CN111461187A - 一种建筑物沉降智能检测*** - Google Patents

一种建筑物沉降智能检测*** Download PDF

Info

Publication number
CN111461187A
CN111461187A CN202010201091.0A CN202010201091A CN111461187A CN 111461187 A CN111461187 A CN 111461187A CN 202010201091 A CN202010201091 A CN 202010201091A CN 111461187 A CN111461187 A CN 111461187A
Authority
CN
China
Prior art keywords
settlement
building
neural network
interval number
output
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
Application number
CN202010201091.0A
Other languages
English (en)
Other versions
CN111461187B (zh
Inventor
周恒瑞
马力
严航
丁晓红
马从国
王建国
陈亚娟
张月红
李广科
丁百湛
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.)
China Construction Kuangbo Fujian Co ltd
Fujian Tangtou Construction Engineering Group Co ltd
Fuzhou University
Original Assignee
Huaiyin Institute of Technology
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 Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN202010201091.0A priority Critical patent/CN111461187B/zh
Publication of CN111461187A publication Critical patent/CN111461187A/zh
Application granted granted Critical
Publication of CN111461187B publication Critical patent/CN111461187B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种建筑物沉降智能检测***，所述***由基于无线传感器网络的建筑物沉降参数采集平台和建筑物沉降智能化预警***两部分组成，基于无线传感器网络的建筑物沉降参数采集平台实现对建筑物沉降参数检测和管理；本发明有效解决了现有建筑物沉降没有根据建筑物各个检测点沉降量变化的非线性、大滞后和沉降变化复杂等对整个建筑物沉降大小的影响，没有对建筑物沉降进行精确检测、预测和预警，从而极大的影响对建筑物沉降量的预警和管理问题。

Description

一种建筑物沉降智能检测***
技术领域
本发明涉及建筑物自动化检测装备的技术领域，具体涉及一种建筑物沉降智能检测***。
背景技术
随着社会经济的飞速发展，建筑物的数量和层高不断增加，建筑物沉降不可避免，但由于建筑地基的不同，建筑物产生的沉降量也就不一样，若沉降过大或不均匀，建筑物将会产生裂缝、主体结构破坏，甚至倒塌。为此建筑物沉降量测量的必要性和重要性愈加明显。本专利结合自动检测技术和智能控制技术，实现对建筑物沉降量测量的自动化智能化检测与预警。
发明内容
本发明提供了一种建筑物沉降智能检测***，本发明有效解决了现有建筑物沉降没有根据建筑物各个检测点沉降量变化的非线性、大滞后和沉降变化复杂等对整个建筑物沉降大小的影响，没有对建筑物沉降进行精确检测、预测和预警，从而极大的影响对建筑物沉降量的预警和管理问题。
本发明通过以下技术方案实现：
一种建筑物沉降智能检测***，其特征在于：所述***由基于无线传感器网络的建筑物沉降参数采集平台和建筑物沉降智能化预警***两部分组成，基于无线传感器网络的建筑物沉降参数采集平台实现对建筑物沉降参数检测和管理，建筑物沉降智能化预警***由多个建筑物沉降区间数神经网络模型、多个建筑物沉降预测模型和区间数概率神经网络分类器组成，多个建筑物沉降传感器的输出分别作为对应的多个建筑物沉降区间数神经网络模型的输入，多个建筑物沉降区间数神经网络模型的输出分别作为对应的多个建筑物沉降预测模型的输入，多个建筑物沉降预测模型的输出作为区间数概率神经网络分类器的输入，区间数概率神经网络分类器的输出为表示建筑物发生沉降坍塌危险程度的区间数，建筑物沉降智能化预警***实现对被检测建筑物的沉降量大小进行检测、预测和预警。
本发明进一步技术改进方案是：
所述建筑物沉降区间数神经网络模型由RR时间递归神经网络模型、区间数DRNN神经网络模型和3个按拍延迟线TDL组成，建筑物沉降传感器的输出为RR时间递归神经网络模型的输入，RR时间递归神经网络模型的输出为对应的1个按拍延迟线TDL的输入，3个按拍延迟线TDL的输出为区间数DRNN神经网络模型的输入，区间数DRNN神经网络模型的输出为代表一段时间内建筑物沉降大小的上下限值构成的区间数和建筑物沉降区间数神经网络模型的输出，区间数DRNN神经网络模型输出区间数的上下限值分别作为2个对应的按拍延迟线TDL的输入，建筑物沉降区间数神经网络模型把一段时间建筑物沉降传感器感知被测量建筑物沉降量转换为建筑物沉降的动态区间数值。
本发明进一步技术改进方案是：
所述建筑物沉降预测模型包括2个小波分解模型、2组多个Elman神经网络预测模型、2个LSTM神经网络、2个按拍延迟线TDL和区间数脊波神经网络组成；建筑物沉降区间数神经网络模型输出区间数的上限值和下限值分别作为2个小波分解模型的输入，2个小波分解模型分别把建筑物沉降区间数神经网络模型输出的区间数上限值和下限值分解为2组低频趋势部分和多个高频波动部分信号，2组低频趋势部分和多个高频波动部分信号分别作为对应的2组多个Elman神经网络预测模型的输入，2组多个Elman神经网络预测模型的输出分别作为对应的2个LSTM神经网络的输入，2个LSTM神经网络输出和2个按拍延迟线TDL输出作为区间数脊波神经网络的输入，区间数脊波神经网络输出区间数的上下限值分别作为对应的2个按拍延迟线TDL的输入，区间数脊波神经网络输出作为建筑物被检测点沉降区间数值的预测值和建筑物沉降预测模型的输出。
本发明进一步技术改进方案是：
所述区间数概率神经网络分类器是输入为多组区间数和输出一组区间数的概率神经网络，区间数概率神经网络分类器的输入为多个建筑物沉降预测模型输出的多组区间数值，区间数概率神经网络分类器的输出为代表被检测建筑物发生沉降坍塌危险程度大小的区间数；根据建筑物沉降检测的工程实践和《建筑变形测量规范(JGJ8-2007)》，区间数概率神经网络分类器构建区间数概率神经网络分类器输出5个区间数与建筑物5种沉降坍塌危险程度的对应关系表，建筑物5种沉降坍塌危险程度分别为正常状态、比较危险、危险、很危险和非常危险，计算区间数概率神经网络分类器输出的区间数与代表建筑物沉降坍塌危险程度的5个区间数的相似度，其中相似度最大的区间数对应的建筑物沉降坍塌危险度确定为该建筑物沉降坍塌危险度。
本发明进一步技术改进方案是：
所述基于无线传感器网络的建筑物沉降参数采集平台由检测节点和现场监控端组成，它们以自组织方式通过无线通信模块NRF2401构建成建筑物沉降参数采集与智能预测平台，检测节点分别由传感器组模块、单片机MSP430和无线通信模块NRF2401组成，传感器组模块负责检测建筑物温度、湿度、沉降量和水位建筑物参数，由单片机控制采样间隔并通过无线通信模块NRF2401发送给现场监控端；现场监控端由一台工业控制计算机组成，实现对检测节点检测建筑物沉降参数进行管理和对建筑物沉降进行预测和预警。
本发明与现有技术相比，具有以下明显优点：
一、本发明针对建筑物沉降量大小参数测量过程中，传感器精度误差、干扰和测量沉降量异常等问题存在的不确定性和随机性，本发明专利将建筑物沉降传感器测量的参数值通过建筑物沉降区间数神经网络模型转化为区间数形式表示，有效地处理了建筑物沉降量传感器测量参数的模糊性、动态性和不确定性，提高了建筑物沉降量传感器值检测参数的客观性和可信度。
二、本发明RNN时间递归神经网络是一种用于处理建筑物沉降量的时序数据的神经网络。在该网络中，循环结构会保留当前时刻隐藏神经元的状态值，并将其作为下一次循环输入的一部分建筑物沉降量输入信号输入到下一时刻的隐藏层神经元中。RNN的输入信号采取的是建筑物沉降量时序输入，每输入一步，每一层都共享网络权重和偏置，大大减少了网络中需要学习的参数，降低了网络的复杂度。
三、本发明RNN时间递归神经网络充分利用基于时间序列建筑物沉降量数据之间的相关性，是一种在隐含层内部加入了定向循环结构的神经网络，其特殊的结构能够较好地处理基于时间序列建筑物沉降量数据的问题，通过表征输入建筑物沉降数据的分布式表示，展现出较强的学习建筑物沉降数据集的本质特征的能力，实现复杂函数的逼近，更好地刻画出建筑物沉降数据的丰富内在信息，具有较强的泛化能力，提高计算建筑物沉降量大小的准确性和可靠性。
四、本发明RNN时间递归神经网络是一种引入了“时序”概念的神经网络，其具有反馈机制，广泛应用于时间序列数据建模。RNN可以使学习到的信息在网络内储存，使模型能够学习到当前时刻与过去信息的依赖关系。给定一输入建筑物沉降量序列，RNN时间递归神经网络在任意时刻t，的隐藏层状态ht均是基于当前时刻的建筑物沉降输入xt以及过去时刻的隐藏层状态ht－1映射得到的，且RNN时间递归神经网络可以将每个时刻的隐藏层状态输出传入下一时刻；最终RNN时间递归神经网络通过输出层将一段时间建筑物沉降映射得到建筑物沉降的输出量。
五、本发明所采用的2组多个Elman神经网络实现对建筑物沉降区间数上下限值的一段时间内建筑物沉降参数预测，该Elman神经网络一般分为4层:输入层、中间层(隐含层)、承接层和输出层,其输入层、隐含层和输出层的连接类似于前馈网络,输入层的单元仅起信号传输作用,输出层单元起线性加权作用。隐含层单元的传递函数可采用线性或非线性函数,承接层又称为上下文层或状态层,它用来记忆隐含层单元前一时刻的输出值,可以认为是一个一次延时算子。Elman神经网络的特点是隐含层的输出通过承接层的延迟与存储,自联到隐含层的输入,这种自联方式使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,从而达到了动态预测建筑物沉降区间数的目的。Elman神经网络回归神经元网络的特点是隐层的输出通过结构单元的延迟、存储自联到隐层的输入,这种自联方式使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,有利于动态过程的建模；该神经网络利用关联层动态神经元的反馈连接,将未来预测网络和过去预测网络的信息进行融合,使网络对时间序列特征信息的记忆得到加强,从而提高建筑物沉降区间数的预测精度。
六、本发明建筑物沉降预测模型包括2个小波分解模型、2组多个Elman神经网络预测模型、2个LSTM神经网络、2个按拍延迟线TDL和区间数脊波神经网络组成，先分解后分别预测和融合，提高预测建筑物沉降的精确度和鲁棒性。区间数脊波神经网络模拟人脑的视觉皮层，该区域的神经元可接收建筑物沉降特定的方向信息，即对特定方向上的目标有最佳反应，脊波神经网络隐含层激励函数为脊波函数，神经元具有方向性与建筑物沉降的方向一致，使脊波神经网络具有更多的维数信息，能处理更高维的数据，对非线性高维函数的逼近有很好的效果，区间数脊波神经网络的输入为一段时间建筑物沉降区间数的上下限值，输出为代表建筑物沉降预测值。
七、本发明建筑物沉降塌陷危险等级分类的科学性和可靠性，本专利的区间数概率神经网络分类器，根据建筑物沉降塌陷发生的工程实践经验和《建筑变形测量规范(JGJ8-2007)》，建筑物沉降国家相关维护控制标准，通过区间数概率神经网络分类器将被检测建筑物的沉降区间数的预测值大小对建筑物安全影响的动态程度量化为建筑物坍塌和运行发生的危险度，区间数概率神经网络分类器输出的区间数表示建筑物沉降坍塌的危险程度；根据建筑物的5种沉降塌陷危险度分别为正常状态、比较危险、危险、很危险和非常危险对应不同的5个不同的区间数，构建5个区间数与建筑物发生的5种沉降坍塌危险程度的对应关系表。计算每个检测点区间数概率神经网络分类器的输出的区间数与代表建筑物的5种沉降坍塌不同程度的5个区间数的相似度，其中相似度最大的区间数对应的建筑物沉降坍塌危险度确定为该检测点建筑物沉降坍塌危险度，实现对建筑物沉降危险等级分类的动态性能和科学分类。
附图说明
图1为本发明基于无线传感器网络的建筑物沉降参数采集平台；
图2为本发明建筑物沉降智能化预警***；
图3为本发明检测节点功能图；
图4为本发明现场监控端软件功能图；
图5为本发明建筑物沉降区间数神经网络模型。
具体实施方式
结合附图1-5，对本发明技术方案作进一步描述：
1、***总体功能的设计
本发明实现对建筑物沉降参数进行检测与预测和建筑物沉降进行预警，该***由基于无线传感器网络的建筑物沉降参数采集平台和建筑物沉降智能化预警***两部分组成。基于无线传感器网络的建筑物沉降参数采集平台包括多个建筑物沉降的检测节点1和现场监控端2组成，它们以自组织方式构建成无线测控网络来实现检测节点1和现场监控端2之间的无线通信；检测节点1将检测的建筑物参数发送给现场监控端2并对传感器数据进行初步处理；现场监控端2把控制信息传输到检测节点1。整个***结构见图1所示。
2、检测节点的设计
采用大量基于无线传感器网络的检测节点1作为建筑物参数感知终端，检测节点1和现场监控端2通过自组织无线网络它们之间的信息相互交互。检测节点1包括建筑物的温度、湿度、沉降量和水位参数的传感器和对应的信号调理电路、MSP430微处理器和NRF2401无线传输模块；检测节点的软件主要实现无线通信和建筑物沉降参数的采集与预处理。软件采用C语言程序设计，兼容程度高，大大提高了软件设计开发的工作效率，增强了程序代码的可靠性、可读性和可移植性。检测节点结构见图3。
3、现场监控端软件
现场监控端2是一台工业控制计算机，现场监控端2主要实现对建筑物参数进行采集和建筑物沉降量的预测，实现与检测节点1的信息交互，现场监控端2主要功能为通信参数设置、数据分析与数据管理、建筑物沉降智能化预警***。该管理软件选择了MicrosoftVisual++6.0作为开发工具，调用***的Mscomm通信控件来设计通讯程序，现场监控端软件功能见图4。建筑物沉降智能化预警***由多个建筑物沉降区间数神经网络模型、多个建筑物沉降预测模型和区间数概率神经网络分类器组成，多个建筑物沉降传感器的输出分别作为对应的多个建筑物沉降区间数神经网络模型的输入，多个建筑物沉降区间数神经网络模型的输出分别作为对应的多个建筑物沉降预测模型的输入，多个建筑物沉降预测模型的输出作为区间数概率神经网络分类器的输入，区间数概率神经网络分类器的输出为表示建筑物发生沉降坍塌危险程度的区间数，建筑物沉降智能化预警***实现对被检测建筑物的沉降量大小进行检测、预测和预警；建筑物沉降智能化预警***结构功能见图2所示。建筑物沉降智能化预警***的设计如下：
(1)、建筑物沉降区间数神经网络模型设计
建筑物沉降区间数神经网络模型由RR时间递归神经网络模型与区间数DRNN神经网络模型和3个按拍延迟线TDL(Tapped Delay Line)组成，建筑物沉降区间数神经网络模型是基于建筑物沉降传感器感知被检测建筑物沉降量大小的动态性和模糊性，把一段时间建筑物沉降传感器感知被测量建筑物沉降量转换为建筑物沉降的动态区间数值，建筑物沉降传感器的输出为RR时间递归神经网络模型的输入，RR时间递归神经网络模型的输出为对应的按拍延迟线TDL的输入，3个按拍延迟线TDL的输出为区间数DRNN神经网络模型的输入，区间数DRNN神经网络模型的输出分别为u1(k)和u2(k)，u1(k)和u2(k)分别作为对应的2个按拍延迟线TDL的输入，u1(k)和u2(k)分别代表建筑物沉降区间数神经网络模型输出的上限值和下限值，构成建筑物沉降传感器在一段时间内被检测建筑物沉降量的输出区间数值为[u2,u1]，建筑物沉降区间数神经网络模型辨识结构如图5所示，X(k-l)，…，X(k–m)为RR时间递归神经网络模型输出的历史数据，U1(k-1)，…，U1(k–d)为建筑物沉降区间数神经网络模型输出值的上限值的历史数据，U2(k-1)，…，U2(k–d)为建筑物沉降区间数神经网络模型输出值的下限值的历史数据，u1(k)和u2(k)为区间数DRNN神经网络模型的输出值代表建筑物沉降区间数神经网络模型的输出，k表示当前时刻，m和d分别表示X与U的滞后点，建筑物沉降区间数神经网络模型可以描述为：
U(k)＝[u2(k),u1(k)]＝F[X(k),X(k-1),…,X(k-m)；u1(k),…,u1(k-d)；u2(k),…,u2(k-d)] (1)
A、RNN时间递归神经网络设计
RNN时间递归神经网络可以处理建筑物沉降量大小的顺序信息，RNN时间递归神经网络使用建筑物沉降量大小的前一状态的输出作为预测后一沉降量大小输入的一部分，具备一般意义上的“记忆”建筑物沉降量大小的功能。RNN时间递归神经网络可以保留前一序列建筑物沉降量作为输出，下一序列的建筑物沉降量输入和保留的前一序列沉降量输出共同计算得到下一序列的建筑物沉降量输出。xt是t时刻的输入，st表示网络的记忆单元t时刻的状态，st通过前一步的状态st-1以及当前时刻的输入xt共同计算得到：
st＝f(Uxt+Wst-1) (2)
激励函数f是RNN神经网络中非线性函数tanh，通常第一个隐藏状态st-1的值会用0进行初始化，但实际使用极小值进行初始化会使梯度下降的更快。ot是t时刻的输出,通常是由归一化指数函数计算出的概率向量：
ot＝softmax(Vst) (3)
B、区间数DRNN神经网络模型设计
区间数DRNN神经网络模型是一种具有反馈的动态回归神经网络和适应时变特性的能力，该网络能够更直接生动地反映建筑物沉降量的动态变化性能，可以更加精确预测建筑物沉降量的区间值，区间数DRNN神经网络模型的3层网络结构为输入层、其隐层为回归层和输出层。在本发明区间数DRNN神经网络模型中，设I＝[I1(t),I2(t),…,In(t)]为网络输入向量，其中Ii(t)为区间数DRNN神经网络模型的输入层第i个神经元t时刻的输入，回归层第j个神经元的输出为Xj(t)，Sj(t)为第j个回归神经元输入总和，f(·)为S的函数，则O(t)为区间数DRNN神经网络的输出。则区间数DRNN神经网络模型输出为：
Figure BDA0002419398710000091
一段时间RNN时间递归神经网络的输出作为区间数DRNN神经网络模型的输入，区间数DRNN神经网络模型的输出为建筑物沉降量大小的区间数；建筑物沉降传感器在一段时间内检测建筑物沉降量的输出区间数值为[u2,u1]。一段时间RNN时间递归神经网络的输出作为区间数DRNN神经网络模型的输入，区间数DRNN神经网络模型的输出为建筑物沉降量大小的区间数；建筑物沉降传感器在一段时间内检测建筑物沉降量的输出区间数值为[u2,u1]。
(2)、建筑物沉降预测模型设计
建筑物沉降预测模型包括2个小波分解模型、2组多个Elman神经网络预测模型、2个LSTM神经网络、2个TDL和区间数脊波神经网络组成；建筑物沉降区间数神经网络模型输出的区间数上限值和下限值分别作为建筑物沉降预测模型的2个小波分解模型的输入，2个小波分解模型分别把建筑物沉降区间数神经网络模型输出的区间数上限值和下限值分解为2组低频趋势部分和多个高频波动部分信号，2组低频趋势部分和多个高频波动部分信号分别作为2组多个Elman神经网络预测模型的输入，2组多个Elman神经网络预测模型的输出分别作为对应的LSTM神经网络的输入，2个LSTM神经网络的输出作为区间数脊波神经网络的输入，2个TDL的输出作为区间数脊波神经网络的输入，区间数脊波神经网络的输出作为2个TDL的输入，区间数脊波神经网络的输出作为建筑物被检测点沉降的预测区间数值；
A、2个小波分解模型设计
建筑物沉降区间数神经网络模型输出区间数的上限和下限值分别作为小波分解模型1和小波分解模型2的输入，小波分解模型把上限和下限值分别分解成2组低频分量和多个高频分量，2组低频分量和多个高频分量分别作为对应的2组多个Elman神经网络预测模型的输入。本发明专利用小波分析方法对建筑物沉降参数的区间值的时间序列上下限值进行分解，小波分解对建筑物沉降区间数各层信息进行自相关和互相关分析，小波分解过程中对建筑物沉降区间数信号做了平滑处理，因此，建筑物沉降区间数经过小波处理后的数据要平滑很多。根据建筑物沉降区间数各层信号分析后的特点分别建立2组对应的上限和下限多个Elman神经网络预测模型来分别预测建筑物沉降区间数的上下限值，最后将各层预测结果分别作为对应的LSTM神经网络的输入，2个LSTM神经网络的输出作为对建筑物沉降区间数预测值的融合值。小波多分辨率分解过程一般采用Mallat算法，该算法的分解关系表示如下:
Figure BDA0002419398710000101
式(5)中h0、h1分别为低通分解滤波器和高通分解滤波器。mp、np分别是分辨率为2-p下的低频系数和高频系数。该算法重构关系如下:
Figure BDA0002419398710000102
式(6)中g0、g1分别为低通重构滤波器和高通重构滤波器。Ap、Dp分别是分辨率2-p下的低频分量和高频分量。Mallat算法将每一层分解后的低频信号部分再次分解成高频和低频，这样进行层层分解。原始本检测的历史数据X进行p层分解后得到的结果为:
X＝D1+D2+…Dp+Ap (7)
式(7)中Ap为第p层分解后的低频信号部分，Dp为第p层分解后的高频部分。2个小波分解模型可以将建筑物沉降区间数神经网络模型输出区间数的上限和下限值的历史数据序列信号分解到不同的分辨率空间中，这样处理后的效果是分解到各分辨率空间中的建筑物沉降区间数神经网络模型输出区间数的上限和下限值的历史数据序列比简单并且预测建筑物沉降区间数的上下限值更加精确。
B、多个Elman神经网络预测模型设计
多个Elman神经网络预测模型输入建筑物沉降区间数神经网络模型输出区间数的上限和下限值经过小波分解后的高频和低频值来预测建筑物沉降区间数的未来值，每个Elman神经网络预测模型可以看作是一个具有局部记忆单元和局部反馈连接的前向神经网络。Elman神经网络预测模型除了隐层外,还有一个特别的关联层；关联层从隐层接收反馈信号,每一个隐层节点都有一个与之对应的关联层节点连接。关联层将上一时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入,相当于状态反馈。隐层的传递函数一般为Sigmoid函数,输出层为线性函数,关联层也为线性函数。为了有效地解决被检测参数预测中的逼近精度问题,增强关联层的作用,设Elman神经网络预测模型的输入层、输出层、隐层的个数分别为m,n和r；w1，w2，w3和w4分别表示结构层单元到隐层、输入层到隐层、隐层到输出层、结构层到输出层的连接权矩阵,则Elman神经网络预测模型隐含层、关联层和输出层的表达式分别为:
Figure BDA0002419398710000111
cp(k)＝xp(k-1) (9)
Figure BDA0002419398710000112
本专利每个Elman神经网络预测模型的输入层、输出层、隐层的个数分别为5,1和11，该模型的输入为建筑物沉降区间数神经网络模型输出区间数的上限和下限值经过小波分解后的低频和高频的历史参数，输出为建筑物沉降区间数的上下限值对应的高频和低频参数的预测值，实现对建筑物沉降区间数的上限和下限值的分别预测，提高预测精确度。建筑物沉降区间数的上限值和下限值的2组多个Elman神经网络预测模型分别为2个LSTM神经网络输入，2个LSTM神经网络的输出为建筑物沉降区间数的上下限的预测值的融合值。
C、LSTM神经网络设计
建筑物沉降区间数的上限值和下限值的2组多个Elman神经网络预测模型输出分别为2个LSTM神经网络输入，2个LSTM神经网络的输出为建筑物沉降区间数的上下限的预测值的再预测，2个LSTM神经网络的输出作为区间数脊波神经网络的输入。LSTM神经网络由长短期记忆(LSTM)单元组成的时间递归神经网络(RNN)称为LSTM时间递归神经网络，通常也被称为LSTM网络。LSTM神经网络残引入了记忆单元(Memory Cell)和隐藏层状态(CellState)的机制来控制隐藏层之间的信息传递。一个LSTM神经网络的记忆单元内有3个门(Gates)计算结构分别是输入门(Input Gate)、遗忘门(Forget Gate)和输出门(OutputGate)。其中，输入门能控制新信息的加入或滤出；遗忘门能忘记需要丢掉的信息以及保留过去有用的信息；输出门能使记忆单元只输出与当前时间步相关的信息。这3个门结构在记忆单元中进行矩阵乘法和非线性求和等运算，使得记忆在不断的迭代中仍然不会衰减。长短期记忆单元(LSTM)结构单元由单元(Cell)，输入门(Input Gate)，输出门(Output Gate)和忘记门(Forget Gate)组成。单元负责在任意时间间隔内记住值，三个门均可以被认为是传统的人工神经元，用于计算激活函数的加权总和。LSTM神经网络是可以持续较长时间短期记忆的模型，适合用于分类，预测时间序列等工作，LSTM有效防止了RNN训练时的梯度消失，长短期记忆(LSTM)网络是一种特殊的RNN。该模型可以学习长期的依赖信息，同时避免梯度消失问题。LSTM在神经元内部结构RNN的隐藏层的神经节点中，增加了一种被称为记忆单元(Memory Cell)的结构用来记忆过去的信息，并增加了三种门(Input、Forget、Output)结构来控制历史信息的使用。设输入LSTM神经网络数据序列为(x1,x2,…,xT)，隐含层状态为(h1,h2,…,hT)，则t时刻有：
it＝sigmoid(Whiht-1+WxiXt) (11)
ft＝sigmoid(Whfht-1+WhfXt) (12)
Figure BDA0002419398710000121
ot＝sigmoid(Whoht-1+WhxXt+Wcoct) (14)
Figure BDA0002419398710000122
其中it、ft、ot代表input门、forget门和output门，ct代表cell单元，Wh代表递归连接的权重，Wx代表输入层到隐含层的权重，sigmoid与tanh为两种激活函数。使用长短期记忆的LSTM神经网络来对建筑物沉降区间数的上下限值预测值的进行再预测，该方法首先建立LSTM神经网络模型，利用预处理的建筑物沉降区间数的上下限值数预测值的建立训练集并对模型进行训练，LSTM神经网络考虑了建筑物沉降区间数上下限值预测值数据的时序性和非线性，具有较高的预测精度。
D、区间数脊波神经网络设计
区间数脊波神经网络包括2个TDL和1个脊波神经网络组成，2个LSTM神经网络的输出作为脊波神经网络的输入，2个TDL的输出作为脊波神经网络的输入，脊波神经网络输出区间数的上下限值分别作为2个TDL的输入，区间数脊波神经网络输出为被检测建筑在一段时间内沉降区间数值，区间数脊波神经网络具有m×p×2三层结构，m表示脊波神经网络输入层节点个数，p表示脊波神经网络隐含层节点个数，2表示输出层节点个数，将脊波函数作为隐含层激励函数的神经网络为脊波神经网络，X＝[x1,x2,…,xm]表示区间数脊波神经网络的输入量，y表示区间数脊波神经网络的输出量，U＝[u1,u2,…up]表示脊波神经网络的方向矩阵，其中Ui＝[ui1,ui2,…uim]表示第i个隐含层神经元对应的脊波方向向量，a＝[a1,a2,…ap]表示脊波神经网络的脊波尺度向量，b＝[b1,b2,…bp]表示脊波神经网络的脊波位置向量，w＝[w1,w2,…wp]表示隐含层和输出层之间的连接权值向量。区间数脊波神经网络输出表示为：
Figure BDA0002419398710000131
其中，i为2，2代表输出为区间数脊波神经网络输出区间数的两个节点；
Figure BDA0002419398710000132
为第j个隐含层神经元的输出，其表达式为：
Figure BDA0002419398710000141
(3)、区间数概率神经网络分类器设计
区间数概率神经网络分类器为输入多组区间数、输出为一组区间数的概率神经网络，多个建筑物沉降预测模型的输出为区间数概率神经网络分类器的输入，区间数概率神经网络分类器的输出为代表建筑物发生沉降坍塌危险度的区间数，区间数概率神经网络分类器可以准确地预测被检测建筑物沉降坍塌的危险度；根据建筑物发生沉降坍塌的工程实践经验和《建筑变形测量规范(JGJ8-2007)》，区间数概率神经网络分类器将被检测建筑物的沉降区间数的预测值大小量化为与建筑物发生的5种沉降坍塌危险度相对应，建筑物的5种沉降坍塌危险度分别为正常状态、比较危险、危险、很危险和非常危险对应5个不同的区间数，5个不同区间数与建筑物沉发生的5种沉降坍塌危险程度的对应关系表如表1。计算区间数概率神经网络分类器输出的区间数与代表建筑物沉降坍塌不同程度的5个区间数的相似度，其中相似度最大的区间数对应的建筑物沉降坍塌危险度确定为该建筑物沉降坍塌危险度。
表1建筑物沉降坍塌危险度与区间数数对应关系表
序号 沉降坍塌危险度 区间数
1 正常状态 [0.00，0.20]
2 比较危险 [0.20，0.40]
3 危险 [0.40，0.60]
4 很危险 [0.60，0.80]
5 非常危险 [0.80，1.0]
区间数概率神经网络是一种基于统计原理的人工神经网络,它是以Parzen窗口函数为激活函数的一种前馈网络模型。区间数概率神经网络(PNN)吸收了径向基神经网络与经典的概率密度估计原理的优点,与传统的前馈神经网络相比,在模式分类方面尤其具有较为显著的优势。PNN是一个具有两个隐层的网络。其中第一层和最后一层分别为输入层和输出层,中间两层为隐层。第一隐层为模式单元层是以Parzen窗口函数为激活函数,第二隐层为求和单元层,有选择地对第一隐层的输出进行求和。PNN的训练方法主要有递归正交最小二乘算法与递推最小二乘方法。两种方法都有较快的收敛速度,相比之下后者的训练速度较快且训练精度较高。对于输入向量x,区间数概率神经网络输出层第i个神经元的输出值Yj可以表示为：
Figure BDA0002419398710000151
Figure BDA0002419398710000152
x—维输入向量；Hk(x)—第二隐层第单元的输出；wjk—第二隐层第个神经元和输出层第个神经元的连接权重；P(·)—Parzen窗口核函数；cki—第一隐层的第个类别第个隐中心矢量；nk—第一隐层第个类别的隐层中心矢量数；||·||—欧几里德范数；M—输出层的神经元数目；本专利区间数概率神经网络分类器的输入为多个建筑物沉降预测模型输出的区间数预测值，输出为代表建筑物发生坍塌危险度的区间数。
4、基于无线传感器网络的建筑物沉降参数采集平台的设计举例
根据被检测建筑物的形状，***设计了检测节点1和现场监控端2的平面布置安装图，其中检测节点1均衡布置在被检测建筑物中实现对建筑物沉降量的检测，通过该***实现对建筑物参数参数的采集与建筑物沉降量的智能化预测。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (2)

1.一种建筑物沉降智能检测***，其特征在于：所述***由基于无线传感器网络的建筑物沉降参数采集平台和建筑物沉降智能化预警***两部分组成，基于无线传感器网络的建筑物沉降参数采集平台实现对建筑物沉降参数检测和管理，建筑物沉降智能化预警***由多个建筑物沉降区间数神经网络模型、多个建筑物沉降预测模型和区间数概率神经网络分类器组成，多个建筑物沉降传感器的输出分别作为对应的多个建筑物沉降区间数神经网络模型的输入，多个建筑物沉降区间数神经网络模型的输出分别作为对应的多个建筑物沉降预测模型的输入，多个建筑物沉降预测模型的输出作为区间数概率神经网络分类器的输入，区间数概率神经网络分类器的输出为表示建筑物发生沉降坍塌危险程度的区间数，建筑物沉降智能化预警***实现对被检测建筑物的沉降量大小进行检测、预测和预警；
所述建筑物沉降区间数神经网络模型由RR时间递归神经网络模型、区间数DRNN神经网络模型和3个按拍延迟线TDL组成，建筑物沉降传感器的输出为RR时间递归神经网络模型的输入，RR时间递归神经网络模型的输出为对应的1个按拍延迟线TDL的输入，3个按拍延迟线TDL的输出为区间数DRNN神经网络模型的输入，区间数DRNN神经网络模型的输出为代表一段时间内建筑物沉降大小的上下限值构成的区间数和建筑物沉降区间数神经网络模型的输出，区间数DRNN神经网络模型输出区间数的上下限值分别作为2个对应的按拍延迟线TDL的输入，建筑物沉降区间数神经网络模型把一段时间建筑物沉降传感器感知被测量建筑物沉降量转换为建筑物沉降的动态区间数值；
所述建筑物沉降预测模型包括2个小波分解模型、2组多个Elman神经网络预测模型、2个LSTM神经网络、2个按拍延迟线TDL和区间数脊波神经网络组成；建筑物沉降区间数神经网络模型输出区间数的上限值和下限值分别作为2个小波分解模型的输入，2个小波分解模型分别把建筑物沉降区间数神经网络模型输出的区间数上限值和下限值分解为2组低频趋势部分和多个高频波动部分信号，2组低频趋势部分和多个高频波动部分信号分别作为对应的2组多个Elman神经网络预测模型的输入，2组多个Elman神经网络预测模型的输出分别作为对应的2个LSTM神经网络的输入，2个LSTM神经网络输出和2个按拍延迟线TDL输出作为区间数脊波神经网络的输入，区间数脊波神经网络输出区间数的上下限值分别作为对应的2个按拍延迟线TDL的输入，区间数脊波神经网络输出作为建筑物被检测点沉降区间数值的预测值和建筑物沉降预测模型的输出；
所述区间数概率神经网络分类器是输入为多组区间数和输出一组区间数的概率神经网络，区间数概率神经网络分类器的输入为多个建筑物沉降预测模型输出的多组区间数值，区间数概率神经网络分类器的输出为代表被检测建筑物发生沉降坍塌危险程度大小的区间数；根据建筑物沉降检测的工程实践和国家关于建筑物沉降标准，区间数概率神经网络分类器构建区间数概率神经网络分类器输出5个区间数与建筑物5种沉降坍塌危险程度的对应关系表，建筑物5种沉降坍塌危险程度分别为正常状态、比较危险、危险、很危险和非常危险，计算区间数概率神经网络分类器输出的区间数与代表建筑物沉降坍塌危险程度的5个区间数的相似度，其中相似度最大的区间数对应的建筑物沉降坍塌危险度确定为该建筑物沉降坍塌危险度。
2.根据权利要求1所述的一种建筑物沉降智能检测***，其特征在于：所述基于无线传感器网络的建筑物沉降参数采集平台由检测节点和现场监控端组成，它们以自组织方式通过无线通信模块NRF2401构建成建筑物沉降参数采集与智能预测平台，检测节点分别由传感器组模块、单片机MSP430和无线通信模块NRF2401组成，传感器组模块负责检测建筑物温度、湿度、沉降量和水位建筑物参数，由单片机控制采样间隔并通过无线通信模块NRF2401发送给现场监控端；现场监控端由一台工业控制计算机组成，实现对检测节点检测建筑物沉降参数进行管理和对建筑物沉降进行预测和预警。
CN202010201091.0A 2020-03-20 2020-03-20 一种建筑物沉降智能检测*** Active CN111461187B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010201091.0A CN111461187B (zh) 2020-03-20 2020-03-20 一种建筑物沉降智能检测***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010201091.0A CN111461187B (zh) 2020-03-20 2020-03-20 一种建筑物沉降智能检测***

Publications (2)

Publication Number Publication Date
CN111461187A true CN111461187A (zh) 2020-07-28
CN111461187B CN111461187B (zh) 2022-05-17

Family

ID=71685680

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010201091.0A Active CN111461187B (zh) 2020-03-20 2020-03-20 一种建筑物沉降智能检测***

Country Status (1)

Country Link
CN (1) CN111461187B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112802021A (zh) * 2021-04-09 2021-05-14 泰瑞数创科技(北京)有限公司 基于数字孪生技术的城市桥梁道路诊断方法及其***
CN112903929A (zh) * 2021-01-13 2021-06-04 淮阴工学院 一种食品质量检测***
CN112990546A (zh) * 2021-02-08 2021-06-18 国网上海市电力公司 一种基于粒子群与神经网络的化工厂电力变压器故障预测方法
CN114757383A (zh) * 2022-06-14 2022-07-15 河北农业大学 基于人工智能的建筑物维护分析***及方法
CN115830812A (zh) * 2023-02-13 2023-03-21 水利部交通运输部国家能源局南京水利科学研究院 泵站建筑物异常沉降智能预警***及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407581A (zh) * 2016-09-28 2017-02-15 华中科技大学 一种地铁隧道施工诱发地表沉降的智能预测方法
CN106845641A (zh) * 2017-03-03 2017-06-13 东南大学 基于经验模态分解和bp神经网络的地铁沉降预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407581A (zh) * 2016-09-28 2017-02-15 华中科技大学 一种地铁隧道施工诱发地表沉降的智能预测方法
CN106845641A (zh) * 2017-03-03 2017-06-13 东南大学 基于经验模态分解和bp神经网络的地铁沉降预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张颖等: "河南发展大厦桩基础优化设计", 《建筑结构》 *
马力等: "普格达层高填方路堤工后沉降研究", 《山西建筑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112903929A (zh) * 2021-01-13 2021-06-04 淮阴工学院 一种食品质量检测***
CN112990546A (zh) * 2021-02-08 2021-06-18 国网上海市电力公司 一种基于粒子群与神经网络的化工厂电力变压器故障预测方法
CN112802021A (zh) * 2021-04-09 2021-05-14 泰瑞数创科技(北京)有限公司 基于数字孪生技术的城市桥梁道路诊断方法及其***
CN114757383A (zh) * 2022-06-14 2022-07-15 河北农业大学 基于人工智能的建筑物维护分析***及方法
CN115830812A (zh) * 2023-02-13 2023-03-21 水利部交通运输部国家能源局南京水利科学研究院 泵站建筑物异常沉降智能预警***及方法

Also Published As

Publication number Publication date
CN111461187B (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
CN111461187B (zh) 一种建筑物沉降智能检测***
Cheng A neural network approach for the analysis of control chart patterns
CN111476278B (zh) 一种气体浓度智能化检测***
CN111444947B (zh) 一种桥梁沉降智能检测***
CN111461413B (zh) 一种公路路面使用性能检测***
CN112665656B (zh) 一种农产品生长环境大数据检测***
CN111474094B (zh) 一种粉尘浓度智能化检测***
CN113126676B (zh) 一种畜禽舍养殖环境参数智能控制***
CN111429718B (zh) 一种公路交通安全智能检测***
CN112881601B (zh) 一种基于云平台的水分检测***
CN114397043B (zh) 多点温度智能检测***
CN112903929A (zh) 一种食品质量检测***
CN114911185A (zh) 基于云平台和移动端App的安防大数据物联网智能***
CN115687995A (zh) 大数据环境污染监测方法及***
CN113255739A (zh) 一种鱼饲料检测与配方***
CN113283642A (zh) 一种家禽饲料检测与配方***
CN114386672B (zh) 环境大数据物联网智能检测***
CN111473768B (zh) 一种建筑物安全智能检测***
CN115062764B (zh) 光照度智能调节与环境参数物联网大数据***
CN116933025A (zh) 基于vmd与dbo-lstm-at的变压器顶层油温预测方法
CN116502526A (zh) 基于改进pso-grnn神经网络称重传感器故障诊断方法
CN114970745B (zh) 物联网智能安防与环境大数据***
CN114358244B (zh) 基于物联网的压力大数据智能检测***
CN114399024B (zh) 油气浓度大数据智能检测***
CN114995248A (zh) 智能养护与环境参数大数据物联网***

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
TR01 Transfer of patent right

Effective date of registration: 20221013

Address after: Unit 101, Area A, 10th Floor, East Annex Building, No. 223, Changhao Road, Huli District, Xiamen City, Fujian Province, 361000

Patentee after: China Construction kuangbo (Fujian) Co.,Ltd.

Patentee after: Fujian Tangtou Construction Engineering Group Co.,Ltd.

Patentee after: FUZHOU University

Address before: 223005 Jiangsu Huaian economic and Technological Development Zone, 1 East Road.

Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY

TR01 Transfer of patent right