113554302A (zh) 一种基于mes智能制造的生产管理方法及系统
CN115948964A (zh) 一种基于ga-bp神经网络的路面平整度预测方法
CN108563201B (zh) 一种dmaic驱动的小批量零件加工工艺过程质量改进方法
CN114548494A (zh) 一种可视化造价数据预测智能分析系统
CN113151842B (zh) 风光互补电解水制氢的转化效率的确定方法和确定装置
CN109920489A (zh) 一种基于Lasso-CCF-CNN的加氢裂化模型及建立方法
CN113705897A (zh) 一种面向工业铜箔生产的产品质量预测方法及系统
Newton Development of an integrated decision-support model for density management within jack pine stand-types
Knyziak Estimating the technical deterioration of large-panel residential buildings using artificial neural networks
CN106529680A (zh) 一种基于经验模态分解的多尺度极限学习机集成建模方法
CN110909492A (zh) 一种基于极端梯度提升算法的污水处理过程软测量方法
CN116703644A (zh) 一种基于Attention-RNN的短期电力负荷预测方法
CN115526114B (zh) 基于集合卡尔曼滤波法的水力裂缝形态反演方法及系统
CN116306832A (zh) 一种用于多维序列数据的多模生成对抗神经网络建模方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20230516

RJ01 Rejection of invention patent application after publication