一种建筑物沉降智能检测系统技术方案

本发明专利技术公开了一种建筑物沉降智能检测系统，所述系统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系统两部分组成，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；本发明专利技术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。

【技术实现步骤摘要】
一种建筑物沉降智能检测系统
本专利技术涉及建筑物自动化检测装备的
，具体涉及一种建筑物沉降智能检测系统。
技术介绍
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。
技术实现思路
本专利技术提供了一种建筑物沉降智能检测系统，本专利技术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。本专利技术通过以下技术方案实现：一种建筑物沉降智能检测系统，其特征在于：所述系统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系统两部分组成，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系统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系统实现对被检测建筑物的沉降量大小进行检测、预测和预警。本专利技术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。本专利技术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。本专利技术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。本专利技术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。本专利技术与现有技术相比，具有以下明显优点：一、本专利技术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，本专利技术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、本专利技术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、本专利技术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、本专利技术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、本专利技术所采用的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，本文档来自技高网...

【技术保护点】
1.一种建筑物沉降智能检测系统，其特征在于：所述系统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系统两部分组成，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系统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系统实现对被检测建筑物的沉降量大小进行检测、预测和预警；/n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；/n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；/n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。/n...

【技术特征摘要】
1.一种建筑物沉降智能检测系统，其特征在于：所述系统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系统两部分组成，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系统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系统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...

【专利技术属性】
技术研发人员：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，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：江苏;32