建筑健康监测系统

1.本发明属于健康监测技术领域，尤其涉及一种建筑健康监测系统。

背景技术：

2.现阶段对建筑的健康监测多是采用人工或有线的方式进行的单一监测(温度，位移，受力)，因此效率低下，浪费大量人拱和物力，也不能实现实时监控，漏报率高。
3.本发明的目的是建立实时智能无线传输的建筑健康监测体系，监测建筑的使用情况，重点受力构件的运行情况。对重点受力构件和整体建筑的健康状况和可使用年限做出合理的评估，避免突发性灾害，对火灾和地震等重大自然灾害后建筑物的损伤情况做出评估。保证建筑在安全范围内使用。

技术实现要素：

4.本发明就是针对上述问题，提供一种建筑健康监测系统。
5.为实现上述目的，本发明采用如下技术方案，本发明包括前端传感器、传感器数据节点和数据终端，其特征在于前端传感器反馈的信号由导线连接传递到传感器数据节点，传感器数据节点的信号传输端口与数据终端的信号传输端口相连；数据终端由粒子群优化的bp神经网络预测结构健康状况，对结构部件健康状况的评估。
6.作为一种优选方案，本发明所述前端传感器包括力学监测传感器、位移监测传感器、温度监测传感器和烟气监测传感器。
7.作为另一种优选方案，本发明所述bp神经网络对建筑结构受力的预测的具体步骤如下：
8.1)pso粒子群参数和bp神经网络参数的初始选定，根据bp神经网络的结构来确定粒子群的规模；
9.2)通过bp神经网络产生的误差来确定粒子群的适应度函数；
10.3)计算并比较粒子的适应度值，找到最优的粒子位置；
11.4)通过粒子群算法得到最优解来优化bp神经网路的权值；
12.5)pso-bp神经网络得到预测结果，评估结构的受力状况。
13.作为另一种优选方案，本发明所述数据节点对前端传感器接收传感器的信号，在数据节点内进行预处理，判定是否达到阈值，达到阈值触发蜂鸣器，进行预警，同时数据终端也会收到提示，数据节点与计算终端的数据传输是实时传输，终端对数据节点传输信号进行预测，判定受力情况，评估结构是否可以继续使用，如果可以，则数据封存，一定周期后上传云端，方便后期调用；如果判定结构失效，则激发预警，限制失效位置，同时向数据节点发送指令，激发蜂鸣器。
14.其次，本发明所述粒子群优化bp神经网络根据构件中力学传感器的数量确定输入层的数量，输出层根据构件是抗弯构件、抗压构件、抗压构件、综合受力构件，判断受力情
况，设定输出层神经元的个数；隐藏层数的判定根据公式其中n1为隐藏层数，n为输入层，m为输出层的个数，a为[1-10]的常数；粒子群算法的规模根据神经网络的结构来确定，通过粒子群算法得到最优解来优化bp神经网路的权值。
[0015]
另外，本发明所述bp神经网络工作具体步骤如下：
[0016]
(1)网络初始化：根据输出输入序列确定输入层神经元的个数为m，隐藏层神经元个数n，输出层神经元个数为l，输入层到隐藏层之间的连接权值为w
ij
，输入层的阈值为bj，隐藏层到输出层的连接权值为w
jk
，输出层的阈值为bk。
[0017]
(2)隐藏层输出值sj的计算：根据输出变量x，输入层到隐藏层之间的连接权值和阈值为w
ij
和bj，计算隐藏层输出值sj。公式如下
[0018][0019]
式中：i为第i个输入层神经元(i＝1，2，3，4，
……
，m)；j为第j个隐藏层神经元(j＝1，2，3，4，
……
，n)；f函数是隐藏层输入与输出间的激励函数，常用log-sigmoid函数或tan-sigmoid函数。
[0020]
(3)输出层输出值yk的计算：根据隐藏层输出值sj，隐藏层到输出层之间的连接权值和阈值w
jk
和bk，计算输出层输出值yk。公式如下
[0021][0022]
式中：k为第k个输出层神经元(k＝1，2，3，4，
……
，l)；g函数为输出层的传递函数，常用purelin函数和tan-sigmod函数。
[0023]
(4)误差计算：根据实际输出值yk和期望输出值ok，计算节点输出误差e。
[0024]
公式如下
[0025][0026]
总误差e的计算公式如下
[0027][0028]
式中：p为节点总数；ε为收敛误差；er为第r个节点误差(r＝1，2，3，4，
……
，p)
[0029]
(5)权值和阈值修正：输出层和隐藏层之间的连接权值和阈值修正公式如下
[0030][0031][0032]
式中：t为迭代次数；γ为步长；δk为输出层至隐藏层之间的误差，计算公式如下
[0033]
δk＝(o
k-yk)yk(1-yk)
[0034]
隐藏层到输入层之间连接权值和阈值的修正公式如下
[0035][0036][0037]
式中：δk为隐藏层到输入层之间的误差，计算公式如下
[0038][0039]
本发明有益效果。
[0040]
本发明建立一套实时智能无线传输的建筑健康监测体系，对建筑物中的梁、柱即节点和剪力墙等重要受力构件布设传感器，通过传感器数据节点将多个传感器的信号汇集，并通过内置算法对传感的信号做出初步判断，如果超过预先设置的阈值，则促发预警。传感器数据节点与数据终端信号双向传递，将前端传感器反馈的信号实时传递给数据终端，并通过数据终端中基于粒子群优化的bp神经网络进行评估建筑结构的受力状况、健康状况。根据评估的解决，判定结构可否继续工作，通过两次评估的方式减少漏判、误判的情况，同时终端可以根据个节点的受力状况判断建筑整体的健康情况做出评估。
附图说明
[0041]
下面结合附图和具体实施方式对本发明做进一步说明。本发明保护范围不仅局限于以下内容的表述。
[0042]
图1、监测系统工作流程图。
[0043]
图2、数据节点元件图。
[0044]
图3、粒子群优化bp神经网络算法流程图。
[0045]
图4、神经元网络结构图。
[0046]
图5、真实值与预测值对比图。
具体实施方式
[0047]
如图所示，建筑健康监测系统包括前端传感器、传感器数据节点和数据终端。
[0048]
前端传感器可包括力学监测传感器，位移监测传感器，温度监测传感器和烟气监测传感器。前端传感器反馈的信号由导线连接传递到最近的数据节点，数据节点可由esp32芯片、电路板、蜂鸣器焊接而成。
[0049]
esp32芯片具有极佳的功耗性能、射频性能、稳定性、通用性和可靠性，通过内置算法实现数据整合预处理，判断单个信号达到阈值，自动激发蜂鸣器，实现预警，实时数据传输。数据节点可内置2.4ghz wifi模块，可采用udp传输协议，实现数据节点和计算终端的信号双向传播，即传感器收集的数据可以实时传输到数据终端，同时可以通过数据终端，向每个传感器节点发送指令，修正算法，改变阈值，增减功能，适应使用条件的变化。
[0050]
终端由粒子群优化的bp神经网络预测结构健康状况，实现对结构重要部件健康状况的评估，bp神经网络是一种基于误差方向传播的多层前馈神经网络，是一种采用widrow-hoff学习算法和非线性可微转移函数的监督学习算法，bp神经网络的结构是由一层输入层，多层隐藏层，一层输出层组成。各层神经元之间全连接，同层神经元之间无连接。pso粒子群算法是将问题中的每一个解都看作一个粒子，每个粒子都有相应的适应度值，粒子通过自身或其他粒子间的相互作用来进行位置的动态调整从而找到最佳的粒子位置并对参数进行优化得到最优解。本发明粒子群算法优化bp神经网络对建筑结构受力的预测的具体步骤如下：
[0051]
1)pso粒子群参数和bp神经网络参数的初始选定，根据bp神经网络的结构来确定粒子群的规模。
[0052]
2)通过bp神经网络产生的误差来确定粒子群的适应度函数。
[0053]
3)计算并比较粒子的适应度值，找到最优的粒子位置。
[0054]
4)通过粒子群算法得到最优解来优化bp神经网路的权值。
[0055]
5)pso-bp神经网络得到预测结果，评估结构的受力状况。
[0056]
本发明的健康监测系统，数据节点具有独立计算能力，可以完成计算，对传感器反馈的信号可以做预处理，可减少了计算终端的计算量，同时还可以接受终端指令，修正算法和阈值，提高的修正的适用性、可调整性。无线传输技术的应用大幅度减少导线的布设，降低故障率，降低人工检测的成本。数据节点和计算终端的双重判定，降低了监测系统的漏报率，为建筑结构的使用安全提供更大的保障。
[0057]
传感器布设。可根据有限元模拟的方式计算出建筑构件的最不利位置结合实际经验布设的传感器，可布设的传感器力学监测传感器、位移监测传感器、温度监测传感器和烟气监测传感器。
[0058]
数据节点。数据节点可由电路板，蜂鸣器、esp32芯片焊接而成，电路板上可留有传感器接口，可根据具体需求调整数量，程序命令可由c语言编写，拷入单片机中。数据节点中调用udp传输协议，将封存的数据帧传输到计算终端。传输过程通过内置的2.4ghz wifi模块，连接建筑内wifi信号实现与数据终端的双向传输，更换wifi的账号密码时，可通过终端对数据节点进行修改。数据节点对前端传感器的种类兼容性强，可同时接受多种传感器的信号，在数据节点内进行预处理，判定是否达到阈值，达到阈值会触发蜂鸣器，进行预警，同时数据终端也会收到提示，数据节点与计算终端的数据传输是实时传输，终端对数据节点传输信号进行预测，判定受力情况，评估结构是否可以继续使用，如果可以，则数据封存，一定周期后上传云端，方便后期调用，如果判定结构失效，则激发预警，限制失效位置，同时向数据节点发送指令，激发蜂鸣器。数据节点的布设位置，可根据传感器的位置选择，应设置成开放式的，方便按时检修，数据节点布置在室外或者环境潮湿的地方，应注意选用防水的外壳材料，避免因潮湿导致短路损坏，影响使用寿命。
[0059]
pso-bp神经网络。粒子群算法优化bp神经网络是一种采用粒子群算法优化权值的前馈神经网络。在具体实施过程中，根据构件中力学传感器的数量确定输入层的数量，输出层根据构件是抗弯构件、抗压构件、抗压构件，综合受力构件等，判断主要受力情况，设定输出层神经元的个数。隐藏层数的判定根据公式其中n1为隐藏层数，n为
输入层，m为输出层的个数，a为[1-10]的常数。粒子群算法的规模根据神经网络的结构来确定，通过粒子群算法得到最优解来优化bp神经网路的权值。
[0060]
bp伸进网络工作具体步骤如下：
[0061]
(1)网络初始化：根据输出输入序列确定输入层神经元的个数为m，隐藏层神经元个数n，输出层神经元个数为l，输入层到隐藏层之间的连接权值为w
ij
，输入层的阈值为bj，隐藏层到输出层的连接权值为w
jk
，输出层的阈值为bk。
[0062]
(2)隐藏层输出值sj的计算：根据输出变量x，输入层到隐藏层之间的连接权值和阈值为w
ij
和bj，计算隐藏层输出值sj。公式如下
[0063][0064]
式中：i为第i个输入层神经元(i＝1，2，3，4，
……
，m)；j为第j个隐藏层神经元(j＝1，2，3，4，
……
，n)；f函数是隐藏层输入与输出间的激励函数，常用log-sigmoid函数或tan-sigmoid函数。
[0065]
(3)输出层输出值yk的计算：根据隐藏层输出值sj，隐藏层到输出层之间的连接权值和阈值w
jk
和bk，计算输出层输出值yk。公式如下
[0066][0067]
式中：k为第k个输出层神经元(k＝1，2，3，4，
……
，l)；g函数为输出层的传递函数，常用purelin函数和tan-sigmod函数。
[0068]
(4)误差计算：根据实际输出值yk和期望输出值ok，计算节点输出误差e。
[0069]
公式如下
[0070][0071]
总误差e的计算公式如下
[0072][0073]
式中：p为节点总数；ε为收敛误差；er为第r个节点误差(r＝1，2，3，4，
……
，p)
[0074]
(5)权值和阈值修正：输出层和隐藏层之间的连接权值和阈值修正公式如下
[0075][0076][0077]
式中：t为迭代次数；γ为步长；δk为输出层至隐藏层之间的误差，计算公式如下
[0078]
δk＝(o
k-yk)yk(1-yk)
[0079]
隐藏层到输入层之间连接权值和阈值的修正公式如下
[0080][0081][0082]
式中：δk为隐藏层到输入层之间的误差，计算公式如下
[0083][0084]
粒子群算法优化bp神经网络具体方法
[0085]
pso粒子群算法是一种采用群体搜索方法最优阈值和初始值的全局优化算法，将问题中的每一个解都看作一个粒子，每个粒子都有相应的适应度值，粒子通过自身或其他粒子间的相互作用来进行位置的动态调整从而找到最佳的粒子位置并对参数进行优化得到最优解。根据图可以看出粒子群算法优化bp神经网络对建筑结构受力的预测的具体步骤如下：
[0086]
(1)pso粒子群参数和bp神经网络参数的初始选定，根据bp神经网络的结构来确定粒子群的规模。
[0087]
(2)通过bp神经网络产生的误差来确定粒子群的适应度函数。
[0088]
(3)计算并比较粒子的适应度值，找到最优的粒子位置。
[0089]
(4)通过粒子群算法得到最优解来优化bp神经网路的权值。
[0090]
(5)pso-bp神经网络得到预测结果，评估结构的受力状况。
[0091]
数据节点单片机内置程序部分为：
[0092]
1.调用esp32芯片中内置wifi模块
[0093]
2.使用异步udp传输协议
[0094]
3.确定传感器输入端口数量
[0095]
4.确定预警蜂鸣器布置
[0096]
5.设定初始报警阈值
[0097]
6.设定连接的wifi账号及密码
[0098]
7.创建udp连接对象
[0099]
8.确定本地端口号
[0100]
9.确定udp数据来源类型、远端地址及端口号、目标地址及端口号、数据长度、数据内容。
[0101]
10.判断输入信号是否达到阈值，达到阈值则激发蜂鸣器预警
[0102]
eps32具有内置的wifi模块可以稳定传输信号数据。可以实现数据双向传播，可以通过vscode对芯片上的程序根据实际情况实时调整，例如阈值的大小，wifi账号的选择。
[0103]
本发明芯片写入程序作为无线数据传输节点，然后引用了bp神经网络算法到后面的数据处理当中作为一整套健康监测系统。
[0104]
单片机上的代码为：
[0105]
[0106]
[0107]
[0108]
[0109][0110]
pos-bp神经网络预测墙体受力状况可靠性验证如下：
[0111]
为验证粒子群改进的bp神经网络可以很好的预测墙体的受力状况，选用eps格构式有限元墙体模型为样例，分析根据墙体危险点应变值预测墙体整体的受力状况。选取墙体中四个危险点，提取不同受力状况下的应变值，即输入层神经元个数为4。由于格构式墙体在实际使用中主要起到抗剪切应力的作用，因此主要观察侧向受力状况，即输出层神经
元个数为1。为了使pos-bp神经网络有良好的性能，需要选择适合的隐藏层节点数，若隐藏层选择的节点数过多，会使网络结构的灵敏度度过高，导致出现过拟合现象，若节点数过少，又会降低网络结构的容错性。根据经验公式确定pos-bp神经网络隐藏层神经元节点数取值范围，再通过试算确定最优节点数，最终确定本文采用输入层神经元个数为4，隐藏层神经元个数为5，输出层神经元个数为1的pos-bp神经网络拓扑结构，如图4。
[0112][0113]
式中：n1为隐藏层数，n为输入层，m为输出层的个数，a为[1-10]常数。
[0114]
为了验证pos-bp神经网络对格构式墙体受力情况预测的精度，提取27组模拟数据来作为训练集，选取3组数据作为测试集进行验算，预测值如真实值的对比如图所示，图中可见三组预测值与真实值的误差皆比较小，百分比误差皆小于2％，预测精度优异。进一步分析误差，拟合优度r2是回归直线对观测值的拟合程度。评定拟合优度的统计量是可决系数r2(确定系数)。r2的范围再0到1之间。当r2趋近于1时，说明拟合程度越好；反之，r2趋近于0时，拟合程度越差。图5可见，r2为0.99952，说明pos-bp神经网络计算的预测值拟合程度较好，预测精度较高，具有作为终端算法评估格构式墙体受力状况及建筑健康监测、安全评估的能力，是适用于建筑健康监测系统的优异终端算法。
[0115][0116]
附表全部数据
[0117][0118][0119]
可以理解的是，以上关于本发明的具体描述，仅用于说明本发明而并非受限于本
发明实施例所描述的技术方案，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换，以达到相同的技术效果；只要满足使用需要，都在本发明的保护范围之内。

相关知识

古建筑结构健康监测方案
绿色建筑室内环境监测系统
环境监测系统建设的政策背景！
居住室内健康环境监测系统构建及应用研究
“独居老人”健康监测系统设计
设备健康监测系统
绿色建筑成为建筑行业的发展趋势，楼宇自控系统为绿建助力
结构健康监测系统设计标准(征求意见稿)
面向健康智能家居的生理参数监测系统研制
室内环境监测系统1

网址: 建筑健康监测系统 https://www.trfsz.com/newsview336839.html