CN117273440A - 基于深度学习的工程施工物联网监测管理***及方法 - Google Patents

基于深度学习的工程施工物联网监测管理***及方法 Download PDF

Info

Publication number
CN117273440A
CN117273440A CN202311129649.9A CN202311129649A CN117273440A CN 117273440 A CN117273440 A CN 117273440A CN 202311129649 A CN202311129649 A CN 202311129649A CN 117273440 A CN117273440 A CN 117273440A
Authority
CN
China
Prior art keywords
construction
target
data set
data
state variable
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.)
Pending
Application number
CN202311129649.9A
Other languages
English (en)
Inventor
张驰
苏征
金婷
游晶
黄兀
罗雪
秦瑜
王友琦
向明仕
向疏淼
李京津
杨澜
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.)
Xihua University
Original Assignee
Xihua University
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 Xihua University filed Critical Xihua University
Priority to CN202311129649.9A priority Critical patent/CN117273440A/zh
Publication of CN117273440A publication Critical patent/CN117273440A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/0475—Generative 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
    • G06N3/096—Transfer learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/80—Homes; Buildings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Educational Administration (AREA)
  • Medical Informatics (AREA)
  • Architecture (AREA)

Abstract

本发明涉及人工智能技术领域，尤其是提供一种基于深度学习的工程施工物联网监测管理***及方法，方法包括：获取目标施工工程的目标数据；对目标数据进行去噪处理，获取去噪后的目标数据；基于目标施工工程的仿真模型，获取至少一个目标监测状态变量，基于目标状态变量构建状态方程，获取第一目标状态变量预测值；采用深度学习模型结合知识蒸馏方法对目标施工工程进行风险评估及异常分类分析，获取风险评估结果及异常分类结果；获取目标施工工程状态变量需求响应后的结果，并基于目标施工工程规划目标函数获取规划管理决策结果。其目的在于，用以实现保障施工工程进行的稳定性，优化工程施工过程中的风险评估以及规划管理，提升施工效率质量。

Description

基于深度学习的工程施工物联网监测管理***及方法
技术领域
本发明涉及人工智能技术领域，具体而言，涉及一种基于深度学习的工程施工物联网监测管理***及方法。
背景技术
目前，传统的工程施工监测主要依赖于人工巡查和手动记录，该方式存在巡查频率、范围受限监测不全面等问题；
随着人工智能深度学习的发展，基于深度学习的工程施工物联网监测管理***应运而生，相较于传统方法，现有技术在施工物联网监测管理方面，虽然已经有一些基于信息化和大数据的解决方案，例如通过各种传感器收集施工现场的数据，进行初步的监控和管理，已达到减少人工操作，提升工作效率的效果；但是，现有技术往往仅限于数据的收集和初步处理，对施工工程的风险评估和异常分类等复杂任务的处理能力有限，尤其是当工程自身容量较大时，大型工程施工所涉及的数据众多，例如设计图纸、施工图纸、施工进度、人员信息、施工设备等，现有技术通常无法挖掘施工工程数据中复杂的关联性，进而可能导致工程物联网监测管理困难，预测结果精度有限，潜在的问题或风险评估发现不及时，最终影响施工效率以及质量，因此，提要提供一种基于深度学习的工程施工物联网监测管理***及方法，对工程施工进行物联网监测管理。
发明内容
本发明的目的在于提供一种基于深度学习的工程施工物联网监测管理***及方法，用以实现保障施工工程进行的稳定性，优化工程施工过程中的风险评估以及规划管理，提升施工效率质量。
本发明第一方面的技术方案提供了一种基于深度学习的工程施工物联网监测管理***，包括：
数据获取模块，配置为获取目标施工工程的目标数据，其中目标数据至少包括施工图像数据集、施工设备数据集、临时用电数据集、临时供水数据集、时间资源调度数据集、施工环节数据集、施工进度数据集、施工材料数据集、设备运行时段数据集、施工环境数据集以及施工人员技能水平数据集；
数据处理模块，配置为对目标数据进行去噪处理，获取去噪后的目标数据；
预测模块，配置为基于目标施工工程的仿真模型，获取至少一个目标监测状态变量，基于目标状态变量构建状态方程，获取第一目标状态变量预测值；
预警模块，配置为基于第一目标状态变量预测值，采用深度学习模型结合知识蒸馏方法对目标施工工程进行风险评估及异常分类分析，获取风险评估及异常分类结果；
规划管理模块，配置为基于目标施工工程规划目标函数获取规划管理决策结果。
进一步地，对目标数据进行去噪处理，获取去噪后的目标数据包括：
对于施工图像数据集，利用卷积神经网络提取图像特征，对于时间资源调度数据集，利用时间序列分析方法提取趋势项和季节项，对于施工环节数据集、施工进度数据集、施工材料数据集、设备运行时段数据集、施工人员技能水平数据集，利用领域知识方法提取特征，并利用加性高斯噪声模型为每一个数据集添加噪声；
基于预训练的卷积自编码器对带有噪声的图像数据集进行去噪，基于预训练的全连接自编码器对带有噪声的施工设备数据集、临时用电数据集、临时供水数据集、时间资源调度数据集、施工环节数据集、施工进度数据集、施工材料数据集、设备运行时段数据集、施工环境数据集以及施工人员技能水平数据集进行去噪。
进一步地，对目标数据进行去噪处理，获取去噪后的目标数据还包括：
在卷积自编码器和全连接自编码器的网络结构中添加Dropout层，并通过调节Dropout的比例来控制神经元的保留率；
在卷积自编码器和全连接自编码器的损失函数中添加L1或L2正则化项，并通过调节正则化参数来控制正则化的强度；
将卷子自编码器和全连接自编码器按顺序堆叠在一起，形成深层网络并训练生成器和判别器，利用生成器生成去噪后的目标数据，利用判别器判断去噪后目标数据与真实数据的差异。
进一步地，所述状态方程的表达式为：
式中，U(t+1)表示t时刻下一个时刻的状态变量值；P(t)表示目标施工工程t时刻的施工进度；S(t)表示目标施工工程t时刻的材料强度；T(t)表示目标施工工程t时刻的环境温度；W(t)表示目标施工工程t时刻的目标施工工程t时刻的施工人员的技能水平；Q(t)表示目标施工工程t时刻的材料质量；α1、α2、α3、α4、α5和α6表示状态变量对于下一时刻状态的影响程度系数；β1、β2、β3和β4表示输入变量对于下一时刻状态的影响程度系数；ε1、ε2、ε3、ε4和ε5表示状态噪声。
进一步地，采用深度学习模型结合知识蒸馏方法对目标施工工程进行风险评估以及异常分类分析，获取风险评估结果和异常分类结果，包括：
基于卷积神经网络对目标数据以及第一目标状态变量预测值进行训练，得到一个教师模型，获取第二目标状态变量预测值；
将第二目标状态变量预测值作为标签，基于浅层神经网络进行训练得到一个学生模型，获取第三目标状态变量预测值；
根据第二目标状态变量预测值和第三目标状态变量预测值对目标施工工程进行风险评估以及异常分类。
进一步地，风险评估以及异常分类包括：
根据第一目标状态变量预测值、第二目标状态变量预测值、第三目标状态变量预测值对目标数据进行标注，获取异常样本集并构建异常分类模型，利用异常分类模型对实时数据进行异常判断并设置预警等级；
基于相关系数方法对目标数据中每个数据集进行相关系数计算，得到相关系数矩阵并构建风险关联模型，将相关系数矩阵转化为网络图，根据相关系数的大小和正负，判断状态变量之间的关联强度和方向，获取关联强度相关的节点对，获取风险评估结果。
进一步地，还包括需求响应模块，配置为基于第一目标状态变量预测值、风险评估结果以及异常分类结果获取目标施工工程状态变量需求响应后的结果，并基于目标施工工程规划目标函数获取规划管理决策结果。
进一步地，获取目标施工工程状态变量需求响应后的结果包括：
定义最小化施工工程的总成本的目标函数：
Ctotal＝Cequipment+Cmaterial+Clabor+Cother+Cimage+Celectricity+Cwater
其中，Cequipment表示施工设备成本，Cmaterial表示施工材料成本，Clabor表示施工人力成本，Cother表示其他成本，Cimage表示施工图像完整性成本，Celectricity表示临时用电量成本，Cwater表示临时用水量成本；
定义目标数据约束条件，并建立优化模型，约束条件至少包括：施工图像完整性、施工设备成本、临时用电量、临时用水量、时间资源调度与施工工艺和施工进度之间的依赖关系、施工材料成本、施工环境与施工进度之间的依赖关系、施工人员技能水平与施工进度和施工工艺之间的依赖关系；
利用非线性规划方法对优化模型求解，获取优化结果。
进一步地，所述数据获取模块还包括网络管理模块，所述数据获取模块还用于根据目标施工工程现场部署的网络监测设备，实时采集目标施工工程现场的设备状态及性能数据，并进行归一化处理；
所述网络管理模块配置为基于卷积神经网络模型对归一化处理后的设备状态及性能数据进行训练，构建网络异常检测模型，利用网络异常检测模型进行异常检测并发出报警信号；
网络管理模块还用用于检测到网络异常时定位异常原因，利用生成对抗网络生成器获取网络修复结果，并自动进行网络监测设备的配置以及修复。
本发明第二方面的技术方案提供了一种基于深度学习的工程施工物联网监测管理方法，包括如下步骤：
获取目标施工工程的目标数据，其中目标数据至少包括施工图像数据集、施工设备数据集、临时用电数据集、临时供水数据集、时间资源调度数据集、施工环节数据集、施工进度数据集、施工材料数据集、设备运行时段数据集、施工环境数据集以及施工人员技能水平数据集；
对目标数据进行去噪处理，获取去噪后的目标数据；
基于目标施工工程的仿真模型，获取至少一个目标监测状态变量，基于目标状态变量构建状态方程，获取第一目标状态变量预测值；
基于第一目标状态变量预测值，采用深度学习模型结合知识蒸馏方法对目标施工工程进行风险评估及异常分类分析，获取风险评估结果及异常分类结果；
基于第一目标状态变量预测值、风险评估结果以及异常分类结果获取目标施工工程状态变量需求响应后的结果，并基于目标施工工程规划目标函数获取规划管理决策结果。
本发明实施例的技术方案至少具有如下优点和有益效果：
1.本发明提供的基于深度学习的工程施工物联网监测管理***及方法，通过数据获取模块实时获取目标施工工程的多个数据集，实现对目标施工工程的全面监测；通过数据处理模块对获取的目标数据进行去噪处理，可以较为准确地实时判断目标施工该工程的状态变量，提前发现潜在的问题或风险；通过预警模块利用深度学习模型和知识蒸馏方法，对第一目标状态变量预测值进行分析，评估施工工程的风险，并进行异常分类，有利于针对风险和异常及时采取相应措施，最终通过规划管理模块进行规划管理决策，优化施工过程；该技术方案主要解决了工程施工物联网监测管理中的数据处理、预测、预警和规划管理的一系列技术问题，通过深度学习和知识蒸馏等方法，实现对大量复杂的施工数据进行深度分析，实现对施工状态的精确预测，及时发现潜在的施工风险和异常，从而提高施工的安全性和效率。
附图说明
图1为本发明实施例提供的基于深度学习的工程施工物联网监测管理***的结构示意图；
图2为本发明实施例提供的基于深度学习的工程施工物联网监测管理***的流程示意图；
图3为本发明实施例提供的基于深度学习的工程施工物联网监测管理方法的流程示意图；
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，下面将结合本发明实施例中的附图，对本发明实施例中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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
应当理解，本文使用的“***”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的***所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
请参见图1和图2所示，本发明第一方面的技术方案提供了一种基于深度学习的工程施工物联网监测管理***，包括：
数据获取模块，配置为获取目标施工工程的目标数据，其中目标数据至少包括施工图像数据集、施工设备数据集、临时用电数据集、临时供水数据集、时间资源调度数据集、施工环节数据集、施工进度数据集、施工材料数据集、设备运行时段数据集、施工环境数据集以及施工人员技能水平数据集；
数据处理模块，配置为对目标数据进行去噪处理，获取去噪后的目标数据；
预测模块，配置为基于目标施工工程的仿真模型，获取至少一个目标监测状态变量，基于目标状态变量构建状态方程，获取第一目标状态变量预测值；
预警模块，配置为基于第一目标状态变量预测值，采用深度学习模型结合知识蒸馏方法对目标施工工程进行风险评估及异常分类分析，获取风险评估及异常分类结果；
规划管理模块，配置为基于目标施工工程规划目标函数获取规划管理决策结果。
在一些实施例中，对目标数据进行去噪处理，获取去噪后的目标数据包括：
对于施工图像数据集，利用卷积神经网络提取图像特征，首先，将施工过程中采集的实时图像输入至预先训练好的卷积神经网络模型中，通过多层卷积和池化层提取施工图像的高级特征，然后，将提取到的特征用于去噪处理；施工图像数据集可能包含了一些噪声或者干扰，这些噪声可能来自于图像采集设备的限制、光线条件、摄影角度等因素；通过利用卷积神经网络提取图像特征，可以将图像数据转化为高维的特征表示。这些特征可以捕捉到图像中的结构、纹理、边缘等信息，从而提高数据的表征能力。通过对这些特征进行去噪处理，可以去除图像中的噪声，使得图像更加清晰、准确，有助于后续的分析和应用。
在一些实施例中，对于时间资源调度数据集，利用时间序列分析方法提取趋势项和季节项，具体的，使用线性回归或滑动平均法，将时间资源调度数据拟合为线性趋势，提取趋势项，线性趋势表示时间资源调度数据的整体变化趋势；使用季节性指数平滑法或季节分解方法，将趋势项去除后，得到季节性成分，季节性成分表示时间资源调度数据在特定季节或周期内的周期性变化；
在一些实施例中，对于施工环节数据集、施工进度数据集、施工材料数据集、设备运行时段数据集、施工人员技能水平数据集，利用领域知识方法提取特征，并利用加性高斯噪声模型为每一个数据集添加噪声，对每一个数据集添加噪声的目的是为了模拟真实世界中数据的噪声或干扰，以更好地评估和改进去噪算法的性能，在实际应用中，数据常常受到各种因素的影响，例如传感器误差、信号干扰、数据采集过程中的误差等，因此通过添加噪声，可以模拟这些实际情况，使得去噪算法更具鲁棒性和泛化能力；
具体的，根据领域知识，选择与施工环节、施工进度、施工材料、设备运行时段、施工人员技能水平相关的特征，上述特征可以是直接观测的量，也可以是通过计算、统计或其他方法得到的衍生特征；特征处理和归一化：根据领域知识，对特征进行处理和归一化，以满足后续分析和建模的需求，例如，可以对施工环节数据集进行独热编码，将施工环节转化为二进制特征；对施工进度数据集进行归一化，将进度转化为0到1之间的数值；特征组合和交叉：根据领域知识，将不同特征进行组合和交叉，以获取更高层次的特征表示，例如，可以将施工环节数据集和施工进度数据集进行组合，得到一个新的特征表示施工环节与施工进度的关联程度，最终为每个数据集添加加性高斯噪声，以模拟实际数据中的噪声和随机性，噪声的大小可以根据领域知识和经验进行设置，确保噪声的水平符合实际情况。
综上，可以获取一个具有更丰富信息和更真实性质的数据集，这些特征可以用于后续的分析、建模和预测任务，提高对施工环节、施工进度、施工材料、设备运行时段、施工人员技能水平等的理解和决策能力；
由于，上述技术方案中添加噪声后的数据集在实际应用中并不具有实际价值，因为噪声会对数据的质量和可用性产生负面影响。因此，在一些实施例中，基于预训练的卷积自编码器对带有噪声的图像数据集进行去噪，基于预训练的全连接自编码器对带有噪声的施工设备数据集、临时用电数据集、临时供水数据集、时间资源调度数据集、施工环节数据集、施工进度数据集、施工材料数据集、设备运行时段数据集、施工环境数据集以及施工人员技能水平数据集进行去噪；本实施例中，预训练的卷积自编码器和全连接自编码器，可通过微调阶段对噪声数据进行去噪，从而提取出鲁棒的特征表示，有助于提高对噪声的鲁棒性，通过学习输入数据的统计分布来适应不同类型的噪声，从而实现更好的去噪效果，综上所述，添加噪声和去除噪声是为了模拟真实数据的噪声和恢复数据的原始状态，以提高数据的质量和可用性。
在一些实施例中，对目标数据进行去噪处理，获取去噪后的目标数据还包括：
在卷积自编码器和全连接自编码器的网络结构中添加Dropout层，并通过调节Dropout的比例来控制神经元的保留率；例如，在卷积自编码器编码器和解码器中的每个卷积层和全连接层之后添加Dropout层，并设置合适的保留率；
在卷积自编码器和全连接自编码器的损失函数中添加L1或L2正则化项，并通过调节正则化参数来控制正则化的强度；例如，在全连接自编码器的损失函数中添加L1正则化项，乘以一个正则化参数，并通过调节该参数的值来控制正则化的影响，在训练过程中，可以通过调节正则化参数的值来控制正则化的影响，较大的正则化参数会使模型更加稀疏，而较小的值则会减弱正则化的效果，具体可以通过交叉验证方法来选择合适的正则化参数；
将卷子自编码器和全连接自编码器按顺序堆叠在一起，形成深层网络并训练生成器和判别器，利用生成器生成去噪后的目标数据，利用判别器判断去噪后目标数据与真实数据的差异，具体的：可使用Keras或PyTorch等深度学习框架搭建卷积自编码器和全连接自编码器的网络结构，并添加Dropout层和正则化项，使用MNIST手写数字数据集进行训练，通过调节Dropout的比例和正则化参数，观察模型的性能和去噪效果；在定义卷积自编码器和全连接自编码器的网络结构后，将卷积自编码器的编码器部分的输出作为全连接自编码器的输入，使用生成对抗网络的思想，同时训练卷积自编码器和全连接自编码器，例如采用交替训练的方式，先训练卷积自编码器，再训练全连接自编码器，然后交替进行；例如时间资源调度数据集特点是具有时序关系的时间序列数据，此时可以通过增加卷积层和全连接层的数量和神经元的数量来增加模型的复杂度和表达能力，以更好地捕捉时序关系。同时，还可以调节卷积核的大小和数量来适应数据集特点，在调整模型参数和训练策略时，可采用学习率衰减策略，使学习率在训练过程中逐渐减小，还可以调节学习率、批量大小、激活函数等超参数，以获得更好的模型性能，例如，可以尝试使用较小的学习率来减缓模型的收敛速度，以更好地捕捉时序关系。
综上，本实施例通过添加Dropout层、添加L1或L2正则化项并将多个自编码器堆叠在一起，有效提升了去噪后数据的质量和可用性，减少噪声对后续任务的影响，增强模型的鲁棒性，使其能够适应不同类型的噪声和数据分布，增强模型对施工环节、施工进度、施工材料、设备运行时段、施工人员技能水平等方面的理解和决策能力，进而改善预测、预警和规划管理等任务的准确性和效率。
在一些实施例中，所述状态方程的表达式为：
式中，U(t+1)表示t时刻下一个时刻的状态变量值；P(t)表示目标施工工程t时刻的施工进度；S(t)表示目标施工工程t时刻的材料强度；T(t)表示目标施工工程t时刻的环境温度；W(t)表示目标施工工程t时刻的目标施工工程t时刻的施工人员的技能水平；Q(t)表示目标施工工程t时刻的材料质量；α1、α2、α3、α4、α5和α6表示状态变量对于下一时刻状态的影响程度系数；β1、β2、β3和β4表示输入变量对于下一时刻状态的影响程度系数；ε1、ε2、ε3、ε4和ε5表示状态噪声；本实施例中，通过训练模型，可以预测目标施工工程下一个时刻的状态变量值，包括施工进度、材料强度、环境温度、施工人员的技能水平和材料质量等状态变量值，有助于工程项目管理人员做出合理的决策和调整施工计划；另一方面通过模型训练和分析，可以了解各个状态变量之间的关联性和影响程度，有助于施工项目管理人员更好地理解施工过程中各个因素之间的相互作用，进而通过模型预测，对目标施工工程的状态进行实时监测，并及时发现异常情况，减少潜在的风险和成本。
在一些实施例中，采用深度学习模型结合知识蒸馏方法对目标施工工程进行风险评估以及异常分类分析，获取风险评估结果和异常分类结果，包括：基于卷积神经网络对目标数据以及第一目标状态变量预测值进行训练，得到一个教师模型，获取第二目标状态变量预测值，具体的，将目标数据作为输入，第一目标状态变量预测值作为标签，训练一个教师模型；
将第二目标状态变量预测值作为标签，基于浅层神经网络进行训练得到一个学生模型，获取第三目标状态变量预测值；根据第二目标状态变量预测值和第三目标状态变量预测值对目标施工工程进行风险评估以及异常分类，其中风险评估以及异常分类包括：
根据第一目标状态变量预测值、第二目标状态变量预测值、第三目标状态变量预测值对目标数据进行标注，获取异常样本集并构建异常分类模型，利用异常分类模型对实时数据进行异常判断并设置预警等级，若实时数据被分类为异常，相应的预警等级将被触发；
基于相关系数方法对目标数据中每个数据集进行相关系数计算，得到相关系数矩阵并构建风险关联模型，将相关系数矩阵转化为网络图，根据相关系数的大小和正负，判断状态变量之间的关联强度和方向，获取关联强度相关的节点对，获取风险评估结果；
例如，目标状态变量的具体实施例可以是施工材料，对于该状态变量，可以按照上述步骤进行实施，其中与施工材料相关的各个状态变量的历史数据至少包括材料种类、供应商、生产批次、质检结果，对于与施工材料相关的每对状态变量，计算它们之间的相关系数；例如，采用适用于非线性关系的皮尔逊相关系数，计算材料种类和供应商之间的非线性皮尔逊相关系数：
ρ＝1-(6*Sd2)/(n*(n2-1))
上式中，X表示材料种类变量，Y表示供应商变量，n表示样本数据，Sd2表示材料种类变量和供应商变量秩次之差的平方和；
然后将计算得到的非线性皮尔逊相关系数按照状态变量的对应关系，组成一个相关系数矩阵；然后根据非线性皮尔逊相关系数矩阵中的元素值，判断状态变量之间的关联强度，例如可以设定一个阈值，超过该阈值的相关系数被认为是具有显著关联的状态变量；最终根据关联节点对的识别结果，进行风险评估。分析关联节点对之间的关系，可以判断出潜在的风险因素和可能的风险传播路径。根据风险的严重程度和概率，评估每个节点对对整个施工工程材料质量的影响。
综上，本实施通过构建异常分类模型，可以对实时数据进行异常判断，并设置相应的预警等级，有助于及时发现和处理异常情况，减少潜在的风险；通过构建风险关联模型，可以分析状态变量之间的关联强度和方向，识别潜在的风险因素和风险传播路径，有助于提前采取措施降低风险，通过综合考虑异常分类和风险关联分析的结果，可以对目标施工工程进行综合风险评估，为项目管理人员提供决策支持和风险控制策略。
在一些实施例中，该基于深度学习的工程施工物联网监测管理***还包括需求响应模块，配置为基于第一目标状态变量预测值、风险评估结果以及异常分类结果获取目标施工工程状态变量需求响应后的结果，并基于目标施工工程规划目标函数获取规划管理决策结果；
具体的，以目标施工工程的进度(以百分比表示)作为目标状态变量，并以第一目标状态变量作为该工程的前一天的进度，此时使用历史数据和相关系数矩阵，我们可以建立一个回归模型来预测目标施工工程的进度，将前一天的进度作为输入，预测当天的进度，基于上述相关分析和风险评估步骤，可得到关联节点对和风险传播路径的结果，例如结果为材料供应的延迟会对施工工程的进度产生风险；然后根据历史数据和相关系数矩阵，我们可以构建一个异常分类模型，用于判断目标施工工程中的异常情况，例如当天的进度与预测值相差超过10％，则判断为异常情况；然后可以根据预测值、风险评估结果和异常分类结果，进行目标施工工程的状态变量需求响应，若预测值较低，并且存在材料供应的风险，可以采取以下措施：加快材料供应的进度、增加备用材料的储备等，以确保施工工程的进度不受影响；最终根据目标施工工程的规划目标函数，结合预测值、风险评估结果和异常分类结果，进行规划管理决策的优化，例如我们的目标是最小化施工工程的总体成本，在考虑进度和材料供应的风险的情况下，我们可以使用优化算法来确定最佳的材料供应策略和进度安排，以达到最小化成本的目标；
实施例：目标施工工程的前一天进度为50％，预测值为60％，风险评估结果显示材料供应的延迟会对进度产生风险，异常分类结果显示当天的进度为55％，根据上述结果，可以做出以下响应：预测值为60％，高于前一天的进度50％，说明进度有所提升，风险评估结果显示材料供应的延迟会对进度产生风险，此时则需要加快材料供应的进度，以确保材料及时到位；异常分类结果显示当天的进度为55％，与预测值相差5％，则属于正常范围内的波动，根据预测值和风险评估结果，可以采取措施加快材料供应的进度，以确保施工工程的进度不受影响；在规划管理决策方面，可以使用优化算法来确定最佳的材料供应策略和进度安排，以最小化施工工程的总体成本。
综上，通过建立状态变量之间的相关关系和风险传播路径，可以更准确地预测目标状态变量的未来值，并评估风险和异常情况，从而更精确地响应施工工程的需求，通过风险评估和异常分类，可以及时发现潜在的风险和异常情况，并采取相应的措施进行预警和响应，从而减少风险对施工工程的影响，通过将预测值、风险评估结果和异常分类结果纳入规划管理决策的优化过程，可以得到更优的管理决策结果，提高施工工程的整体效益和质量，总之，该技术方案可以提高施工工程材料质量管理的准确性和效率，提前预警和及时响应风险，并优化规划管理决策，从而提高施工工程的整体效益和质量。
在一些实施例中，获取目标施工工程状态变量需求响应后的结果包括：
定义最小化施工工程的总成本的目标函数：
Ctotal＝Cequipment+Cmaterial+Clabor+Cother+Cimage+Celectricity+Cwater
其中，Cequipment表示施工设备成本，Cmaterial表示施工材料成本，Clabor表示施工人力成本，Cother表示其他成本，Cimage表示施工图像完整性成本，Celectricity表示临时用电量成本，Cwater表示临时用水量成本；例如，Cequipment＝∑(Ci*Qi1)，其中，Ci表示第i种施工设备的单位成本，Qi表示第i种施工设备的使用量，Cimage＝∑(Cn*In),其中，Cn表示第n张图像的单位成本，Qn表示第n张图像的完整性指标，其余成本计算方式与上述原理一致，在此不再进行赘述；
定义目标数据约束条件，并建立优化模型，约束条件至少包括：施工图像完整性、施工设备成本、临时用电量、临时用水量、时间资源调度与施工工艺和施工进度之间的依赖关系、施工材料成本、施工环境与施工进度之间的依赖关系、施工人员技能水平与施工进度和施工工艺之间的依赖关系；利用非线性规划方法对优化模型求解，获取优化结果；
具体的，以施工人员技能水平与施工进度的依赖关系为例：预设一个技能水平变量S，取值范围为0到1，表示施工人员的技能水平；然后定义一个关系函数f(S)，表示技能水平S对施工进度的影响，该函数可以根据实际情况进行定义，然后，将该约束条件表示为一个等式或者不等式，例如：f(S)<＝X，其中X是一个常数，表示要求的施工进度；然后将约束条件添加到优化模型中：将施工人员技能水平与施工进度的依赖关系约束添加到优化模型中，通过在目标函数中引入技能水平变量S，并将约束条件f(S)<＝X添加到约束条件集合中来实现；最终使用梯度下降法、牛顿法、拟牛顿法等非线性规划方法对建立的优化模型进行求解，即可得到最优的施工工程成本和相应的决策变量，包括施工人员技能水平；根据求解得到的优化结果，可以分析施工人员技能水平与施工进度的依赖关系，可以通过比较不同技能水平下的施工进度，评估技能水平对施工进度的影响。
综上，本实施例通过优化模型求解，可以得到最优的施工工程成本，从而实现成本的最小化，通过考虑时间资源调度与施工工艺和施工进度之间的依赖关系，可以优化施工工程的资源调度，提高施工效率；通过考虑施工环境、施工材料和施工人员技能水平与施工进度的依赖关系，可以降低施工过程中的风险，减少不确定性；优化模型的求解结果可以为决策提供支持，帮助项目管理人员做出合理的决策，提高施工工程的管理水平。
在一些实施例中，所述数据获取模块还包括网络管理模块，所述数据获取模块还用于根据目标施工工程现场部署的网络监测设备，实时采集目标施工工程现场的设备状态及性能数据，并进行归一化处理；其中，网络监测设备可以实时采集设备状态及性能数据，这些数据可以包括设备的工作状态、温度、电压、网络流量等信息；
所述网络管理模块配置为基于卷积神经网络模型对归一化处理后的设备状态及性能数据进行训练，构建网络异常检测模型，利用网络异常检测模型进行异常检测并发出报警信号；训练的目标是建立一个网络异常检测模型，该模型可以识别正常和异常的设备状态；
网络管理模块还用用于检测到网络异常时定位异常原因，利用生成对抗网络生成器获取网络修复结果，并自动进行网络监测设备的配置以及修复；具体的，网络管理模块使用训练好的网络异常检测模型对实时采集的设备状态数据进行异常检测。当检测到异常时，***会发出报警信号，通知相关人员进行处理，在检测到网络异常时，网络管理模块会尝试定位异常的原因。一种方法是使用生成对抗网络生成器，根据异常数据生成网络修复结果。生成的修复结果可以用于指导网络监测设备的配置和修复；通过网络监测设备和异常检测模型，可以实时监测目标施工工程现场的设备状态和性能，可及时发现和处理设备故障或异常情况，提高施工工程的可靠性和稳定性；通过生成对抗网络生成器，***可以自动获取网络修复结果，减少了人工干预的需要，并加快了网络修复的速度；通过采集和分析设备状态及性能数据，可以进行数据驱动的优化。例如，可以通过分析设备的工作状态和性能数据，优化设备的配置和使用，提高施工工程的效率和质量。
请参见图3所示，本发明第二方面的技术方案提供了一种基于深度学习的工程施工物联网监测管理方法，包括如下步骤：
步骤S100：获取目标施工工程的目标数据，其中目标数据至少包括施工图像数据集、施工设备数据集、临时用电数据集、临时供水数据集、时间资源调度数据集、施工环节数据集、施工进度数据集、施工材料数据集、设备运行时段数据集、施工环境数据集以及施工人员技能水平数据集；
步骤S200：对目标数据进行去噪处理，获取去噪后的目标数据；
步骤S300：基于目标施工工程的仿真模型，获取至少一个目标监测状态变量，基于目标状态变量构建状态方程，获取第一目标状态变量预测值；
步骤S400：基于第一目标状态变量预测值，采用深度学习模型结合知识蒸馏方法对目标施工工程进行风险评估及异常分类分析，获取风险评估结果及异常分类结果；
步骤S500：基于第一目标状态变量预测值、风险评估结果以及异常分类结果获取目标施工工程状态变量需求响应后的结果，并基于目标施工工程规划目标函数获取规划管理决策结果。
综上，本发明提供的基于深度学习的工程施工物联网监测管理***及方法，通过数据获取模块实时获取目标施工工程的多个数据集，实现对目标施工工程的全面监测；通过数据处理模块对获取的目标数据进行去噪处理，可以较为准确地实时判断目标施工该工程的状态变量，提前发现潜在的问题或风险；通过预警模块利用深度学习模型和知识蒸馏方法，对第一目标状态变量预测值进行分析，评估施工工程的风险，并进行异常分类，有利于针对风险和异常及时采取相应措施，最终通过规划管理模块进行规划管理决策，优化施工过程；该技术方案主要解决了工程施工物联网监测管理中的数据处理、预测、预警和规划管理的一系列技术问题，通过深度学习和知识蒸馏等方法，实现对大量复杂的施工数据进行深度分析，实现对施工状态的精确预测，及时发现潜在的施工风险和异常，从而提高施工的安全性和效率。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的***组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的***。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.基于深度学习的工程施工物联网监测管理***，其特征在于，包括：
数据获取模块，配置为获取目标施工工程的目标数据，其中目标数据至少包括施工图像数据集、施工设备数据集、临时用电数据集、临时供水数据集、时间资源调度数据集、施工环节数据集、施工进度数据集、施工材料数据集、设备运行时段数据集、施工环境数据集以及施工人员技能水平数据集；
数据处理模块，配置为对目标数据进行去噪处理，获取去噪后的目标数据；
预测模块，配置为基于目标施工工程的仿真模型，获取至少一个目标监测状态变量，基于目标状态变量构建状态方程，获取第一目标状态变量预测值；
预警模块，配置为基于第一目标状态变量预测值，采用深度学习模型结合知识蒸馏方法对目标施工工程进行风险评估及异常分类分析，获取风险评估及异常分类结果；
规划管理模块，配置为基于目标施工工程规划目标函数获取规划管理决策结果。
2.根据权利要求1所述的基于深度学习的工程施工物联网监测管理***，其特征在于，对目标数据进行去噪处理，获取去噪后的目标数据包括：
对于施工图像数据集，利用卷积神经网络提取图像特征，对于时间资源调度数据集，利用时间序列分析方法提取趋势项和季节项，对于施工环节数据集、施工进度数据集、施工材料数据集、设备运行时段数据集、施工人员技能水平数据集，利用领域知识方法提取特征，并利用加性高斯噪声模型为每一个数据集添加噪声；
基于预训练的卷积自编码器对带有噪声的图像数据集进行去噪，基于预训练的全连接自编码器对带有噪声的施工设备数据集、临时用电数据集、临时供水数据集、时间资源调度数据集、施工环节数据集、施工进度数据集、施工材料数据集、设备运行时段数据集、施工环境数据集以及施工人员技能水平数据集进行去噪。
3.根据权利要求2所述的基于深度学习的工程施工物联网监测管理***，其特征在于，对目标数据进行去噪处理，获取去噪后的目标数据还包括：
在卷积自编码器和全连接自编码器的网络结构中添加Dropout层，并通过调节Dropout的比例来控制神经元的保留率；
在卷积自编码器和全连接自编码器的损失函数中添加L1或L2正则化项，并通过调节正则化参数来控制正则化的强度；
将卷子自编码器和全连接自编码器按顺序堆叠在一起，形成深层网络并训练生成器和判别器，利用生成器生成去噪后的目标数据，利用判别器判断去噪后目标数据与真实数据的差异。
4.根据权利要求1所述的基于深度学习的工程施工物联网监测管理***，其特征在于，所述状态方程的表达式为：
式中，U(t+1)表示t时刻下一个时刻的状态变量值；P(t)表示目标施工工程t时刻的施工进度；S(t)表示目标施工工程t时刻的材料强度；T(t)表示目标施工工程t时刻的环境温度；W(t)表示目标施工工程t时刻的目标施工工程t时刻的施工人员的技能水平；Q(t)表示目标施工工程t时刻的材料质量；α1、α2、α3、α4、α5和α6表示状态变量对于下一时刻状态的影响程度系数；β1、β2、β3和β4表示输入变量对于下一时刻状态的影响程度系数；ε1、ε2、ε3、ε4和ε5表示状态噪声。
5.根据权利要求1所述的基于深度学习的工程施工物联网监测管理***，其特征在于，采用深度学习模型结合知识蒸馏方法对目标施工工程进行风险评估以及异常分类分析，获取风险评估结果和异常分类结果，包括：
基于卷积神经网络对目标数据以及第一目标状态变量预测值进行训练，得到一个教师模型，获取第二目标状态变量预测值；
将第二目标状态变量预测值作为标签，基于浅层神经网络进行训练得到一个学生模型，获取第三目标状态变量预测值；
根据第二目标状态变量预测值和第三目标状态变量预测值对目标施工工程进行风险评估以及异常分类。
6.根据权利要求5所述的基于深度学习的工程施工物联网监测管理***，其特征在于，风险评估以及异常分类包括：
根据第一目标状态变量预测值、第二目标状态变量预测值、第三目标状态变量预测值对目标数据进行标注，获取异常样本集并构建异常分类模型，利用异常分类模型对实时数据进行异常判断并设置预警等级；
基于相关系数方法对目标数据中每个数据集进行相关系数计算，得到相关系数矩阵并构建风险关联模型，将相关系数矩阵转化为网络图，根据相关系数的大小和正负，判断状态变量之间的关联强度和方向，获取关联强度相关的节点对，获取风险评估结果。
7.根据权利要求1至6任一项所述的基于深度学习的工程施工物联网监测管理***，其特征在于，还包括需求响应模块，配置为基于第一目标状态变量预测值、风险评估结果以及异常分类结果获取目标施工工程状态变量需求响应后的结果，并基于目标施工工程规划目标函数获取规划管理决策结果。
8.根据权利要求7所述的基于深度学习的工程施工物联网监测管理***，其特征在于，获取目标施工工程状态变量需求响应后的结果包括：
定义最小化施工工程的总成本的目标函数：
Ctotal＝Cequipment+Cmaterial+Clabor+Cother+Cimage+Celectricity+Cwater
其中，Cequipment表示施工设备成本，Cmaterial表示施工材料成本，Clabor表示施工人力成本，Cother表示其他成本，Cimage表示施工图像完整性成本，Celectricity表示临时用电量成本，Cwater表示临时用水量成本；
定义目标数据约束条件，并建立优化模型，约束条件至少包括：施工图像完整性、施工设备成本、临时用电量、临时用水量、时间资源调度与施工工艺和施工进度之间的依赖关系、施工材料成本、施工环境与施工进度之间的依赖关系、施工人员技能水平与施工进度和施工工艺之间的依赖关系；
利用非线性规划方法对优化模型求解，获取优化结果。
9.根据权利要求7所述的基于深度学习的工程施工物联网监测管理***，其特征在于，所述数据获取模块还包括网络管理模块，所述数据获取模块还用于根据目标施工工程现场部署的网络监测设备，实时采集目标施工工程现场的设备状态及性能数据，并进行归一化处理；
所述网络管理模块配置为基于卷积神经网络模型对归一化处理后的设备状态及性能数据进行训练，构建网络异常检测模型，利用网络异常检测模型进行异常检测并发出报警信号；
网络管理模块还用用于检测到网络异常时定位异常原因，利用生成对抗网络生成器获取网络修复结果，并自动进行网络监测设备的配置以及修复。
10.基于深度学习的工程施工物联网监测管理方法,其特征在于，包括如下步骤：
获取目标施工工程的目标数据，其中目标数据至少包括施工图像数据集、施工设备数据集、临时用电数据集、临时供水数据集、时间资源调度数据集、施工环节数据集、施工进度数据集、施工材料数据集、设备运行时段数据集、施工环境数据集以及施工人员技能水平数据集；
对目标数据进行去噪处理，获取去噪后的目标数据；
基于目标施工工程的仿真模型，获取至少一个目标监测状态变量，基于目标状态变量构建状态方程，获取第一目标状态变量预测值；
基于第一目标状态变量预测值，采用深度学习模型结合知识蒸馏方法对目标施工工程进行风险评估及异常分类分析，获取风险评估结果及异常分类结果；
基于第一目标状态变量预测值、风险评估结果以及异常分类结果获取目标施工工程状态变量需求响应后的结果，并基于目标施工工程规划目标函数获取规划管理决策结果。
CN202311129649.9A 2023-09-01 2023-09-01 基于深度学习的工程施工物联网监测管理***及方法 Pending CN117273440A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311129649.9A CN117273440A (zh) 2023-09-01 2023-09-01 基于深度学习的工程施工物联网监测管理***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311129649.9A CN117273440A (zh) 2023-09-01 2023-09-01 基于深度学习的工程施工物联网监测管理***及方法

Publications (1)

Publication Number Publication Date
CN117273440A true CN117273440A (zh) 2023-12-22

Family

ID=89211423

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311129649.9A Pending CN117273440A (zh) 2023-09-01 2023-09-01 基于深度学习的工程施工物联网监测管理***及方法

Country Status (1)

Country Link
CN (1) CN117273440A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117495210A (zh) * 2024-01-02 2024-02-02 衡水烨通建设工程有限公司 公路混凝土施工质量管理***
CN117854532A (zh) * 2024-03-06 2024-04-09 中国科学院水生生物研究所 用于保护江豚的水体施工过程中的水下噪声预警***
CN117932621A (zh) * 2024-02-22 2024-04-26 中国标准化研究院 一种基于大数据的智能家居终端风险评估方法及***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112380982A (zh) * 2020-11-13 2021-02-19 福建亿榕信息技术有限公司 一种电力行业基建项目进度与质量的一体化监测方法
CN113960953A (zh) * 2020-07-20 2022-01-21 广东共德信息科技有限公司 一种基于物联网技术的智能工地应用***及其使用方法
CN115130734A (zh) * 2022-06-06 2022-09-30 北京城建设计发展集团股份有限公司 一种基于LightGBM与深度学习算法的穿越工程施工影响预测方法及***
CN116341272A (zh) * 2023-04-03 2023-06-27 国家电网有限公司 一种用于配网工程数字化的施工安全风险管控***
CN116629465A (zh) * 2023-07-26 2023-08-22 成都源轮讯恒科技有限公司 智能电网视频监控与风险预测响应***
WO2023159810A1 (zh) * 2022-02-25 2023-08-31 山东大学 一种基于数字孪生的钢管混凝土拱桥施工监控方法及***

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113960953A (zh) * 2020-07-20 2022-01-21 广东共德信息科技有限公司 一种基于物联网技术的智能工地应用***及其使用方法
CN112380982A (zh) * 2020-11-13 2021-02-19 福建亿榕信息技术有限公司 一种电力行业基建项目进度与质量的一体化监测方法
WO2023159810A1 (zh) * 2022-02-25 2023-08-31 山东大学 一种基于数字孪生的钢管混凝土拱桥施工监控方法及***
CN115130734A (zh) * 2022-06-06 2022-09-30 北京城建设计发展集团股份有限公司 一种基于LightGBM与深度学习算法的穿越工程施工影响预测方法及***
CN116341272A (zh) * 2023-04-03 2023-06-27 国家电网有限公司 一种用于配网工程数字化的施工安全风险管控***
CN116629465A (zh) * 2023-07-26 2023-08-22 成都源轮讯恒科技有限公司 智能电网视频监控与风险预测响应***

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117495210A (zh) * 2024-01-02 2024-02-02 衡水烨通建设工程有限公司 公路混凝土施工质量管理***
CN117495210B (zh) * 2024-01-02 2024-03-12 衡水烨通建设工程有限公司 公路混凝土施工质量管理***
CN117932621A (zh) * 2024-02-22 2024-04-26 中国标准化研究院 一种基于大数据的智能家居终端风险评估方法及***
CN117854532A (zh) * 2024-03-06 2024-04-09 中国科学院水生生物研究所 用于保护江豚的水体施工过程中的水下噪声预警***
CN117854532B (zh) * 2024-03-06 2024-05-03 中国科学院水生生物研究所 用于保护江豚的水体施工过程中的水下噪声预警***

Similar Documents

Publication Publication Date Title
Liu et al. Intelligent prognostics of machining tools based on adaptive variational mode decomposition and deep learning method with attention mechanism
CN117273440A (zh) 基于深度学习的工程施工物联网监测管理***及方法
Du et al. Degradation process prediction for rotational machinery based on hybrid intelligent model
CN110571792A (zh) 一种电网调控***运行状态的分析评估方法及***
CN111325403B (zh) 一种公路隧道机电设备剩余寿命预测方法
CN110757510B (zh) 一种机器人剩余寿命预测方法及***
CN117494292B (zh) 一种基于bim和ai大模型的工程进度管理方法及***
CN109472097B (zh) 一种输电线路在线监测设备故障诊断方法
CN114282443B (zh) 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法
CN114218872B (zh) 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法
CN116050665B (zh) 供热设备故障预测方法
CN114841076A (zh) 基于时空图模型的动力电池生产工艺波动异常检测方法
CN111079926A (zh) 基于深度学习的具有自适应学习率的设备故障诊断方法
CN115496384A (zh) 工业设备的监控管理方法、装置和计算机设备
CN117408162A (zh) 基于数字孪生的电网故障控制方法
Jagtap et al. Software reliability: development of software defect prediction models using advanced techniques
Wan et al. A hybrid CNN-BiLSTM and Wiener process-based prediction approach of remaining useful life for rolling bearings
Li et al. Gated recurrent unit networks for remaining useful life prediction
Kerboua et al. Recurrent neural network optimization for wind turbine condition prognosis
Ceylan et al. Siamese inception time network for remaining useful life estimation
CN117577981B (zh) 光伏发电储能控制方法及***
Yan et al. Nonlinear quality-relevant process monitoring based on maximizing correlation neural network
CN118037105A (zh) 一种基于大数据的信息工程质量检测方法以及检测***
Zhang et al. A remaining useful life prediction method for complex systems based on multi-index fusion with MC and HSMM
Rama et al. Predictive Maintenance and Anomaly Detection of Wind Turbines Based on Bladed Simulator Models

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