CN112051394B - 一种木结构古建筑的缺损度检测算法及检测方法 - Google Patents
一种木结构古建筑的缺损度检测算法及检测方法 Download PDFInfo
- Publication number
- CN112051394B CN112051394B CN202010815233.2A CN202010815233A CN112051394B CN 112051394 B CN112051394 B CN 112051394B CN 202010815233 A CN202010815233 A CN 202010815233A CN 112051394 B CN112051394 B CN 112051394B
- Authority
- CN
- China
- Prior art keywords
- data
- ancient building
- wood structure
- structure ancient
- humidity
- 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
Links
- 239000002023 wood Substances 0.000 title claims abstract description 117
- 230000007547 defect Effects 0.000 title claims abstract description 74
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims description 35
- 239000013598 vector Substances 0.000 claims abstract description 50
- 238000005259 measurement Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000013139 quantization Methods 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 13
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000003449 preventive effect Effects 0.000 abstract description 5
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 241000233866 Fungi Species 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012620 biological material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/46—Wood
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Wood Science & Technology (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种木结构古建筑的缺损度检测算法及检测方法,本木结构古建筑的缺损度检测算法包括:获取温度数据、湿度数据、相对水平倾斜度数据;计算温度偏离比、湿度偏离比、相对水平倾斜度比;建立向量;根据相应向量构建木结构古建筑缺损度检测模型;根据木结构古建筑缺损度模型并结合当前温度数据、湿度数据、相对水平倾斜度数据,给出当前木结构古建筑的缺损度指数和预警策略;以及根据木结构古建筑缺损度模型预测木结构古建筑的期望寿命;本发明避免了由人工进行古建筑维护或由人工根据监测数据进行维护具有主观性强、随意性大的缺点,有利于对木结构古建筑进行预防性保护并且降低了木结构古建筑的人力维护成本。
Description
技术领域
本发明属于古建筑保护技术领域,具体涉及一种木结构古建筑的缺损度检测算法及检测方法。
背景技术
中国的木结构古建筑,在世界建筑史上无疑占有着无与伦比的地位。木结构古建筑的材质特点明显,但也带来了问题。木材是生物材质,易发生真菌产生腐朽,腐朽的木材在承重力度大大下降,从而影响建筑的安全性。随着时间的迁移,保留至今的木结构古建筑越来越需要维修和保护。
但是现在相关人员对木结构古建筑的检测还是以人工为主,这样的检测中人为因素较大。不仅需要人力物力较多,而且人工检测过程中可能对木结构古建筑造成二次破坏。
部分木结构古建筑采用了基于物联网的监测***,但目前主要停留在对数据进行采集和存储的阶段,没有达到对数据进行更深入的分析和挖掘的层次。而上述***由于对数据利用的不充分,往往不能达到对木结构古建筑的预测性防护。
现在针对木结构古建筑的保护观念和方法比较落后,基本上是当建筑出现严重问题时才上报维修,这样基本是事后补救,很多古建筑就因为错过了最佳修复时期而出现不可逆转的损失。
因此,亟需开发一种新的木结构古建筑的缺损度检测算法及检测方法,以解决上述问题。
发明内容
本发明的目的是提供一种木结构古建筑的缺损度检测算法及检测方法。
为了解决上述技术问题,本发明提供了一种木结构古建筑的缺损度检测算法,其包括:获取温度数据、湿度数据、相对水平倾斜度数据;根据相应温度数据、湿度数据、相对水平倾斜度数据计算温度偏离比、湿度偏离比、相对水平倾斜度比;根据相应温度偏离比、湿度偏离比、相对水平倾斜度比建立向量;根据相应向量构建木结构古建筑缺损度检测模型;根据木结构古建筑缺损度模型并结合当前温度数据、湿度数据、相对水平倾斜度数据,给出当前木结构古建筑的缺损度指数和预警策略;以及根据木结构古建筑缺损度模型预测木结构古建筑的期望寿命。
进一步,所述根据相应温度数据、湿度数据、相对水平倾斜度数据计算温度偏离比、湿度偏离比、相对水平倾斜度比的方法包括:所述温度偏离比为:所述湿度偏离比为:所述相对水平倾斜度比为:其中,Tji为第j组测量节点第i个记录数据的温度值,Hji为第j组测量节点第i个记录数据的湿度值,Sji为第j组测量节点第i个记录数据的水平倾斜度值,T0为温度标准值,H0为湿度标准值,S0为水平倾斜度上限。
进一步,所述根据相应温度偏离比、湿度偏离比、相对水平倾斜度比建立向量的方法包括:获取温度偏离比、湿度偏离比、相对水平倾斜度比在特征中的最佳组合比例,即目标函数为:
其中,C1为温度偏离比比例,C2为湿度偏离比比例,C3为相对水平倾斜度比比例,yi为第i个数据的类标记,且yi为-1时表示木结构古建筑出现损毁;使用梯度下降法求C,即(C1,C2);C定义为当L(C)最小时,即趋近0时,迭代所得的C*为最优解,α表示步长。
进一步,所述根据相应向量构建木结构古建筑缺损度检测模型的方法包括:建立数据向量:x=(x(1),x(2),...,x(j),...,x(M));建立系数向量:
w=(w(1),w(2),...,w(j),...,w(M));构建最优化模型,即s.t.yi(w·xi+b)≥1-ξi;ξi≥0i=1,2,......,N;其中,C为惩罚系数;xi为第i个训练数据向量;yi为xi的类标记,当yi为-1时表示木结构古建筑出现损毁,当yi为1时表示木结构古建筑无损;N为训练数据数目;ξ为松弛变量;ξi为第i个训练数据的松弛变量;b为偏置;则最优化模型的解为:w*;其中,w*即为最优分类超平面的法向量;为拉格朗日乘子向量中对偶问题的解的第i个元素。
进一步,所述根据木结构古建筑缺损度模型并结合当前温度数据、湿度数据、相对水平倾斜度数据,给出当前木结构古建筑的缺损度指数和预警策略的方法包括:获取温度数据、湿度数据、相对水平倾斜度数据在法向量上进行投影后所得到的数据,出现木结构古建筑损毁与木结构古建筑状态正常两个数据类别的均值与方差,即
其中,NA为类别y=1的样本数;NB为类别y=-1的样本数;μB为出现木结构古建筑损毁数据在w*向量轴投影后所得到的数据的均值;μA为木结构古建筑状态正常数据在w*向量轴投影后所得到的数据的均值;δA为木结构古建筑状态正常数据在w*向量轴投影后所得到的数据的标准差;δB为出现木结构古建筑损毁数据在w*向量轴投影后所得到的数据的标准差;
进一步,所述根据木结构古建筑缺损度模型并结合当前温度数据、湿度数据、相对水平倾斜度数据,给出当前木结构古建筑的缺损度指数和预警策略的方法包括:设xA为所有y=1的样本数据总和,ZA为xA在w*向量轴的投影,设当前数据为xc,即Zc=w*xc;当wxc≤μA+δA时,木结构古建筑危险度V为0;当wxc≥μB-δB时,木结构古建筑危险度V为1;当μA+δA≤wxc≤μB-δB时,木结构古建筑危险度V为:其中,H(ZC|ZA)为在给定ZA条件下,ZC的条件熵;H(μB|ZA)为在给定ZA条件下,μB的条件熵;木结构古建筑危险度V越小表示木结构古建筑缺损越小,木结构古建筑危险度V越大表示木结构古建筑缺损越大。
进一步,所述根据木结构古建筑缺损度模型预测木结构古建筑的期望寿命的方法包括:木结构古建筑的预测期望寿命为:P=(1-V)P0;P为当前木结构古建筑在当前危险度V下的预测期望寿命,P0为对当前木结构古建筑为在状态正常时基准估计寿命。
另一方面,本发明提供一种木结构古建筑的缺损度检测方法,其包括:将各测量节点安装在相应木结构古建筑上;将安装在具有相同木结构建筑上的对应测量节点分在同组,并对同组测量节点按在木结构建筑上位置的关键程度大小排序,以对各测量节点编号;各测量节点通过相应协调器将测量数据发送至服务器;服务器根据测量数据计算温度偏离比、湿度偏离比、相对水平倾斜度比以构建木结构古建筑缺损度检测模型;服务器根据木结构古建筑缺损度模型并结合当前温度数据、湿度数据、相对水平倾斜度数据,给出当前木结构古建筑的缺损度指数和预警策略、期望寿命。
本发明的有益效果是,本发明避免了由人工进行古建筑维护或由人工根据监测数据进行维护具有主观性强、随意性大的缺点,有利于对木结构古建筑进行预防性保护,在损坏没有真实发生之前,就能以最小代价保护古建筑,并且降低了木结构古建筑的人力维护成本。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的木结构古建筑的缺损度检测算法的流程图;
图2是本发明的木结构古建筑的缺损度检测方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
图1是本发明的木结构古建筑的缺损度检测算法的流程图;
在本实施例中,如图1所示,本实施例提供了一种木结构古建筑的缺损度检测算法,其包括:获取温度数据、湿度数据、相对水平倾斜度数据;根据相应温度数据、湿度数据、相对水平倾斜度数据计算温度偏离比、湿度偏离比、相对水平倾斜度比;根据相应温度偏离比、湿度偏离比、相对水平倾斜度比建立向量;根据相应向量构建木结构古建筑缺损度检测模型;根据木结构古建筑缺损度模型并结合当前温度数据、湿度数据、相对水平倾斜度数据,给出当前木结构古建筑的缺损度指数和预警策略;以及根据木结构古建筑缺损度模型预测木结构古建筑的期望寿命。
在本实施例中,本实施例避免了由人工进行古建筑维护或由人工根据监测数据进行维护具有主观性强、随意性大的缺点,有利于对木结构古建筑进行预防性保护,在损坏没有真实发生之前,就能以最小代价保护古建筑,并且降低了木结构古建筑的人力维护成本。
在本实施例中,所述根据相应温度数据、湿度数据、相对水平倾斜度数据计算温度偏离比、湿度偏离比、相对水平倾斜度比的方法包括:所述温度偏离比为:所述湿度偏离比为:所述相对水平倾斜度比为:其中,Tji为第j组测量节点第i个记录数据的温度值,Hji为第j组测量节点第i个记录数据的湿度值,Sji为第j组测量节点第i个记录数据的水平倾斜度值,T0为温度标准值,H0为湿度标准值,S0为水平倾斜度上限。
在本实施例中,将具有相同木结构建筑分在同组,对测量节点按所测木结构位置的关键程度大小排序,第1组测量节点为最关键测量节点,以下依顺序关键程度逐渐降低。
在本实施例中,所述根据相应温度偏离比、湿度偏离比、相对水平倾斜度比建立向量的方法包括:获取温度偏离比、湿度偏离比、相对水平倾斜度比在特征中的最佳组合比例,即目标函数为:
其中,C1为温度偏离比比例,C2为湿度偏离比比例,C3为相对水平倾斜度比比例,yi为第i个数据的类标记,且yi为-1时表示木结构古建筑出现损毁;使用梯度下降法求C,即(C1,C2);C定义为当L(C)最小时,即趋近0时,迭代所得的C*为最优解,α表示步长。
在本实施例中,所述根据相应向量构建木结构古建筑缺损度检测模型的方法包括:建立数据向量:x=(x(1),x(2),...,x(j),...,x(M));建立系数向量:
w=(w(1),w(2),...,w(j),...,w(M));构建最优化模型,即s.t.yi(w·xi+b)≥1-ξi;ξi≥0i=1,2,......,N;其中,C为惩罚系数;xi为第i个训练数据向量;yi为xi的类标记,当yi为-1时表示木结构古建筑出现损毁,当yi为1时表示木结构古建筑无损;N为训练数据数目;ξ为松弛变量;ξi为第i个训练数据的松弛变量;b为偏置;则最优化模型的解为:w*;其中,w*即为最优分类超平面的法向量;为拉格朗日乘子向量中对偶问题的解的第i个元素。
在本实施例中,使用软间隔SVM,求几何间隔最大的分类超平面,将问题可以表示为约束最优化问题,即构建最优化模型。
在本实施例中,所述根据木结构古建筑缺损度模型并结合当前温度数据、湿度数据、相对水平倾斜度数据,给出当前木结构古建筑的缺损度指数和预警策略的方法包括:获取温度数据、湿度数据、相对水平倾斜度数据在法向量上进行投影后所得到的数据,出现木结构古建筑损毁与木结构古建筑状态正常两个数据类别的均值与方差,即 其中,NA为类别y=1的样本数;NB为类别y=-1的样本数;μB为出现木结构古建筑损毁数据在w*向量轴投影后所得到的数据的均值;μA为木结构古建筑状态正常数据在w*向量轴投影后所得到的数据的均值;δA为木结构古建筑状态正常数据在w*向量轴投影后所得到的数据的标准差;δB为出现木结构古建筑损毁数据在w*向量轴投影后所得到的数据的标准差;
在本实施例中,所述根据木结构古建筑缺损度模型并结合当前温度数据、湿度数据、相对水平倾斜度数据,给出当前木结构古建筑的缺损度指数和预警策略的方法包括:设xA为所有y=1的样本数据总和,ZA为xA在w*向量轴的投影,设当前数据为xc,即Zc=w*xc;当wxc≤μA+δA时,木结构古建筑危险度V为0;当wxc≥μB-δB时,木结构古建筑危险度V为1;当μA+δA≤wxc≤μB-δB时,木结构古建筑危险度V为:其中,H(ZC|ZA)为在给定ZA条件下,ZC的条件熵;H(μB|ZA)为在给定ZA条件下,μB的条件熵;木结构古建筑危险度V越小表示木结构古建筑缺损越小,木结构古建筑危险度V越大表示木结构古建筑缺损越大。
在本实施例中,木结构古建筑危险度V为从0到1范围的数,越接近0表示危险度越小,越接近1表示危险度越大,用户可根据危险度大小进行预防性维护。
在本实施例中,危险度V>γ时,启动预警。γ为预警阈值,范围为0.4-0.5,用户可以自主在该范围内选择阈值设置,以上预警阈值取值范围合理,很好地在避免虚报和避免漏报之间进行了折衷。
在本实施例中,所述根据木结构古建筑缺损度模型预测木结构古建筑的期望寿命的方法包括:木结构古建筑的预测期望寿命为:P=(1-V)P0;P为当前木结构古建筑在当前危险度V下的预测期望寿命,P0为对当前木结构古建筑为在状态正常时基准估计寿命,以便于根据实际情况估计设定。
实施例2
图2是本发明的木结构古建筑的缺损度检测方法的流程图。
在实施例1的基础上,如图2所示,本实施例提供一种木结构古建筑的缺损度检测方法,其包括:将各测量节点安装在相应木结构古建筑上;将安装在具有相同木结构建筑上的对应测量节点分在同组,并对同组测量节点按在木结构建筑上位置的关键程度大小排序,以对各测量节点编号;各测量节点通过相应协调器将测量数据发送至服务器;服务器根据测量数据计算温度偏离比、湿度偏离比、相对水平倾斜度比以构建木结构古建筑缺损度检测模型;服务器根据木结构古建筑缺损度模型并结合当前温度数据、湿度数据、相对水平倾斜度数据,给出当前木结构古建筑的缺损度指数和预警策略、期望寿命。
在本实施例中,木结构古建筑的缺损度检测方法适于采用如实施例1所体用的木结构古建筑的缺损度检测算法对木结构古建筑的缺损度指数和预警策略、期望寿命进行预估。
综上所述,本发明避免了由人工进行古建筑维护或由人工根据监测数据进行维护具有主观性强、随意性大的缺点,有利于对木结构古建筑进行预防性保护,在损坏没有真实发生之前,就能以最小代价保护古建筑,并且降低了木结构古建筑的人力维护成本。
在本申请所提供的几个实施例中,应该理解到,所揭露的***和方法,也可以通过其它的方式实现。以上所描述的***实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (3)
1.一种木结构古建筑的缺损度检测算法,其特征在于,包括:
获取温度数据、湿度数据、相对水平倾斜度数据;
根据相应温度数据、湿度数据、相对水平倾斜度数据计算温度偏离比、湿度偏离比、相对水平倾斜度比;
根据相应温度偏离比、湿度偏离比、相对水平倾斜度比建立向量;
根据相应向量构建木结构古建筑缺损度检测模型;
根据木结构古建筑缺损度模型并结合当前温度数据、湿度数据、相对水平倾斜度数据,给出当前木结构古建筑的缺损度指数和预警策略;以及
根据木结构古建筑缺损度模型预测木结构古建筑的期望寿命;
所述根据相应温度数据、湿度数据、相对水平倾斜度数据计算温度偏离比、湿度偏离比、相对水平倾斜度比的方法包括:
其中,Tji为第j组测量节点第i个记录数据的温度值,Hji为第j组测量节点第i个记录数据的湿度值,Sji为第j组测量节点第i个记录数据的水平倾斜度值,T0为温度标准值,H0为湿度标准值,S0为水平倾斜度上限;
所述根据相应温度偏离比、湿度偏离比、相对水平倾斜度比建立向量的方法包括:
获取温度偏离比、湿度偏离比、相对水平倾斜度比在特征中的最佳组合比例,即
目标函数为:
其中,C1为温度偏离比比例,C2为湿度偏离比比例,C3为相对水平倾斜度比比例,yi为第i个数据的类标记,且yi为-1时表示木结构古建筑出现损毁;
所述根据相应温度偏离比、湿度偏离比、相对水平倾斜度比建立向量的方法还包括:
对特征进行量化,即
所述根据相应向量构建木结构古建筑缺损度检测模型的方法包括:
建立数据向量:x=(x(1),x(2),…,x(j),…,x(M));
建立系数向量:w=(w(1),w(2),…,w(j),…,w(M));
构建最优化模型,即
s.t.yi(w·xi+b)≥1-ξi;
ξi≥0 i=1,2,......,N;
其中,C0为惩罚系数;xi为第i个训练数据向量;yi为xi的类标记,当yi为-1时表示木结构古建筑出现损毁,当yi为1时表示木结构古建筑无损;N为训练数据数目;ξ为松弛变量;ξi为第i个训练数据的松弛变量;b为偏置;
则最优化模型的解为:w*;
所述根据木结构古建筑缺损度模型并结合当前温度数据、湿度数据、相对水平倾斜度数据,给出当前木结构古建筑的缺损度指数和预警策略的方法包括:
获取温度数据、湿度数据、相对水平倾斜度数据在法向量上进行投影后所得到的数据,出现木结构古建筑损毁与木结构古建筑状态正常两个数据类别的均值与方差,即
其中,NA为类别y=1的样本数;NB为类别y=-1的样本数;μB为出现木结构古建筑损毁数据在w*向量轴投影后所得到的数据的均值;μA为木结构古建筑状态正常数据在w*向量轴投影后所得到的数据的均值;δA为木结构古建筑状态正常数据在w*向量轴投影后所得到的数据的标准差;δB为出现木结构古建筑损毁数据在w*向量轴投影后所得到的数据的标准差;
所述根据木结构古建筑缺损度模型并结合当前温度数据、湿度数据、相对水平倾斜度数据,给出当前木结构古建筑的缺损度指数和预警策略的方法包括:
设xA为所有yi=1的样本数据总和,ZA为xA在w*向量轴的投影,设当前数据为xc,即
Zc=w*xc;
当w*xc≤μA+δA时,木结构古建筑危险度V为0;
当w*xc≥μB-δB时,木结构古建筑危险度V为1;
当μA+δA≤w*xc≤μB-δB时,木结构古建筑危险度V为:
其中,H(ZC|ZA)为在给定ZA条件下,ZC的条件熵;
H(μB|ZA)为在给定ZA条件下,μB的条件熵;
木结构古建筑危险度V越小表示木结构古建筑缺损越小,木结构古建筑危险度V越大表示木结构古建筑缺损越大。
2.如权利要求1所述的木结构古建筑的缺损度检测算法,其特征在于,
所述根据木结构古建筑缺损度模型预测木结构古建筑的期望寿命的方法包括:
木结构古建筑的预测期望寿命为:P=(1-V)P0;
P为当前木结构古建筑在当前危险度V下的预测期望寿命,P0为对当前木结构古建筑为在状态正常时基准估计寿命。
3.一种木结构古建筑的缺损度检测方法,其特征在于,包括:
将各测量节点安装在相应木结构古建筑上;
将安装在具有相同木结构建筑上的对应测量节点分在同组,并对同组测量节点按在木结构建筑上位置的关键程度大小排序,以对各测量节点编号;
各测量节点通过相应协调器将测量数据发送至服务器;
服务器根据测量数据计算温度偏离比、湿度偏离比、相对水平倾斜度比以构建木结构古建筑缺损度检测模型;
服务器通过如权利要求1所述的木结构古建筑的缺损度检测算法根据木结构古建筑缺损度模型并结合当前温度数据、湿度数据、相对水平倾斜度数据,给出当前木结构古建筑的缺损度指数和预警策略、期望寿命。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010815233.2A CN112051394B (zh) | 2020-08-14 | 2020-08-14 | 一种木结构古建筑的缺损度检测算法及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010815233.2A CN112051394B (zh) | 2020-08-14 | 2020-08-14 | 一种木结构古建筑的缺损度检测算法及检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112051394A CN112051394A (zh) | 2020-12-08 |
CN112051394B true CN112051394B (zh) | 2022-12-23 |
Family
ID=73602740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010815233.2A Active CN112051394B (zh) | 2020-08-14 | 2020-08-14 | 一种木结构古建筑的缺损度检测算法及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112051394B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081065A (zh) * | 2022-06-12 | 2022-09-20 | 常熟古建园林股份有限公司 | 一种基于人工智能的文物古建筑损伤预测模型及其方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1991009513A2 (en) * | 1989-12-15 | 1991-07-11 | Stephens Anna Q | The efficient structure |
JP2005107797A (ja) * | 2003-09-30 | 2005-04-21 | Daiwa House Ind Co Ltd | 住宅モニタリングシステム、モニタリングデータ管理装置、モニタリングデータ管理方法並びにモニタリングデータ管理プログラム |
JP2007263888A (ja) * | 2006-03-29 | 2007-10-11 | Furukawa Electric Co Ltd:The | 建造物診断システム |
CN101221104A (zh) * | 2007-10-16 | 2008-07-16 | 吴智深 | 基于分布式应变动态测试的结构健康监测方法 |
CN105137505A (zh) * | 2015-09-15 | 2015-12-09 | 南京邮电大学 | 一种基于物联网的古建筑监测预警*** |
CN106153114A (zh) * | 2016-08-09 | 2016-11-23 | 安徽喜悦信息科技有限公司 | 一种远程控制楼宇智能化监控*** |
CN108038301A (zh) * | 2017-11-29 | 2018-05-15 | 山东工商学院 | 一种土木工程建筑监测*** |
JP2018076705A (ja) * | 2016-11-09 | 2018-05-17 | 株式会社ストローグ | 建築物状態管理システム |
US10042341B1 (en) * | 2015-02-19 | 2018-08-07 | State Farm Mutual Automobile Insurance Company | Systems and methods for monitoring building health |
CN108981807A (zh) * | 2018-07-09 | 2018-12-11 | 梧州市兴能农业科技有限公司 | 一种土木工程建筑智能监测*** |
CN109857988A (zh) * | 2019-03-14 | 2019-06-07 | 吉林建筑大学 | 一种寒地装配式现代木结构建筑的安全监测方法 |
CN110031043A (zh) * | 2019-05-08 | 2019-07-19 | 商丘工学院 | 一种土木工程建筑结构实时智能监测*** |
WO2019198898A1 (ko) * | 2018-04-10 | 2019-10-17 | 최종운 | Iot 기반의 문화재 변위 모니터링 시스템 |
CN110672154A (zh) * | 2019-10-14 | 2020-01-10 | 陕西理工大学 | 土木工程建筑监测*** |
CN110750830A (zh) * | 2019-10-18 | 2020-02-04 | 北京申信达成科技有限公司 | 一种基于正态云模型的木结构古建筑健康状态评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8209134B2 (en) * | 2008-12-04 | 2012-06-26 | Laura P. Solliday | Methods for modeling the structural health of a civil structure based on electronic distance measurements |
-
2020
- 2020-08-14 CN CN202010815233.2A patent/CN112051394B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1991009513A2 (en) * | 1989-12-15 | 1991-07-11 | Stephens Anna Q | The efficient structure |
JP2005107797A (ja) * | 2003-09-30 | 2005-04-21 | Daiwa House Ind Co Ltd | 住宅モニタリングシステム、モニタリングデータ管理装置、モニタリングデータ管理方法並びにモニタリングデータ管理プログラム |
JP2007263888A (ja) * | 2006-03-29 | 2007-10-11 | Furukawa Electric Co Ltd:The | 建造物診断システム |
CN101221104A (zh) * | 2007-10-16 | 2008-07-16 | 吴智深 | 基于分布式应变动态测试的结构健康监测方法 |
US10042341B1 (en) * | 2015-02-19 | 2018-08-07 | State Farm Mutual Automobile Insurance Company | Systems and methods for monitoring building health |
CN105137505A (zh) * | 2015-09-15 | 2015-12-09 | 南京邮电大学 | 一种基于物联网的古建筑监测预警*** |
CN106153114A (zh) * | 2016-08-09 | 2016-11-23 | 安徽喜悦信息科技有限公司 | 一种远程控制楼宇智能化监控*** |
JP2018076705A (ja) * | 2016-11-09 | 2018-05-17 | 株式会社ストローグ | 建築物状態管理システム |
CN108038301A (zh) * | 2017-11-29 | 2018-05-15 | 山东工商学院 | 一种土木工程建筑监测*** |
WO2019198898A1 (ko) * | 2018-04-10 | 2019-10-17 | 최종운 | Iot 기반의 문화재 변위 모니터링 시스템 |
CN108981807A (zh) * | 2018-07-09 | 2018-12-11 | 梧州市兴能农业科技有限公司 | 一种土木工程建筑智能监测*** |
CN109857988A (zh) * | 2019-03-14 | 2019-06-07 | 吉林建筑大学 | 一种寒地装配式现代木结构建筑的安全监测方法 |
CN110031043A (zh) * | 2019-05-08 | 2019-07-19 | 商丘工学院 | 一种土木工程建筑结构实时智能监测*** |
CN110672154A (zh) * | 2019-10-14 | 2020-01-10 | 陕西理工大学 | 土木工程建筑监测*** |
CN110750830A (zh) * | 2019-10-18 | 2020-02-04 | 北京申信达成科技有限公司 | 一种基于正态云模型的木结构古建筑健康状态评估方法 |
Non-Patent Citations (3)
Title |
---|
Deep Learning for Detecting Building Defects Using Convolutional Neural Networks;Husein Perez 等;《Sensors》;20190815;第19卷(第16期);第3556(1-12页) * |
基于缺失数据估计的PLSS古建筑寿命预测;路杨等;《计算机技术与发展》;20160525;第26卷(第06期);第201-205页 * |
无线传感器网络在历史建筑安全监测中的应用;荀平等;《自动化与仪器仪表》;20160525(第05期);第144-146页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112051394A (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766059A (zh) | 一种变压器故障的预测方法、装置和设备 | |
CN110210681B (zh) | 一种基于距离的监测站点pm2.5值的预测方法 | |
Hutton et al. | Real-time burst detection in water distribution systems using a Bayesian demand forecasting methodology | |
CN112051394B (zh) | 一种木结构古建筑的缺损度检测算法及检测方法 | |
CN110555235A (zh) | 基于向量自回归模型的结构局部缺陷检测方法 | |
CN111191855B (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
CN115563880A (zh) | 一种基于Isolated forest-变点增强的企业用电异常检测方法 | |
CN112949735A (zh) | 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法 | |
CN110455476B (zh) | 一种基于mcd异常点检验算法的多维动力指纹损伤识别方法 | |
CN110220885B (zh) | 一种机械设备磨损状态综合判断方法 | |
CN117274827B (zh) | 一种智慧环境环保远程实时监测预警方法及*** | |
CN116627116B (zh) | 一种流程工业故障定位方法、***及电子设备 | |
CN113742983A (zh) | 基于深度自编码器神经网络的长跨结构损伤识别方法 | |
CN113779879A (zh) | 一种基于LSTM-seq2seq-attention模型的中长期用电异常检测方法 | |
CN117191147A (zh) | 一种泄洪大坝水位监测预警方法及*** | |
CN117216528A (zh) | 一种基于环境多因素-频率增强映射模型的桥梁性能预警方法 | |
CN112067043B (zh) | 一种木结构古建筑的缺损度检测*** | |
CN108429771B (zh) | 基于突变理论的软件定义网络安全状态评估方法及装置 | |
CN115577312A (zh) | 基于改进dagmm的建筑用电负荷曲线异常检测方法 | |
CN114001887B (zh) | 一种基于挠度监测的桥梁损伤评定方法 | |
CN107067034B (zh) | 一种快速识别红外光谱数据分类的方法及*** | |
CN113807743A (zh) | 一种电网调度自动化软件可靠性评估方法及*** | |
CN113266403A (zh) | 一种煤矿无人值守工作面液压支架***状态监测方法 | |
CN111950867A (zh) | 一种突发水环境污染应急的技术评估方法 | |
CN116558578B (zh) | 道路路面状况检测方法、装置和存储介质 |
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 |