CN117436318B - 基于物联网的智慧楼宇管理方法及系统 - Google Patents

基于物联网的智慧楼宇管理方法及系统 Download PDF

Info

Publication number
CN117436318B
CN117436318B CN202311757668.6A CN202311757668A CN117436318B CN 117436318 B CN117436318 B CN 117436318B CN 202311757668 A CN202311757668 A CN 202311757668A CN 117436318 B CN117436318 B CN 117436318B
Authority
CN
China
Prior art keywords
building
data
stress distribution
target
temperature stress
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
CN202311757668.6A
Other languages
English (en)
Other versions
CN117436318A (zh
Inventor
李秀民
宋亮青
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.)
Guangdong Bosi Information Technology Co ltd
Original Assignee
Guangdong Bosi Information 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 Guangdong Bosi Information Technology Co ltd filed Critical Guangdong Bosi Information Technology Co ltd
Priority to CN202311757668.6A priority Critical patent/CN117436318B/zh
Publication of CN117436318A publication Critical patent/CN117436318A/zh
Application granted granted Critical
Publication of CN117436318B publication Critical patent/CN117436318B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/80—Homes; Buildings
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/50—Safety; Security of things, users, data or systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Medical Informatics (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Security & Cryptography (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本申请涉及物联网技术领域，公开了一种基于物联网的智慧楼宇管理方法及系统。所述方法包括：获取目标楼宇的结构设计数据并构建楼宇有限元模型；通过物联网传感器获取环境参数数据并模拟目标温度场数据；根据目标温度场数据进行温度应力分析，得到温度应力分布数据；对温度应力分布数据进行特征提取，得到温度应力分布特征并进行向量编码，得到温度应力分布向量；将温度应力分布向量输入初始楼宇分析模型进行疲劳损伤和剩余寿命预测，得到目标预测数据，初始楼宇分析模型包括：双向门限循环网络及两层全连接层；根据目标预测数据并通过Adam算法进行模型优化，得到目标楼宇分析模型，本申请提高了智慧楼宇管理的准确率。

Description

基于物联网的智慧楼宇管理方法及系统
技术领域
本申请涉及物联网领域，尤其涉及一种基于物联网的智慧楼宇管理方法及系统。
背景技术
随着楼宇数量的迅猛增加，传统的楼宇管理方式已经难以满足对安全性、能源效率和可持续性的高要求。因此，需要寻求创新的方法来实现更智能、高效的楼宇管理。
传统的楼宇管理方法通常依赖于定期的巡检和维护，这种方式会漏掉一些潜在的问题，导致不必要的损失，即现有技术的楼宇管理准确率低。
发明内容
本申请提供了一种基于物联网的智慧楼宇管理方法及系统，用于提高了智慧楼宇管理的准确率。
第一方面，本申请提供了一种基于物联网的智慧楼宇管理方法，所述基于物联网的智慧楼宇管理方法包括：
获取目标楼宇的结构设计数据，并根据所述结构设计数据构建所述目标楼宇的楼宇有限元模型；
通过预置的物联网传感器，获取所述目标楼宇的环境参数数据，并根据所述环境参数数据模拟所述楼宇有限元模型的目标温度场数据；
根据所述目标温度场数据，对所述楼宇有限元模型的楼宇结构进行温度应力分析，得到温度应力分布数据；
对所述温度应力分布数据进行特征提取，得到温度应力分布特征，并对所述温度应力分布特征进行向量编码，得到温度应力分布向量；
将所述温度应力分布向量输入预置的初始楼宇分析模型进行疲劳损伤和剩余寿命预测，得到目标预测数据，所述初始楼宇分析模型包括：双向门限循环网络及两层全连接层；
根据所述目标预测数据，并通过Adam算法对所述初始楼宇分析模型进行模型优化，得到目标楼宇分析模型。
第二方面，本申请提供了一种基于物联网的智慧楼宇管理装置，所述基于物联网的智慧楼宇管理装置包括：
获取模块，用于获取目标楼宇的结构设计数据，并根据所述结构设计数据构建所述目标楼宇的楼宇有限元模型；
模拟模块，用于通过预置的物联网传感器，获取所述目标楼宇的环境参数数据，并根据所述环境参数数据模拟所述楼宇有限元模型的目标温度场数据；
分析模块，用于根据所述目标温度场数据，对所述楼宇有限元模型的楼宇结构进行温度应力分析，得到温度应力分布数据；
编码模块，用于对所述温度应力分布数据进行特征提取，得到温度应力分布特征，并对所述温度应力分布特征进行向量编码，得到温度应力分布向量；
预测模块，用于将所述温度应力分布向量输入预置的初始楼宇分析模型进行疲劳损伤和剩余寿命预测，得到目标预测数据，所述初始楼宇分析模型包括：双向门限循环网络及两层全连接层；
优化模块，用于根据所述目标预测数据，并通过Adam算法对所述初始楼宇分析模型进行模型优化，得到目标楼宇分析模型。
本申请提供的技术方案中，通过获取结构设计数据和建立有限元模型，可以实时监测楼宇的结构健康状态。这有助于早期发现潜在的结构问题和损伤，从而提高楼宇的安全性。通过物联网传感器获取环境参数数据，并模拟温度场数据，可以更准确地了解楼宇内部的环境情况。这有助于优化楼宇的能源管理，提高能源利用效率。进行温度应力分析可以帮助了解楼宇结构在不同温度条件下的应力分布情况。这有助于预测的热应力问题，并采取适当的措施进行管理和维护。通过将温度应力分布向量输入深度学习模型，可以预测楼宇结构的疲劳损伤和剩余寿命。这有助于制定维护计划和延长楼宇的使用寿命。使用Adam算法对初始楼宇分析模型进行模型优化，可以提高预测的准确性和性能，进而提高了智慧楼宇管理的准确率。
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，还可以基于这些附图获得其他的附图。
图1为本申请实施例中基于物联网的智慧楼宇管理方法的一个实施例示意图；
图2为本申请实施例中基于物联网的智慧楼宇管理装置的一个实施例示意图。
具体实施方式
本申请实施例提供了一种基于物联网的智慧楼宇管理方法及系统。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本申请实施例的具体流程进行描述，请参阅图1，本申请实施例中基于物联网的智慧楼宇管理方法的一个实施例包括：
步骤S101、获取目标楼宇的结构设计数据，并根据结构设计数据构建目标楼宇的楼宇有限元模型；
可以理解的是，本申请的执行主体可以为基于物联网的智慧楼宇管理装置，还可以是终端或者服务器，具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的，首先，获取目标楼宇的结构设计数据并构建其楼宇有限元模型。这个过程以收集精确的结构设计数据为基础，包括楼宇的尺寸、材料属性和结构布局等，通常通过高级测量技术和建筑信息模型（BIM）软件来完成。收集到的数据随后输入到预置的ABAQUS有限元分析软件中，这是一个强大的工程模拟工具，能够处理复杂的结构分析问题。在ABAQUS中，利用获取的结构设计数据创建目标楼宇的初始有限元模型，这个模型是整个分析过程的基础。接下来，计算其刚度矩阵。在有限元分析中，刚度矩阵是核心组成部分，用于描述结构的刚性。刚度矩阵（K）与位移向量（u）和外力向量（F）之间的关系通过基本的有限元方程K·u=F来表示。这个方程在数学上描绘了结构在受到外力作用时的位移情况，是理解和分析结构响应的关键。接着，通过预置的质量矩阵方程，对所述初始有限元模型进行质量矩阵计算，得到质量矩阵质量矩阵。质量矩阵（M）通过方程得到，其中ρ表示密度，N为形状函数，dV为体积元素，J为指数。这个方程用于描述楼宇结构的质量分布，是动力分析中的重要部分。质量矩阵提供了结构在动态载荷作用下的响应信息，有助于评估楼宇在各种环境条件下的性能。随后，计算阻尼矩阵。在有限元分析中，阻尼是控制振动响应的关键因素。阻尼矩阵（C）通过方程C=αM+lK计算得出，其中M是质量矩阵，K是刚度矩阵，α和l是阻尼系数。这个方程帮助服务器理解和量化结构在受到动态载荷时的能量耗散情况，有助于预测和控制楼宇在各种动态环境下的行为。最后，基于阻尼矩阵，对初始有限元模型进行模型验证和优化，确保模型能够准确反映实际楼宇的物理特性和行为。通过调整模型参数、进行多次迭代计算以及对比实际测量数据，以确保模型的准确性和可靠性。经过这些步骤，最终得到的楼宇有限元模型可以准确地反映目标楼宇的结构特性和性能。
步骤S102、通过预置的物联网传感器，获取目标楼宇的环境参数数据，并根据环境参数数据模拟楼宇有限元模型的目标温度场数据；
具体的，首先，使用物联网传感器系统实时采集楼宇内外的环境参数，这些传感器分布于楼宇的关键部位，以确保收集到的数据全面且准确。这些传感器能够捕捉到的数据类型包括温度、湿度等环境信息。采集到的数据随后被传送至数据处理中心。在数据处理中心，对收集到的温度数据进行详细的解析。从大量环境参数数据中提取出与温度相关的信息，并将这些信息转换成适合后续分析的格式。接下来，利用热传导分析对楼宇有限元模型进行温度模拟。使用特定的热传导分析方法，这些方法能够准确描述温度在楼宇结构中随时间和空间的变化关系，同时考虑到楼宇材料的热物理性质。基于这些分析，设定模型的边界条件，如外墙的温度，楼宇内部的温度梯度等。最后，根据这些设定的边界条件，对楼宇有限元模型进行温度分布模拟。这个模拟过程通常通过使用计算机仿真软件完成，它根据输入的边界条件和楼宇的物理参数计算出整个楼宇的温度分布，从而得到目标温度场数据，为楼宇的能耗分析、结构完整性评估提供重要依据，也是智慧楼宇管理系统中决策支持的关键数据。
步骤S103、根据目标温度场数据，对楼宇有限元模型的楼宇结构进行温度应力分析，得到温度应力分布数据；
具体的，首先，根据目标温度场数据，并通过预置的温度应力函数对楼宇有限元模型的楼宇结构进行温度应力分析，得到初始温度应力数据。该函数考虑了材料的弹性模量和热膨胀系数，以及记录的温度变化，来计算楼宇结构经历的应力。这种计算是基于物理原理，反映了材料在温度变化影响下的应力响应。得到的初始温度应力数据是对楼宇结构中不同部位在特定温度条件下承受的应力水平的初步评估。这些数据有助于理解楼宇结构在实际运行条件下的性能，因为它们直接影响到建筑的安全性和耐久性。随后，根据初始温度应力数据，对楼宇有限元模型的楼宇结构进行应力区域分布分析。在这一阶段，分析的重点是识别楼宇结构中的关键应力区域，这些区域在极端温度条件下或者长期运行中表现出较高的应力水平。通过对楼宇结构进行详细的应力区域分布分析，可以得到温度应力分布数据，这些数据详细地描绘了整个楼宇结构在不同温度条件下的应力分布情况。这不仅有助于识别的结构薄弱点，也为楼宇的维护和加固提供了重要的指导。例如，如果某个区域显示出较高的应力水平，那么在设计和施工过程中就需要采取特别的加固措施，或者在日常维护中给予更多关注。
步骤S104、对温度应力分布数据进行特征提取，得到温度应力分布特征，并对温度应力分布特征进行向量编码，得到温度应力分布向量；
具体的，首先，根据已获得的温度应力分布数据构建对应的温度应力分布热图。热图是一种有效的视觉表示方法，能够直观地显示温度应力在楼宇结构中的分布情况，其中不同的颜色代表不同的应力水平。通过这样的视觉化表示，可以更容易地识别出楼宇结构中的关键应力区域。接着，利用数据分析技术对这个温度应力分布热图进行进一步的处理，其中一个关键步骤是应力分布区域的聚类计算。通过将热图中的不同区域根据应力水平聚集在一起，来识别出结构中的重要应力区域。这些聚类结果不仅揭示了楼宇结构中应力的集中区域，也为后续的分析提供了重要依据。同时，通过计算每个应力分布区域的重要度，可以进一步强化对关键区域的关注。这一过程通常涉及到多种因素的考虑，如应力水平、区域的位置、以及这些区域对楼宇整体结构安全性的潜在影响。随后，通过应用预置的图计算聚类分析模型，根据目标聚类结果以及每个应力分布区域的重要度对热图进行加权处理。目的是在热图中进一步突出那些关键的应力分布区域，使得最终的分析更加集中于结构的薄弱点或高风险区域。得到的加权应力分布热图提供了一种更加精细和专注的视觉表示，有助于深入理解楼宇结构在特定环境条件下的应力响应。然后，对加权应力分布热图进行应力分布特征识别。使用图像处理和模式识别技术来从热图中提取出有关应力分布的关键特征。这些特征包括应力的分布模式、集中区域的形状和大小等，是理解楼宇结构应力响应的重要信息。通过这样的特征识别，可以将复杂的应力分布数据转换为更加简洁和可管理的形式。最后，将提取出的温度应力分布特征进行归一化处理，并对这些归一化的应力分布特征进行向量编码。归一化处理是将特征数据转换为统一的标准格式，以便于在不同的分析和计算过程中使用。而向量编码则是将这些归一化的特征转换为数学向量的形式，这有助于后续的数据处理和机器学习应用。得到的温度应力分布向量可以作为楼宇结构分析和健康监测系统的输入，为楼宇的维护和管理提供关键的数据支持。
步骤S105、将温度应力分布向量输入预置的初始楼宇分析模型进行疲劳损伤和剩余寿命预测，得到目标预测数据，初始楼宇分析模型包括：双向门限循环网络及两层全连接层；
具体的，首先，将温度应力分布向量输入初始楼宇分析模型，这个模型包括了双向门限循环网络及全连接层。双向门限循环网络（Bi-LSTM）是一种高级的神经网络结构，它能够从时间序列数据中提取复杂的特征，适合处理像温度应力分布这样随时间变化的数据。在双向门限循环网络中，第一层门限循环单元首先对输入的温度应力分布向量进行隐藏特征提取。这一过程涉及到一系列复杂的计算，包括重置门和更新门控制向量的生成。重置门控制向量（Rt）和更新门控制向量（Zt）通过特定的计算公式计算得出，其中涉及到sigmoid函数和训练参数向量的应用。这些控制向量的作用是帮助模型决定在每个时间步骤上保留或舍弃哪些信息，从而有效地捕捉时间序列数据中的长期依赖关系。然后，所得到的第一输出向量被输入到双向门限循环网络的第二层门限循环单元进行进一步的隐藏特征提取。在这一层中，使用与第一层相同的结构和计算公式，进一步增强对温度应力分布特征的提取能力。通过这样的层叠结构，Bi-LSTM能够从数据中提取出更加深层次和复杂的特征。接下来，通过全连接层对提取出的特征向量进行进一步的处理，以预测楼宇结构的疲劳损伤和剩余寿命。全连接层采用ReLU激活函数，这种激活函数可以增加模型的非线性，从而提高预测的准确性。全连接层的计算公式涉及到双曲正切函数和一系列训练参数，这些计算将Bi-LSTM网络的输出转换为关于楼宇结构疲劳损伤和剩余寿命的具体预测数据。
步骤S106、根据目标预测数据，并通过Adam算法对初始楼宇分析模型进行模型优化，得到目标楼宇分析模型。
具体的Adam算法是一种高效的优化算法，通过调整和优化楼宇分析模型的参数，以提高其预测准确性和效率。首先，使用Adam算法中使用损失函数，特别是均方误差（MSE）损失函数，来计算目标预测数据的误差。均方误差损失函数通过计算预测值和实际值之间差异的平方来衡量模型的准确度。计算得到的均值方差是衡量模型性能的关键指标，反映了模型预测的准确性。接下来，利用反向传播算法，一种在神经网络训练中常用的算法，来计算损失函数的损失梯度。这个过程包括对模型的每个参数进行微分，以确定它们对最终预测误差的贡献程度。然后，通过指数移动平均的方式，根据损失梯度计算第一动量项和第一平方梯度项。动量项和平方梯度项是Adam算法的核心组成部分，它们分别代表了梯度的一阶和二阶矩估计。具体地说，第一动量项（m）和第一平方梯度项（v）通过特定的计算公式得出，其中β1和β2是指数衰减率，用于调整历史梯度信息的权重。这种计算方法可以有效地平滑梯度，使得优化过程更加稳定和高效。接着，对第一动量项和第一平方梯度项进行偏差校正，以得到第二动量项和第二平方梯度项。偏差校正是为了补偿动量项和平方梯度项在训练初期的估计偏差，从而确保更准确和有效的优化。这一步骤涉及到根据当前迭代次数调整动量项和平方梯度项的值。最后，根据经过偏差校正的第二动量项和第二平方梯度项，对初始楼宇分析模型进行参数更新和迭代优化。这个过程中，模型的每个参数都会根据其对损失函数的影响程度进行相应的调整，从而逐步提高模型的预测准确性和性能。通过不断的迭代优化，最终得到的目标楼宇分析模型能够更准确地预测楼宇结构的疲劳损伤和剩余寿命，为楼宇的智慧管理和维护提供强有力的数据支持。
本申请实施例中，通过获取结构设计数据和建立有限元模型，可以实时监测楼宇的结构健康状态。这有助于早期发现潜在的结构问题和损伤，从而提高楼宇的安全性。通过物联网传感器获取环境参数数据，并模拟温度场数据，可以更准确地了解楼宇内部的环境情况。这有助于优化楼宇的能源管理，提高能源利用效率。进行温度应力分析可以帮助了解楼宇结构在不同温度条件下的应力分布情况。这有助于预测的热应力问题，并采取适当的措施进行管理和维护。通过将温度应力分布向量输入深度学习模型，可以预测楼宇结构的疲劳损伤和剩余寿命。这有助于制定维护计划和延长楼宇的使用寿命。使用Adam算法对初始楼宇分析模型进行模型优化，可以提高预测的准确性和性能，进而提高了智慧楼宇管理的准确率。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）获取目标楼宇的结构设计数据，并通过预置的ABAQUS有限元分析软件，根据结构设计数据创建目标楼宇的初始有限元模型；
（2）通过预置的有限元方程，计算初始有限元模型的刚度矩阵，有限元方程为：，K表示刚度矩阵，刚度矩阵用于反映结构刚性，u为位移向量，u用于表示节点位移，F为外力向量；
（3）通过预置的质量矩阵方程，对初始有限元模型进行质量矩阵计算，得到质量矩阵，质量矩阵方程为：，M为质量矩阵用于描述质量分布，ρ为密度，N为形状函数，dV为体积元素，J为指数；
（4）通过预置的阻尼矩阵方程，对初始有限元模型进行阻尼矩阵计算，得到阻尼矩阵，阻尼矩阵方程为：，M为质量矩阵，K表示刚度矩阵，α和l表示阻尼系数，C表示阻尼矩阵；
（5）根据阻尼矩阵，对初始有限元模型进行模型验证和模型优化，得到目标楼宇的楼宇有限元模型。
具体的，首先，获取目标楼宇的结构设计数据。这些数据包括楼宇的尺寸、材料属性、结构布局等信息，它们可以通过建筑蓝图、工程报告或直接从建筑信息模型（BIM）系统中提取。得到这些数据后，使用预置的ABAQUS有限元分析软件来创建楼宇的初始有限元模型。ABAQUS是一款强大的工程模拟软件，能够处理复杂的结构分析问题。在软件中，根据提供的结构设计数据建立模型，这包括定义材料属性、划分网格、设置边界条件和载荷等。接下来，计算初始有限元模型的刚度矩阵。刚度矩阵（K）是有限元分析中的一个关键概念，用于描述结构在受力时的刚性。它通过有限元方程来计算，其中u是节点位移向量，F是外力向量。这个方程在数学上描述了结构在受到外力作用时的位移情况，是理解和分析结构响应的关键。然后进行质量矩阵（M）的计算。质量矩阵通过方程/>得到，其中ρ表示密度，N为形状函数，dV为体积元素，J为指数。质量矩阵描述了结构的质量分布，有助于分析楼宇在动态载荷作用下的响应。接着计算阻尼矩阵（C）。阻尼矩阵方程C=αM+lK中，M是质量矩阵，K是刚度矩阵，α和l是阻尼系数。阻尼矩阵用于描述结构在受到动态载荷时的能量耗散情况，是动力学分析中的重要组成部分。最后，基于计算得到的阻尼矩阵，对初始有限元模型进行验证和优化。这一步骤涉及到调整模型参数、进行多次迭代计算以及与实验数据对比，以确保模型准确地反映了实际楼宇的物理特性和行为。优化过程中，需要对模型的某些部分进行微调，比如调整网格密度或修改材料属性，以提高模型的准确性和可靠性。
在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：
（1）通过预置的物联网传感器，获取目标楼宇的环境参数数据，并对环境参数数据进行温度数据解析，得到温度数据；
（2）通过预置的热传导方程，根据温度数据对楼宇有限元模型进行热传导分析和边界条件设置，得到边界条件，热传导方程为：，/>，ρ表示密度，c表示比热容，T表示温度数据，k表示热导率，Q表示热源，I表示对流换热系数，Tenv表示环境温度，n表示边界的外法线，/>是拉普拉斯算子，t表示时间；
（3）根据边界条件，对楼宇有限元模型进行温度分布模拟，得到楼宇有限元模型的目标温度场数据。
具体的，首先，通过预置的物联网传感器系统收集目标楼宇的环境参数数据。这些传感器分布于楼宇的关键位置，例如墙体、屋顶、窗户周围等，以实时监测楼宇内外的温度、湿度、光照等环境参数。这些传感器通常连接至一个中央数据处理系统，该系统负责收集、存储和分析从各个传感器传来的数据。在这个阶段，特别关注温度数据的收集，因为温度是影响楼宇能耗和舒适度的关键因素。接下来，对这些环境参数数据进行温度数据解析。筛选出与温度相关的数据，并将其转换成适合后续分析的格式。这些温度数据反映了楼宇各部分在不同时间和不同环境条件下的温度状况，为热传导分析提供了基础数据。然后，使用预置的热传导方程对楼宇有限元模型进行热传导分析。热传导方程描述了温度在物体内部的传播方式，它考虑了物体的物理特性（如密度ρ、比热容c、热导率k）和环境条件（如外部温度Tenv、对流换热系数I）。通过这个方程，可以确定楼宇结构在不同环境条件下的热响应，从而设置合适的边界条件。边界条件是进行温度分布模拟的关键，它们定义了模型的外部环境，如外墙面的温度或内部空间的热流情况。最后，根据所设定的边界条件，对楼宇有限元模型进行温度分布模拟。通常使用专业的计算软件，如ABAQUS或ANSYS，进行数值模拟。模拟过程中，软件根据输入的边界条件和楼宇的物理参数计算出整个楼宇的温度分布，这包括了楼宇各部分的温度变化、热流的传播路径等。得到的目标温度场数据不仅可以用于评估楼宇的能耗和舒适度，还可以作为楼宇结构分析的重要参考。
在一具体实施例中，执行步骤S103的过程可以具体包括如下步骤：
（1）根据目标温度场数据，并通过预置的温度应力函数对楼宇有限元模型的楼宇结构进行温度应力分析，得到初始温度应力数据，温度应力函数为：M=EgΔT，M表示初始温度应力数据，E表示弹性模量，g表示热膨胀系数，ΔT表示温度变化；
（2）根据初始温度应力数据，对楼宇有限元模型的楼宇结构进行应力区域分布分析，得到温度应力分布数据。
具体的，首先，根据目标温度场数据，并通过预置的温度应力函数对楼宇有限元模型的楼宇结构进行温度应力分析，得到初始温度应力数据。这些数据反映了楼宇内外各部位在不同条件下的温度变化。温度应力函数，通常表示为M=EgΔT，是用于计算由温度变化引起的应力的数学表达式。在这个公式中，M代表温度引起的初始应力，E是材料的弹性模量，g是材料的热膨胀系数，而ΔT是温度变化量。通过应用这个函数，可以计算出楼宇结构在不同温度变化下经历的应力。接着，利用这些计算得到的初始温度应力数据对楼宇有限元模型的结构进行应力区域分布分析，识别和评估那些由于温度变化而承受较高应力的区域。应力区域分布分析帮助识别出结构中的潜在薄弱点，这些点在极端温度条件或长期温度变化影响下会表现出较高的应力水平。例如，假设外墙由大面积的玻璃幕墙组成，这些玻璃在夏季和冬季会经历显著的温度变化。通过楼宇内外的温度传感器收集温度数据，然后利用这些数据来计算整个楼宇的目标温度场。这些温度场数据显示了楼宇各部分在一天中不同时间的温度变化。使用温度应力函数M=EgΔT，可以计算出由于日照和季节变化导致的温度变化引起的初始应力。例如，玻璃幕墙的热膨胀系数和弹性模量是已知的，通过计算可以得出太阳直射和阴影部分的玻璃板之间的温度差异导致的应力。这些初始温度应力数据反映了玻璃幕墙在不同部位由于温度变化而产生的应力大小。随后，对这些应力数据进行应力区域分布分析，以识别出那些受温度影响较大的区域。例如，发现在日照直射的区域，温度应力明显高于其他区域，这些区域成为结构的薄弱环节。此外，分析还可以揭示出结构连接点或支撑结构在温度变化下的应力分布情况，这有助于确保结构的整体稳定性和安全性。
在一具体实施例中，执行步骤S104的过程可以具体包括如下步骤：
（1）根据温度应力分布数据构建对应的温度应力分布热图；
（2）对温度应力分布热图进行应力分布区域聚类计算，得到目标聚类结果，并计算温度应力分布热图中每个应力分布区域的重要度；
（3）通过预置图计算聚类分析模型，根据目标聚类结果及每个应力分布区域的重要度对温度应力分布热图进行应力分布区域加权，得到加权应力分布热图；
（4）对加权应力分布热图进行应力分布特征识别，得到温度应力分布特征；
（5）对温度应力分布特征进行归一化处理，得到归一化应力分布特征，并对归一化应力分布特征进行向量编码，得到温度应力分布向量。
具体的，首先，根据温度应力分布数据构建对应的温度应力分布热图。热图是一种有效的数据可视化方法，它通过不同的颜色来表示不同程度的应力分布，使得数据分析更加直观和易于理解。例如，在一栋高层办公楼中，可以通过热图清楚地看到由于日照或其他外部因素导致的温度变化在楼宇结构中产生的应力分布，其中热图上颜色较深的区域表示应力较高。接下来，对温度应力分布热图进行应力分布区域的聚类计算。使用数据聚类算法来识别热图中应力分布的不同区域，并将相似的区域归为一类。这种聚类分析有助于识别出结构中的关键应力区域。同时，对每个应力分布区域的重要度进行计算，评估每个区域的应力水平和对整体结构安全性的影响。随后，通过预置的图计算聚类分析模型，根据目标聚类结果及每个应力分布区域的重要度对温度应力分布热图进行应力分布区域的加权处理。加权处理的目的是在热图中突出那些关键的应力分布区域，使得分析更加集中于结构的薄弱点或高风险区域。例如，加权后的热图会显示出玻璃幕墙连接点或结构梁的应力集中区域。接着，对加权应力分布热图进行应力分布特征的识别。使用图像处理和模式识别技术来从加权热图中提取出关于应力分布的关键特征。这些特征包括应力的分布模式、集中区域的形状和大小等，是理解楼宇结构应力响应的重要信息。例如，识别出特定形状和大小的应力集中区域，这些区域表明结构的潜在问题。最后，将提取出的温度应力分布特征进行归一化处理，并对这些归一化的特征进行向量编码。归一化处理是将特征数据转换为统一的标准格式，以便于在不同的分析和计算过程中使用。而向量编码则是将这些归一化的特征转换为数学向量的形式，有助于后续的数据处理和机器学习应用。得到的温度应力分布向量可以作为楼宇结构分析和健康监测系统的输入，为楼宇的维护和管理提供关键的数据支持。
在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：
（1）将温度应力分布向量输入预置的初始楼宇分析模型，初始楼宇分析模型包括：双向门限循环网络及全连接层；
（2）通过双向门限循环网络中的第一层门限循环单元，对温度应力分布向量进行隐藏特征提取，得到第一输出向量，并将第一输出向量输入双向门限循环网络中的第二层门限循环单元进行隐藏特征提取，得到第二特征向量；其中，第一层门限循环单元和第二层门限循环单元的结构相同，每一层门限循环单元对应的计算公式如下：
，/>；
其中，Rt为重置门控制向量，σ表示sigmoid函数，Wr、br为训练参数向量，xt为t时刻的温度应力分布向量，ht-1为xt-1对应的门限循环单元输出的特征向量；Zt为更新门控制向量，Wz、bz为训练参数；
，/>；
其中，表示候选隐状态向量，tanh表示双曲正切函数，Whx、Whh、bh为训练参数；xt为温度应力分布向量对应的第一输出向量：ht为两层门限循环单元的第二输出向量；
（3）通过全连接层对第二特征向量进行劳损伤和剩余寿命预测，得到目标预测数据，全连接层采用ReLU函数，全连接层的计算公式为:D1=tanh(Wd1ht+bd1)，D1表示目标预测数据，tanh表示双曲正切函数，ht为双向门限循环网络的第二输出向量，Wd1、bd1为训练参数。
具体的，首先，将温度应力分布向量输入到预置的初始楼宇分析模型中。这个模型包括一个双向门限循环网络和全连接层。双向门限循环网络是一种高级的神经网络结构，它能够有效地捕捉时间序列数据中的长期依赖关系，适合处理像温度应力分布这样随时间变化的数据。在双向门限循环网络中，第一层门限循环单元对输入的温度应力分布向量进行隐藏特征提取，得到第一输出向量。这一步骤包括重置门和更新门控制向量的生成。重置门控制向量（Rt）和更新门控制向量（Zt）通过特定的计算公式计算得出，其中涉及到sigmoid函数和训练参数向量的应用。这些控制向量的作用是帮助模型决定在每个时间步骤上保留或舍弃哪些信息，从而有效地捕捉时间序列数据中的长期依赖关系。接着，所得到的第一输出向量被输入到双向门限循环网络的第二层门限循环单元进行进一步的隐藏特征提取。在这一层中，使用与第一层相同的结构和计算公式，进一步增强对温度应力分布特征的提取能力。通过这样的层叠结构，Bi-LSTM能够从数据中提取出更加深层次和复杂的特征。接着，通过全连接层对提取出的第二特征向量进行进一步的处理，以预测楼宇结构的疲劳损伤和剩余寿命。全连接层采用ReLU激活函数，这种激活函数可以增加模型的非线性，从而提高预测的准确性。全连接层的计算公式涉及到双曲正切函数和一系列训练参数，这些计算将Bi-LSTM网络的输出转换为关于楼宇结构疲劳损伤和剩余寿命的具体预测数据。例如，办公楼的结构在持续的温度变化下表现出疲劳迹象，全连接层的计算可以预测这种疲劳损伤何时达到临界点，以及楼宇的结构寿命还有多长。这样的预测有助于制定维护计划和提前采取加固措施。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）通过Adam算法中的损失函数MSE，计算目标预测数据的均值方差，并根据均值方差，使用反向传播算法计算损失函数MSE的损失梯度；
（2）通过指数移动平均，根据损失梯度计算第一动量项和第一平方梯度项，其中，m=β1*m+(1-β1)*e，v=β2*v+(1-β2)*(e2)，β1和β2为指数衰减率，m为第一动量项，v为第一平方梯度项，e为损失梯度；
（3）对第一动量项和第一平方梯度项进行偏差校正，得到第二动量项和第二平方梯度项，其中，mhat=m/(1-β1y)，vhat=v/(1-β2y)，mhat为第二动量项，vhat为第二平方梯度项，y表示当前迭代次数；
（4）根据第二动量项和第二平方梯度项，对初始楼宇分析模型进行模型参数更新和迭代优化，得到目标楼宇分析模型。
具体的，首先，通过Adam算法中的损失函数MSE，计算目标预测数据的均值方差。MSE是一种常用的损失函数，它通过计算预测值和实际值之间的差异的平方和来评估模型的准确性。例如，如果模型预测的楼宇某部分的温度应力与实际测量值有较大偏差，MSE值会相应增大。计算得到的MSE不仅提供了模型性能的一个直观评估，还是优化模型参数的基础。接着，使用反向传播算法来计算MSE损失函数的损失梯度。反向传播是一种有效的机器学习训练技术，它通过计算损失函数相对于模型参数的导数来确定参数应该如何调整以减少误差。损失梯度会指明哪些参数的调整最有减少预测误差。然后，通过指数移动平均方法来计算损失梯度的第一动量项和第一平方梯度项。这里，动量项（m）和平方梯度项（v）是优化算法中的关键元素，分别代表梯度的一阶和二阶矩估计。动量项有助于加速学习过程，而平方梯度项则有助于调整学习率。这些计算包括了一系列复杂的数学操作，如β1和β2是指数衰减率，用于调整历史梯度信息的权重。接着，对第一动量项和第一平方梯度项进行偏差校正，得到第二动量项和第二平方梯度项。偏差校正是为了补偿动量项和平方梯度项在训练初期的估计偏差。例如，在楼宇分析模型的训练早期，动量项和平方梯度项由于较少的数据而不够准确，偏差校正可以帮助更准确地估计这些值。最后，根据经过偏差校正的第二动量项和第二平方梯度项，对初始楼宇分析模型进行参数更新和迭代优化。这意味着模型的每个参数都会根据其对损失函数的影响程度进行相应的调整。通过不断的迭代优化，最终得到的楼宇分析模型将能够更准确地预测楼宇的温度应力分布、疲劳损伤和剩余寿命。
上面对本申请实施例中基于物联网的智慧楼宇管理方法进行了描述，下面对本申请实施例中基于物联网的智慧楼宇管理装置进行描述，请参阅图2，本申请实施例中基于物联网的智慧楼宇管理装置一个实施例包括：
获取模块201，用于获取目标楼宇的结构设计数据，并根据所述结构设计数据构建所述目标楼宇的楼宇有限元模型；
模拟模块202，用于通过预置的物联网传感器，获取所述目标楼宇的环境参数数据，并根据所述环境参数数据模拟所述楼宇有限元模型的目标温度场数据；
分析模块203，用于根据所述目标温度场数据，对所述楼宇有限元模型的楼宇结构进行温度应力分析，得到温度应力分布数据；
编码模块204，用于对所述温度应力分布数据进行特征提取，得到温度应力分布特征，并对所述温度应力分布特征进行向量编码，得到温度应力分布向量；
预测模块205，用于将所述温度应力分布向量输入预置的初始楼宇分析模型进行疲劳损伤和剩余寿命预测，得到目标预测数据，所述初始楼宇分析模型包括：双向门限循环网络及两层全连接层；
优化模块206，用于根据所述目标预测数据，并通过Adam算法对所述初始楼宇分析模型进行模型优化，得到目标楼宇分析模型。
通过上述各个组成部分的协同合作，通过获取结构设计数据和建立有限元模型，可以实时监测楼宇的结构健康状态。这有助于早期发现潜在的结构问题和损伤，从而提高楼宇的安全性。通过物联网传感器获取环境参数数据，并模拟温度场数据，可以更准确地了解楼宇内部的环境情况。这有助于优化楼宇的能源管理，提高能源利用效率。进行温度应力分析可以帮助了解楼宇结构在不同温度条件下的应力分布情况。这有助于预测的热应力问题，并采取适当的措施进行管理和维护。通过将温度应力分布向量输入深度学习模型，可以预测楼宇结构的疲劳损伤和剩余寿命。这有助于制定维护计划和延长楼宇的使用寿命。使用Adam算法对初始楼宇分析模型进行模型优化，可以提高预测的准确性和性能，进而提高了智慧楼宇管理的准确率。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元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，本申请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全部或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）执行本申请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（read-only memory，ROM）、随机存取存储器（random acceS memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (7)

1.一种基于物联网的智慧楼宇管理方法，其特征在于，所述基于物联网的智慧楼宇管理方法包括：
获取目标楼宇的结构设计数据，并根据所述结构设计数据构建所述目标楼宇的楼宇有限元模型；具体包括：获取目标楼宇的结构设计数据，并通过预置的ABAQUS有限元分析软件，根据所述结构设计数据创建所述目标楼宇的初始有限元模型；通过预置的有限元方程，计算所述初始有限元模型的刚度矩阵，所述有限元方程为：，K表示刚度矩阵，刚度矩阵用于反映结构刚性，u为位移向量，u用于表示节点位移，F为外力向量；通过预置的质量矩阵方程，对所述初始有限元模型进行质量矩阵计算，得到质量矩阵，所述质量矩阵方程为：，M为质量矩阵用于描述质量分布，ρ为密度，N为形状函数，dV为体积元素，J为雅可比矩阵；通过预置的阻尼矩阵方程，对所述初始有限元模型进行阻尼矩阵计算，得到阻尼矩阵，所述阻尼矩阵方程为：/>，/>表示阻尼系数，C表示阻尼矩阵；根据所述阻尼矩阵，对所述初始有限元模型进行模型验证和模型优化，得到所述目标楼宇的楼宇有限元模型；
通过预置的物联网传感器，获取所述目标楼宇的环境参数数据，并根据所述环境参数数据模拟所述楼宇有限元模型的目标温度场数据；
根据所述目标温度场数据，对所述楼宇有限元模型的楼宇结构进行温度应力分析，得到温度应力分布数据；
对所述温度应力分布数据进行特征提取，得到温度应力分布特征，并对所述温度应力分布特征进行向量编码，得到温度应力分布向量；
将所述温度应力分布向量输入预置的初始楼宇分析模型进行疲劳损伤和剩余寿命预测，得到目标预测数据，所述初始楼宇分析模型包括：双向门限循环网络及两层全连接层；
根据所述目标预测数据，并通过Adam算法对所述初始楼宇分析模型进行模型优化，得到目标楼宇分析模型。
2.根据权利要求1所述的基于物联网的智慧楼宇管理方法，其特征在于，所述通过预置的物联网传感器，获取所述目标楼宇的环境参数数据，并根据所述环境参数数据模拟所述楼宇有限元模型的目标温度场数据，包括：
通过预置的物联网传感器，获取所述目标楼宇的环境参数数据，并对所述环境参数数据进行温度数据解析，得到温度数据；
通过预置的热传导方程，根据所述温度数据对所述楼宇有限元模型进行热传导分析和边界条件设置，得到边界条件，所述热传导方程为：，，ρ表示密度，c表示比热容，T表示温度数据，k表示热导率，Q表示热源，I表示对流换热系数，/>表示环境温度，n表示边界的外法线，/>是拉普拉斯算子，t表示时间；
根据所述边界条件，对所述楼宇有限元模型进行温度分布模拟，得到所述楼宇有限元模型的目标温度场数据。
3.根据权利要求1所述的基于物联网的智慧楼宇管理方法，其特征在于，所述根据所述目标温度场数据，对所述楼宇有限元模型的楼宇结构进行温度应力分析，得到温度应力分布数据，包括：
根据所述目标温度场数据，并通过预置的温度应力函数对所述楼宇有限元模型的楼宇结构进行温度应力分析，得到初始温度应力数据，所述温度应力函数为：，M表示初始温度应力数据，E表示弹性模量，g表示热膨胀系数，/>表示温度变化；
根据所述初始温度应力数据，对所述楼宇有限元模型的楼宇结构进行应力区域分布分析，得到温度应力分布数据。
4.根据权利要求1所述的基于物联网的智慧楼宇管理方法，其特征在于，所述对所述温度应力分布数据进行特征提取，得到温度应力分布特征，并对所述温度应力分布特征进行向量编码，得到温度应力分布向量，包括：
根据所述温度应力分布数据构建对应的温度应力分布热图；
对所述温度应力分布热图进行应力分布区域聚类计算，得到目标聚类结果，并计算所述温度应力分布热图中每个应力分布区域的重要度；
通过预置图计算聚类分析模型，根据所述目标聚类结果及每个应力分布区域的重要度对所述温度应力分布热图进行应力分布区域加权，得到加权应力分布热图；
对所述加权应力分布热图进行应力分布特征识别，得到温度应力分布特征；
对所述温度应力分布特征进行归一化处理，得到归一化应力分布特征，并对所述归一化应力分布特征进行向量编码，得到温度应力分布向量。
5.根据权利要求1所述的基于物联网的智慧楼宇管理方法，其特征在于，所述将所述温度应力分布向量输入预置的初始楼宇分析模型进行疲劳损伤和剩余寿命预测，得到目标预测数据，所述初始楼宇分析模型包括：双向门限循环网络及两层全连接层，包括：
将所述温度应力分布向量输入预置的初始楼宇分析模型，所述初始楼宇分析模型包括：双向门限循环网络及全连接层；
通过所述双向门限循环网络中的第一层门限循环单元，对所述温度应力分布向量进行隐藏特征提取，得到第一输出向量，并将所述第一输出向量输入所述双向门限循环网络中的第二层门限循环单元进行隐藏特征提取，得到第二特征向量；其中，所述第一层门限循环单元和所述第二层门限循环单元的结构相同，每一层门限循环单元对应的计算公式如下：；
其中，为重置门控制向量，/>表示sigmoid函数，/>、/>为训练参数向量，/>为t时刻的温度应力分布向量，/>为/>对应的门限循环单元输出的特征向量；/>为更新门控制向量，/>、/>为训练参数；
；
其中，表示候选隐状态向量，/>表示双曲正切函数，/>、/>、/>为训练参数；/>为温度应力分布向量对应的第一输出向量：/>为两层门限循环单元的第二输出向量；
通过所述全连接层对所述第二特征向量进行疲劳损伤和剩余寿命预测，得到目标预测数据，所述全连接层采用ReLU函数，全连接层的计算公式为:，/>表示目标预测数据，/>表示双曲正切函数，/>为双向门限循环网络的第二输出向量，/>、/>为训练参数。
6.根据权利要求1所述的基于物联网的智慧楼宇管理方法，其特征在于，所述根据所述目标预测数据，并通过Adam算法对所述初始楼宇分析模型进行模型优化，得到目标楼宇分析模型，包括：
通过所述Adam算法中的损失函数MSE，计算所述目标预测数据的均值方差，并根据所述均值方差，使用反向传播算法计算所述损失函数MSE的损失梯度；
通过指数移动平均，根据所述损失梯度计算第一动量项和第一平方梯度项，其中，，/>，/>和/>为指数衰减率，m为第一动量项，v为第一平方梯度项，e为损失梯度；
对所述第一动量项和所述第一平方梯度项进行偏差校正，得到第二动量项和第二平方梯度项，其中，，/>，/>为第二动量项，/>为第二平方梯度项，y表示当前迭代次数；
根据所述第二动量项和所述第二平方梯度项，对所述初始楼宇分析模型进行模型参数更新和迭代优化，得到目标楼宇分析模型。
7.一种基于物联网的智慧楼宇管理装置，其特征在于，所述基于物联网的智慧楼宇管理装置包括：
获取模块，用于获取目标楼宇的结构设计数据，并根据所述结构设计数据构建所述目标楼宇的楼宇有限元模型；具体包括：获取目标楼宇的结构设计数据，并通过预置的ABAQUS有限元分析软件，根据所述结构设计数据创建所述目标楼宇的初始有限元模型；通过预置的有限元方程，计算所述初始有限元模型的刚度矩阵，所述有限元方程为：，K表示刚度矩阵，刚度矩阵用于反映结构刚性，u为位移向量，u用于表示节点位移，F为外力向量；通过预置的质量矩阵方程，对所述初始有限元模型进行质量矩阵计算，得到质量矩阵，所述质量矩阵方程为：/>，M为质量矩阵用于描述质量分布，ρ为密度，N为形状函数，dV为体积元素，J为雅可比矩阵；通过预置的阻尼矩阵方程，对所述初始有限元模型进行阻尼矩阵计算，得到阻尼矩阵，所述阻尼矩阵方程为：/>，/>表示阻尼系数，C表示阻尼矩阵；根据所述阻尼矩阵，对所述初始有限元模型进行模型验证和模型优化，得到所述目标楼宇的楼宇有限元模型；
模拟模块，用于通过预置的物联网传感器，获取所述目标楼宇的环境参数数据，并根据所述环境参数数据模拟所述楼宇有限元模型的目标温度场数据；
分析模块，用于根据所述目标温度场数据，对所述楼宇有限元模型的楼宇结构进行温度应力分析，得到温度应力分布数据；
编码模块，用于对所述温度应力分布数据进行特征提取，得到温度应力分布特征，并对所述温度应力分布特征进行向量编码，得到温度应力分布向量；
预测模块，用于将所述温度应力分布向量输入预置的初始楼宇分析模型进行疲劳损伤和剩余寿命预测，得到目标预测数据，所述初始楼宇分析模型包括：双向门限循环网络及两层全连接层；
优化模块，用于根据所述目标预测数据，并通过Adam算法对所述初始楼宇分析模型进行模型优化，得到目标楼宇分析模型。
CN202311757668.6A 2023-12-20 2023-12-20 基于物联网的智慧楼宇管理方法及系统 Active CN117436318B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311757668.6A CN117436318B (zh) 2023-12-20 2023-12-20 基于物联网的智慧楼宇管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311757668.6A CN117436318B (zh) 2023-12-20 2023-12-20 基于物联网的智慧楼宇管理方法及系统

Publications (2)

Publication Number Publication Date
CN117436318A CN117436318A (zh) 2024-01-23
CN117436318B true CN117436318B (zh) 2024-05-17

Family

ID=89555656

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311757668.6A Active CN117436318B (zh) 2023-12-20 2023-12-20 基于物联网的智慧楼宇管理方法及系统

Country Status (1)

Country Link
CN (1) CN117436318B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117784736B (zh) * 2024-02-23 2024-04-26 连云港智拓节能电气有限公司 一种基于物联网技术的智能楼宇能源管理方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2604118A1 (en) * 2007-11-01 2008-04-23 Ashok Ak Koul A system and method for real-time prognostics analysis and residual life assessment of machine components
CN102539325A (zh) * 2010-12-08 2012-07-04 华东理工大学 基于应变监测的焦碳塔结构损伤监测方法
CN111693380A (zh) * 2020-07-15 2020-09-22 合肥工业大学 一种基于有限元的沥青路面疲劳损伤预测方法
CN111859724A (zh) * 2020-05-27 2020-10-30 中铁第四勘察设计院集团有限公司 一种混合驱动的无砟轨道疲劳寿命预测方法和系统
CN114237057A (zh) * 2021-12-20 2022-03-25 东南大学 智慧楼宇用电分析的动态建模方法、系统、设备和介质
CN117111544A (zh) * 2023-10-17 2023-11-24 深圳市华科科技有限公司 一种自动适配的楼宇物联网监控方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2604118A1 (en) * 2007-11-01 2008-04-23 Ashok Ak Koul A system and method for real-time prognostics analysis and residual life assessment of machine components
CN102539325A (zh) * 2010-12-08 2012-07-04 华东理工大学 基于应变监测的焦碳塔结构损伤监测方法
CN111859724A (zh) * 2020-05-27 2020-10-30 中铁第四勘察设计院集团有限公司 一种混合驱动的无砟轨道疲劳寿命预测方法和系统
CN111693380A (zh) * 2020-07-15 2020-09-22 合肥工业大学 一种基于有限元的沥青路面疲劳损伤预测方法
CN114237057A (zh) * 2021-12-20 2022-03-25 东南大学 智慧楼宇用电分析的动态建模方法、系统、设备和介质
CN117111544A (zh) * 2023-10-17 2023-11-24 深圳市华科科技有限公司 一种自动适配的楼宇物联网监控方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
大体积混凝土边界影响及管冷优化研究应用;何熊伟;;福建建筑;20200301(03);第91-95, 100 *

Also Published As

Publication number Publication date
CN117436318A (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
Stojanovic et al. Adaptive system for dam behavior modeling based on linear regression and genetic algorithms
CN117436318B (zh) 基于物联网的智慧楼宇管理方法及系统
CN108009674A (zh) 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法
CN109145464B (zh) 融合多目标蚁狮优化与迹稀疏正则化的结构损伤识别方法
Erdogan et al. Inverse propagation of uncertainties in finite element model updating through use of fuzzy arithmetic
Li et al. Multivariate ensembles-based hierarchical linkage strategy for system reliability evaluation of aeroengine cooling blades
CN105183928A (zh) 铸铝构件中的残余应力和变形的快速分析
JP2010522376A (ja) ３次元パレートフロント遺伝的プログラミングを使用して作成した推論センサ
CN111241755A (zh) 电力负荷预测方法
Fathnejat et al. A data-driven structural damage identification approach using deep convolutional-attention-recurrent neural architecture under temperature variations
CN113449919B (zh) 一种基于特征和趋势感知的用电量预测方法及系统
Fonna et al. Inverse analysis using particle swarm optimization for detecting corrosion profile of rebar in concrete structure
CN115270239A (zh) 基于动力特性和智能算法响应面法的桥梁可靠性预测方法
CN114266278A (zh) 一种基于双重注意力网络的设备剩余使用寿命预测方法
CN112131794A (zh) 基于lstm网络的水工建筑物多效应量优化预测及可视化方法
US20220101198A1 (en) Automated generation of a machine learning model from computational simulation data
KR102656115B1 (ko) 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치
Manoj et al. FWS-DL: forecasting wind speed based on deep learning algorithms
Zar et al. Vibration-based damage detection of arch dams using least-square support vector machines and salp swarm algorithms
CN114896712A (zh) 基于基准贝叶斯原理与稀疏正则化的结构损伤识别方法
CN113866391A (zh) 深度学习模型预测因素解释方法及其在土壤含水量预测中的应用
Reuland et al. Monitoring-Driven Post-earthquake Building Damage Tagging
CN116187153B (zh) 基于层次贝叶斯的水工结构数字孪生模型更新方法
Oh et al. Multi-objective optimization method to search for the optimal convolutional neural network architecture for long-term structural health monitoring
Wu et al. Stochastic modeling of artificial neural networks for real-time hydrological forecasts based on uncertainties in transfer functions and ANN weights

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