CN116542502A - 基于卷积神经网络的建筑物施工周期优化系统及方法 - Google Patents

Abstract

本发明公开了基于卷积神经网络的建筑物施工周期优化系统及方法，涉及建筑物施工周期优化系领域，解决了现有技术在进行施工周期优化时，需要进行大量的数据处理，而且无法合理确定施工周期优化的时机，导致施工周期优化速度和准确性不能兼顾的技术问题；本发明基于基准参考速度来确定是否需要进行施工周期优化；进而将实时速度折线图和预设速度折线图进行对比来确定待优化施工周期以及优化值；在保证施工周期优化准确性的同时降低了数据处理量，进而提高了施工周期优化速度；本发明通过对比实时速度折线图和预设速度折线图可以确定待优化施工周期以及优化幅度，提高施工周期优化的精准性，使建筑施工的周期更加合理化，从而保证施工的有效进行。

Description

基于卷积神经网络的建筑物施工周期优化系统及方法

技术领域

本发明涉及建筑物施工周期优化领域，尤其涉及基于卷积神经网络的建筑物施工周期优化系统及方法。

背景技术

建筑周期的分析与管理是建筑工程造价和建筑工程施工的重要基础，因此，为了保障建筑工程造价的科学性和贴合性以及建筑施工过程的顺畅性，需要对建筑工程的周期进行分析和管理。

现有的建筑周期的分析与管理主要是基于对建筑工程各子项目施工过程的施工质量进行分析与管理，并且分析与管理的内容具有分散性，各子项目对应的施工信息具有孤岛效应，由此可见，现有的建筑周期的分析与管理方法还存在一定的弊端，一方面，现有的建筑周期的分析与管理方法无法实现建筑工程信息的共享化、可视化和可调化，一方面，现有的建筑周期的分析与管理方法无法实现对建筑工程的施工周期进行精准优化，另一方面，现有的建筑周期的分析与管理方法无法有效的提高建筑工程造价的科学性和贴合性以及建筑施工过程的顺畅性。

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，本发明提出了基于卷积神经网络的建筑物施工周期优化系统及方法，用于解决现有技术在进行施工周期优化时，需要进行大量的数据处理，而且无法合理确定施工周期优化的时机，导致施工周期优化速度和准确性不能兼顾的技术问题。

为实现上述目的，本发明的第一方面提供了基于卷积神经网络的建筑物施工周期优化系统，包括人工智能判断单元，以及与之相连接的施工信息集合单元和人机交互控制界面；且施工信息集合单元与目标施工流程上的不同施工进度表相连接；

施工信息集合单元：在目标施工流程正常实施过程中，通过与之相连接的施工进度表采集各建筑工地施工周期的单位时间施工进程信息，并传输至人工智能判断单元；

人工智能判断单元：利用卷积神经网络算法单元获取目标施工流程的基准参考速度，通过根据工程项目管理信息确定实时施工速度，将基准参考速度和实时施工速度进行对比确定是否需要进行施工周期优化；需要优化，则采集各建筑工地施工周期的单位时间施工进程信息，不需要优化，则按照施工进度表进行继续施工；以及

根据单位时间施工进程信息计算获取各建筑工地施工周期单位时间的施工周期建筑速度；对不同施工周期建筑速度绘制实时速度折线图，将实时速度折线图与预设速度折线图进行对比分析确定优化的建筑工地施工周期；其中，预设速度折线图利用卷积神经网络算法单元获取。

进一步地，所述人工智能判断单元分别与施工信息集合单元和人机交互控制界面通信连接；且所述人机交互控制界面包括显示屏交互端；

所述施工信息集合单元与不同目标施工流程上的所述施工进度表通信连接；且所述施工进度表匹配各建筑工地施工周期的不同施工阶段。

进一步地，所述人工智能判断单元利用卷积神经网络算法单元匹配获取目标施工流程的所述基准参考速度，并利用所述基准参考速度判断是否需要进行施工周期优化，包括：

连接所述卷积神经网络算法单元，并从中计算出标准施工流程单位时间内的最佳建筑速度；其中，目标施工流程与标准施工流程资金相同或者包含的建筑工地施工周期相同；

获取不同所述最佳建筑速度的施工阶段性速度平均值，记为基准参考速度；获取所述目标施工流程的最佳建筑速度，记为实时施工速度；其中，施工阶段性速度平均值包括施工材料到位速度或工人施工速度；

当所述实时施工速度慢于所述基准参考速度时，则判定需要对所述目标施工流程进行施工周期优化；否则，判定不需要对所述目标施工流程进行施工周期优化。

进一步地，在确定需要对所述目标施工流程进行施工周期优化时，则通过设置在所述目标施工流程上的所述施工进度表采集获取所述单位时间施工进程信息；以及

对所述单位时间施工进程信息进行筛选之后传输至所述人工智能判断单元；其中，单位时间施工进程信息包括施工资金流转数据和工序完成数据。

进一步地，所述人工智能判断单元从所述单位时间施工进程信息中提取各建筑工地施工周期对应的所述施工周期建筑速度，并基于不同所述施工周期建筑速度绘制所述实时速度折线图，包括：

从所述单位时间施工进程信息中提取各建筑工地施工周期的工序完成数据，利用所述工序完成数据计算出各建筑工地施工周期在单位时间内的所述施工周期建筑速度；

对不同所述施工周期建筑速度按照施工时间建立自变量，以施工周期建筑速度为因变量拟合绘制所述实时速度折线图。

进一步地，所述人工智能判断单元基于不同标准施工流程在达到最佳建筑速度时对应的单位时间施工进程信息获取所述预设速度折线图，包括：

利用所述最佳建筑速度从不同所述标准施工流程中择优选择至少一个标准施工流程，并将对应的单位时间施工进程信息标记为预设施工进程信息；

从所述预设施工进程信息中获取各建筑工地施工周期的施工周期建筑速度，并标记为预设建筑速度；对不同所述预设建筑速度按照单位时间绘制横坐标，获取所述预设速度折线图。

进一步地，所述人工智能判断单元对比所述实时速度折线图和所述预设速度折线图，根据对比结果对各建筑工地施工周期进行优化，包括：

对比所述实时速度折线图和所述预设速度折线图，确定两种折线图横纵坐标完全相同部分对应的建筑工地施工周期，并标记为待优化施工周期；

根据所述实时速度折线图和所述预设速度折线图确定待优化施工周期的建筑速度误差；在施工资金流转数据内调整待优化施工周期的工序完成数据，以缩小建筑速度误差。

本发明的第二方面提供了基于卷积神经网络的建筑物施工周期优化系统的实施方法，包括：

利用卷积神经网络算法单元中记录的各标准施工流程以及对应的最佳建筑速度，基于不同最佳建筑速度的施工阶段性速度平均值获取基准参考速度；

获取目标施工流程的实时施工速度；将实时施工速度和基准参考速度进行对比确定是否对目标施工流程进行施工周期优化；需要优化，则进行下一步；不需要优化，则按照施工进度表进行继续施工；

根据采集的单位时间施工进程信息计算获取各建筑工地施工周期的施工周期建筑速度，进而获取实时速度折线图；对比实时速度折线图与预设速度折线图确定并优化建筑工地施工周期。

本发明有益效果如下：

本发明先根据标准施工流程确定基准参考速度，基于基准参考速度来确定是否需要进行施工周期优化；通过分析目标施工流程的单位时间施工进程信息来获取不同施工周期建筑速度，进而整理获取实时速度折线图；将实时速度折线图和通过标准施工流程获取的预设速度折线图进行对比来确定待优化施工周期以及优化值；在保证施工周期优化准确性的同时降低了数据处理量，进而提高了施工周期优化速度。本发明通过对比实时速度折线图和预设速度折线图不仅可以确定哪些建筑工地施工周期需要调整，而且可以确定调整幅度，加快了施工周期优化的进程；且在目标施工流程完成施工周期之后，还可以将相关数据上传至卷积神经网络算法单元来调整标准施工流程，有助于提高施工周期优化的精准性，使建筑施工的周期更加合理化，从而保证施工的有效进行。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的系统单元组成示意图；

图2为本发明的系统运行流程示意图。

具体实施方式

下面将结合实施例对本发明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它实施例，都属于本发明保护的范围。

如图1所示，本发明第一方面实施例提供了基于卷积神经网络的建筑物施工周期优化系统，包括人工智能判断单元，以及与之相连接的施工信息集合单元和人机交互控制界面；且施工信息集合单元与目标施工流程上的不同施工进度表相连接；

施工信息集合单元：在目标施工流程正常实施过程中，通过与之相连接的施工进度表采集各建筑工地施工周期的单位时间施工进程信息，并传输至人工智能判断单元；

人工智能判断单元：利用卷积神经网络算法单元获取目标施工流程的基准参考速度，通过根据工程项目管理信息确定实时施工速度，将基准参考速度和实时施工速度进行对比确定是否需要进行施工周期优化；需要优化，则采集各建筑工地施工周期的单位时间施工进程信息，不需要优化，则按照施工进度表进行继续施工；以及

根据单位时间施工进程信息计算获取各建筑工地施工周期单位时间的施工周期建筑速度；对不同施工周期建筑速度绘制实时速度折线图，将实时速度折线图与预设速度折线图进行对比分析确定优化的建筑工地施工周期；其中，预设速度折线图利用卷积神经网络算法单元获取。

现有技术中的施工周期优化主要是对施工周期的各项参数进行优化，一般通过对比施工周期的工序完成数据与最佳实施参数进行对比调整，但是这种方式仅对单一施工周期优化有效，当多个施工周期需要协同实施时则效果不佳；还可以根据施工周期的最优参数的组合建立粒子群模型，通过粒子群模型在构建的搜索空间中进行搜索以完成多个施工周期的优化，这种方式需要进行大量的数据准备工作，影响施工周期优化的速度和准确性。

本发明申请先根据标准施工流程确定基准参考速度，基于基准参考速度来确定是否需要进行施工周期优化；通过分析目标施工流程的单位时间施工进程信息来获取不同施工周期建筑速度，进而整理获取实时速度折线图；将实时速度折线图和通过标准施工流程获取的预设速度折线图进行对比来确定待优化施工周期以及优化值；在保证施工周期优化准确性的同时降低了数据处理量，进而提高了施工周期优化速度。

本发明申请中人工智能判断单元分别与施工信息集合单元和人机交互控制界面通信连接；且人机交互控制界面包括显示屏交互端；施工信息集合单元与不同目标施工流程上的施工进度表通信连接；且施工进度表匹配各建筑工地施工周期的不同施工阶段。

人工智能判断单元主要进行数据处理，与施工信息集合单元和人机交互控制界面进行数据交互。人机交互控制界面用于展示施工周期优化过程，并将优化建议展示给工作人员。施工信息集合单元主要用于采集目标施工流程的单位时间施工进程信息，与施工进度表和人工智能判断单元进行数据交互。需要说明的是，施工进度表包括摄像头、速度传感器等，可以设置在建筑工地施工周期旁边，必要时可以安装在建筑工地施工周期内部。

卷积神经网络算法单元中主要存储有不同标准施工流程以及对应的各项施工进程信息，各项施工进程信息包括最佳建筑速度状态下各施工周期的工序完成数据。且卷积神经网络算法单元中的相关数据会进行及时更新，以保证卷积神经网络算法单元的可靠性。可以理解的是，当目标施工流程的各建筑工地施工周期被优化之后，以及达到最佳建筑速度之后，也可以将目标施工流程以及相关数据上传到卷积神经网络算法单元中作为标准施工流程。

本发明申请中人工智能判断单元利用卷积神经网络算法单元匹配获取目标施工流程的基准参考速度，并基于基准参考速度判断是否需要进行施工周期优化，包括：

连接卷积神经网络算法单元，并从中计算出标准施工流程单位时间内的最佳建筑速度；获取不同最佳建筑速度的施工阶段性速度平均值，记为基准参考速度；获取目标施工流程的最佳建筑速度，记为实时施工速度；当实时施工速度慢于基准参考速度时，则判定需要对目标施工流程进行施工周期优化；否则，判定不需要对目标施工流程进行施工周期优化。

连接卷积神经网络算法单元之后，从中获取不同标准施工流程对应的最佳建筑速度，基于各最佳建筑速度的分布特征确定基准参考速度，若目标施工流程的实时施工速度慢于基准参考速度时则可以理解为目标施工流程的整体建筑速度低于平均水平，或者不是最优状态，此刻即需要进行施工周期优化。

举例说明：假设五条标准施工流程在一天中的最佳建筑速度分别为A，B，C，C，C，取工人施工速度作为施工阶段性速度平均值，则基准参考速度为C；若目标施工流程的实时施工速度为D，则说明该目标施工流程没有达到最优状态，则进行施工周期优化。

目标施工流程与标准施工流程资金相同或者包含的建筑工地施工周期相同，一般认为目标施工流程和标准施工流程是完全相同的，即一个建筑的不同施工流程，卷积神经网络算法单元也可以立即为厂家建立的数据服务平台。需要理解的是，在获取不同标准施工流程的最佳建筑速度之后，应使用合理的施工阶段性速度平均值来确定基准参考速度，避免极端值对基准参考速度合理性的影响。

本发明申请在确定需要对目标施工流程进行施工周期优化时，则通过设置在目标施工流程上的施工进度表采集获取单位时间施工进程信息；以及对单位时间施工进程信息进行筛选之后传输至人工智能判断单元。

这里面提到的对单位时间施工进程信息进行筛选主要是去除异常值。单位时间施工进程信息包括施工资金流转数据和工序完成数据。标准实施限值是建筑工地施工周期运转的极限值，如转速极限值；而工序完成数据则是目标施工流程在实施过程中的实际参数，如实际转速值。工序完成数据应该在实施限值的范围之内，不然则判定施工进度表或者建筑工地施工周期异常，并及时进行预警。

本发明申请中人工智能判断单元从单位时间施工进程信息中提取各建筑工地施工周期对应的施工周期建筑速度，并基于不同施工周期建筑速度获取实时速度折线图，包括：

从单位时间施工进程信息中提取各建筑工地施工周期的工序完成数据，基于工序完成数据计算出各建筑工地施工周期在单位时间内的施工周期建筑速度；对不同施工周期建筑速度按照施工时间建立自变量，以施工周期建筑速度为因变量拟合获取实时速度折线图。

对目标施工流程进行划分获取不同建筑工地施工周期，这里面的建筑工地施工周期最好是实施参数可自动化调节的施工周期，以便于通过人工智能判断单元实现施工周期的自动优化。通过工序完成数据计算出各建筑工地施工周期的施工周期建筑速度，从大到小排序之后进行编号，进而拟合获取实时速度折线图。需要理解的是，同一施工流程上建筑工地施工周期的施工周期建筑速度存在线性或者非线性关系。

本发明申请中人工智能判断单元基于不同标准施工流程在达到最佳建筑速度时对应的单位时间施工进程信息获取预设速度折线图，包括：

基于最佳建筑速度从不同标准施工流程中择优选择至少一个标准施工流程，并将对应的单位时间施工进程信息标记为预设施工进程信息；从预设施工进程信息中获取各建筑工地施工周期的施工周期建筑速度，并标记为预设建筑速度；对不同预设建筑速度按照单位时间绘制横坐标，获取预设速度折线图。

为了提高目标施工流程整体的建筑速度，需要为其施工周期优化提供数据参考，即从卷积神经网络算法单元中合理选择一个最佳建筑速度(一般优于目标施工流程的实时施工速度)，将其对应的单位时间施工进程信息标记为预设施工进程信息，则可以对应获取预设速度折线图。

值得注意的是，通过合理选择预设施工进程信息，不仅可以提高目标施工流程各建筑工地施工周期的实施速度，而且可以在必要的情况下合理降低目标施工流程各建筑工地施工周期的实施速度；这种调整方式适合需要随时调整目标施工流程的场景。

本发明申请中人工智能判断单元对比实时速度折线图和预设速度折线图，根据对比结果对各建筑工地施工周期进行优化，包括：

对比实时速度折线图和预设速度折线图，确定两种折线图横纵坐标完全相同部分对应的建筑工地施工周期，并标记为待优化施工周期；根据实时速度折线图和预设速度折线图确定待优化施工周期的建筑速度误差；在施工资金流转数据内调整待优化施工周期的工序完成数据，以缩小建筑速度误差。

在对比实时速度折线图和预设速度折线图时，先确定二者哪些位置没有重合，通过这些位置的编号可以确定对应的建筑工地施工周期，则这些建筑工地施工周期即为待优化施工周期。而具体需要对待优化施工周期进行什么程度的调整，则根据两条折线图之间的误差。如二者误差为W，则说明对应建筑工地施工周期的施工周期建筑速度离最优差W，则在施工资金流转数据范围内对调整建筑工地施工周期的工序完成数据即可。

如图2所示，本发明第二方面实施例提供了基于卷积神经网络的建筑物施工周期优化系统，包括：

步骤A1、利用卷积神经网络算法单元中记录的各标准施工流程以及对应的最佳建筑速度，基于不同最佳建筑速度的施工阶段性速度平均值获取基准参考速度；

步骤A2、获取目标施工流程的实时施工速度；将实时施工速度和基准参考速度进行对比确定是否对目标施工流程进行施工周期优化；需要优化，则进行下一步；不需要优化，则按照施工进度表进行继续施工；

步骤A3、根据采集的单位时间施工进程信息计算获取各建筑工地施工周期的施工周期建筑速度，进而获取实时速度折线图；对比实时速度折线图与预设速度折线图确定并优化建筑工地施工周期。

本发明的工作原理：

利用卷积神经网络算法单元中记录的各标准施工流程以及对应的最佳建筑速度，基于不同最佳建筑速度的施工阶段性速度平均值获取基准参考速度。

获取目标施工流程的实时施工速度；将实时施工速度和基准参考速度进行对比确定是否对目标施工流程进行施工周期优化；需要优化，则进行下一步；不需要优化，则按照施工进度表进行继续施工。

根据采集的单位时间施工进程信息计算获取各建筑工地施工周期的施工周期建筑速度，进而获取实时速度折线图；对比实时速度折线图与预设速度折线图确定并优化建筑工地施工周期。

以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (8)

1.基于卷积神经网络的建筑物施工周期优化系统，其特征在于：该系统包括人工智能判断单元，施工信息集合单元、人机交互控制界面、目标施工流程上的不同施工进度表；

所述施工信息集合单元，用于在目标施工流程正常实施过程中，通过与之相连接的施工进度表采集各建筑工地施工周期的单位时间施工进程信息，并传输至人工智能判断单元；

所述人工智能判断单元，用于利用卷积神经网络算法单元获取目标施工流程的基准参考速度，通过根据工程项目管理信息确定实时施工速度，将基准参考速度和实时施工速度进行对比确定是否需要进行施工周期优化；需要优化，则采集各建筑工地施工周期的单位时间施工进程信息，不需要优化，则按照施工进度表进行继续施工；以及根据单位时间施工进程信息计算获取各建筑工地施工周期单位时间的施工周期建筑速度；对不同施工周期建筑速度绘制实时速度折线图，将实时速度折线图与预设速度折线图进行对比分析确定优化的建筑工地施工周期；其中，预设速度折线图利用卷积神经网络算法单元获取。

2.根据权利要求1所述的基于卷积神经网络的建筑物施工周期优化系统，其特征在于，所述人工智能判断单元分别与施工信息集合单元和人机交互控制界面通信连接；且所述人机交互控制界面包括显示屏交互端；

所述施工信息集合单元与不同目标施工流程上的所述施工进度表通信连接；且所述施工进度表匹配各建筑工地施工周期的不同施工阶段。

3.根据权利要求1所述的基于卷积神经网络的建筑物施工周期优化系统，其特征在于，所述人工智能判断单元利用卷积神经网络算法单元匹配获取目标施工流程的所述基准参考速度，并利用所述基准参考速度判断是否需要进行施工周期优化，包括：

连接所述卷积神经网络算法单元，并从中计算出标准施工流程单位时间内的最佳建筑速度；其中，目标施工流程与标准施工流程资金相同或者包含的建筑工地施工周期相同；

获取不同所述最佳建筑速度的施工阶段性速度平均值，记为基准参考速度；获取所述目标施工流程的最佳建筑速度，记为实时施工速度；其中，施工阶段性速度平均值包括施工材料到位速度或工人施工速度；

当所述实时施工速度慢于所述基准参考速度时，则判定需要对所述目标施工流程进行施工周期优化；否则，判定不需要对所述目标施工流程进行施工周期优化。

4.根据权利要求3所述的基于卷积神经网络的建筑物施工周期优化系统，其特征在于，在确定需要对所述目标施工流程进行施工周期优化时，则通过设置在所述目标施工流程上的所述施工进度表采集获取所述单位时间施工进程信息；以及对所述单位时间施工进程信息进行筛选之后传输至所述人工智能判断单元；其中，单位时间施工进程信息包括施工资金流转数据和工序完成数据。

5.根据权利要求4所述的基于卷积神经网络的建筑物施工周期优化系统，其特征在于，所述人工智能判断单元从所述单位时间施工进程信息中提取各建筑工地施工周期对应的所述施工周期建筑速度，并基于不同所述施工周期建筑速度绘制所述实时速度折线图，包括：

从所述单位时间施工进程信息中提取各建筑工地施工周期的工序完成数据，利用所述工序完成数据计算出各建筑工地施工周期在单位时间内的所述施工周期建筑速度。

6.根据权利要求5所述的基于卷积神经网络的建筑物施工周期优化系统，其特征在于，所述人工智能判断单元基于不同标准施工流程在达到最佳建筑速度时对应的单位时间施工进程信息获取所述预设速度折线图，包括：

利用所述最佳建筑速度从不同所述标准施工流程中选择至少一个标准施工流程，并将对应的单位时间施工进程信息标记为预设施工进程信息；

从所述预设施工进程信息中获取各建筑工地施工周期的施工周期建筑速度，并标记为预设建筑速度；对不同所述预设建筑速度按照单位时间绘制横坐标，获取所述预设速度折线图。

7.根据权利要求6所述的基于卷积神经网络的建筑物施工周期优化系统，其特征在于，所述人工智能判断单元对比所述实时速度折线图和所述预设速度折线图，根据对比结果对各建筑工地施工周期进行优化，包括：

对比所述实时速度折线图和所述预设速度折线图，确定两种折线图横纵坐标完全相同部分对应的建筑工地施工周期，并标记为待优化施工周期；

根据所述实时速度折线图和所述预设速度折线图确定待优化施工周期的建筑速度误差；在施工资金流转数据内调整待优化施工周期的工序完成数据，以缩小建筑速度误差。

8.基于权利要求1至7任意一项所述的基于卷积神经网络的建筑物施工周期优化系统的实施方法，其特征在于，包括：

步骤A1、利用卷积神经网络算法单元中记录的各标准施工流程以及对应的最佳建筑速度，基于不同最佳建筑速度的施工阶段性速度平均值获取基准参考速度；

步骤A2、获取目标施工流程的实时施工速度；将实时施工速度和基准参考速度进行对比确定是否对目标施工流程进行施工周期优化；需要优化，则进行下一步；不需要优化，则按照施工进度表进行继续施工；

步骤A3、根据采集的单位时间施工进程信息计算获取各建筑工地施工周期的施工周期建筑速度，进而获取实时速度折线图；对比实时速度折线图与预设速度折线图确定并优化建筑工地施工周期。