CN117111544B - 一种自动适配的楼宇物联网监控方法及*** - Google Patents
一种自动适配的楼宇物联网监控方法及*** Download PDFInfo
- Publication number
- CN117111544B CN117111544B CN202311341546.9A CN202311341546A CN117111544B CN 117111544 B CN117111544 B CN 117111544B CN 202311341546 A CN202311341546 A CN 202311341546A CN 117111544 B CN117111544 B CN 117111544B
- Authority
- CN
- China
- Prior art keywords
- building
- monitoring
- target
- monitoring point
- data
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 465
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004458 analytical method Methods 0.000 claims abstract description 131
- 238000004088 simulation Methods 0.000 claims abstract description 129
- 238000000547 structure data Methods 0.000 claims abstract description 36
- 230000006978 adaptation Effects 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims description 41
- 230000002068 genetic effect Effects 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 21
- 238000012795 verification Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 20
- 230000005856 abnormality Effects 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 238000013433 optimization analysis Methods 0.000 claims description 15
- 238000012806 monitoring device Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000006855 networking Effects 0.000 claims 4
- 230000000694 effects Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 19
- 238000006073 displacement reaction Methods 0.000 description 15
- 230000006399 behavior Effects 0.000 description 11
- 238000010606 normalization Methods 0.000 description 9
- 230000004044 response Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012916 structural analysis Methods 0.000 description 3
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012067 mathematical method Methods 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
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
- G05B19/054—Input/output
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/10—Plc systems
- G05B2219/14—Plc safety
- G05B2219/14005—Alarm
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及物联网监控领域，公开了一种自动适配的楼宇物联网监控方法及***，用于提高对监控设备适配的效率以及准确度进而保障对楼宇的监控效果，并且提高楼宇的安全系数。方法包括：通过激光扫描获取目标楼宇的三维结构数据，并根据三维结构数据构建目标楼宇的楼宇数字有限元模型；根据楼宇数字有限元模型创建目标楼宇的初始模拟监控点集，并通过预置的PLC对初始模拟监控点集进行有效性验证和优化，得到目标模拟监控点集；通过PLC，获取目标模拟监控点集对应的监控参数数据集，并对监控参数数据集进行特征提取，得到监控特征数据集；将监控特征数据集输入预置的楼宇异常分析模型进行楼宇监控数据异常分析，得到异常分析结果。
Description
技术领域
本发明涉及物联网监控领域，尤其涉及一种自动适配的楼宇物联网监控方法及***。
背景技术
为了确保楼宇的安全、可靠性和高效性，楼宇监控和管理变得至关重要。
传统的楼宇监控方法通常依赖于人工巡检和手动数据收集，这不仅费时费力，还容易出现遗漏和不准确性。随着物联网（IoT）和数字技术的快速发展，自动适配的楼宇物联网监控方法应运而生，它通过结合激光扫描、有限元模型、深度学习和自动化技术，为楼宇监控和管理提供了全新的解决方案。
发明内容
本发明提供了一种自动适配的楼宇物联网监控方法及***，用于提高对监控设备适配的效率以及准确度进而保障对楼宇的监控效果，并且提高楼宇的安全系数。
本发明第一方面提供了一种自动适配的楼宇物联网监控方法，所述自动适配的楼宇物联网监控方法包括：
通过激光扫描获取目标楼宇的三维结构数据，并根据所述三维结构数据构建所述目标楼宇的楼宇数字有限元模型；
根据所述楼宇数字有限元模型创建所述目标楼宇的初始模拟监控点集，并通过预置的PLC对所述初始模拟监控点集进行有效性验证和优化，得到目标模拟监控点集；
通过所述PLC，获取所述目标模拟监控点集对应的监控参数数据集，并对所述监控参数数据集进行特征提取，得到监控特征数据集；
将所述监控特征数据集输入预置的楼宇异常分析模型进行楼宇监控数据异常分析，得到异常分析结果。
结合第一方面，在本发明第一方面的第一种实现方式中，所述通过激光扫描获取目标楼宇的三维结构数据，并根据所述三维结构数据构建所述目标楼宇的楼宇数字有限元模型，包括：
通过预置的激光扫描设备对目标楼宇进行三维激光扫描，并获取所述目标楼宇的多角度楼宇图像数据；
对所述多角度楼宇图像数据进行载荷区域分割，得到多个楼宇载荷区域图像；
对所述多个楼宇载荷区域图像进行数字化信息提取，得到载荷区域坐标和几何信息；
根据所述载荷区域坐标和所述几何信息对所述多个楼宇载荷区域图像进行像素点筛选，得到楼宇像素点数据；
根据所述楼宇像素点数据对所述目标楼宇进行三维重建，得到三维结构数据；
对所述三维结构数据进行网格离散化处理，得到离散网格，并获取所述目标楼宇的结构元素；
根据所述结构元素，对所述离散网格进行网格优化，生成楼宇数字有限元模型。
结合第一方面，在本发明第一方面的第二种实现方式中，所述根据所述楼宇数字有限元模型创建所述目标楼宇的初始模拟监控点集，并通过预置的PLC对所述初始模拟监控点集进行有效性验证和优化，得到目标模拟监控点集，包括：
根据所述楼宇数字有限元模型对所述目标楼宇进行力学性能分析，得到楼宇力学性能特征，并根据所述楼宇力学性能特征创建所述目标楼宇的初始模拟监控点集；
通过预置的PLC建立与所述初始模拟监控点集之间的通信连接，并在模拟环境中对所述初始模拟监控点集进行运行验证，得到所述初始模拟监控点集的运行验证数据集；
对所述运行验证数据集进行有效性分析，得到有效性分析结果，并根据所述有效性分析结果对所述初始模拟监控点集进行群体初始化，得到初始化模拟监控点群体；
通过预置的遗传算法，对所述初始化模拟监控点群体进行模拟监控点最优化分析，生成目标模拟监控点集。
结合第一方面，在本发明第一方面的第三种实现方式中，所述根据所述楼宇数字有限元模型对所述目标楼宇进行力学性能分析，得到楼宇力学性能特征，并根据所述楼宇力学性能特征创建所述目标楼宇的初始模拟监控点集，包括：
根据所述楼宇数字有限元模型对所述目标楼宇进行力学性能分析，得到楼宇力学性能数据；
对所述楼宇力学性能数据进行特征解析，得到楼宇力学性能特征；
根据所述楼宇力学性能特征创建所述目标楼宇的初始模拟监控点集。
结合第一方面，在本发明第一方面的第四种实现方式中，所述通过预置的遗传算法，对所述初始化模拟监控点群体进行模拟监控点最优化分析，生成目标模拟监控点集，包括：
通过预置的遗传算法，分别计算所述初始化模拟监控点群体中多个第一候选模拟监控点集的适应度，得到每个第一候选模拟监控点集的第一适应度；
根据所述每个第一候选模拟监控点集的第一适应度，对所述多个第一候选模拟监控点集进行群体划分，得到已感染群体、易感染群体以及未感染群体；
对所述已感染群体进行繁殖和变异操作，并对所述易感染群体以及所述未感染群体进行遗传、繁殖和变异操作，得到多个第二候选模拟监控点集；
分别计算每个第二候选模拟监控点集的第二适应度，并根据所述第二适应度对所述多个第二候选模拟监控点集进行最优化分析，得到目标模拟监控点集。
结合第一方面，在本发明第一方面的第五种实现方式中，所述通过所述PLC，获取所述目标模拟监控点集对应的监控参数数据集，并对所述监控参数数据集进行特征提取，得到监控特征数据集，包括：
通过所述PLC，获取所述目标模拟监控点集对应的监控参数数据集；
对所述监控参数数据集进行数据清洗和参数标准化处理，得到标准参数数据集；
根据多个监控参数类型，对所述标准参数数据集进行参数聚类，得到每个监控参数类型对应的标准参数数据；
对每个监控参数类型对应的标准参数数据进行时序关联处理，得到每个监控参数类型对应的时序标准参数；
对每个监控参数类型对应的时序标准参数进行曲线拟合，得到每个监控参数类型对应的目标监控曲线；
分别对所述目标监控曲线进行曲线特征提取，得到每个监控参数类型对应的曲线特征集合；
根据每个监控参数类型对应的曲线特征集合，生成对应的监控特征数据集。
结合第一方面，在本发明第一方面的第六种实现方式中，所述将所述监控特征数据集输入预置的楼宇异常分析模型进行楼宇监控数据异常分析，得到异常分析结果，包括：
对所述监控特征数据集进行归一化处理，得到多个归一化监控特征，并对所述多个归一化监控特征进行向量编码，生成目标监控特征向量；
将所述目标监控特征向量输入预置的楼宇异常分析模型，其中，所述楼宇异常分析模型包括两层卷积长短时记忆网络、全连接层以及输出层；
通过所述两层卷积长短时记忆网络对所述目标监控特征向量进行高维特征提取，得到高维监控特征向量；
通过所述全连接层对所述高维监控特征向量进行异常概率预测，得到异常概率预测值；
构建异常概率与异常结果之间的映射关系表，并根据所述异常概率预测值匹配所述映射关系表，通过所述输出层输出对应的异常分析结果，其中，所述异常分析结果包括：异常类型、位置以及异常原因。
本发明第二方面提供了一种自动适配的楼宇物联网监控***，所述自动适配的楼宇物联网监控***包括：
获取模块，用于通过激光扫描获取目标楼宇的三维结构数据，并根据所述三维结构数据构建所述目标楼宇的楼宇数字有限元模型；
创建模块，用于根据所述楼宇数字有限元模型创建所述目标楼宇的初始模拟监控点集，并通过预置的PLC对所述初始模拟监控点集进行有效性验证和优化，得到目标模拟监控点集；
特征提取模块，用于通过所述PLC，获取所述目标模拟监控点集对应的监控参数数据集，并对所述监控参数数据集进行特征提取，得到监控特征数据集；
分析模块，用于将所述监控特征数据集输入预置的楼宇异常分析模型进行楼宇监控数据异常分析，得到异常分析结果。
本发明第三方面提供了一种自动适配的楼宇物联网监控设备，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，以使得所述自动适配的楼宇物联网监控设备执行上述的自动适配的楼宇物联网监控方法。
本发明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自动适配的楼宇物联网监控方法。
本发明提供的技术方案中，通过激光扫描获取目标楼宇的三维结构数据，并根据三维结构数据构建目标楼宇的楼宇数字有限元模型；根据楼宇数字有限元模型创建目标楼宇的初始模拟监控点集，并通过预置的PLC对初始模拟监控点集进行有效性验证和优化，得到目标模拟监控点集；通过PLC，获取目标模拟监控点集对应的监控参数数据集，并对监控参数数据集进行特征提取，得到监控特征数据集；将监控特征数据集输入预置的楼宇异常分析模型进行楼宇监控数据异常分析，得到异常分析结果，本发明利用激光扫描、有限元模型、深度学习，实现了楼宇监控的自动化和智能化。相对于传统的人工巡检，它能够大大提高监控效率，实时监测楼宇状态，降低了监控和维护成本。通过数字有限元模型，能够准确地模拟楼宇在不同工况下的响应。这提供了更准确的监控数据，有助于及早发现结构问题、异常情况或性能下降，并采取及时的措施进行修复和改进。自动适配的监控点集与PLC的结合使得监控数据可以实时传输和分析。发现异常，***可以立即发出预警，有助于防止潜在危险的发生，并减少损失。通过深度学习模型，该方法可以对监控数据进行高维特征提取和分析。这种深度分析有助于更深入地理解楼宇的行为，检测隐含的问题，并提供详细的异常分析结果，包括异常类型、位置和原因。监控点集的优化和PLC的自动验证，使得***能够自动化地调整监控点和参数，以适应不同的工况和需求，进而提高了对监控设备适配的效率以及准确度进而保障了对楼宇的监控效果，并且提高了楼宇的安全系数。
附图说明
图1为本发明实施例中自动适配的楼宇物联网监控方法的一个实施例示意图；
图2为本发明实施例中有效性验证和优化的流程图；
图3为本发明实施例中创建初始模拟监控点集的流程图；
图4为本发明实施例中模拟监控点最优化分析的流程图；
图5为本发明实施例中自动适配的楼宇物联网监控***的一个实施例示意图；
图6为本发明实施例中自动适配的楼宇物联网监控设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种自动适配的楼宇物联网监控方法及***，用于提高对监控设备适配的效率以及准确度进而保障对楼宇的监控效果，并且提高楼宇的安全系数。本发明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、***、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，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中自动适配的楼宇物联网监控方法的一个实施例包括：
S101、通过激光扫描获取目标楼宇的三维结构数据，并根据三维结构数据构建目标楼宇的楼宇数字有限元模型；
可以理解的是，本发明的执行主体可以为自动适配的楼宇物联网监控***，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，服务器使用预置的激光扫描设备对目标楼宇进行三维激光扫描，以获取详细的楼宇结构信息。这个过程从不同角度捕捉楼宇的多角度楼宇图像数据，为后续步骤提供了丰富的输入。随后，对多角度楼宇图像数据进行载荷区域分割。通过分割，服务器能够将楼宇图像数据划分为多个载荷区域图像，每个区域代表了楼宇内的不同部分或区域。例如，在一座多层大厦中，每个楼层可以视为一个载荷区域。对每个载荷区域图像进行数字化信息提取，包括载荷区域的坐标和几何信息。这些信息对于后续的数据处理和建模至关重要，因为它们帮助服务器了解每个区域的结构和特征。在获得了载荷区域坐标和几何信息后，服务器进行像素点筛选，以确定每个像素点的位置和属性。这一步骤的目的是进一步细化服务器的数据，从而为三维重建提供更准确的输入。通过这个筛选过程，服务器能够获取楼宇像素点数据，这些数据反映了楼宇的细节和特征。利用楼宇像素点数据进行三维重建。这一阶段，服务器将像素点数据转化为楼宇的三维结构数据，创建一个精确的楼宇模型。这个模型包含了楼宇的形状、大小和结构，为监控和分析提供了坚实的基础。然后，对生成的三维结构数据进行网格离散化处理，将楼宇分成小块离散网格。这个步骤有助于将楼宇结构划分为更小的单元，以进行更精细的分析和建模。同时，服务器还获取了楼宇的结构元素，这些元素是构建数字有限元模型的关键。根据所获得的结构元素，对离散网格进行网格优化，生成了楼宇的数字有限元模型。这个模型是一种高度精确的表示，可以用于监控楼宇的状态、执行仿真和进行分析。
S102、根据楼宇数字有限元模型创建目标楼宇的初始模拟监控点集，并通过预置的PLC对初始模拟监控点集进行有效性验证和优化，得到目标模拟监控点集；
具体的，服务器根据楼宇数字有限元模型，进行力学性能分析，以获取楼宇的力学性能特征。这个步骤是为了理解楼宇的结构特点和机械行为。例如，对于一座大厦，这涉及到分析其承重结构、振动特性等。根据楼宇的力学性能特征，创建初始模拟监控点集。这些监控点位被设计成能够有效地监测楼宇的力学性能，并在需要时提供实时数据。这些点位可以包括传感器、测量设备等。随后，通过预置的可编程逻辑控制器（PLC），建立与初始模拟监控点集之间的通信连接，并在模拟环境中对初始模拟监控点集进行运行验证。在这个过程中，模拟环境模拟了楼宇的实际运行情况，以确保初始监控点集的功能和有效性。接着，对运行验证数据集进行有效性分析。这一步骤旨在评估初始模拟监控点集的性能，包括准确性和稳定性。有效性分析的结果将用于确定是否需要对监控点集进行优化。根据有效性分析结果，对初始模拟监控点集进行群体初始化，对监控点集进行调整，以提高其性能和适应性。这个初始化模拟监控点群体可以包括一组经过改进的监控点位。通过预置的遗传算法对初始化模拟监控点群体进行模拟监控点最优化分析。遗传算法是一种优化技术，可以自动寻找最佳的监控点位配置，以满足特定的性能要求。这一步骤产生的结果将是目标模拟监控点集，它是在考虑了楼宇力学性能和有效性分析的基础上，最佳地适配于楼宇的监控需求的点位配置。例如，考虑一座高层大厦。根据楼宇数字有限元模型进行力学性能分析，发现某些楼层容易受到风力影响。根据这一分析，初始模拟监控点集包括风速和风向传感器。然后，通过PLC在模拟环境中对这些传感器进行验证，获取运行验证数据集。有效性分析显示，在某些条件下，这些传感器数据不够准确。因此，初始化模拟监控点群体将包括更多的传感器，例如风压传感器，以提高监控的准确性。遗传算法可以自动选择最佳的监控点位配置，以确保在各种条件下对大厦的力学性能进行有效监测。
其中，服务器利用楼宇数字有限元模型对目标楼宇进行力学性能分析。这个步骤涉及计算楼宇在不同力学条件下的行为，例如受力、应力、振动等。通过有限元分析方法，服务器获得楼宇的力学性能数据。获得楼宇的力学性能数据后，需要对这些数据进行特征解析，以提取关键的力学性能特征。这可以涉及统计分析、模式识别、频谱分析等技术，以确定哪些方面的性能特征对楼宇的监控最为关键。根据楼宇的力学性能特征，可以创建初始模拟监控点集。这个点集应包括传感器或监控设备的位置和类型，以便在需要时捕获和监测楼宇的力学性能特征。这些监控点位应该能够有效地反映楼宇的动态行为。例如，考虑一座高层办公楼的情况。通过楼宇数字有限元模型的力学性能分析，服务器获得了楼宇在不同风速下的振动情况。本实施例中，服务器关注楼宇的振动频率和振幅作为力学性能特征。通过数据特征解析，服务器确定了在特定风速下楼宇的主要振动频率和振幅。这些特征表明哪些振动是最显著的，对楼宇结构的稳定性产生影响。根据这些力学性能特征，服务器创建初始模拟监控点集。服务器包括振动传感器，放置在楼宇的关键结构部位，以实时监测振动情况。此外，服务器还可以包括风速和风向传感器，以捕捉外部环境因素。当风速增加时，振动传感器可以检测到振动频率和振幅的变化，并将数据传输到监控***。服务器分析这些数据，如果检测到异常的振动特征，将触发警报或采取适当的措施，例如通知楼宇管理员或关闭部分楼层以确保安全。
其中，利用遗传算法，对初始化模拟监控点群体中的多个第一候选模拟监控点集进行适应度计算。适应度评估通常基于特定的性能指标或目标函数，与楼宇的监控需求和性能标准相关。这一步骤有助于了解每个候选点集在满足监控目标方面的效能。根据每个第一候选模拟监控点集的第一适应度，将多个第一候选模拟监控点集分为不同的群体。通常，这些群体包括“已感染群体”（通常包含适应度高的点集，代表了良好的监控性能），“易感染群体”（需要改进的点集），以及“未感染群体”（适应度相对低的点集）。对不同群体中的模拟监控点集执行不同的遗传操作。对于“已感染群体”，可以进行繁殖和变异操作，以保留并改进高适应度的监控点集。对于“易感染群体”和“未感染群体”，也需要进行遗传、繁殖和变异操作，以引入多样性和的改进，帮助搜索更好的监控点集。针对每个第二候选模拟监控点集，计算第二适应度。这一适应度代表了在进行遗传操作之后，新生成的监控点集在满足监控目标方面的性能。基于第二适应度，进行最优化分析，以确定哪个第二候选模拟监控点集表现最佳。这个分析涉及选择适应度最高的监控点集，或者根据多个性能指标进行权衡和优化。最终，这一过程会生成目标模拟监控点集，以供实际监控使用。
S103、通过PLC，获取目标模拟监控点集对应的监控参数数据集，并对监控参数数据集进行特征提取，得到监控特征数据集；
需要说明的是，使用PLC***与目标模拟监控点集中的传感器或监控设备建立通信连接，以获取实时监控参数数据集。这些数据包括各种与楼宇性能和安全相关的参数，如温度、湿度、振动等。获得监控参数数据后，进行数据清洗和参数标准化处理。数据清洗可以包括去除异常值、处理缺失数据等，以确保数据的质量和可靠性。参数标准化处理可将不同传感器的数据统一到相同的标度上，以便后续处理和分析。根据不同的监控参数类型，对标准参数数据集进行参数聚类。这一步骤可以帮助将相似性质的参数归为一类，以便后续的处理和分析。例如，将温度和湿度数据聚类在一起，将振动数据聚类在一起。对每个监控参数类型的标准参数数据进行时序关联处理。这涉及将不同时间点的数据关联起来，以获取时序数据。这有助于理解监控参数随时间的变化趋势。对每个监控参数类型的时序标准参数进行曲线拟合。这一步骤旨在找到最佳的数学模型来描述参数随时间的变化。拟合的曲线可以是线性、多项式、指数等不同类型的函数。针对每个监控参数类型的拟合曲线，进行曲线特征提取。这包括提取曲线的关键特征，如最大值、最小值、平均值、波动性、周期性等。这些特征能够捕捉到监控参数的重要性质。根据每个监控参数类型对应的曲线特征集合，生成监控特征数据集。这个数据集包括了各个参数类型的监控特征，用于后续的分析和决策。例如，考虑一座高层大厦的监控***，其中包括温度、湿度和振动传感器。PLC***定期获取这些传感器的数据。对这些数据进行数据清洗，去除任何异常值，并将温度和湿度数据标准化到相同的温度和湿度范围。然后，对标准参数数据集进行参数聚类，将温度和湿度数据聚类在一起，将振动数据单独聚类。对每个参数类型进行时序关联处理，以获取温度、湿度和振动的时序数据。对时序数据进行曲线拟合，例如，使用指数函数拟合温度随时间的变化趋势。然后，从这些拟合曲线中提取特征，如最大温度、最小湿度、振动幅度等。生成监控特征数据集，其中包括温度、湿度和振动的监控特征。这个数据集可以用于楼宇的实时监控和异常检测，以确保楼宇的安全性和性能。
S104、将监控特征数据集输入预置的楼宇异常分析模型进行楼宇监控数据异常分析，得到异常分析结果。
具体的，对监控特征数据集进行归一化处理，以确保不同特征具有相同的尺度。这有助于提高模型的性能。然后，将多个归一化监控特征组合成目标监控特征向量。这个向量包含了楼宇监控的关键特征。将目标监控特征向量输入预置的楼宇异常分析模型中。这个模型通常由多个层组成，根据描述，包括两层卷积长短时记忆网络(Convolutional LongShort-Term Memory, LSTM)、全连接层和输出层。这些层将协同工作来提取特征和进行异常分析。通过两层卷积LSTM网络，对目标监控特征向量进行高维特征提取。卷积LSTM网络能够有效地捕捉特征之间的时序关系和空间关系，从而更好地理解监控数据的动态性质。经过高维特征提取后，通过全连接层对高维监控特征向量进行异常概率预测。这一步骤的目标是生成异常概率预测值，指示了监控数据是否异常。构建异常概率与异常结果之间的映射关系表，这个表将不同的异常概率与异常类型、位置和异常原因进行关联。根据异常概率预测值，匹配映射关系表，从输出层获得对应的异常分析结果。这个结果通常包括异常的类型（例如温度异常、湿度异常等）、位置（在楼宇的具体部位）以及异常的原因（例如设备故障、外部因素等）。例如，考虑一座高层办公楼的监控***，该***监测室内温度和湿度。将室内温度和湿度的监控特征数据集输入楼宇异常分析模型进行分析。将温度和湿度数据进行归一化处理，并构建目标监控特征向量，其中包括归一化的温度和湿度特征。这个目标监控特征向量被输入到楼宇异常分析模型中，包括两层卷积LSTM网络、全连接层和输出层。卷积LSTM网络会对温湿度数据进行高维特征提取，捕捉它们之间的时序和空间关系。然后，全连接层对高维特征进行异常概率预测。接着，模型会使用映射关系表将异常概率映射到异常分析结果。例如，如果异常概率表明温度异常，并且异常概率很高，那么输出的异常分析结果包括异常类型、位置以及异常原因。
本发明实施例中，通过激光扫描获取目标楼宇的三维结构数据，并根据三维结构数据构建目标楼宇的楼宇数字有限元模型；根据楼宇数字有限元模型创建目标楼宇的初始模拟监控点集，并通过预置的PLC对初始模拟监控点集进行有效性验证和优化，得到目标模拟监控点集；通过PLC，获取目标模拟监控点集对应的监控参数数据集，并对监控参数数据集进行特征提取，得到监控特征数据集；将监控特征数据集输入预置的楼宇异常分析模型进行楼宇监控数据异常分析，得到异常分析结果，本发明利用激光扫描、有限元模型、深度学习，实现了楼宇监控的自动化和智能化。相对于传统的人工巡检，它能够大大提高监控效率，实时监测楼宇状态，降低了监控和维护成本。通过数字有限元模型，能够准确地模拟楼宇在不同工况下的响应。这提供了更准确的监控数据，有助于及早发现结构问题、异常情况或性能下降，并采取及时的措施进行修复和改进。自动适配的监控点集与PLC的结合使得监控数据可以实时传输和分析。发现异常，***可以立即发出预警，有助于防止潜在危险的发生，并减少损失。通过深度学习模型，该方法可以对监控数据进行高维特征提取和分析。这种深度分析有助于更深入地理解楼宇的行为，检测隐含的问题，并提供详细的异常分析结果，包括异常类型、位置和原因。监控点集的优化和PLC的自动验证，使得***能够自动化地调整监控点和参数，以适应不同的工况和需求，进而提高了对监控设备适配的效率以及准确度进而保障了对楼宇的监控效果，并且提高了楼宇的安全系数。
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）通过预置的激光扫描设备对目标楼宇进行三维激光扫描，并获取目标楼宇的多角度楼宇图像数据；
（2）对多角度楼宇图像数据进行载荷区域分割，得到多个楼宇载荷区域图像；
（3）对多个楼宇载荷区域图像进行数字化信息提取，得到载荷区域坐标和几何信息；
（4）根据载荷区域坐标和几何信息对多个楼宇载荷区域图像进行像素点筛选，得到楼宇像素点数据；
（5）根据楼宇像素点数据对目标楼宇进行三维重建，得到三维结构数据；
（6）对三维结构数据进行网格离散化处理，得到离散网格，并获取目标楼宇的结构元素；
（7）根据结构元素，对离散网格进行网格优化，生成楼宇数字有限元模型。
具体的，服务器通过预置的激光扫描设备对目标楼宇进行三维激光扫描。这个过程会生成多个角度的楼宇图像数据，其中包含了楼宇的形状和结构信息。对多角度楼宇图像数据进行载荷区域分割。将楼宇图像分割成多个载荷区域图像，每个区域代表了楼宇内的一个特定区域或载荷区域。在每个载荷区域图像上，进行数字化信息提取。这包括提取载荷区域的坐标信息和几何信息，如形状、尺寸、位置等。根据提取的载荷区域坐标和几何信息，对多个楼宇载荷区域图像进行像素点筛选。这一步骤的目的是选择与楼宇结构相关的像素点数据，以便后续的三维重建。利用筛选后的楼宇像素点数据，进行三维重建。这可以通过不同的三维重建算法，如点云重建或体素化方法来实现。结果是获得目标楼宇的三维结构数据。对获得的三维结构数据进行网格离散化处理。这一步骤将连续的三维结构数据划分为离散的网格，以便进行数值模拟和分析。根据楼宇的结构元素，对离散网格进行网格优化。这可以包括去除不必要的网格点、优化网格分辨率以适应不同载荷区域的复杂性，以及确保模型的准确性。最终，根据经过网格优化的离散网格，生成楼宇的数字有限元模型。这个模型包括了楼宇的几何信息、结构信息和网格数据，可以用于进行楼宇的结构分析、监控和仿真。例如，考虑一座高层建筑的监控和结构分析。通过激光扫描设备对该建筑进行了三维激光扫描。扫描结果包括多个角度的图像数据。这些图像数据经过载荷区域分割，将建筑分为多个载荷区域，如墙、柱子和楼板等。然后，对每个载荷区域进行数字化信息提取，包括坐标、形状和尺寸等。在像素点筛选阶段，根据每个载荷区域的信息，选择了与结构相关的像素点。这些像素点用于进行三维重建，生成建筑的三维结构数据。随后，对三维结构数据进行了网格离散化处理，将其分割成离散的网格单元。根据建筑的结构元素，对这些网格进行了优化，以确保模型准确反映建筑的结构。最终，生成了楼宇的数字有限元模型，该模型包括了建筑的几何信息和结构信息。这个模型可以用于进行结构分析、监控和模拟，以确保建筑的安全性和性能。
在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：
S201、根据楼宇数字有限元模型对目标楼宇进行力学性能分析，得到楼宇力学性能特征，并根据楼宇力学性能特征创建目标楼宇的初始模拟监控点集；
S202、通过预置的PLC建立与初始模拟监控点集之间的通信连接，并在模拟环境中对初始模拟监控点集进行运行验证，得到初始模拟监控点集的运行验证数据集；
S203、对运行验证数据集进行有效性分析，得到有效性分析结果，并根据有效性分析结果对初始模拟监控点集进行群体初始化，得到初始化模拟监控点群体；
S204、通过预置的遗传算法，对初始化模拟监控点群体进行模拟监控点最优化分析，生成目标模拟监控点集。
具体的，服务器使用楼宇数字有限元模型对目标楼宇进行力学性能分析。这包括分析楼宇的结构、荷载分布、应力分布等，以获得楼宇的力学性能特征。这些特征可以包括最大应力、位移、应变等。基于力学性能分析结果，创建目标楼宇的初始模拟监控点集。这些监控点通常位于楼宇的关键部位，以便监测和评估楼宇的结构性能。使用预置的PLC设备，建立与初始模拟监控点集之间的通信连接。这使得监控点可以与监控***交换数据，并控制模拟环境中的操作。在模拟环境中，对初始模拟监控点集进行运行验证。这包括模拟不同情景和负载下的楼宇行为。同时，收集监控点的数据，包括位移、应力、温度等。对收集到的运行验证数据集进行有效性分析。这一步骤的目的是确定监控点是否足够准确地反映了楼宇的实际行为。需要考虑校准、噪声、误差等因素。根据有效性分析的结果，对初始模拟监控点集进行群体初始化，对监控点的位置、传感器类型、采样频率等参数进行调整，以提高监控***的性能。利用预置的遗传算法等优化方法，对初始化模拟监控点群体进行模拟监控点最优化分析。这一步骤旨在优化监控点的位置和配置，以最大程度地提高监控***的效率和准确性。根据优化结果，生成目标模拟监控点集。这个集合包括了最佳的监控点位置和配置，以确保楼宇的力学性能得到准确监测和评估。例如，考虑一座高层办公楼，目标是监测其结构的力学性能，如位移和应力分布，以确保楼宇的安全。根据楼宇数字有限元模型，首先创建了一个初始模拟监控点集，包括在不同楼层和结构元素上的传感器。然后，利用PLC设备建立了通信连接，并在模拟环境中运行验证。这意味着模拟楼宇在地震、风力等不同负载情况下的响应，同时记录监控点的数据。在某些情况下，监控点的位置需要微调，以提高数据准确性。因此，进行了群体初始化，调整了监控点的位置和采样频率。通过使用遗传算法，对监控点位置和配置进行了最优化分析，以确保最佳的监控***性能。最终生成了目标模拟监控点集，该集合能够准确监测楼宇的力学性能，并及时发现任何潜在问题，以确保楼宇的结构安全。
在一具体实施例中，如图3所示，执行步骤S201的过程可以具体包括如下步骤：
S301、根据楼宇数字有限元模型对目标楼宇进行力学性能分析，得到楼宇力学性能数据；
S302、对楼宇力学性能数据进行特征解析，得到楼宇力学性能特征；
S303、根据楼宇力学性能特征创建目标楼宇的初始模拟监控点集。
具体的，服务器通过使用楼宇数字有限元模型，服务器能够对目标楼宇的力学性能进行深入分析。这个模型允许服务器模拟建筑物在各种负载情况下的行为，例如地震、风力、荷载等。通过这些模拟，服务器获得大量关于楼宇的力学性能数据，包括位移、应力、应变、变形等。服务器对这些力学性能数据进行特征解析。这一步骤旨在从大量数据中提取最具代表性和信息丰富的特征，以更好地理解楼宇的行为。特征解析包括以下方面：最大位移和最大应力点的确定：通过分析模拟数据，服务器确定在不同负载情况下楼宇的最大位移点和最大应力点。这些点的位置和数值是评估结构性能的重要依据。例如，在地震模拟中，服务器会识别出最大位移点，这有助于确定需要重点监测的区域；自然频率和振动模式的分析：模拟还可以提供楼宇的自然频率和振动模式。这些信息对于了解楼宇的振动特性以及共振现象非常重要。应力分布和应变云图的生成：通过分析模拟数据，服务器生成应力分布和应变云图。这有助于确定结构中的热点区域和潜在的应力集中问题；振动幅度和频谱分析：通过对振动数据的幅度和频谱进行分析，服务器更好地了解楼宇在外部激励下的响应。特征解析的结果将提供楼宇力学性能的关键特征，这些特征反映了楼宇在不同情况下的行为和响应。例如，在地震模拟中，服务器会识别出最大位移点、最大应力点的位置和数值，以及自然频率。这些特征将成为创建初始模拟监控点集的基础。根据楼宇力学性能特征，服务器创建目标楼宇的初始模拟监控点集。这个监控点集将包括传感器的位置、类型和参数配置，以便实时监测楼宇的力学性能。例如，在结构的关键节点上安装位移传感器，以监测位移变化；在最大应力点附近安装应力传感器，以监测结构的应力情况。
在一具体实施例中，如图4所示，执行步骤S204的过程可以具体包括如下步骤：
S401、通过预置的遗传算法，分别计算初始化模拟监控点群体中多个第一候选模拟监控点集的适应度，得到每个第一候选模拟监控点集的第一适应度；
S402、根据每个第一候选模拟监控点集的第一适应度，对多个第一候选模拟监控点集进行群体划分，得到已感染群体、易感染群体以及未感染群体；
S403、对已感染群体进行繁殖和变异操作，并对易感染群体以及未感染群体进行遗传、繁殖和变异操作，得到多个第二候选模拟监控点集；
S404、分别计算每个第二候选模拟监控点集的第二适应度，并根据第二适应度对多个第二候选模拟监控点集进行最优化分析，得到目标模拟监控点集。
具体的，服务器计算初始化模拟监控点群体中多个第一候选模拟监控点集的适应度。适应度是一个指标，用于评估每个监控点集在特定监控任务中的性能。这可以通过定义适当的评估函数来实现，该函数考虑了监控点集的位置、类型和参数配置。例如，假设服务器想要监测一座高层建筑的位移响应，在遗传算法中，适应度函数可以考虑监控点集的位置是否涵盖了结构的关键区域，并且是否具有足够的灵敏度来检测位移。根据每个第一候选模拟监控点集的第一适应度，服务器对多个第一候选模拟监控点集进行群体划分。这一步骤将监控点集分为已感染群体、易感染群体和未感染群体。已感染群体包含适应度较高的监控点集，易感染群体包含适应度适中的监控点集，未感染群体包含适应度较低的监控点集。这种划分有助于集中精力在具有潜力的监控点集上，以提高效率。服务器对已感染群体进行繁殖和变异操作，以创建多个第二候选模拟监控点集。这些操作是遗传算法的核心，通过模拟生物进化的过程来改进监控点集的性能。例如，通过交叉操作，可以将两个高适应度的监控点集的特征组合在一起，产生新的监控点集。变异操作则引入随机性，有助于跳出局部最优解。服务器计算每个第二候选模拟监控点集的第二适应度，并根据第二适应度对多个第二候选模拟监控点集进行最优化分析。这个过程旨在确定最终的目标模拟监控点集，其性能在给定的监控任务下最优。遗传算法会在多个候选点集之间进行迭代，直到达到停止条件，例如达到最大迭代次数或找到满足性能要求的监控点集。例如，考虑一座大型桥梁的监控任务，服务器希望通过传感器监测桥梁的振动响应以及温度变化。使用遗传算法，服务器生成不同的监控点集，每个点集包含振动传感器和温度传感器的位置和参数配置。通过计算适应度，服务器评估了每个点集在检测振动和温度变化方面的性能。随着遗传算法的迭代，服务器逐渐找到了最佳的监控点集，使得桥梁的监测任务能够以最佳方式执行。
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）通过PLC，获取目标模拟监控点集对应的监控参数数据集；
（2）对监控参数数据集进行数据清洗和参数标准化处理，得到标准参数数据集；
（3）根据多个监控参数类型，对标准参数数据集进行参数聚类，得到每个监控参数类型对应的标准参数数据；
（4）对每个监控参数类型对应的标准参数数据进行时序关联处理，得到每个监控参数类型对应的时序标准参数；
（5）对每个监控参数类型对应的时序标准参数进行曲线拟合，得到每个监控参数类型对应的目标监控曲线；
（6）分别对目标监控曲线进行曲线特征提取，得到每个监控参数类型对应的曲线特征集合；
（7）根据每个监控参数类型对应的曲线特征集合，生成对应的监控特征数据集。
具体的，通过PLC获取目标模拟监控点集对应的监控参数数据集。监控参数可以包括各种传感器收集的数据，例如温度、湿度、位移、压力、振动等。PLC是一个用于实时控制和数据采集的硬件设备，它可以连接到各种传感器并获取其输出数据。对监控参数数据集进行数据清洗和参数标准化处理。数据清洗是为了去除存在的异常值或噪声，以确保数据的准确性和可靠性。参数标准化是为了将不同传感器的数据统一到相同的尺度，以便进行后续的分析。例如，如果温度传感器和位移传感器的数据具有不同的量纲和单位，标准化可以将它们转换为相同的标准单位，如摄氏度或毫米。根据多个监控参数类型，对标准参数数据集进行参数聚类。这一步骤将监控参数按照其类型进行分组，例如将所有温度相关的参数放在一组，将所有位移相关的参数放在另一组。这有助于对不同类型的监控参数进行独立处理。对每个监控参数类型对应的标准参数数据进行时序关联处理。时序关联是将不同传感器采集的数据在时间上对齐和关联的过程。这是因为不同传感器具有不同的采样率或时间戳，需要将它们同步以进行后续的分析。对每个监控参数类型对应的时序标准参数进行曲线拟合。这一步骤旨在通过数学模型或曲线来描述监控参数随时间的变化趋势。例如，可以使用多项式拟合、指数拟合或其他数学方法来拟合温度随时间的曲线。分别对目标监控曲线进行曲线特征提取。这一步骤涉及从拟合曲线中提取有关监控参数的关键特征，例如最大值、最小值、均值、波动性等。这些特征可以用来描述监控参数的重要性和变化趋势。根据每个监控参数类型对应的曲线特征集合，生成对应的监控特征数据集。这个数据集包括了从不同监控参数中提取的特征，可以用于后续的楼宇监控数据异常分析。
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）对监控特征数据集进行归一化处理，得到多个归一化监控特征，并对多个归一化监控特征进行向量编码，生成目标监控特征向量；
（2）将目标监控特征向量输入预置的楼宇异常分析模型，其中，楼宇异常分析模型包括两层卷积长短时记忆网络、全连接层以及输出层；
（3）通过两层卷积长短时记忆网络对目标监控特征向量进行高维特征提取，得到高维监控特征向量；
（4）通过全连接层对高维监控特征向量进行异常概率预测，得到异常概率预测值；
（5）构建异常概率与异常结果之间的映射关系表，并根据异常概率预测值匹配映射关系表，通过输出层输出对应的异常分析结果，其中，异常分析结果包括：异常类型、位置以及异常原因。
具体的，对监控特征数据集进行归一化处理。目的是将不同特征的数据统一到相同的尺度范围内，以便进行后续的分析。归一化可以使用不同的方法，例如最小-最大归一化或标准化。这将产生多个归一化监控特征。对多个归一化监控特征进行向量编码，生成目标监控特征向量。向量编码是将多个特征组合成一个向量的过程，以便输入到深度学习模型中进行分析。这一向量应捕获监控数据的多个方面，例如温度、湿度、振动等。然后，将目标监控特征向量输入预置的楼宇异常分析模型。这个模型通常包括多个层次，用于从特征数据中提取有用的信息。在本实施例中，楼宇异常分析模型包括两层卷积长短时记忆网络（LSTM）、全连接层以及输出层。通过两层卷积长短时记忆网络对目标监控特征向量进行高维特征提取。卷积LSTM是一种深度学习网络，可以有效地捕获时间序列数据中的复杂模式。这一层次将目标监控特征向量转换为高维监控特征向量，以便进行更深入的分析。随后，通过全连接层对高维监控特征向量进行异常概率预测。全连接层是用于学习特征之间复杂关系的一种神经网络层次。在这一步骤中，模型将高维监控特征向量映射到异常概率预测值，这个值表示监控数据异常的性。构建异常概率与异常结果之间的映射关系表。这个映射关系表可以是事先定义好的，也可以根据训练数据自动学习得到。它用于将异常概率预测值映射到具体的异常分析结果，包括异常类型、位置和异常原因。通过输出层输出对应的异常分析结果。这些结果可以提供有关监控数据异常的详细信息，帮助维护人员迅速识别和解决问题。
上面对本发明实施例中自动适配的楼宇物联网监控方法进行了描述，下面对本发明实施例中自动适配的楼宇物联网监控***进行描述，请参阅图5，本发明实施例中自动适配的楼宇物联网监控***一个实施例包括：
获取模块501，用于通过激光扫描获取目标楼宇的三维结构数据，并根据所述三维结构数据构建所述目标楼宇的楼宇数字有限元模型；
创建模块502，用于根据所述楼宇数字有限元模型创建所述目标楼宇的初始模拟监控点集，并通过预置的PLC对所述初始模拟监控点集进行有效性验证和优化，得到目标模拟监控点集；
特征提取模块503，用于通过所述PLC，获取所述目标模拟监控点集对应的监控参数数据集，并对所述监控参数数据集进行特征提取，得到监控特征数据集；
分析模块504，用于将所述监控特征数据集输入预置的楼宇异常分析模型进行楼宇监控数据异常分析，得到异常分析结果。
通过上述各个组成部分的协同合作，通过激光扫描获取目标楼宇的三维结构数据，并根据三维结构数据构建目标楼宇的楼宇数字有限元模型；根据楼宇数字有限元模型创建目标楼宇的初始模拟监控点集，并通过预置的PLC对初始模拟监控点集进行有效性验证和优化，得到目标模拟监控点集；通过PLC，获取目标模拟监控点集对应的监控参数数据集，并对监控参数数据集进行特征提取，得到监控特征数据集；将监控特征数据集输入预置的楼宇异常分析模型进行楼宇监控数据异常分析，得到异常分析结果，本发明利用激光扫描、有限元模型、深度学习，实现了楼宇监控的自动化和智能化。相对于传统的人工巡检，它能够大大提高监控效率，实时监测楼宇状态，降低了监控和维护成本。通过数字有限元模型，能够准确地模拟楼宇在不同工况下的响应。这提供了更准确的监控数据，有助于及早发现结构问题、异常情况或性能下降，并采取及时的措施进行修复和改进。自动适配的监控点集与PLC的结合使得监控数据可以实时传输和分析。发现异常，***可以立即发出预警，有助于防止潜在危险的发生，并减少损失。通过深度学习模型，该方法可以对监控数据进行高维特征提取和分析。这种深度分析有助于更深入地理解楼宇的行为，检测隐含的问题，并提供详细的异常分析结果，包括异常类型、位置和原因。监控点集的优化和PLC的自动验证，使得***能够自动化地调整监控点和参数，以适应不同的工况和需求，进而提高了对监控设备适配的效率以及准确度进而保障了对楼宇的监控效果，并且提高了楼宇的安全系数。
上面图5从模块化功能实体的角度对本发明实施例中的自动适配的楼宇物联网监控***进行详细描述，下面从硬件处理的角度对本发明实施例中自动适配的楼宇物联网监控设备进行详细描述。
图6是本发明实施例提供的一种自动适配的楼宇物联网监控设备的结构示意图，该自动适配的楼宇物联网监控设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对自动适配的楼宇物联网监控设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在自动适配的楼宇物联网监控设备600上执行存储介质630中的一系列指令操作。
自动适配的楼宇物联网监控设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作***631，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的自动适配的楼宇物联网监控设备结构并不构成对自动适配的楼宇物联网监控设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种自动适配的楼宇物联网监控设备，所述自动适配的楼宇物联网监控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自动适配的楼宇物联网监控方法的步骤。
本发明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自动适配的楼宇物联网监控方法的步骤。
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***，装置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（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发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。
Claims (6)
1.一种自动适配的楼宇物联网监控方法，其特征在于，所述自动适配的楼宇物联网监控方法包括：
通过激光扫描获取目标楼宇的三维结构数据，并根据所述三维结构数据构建所述目标楼宇的楼宇数字有限元模型；
根据所述楼宇数字有限元模型创建所述目标楼宇的初始模拟监控点集，并通过预置的PLC对所述初始模拟监控点集进行有效性验证和优化，得到目标模拟监控点集；具体包括：根据所述楼宇数字有限元模型对所述目标楼宇进行力学性能分析，得到楼宇力学性能特征，并根据所述楼宇力学性能特征创建所述目标楼宇的初始模拟监控点集；通过预置的PLC建立与所述初始模拟监控点集之间的通信连接，并在模拟环境中对所述初始模拟监控点集进行运行验证，得到所述初始模拟监控点集的运行验证数据集；对所述运行验证数据集进行有效性分析，得到有效性分析结果，并根据所述有效性分析结果对所述初始模拟监控点集进行群体初始化，得到初始化模拟监控点群体；通过预置的遗传算法，对所述初始化模拟监控点群体进行模拟监控点最优化分析，生成目标模拟监控点集；其中，根据所述楼宇数字有限元模型对所述目标楼宇进行力学性能分析，得到楼宇力学性能数据；对所述楼宇力学性能数据进行特征解析，得到楼宇力学性能特征；根据所述楼宇力学性能特征创建所述目标楼宇的初始模拟监控点集；其中，通过预置的遗传算法，分别计算所述初始化模拟监控点群体中多个第一候选模拟监控点集的适应度，得到每个第一候选模拟监控点集的第一适应度；根据所述每个第一候选模拟监控点集的第一适应度，对所述多个第一候选模拟监控点集进行群体划分，得到已感染群体、易感染群体以及未感染群体；对所述已感染群体进行繁殖和变异操作，并对所述易感染群体以及所述未感染群体进行遗传、繁殖和变异操作，得到多个第二候选模拟监控点集；分别计算每个第二候选模拟监控点集的第二适应度，并根据所述第二适应度对所述多个第二候选模拟监控点集进行最优化分析，得到目标模拟监控点集；
通过所述PLC，获取所述目标模拟监控点集对应的监控参数数据集，并对所述监控参数数据集进行特征提取，得到监控特征数据集；
将所述监控特征数据集输入预置的楼宇异常分析模型进行楼宇监控数据异常分析，得到异常分析结果；具体包括：对所述监控特征数据集进行归一化处理，得到多个归一化监控特征，并对所述多个归一化监控特征进行向量编码，生成目标监控特征向量；将所述目标监控特征向量输入预置的楼宇异常分析模型，其中，所述楼宇异常分析模型包括两层卷积长短时记忆网络、全连接层以及输出层；通过所述两层卷积长短时记忆网络对所述目标监控特征向量进行高维特征提取，得到高维监控特征向量；通过所述全连接层对所述高维监控特征向量进行异常概率预测，得到异常概率预测值；构建异常概率与异常结果之间的映射关系表，并根据所述异常概率预测值匹配所述映射关系表，通过所述输出层输出对应的异常分析结果，其中，所述异常分析结果包括：异常类型、位置以及异常原因。
2.根据权利要求1所述的自动适配的楼宇物联网监控方法，其特征在于，所述通过激光扫描获取目标楼宇的三维结构数据，并根据所述三维结构数据构建所述目标楼宇的楼宇数字有限元模型，包括：
通过预置的激光扫描设备对目标楼宇进行三维激光扫描，并获取所述目标楼宇的多角度楼宇图像数据；
对所述多角度楼宇图像数据进行载荷区域分割，得到多个楼宇载荷区域图像；
对所述多个楼宇载荷区域图像进行数字化信息提取，得到载荷区域坐标和几何信息；
根据所述载荷区域坐标和所述几何信息对所述多个楼宇载荷区域图像进行像素点筛选，得到楼宇像素点数据；
根据所述楼宇像素点数据对所述目标楼宇进行三维重建，得到三维结构数据；
对所述三维结构数据进行网格离散化处理，得到离散网格，并获取所述目标楼宇的结构元素；
根据所述结构元素，对所述离散网格进行网格优化，生成楼宇数字有限元模型。
3.根据权利要求1所述的自动适配的楼宇物联网监控方法，其特征在于，所述通过所述PLC，获取所述目标模拟监控点集对应的监控参数数据集，并对所述监控参数数据集进行特征提取，得到监控特征数据集，包括：
通过所述PLC，获取所述目标模拟监控点集对应的监控参数数据集；
对所述监控参数数据集进行数据清洗和参数标准化处理，得到标准参数数据集；
根据多个监控参数类型，对所述标准参数数据集进行参数聚类，得到每个监控参数类型对应的标准参数数据；
对每个监控参数类型对应的标准参数数据进行时序关联处理，得到每个监控参数类型对应的时序标准参数；
对每个监控参数类型对应的时序标准参数进行曲线拟合，得到每个监控参数类型对应的目标监控曲线；
分别对所述目标监控曲线进行曲线特征提取，得到每个监控参数类型对应的曲线特征集合；
根据每个监控参数类型对应的曲线特征集合，生成对应的监控特征数据集。
4.一种自动适配的楼宇物联网监控***，其特征在于，所述自动适配的楼宇物联网监控***包括：
获取模块，用于通过激光扫描获取目标楼宇的三维结构数据，并根据所述三维结构数据构建所述目标楼宇的楼宇数字有限元模型；
创建模块，用于根据所述楼宇数字有限元模型创建所述目标楼宇的初始模拟监控点集，并通过预置的PLC对所述初始模拟监控点集进行有效性验证和优化，得到目标模拟监控点集；具体包括：根据所述楼宇数字有限元模型对所述目标楼宇进行力学性能分析，得到楼宇力学性能特征，并根据所述楼宇力学性能特征创建所述目标楼宇的初始模拟监控点集；通过预置的PLC建立与所述初始模拟监控点集之间的通信连接，并在模拟环境中对所述初始模拟监控点集进行运行验证，得到所述初始模拟监控点集的运行验证数据集；对所述运行验证数据集进行有效性分析，得到有效性分析结果，并根据所述有效性分析结果对所述初始模拟监控点集进行群体初始化，得到初始化模拟监控点群体；通过预置的遗传算法，对所述初始化模拟监控点群体进行模拟监控点最优化分析，生成目标模拟监控点集；其中，根据所述楼宇数字有限元模型对所述目标楼宇进行力学性能分析，得到楼宇力学性能数据；对所述楼宇力学性能数据进行特征解析，得到楼宇力学性能特征；根据所述楼宇力学性能特征创建所述目标楼宇的初始模拟监控点集；其中，通过预置的遗传算法，分别计算所述初始化模拟监控点群体中多个第一候选模拟监控点集的适应度，得到每个第一候选模拟监控点集的第一适应度；根据所述每个第一候选模拟监控点集的第一适应度，对所述多个第一候选模拟监控点集进行群体划分，得到已感染群体、易感染群体以及未感染群体；对所述已感染群体进行繁殖和变异操作，并对所述易感染群体以及所述未感染群体进行遗传、繁殖和变异操作，得到多个第二候选模拟监控点集；分别计算每个第二候选模拟监控点集的第二适应度，并根据所述第二适应度对所述多个第二候选模拟监控点集进行最优化分析，得到目标模拟监控点集；
特征提取模块，用于通过所述PLC，获取所述目标模拟监控点集对应的监控参数数据集，并对所述监控参数数据集进行特征提取，得到监控特征数据集；
分析模块，用于将所述监控特征数据集输入预置的楼宇异常分析模型进行楼宇监控数据异常分析，得到异常分析结果；具体包括：对所述监控特征数据集进行归一化处理，得到多个归一化监控特征，并对所述多个归一化监控特征进行向量编码，生成目标监控特征向量；将所述目标监控特征向量输入预置的楼宇异常分析模型，其中，所述楼宇异常分析模型包括两层卷积长短时记忆网络、全连接层以及输出层；通过所述两层卷积长短时记忆网络对所述目标监控特征向量进行高维特征提取，得到高维监控特征向量；通过所述全连接层对所述高维监控特征向量进行异常概率预测，得到异常概率预测值；构建异常概率与异常结果之间的映射关系表，并根据所述异常概率预测值匹配所述映射关系表，通过所述输出层输出对应的异常分析结果，其中，所述异常分析结果包括：异常类型、位置以及异常原因。
5.一种自动适配的楼宇物联网监控设备，其特征在于，所述自动适配的楼宇物联网监控设备包括：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，以使得所述自动适配的楼宇物联网监控设备执行如权利要求1-3中任一项所述的自动适配的楼宇物联网监控方法。
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中任一项所述的自动适配的楼宇物联网监控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311341546.9A CN117111544B (zh) | 2023-10-17 | 2023-10-17 | 一种自动适配的楼宇物联网监控方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311341546.9A CN117111544B (zh) | 2023-10-17 | 2023-10-17 | 一种自动适配的楼宇物联网监控方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117111544A CN117111544A (zh) | 2023-11-24 |
| CN117111544B true CN117111544B (zh) | 2023-12-29 |
Family
ID=88813091
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311341546.9A Active CN117111544B (zh) | 2023-10-17 | 2023-10-17 | 一种自动适配的楼宇物联网监控方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117111544B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117436318B (zh) * | 2023-12-20 | 2024-05-17 | 广东博思信息技术股份有限公司 | 基于物联网的智慧楼宇管理方法及*** |
| CN117708602B (zh) * | 2024-02-06 | 2024-04-12 | 安盛信达科技股份公司 | 基于物联网的楼宇安全监控方法及*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101763053A (zh) * | 2008-12-26 | 2010-06-30 | 上海交技发展股份有限公司 | 一种移动式桥梁安全检测分析管理*** |
| CN102378410A (zh) * | 2011-11-18 | 2012-03-14 | 江南大学 | 博物馆物联网环境监测***无线传感器节点的部署方法 |
| CN116311770A (zh) * | 2022-09-07 | 2023-06-23 | 南威软件股份有限公司 | 基于物联边缘计算网关的房屋安全预警***、方法及终端 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9811714B2 (en) * | 2013-08-28 | 2017-11-07 | Autodesk, Inc. | Building datum extraction from laser scanning data |
| US20220244682A1 (en) * | 2019-10-21 | 2022-08-04 | Johnson Controls Tyco IP Holdings LLP | Edge devices and gateways with machine learning for detecting anomalies in building equipment vibration data |
-
2023
- 2023-10-17 CN CN202311341546.9A patent/CN117111544B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101763053A (zh) * | 2008-12-26 | 2010-06-30 | 上海交技发展股份有限公司 | 一种移动式桥梁安全检测分析管理*** |
| CN102378410A (zh) * | 2011-11-18 | 2012-03-14 | 江南大学 | 博物馆物联网环境监测***无线传感器节点的部署方法 |
| CN116311770A (zh) * | 2022-09-07 | 2023-06-23 | 南威软件股份有限公司 | 基于物联边缘计算网关的房屋安全预警***、方法及终端 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117111544A (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117111544B (zh) | 一种自动适配的楼宇物联网监控方法及*** | |
| Mariniello et al. | Structural damage detection and localization using decision tree ensemble and vibration data | |
| CN110703057A (zh) | 基于数据增强和神经网络的电力设备局部放电诊断方法 | |
| CN116559598B (zh) | 一种智慧配电网故障定位方法及*** | |
| CN102265227A (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
| CN112966879A (zh) | 环境试验箱故障预测方法、装置、计算机设备及存储介质 | |
| CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
| CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
| Silva et al. | Damage detection in a benchmark structure using AR-ARX models and statistical pattern recognition | |
| CN116862081B (zh) | 一种污染治理设备运维方法及*** | |
| CN114139589A (zh) | 故障诊断方法、装置、设备与计算机可读存储介质 | |
| CN115204536A (zh) | 楼宇设备故障预测方法、装置、设备及存储介质 | |
| CN116992376A (zh) | 用于检测电网中的异常的装置、***和方法 | |
| CN116822115A (zh) | 一种基于数字孪生技术的智慧园区的环境管理方法及*** | |
| CN117368651B (zh) | 一种配电网故障综合分析***及方法 | |
| Vagnoli et al. | An automatic bridge damage diagnostics method using empirical mode decomposition based health indicators and neuro‐fuzzy classification | |
| CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及*** | |
| CN115618735A (zh) | 基于数字孪生的设施结构健康监测方法及相关装置 | |
| CN115659271A (zh) | 传感器异常检测方法、模型训练方法、***、设备及介质 | |
| CN115310499A (zh) | 一种基于数据融合的工业设备故障诊断***及方法 | |
| KR20230102431A (ko) | 인공지능 기반의 오일가스 플랜트 설비 고장 예측 및 진단시스템 | |
| CN117574303B (zh) | 施工状况的监测预警方法、装置、设备及存储介质 | |
| Colace et al. | Unsupervised Learning Techniques for Vibration-Based Structural Health Monitoring Systems Driven by Data: A General Overview | |
| CN117272844B (zh) | 配电盘工作寿命的预测方法及*** | |
| CN117112857B (zh) | 一种适用于工业智能制造的加工路径推荐方法 |
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 |