CN116911700A - 一种基于bim与iot的工程安全与质量监管方法及系统 - Google Patents
一种基于bim与iot的工程安全与质量监管方法及系统 Download PDFInfo
- Publication number
- CN116911700A CN116911700A CN202311183885.9A CN202311183885A CN116911700A CN 116911700 A CN116911700 A CN 116911700A CN 202311183885 A CN202311183885 A CN 202311183885A CN 116911700 A CN116911700 A CN 116911700A
- Authority
- CN
- China
- Prior art keywords
- risk
- data
- bim
- representing
- iot
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000010276 construction Methods 0.000 claims abstract description 52
- 238000012502 risk assessment Methods 0.000 claims abstract description 36
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 230000004044 response Effects 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000004891 communication Methods 0.000 claims abstract description 4
- 230000002068 genetic effect Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 27
- 238000004140 cleaning Methods 0.000 claims description 24
- 230000007613 environmental effect Effects 0.000 claims description 22
- 238000003062 neural network model Methods 0.000 claims description 21
- 238000007405 data analysis Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000007726 management method Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 4
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000013496 data integrity verification Methods 0.000 claims description 3
- 231100000290 environmental risk assessment Toxicity 0.000 claims description 3
- 238000012916 structural analysis Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000013450 outlier detection Methods 0.000 claims description 2
- 238000013459 approach Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于BIM与IOT的工程安全与质量监管方法及系统，涉及工程监管技术领域，包括：部署物联网设备，构建BIM模型，进行融合，启动实时数据监测模式；实时收集施工过程中的数据，通过图神经网络对数据进行智能分析，判断风险点；使用通信网络传输数据，解密收到的数据，进行初步处理；对初步处理的数据进行风险评估，根据评估结果执行响应策略，基于遗传算法优化响应策略执行方案；执行响应措施后，对评估结果进行自适应调整。本发明提供的基于BIM与IOT的工程安全与质量监管方法保证施工安全。提高响应的实时性与准确性，确保信息真实可靠。为决策者提供全方位风险管理视角，有效控制施工风险。
Description
技术领域
本发明涉及工程监管技术领域，具体为一种基于BIM与IOT的工程安全与质量监管方法及系统。
背景技术
现有技术中，BIM和物联网设备的数据整合和标准化存在困难，导致数据的互操作性不佳。本发明致力于提出一种有效的数据整合和标准化方法，确保BIM和物联网设备的数据可以无缝集成和共享。实时监测和预警系统的准确性和可靠性有待提高。本发明旨在提出一种精确且可靠的实时监测和预警方法，结合BIM和物联网技术，实现对工程安全和质量的实时监控和预警。使用物联网设备进行数据收集和传输时存在数据安全和隐私保护的风险。本发明致力于提出一种安全可靠的数据传输和存储方法，确保数据的机密性和完整性，防止数据泄露和未经授权访问。使用BIM和物联网技术进行工程安全与质量监管需要具备较高的技术专业知识和培训。
本发明旨在提出一种用户友好的界面和操作方式，降低使用门槛，使更多的工程人员能够轻松使用该监管系统。综上，本发明旨在解决基于BIM与物联网的物理信息空间融合的工程安全与质量监管方法中存在的数据整合和标准化问题、实时监测与预警准确性问题、数据安全与隐私保护问题以及用户友好性和易用性问题。通过提出相应的技术解决方案，提高工程安全与质量监管的效率和准确性，推动行业的发展和创新。
发明内容
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：现有的工程安全与质量监管方法存在低效、时延长和监管不精确的问题，以及如何提高监管的效率和准确性问题。
为解决上述技术问题，本发明提供如下技术方案：一种基于BIM与IOT的工程安全与质量监管方法，包括：部署物联网设备，构建BIM模型，将物联网设备与BIM模型进行融合，启动实时数据监测模式；启动传感器，实时收集施工过程中的数据，通过图神经网络对数据进行智能分析，判断风险点，进入数据传输模式；使用通信网络传输数据，解密收到的数据，进行初步处理；将初步处理的数据引导至多阶段风险评估模式，对初步处理的数据进行风险评估，若确定存在风险，启动风险多维度响应策略模式；根据评估结果执行响应策略，基于遗传算法优化响应策略执行方案；执行响应措施后，进入持续监控模式，对评估结果进行自适应调整。
作为本发明所述的基于BIM与IOT的工程安全与质量监管方法的一种优选方案，其中：所述物联网设备包括温度、湿度、振动或光照传感器；所述融合包括使用Revit软件建立BIM模型，在BIM模型中添加数据属性字段，所述数据属性字段包括传感器ID、数据类型、位置、预期数据范围及其状态；通过Revit的链接功能，将物联网设备在现实中的位置与BIM模型中的相应位置进行匹配；使Revit中BIM模型与物联网设备通过MQTT协议进行实时通讯，利用Mosquitto进行消息的中转和分发，对于每个物联网设备，设置数据收集和传输的频率，存储从物联网设备收集到的历史数据；
作为本发明所述的基于BIM与IOT的工程安全与质量监管方法的一种优选方案，其中：所述施工过程中的数据包括温度、湿度、振动、光照、材料质量检测数据、工人出入记录以及机械操作状态；所述智能分析包括对温度、湿度、光照数据进行时间序列分析，使用ARIMA模型预测未来的环境条件及其对施工的潜在影响，若预测结果大于预设第一阈值时，标记为潜在环境风险，进行结构分析；所述结构分析包括在环境分析确定存在潜在风险后，使用图神经网络模拟施工结构的变化，输入振动数据、材料质量检测数据，GNN通过考察节点与邻接节点的关系预测风险点，若预测结果大于预设第二阈值时，标记为明确结构风险，进行分析阶段；当结构风险得到确认后，结合工人出入记录和机械操作状态，使用随机森林模型进行风险点预测，考察工人数量、操作时间、机械的工作状态因素，生成操作风险分数，若预测结果大于预设第三阈值时，标记为操作风险；所述判断风险点包括计算综合风险值，划分风险等级。
所述综合风险值表示为：
；
其中，表示风险评估函数，/>表示潜在环境风险评估函数，表示明确结构风险评估函数，/>表示操作风险的预测结果评估函数，/>分别表示潜在环境风险、明确结构风险和操作风险的预测结果，/>是相应风险类别的权重；
所述划分风险等级包括当时，判断为低风险，当时，判断为中等风险，当/>时，判断为高风险，当时，判断为严重风险。
作为本发明所述的基于BIM与IOT的工程安全与质量监管方法的一种优选方案，其中：所述初步处理包括当数据判断为低风险时，进行数据预处理，执行基础清洗，所述基础清洗包括去重、填充缺失值、格式统一，使用伪随机数生成器生成AES密钥，使用AES对称加密技术对数据进行加密，选择TLS1.3协议，并初始化握手过程，确认身份，并传输加密数据，使用相同的AES密钥进行解密，恢复原始数据；当数据判断为中等风险时，进行数据预处理，执行一级清洗，执行所述基础清洗的所有步骤后进行异常值检测，使用IQR方法检测和滤除异常值，使用AES-256位对称加密，生成和管理密钥，选择TLS1.3协议，初始化握手，进行完整性和机密性验证，使用AES密钥进行解密，过MD5校验数据完整性；当数据判断为高风险时，进行数据预处理，执行二级清洗，执行一级清洗的所有步骤后进行数据交叉验证，使用RSA非对称加密技术，生成RSA公钥和私钥，选择TLS1.3协议，开启完整性检查机制，使用RSA私钥进行解密，通过SHA-256校验数据完整性验；当数据判断为严重风险时，进行数据预处理，执行三级清洗，执行二级清洗的所有步骤后进行多数据源交叉验证，使用RSA非对称加密并结合AES混合加密，生成和管理RSA和AES的秘钥，选择TLS1.3协议，多重身份验证机制和多阶段数据完整性校验，使用RSA私钥进行解密后，使用AES密钥进行二次解密，通过HMAC-SHA256验证数据完整性。
作为本发明所述的基于BIM与IOT的工程安全与质量监管方法的一种优选方案，其中：所述风险评估包括运用图神经网络模型进行风险分析，并判断风险点结果进行对比。
所述图神经网络模型表示为：
；
其中，表示节点/>在第/>层的隐藏，/>表示ReLU激活函数，/>表示求和所有邻居节点在第/>层的隐藏，/>表示节点/>的邻居节点集，/>表示第/>层的权重矩阵，/>表示节点/>在第/>层的隐藏，/>表示第/>层的偏置矩阵，/>表示节点/>的特征向量；
所述进行对比表示为：
；
其中，；表示节点/>的综合风险值，/>表示转换矩阵，从节点的隐藏表示得到风险值，/>表示权重系数。
作为本发明所述的基于BIM与IOT的工程安全与质量监管方法的一种优选方案，其中：所述判断风险点结果进行对比包括进行初步风险点识别，对每个施工现场的每个节点计算综合风险值，设置阈值/>，通过比较每个节点的/>和阈值/>，初步确定风险点，若/>，节点标记为潜在风险点，进行宏观风险评估与对比，计算当前施工现场中潜在风险点所占的比例。
所述所占的比例表示为：
；
其中，是指示函数，/>表示施工现场所有的节点集合，/>表示施工现场所有节点的总数。
当时指示函数/>取值为1，否则为0，获取数据集中历史平均风险点比例H，计算风险差异，评估施工现场的风险状况。
所述计算风险差异表示为：
。
作为本发明所述的基于BIM与IOT的工程安全与质量监管方法的一种优选方案，其中：所述执行响应策略包括当单一节点的值超过/>时，系统自动调整图神经网络模型中的权重和偏置参数，利用反向传播算法，根据风险值进行优化，自动增加与所述单一节点相关的IOT设备的数据采集频率；当/>为正值时，动态提高风险阈值/>，图神经网络模型根据新的风险数据调整参数；当/>为负值时：动态降低风险阈值/>，图神经网络模型也会进行调整，减小对风险降低的节点的关注；当/>等于零时，调用/>与IOT技术进行数据采集与分析，图神经网络模型将在现有参数的基础上，引入额外的正则化技术；持续监测风险点和风险差异，并根据收集到的数据定期更新图神经网络模型的参数和风险阈值/>。
本发明的另外一个目的是提供一种基于BIM与IOT的工程安全与质量监管系统，其能通过实时数据收集和分析，解决了监管低效和不精确的问题。
为解决上述技术问题，本发明提供如下技术方案：一种基于BIM与IOT的工程安全与质量监管系统，包括：数据采集模块、数据分析模块、实时报警模块以及控制管理模块；所述数据采集模块用于利用各种传感器和设备在工地上进行实时监控，持续获取数据，整合工程进度、设备运行状态、环境条件，传输到数据分析模块；所述数据分析模块用于对从数据采集模块收集到的数据进行处理，识别出数据中存在的异常模式或者趋势，预测可能出现的问题，结合建筑信息模型，进行数据分析，使数据与具体的工程模型相匹配；所述实时报警模块用于当数据分析模块识别出问题时，实时报警模块立即发出警告，进行报警，确保相关人员能够及时得知；所述控制管理模块用于远程监控实时情况，远程调整设备的运行状态，实现实时的远程控制，将收集和分析的数据以图形、表格形式展现。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述基于BIM与IOT的工程安全与质量监管方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述基于BIM与IOT的工程安全与质量监管方法的步骤。
本发明的有益效果：本发明提供的基于BIM与IOT的工程安全与质量监管方法利用物联网设备实时收集施工现场的各种数据，提前预测潜在问题，从而避免意外情况的发生。通过图神经网络和多种统计模型，智能地分析、识别和评估潜在风险，确保施工现场的安全。根据实时数据和风险评估的结果，自动调整响应策略，确保实时性和准确性。确保了数据的保密性和完整性，从而保障了施工数据和风险评估的真实可靠。通过结合环境风险、结构风险和操作风险的多维度评估，为施工现场提供了一个全面的风险管理视角，有助于决策者更好地管理和降低施工风险。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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它的附图。其中：
图1为本发明一个实施例提供的一种基于BIM与IOT的工程安全与质量监管方法的整体流程图。
图2为本发明第二个实施例提供的一种基于BIM与IOT的工程安全与质量监管系统的结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
参照图1，为本发明的一个实施例，提供了一种基于BIM与IOT的工程安全与质量监管方法，包括：
部署物联网设备，构建BIM模型，将物联网设备与BIM模型进行融合，启动实时数据监测模式。
启动传感器，实时收集施工过程中的数据，通过图神经网络对数据进行智能分析，判断风险点，进入数据传输模式。
使用通信网络传输数据，解密收到的数据，进行初步处理。
将初步处理的数据引导至多阶段风险评估模式，对初步处理的数据进行风险评估，若确定存在风险，启动风险多维度响应策略模式。
根据评估结果执行响应策略，基于遗传算法优化响应策略执行方案。
执行响应措施后，进入持续监控模式，对评估结果进行自适应调整。
物联网设备包括温度、湿度、振动或光照传感器。
融合包括使用Revit软件建立BIM模型，在BIM模型中添加数据属性字段，数据属性字段包括传感器ID、数据类型、位置、预期数据范围及其状态。
通过Revit的链接功能，将物联网设备在现实中的位置与BIM模型中的相应位置进行匹配。
使Revit中BIM模型与物联网设备通过MQTT协议进行实时通讯，利用Mosquitto进行消息的中转和分发，对于每个物联网设备，设置数据收集和传输的频率，存储从物联网设备收集到的历史数据。
施工过程中的数据包括温度、湿度、振动、光照、材料质量检测数据、工人出入记录以及机械操作状态。
智能分析包括对温度、湿度、光照数据进行时间序列分析，使用ARIMA模型预测未来的环境条件及其对施工的潜在影响，若预测结果大于预设第一阈值时，标记为潜在环境风险，进行结构分析。
结构分析包括在环境分析确定存在潜在风险后，使用图神经网络模拟施工结构的变化，输入振动数据、材料质量检测数据，GNN通过考察节点与邻接节点的关系预测风险点，若预测结果大于预设第二阈值时，标记为明确结构风险，进行分析阶段。
当结构风险得到确认后，结合工人出入记录和机械操作状态，使用随机森林模型进行风险点预测，考察工人数量、操作时间、机械的工作状态因素，生成操作风险分数，若预测结果大于预设第三阈值时，标记为操作风险。
ARIMA可以有效地捕获数据中的趋势和周期性变化。当施工现场的环境条件数据具有稳定的模式或趋势时，此模型特别有效。预测未来的环境条件可以帮助项目团队做出更好的决策，并对可能的风险因素做出早期反应。GNN能够考虑到结构内部的依赖关系和相互影响，为可能的结构风险提供准确的预测。随机森林能够处理大量的输入变量，而不需要删除它们。此外，可以估计哪些变量最为重要，有用于对于风险管理和策略制定。可以通过模型分析得到风险产生的根本原因。图神经网络可以揭示哪些结构部分对风险最敏感，随机森林可以揭示哪些操作因素对安全性影响最大。不仅可以预防风险，还可以对施工过程进行优化。
判断风险点包括计算综合风险值，划分风险等级。
综合风险值表示为：
；
其中，表示风险评估函数，/>表示潜在环境风险评估函数，表示明确结构风险评估函数，/>表示操作风险的预测结果评估函数，/>分别表示潜在环境风险、明确结构风险和操作风险的预测结果，/>是相应风险类别的权重。
划分风险等级包括当时，判断为低风险，当/>时，判断为中等风险，当/>时，判断为高风险，当/>时，判断为严重风险。
初步处理包括当数据判断为低风险时，进行数据预处理，执行基础清洗，基础清洗包括去重、填充缺失值、格式统一，使用伪随机数生成器生成AES密钥，使用AES对称加密技术对数据进行加密，选择TLS1.3协议，并初始化握手过程，确认身份，并传输加密数据，使用相同的AES密钥进行解密，恢复原始数据。
当数据判断为中等风险时，进行数据预处理，执行一级清洗，执行基础清洗的所有步骤后进行异常值检测，使用IQR方法检测和滤除异常值，使用AES-256位对称加密，生成和管理密钥，选择TLS1.3协议，初始化握手，进行完整性和机密性验证，使用AES密钥进行解密，过MD5校验数据完整性。
当数据判断为高风险时，进行数据预处理，执行二级清洗，执行一级清洗的所有步骤后进行数据交叉验证，使用RSA非对称加密技术，生成RSA公钥和私钥，选择TLS1.3协议，开启完整性检查机制，使用RSA私钥进行解密，通过SHA-256校验数据完整性验。
当数据判断为严重风险时，进行数据预处理，执行三级清洗，执行二级清洗的所有步骤后进行多数据源交叉验证，使用RSA非对称加密并结合AES混合加密，生成和管理RSA和AES的秘钥，选择TLS1.3协议，多重身份验证机制和多阶段数据完整性校验，使用RSA私钥进行解密后，使用AES密钥进行二次解密，通过HMAC-SHA256验证数据完整性。
风险评估包括运用图神经网络模型进行风险分析，并判断风险点结果进行对比。
图神经网络模型表示为：
；
其中，表示节点/>在第/>层的隐藏，/>表示ReLU激活函数，/>表示求和所有邻居节点在第/>层的隐藏，/>表示节点/>的邻居节点集，/>表示第/>层的权重矩阵，/>表示节点/>在第/>层的隐藏，/>表示第/>层的偏置矩阵，/>表示节点/>的特征向量。
进行对比表示为：
；
其中，表示节点/>的综合风险值，/>表示转换矩阵，从节点的隐藏表示得到风险值，/>表示权重系数。
判断风险点结果进行对比包括进行初步风险点识别，对每个施工现场的每个节点计算综合风险值，设置阈值/>，通过比较每个节点的/>和阈值/>，初步确定风险点，若，节点标记为潜在风险点，进行宏观风险评估与对比，计算当前施工现场中潜在风险点所占的比例。
所占的比例表示为：
；
其中，是指示函数，/>表示施工现场所有的节点集合，/>表示施工现场所有节点的总数。
当时指示函数/>取值为1，否则为0，获取数据集中历史平均风险点比例H，计算风险差异，评估施工现场的风险状况。
计算风险差异表示为：
。
执行响应策略包括当单一节点的值超过/>时，系统自动调整图神经网络模型中的权重和偏置参数，使得高风险节点在未来的评估中被更为重视。利用反向传播算法，根据风险值进行优化，自动增加与单一节点相关的IOT设备的数据采集频率，以获得更为实时和精确的风险评估。
通过计算风险差异 能够动态地对比当前风险状况与历史平均水平，为实时调整风险管理策略提供依据。
考虑了当前的风险点比例和历史的风险点比例，评估不仅仅是基于即时数据，而是在历史背景下进行的，可以更准确地反映风险状况的变化。
当为正值时，这样能确保只有更高风险的节点被标记为潜在风险点，此外动态提高风险阈值/>，图神经网络模型根据新的风险数据调整参数，提高对高风险节点的敏感性。
当为负值时：确保更多可能的风险节点被捕获，此时动态降低风险阈值/>，图神经网络模型也会进行调整，减小对风险降低的节点的关注。
当等于零时，调用/>与IOT技术进行数据采集与分析，确保风险评估的准确性，同时，图神经网络模型将在现有参数的基础上，引入额外的正则化技术，确保模型不会过度适应当前的数据，而忽略潜在的风险。
持续监测风险点和风险差异，并根据收集到的数据定期更新图神经网络模型的参数和风险阈值，确保风险管理策略始终处于最优状态。
通过引入额外的正则化技术，当等于零时，确保模型不会过度适应当前数据，避免了潜在的风险被忽略，模型不是静态的，根据新的风险数据进行参数调整，以及在必要时加入正则化技术，以防止过拟合。
实施例2
参照图2，为本发明的一个实施例，提供了一种基于BIM与IOT的工程安全与质量监管系统，包括：数据采集模块、数据分析模块、实时报警模块以及控制管理模块。
数据采集模块用于利用各种传感器和设备在工地上进行实时监控，持续获取数据，整合工程进度、设备运行状态、环境条件，传输到数据分析模块。
数据分析模块用于对从数据采集模块收集到的数据进行处理，识别出数据中存在的异常模式或者趋势，预测可能出现的问题，结合建筑信息模型，进行数据分析，使数据与具体的工程模型相匹配。
实时报警模块用于当数据分析模块识别出问题时，实时报警模块立即发出警告，进行报警，确保相关人员能够及时得知。
控制管理模块用于远程监控实时情况，远程调整设备的运行状态，实现实时的远程控制，将收集和分析的数据以图形、表格形式展现。
实施例3
本发明的一个实施例，其不同于前两个实施例的是：
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置）、便携式计算机盘盒（磁装置）、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编辑只读存储器（EPROM或闪速存储器）、光纤装置以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
实施例4
为本发明的一个实施例，提供了一种基于BIM与IOT的工程安全与质量监管方法，为了验证本发明的有益效果，通过经济效益计算和仿真实验进行科学论证。
选定两处正在进行的大型高层建筑施工现场，具有相似的地理位置、施工规模和工期。A地块采用传统监管方式，B地块则采用基于BIM与IOT的监管方法。
对两个施工现场进行为期三个月的实验观测。在这三个月中，分别在每周的固定时间记录两个现场的关键数据。B地块的IOT设备会实时收集施工现场的各种数据，并利用图神经网络及统计模型进行分析，为现场提供实时的风险评估，实验结果如表1所示。
表1 实验结果对比表
从安全事故上看，我方发明方法明显降低了事故发生次数，特别是严重事故，在施工质量上，B地块相比于A地块有更少的返修次数，说明实时数据的收集和风险评估有效提高了施工质量，在施工进度上，尽管B地块进行了12次根据风险评估的实时调整，但整体延误天数还是明显少于A地块，在数据安全性上，B地块没有发生任何数据相关的安全事件，而A地块则出现了一次数据泄露，这也验证了基于BIM与IOT方法在数据保密性方面的优越性。
基于上述数据对比，我方发明方法大大减少了安全事故的发生。这得益于实时的数据收集和风险评估，使得施工方在事故发生之前就能提前预测和采取措施。这不仅避免了潜在的人员伤亡和经济损失，还增强了工人的安全意识和整体工地的安全文化，迅速反应和及时调整的能力使得B地块在质量控制上远超A地块。通过对实时数据的监控和分析，可以在早期发现潜在的质量问题，从而减少返工次数和提高整体工程质量。
B地块的施工现场能够根据风险评估实时调整策略，这为整个施工过程提供了更高的灵活性和应变能力。而A地块则常常在问题发生后才采取补救措施，导致了更多的延误和额外成本。我方发明方法成功确保了数据的完整性和保密性。这是因为此方法对数据的传输、存储和访问进行了严格的控制和加密。反观A地块，数据泄露的事件不仅损害了工程的声誉，还可能导致法律诉讼和经济损失。B地块的方法融合了环境风险、结构风险和操作风险的多维度评估，这为决策者提供了全面的风险管理视角。施工方不仅可以针对性地应对即将发生的风险，还可以基于数据预测未来可能出现的问题，从而提前制定策略。
判断风险点包括计算综合风险值，划分风险等级。
综合风险值表示为：
；
其中，表示风险评估函数，/>分别表示潜在环境风险、明确结构风险和操作风险的预测结果，/>是相应风险类别的权重。
划分风险等级包括当时，判断为低风险，当/>时，判断为中等风险，当/>时，判断为高风险，当/>时，判断为严重风险。
证明选择的阈值能有效地区分不同的风险等级，并与实际风险事件相符，进行模拟实验，从过去的项目中收集施工现场的各种数据，以及与这些数据对应的实际风险事件和后果，将收集到的数据整理成一个统一格式的数据集，确保数据的完整性和准确性，使用收集到的数据训练基准模型，并评估其效果。
使用收集到的数据和当前的风险评估方法进行风险评估，根据当前方法，将数据分类为四个风险等级，计算基准模型和当前方法在各个风险等级上的准确率、召回率、F1得分，实验结果如表2所示。
表2 不同阈值对比表
在四种阈值组合中，我方发明阈值在准确率、召回率和F1得分上均表现出色，评在风险评估场景中尤为重要。从实际应用的角度出发，我方发明阈值范围与实际工程风险评估的直觉相符，将风险划分为四个明确的等级，这有助于工程师和决策者更直观地理解和采取行动。我方发明选择的范围在面对模拟数据集时展现出了最强的稳健性。无论施工场景如何变化，都能提供稳定且可靠的风险评估。在工程施工中，很多外部因素可能导致风险。我方发明选择的阈值范围在应对这些不确定性方面特别有效，即使在模拟数据中存在一些异常值或噪声。总的来说，我方发明所选择的阈值方法在模拟环境中证明了其出色的性能和广泛的应用潜力。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，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案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于BIM与IOT的工程安全与质量监管方法，其特征在于，包括：
部署物联网设备，构建BIM模型，将物联网设备与BIM模型进行融合，启动实时数据监测模式；
启动传感器，实时收集施工过程中的数据，通过图神经网络对数据进行智能分析，判断风险点，进入数据传输模式；
使用通信网络传输数据，解密收到的数据，进行初步处理；
将初步处理的数据引导至多阶段风险评估模式，对初步处理的数据进行风险评估，若确定存在风险，启动风险多维度响应策略模式；
根据评估结果执行响应策略，基于遗传算法优化响应策略执行方案；
执行响应措施后，进入持续监控模式，对评估结果进行自适应调整。
2.如权利要求1所述的基于BIM与IOT的工程安全与质量监管方法，其特征在于：所述物联网设备包括温度、湿度、振动或光照传感器；
所述融合包括使用Revit软件建立BIM模型，在BIM模型中添加数据属性字段，所述数据属性字段包括传感器ID、数据类型、位置、预期数据范围及其状态；
通过Revit的链接功能，将物联网设备在现实中的位置与BIM模型中的相应位置进行匹配；
使Revit中BIM模型与物联网设备通过MQTT协议进行实时通讯，利用Mosquitto进行消息的中转和分发，对于每个物联网设备，设置数据收集和传输的频率，存储从物联网设备收集到的历史数据。
3.如权利要求2所述的基于BIM与IOT的工程安全与质量监管方法，其特征在于：所述施工过程中的数据包括温度、湿度、振动、光照、材料质量检测数据、工人出入记录以及机械操作状态；
所述智能分析包括对温度、湿度、光照数据进行时间序列分析，使用ARIMA模型预测未来的环境条件及其对施工的潜在影响，若预测结果大于预设第一阈值时，标记为潜在环境风险，进行结构分析；
所述结构分析包括在环境分析确定存在潜在风险后，使用图神经网络模拟施工结构的变化，输入振动数据、材料质量检测数据，GNN通过考察节点与邻接节点的关系预测风险点，若预测结果大于预设第二阈值时，标记为明确结构风险，进行分析阶段；
当结构风险得到确认后，结合工人出入记录和机械操作状态，使用随机森林模型进行风险点预测，考察工人数量、操作时间、机械的工作状态因素，生成操作风险分数，若预测结果大于预设第三阈值时，标记为操作风险；
所述判断风险点包括计算综合风险值，划分风险等级；
所述综合风险值表示为，
；
其中，表示风险评估函数，/>表示潜在环境风险评估函数，/>表示明确结构风险评估函数，/>表示操作风险的预测结果评估函数，/>分别表示潜在环境风险、明确结构风险和操作风险的预测结果，/>是相应风险类别的权重；
所述划分风险等级包括当时，判断为低风险，当时，判断为中等风险，当/>时，判断为高风险，当时，判断为严重风险。
4.如权利要求3所述的基于BIM与IOT的工程安全与质量监管方法，其特征在于：所述初步处理包括当数据判断为低风险时，进行数据预处理，执行基础清洗，所述基础清洗包括去重、填充缺失值、格式统一，使用伪随机数生成器生成AES密钥，使用AES对称加密技术对数据进行加密，选择TLS1.3协议，并初始化握手过程，确认身份，并传输加密数据，使用相同的AES密钥进行解密，恢复原始数据；
当数据判断为中等风险时，进行数据预处理，执行一级清洗，执行所述基础清洗的所有步骤后进行异常值检测，使用IQR方法检测和滤除异常值，使用AES-256位对称加密，生成和管理密钥，选择TLS1.3协议，初始化握手，进行完整性和机密性验证，使用AES密钥进行解密，过MD5校验数据完整性；
当数据判断为高风险时，进行数据预处理，执行二级清洗，执行一级清洗的所有步骤后进行数据交叉验证，使用RSA非对称加密技术，生成RSA公钥和私钥，选择TLS1.3协议，开启完整性检查机制，使用RSA私钥进行解密，通过SHA-256校验数据完整性验；
当数据判断为严重风险时，进行数据预处理，执行三级清洗，执行二级清洗的所有步骤后进行多数据源交叉验证，使用RSA非对称加密并结合AES混合加密，生成和管理RSA和AES的秘钥，选择TLS1.3协议，多重身份验证机制和多阶段数据完整性校验，使用RSA私钥进行解密后，使用AES密钥进行二次解密，通过HMAC-SHA256验证数据完整性。
5.如权利要求4所述的基于BIM与IOT的工程安全与质量监管方法，其特征在于：所述风险评估包括运用图神经网络模型进行风险分析，并判断风险点结果进行对比；
所述图神经网络模型表示为，
；
其中，表示节点/>在第/>层的隐藏，/>表示ReLU激活函数，/>表示求和所有邻居节点在第/>层的隐藏，/>表示节点/>的邻居节点集，/>表示第/>层的权重矩阵，/>表示节点/>在第/>层的隐藏，/>表示第/>层的偏置矩阵，/>表示节点的特征向量；
所述进行对比表示为，
；
其中，表示节点/>的综合风险值，/>表示转换矩阵，从节点的隐藏表示得到风险值，/>表示权重系数。
6.如权利要求5所述的基于BIM与IOT的工程安全与质量监管方法，其特征在于：所述判断风险点结果进行对比包括进行初步风险点识别，对每个施工现场的每个节点计算综合风险值，设置阈值/>，通过比较每个节点的/>和阈值/>，初步确定风险点，若/>，节点标记为潜在风险点，进行宏观风险评估与对比，计算当前施工现场中潜在风险点所占的比例；
所述所占的比例表示为，
；
其中，是指示函数，/>表示施工现场所有的节点集合，/>表示施工现场所有节点的总数；
当时指示函数/>取值为1，否则为0，获取数据集中历史平均风险点比例H，计算风险差异，评估施工现场的风险状况；
所述计算风险差异表示为，
。
7.如权利要求6所述的基于BIM与IOT的工程安全与质量监管方法，其特征在于：所述执行响应策略包括当单一节点的值超过/>时，系统自动调整图神经网络模型中的权重和偏置参数，利用反向传播算法，根据风险值进行优化，自动增加与所述单一节点相关的IOT设备的数据采集频率；
当为正值时，动态提高风险阈值/>，图神经网络模型根据新的风险数据调整参数；
当为负值时：动态降低风险阈值/>，图神经网络模型也会进行调整，减小对风险降低的节点的关注；
当等于零时，调用/>与IOT技术进行数据采集与分析，图神经网络模型将在现有参数的基础上，引入额外的正则化技术；
持续监测风险点和风险差异，并根据收集到的数据定期更新图神经网络模型的参数和风险阈值。
8.一种采用如权利要求1~7任一所述的基于BIM与IOT的工程安全与质量监管方法的系统，其特征在于，包括：数据采集模块、数据分析模块、实时报警模块以及控制管理模块；
所述数据采集模块用于利用各种传感器和设备在工地上进行实时监控，持续获取数据，整合工程进度、设备运行状态、环境条件，传输到数据分析模块；
所述数据分析模块用于对从数据采集模块收集到的数据进行处理，识别出数据中存在的异常模式或者趋势，预测可能出现的问题，结合建筑信息模型，进行数据分析，使数据与具体的工程模型相匹配；
所述实时报警模块用于当数据分析模块识别出问题时，实时报警模块立即发出警告，进行报警，确保相关人员能够及时得知；
所述控制管理模块用于远程监控实时情况，远程调整设备的运行状态，实现实时的远程控制，将收集和分析的数据以图形、表格形式展现。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于BIM与IOT的工程安全与质量监管方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于BIM与IOT的工程安全与质量监管方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311183885.9A CN116911700B (zh) | 2023-09-14 | 2023-09-14 | 一种基于bim与iot的工程安全与质量监管方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311183885.9A CN116911700B (zh) | 2023-09-14 | 2023-09-14 | 一种基于bim与iot的工程安全与质量监管方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116911700A true CN116911700A (zh) | 2023-10-20 |
| CN116911700B CN116911700B (zh) | 2023-12-12 |
Family
ID=88360731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311183885.9A Active CN116911700B (zh) | 2023-09-14 | 2023-09-14 | 一种基于bim与iot的工程安全与质量监管方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116911700B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117440382A (zh) * | 2023-12-20 | 2024-01-23 | 深圳市友恺通信技术有限公司 | 基于物联网的无线设备运行分析方法 |
| CN117495316A (zh) * | 2024-01-03 | 2024-02-02 | 长沙市住房和城乡建设局 | 一种基于empc模式的智能建造方法及系统 |
| CN117494292A (zh) * | 2024-01-02 | 2024-02-02 | 中亿丰数字科技集团有限公司 | 一种基于bim和ai大模型的工程进度管理方法及系统 |
| CN117671396A (zh) * | 2024-02-02 | 2024-03-08 | 新疆盛诚工程建设有限责任公司 | 施工进度的智能监控预警系统及方法 |
| CN117829787A (zh) * | 2024-03-05 | 2024-04-05 | 中亿丰数字科技集团有限公司 | 一种基于bim和ai大模型的工程安全智能管理方法及系统 |
| CN117852896A (zh) * | 2024-03-07 | 2024-04-09 | 南京德阳工程监理咨询有限公司 | 一种施工监理风险控制预警系统及方法 |
| CN117972613A (zh) * | 2024-03-20 | 2024-05-03 | 湖南鸿熙电力科技有限公司 | 一种应用数据分析技术的配电柜数据管理系统及方法 |
| CN118095975A (zh) * | 2024-04-29 | 2024-05-28 | 中亿丰数字科技集团股份有限公司 | 基于bim和ai大模型的工程质量智能管理方法及系统 |
| CN118445708A (zh) * | 2024-07-08 | 2024-08-06 | 江西润林工程技术有限公司 | 一种基于物联网的工程安全预测方法与系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103824131A (zh) * | 2014-02-28 | 2014-05-28 | 西南石油大学 | 油气井钻井施工作业现场的风险预测系统及方法 |
| CN108881110A (zh) * | 2017-05-10 | 2018-11-23 | 全球能源互联网研究院 | 一种安全态势评估与防御策略联合决策方法及系统 |
| CN108898314A (zh) * | 2018-06-29 | 2018-11-27 | 厦门大学 | 一种基于bim和质量多源信息融合施工风险评估方法 |
| US20180349817A1 (en) * | 2017-06-01 | 2018-12-06 | Autodesk, Inc. | Architecture, engineering and construction (aec) risk analysis system and method |
| CN110309620A (zh) * | 2019-07-10 | 2019-10-08 | 河北省建筑科学研究院有限公司 | 基于物联网和bim的地下管廊火灾爆裂监控系统和实施方法 |
| CN110377996A (zh) * | 2019-07-10 | 2019-10-25 | 河北省建筑科学研究院有限公司 | 基于物联网和bim的城市建筑火灾爆裂程度预估系统及应用 |
| CN112906248A (zh) * | 2021-03-30 | 2021-06-04 | 中铁建工集团有限公司 | 一种基于bim技术的大型钢结构建筑施工安全管理方法 |
| CN115481885A (zh) * | 2022-09-11 | 2022-12-16 | 北京工业大学 | 基于数字孪生的装配式建筑施工安全风险智能化管理方法 |
-
2023
- 2023-09-14 CN CN202311183885.9A patent/CN116911700B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103824131A (zh) * | 2014-02-28 | 2014-05-28 | 西南石油大学 | 油气井钻井施工作业现场的风险预测系统及方法 |
| CN108881110A (zh) * | 2017-05-10 | 2018-11-23 | 全球能源互联网研究院 | 一种安全态势评估与防御策略联合决策方法及系统 |
| US20180349817A1 (en) * | 2017-06-01 | 2018-12-06 | Autodesk, Inc. | Architecture, engineering and construction (aec) risk analysis system and method |
| CN108898314A (zh) * | 2018-06-29 | 2018-11-27 | 厦门大学 | 一种基于bim和质量多源信息融合施工风险评估方法 |
| CN110309620A (zh) * | 2019-07-10 | 2019-10-08 | 河北省建筑科学研究院有限公司 | 基于物联网和bim的地下管廊火灾爆裂监控系统和实施方法 |
| CN110377996A (zh) * | 2019-07-10 | 2019-10-25 | 河北省建筑科学研究院有限公司 | 基于物联网和bim的城市建筑火灾爆裂程度预估系统及应用 |
| CN112906248A (zh) * | 2021-03-30 | 2021-06-04 | 中铁建工集团有限公司 | 一种基于bim技术的大型钢结构建筑施工安全管理方法 |
| CN115481885A (zh) * | 2022-09-11 | 2022-12-16 | 北京工业大学 | 基于数字孪生的装配式建筑施工安全风险智能化管理方法 |
Non-Patent Citations (2)
| Title |
|---|
| 宋志红;: "基于BIM技术的协同办公平台在工程咨询中的应用", 项目管理评论, no. 03, pages 76 - 80 * |
| 白铂;刘玉婷;马驰骋;王光辉;闫桂英;闫凯;张明;周志恒;: "图神经网络", 中国科学:数学, no. 03, pages 31 - 48 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117440382A (zh) * | 2023-12-20 | 2024-01-23 | 深圳市友恺通信技术有限公司 | 基于物联网的无线设备运行分析方法 |
| CN117440382B (zh) * | 2023-12-20 | 2024-03-26 | 深圳市友恺通信技术有限公司 | 基于物联网的无线设备运行分析方法 |
| CN117494292A (zh) * | 2024-01-02 | 2024-02-02 | 中亿丰数字科技集团有限公司 | 一种基于bim和ai大模型的工程进度管理方法及系统 |
| CN117494292B (zh) * | 2024-01-02 | 2024-05-07 | 中亿丰数字科技集团有限公司 | 一种基于bim和ai大模型的工程进度管理方法及系统 |
| CN117495316B (zh) * | 2024-01-03 | 2024-04-09 | 长沙市住房和城乡建设局 | 一种基于empc模式的智能建造方法及系统 |
| CN117495316A (zh) * | 2024-01-03 | 2024-02-02 | 长沙市住房和城乡建设局 | 一种基于empc模式的智能建造方法及系统 |
| CN117671396A (zh) * | 2024-02-02 | 2024-03-08 | 新疆盛诚工程建设有限责任公司 | 施工进度的智能监控预警系统及方法 |
| CN117671396B (zh) * | 2024-02-02 | 2024-04-26 | 新疆盛诚工程建设有限责任公司 | 施工进度的智能监控预警系统及方法 |
| CN117829787A (zh) * | 2024-03-05 | 2024-04-05 | 中亿丰数字科技集团有限公司 | 一种基于bim和ai大模型的工程安全智能管理方法及系统 |
| CN117829787B (zh) * | 2024-03-05 | 2024-07-05 | 中亿丰数字科技集团有限公司 | 一种基于bim和ai大模型的工程安全智能管理方法及系统 |
| CN117852896A (zh) * | 2024-03-07 | 2024-04-09 | 南京德阳工程监理咨询有限公司 | 一种施工监理风险控制预警系统及方法 |
| CN117972613A (zh) * | 2024-03-20 | 2024-05-03 | 湖南鸿熙电力科技有限公司 | 一种应用数据分析技术的配电柜数据管理系统及方法 |
| CN118095975A (zh) * | 2024-04-29 | 2024-05-28 | 中亿丰数字科技集团股份有限公司 | 基于bim和ai大模型的工程质量智能管理方法及系统 |
| CN118445708A (zh) * | 2024-07-08 | 2024-08-06 | 江西润林工程技术有限公司 | 一种基于物联网的工程安全预测方法与系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116911700B (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116911700B (zh) | 一种基于bim与iot的工程安全与质量监管方法及系统 | |
| WO2020046286A1 (en) | Integrated cybersecurity risk assessment and state monitoring for electrical power grid | |
| CN111787011B (zh) | 一种信息系统安全威胁智能分析预警系统、方法及存储介质 | |
| CN116934285B (zh) | 一种实现数字化与实体档案管理的视觉智能系统及设备 | |
| US20130179937A1 (en) | Security model analysis | |
| CN116957156A (zh) | 一种基于bim技术的建筑工程监测管理系统及优化方法 | |
| US11797890B2 (en) | Performance manager to autonomously evaluate replacement algorithms | |
| JP2008129648A (ja) | セキュリティリスク管理システム、セキュリティリスク管理方法およびセキュリティリスク管理用プログラム | |
| Duan et al. | Automated security assessment for the internet of things | |
| CN117853078B (zh) | 基于无人机的建筑工程施工现场动态安全报警系统及方法 | |
| CN117371952B (zh) | 一种多项目协同管理系统 | |
| CN117557270A (zh) | 移动终端安全支付管理方法及系统 | |
| CN115309913A (zh) | 一种基于深度学习的财务数据风险识别方法及系统 | |
| CN117592989B (zh) | 一种基于区块链的支付信息安全管理方法及系统 | |
| CN118279067B (zh) | 一种基于流程挖掘技术的信息数据管理方法 | |
| CN117439916A (zh) | 一种网络安全测试评估系统及方法 | |
| CN118261713B (zh) | 一种基于人工智能的金融数据分析方法及系统 | |
| CN116976681A (zh) | 一种基于大数据的高速公路机电设施智能运维决策系统 | |
| CN116862202A (zh) | 基于大数据分析的企业管理数据治理方法 | |
| Manoharan et al. | Implementation of internet of things with blockchain using machine learning algorithm: Enhancement of security with blockchain | |
| CN118349979A (zh) | 一种应用于智慧医疗的用户信息安全处理控制系统 | |
| Griffioen et al. | Assessing risks and modeling threats in the internet of things | |
| CN117972704A (zh) | 一种区块链生态安全协同监管方法 | |
| KR102111136B1 (ko) | 대응지시서를 생성하고, 적용 결과를 분석하는 방법, 감시장치 및 프로그램 | |
| Sharma | Cybercrimes and Digital Forensics in Internet of Things |
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 |