CN117574303B - 施工状况的监测预警方法、装置、设备及存储介质 - Google Patents

施工状况的监测预警方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117574303B
CN117574303B CN202410056678.5A CN202410056678A CN117574303B CN 117574303 B CN117574303 B CN 117574303B CN 202410056678 A CN202410056678 A CN 202410056678A CN 117574303 B CN117574303 B CN 117574303B
Authority
CN
China
Prior art keywords
construction
feature
hidden danger
target
network
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
CN202410056678.5A
Other languages
English (en)
Other versions
CN117574303A (zh
Inventor
周亮
文爱玲
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 Jiuxiang Digital Technology Co ltd
Original Assignee
Shenzhen Jiuxiang Digital 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 Shenzhen Jiuxiang Digital Technology Co ltd filed Critical Shenzhen Jiuxiang Digital Technology Co ltd
Priority to CN202410056678.5A priority Critical patent/CN117574303B/zh
Publication of CN117574303A publication Critical patent/CN117574303A/zh
Application granted granted Critical
Publication of CN117574303B publication Critical patent/CN117574303B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N3/0499—Feedforward 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
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Economics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Physiology (AREA)
  • Nonlinear Science (AREA)
  • Mathematical Optimization (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及施工监控技术领域，公开了一种施工状况的监测预警方法、装置、设备及存储介质。所述方法包括：采集目标施工区域的目标施工状况数据集；进行特征层次聚类和特征网络构建，得到目标施工隐患特征网络；进行网络中心性分析，确定网络中心点并生成目标中心施工隐患特征以及多个初始边缘施工隐患特征；进行特征筛选，得到多个目标边缘施工隐患特征；对目标中心施工隐患特征以及多个目标边缘施工隐患特征进行特征权重计算和特征编码转换，得到施工隐患特征输入向量；通过GA‑BP神经网络进行施工状况异常分析，得到施工状况异常分析结果，并根据施工状况异常分析结果生成施工状况监测预警信息，本申请提高了施工状况的监测预警准确率。

Description

施工状况的监测预警方法、装置、设备及存储介质
技术领域
本申请涉及施工监控技术领域，尤其涉及一种施工状况的监测预警方法、装置、设备及存储介质。
背景技术
近年来，建筑行业一直处于迅速发展的阶段，大量的建筑项目在不断涌现，但与之相应的，施工工程的安全性和效率也面临着更加严峻的挑战。为了应对这些挑战，研究人员和工程师们一直在寻找更先进的监测和预警方法，以提高施工状况的可控性和可预测性。传统的监测方法主要依赖于手工检查和有限的传感器数据，存在着监测精度不高、反应慢、容易忽略等问题。因此，迫切需要一种更先进的方法来监测施工状况，及时发现潜在的隐患和异常，以确保施工过程的顺利进行。
然而，当前的研究背景中存在着一些问题。传统的施工监测方法仍然依赖于有限的数据源，传感器的数量和类型有限，不能全面覆盖施工区域，导致监测的信息不够全面。其次，对于多维施工数据的处理和分析方法仍然需要进一步改进，以提高数据的可用性和准确性。此外，如何快速有效地发现施工中的潜在问题和异常，以及如何进行及时的预警和干预，也是当前研究的重要挑战之一。
发明内容
本申请提供了一种施工状况的监测预警方法、装置、设备及存储介质，本申请提高了施工状况的监测预警准确率。
第一方面，本申请提供了一种施工状况的监测预警方法，所述施工状况的监测预警方法包括：
对目标施工区域进行多维施工状况数据采集，得到初始施工状况数据集，并对所述初始施工状况数据集进行数据标准化与特征提取，得到目标施工状况数据集；
对所述目标施工状况数据集进行特征层次聚类和特征网络构建，得到初始施工隐患特征网络，并对所述初始施工隐患特征网络进行网络动态优化，得到目标施工隐患特征网络；
对所述目标施工隐患特征网络进行网络中心性分析，确定网络中心点，并根据所述网络中心点生成对应的目标中心施工隐患特征以及多个初始边缘施工隐患特征；
基于多项式混沌展开对所述多个初始边缘施工隐患特征进行特征筛选，得到多个目标边缘施工隐患特征；
对所述目标中心施工隐患特征以及所述多个目标边缘施工隐患特征进行特征权重计算和特征编码转换，得到施工隐患特征输入向量；
将所述施工隐患特征输入向量输入预置的GA-BP神经网络进行施工状况异常分析，得到施工状况异常分析结果，并根据所述施工状况异常分析结果生成所述目标施工区域对应的施工状况监测预警信息。
第二方面，本申请提供了一种施工状况的监测预警装置，所述施工状况的监测预警装置包括：
采集模块，用于对目标施工区域进行多维施工状况数据采集，得到初始施工状况数据集，并对所述初始施工状况数据集进行数据标准化与特征提取，得到目标施工状况数据集；
构建模块，用于对所述目标施工状况数据集进行特征层次聚类和特征网络构建，得到初始施工隐患特征网络，并对所述初始施工隐患特征网络进行网络动态优化，得到目标施工隐患特征网络；
分析模块，用于对所述目标施工隐患特征网络进行网络中心性分析，确定网络中心点，并根据所述网络中心点生成对应的目标中心施工隐患特征以及多个初始边缘施工隐患特征；
筛选模块，用于基于多项式混沌展开对所述多个初始边缘施工隐患特征进行特征筛选，得到多个目标边缘施工隐患特征；
计算模块，用于对所述目标中心施工隐患特征以及所述多个目标边缘施工隐患特征进行特征权重计算和特征编码转换，得到施工隐患特征输入向量；
生成模块，用于将所述施工隐患特征输入向量输入预置的GA-BP神经网络进行施工状况异常分析，得到施工状况异常分析结果，并根据所述施工状况异常分析结果生成所述目标施工区域对应的施工状况监测预警信息。
本申请第三方面提供了一种计算机设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述计算机设备执行上述的施工状况的监测预警方法。
本申请的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的施工状况的监测预警方法。
本申请提供的技术方案中，通过使用多个传感器采集施工现场的多维数据，包括温度、湿度、噪音、振动、设备状态和工人活动数据，实现全面的监测。对采集到的数据进行标准化和特征提取，有助于减少数据的复杂性，使其更易于分析和处理。采用分裂层次聚类算法对数据进行聚类，能够识别出不同的隐患特征群，提高了异常检测的精度。利用GA-BP神经网络进行施工状况异常分析，神经网络可以学习和识别复杂的施工情况，从而更准确地发现异常情况。通过多项式混沌展开等技术，对施工隐患特征进行权重计算和筛选，提高了异常检测的可靠性和准确性。能够实时监测施工状况，并在发现异常情况时生成预警信息，使管理人员能够迅速采取行动，减少事故风险。通过分析施工隐患特征网络的中心性，可以识别出最关键的隐患特征，有助于优先处理最重要的问题。使用了遗传优化算法和多层前馈神经网络，能够实现自动化的数据分析和异常检测，进而提高了施工状况的监测预警准确率。
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为本申请实施例中施工状况的监测预警方法的一个实施例示意图；
图2为本申请实施例中施工状况的监测预警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施工状况的监测预警方法、装置、设备及存储介质。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，本申请实施例中施工状况的监测预警方法的一个实施例包括：
步骤101、对目标施工区域进行多维施工状况数据采集，得到初始施工状况数据集，并对初始施工状况数据集进行数据标准化与特征提取，得到目标施工状况数据集；
可以理解的是，本申请的执行主体可以为施工状况的监测预警装置，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，通过预置的传感器组对目标施工区域进行多维施工状况数据采集，这些传感器专门部署于施工现场的关键位置，用于实时监测和记录各种与施工安全、效率密切相关的数据。这些数据包括温度、湿度、噪音、振动、设备状态以及工人的活动情况等，共同构成了初始施工状况数据集。采集到的原始数据往往存在量纲不一、范围差异大等问题，因此需要进行Z-score标准化处理。Z-score标准化是一种常用的数据预处理方法，它通过减去均值并除以标准差来调整数据的分布，使得处理后的数据符合标准正态分布，即平均值为0，标准差为1。这种处理不仅消除了数据量纲的影响，还提高了不同特征之间的可比性。进行异常值去除，通过识别和剔除这些异常值，可以确保后续分析的准确性和可靠性，得到第二施工状况数据集。对第二施工状况数据集应用K-means特征聚类算法。K-means是一种聚类算法，能够将数据划分为K个集群，每个集群内的数据点相互接近，而不同集群的数据点相互远离。K-means算法可以帮助服务器发现数据中的模式和结构，例如哪些数据点表示正常的施工状态，哪些暗示潜在的风险和问题。通过K-means特征聚类，能够对施工状况进行细致的分类，还能根据聚类结果生成目标施工区域的目标施工状况数据集。
步骤102、对目标施工状况数据集进行特征层次聚类和特征网络构建，得到初始施工隐患特征网络，并对初始施工隐患特征网络进行网络动态优化，得到目标施工隐患特征网络；
具体的，采用分裂层次聚类算法对目标施工状况数据集进行处理。分裂层次聚类算法是一种高效的数据分类方法，它从整个数据集开始，逐步细分至各个子集，这些子集在特征上相似性高，差异性小，从而形成了多个目标隐患特征群。这些特征群能够反映出施工现场的不同隐患类型，例如与设备故障相关的特征群、与环境条件相关的特征群等。对特征群进行关联强度分析，明确不同特征群之间的相互关系，量化每两个特征群之间的关联强度。关联强度分析可以基于各种统计学方法和算法，例如计算两个特征群之间的共现频率、相互信息量或其他相关性指标，得到一个全面的关联强度数据集。根据关联强度数据对多个目标隐患特征群进行特征网络构建，其中每个节点代表一个特征群，节点之间的连线则表示特征群之间的关联强度。在这个网络中，一些节点会因为与多个其他节点有强关联而成为网络的关键节点，这些节点对施工安全具有重要影响。对初始施工隐患特征网络进行网络动态优化，进一步提升网络的准确性和实用性。网络动态优化包括调整节点之间的连线强度、去除弱关联的节点、增加新的节点以反映新发现的隐患特征等。这种优化是一个持续的过程，随着施工现场状况的变化和新数据的不断收集，特征网络也需要不断更新和调整。
步骤103、对目标施工隐患特征网络进行网络中心性分析，确定网络中心点，并根据网络中心点生成对应的目标中心施工隐患特征以及多个初始边缘施工隐患特征；
具体的，对目标施工隐患特征网络进行中心性度量分析，量化每个节点在网络中的重要性和中心地位。中心性度量是网络分析中的核心概念，它可以从多个维度评估节点的影响力和重要性。在施工隐患特征网络中，一些节点因为直接或间接与许多其他节点相连而成为关键节点，这些节点的状态和变化对整个网络的健康和安全具有决定性影响。中心性度量的结果为服务器提供了一个量化的指标，帮助服务器识别出这些关键节点。基于中心性度量结果，对网络进行接近中心性和介数中心性分析。接近中心性主要关注节点与网络中其他节点的接近程度，一个高接近中心性的节点意味着它到网络中其他节点的距离较短，这样的节点通常在网络中占据着策略性的位置，能够快速影响到其他部分。而介数中心性则关注节点在网络中的桥梁作用，一个高介数中心性的节点意味着更多的节点对之间的路径会通过这个节点，这样的节点在网络中起着连接不同群体或区域的关键作用。通过这两种分析，可以深入理解网络中节点的角色和功能，识别出那些在施工隐患预警中起着关键作用的节点。基于中心点生成对应的目标中心施工隐患特征。这些特征是从实际的施工状况数据中提取出来的，它们代表了施工现场最出现问题和隐患的地方。对这些目标中心施工隐患特征进行进一步的边缘施工隐患特征计算，从更广的角度审视和评估施工现场的安全状况，这些边缘特征虽然不是当前最紧迫的问题，但它们在特定条件下会演变成严重的隐患，因此同样需要被监测和分析。
步骤104、基于多项式混沌展开对多个初始边缘施工隐患特征进行特征筛选，得到多个目标边缘施工隐患特征；
具体的，分别对多个初始边缘施工隐患特征进行特征权重分析，量化每个特征对于识别和预警施工隐患的贡献度。特征权重分析可以基于各种统计学方法，包括方差分析、相关系数计算或其他先进的特征选择算法，得到每个初始边缘施工隐患特征的第一特征权重数据，这些数据反映了每个特征在整个数据集中的重要性和显著性。通过信息熵权重法对第一特征权重数据进行进一步的权重计算。信息熵是衡量数据不确定性和无序程度的一个指标，被用来评估每个特征的权重数据的有效性和稳定性。信息熵权重法能够有效地处理特征之间的冗余和依赖问题，确保最终得到的第二特征权重数据既能反映特征的重要性，又能保持特征之间的独立性和多样性。通过多项式混沌展开对初始边缘施工隐患特征进行处理。多项式混沌展开是一种基于混沌理论的数学方法，它能够揭示数据内在的复杂结构和动态变化规律。在这一步骤中，每个初始边缘施工隐患特征都会被转换和重构，得到一个新的表示，这个新表示能够更加准确和直观地反映特征的重要度。根据每个特征的重要度进行特征筛选，从而得到多个目标边缘施工隐患特征。确定一个合适的阈值或标准，只有那些重要度高于此阈值的特征才会被选中。这样的特征筛选过程不仅能够去除那些无关紧要或冗余的特征，还能确保最终得到的目标边缘施工隐患特征集合是精简的、高效的，并且具有预测价值。
步骤105、对目标中心施工隐患特征以及多个目标边缘施工隐患特征进行特征权重计算和特征编码转换，得到施工隐患特征输入向量；
具体的，对目标中心施工隐患特征以及多个目标边缘施工隐患特征进行特征归一化处理，消除不同特征之间由于量纲不同而造成的影响，确保每个特征在后续分析中都能被公平对待。归一化处理通常将原始数据映射到一个共同的尺度，例如0到1或者-1到1之间，这样不仅提高了算法的收敛速度，也增强了模型的稳定性和可靠性。通过这样的处理，得到归一化中心施工隐患特征以及多个归一化边缘施工隐患特征。对归一化后的特征进行特征权重计算。进一步确定每个特征对于识别和预警施工隐患的重要性。特征权重计算可以基于多种方法，例如信息增益、基尼不纯度或其他特征选择算法。通过这样的计算，得到一个目标特征权重集合，这个集合反映了每个特征在整个特征集中的相对重要性。这些权重不仅可以帮助服务器理解每个特征的贡献度，还可以在后续的模型训练和预测中起到指导作用。根据目标特征权重集合对归一化特征进行特征编码转换。将特征数据转化为适合机器学习模型处理的格式。特征编码转换是一个将原始特征数据映射到新的表示空间的过程，这个新的表示空间能够更加准确和有效地反映特征的重要性和特性。在这一步骤中，每个特征都会根据其权重被赋予不同的编码，这样不仅能够保持特征之间的重要性比例，还能够提高模型处理数据的效率和准确性。通过这样的编码转换，最终得到的施工隐患特征输入向量既包含了所有相关的特征信息。
步骤106、将施工隐患特征输入向量输入预置的GA-BP神经网络进行施工状况异常分析，得到施工状况异常分析结果，并根据施工状况异常分析结果生成目标施工区域对应的施工状况监测预警信息。
具体的，GA-BP神经网络是一个结合了遗传算法（GA）和反向传播（BP）神经网络的先进模型，它利用GA的全局搜索能力和BP网络的局部搜索能力，以期达到快速且准确地优化网络权重的目的。将施工隐患特征输入向量输入预置的GA-BP神经网络中。这个网络包括多层前馈神经网络的结构，还整合了遗传算法进行网络权重的初始化和优化。遗传算法是一种启发式搜索算法，它模拟生物进化中的自然选择、交叉和变异等机制。遗传算法首先对多层前馈神经网络的初始网络权重进行优化，生成一系列的解决方案，即一组初始网络权重。通过误差反向传播算法对初始网络权重进行进一步的优化。误差反向传播算法是一种监督学习算法，它通过计算输出结果与实际值之间的误差，并将误差信息反向传播回网络中，逐渐调整每个连接权重。在这一步骤中，GA优化过的初始权重被进一步细化，目标是最小化预测误差，提高模型的准确性和鲁棒性。通过这样的优化过程，最终得到的目标网络权重是对施工隐患特征反应最敏感、预测能力最强的权重集合。GA-BP神经网络利用目标网络权重对输入的施工隐患特征向量进行分析，评估当前施工状况是否存在异常。由于GA-BP神经网络具有强大的非线性映射能力，它能够识别出复杂的模式和关系，即使在噪声和不确定性较大的环境中也能进行有效的预测。通过这样的异常分析，可以得到关于施工状况的综合评估和预测结果。根据施工状况异常分析的结果，生成目标施工区域对应的施工状况监测预警信息。这些预警信息将基于分析结果的严重程度、紧迫性和的影响范围进行定制，以确保相关人员可以及时、准确地了解当前的施工风险和潜在的问题。
本申请实施例中，通过使用多个传感器采集施工现场的多维数据，包括温度、湿度、噪音、振动、设备状态和工人活动数据，实现全面的监测。对采集到的数据进行标准化和特征提取，有助于减少数据的复杂性，使其更易于分析和处理。采用分裂层次聚类算法对数据进行聚类，能够识别出不同的隐患特征群，提高了异常检测的精度。利用GA-BP神经网络进行施工状况异常分析，神经网络可以学习和识别复杂的施工情况，从而更准确地发现异常情况。通过多项式混沌展开等技术，对施工隐患特征进行权重计算和筛选，提高了异常检测的可靠性和准确性。能够实时监测施工状况，并在发现异常情况时生成预警信息，使管理人员能够迅速采取行动，减少事故风险。通过分析施工隐患特征网络的中心性，可以识别出最关键的隐患特征，有助于优先处理最重要的问题。使用了遗传优化算法和多层前馈神经网络，能够实现自动化的数据分析和异常检测，进而提高了施工状况的监测预警准确率。
在一具体实施例中，执行步骤101的过程可以具体包括如下步骤：
（1）通过预置的传感器组对目标施工区域进行多维施工状况数据采集，得到初始施工状况数据集，初始施工状况数据集包括：温度数据、湿度数据、噪音数据、振动数据、设备状态数据和工人活动数据；
（2）对初始施工状况数据集进行Z-score标准化，得到第一施工状况数据集，并对第一施工状况数据集进行异常值去除，得到第二施工状况数据集；
（3）对第二施工状况数据集进行K-means特征聚类，得到K-means特征聚类结果，并根据K-means特征聚类结果生成目标施工区域的目标施工状况数据集。
具体的，部署一系列传感器以收集施工现场的温度、湿度、噪音、振动、设备状态和工人活动等多维数据。这些传感器放置在施工现场的关键位置，例如在设备附近、工人常活动的区域以及其他重要的监控点。例如，温湿度传感器可以放置在施工材料存放区以监测影响材料质量的环境条件，振动传感器可以安装在机械设备上以监测其运行状况，而噪音传感器则可以布置在施工现场的边界附近，以评估施工活动对周围环境的影响。通过这些传感器收集的数据构成了初始施工状况数据集。对初始数据集进行Z-score标准化，消除不同数据之间的量纲影响，并将其转换为具有零均值和单位方差的标准形式。将每个数据点减去整个数据集的平均值，然后除以数据集的标准差，形成了第一施工状况数据集。对第一施工状况数据集进行异常值去除。识别和剔除那些偏离数据集中心或分布两端的数据点。这些异常值是由于传感器故障、数据传输错误或其他非正常的施工活动造成的。异常值的存在不仅会扭曲数据的真实分布，还导致后续分析的不准确。对第二施工状况数据集进行K-means特征聚类，发现数据中的潜在模式和结构。K-means是一种聚类算法，将数据点划分为K个集群，使得同一个集群内的数据点相互接近，而不同集群的数据点相互远离。K-means算法帮助识别出不同类型的施工状态，例如正常运行、潜在隐患和明显故障等。例如，通过对温度、振动和噪音等多维数据进行聚类分析，发现一些集群对应于机械设备的正常运行状态，而另一些集群则对应于设备过热、过载或故障的状态。通过这样的分析，可以根据K-means特征聚类结果生成目标施工区域的目标施工状况数据集。
在一具体实施例中，执行步骤102的过程可以具体包括如下步骤：
（1）采用分裂层次聚类算法，对目标施工状况数据集进行特征层次聚类，得到多个目标隐患特征群；
（2）对多个目标隐患特征群进行关联强度分析，得到每两个目标隐患特征群之间的关联强度数据；
（3）根据关联强度数据对多个目标隐患特征群进行特征网络构建，得到初始施工隐患特征网络；
（4）对初始施工隐患特征网络进行网络动态优化，得到目标施工隐患特征网络。
具体的，分裂层次聚类是一种从顶向下的聚类方法，将所有数据视为一个大的群组，然后逐步将这个群组分裂成更小的子群组，直至满足某些停止条件。分裂层次聚类可以帮助识别出不同类型的隐患特征，并将它们组织成一个多层次的结构。对目标隐患特征群进行关联强度分析，量化它们之间的相互关系。关联强度分析包括计算不同特征群之间的相似度、相关性或其他统计指标。例如，如果发现某两个特征群中的温度和振动数据经常同时出现异常，那么可以认为这两个特征群之间的关联强度较高。根据关联强度数据，对多个目标隐患特征群进行特征网络构建。在这个特征网络中，每个节点代表一个目标隐患特征群，而节点之间的连线代表它们之间的关联强度。例如，如果两个特征群之间的关联强度很高，那么它们之间的连线就会更粗或更突出。对初始施工隐患特征网络进行网络动态优化，确保它能够准确反映施工现场的实际状况，并随着新数据的不断到来而进行适时更新。网络动态优化包括调整节点之间的连线强度、去除或添加节点以反映新发现的隐患特征，或者重新分组已有的特征群。这一步骤需要不断地评估和调整特征网络，以确保它始终保持最新、最准确的状态。从而得到目标施工隐患特征网络。
在一具体实施例中，执行步骤103的过程可以具体包括如下步骤：
（1）对目标施工隐患特征网络进行中心性度量分析，得到中心性度量结果；
（2）根据中心性度量结果对目标施工隐患特征网络进行接近中心性和介数中心性分析，得到接近中心性分析结果和介数中心性分析结果；
（3）根据接近中心性分析结果和介数中心性分析结果确定目标施工隐患特征网络的网络中心点；
（4）根据网络中心点生成对应的目标中心施工隐患特征，并对目标中心施工隐患特征进行边缘施工隐患特征计算，得到多个初始边缘施工隐患特征。
具体的，对目标施工隐患特征网络进行中心性度量分析，对网络中每个节点的影响力或重要性进行量化。这些节点代表不同的监测指标，如温度、振动、噪音等。例如，若一个节点代表高温度，并且与许多其他类型的隐患特征（如设备过热、物料损坏等）有强连接，则该节点在网络中的中心性较高。根据中心性度量结果进行接近中心性和介数中心性分析。接近中心性分析关注的是一个节点与网络中其他节点的接近程度，这在施工隐患特征网络中意味着某个特征与其他特征的关联程度。高接近中心性的节点是那些与多种隐患相关联的关键监测指标。介数中心性分析则关注节点在网络中的桥梁作用，即通过该节点连接不同隐患特征群的程度。在施工隐患特征网络中，高介数中心性的节点是那些在不同类型的施工隐患之间起到关键联系作用的特征。随后，根据接近中心性分析和介数中心性分析的结果，确定施工隐患特征网络的网络中心点。这些中心点代表了施工过程中最关键的监测特征，其状态和变化对整个施工现场的安全有着重要的影响。生成对应的目标中心施工隐患特征。将网络分析的结果转化为实际可监测和可管理的施工隐患指标。例如，如果温度和振动被确定为中心点，那么这些就成为目标中心施工隐患特征，应当在施工监测中给予特别关注。对目标中心施工隐患特征进行边缘施工隐患特征计算。识别与中心特征紧密相关联的其他潜在隐患特征。通过对中心特征周围的特征进行分析，可以得到一系列初始边缘施工隐患特征，这些特征虽然不像中心特征那样显著，但在特定条件下会导致严重的后果。例如，如果温度是一个中心特征，那么与温度升高相关的边缘特征包括特定类型的设备故障、物料性质变化等。
在一具体实施例中，执行步骤104的过程可以具体包括如下步骤：
（1）分别对多个初始边缘施工隐患特征进行特征权重分析，得到每个初始边缘施工隐患特征的第一特征权重数据；
（2）通过信息熵权重法对第一特征权重数据进行权重计算，得到每个初始边缘施工隐患特征的第二特征权重数据；
（3）通过多项式混沌展开，根据第二特征权重数据对多个初始边缘施工隐患特征进行处理，得到每个初始边缘施工隐患特征的重要度；
（4）根据重要度对多个初始边缘施工隐患特征进行特征筛选，得到多个目标边缘施工隐患特征。
具体的，对多个初始边缘施工隐患特征进行特征权重分析。通过计算特征的统计指标，例如变异系数、方差、或特征与施工隐患发生率的相关性等。例如，如果某个特征在施工隐患发生时经常出现显著变化，那么这个特征会被赋予较高的权重。通过这种方式，可以得到每个初始边缘施工隐患特征的第一特征权重数据，这个数据反映了每个特征在初步分析中的重要性。通过信息熵权重法对第一特征权重数据进行权重计算。信息熵权重法是一种基于信息论的方法，它利用信息熵的概念来评估特征的有效性和稳定性。信息熵是度量数据不确定性的指标，对于施工隐患特征来说，较低的信息熵意味着该特征在不同施工状况下变化较小，稳定性较高，因此更重要。通过计算每个特征的信息熵并据此调整特征权重，可以得到每个初始边缘施工隐患特征的第二特征权重数据，这个数据更全面和准确地反映了特征的重要性。随后，通过多项式混沌展开方法根据第二特征权重数据对多个初始边缘施工隐患特征进行处理。多项式混沌展开是一种用于处理非线性和复杂数据的数学方法，它可以揭示数据内在的复杂结构和动态变化规律。每个特征被转换为一个新的表示形式，这个新表示更能准确地反映特征的重要性和影响力。例如，一个原本看似不显著的振动特征，在经过混沌展开处理后显示出与某些严重隐患高度相关的复杂模式。通过这种处理，可以得到每个初始边缘施工隐患特征的重要度，这个重要度是一个综合考虑了多种因素的量化指标。根据重要度对多个初始边缘施工隐患特征进行特征筛选。筛选可以基于预先设定的阈值或标准进行，只有那些重要度高于此阈值的特征才会被选中。例如，可以设置一个标准，如只选择重要度排在前10%的特征。通过这样的筛选，最终得到的目标边缘施工隐患特征是一组经过挑选的特征集合，它们不仅代表了施工现场的潜在风险点，还能为施工安全监测和预警提供可靠的数据支持。
在一具体实施例中，执行步骤105的过程可以具体包括如下步骤：
（1）对目标中心施工隐患特征以及多个目标边缘施工隐患特征进行特征归一化处理，得到归一化中心施工隐患特征以及多个归一化边缘施工隐患特征；
（2）对归一化中心施工隐患特征以及多个归一化边缘施工隐患特征进行特征权重计算，得到目标特征权重集合；
（3）根据目标特征权重集合对归一化中心施工隐患特征以及多个归一化边缘施工隐患特征进行特征编码转换，得到施工隐患特征输入向量。
具体的，对目标中心施工隐患特征及多个目标边缘施工隐患特征进行归一化处理，将这些特征转换到同一尺度，消除不同特征之间由于量纲不同或数值范围差异过大而带来的影响。归一化处理通常包括最小-最大归一化和Z-score标准化等方法。例如，在最小-最大归一化中，每个特征的值都会被转换到0到1之间。对归一化后的特征进行特征权重计算，确定每个特征在识别和预警施工隐患中的相对重要性。特征权重计算可以采用多种方法，包括基于统计的方法、基于信息论的方法，以及基于机器学习模型的方法等。例如，可以利用信息增益或Gini指数等指标来评估每个特征与施工隐患发生的相关性，从而确定其权重。或者可以通过训练一个决策树模型，然后根据模型中特征的分裂重要性来分配权重。通过这样的权重计算，可以得到一个目标特征权重集合，它详细描述了每个特征的权重，为后续的特征编码转换提供了依据。根据目标特征权重集合对归一化中心施工隐患特征及多个归一化边缘施工隐患特征进行特征编码转换。特征编码转换是将原始特征数据转换为适合机器学习模型处理的格式的过程，通常涉及到将数值特征转换为向量或其他形式的表示。例如，可以利用权重数据将每个特征转换为一个加权的数值向量，或者采用独热编码、二进制编码等方法将特征转换为向量形式。通过这样的编码转换，最终得到的施工隐患特征输入向量不仅包含了所有相关特征的信息，而且以一种优化和精简的方式呈现，便于模型进行处理和分析。
在一具体实施例中，执行步骤106的过程可以具体包括如下步骤：
（1）将施工隐患特征输入向量输入预置的GA-BP神经网络，GA-BP神经网络包括：遗传优化算法以及多层前馈神经网络；
（2）通过遗传优化算法对多层前馈神经网络进行网络权重初始化，得到初始网络权重；
（3）通过误差反向传播算法对初始网络权重进行网络权重优化，得到目标网络权重；
（4）根据目标网络权重和多层前馈神经网络对施工隐患特征输入向量进行施工状况异常分析，得到施工状况异常分析结果；
（5）根据施工状况异常分析结果生成目标施工区域对应的施工状况监测预警信息。
具体的，GA-BP神经网络是一个结合了遗传算法和反向传播神经网络优点的复合型网络模型，它利用遗传算法的全局搜索能力优化神经网络的初始权重设置，然后通过反向传播算法对网络进行训练和优化。将施工隐患特征输入向量输入预置的GA-BP神经网络，通过遗传算法进行网络权重的初始化。遗传算法是一种模仿自然界中生物进化过程的搜索算法，通过选择、交叉和变异等操作生成新的个体，即这里的网络权重配置。在这个过程中，每一代网络权重都被视为一个“个体”，其“适应度”由它们在预测施工隐患时的表现决定。适应度较高的权重配置有更大的机会被保留并产生后代。经过多代的进化，得到一组最优或近似最优的初始网络权重。将这组经过遗传算法优化的初始网络权重输入到多层前馈神经网络中，利用误差反向传播算法进行训练和权重优化。误差反向传播算法通过计算网络输出和实际结果之间的误差，并将误差信息反向传播回网络中，逐渐调整每个连接的权重。在这个过程中，网络通过不断地学习和调整，力求最小化预测误差，提高预测的准确性。这个过程涉及大量的迭代，每一次迭代都会使网络的权重更加接近于最优状态，最终得到一组能够准确识别施工隐患的目标网络权重。通过GA-BP神经网络对施工隐患特征输入向量进行施工状况异常分析。网络将利用其已经学到的知识来评估当前的施工状况是否存在潜在的隐患。例如，如果网络被训练用来识别由于温度过高而导致的设备故障风险，当输入一个具有高温度特征的输入向量时，网络会预测出高风险的施工隐患。这样的预测结果即为施工状况异常分析结果，它反映了当前施工状况的安全水平及潜在风险。根据施工状况异常分析结果，生成目标施工区域对应的施工状况监测预警信息。这些预警信息将基于分析结果的严重程度、紧迫性和的影响范围进行定制，确保相关人员能够及时、准确地了解当前的施工风险和潜在问题。例如，如果网络预测某区域存在高风险的设备故障隐患，那么服务器可以立即向施工现场的管理人员发出预警，提示他们检查该区域的设备状况，采取必要的维护或更换措施。
上面对本申请实施例中施工状况的监测预警方法进行了描述，下面对本申请实施例中施工状况的监测预警装置进行描述，请参阅图2，本申请实施例中施工状况的监测预警装置一个实施例包括：
采集模块201，用于对目标施工区域进行多维施工状况数据采集，得到初始施工状况数据集，并对所述初始施工状况数据集进行数据标准化与特征提取，得到目标施工状况数据集；
构建模块202，用于对所述目标施工状况数据集进行特征层次聚类和特征网络构建，得到初始施工隐患特征网络，并对所述初始施工隐患特征网络进行网络动态优化，得到目标施工隐患特征网络；
分析模块203，用于对所述目标施工隐患特征网络进行网络中心性分析，确定网络中心点，并根据所述网络中心点生成对应的目标中心施工隐患特征以及多个初始边缘施工隐患特征；
筛选模块204，用于基于多项式混沌展开对所述多个初始边缘施工隐患特征进行特征筛选，得到多个目标边缘施工隐患特征；
计算模块205，用于对所述目标中心施工隐患特征以及所述多个目标边缘施工隐患特征进行特征权重计算和特征编码转换，得到施工隐患特征输入向量；
生成模块206，用于将所述施工隐患特征输入向量输入预置的GA-BP神经网络进行施工状况异常分析，得到施工状况异常分析结果，并根据所述施工状况异常分析结果生成所述目标施工区域对应的施工状况监测预警信息。
通过上述各个组成部分的协同合作，通过使用多个传感器采集施工现场的多维数据，包括温度、湿度、噪音、振动、设备状态和工人活动数据，实现全面的监测。对采集到的数据进行标准化和特征提取，有助于减少数据的复杂性，使其更易于分析和处理。采用分裂层次聚类算法对数据进行聚类，能够识别出不同的隐患特征群，提高了异常检测的精度。利用GA-BP神经网络进行施工状况异常分析，神经网络可以学习和识别复杂的施工情况，从而更准确地发现异常情况。通过多项式混沌展开等技术，对施工隐患特征进行权重计算和筛选，提高了异常检测的可靠性和准确性。能够实时监测施工状况，并在发现异常情况时生成预警信息，使管理人员能够迅速采取行动，减少事故风险。通过分析施工隐患特征网络的中心性，可以识别出最关键的隐患特征，有助于优先处理最重要的问题。使用了遗传优化算法和多层前馈神经网络，能够实现自动化的数据分析和异常检测，进而提高了施工状况的监测预警准确率。
本申请还提供一种计算机设备，所述计算机设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述施工状况的监测预警方法的步骤。
本申请还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述施工状况的监测预警方法的步骤。
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 access 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 (6)

1.一种施工状况的监测预警方法，其特征在于，所述施工状况的监测预警方法包括：
对目标施工区域进行多维施工状况数据采集，得到初始施工状况数据集，并对所述初始施工状况数据集进行数据标准化与特征提取，得到目标施工状况数据集；具体包括：通过预置的传感器组对目标施工区域进行多维施工状况数据采集，得到初始施工状况数据集，所述初始施工状况数据集包括：温度数据、湿度数据、噪音数据、振动数据、设备状态数据和工人活动数据；对所述初始施工状况数据集进行Z-score标准化，得到第一施工状况数据集，并对所述第一施工状况数据集进行异常值去除，得到第二施工状况数据集；对所述第二施工状况数据集进行K-means特征聚类，得到K-means特征聚类结果，并根据所述K-means特征聚类结果生成所述目标施工区域的目标施工状况数据集；
对所述目标施工状况数据集进行特征层次聚类和特征网络构建，得到初始施工隐患特征网络，并对所述初始施工隐患特征网络进行网络动态优化，得到目标施工隐患特征网络；具体包括：采用分裂层次聚类算法，对所述目标施工状况数据集进行特征层次聚类，得到多个目标隐患特征群；对所述多个目标隐患特征群进行关联强度分析，得到每两个目标隐患特征群之间的关联强度数据；根据所述关联强度数据对所述多个目标隐患特征群进行特征网络构建，得到初始施工隐患特征网络；对所述初始施工隐患特征网络进行网络动态优化，得到目标施工隐患特征网络；
对所述目标施工隐患特征网络进行网络中心性分析，确定网络中心点，并根据所述网络中心点生成对应的目标中心施工隐患特征以及多个初始边缘施工隐患特征；具体包括：对所述目标施工隐患特征网络进行中心性度量分析，得到中心性度量结果；根据所述中心性度量结果对所述目标施工隐患特征网络进行接近中心性和介数中心性分析，得到接近中心性分析结果和介数中心性分析结果；根据所述接近中心性分析结果和所述介数中心性分析结果确定所述目标施工隐患特征网络的网络中心点；根据所述网络中心点生成对应的目标中心施工隐患特征，并对所述目标中心施工隐患特征进行边缘施工隐患特征计算，得到多个初始边缘施工隐患特征；
基于多项式混沌展开对所述多个初始边缘施工隐患特征进行特征筛选，得到多个目标边缘施工隐患特征；具体包括：分别对所述多个初始边缘施工隐患特征进行特征权重分析，得到每个初始边缘施工隐患特征的第一特征权重数据；通过信息熵权重法对所述第一特征权重数据进行权重计算，得到每个初始边缘施工隐患特征的第二特征权重数据；通过多项式混沌展开，根据所述第二特征权重数据对所述多个初始边缘施工隐患特征进行处理，得到每个初始边缘施工隐患特征的重要度；根据所述重要度对所述多个初始边缘施工隐患特征进行特征筛选，得到多个目标边缘施工隐患特征；
对所述目标中心施工隐患特征以及所述多个目标边缘施工隐患特征进行特征权重计算和特征编码转换，得到施工隐患特征输入向量；
将所述施工隐患特征输入向量输入预置的GA-BP神经网络进行施工状况异常分析，得到施工状况异常分析结果，并根据所述施工状况异常分析结果生成所述目标施工区域对应的施工状况监测预警信息。
2.根据权利要求1所述的施工状况的监测预警方法，其特征在于，所述对所述目标中心施工隐患特征以及所述多个目标边缘施工隐患特征进行特征权重计算和特征编码转换，得到施工隐患特征输入向量，包括：
对所述目标中心施工隐患特征以及所述多个目标边缘施工隐患特征进行特征归一化处理，得到归一化中心施工隐患特征以及多个归一化边缘施工隐患特征；
对所述归一化中心施工隐患特征以及所述多个归一化边缘施工隐患特征进行特征权重计算，得到目标特征权重集合；
根据所述目标特征权重集合对所述归一化中心施工隐患特征以及所述多个归一化边缘施工隐患特征进行特征编码转换，得到施工隐患特征输入向量。
3.根据权利要求1所述的施工状况的监测预警方法，其特征在于，所述将所述施工隐患特征输入向量输入预置的GA-BP神经网络进行施工状况异常分析，得到施工状况异常分析结果，并根据所述施工状况异常分析结果生成所述目标施工区域对应的施工状况监测预警信息，包括：
将所述施工隐患特征输入向量输入预置的GA-BP神经网络，所述GA-BP神经网络包括：遗传优化算法以及多层前馈神经网络；
通过所述遗传优化算法对所述多层前馈神经网络进行网络权重初始化，得到初始网络权重；
通过误差反向传播算法对所述初始网络权重进行网络权重优化，得到目标网络权重；
根据所述目标网络权重和所述多层前馈神经网络对所述施工隐患特征输入向量进行施工状况异常分析，得到施工状况异常分析结果；
根据所述施工状况异常分析结果生成所述目标施工区域对应的施工状况监测预警信息。
4.一种施工状况的监测预警装置，其特征在于，所述施工状况的监测预警装置包括：
采集模块，用于对目标施工区域进行多维施工状况数据采集，得到初始施工状况数据集，并对所述初始施工状况数据集进行数据标准化与特征提取，得到目标施工状况数据集；具体包括：通过预置的传感器组对目标施工区域进行多维施工状况数据采集，得到初始施工状况数据集，所述初始施工状况数据集包括：温度数据、湿度数据、噪音数据、振动数据、设备状态数据和工人活动数据；对所述初始施工状况数据集进行Z-score标准化，得到第一施工状况数据集，并对所述第一施工状况数据集进行异常值去除，得到第二施工状况数据集；对所述第二施工状况数据集进行K-means特征聚类，得到K-means特征聚类结果，并根据所述K-means特征聚类结果生成所述目标施工区域的目标施工状况数据集；
构建模块，用于对所述目标施工状况数据集进行特征层次聚类和特征网络构建，得到初始施工隐患特征网络，并对所述初始施工隐患特征网络进行网络动态优化，得到目标施工隐患特征网络；具体包括：采用分裂层次聚类算法，对所述目标施工状况数据集进行特征层次聚类，得到多个目标隐患特征群；对所述多个目标隐患特征群进行关联强度分析，得到每两个目标隐患特征群之间的关联强度数据；根据所述关联强度数据对所述多个目标隐患特征群进行特征网络构建，得到初始施工隐患特征网络；对所述初始施工隐患特征网络进行网络动态优化，得到目标施工隐患特征网络；
分析模块，用于对所述目标施工隐患特征网络进行网络中心性分析，确定网络中心点，并根据所述网络中心点生成对应的目标中心施工隐患特征以及多个初始边缘施工隐患特征；具体包括：对所述目标施工隐患特征网络进行中心性度量分析，得到中心性度量结果；根据所述中心性度量结果对所述目标施工隐患特征网络进行接近中心性和介数中心性分析，得到接近中心性分析结果和介数中心性分析结果；根据所述接近中心性分析结果和所述介数中心性分析结果确定所述目标施工隐患特征网络的网络中心点；根据所述网络中心点生成对应的目标中心施工隐患特征，并对所述目标中心施工隐患特征进行边缘施工隐患特征计算，得到多个初始边缘施工隐患特征；
筛选模块，用于基于多项式混沌展开对所述多个初始边缘施工隐患特征进行特征筛选，得到多个目标边缘施工隐患特征；具体包括：分别对所述多个初始边缘施工隐患特征进行特征权重分析，得到每个初始边缘施工隐患特征的第一特征权重数据；通过信息熵权重法对所述第一特征权重数据进行权重计算，得到每个初始边缘施工隐患特征的第二特征权重数据；通过多项式混沌展开，根据所述第二特征权重数据对所述多个初始边缘施工隐患特征进行处理，得到每个初始边缘施工隐患特征的重要度；根据所述重要度对所述多个初始边缘施工隐患特征进行特征筛选，得到多个目标边缘施工隐患特征；
计算模块，用于对所述目标中心施工隐患特征以及所述多个目标边缘施工隐患特征进行特征权重计算和特征编码转换，得到施工隐患特征输入向量；
生成模块，用于将所述施工隐患特征输入向量输入预置的GA-BP神经网络进行施工状况异常分析，得到施工状况异常分析结果，并根据所述施工状况异常分析结果生成所述目标施工区域对应的施工状况监测预警信息。
5.一种计算机设备，其特征在于，所述计算机设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述计算机设备执行如权利要求1-3中任一项所述的施工状况的监测预警方法。
6.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-3中任一项所述的施工状况的监测预警方法。
CN202410056678.5A 2024-01-16 2024-01-16 施工状况的监测预警方法、装置、设备及存储介质 Active CN117574303B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410056678.5A CN117574303B (zh) 2024-01-16 2024-01-16 施工状况的监测预警方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410056678.5A CN117574303B (zh) 2024-01-16 2024-01-16 施工状况的监测预警方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN117574303A CN117574303A (zh) 2024-02-20
CN117574303B true CN117574303B (zh) 2024-05-07

Family

ID=89862709

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410056678.5A Active CN117574303B (zh) 2024-01-16 2024-01-16 施工状况的监测预警方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117574303B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348080A (zh) * 2020-11-06 2021-02-09 北京石油化工学院 基于工控异常检测的rbf改进方法、装置和设备
CN113221467A (zh) * 2021-05-31 2021-08-06 西安交通大学 一种涡轮气热性能不确定性可视化分析方法与系统
CN114707227A (zh) * 2022-04-28 2022-07-05 水利部南京水利水文自动化研究所 一种基于数字孪生的大坝安全预警消警方法及系统
CN116758493A (zh) * 2023-08-22 2023-09-15 中国水利水电第七工程局有限公司 基于图像处理的隧道施工监测方法、装置及可读存储介质
CN116862199A (zh) * 2023-08-17 2023-10-10 浙江建设职业技术学院 基于大数据和云计算的建筑施工优化系统
CN117172414A (zh) * 2023-09-08 2023-12-05 绍兴拓华工程设计咨询有限公司 一种基于bim技术的建筑幕墙施工管理系统
CN117273489A (zh) * 2023-09-27 2023-12-22 华能满洲里风力发电有限公司 光伏状态评估方法及装置
CN117314006A (zh) * 2023-10-09 2023-12-29 海南经贸职业技术学院 一种智能化数据分析方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348080A (zh) * 2020-11-06 2021-02-09 北京石油化工学院 基于工控异常检测的rbf改进方法、装置和设备
CN113221467A (zh) * 2021-05-31 2021-08-06 西安交通大学 一种涡轮气热性能不确定性可视化分析方法与系统
CN114707227A (zh) * 2022-04-28 2022-07-05 水利部南京水利水文自动化研究所 一种基于数字孪生的大坝安全预警消警方法及系统
CN116862199A (zh) * 2023-08-17 2023-10-10 浙江建设职业技术学院 基于大数据和云计算的建筑施工优化系统
CN116758493A (zh) * 2023-08-22 2023-09-15 中国水利水电第七工程局有限公司 基于图像处理的隧道施工监测方法、装置及可读存储介质
CN117172414A (zh) * 2023-09-08 2023-12-05 绍兴拓华工程设计咨询有限公司 一种基于bim技术的建筑幕墙施工管理系统
CN117273489A (zh) * 2023-09-27 2023-12-22 华能满洲里风力发电有限公司 光伏状态评估方法及装置
CN117314006A (zh) * 2023-10-09 2023-12-29 海南经贸职业技术学院 一种智能化数据分析方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于GA-BP的建筑施工安全实时预警模型;刘洋 等;《土木工程与管理学报》;20190331;第36卷(第2期);第167-185页 *
基于激光雷达的变电所带电施工扫描避障技术研究;钱志杰 等;《科学技术创新》;20221231;第12-15页 *

Also Published As

Publication number Publication date
CN117574303A (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
US20220283576A1 (en) Automatic diagnosis method, system and storage medium for equipment
Adedipe et al. Bayesian network modelling for the wind energy industry: An overview
Smarsly et al. Machine learning techniques for structural health monitoring
JP2017004509A (ja) 機械学習のための高度解析インフラストラクチャ
CN111259947A (zh) 一种基于多模态学习的电力系统故障预警方法和系统
Mathew et al. Regression kernel for prognostics with support vector machines
CN117390536B (zh) 基于人工智能的运维管理方法及系统
CN116380445B (zh) 基于振动波形的设备状态诊断方法及相关装置
CN117111544B (zh) 一种自动适配的楼宇物联网监控方法及系统
CN116737510B (zh) 一种基于数据分析的键盘智能监测方法及系统
Dong Combining unsupervised and supervised learning for asset class failure prediction in power systems
Ghorbani et al. Estimating remaining useful life of turbofan engine using data-level fusion and feature-level fusion
Becherer et al. Intelligent choice of machine learning methods for predictive maintenance of intelligent machines
Li et al. Intelligent reliability and maintainability of energy infrastructure assets
KR101960755B1 (ko) 미취득 전력 데이터 생성 방법 및 장치
CN114139589A (zh) 故障诊断方法、装置、设备与计算机可读存储介质
CN117331790A (zh) 一种用于数据中心的机房故障检测方法及装置
CN117574303B (zh) 施工状况的监测预警方法、装置、设备及存储介质
CN117170915A (zh) 数据中心设备故障预测方法、装置和计算机设备
JP7062505B2 (ja) 設備管理支援システム
Burmeister et al. Exploration of production data for predictive maintenance of industrial equipment: A case study
Bond et al. A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data
Ejlali et al. Developing hybrid machine learning models to assign health score to railcar fleets for optimal decision making
Sun et al. A data-driven framework for tunnel infrastructure maintenance
Chen et al. BIM-and IoT-Based Data-Driven Decision Support System for Predictive Maintenance of Building Facilities

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