CN116306062A - 建设工程智能监测方法、系统、装置和存储介质 - Google Patents
建设工程智能监测方法、系统、装置和存储介质 Download PDFInfo
- Publication number
- CN116306062A CN116306062A CN202211089311.0A CN202211089311A CN116306062A CN 116306062 A CN116306062 A CN 116306062A CN 202211089311 A CN202211089311 A CN 202211089311A CN 116306062 A CN116306062 A CN 116306062A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- data
- model
- power exponent
- construction engineering
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 232
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000010276 construction Methods 0.000 title claims abstract description 56
- 238000004458 analytical method Methods 0.000 claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims abstract description 45
- 238000012806 monitoring device Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 abstract description 4
- 230000009471 action Effects 0.000 abstract description 2
- 230000008030 elimination Effects 0.000 abstract 1
- 238000003379 elimination reaction Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种建设工程智能监测方法、系统、装置和存储介质,可应用于监测技术领域。本发明方法通过建设工程的理论模型和多尺度有限元分析模型构建包含第一次幂指数关系的数据参数集矩阵,同时根据选取的监测参数确定监测点,并将所有监测点组成包括第二次幂指数关系的监测点参数矩阵,接着通过第一次幂指数关系和第二次幂指数关系,结合历史监测数据训练初始模型后得到全局监测预测模型,然后通过全局监测预测模型预测与实时监测数据的采集时间点对应的预测数据,根据实时监测数据与预测数据控制报警状态,从而可以实现动态响应的监测过程,并且无需对数据剔除,即能快速完成数据监测报警的响应动作,有效提高分析的准确度。
Description
技术领域
本发明涉及监测技术领域,尤其是一种建设工程智能监测方法、系统、装置和存储介质。
背景技术
相关技术中,基于人工智能的数据分析方法对各类工程监测数据进行分析时,采用数据的静态特性进行分析,从而无法达到动态分析效果;并且,当前的数据异常处理方法通过数学统计法、模型法或者人工智能算法在已有监测数据中直接剔除异常数据,这种剔除方式,可能将真实的危险数据剔除,从而使得分析过程忽略了险情引起的数据变化。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出种建设工程智能监测方法、系统、装置和存储介质,能够有效地进行动态分析,并提高分析准确度。
第一方面,本发明实施例提供了一种建设工程智能监测方法,包括以下步骤:
构建所述建设工程的理论模型和多尺度有限元分析模型;
根据所述理论模型和所述多尺度有限元分析模型构建数据参数集矩阵,所述数据参数集矩阵内的各个参数之间存在第一次幂指数关系;
根据选取的监测参数确定监测点,并将所有监测点组成监测点参数矩阵,所述监测点参数矩阵内的监测点存在第二次幂指数关系;
通过所述第一次幂指数关系和所述第二次幂指数关系,结合历史监测数据训练初始模型,得到全局监测预测模型,所述初始模型包括卷积神经网络模型和长短时记忆网络模型;
获取所述监测点的实时监测数据;
通过所述全局监测预测模型预测与所述实时监测数据的采集时间点对应的预测数据;
根据所述实时监测数据与所述预测数据控制报警状态。
在一些实施例中,所述根据所述理论模型和所述多尺度有限元分析模型构建数据参数集矩阵,包括:
通过理论模型和所述多尺度有限元分析模型对不同阶段的结构受理状态进行分类,得到不同状态下的参数分析结果数据;
获取所述参数分析结果数据的次幂指数;
根据所述参数分析结果数据和所述次幂指数构建数据参数集矩阵。
在一些实施例中,所述根据所述理论模型和所述多尺度有限元分析模型构建数据参数集矩阵,还包括:
分析所述数据参数集矩阵内各个所述分析结果数据的关联程度,得到各个参数之间存在第一次幂指数关系。
在一些实施例中,所述通过所述第一次幂指数关系和所述第二次幂指数关系,结合历史监测数据训练初始模型,得到全局监测预测模型,包括:
获取多个监测点的历史监测数据;
对所述历史监测数据进行归一化处理后表征为向量形式,得到输入向量序列;
将所述输入向量序列、所述第一次幂指数关系和所述第二次幂指数关系输入所述初始模型,建立多监测参数和多监测点之间的内在关系;
根据所述内在关系确定全局监测预测模型。
在一些实施例中,所述根据所述实时监测数据与所述预测数据控制报警状态,包括:
当所有所述实时监测数据与所述预测数据差的绝对值均小于等于第一阈值且所有所述实时监测数据均小于等于第二阈值,确定所述报警状态为空闲状态。
在一些实施例中,在执行所述根据所述实时监测数据与所述预测数据控制报警状态这一步骤时,所述方法还包括以下步骤:
获取所述实时监测数据的关联参数;
根据所述关联参数控制报警状态。
在一些实施例中,所述控制报警状态,包括:
确定干扰因素未排除且所述关联参数的异常幅度持续增加,控制所述报警状态为工作状态。
第二方面,本发明实施例提供了一种建设工程智能监测系统,包括:
第一构建模块,用于构建所述建设工程的理论模型和多尺度有限元分析模型;
第二构建模块,用于根据所述理论模型和所述多尺度有限元分析模型构建数据参数集矩阵,所述数据参数集矩阵内的各个参数之间存在第一次幂指数关系;
确定模块,用于根据选取的监测参数确定监测点,并将所有监测点组成监测点参数矩阵,所述监测点参数矩阵内的监测点存在第二次幂指数关系;
训练模块,用于通过所述第一次幂指数关系和所述第二次幂指数关系,结合历史监测数据训练初始模型,得到全局监测预测模型,所述初始模型包括卷积神经网络模型和长短时记忆网络模型;
获取模块,用于获取所述监测点的实时监测数据;
预测模块,用于通过所述全局监测预测模型预测与所述实时监测数据的采集时间点对应的预测数据;
报警模块,用于根据所述实时监测数据与所述预测数据控制报警状态。
第三方面,本发明实施例提供了一种建设工程智能监测装置,包括:
至少一个存储器,用于存储程序;
至少一个处理器,用于加载所述程序以执行上述的建设工程智能监测方法。
第四方面,本发明实施例提供了一种存储介质,其中存储有计算机可执行的程序,所述计算机可执行的程序被处理器执行时用于实现上述的建设工程智能监测方法。
本发明实施例提供的一种建设工程智能监测方法,具有如下有益效果:
本实施例通过构建建设工程的理论模型和多尺度有限元分析模型后,基于理论模型和所述多尺度有限元分析模型构建包含第一次幂指数关系的数据参数集矩阵,同时根据选取的监测参数确定监测点,并将所有监测点组成包括第二次幂指数关系的监测点参数矩阵,接着通过第一次幂指数关系和第二次幂指数关系,结合历史监测数据训练初始模型后得到全局监测预测模型,然后通过全局监测预测模型预测与实时监测数据的采集时间点对应的预测数据,根据实时监测数据与预测数据控制报警状态;本实施例通过参数次幂指数关系和监测点次幂指数关系来实现动态响应的监测过程,并且无需对数据剔除,即能快速完成数据监测报警的响应动作,有效提高分析的准确度。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
下面结合附图和实施例对本发明做进一步的说明,其中:
图1为本发明实施例一种建设工程智能监测方法的流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个以上,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
本发明的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
相关技术中,建设工程设计方法、施工技术和管理经验缺乏,且建设和运营过程中的不确定因素众多,使得建设工程全寿命周期都具有安全风险,近年来建设工程安全事故层出不穷,引起重大的经济损失。为准确掌握建设工程安全隐患,智能监测方法得到了快速发展,但是智能监测的数据量大,因不确定因素较多经常出现异常数据,而当前尚未建立完善的数据评价方法与预警模型。传统异常数据的判别方法有数学统计法、数学模型法等,但传统方法具有忽略了时序数据的特点、计算复杂等缺陷。随着人工智能技术的逐渐兴起,灰色模型、时间序列模型、支持向量机模型、BP神经网络和LSTM神经网络等监测数据处理方法得到迅速发展,为各类工程监测数据分析提供了丰富的技术手段。尽管目前基于人工智能的数据分析方法取得一定的研究成果,但传统的方法无法挖掘时序监测数据的非线性和动态特性。最为关键的是,当前的数据异常处理方法通过数学统计法、模型法或者人工智能算法在已有监测数据中直接剔除异常数据,并没有对实时监测数据进行有效分析,无法起到实时预报警的作用,已有的判别方法用在实时数据处理中很容易将真实的危险数据剔除,以致忽略险情引起的数据变化。
基于此,本申请实施例通过找出各分析参数任意次幂指数之间的相关系数,实现多关联参数监测,提高监测系统冗余度,避免安全隐患漏报;建立基于深度学习的建设工程结构安全状态评价方法,运用人工智能算法建立多参数间的内在关系,结合理论限值和基于深度学习的3σ准则分析预测值与实测值的差来判断数据是否异常,不同于以往直接删除异常值的做法,考虑局部与整体的关系,实现监测数据实时评价、智能预测、自动预报警,建立完善的安全预警模型,避免险情误报。
下面结合附图对本申请实施例进行详细阐述:
参照图1,本发明实施例提供了一种建设工程智能监测方法,本实施例可应用于监测平台的处理器,也可以应用于服务器。以应用于服务器为例,本实施例的方法包括单不限于以下步骤:
步骤S110、构建建设工程的理论模型和多尺度有限元分析模型;
步骤S120、根据理论模型和所述多尺度有限元分析模型构建数据参数集矩阵;其中,数据参数集矩阵内的各个参数之间存在第一次幂指数关系;
步骤S130、根据选取的监测参数确定监测点,并将所有监测点组成监测点参数矩阵;其中,监测点参数矩阵内的监测点存在第二次幂指数关系;
步骤S140、通过第一次幂指数关系和第二次幂指数关系,结合历史监测数据训练初始模型,得到全局监测预测模型;其中,初始模型包括卷积神经网络模型和长短时记忆网络模型;
步骤S150、获取监测点的实时监测数据;
步骤S160、通过全局监测预测模型预测与实时监测数据的采集时间点对应的预测数据;
步骤S170、根据实时监测数据与预测数据控制报警状态。
在本实施例中,其分析过程包括有限元分析、结构特征分析、数据关联分析、多监测参数选取、监测仪器选取、监测仪器布置、监测数据传输、监测数据分析、深度学习、监测数据综合评价、预警处理等各个分析过程。可以理解的是,本实施例是根据建设工程特点分析结构特征,结合有限元分析结果确定多监测参数;依据监测参数选取监测仪器,并进行优化布置,以节约监测成本;以无线方式实现数据传输,对监测数据进行实时分析,运用人工智能算法建立多参数间的内在关系,对数据处理结果综合评价,最终预警模块决定是否报警处理。
在本实施例中,步骤根据理论模型和多尺度有限元分析模型构建数据参数集矩阵,可以是通过理论模型和多尺度有限元分析模型对不同阶段的结构受理状态进行分类,得到不同状态下的参数分析结果数据,接着获取参数分析结果数据的次幂指数,再根据参数分析结果数据和次幂指数构建数据参数集矩阵。在得到数据参数集矩阵后,本实施例还通过分析数据参数集矩阵内各个分析结果数据的关联程度,以得到各个参数之间存在的次幂指数关系作为第一次幂指数关系。具体地,第一次幂指数关系用于表征参数之间关联程度。一般监测方案选取两个以上的关联监测参数,使得在一个孤立的传感器失效后,其他传感器仍能正常工作,从而提高监测过程的冗余度和可靠度,有效减少安全隐患漏报情况的发生次数。可以理解的是,建设工程结构的整体采用宏观有限元模型,关键构件采用精细化微观模型,多尺度有限元模型需对不同阶段的结构受力状态进行分析,进而确定结构与构件的受力和变形,得到不同分析状态下的结果数据,如结构挠度、应力、梁体倾斜、柱墩倾角等参数分析结果。基于此构造数据参数集矩阵其中n为分析参数的个数,考虑到参数之间高次幂非线性特点,u为次幂指数(可取1~10),其中u可由理论计算推导结果作为参考值。通过公式(1)所示的皮尔逊相关系数ρX,Y分析各参数之间的关联程度,即相关性系数,具体如表1所示:
表1
在表1中,ρ(xi,yi)为矩阵C中任意两个子矩阵的相关系数,取值在[-1,1]之间,越接近于±1意味着参数X和Y的“正”或“负”线性相关性越强,一般相关系数大于0.6,可认为参数相关性强。例如,参数C1任意次幂指数和Cn任意次幂指数的相关系数ρ(1i,ni)大于0.6,则认为和/>存在相关性,二者的次幂指数关系为(i-j),若i-j=0,则二者为线性强相关,否则为非线性相关,其余以此类推。
根据结构特征,选取反映结构受力和变形特点的特征参数,并根据上述理论分析和有限元分析确定基础沉降、梁体挠度、应力、柱墩倾角等参数的理论限值PmL和PmU,PmL、PmU分别表示参数m的变化报警负限值和正限值,对于只有负限值或正限值中一个报警值的参数,只设置一个即可,为监测系统预报警值设定提供基础数据。可以理解的是,PmL、PmU要根据不同的工序和工程阶段及时更新,以免出错。一般监测方案选取两个以上的关联监测参数,并标记参数之间的次幂指数关系(表征参数之间是线性或者非线性关系),该次幂指数关系作为第一次幂指数关系,第一次幂指数关系用于表示即使一个孤立的传感器失效后其它传感器仍能正常,监测系统的冗余度和可靠度较高,可有效避免安全隐患漏报。
在本实施中,对于多个监测点的第二次幂指数关系,本实施例依据所选监测参数选取无线监测仪器,如沉降监测仪、倾角仪、表面式应力计等。为降低传感器数量和成本,针对同一个参数不同测点,将备选测点的有限元分析结果或测试数据进行深度加工。构造测点参数集矩阵,其中n为备选测点的个数,考虑到测点之间可能存在高次幂非线性特点,u为次幂指数(可取1~10)。进而通过皮尔逊相关系数ρX,Y分析各测点数据之间的关联程度及其次幂指数,将该次幂指数关系作为第二次幂指数关系。一般两个测点参数任意次幂指数之间的相关系数大于0.6,可认为测点相关性强,具体做法参考表1。相关性强的测点无需过多布置,一般2~4个即可,在节约监测成本的同时能够反映结构受力和变形特点。
在本实施例中,随着施工进度,安装监测仪器,采用无线方式发送监测数据至服务器,并在服务器中根据第一次幂指数关系、第二次幂指数关系,建立多监测参数、多测点间的内在关系,并采用人工智能算法对监测数据实时处理、分析与评价。在实际设置过程中,对于相关性较强的监测点,可以减少监测点数量,例如布设2-4个即可,以在节约监测成本的同时能够反映结构受力和变形特点。
具体地,本实施例先对包括卷积神经网络模型和长短时记忆网络模型的初始模型进行训练,以得到全局监测预测模型。其中,本实施例通过获取多个监测点的历史监测数据,并对历史监测数据进行归一化处理后表征为向量形式,得到输入向量序列,再将输入向量序列、第一次幂指数关系和第二次幂指数关系输入初始模型,建立多监测参数和多监测点之间的内在关系,根据内在关系确定全局监测预测模型。示例性地,包括但不限于以下步骤:
步骤一、根据一段时间内多个监测点的历史监测数据,建立监测数据集。利用CNN-LSTM模型建立一组监测数据的表征向量。该处理过程主要是重建模型输入,以便在编码端学习输入的表示;
步骤二、将采集到历史监测数据作为输入X=(x1,x2,K,xn),然后对历史监测数据进行归一化处理并表征成向量形式。令Xt∈RM和ht∈RD分别表示在t时刻的输入向量和隐藏向量,则隐藏向量ht将同时与于当前时刻的输入向量Xt和前一时刻的隐藏向量ht-1有关,zt=Uht-1+Wxt+b,ht=f(zt)。其中zt表示在隐藏层中的净输入,U∈RD×D和W∈RD×M分别表示为权重矩阵和输入矩阵,b∈RD和f(zt)则分别代表偏置向量和激活函数。
步骤三、先采用卷积神经网络模型(CNN)获取子序列的数据特征,挖掘局部数据间的内在关系,然后将数据特征信息递交给长短时记忆网络模型(LSTM),然后利用LSTM建立起全局监测数据的时间序列预测模型。具体是将采集到的数据集转化为有监督学习问题,神经网络算法把监测数据的表征向量投影到隐藏空间;使得神经网络算法能够同时学习向量表示和决策曲面的算法,可以将隐藏层视为学习表征的投影(表示学习),将输出层视为学习决策函数,经过不断的迭代训练,直至模型收敛;最后通过公式(2)的交叉熵公式表示神经网络算法模型训练过程当中的对数损失函数,在逻辑回归中数值服从伯努利分布(0-1分布),取值在(0,1)区间:
步骤四、利用联合训练的方法,将监测到的多种参数、多个测点数据作为输入,通过训练和学习,即可建立多监测参数、多测点间的内在关系,并与第一次幂指数关系、第二次幂指数关系进行动态比较。在结构正常安全的条件下,如果发现实测训练结果与理论结果出现偏差,则需要分析原因,通过调整分析参数、边界假设等方式更新有限元模型,以达到有限元模型和实际结构更为接近。
在本实施例中,在控制报警状态时,当所有实时监测数据与预测数据差的绝对值均小于等于第一阈值3σ且所有所述实时监测数据均小于等于第二阈值PmL或PmU,确定报警状态为空闲状态。示例性地,若所有实时监测参数经过实时监测数据与预测数据比对,满足则可以确定数据变化速率较慢,同时不超出了理论限值PmL或PmU,则所有数据均无异常,无需预报警。若某个疑似监测数据值Xmi符合公式(3)所示的准则:
在本实施例中,在执行根据所述实时监测数据与所述预测数据控制报警状态步骤时,本实施例还可以通过获取实时监测数据的关联参数,根据所述关联参数控制报警状态。具体地,可以根据第一次幂指数关系和第二次幂指数关系,查看关联的其他参数或传感器是否异常或超出限值,以及相邻周边的关联传感器的监测值是否异常,如果工程结构出现险情势必也会引起其它传感器异常。若关联参数无异常,则险情排除,该监测数据可以作为异常值剔除,并以预测值代替此异常值。若关联参数也出现异常,则发出网页和手机险情预报。如果有条件安装施工现场监控设备,若无条件安排派人工巡查,及时现场反馈信息,掌握现场情况,例如施工期间扰动可能会引起监测仪器读数异常。
并且,当存在施工与其它条件干扰时,待干扰因素结束后,持续观察监测异常值是否恢复正常,若异常值不恢复或当没有施工与其它条件干扰时,则结构出现险情,发出报警信息,并进一步采取安全应对措施。基于多个监测参数,结合局部与整体的关系,一步步排查险情,实现监测数据实时多角度综合评价,建立完善的安全预报警模型,避免安全隐患误报,引起不必要的恐慌和经济损失。
此外,本实施例在确定干扰因素未排除且关联参数的异常幅度持续增加,控制报警状态为工作状态。在得到检测数据和报警处理数据后,本实施例还可以根据工程实际需要,输出阶段检测报告。
本发明实施例提供了一种建设工程智能监测系统,包括:
第一构建模块,用于构建所述建设工程的理论模型和多尺度有限元分析模型;
第二构建模块,用于根据所述理论模型和所述多尺度有限元分析模型构建数据参数集矩阵,所述数据参数集矩阵内的各个参数之间存在第一次幂指数关系;
确定模块,用于根据选取的监测参数确定监测点,并将所有监测点组成监测点参数矩阵,所述监测点参数矩阵内的监测点存在第二次幂指数关系;
训练模块,用于通过所述第一次幂指数关系和所述第二次幂指数关系,结合历史监测数据训练初始模型,得到全局监测预测模型,所述初始模型包括卷积神经网络模型和长短时记忆网络模型;
获取模块,用于获取所述监测点的实时监测数据;
预测模块,用于通过所述全局监测预测模型预测与所述实时监测数据的采集时间点对应的预测数据;
报警模块,用于根据所述实时监测数据与所述预测数据控制报警状态。
本发明方法实施例的内容均适用于本系统实施例,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例提供了一种建设工程智能监测装置,包括:
至少一个存储器,用于存储程序;
至少一个处理器,用于加载所述程序以执行上述的建设工程智能监测方法。
本发明方法实施例的内容均适用于本装置实施例,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例提供了一种存储介质,其中存储有计算机可执行的程序,所述计算机可执行的程序被处理器执行时用于实现上述的建设工程智能监测方法。
本发明方法实施例的内容均适用于本存储介质实施例,本存储介质实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法达到的有益效果也相同。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。此外,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
Claims (10)
1.一种建设工程智能监测方法,其特征在于,包括以下步骤:
构建所述建设工程的理论模型和多尺度有限元分析模型;
根据所述理论模型和所述多尺度有限元分析模型构建数据参数集矩阵,所述数据参数集矩阵内的各个参数之间存在第一次幂指数关系;
根据选取的监测参数确定监测点,并将所有监测点组成监测点参数矩阵,所述监测点参数矩阵内的监测点存在第二次幂指数关系;
通过所述第一次幂指数关系和所述第二次幂指数关系,结合历史监测数据训练初始模型,得到全局监测预测模型,所述初始模型包括卷积神经网络模型和长短时记忆网络模型;
获取所述监测点的实时监测数据;
通过所述全局监测预测模型预测与所述实时监测数据的采集时间点对应的预测数据;
根据所述实时监测数据与所述预测数据控制报警状态。
2.根据权利要求1所述的一种建设工程智能监测方法,其特征在于,所述根据所述理论模型和所述多尺度有限元分析模型构建数据参数集矩阵,包括:
通过理论模型和所述多尺度有限元分析模型对不同阶段的结构受理状态进行分类,得到不同状态下的参数分析结果数据;
获取所述参数分析结果数据的次幂指数;
根据所述参数分析结果数据和所述次幂指数构建数据参数集矩阵。
3.根据权利要求2所述的一种建设工程智能监测方法,其特征在于,所述根据所述理论模型和所述多尺度有限元分析模型构建数据参数集矩阵,还包括:
分析所述数据参数集矩阵内各个所述分析结果数据的关联程度,得到各个参数之间存在第一次幂指数关系。
4.根据权利要求1所述的一种建设工程智能监测方法,其特征在于,所述通过所述第一次幂指数关系和所述第二次幂指数关系,结合历史监测数据训练初始模型,得到全局监测预测模型,包括:
获取多个监测点的历史监测数据;
对所述历史监测数据进行归一化处理后表征为向量形式,得到输入向量序列;
将所述输入向量序列、所述第一次幂指数关系和所述第二次幂指数关系输入所述初始模型,建立多监测参数和多监测点之间的内在关系;
根据所述内在关系确定全局监测预测模型。
5.根据权利要求1所述的一种建设工程智能监测方法,其特征在于,所述根据所述实时监测数据与所述预测数据控制报警状态,包括:
当所有所述实时监测数据与所述预测数据差的绝对值均小于等于第一阈值且所有所述实时监测数据均小于等于第二阈值,确定所述报警状态为空闲状态。
6.根据权利要求5所述的一种建设工程智能监测方法,其特征在于,在执行所述根据所述实时监测数据与所述预测数据控制报警状态这一步骤时,所述方法还包括以下步骤:
获取所述实时监测数据的关联参数;
根据所述关联参数控制报警状态。
7.根据权利要求6所述的一种建设工程智能监测方法,其特征在于,所述控制报警状态,包括:
确定干扰因素未排除且所述关联参数的异常幅度持续增加,控制所述报警状态为工作状态。
8.一种建设工程智能监测系统,其特征在于,包括:
第一构建模块,用于构建所述建设工程的理论模型和多尺度有限元分析模型;
第二构建模块,用于根据所述理论模型和所述多尺度有限元分析模型构建数据参数集矩阵,所述数据参数集矩阵内的各个参数之间存在第一次幂指数关系;
确定模块,用于根据选取的监测参数确定监测点,并将所有监测点组成监测点参数矩阵,所述监测点参数矩阵内的监测点存在第二次幂指数关系;
训练模块,用于通过所述第一次幂指数关系和所述第二次幂指数关系,结合历史监测数据训练初始模型,得到全局监测预测模型,所述初始模型包括卷积神经网络模型和长短时记忆网络模型;
获取模块,用于获取所述监测点的实时监测数据;
预测模块,用于通过所述全局监测预测模型预测与所述实时监测数据的采集时间点对应的预测数据;
报警模块,用于根据所述实时监测数据与所述预测数据控制报警状态。
9.一种建设工程智能监测装置,其特征在于,包括:
至少一个存储器,用于存储程序;
至少一个处理器,用于加载所述程序以执行如权利要求1-7任一项所述的建设工程智能监测方法。
10.一种存储介质,其特征在于,其中存储有计算机可执行的程序,所述计算机可执行的程序被处理器执行时用于实现如权利要求1-7任一项所述的建设工程智能监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211089311.0A CN116306062A (zh) | 2022-09-07 | 2022-09-07 | 建设工程智能监测方法、系统、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211089311.0A CN116306062A (zh) | 2022-09-07 | 2022-09-07 | 建设工程智能监测方法、系统、装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116306062A true CN116306062A (zh) | 2023-06-23 |
Family
ID=86824422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211089311.0A Pending CN116306062A (zh) | 2022-09-07 | 2022-09-07 | 建设工程智能监测方法、系统、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116306062A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116991108A (zh) * | 2023-09-25 | 2023-11-03 | 四川公路桥梁建设集团有限公司 | 一种架桥机智慧管控方法、系统、装置及存储介质 |
CN117992803A (zh) * | 2024-04-03 | 2024-05-07 | 江西千策信息工程有限公司 | 一种基于钢结构健康的多尺度结合监测方法及系统 |
-
2022
- 2022-09-07 CN CN202211089311.0A patent/CN116306062A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116991108A (zh) * | 2023-09-25 | 2023-11-03 | 四川公路桥梁建设集团有限公司 | 一种架桥机智慧管控方法、系统、装置及存储介质 |
CN116991108B (zh) * | 2023-09-25 | 2023-12-12 | 四川公路桥梁建设集团有限公司 | 一种架桥机智慧管控方法、系统、装置及存储介质 |
CN117992803A (zh) * | 2024-04-03 | 2024-05-07 | 江西千策信息工程有限公司 | 一种基于钢结构健康的多尺度结合监测方法及系统 |
CN117992803B (zh) * | 2024-04-03 | 2024-06-11 | 江西千策信息工程有限公司 | 一种基于钢结构健康的多尺度结合监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
CN116306062A (zh) | 建设工程智能监测方法、系统、装置和存储介质 | |
CN109086804B (zh) | 一种基于多源状态监测信息和可靠性特征融合的液压设备早期故障预测方法 | |
US7664715B2 (en) | Apparatus and method for compressing data, apparatus and method for analyzing data, and data management system | |
US20060142990A1 (en) | Information processor, state judging unit and diagnostic unit, information processing method, state judging method and diagnosing method | |
CN112785091A (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
CN118095813B (zh) | 基于bim技术的地基沉降的可视化监测方法及系统 | |
CN111191855B (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
CN114692983B (zh) | 一种特种车辆自动换挡预测方法及系统 | |
CN116061690A (zh) | 一种电动汽车充电过程中的安全预警方法及装置 | |
CN116049958A (zh) | 历史建筑结构监测数据异常诊断与修复系统 | |
CN115660513A (zh) | 一种基于水利工程渡槽变形的监测方法及系统 | |
CN118378213A (zh) | 数据质量评估方法、装置、设备、存储介质及产品 | |
CN112507438B (zh) | 边坡岩体变形控制方法、计算机程序产品及可读存储介质 | |
CN114462820A (zh) | 一种轴承状态监测与健康管理系统性能测试及优化方法和系统 | |
CN117312972A (zh) | 一种刮板输送机减速器健康状态识别方法 | |
Gandur et al. | Uncertainty Quantification in the Prediction of Remaining Useful Life Considering Multiple Failure Modes | |
CN118134700A (zh) | 一种桥梁结构综合智能养护决策方法及系统 | |
CN116843080B (zh) | 一种基于机器学习的尿素生产碳元素足迹预测方法及系统 | |
Zhou et al. | Quantification of value of information associated with optimal observation actions within partially observable Markov decision processes | |
CN113807743A (zh) | 一种电网调度自动化软件可靠性评估方法及系统 | |
Ji | Reliability Evaluation and Prediction of Mechanical System Based on Machine Learning Technology | |
CN115907565B (zh) | 引水隧洞结构安全评价方法、装置、电子设备和存储介质 | |
Devi et al. | Machine Learning-Based Approach for Predicting Battery Remaining Useful Life (RUL): A Data-Driven Methodology | |
CN118190074B (zh) | 一种罐区储罐多参数在线监测仪 |
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 |