建筑物数据采集与智能化监测方法及云平台系统

本发明涉及建筑物数据采集与智能化监测自动化装备，具体涉及一种建筑物数据采集与智能化监测方法及云平台系统。

背景技术：

1、随着城镇化建设的持续推进，各类基础设施建设也在日趋完善，建筑因本身质量以及环境因素的影响，很多都存在一定的安全隐患，并且随着时间的不断推移，建筑物的安全性和稳定性也在持续下降。为避免发生建筑物坍塌、垮塌等安全事故，应对各类建筑物进行监测预警确保建筑物安全问题能够及时发现和处理。因此，对基于物联网技术的建筑物参数采集与智能监测进行研究，将有着一定现实意义。本专利所设计的建筑物数据采集与智能化监测方法及云平台系统应用了物联网技术、传感器技术以及智能控制技术，传感器主要负责探测和收集建筑物及其周边环境各类基础数据信息，并将收集到的数据信息经过初步处理后发送给云平台；无线传感网络主要负责数据的接收、传递和各设备模块之间的无线连接实现各模块之间数据交互的重要桥梁；终端主要有现场监控端和移动端app作为建筑物监测的人机交互界面，操作人员不仅可以通过终端对建筑物监测进行实时控制，还可以在界面中实时查看各类统计数据，同时终端也负责提供预警、风险警告等功能。

技术实现思路

1、本发明目的是建筑因本身质量以及环境因素的影响，存在一定的安全隐患，建筑物的安全性和稳定性也在持续下降；本技术技术方案可最大程度避免发生建筑物坍塌、垮塌等安全事故，应对各类建筑物进行监测预警确保建筑物安全问题能够及时发现和处理。

2、为解决上述问题，本发明采用如下的技术方案：

3、一、建筑物数据采集与智能化监测方法：

4、1、构建参数处理模块，参数处理模块包括降噪编码器-pso的cnn卷积神经网络模型、减法聚类分类器、pso的递归模糊小波神经网络模型、pso的narx神经网络模型、bigru神经网络模型-arima时间序列模型、bigru神经网络模型-pso的narx神经网络模型、tdl按拍延迟线、动态三角模糊数的bigru神经网络模型-pso的递归模糊小波神经网络模型；参数处理模块结构见图1所示。

5、2、多个参数传感器输出值分别作为多个降噪编码器-pso的cnn卷积神经网络模型的多个对应输入，多个降噪编码器-pso的cnn卷积神经网络模型输出值分别作为减法聚类分类器和多个bigru神经网络模型-arima时间序列模型的输入，减法聚类分类器输出的3个类型的降噪编码器-pso的cnn卷积神经网络模型输出值分别作为pso的递归模糊小波神经网络模型1、pso的递归模糊小波神经网络模型2和pso的递归模糊小波神经网络模型3的对应输入，pso的递归模糊小波神经网络模型1与pso的递归模糊小波神经网络模型2的输出时间序列差和pso的递归模糊小波神经网络模型2与pso的递归模糊小波神经网络模型3的输出时间序列差分别作为pso的narx神经网络模型1和pso的narx神经网络模型2的输入，pso的narx神经网络模型1和pso的narx神经网络模型2的输出分别作为tdl按拍延迟线1和tdl按拍延迟线2的对应输入，tdl按拍延迟线1和tdl按拍延迟线2的输出分别作为动态三角模糊数的bigru神经网络模型-pso的递归模糊小波神经网络模型的对应输入；多个bigru神经网络模型-arima时间序列模型的输出值作为bigru神经网络模型-pso的narx神经网络模型的多个对应输入，bigru神经网络模型-pso的narx神经网络模型输出作为tdl按拍延迟线3输入，tdl按拍延迟线3输出作为动态三角模糊数的bigru神经网络模型-pso的递归模糊小波神经网络模型的对应输入，动态三角模糊数的bigru神经网络模型-pso的递归模糊小波神经网络模型输出作为tdl按拍延迟线4的输入，tdl按拍延迟线4输出分别作为动态三角模糊数的bigru神经网络模型-pso的递归模糊小波神经网络模型、pso的narx神经网络模型1、pso的narx神经网络模型2和bigru神经网络模型-pso的narx神经网络模型的对应输入，动态三角模糊数的bigru神经网络模型-pso的递归模糊小波神经网络模型输出的五个参数分别为i、j、k、l、m构成传感器检测参数的动态三角模糊数值[(i，j)，k，(l，m)]作为参数处理模块输出；

6、3、构建建筑物变形大数据监测子系统，建筑物变形大数据检测子系统包括参数处理模块、动态三角模糊数的bigru神经网络模型-pso的递归模糊小波神经网络模型、tdl按拍延迟线、动态三角模糊数的bigru神经网络模型-模糊最小二乘支持向量机模型；建筑物变形大数据监测子系统结构见图2所示。

7、4、多个沉降传感器输出作为参数处理模块1的输入，参数处理模块1输出分别作为动态三角模糊数的bigru神经网络模型-pso的递归模糊小波神经网络模型1和动态三角模糊数的bigru神经网络模型-pso的递归模糊小波神经网络模型2的对应输入；多个倾侧传感器输出作为参数处理模块2的输入，参数处理模块2输出分别作为动态三角模糊数的bigru神经网络模型-pso的递归模糊小波神经网络模型2和动态三角模糊数的bigru神经网络模型-pso的递归模糊小波神经网络模型3的对应输入；多个扰度传感器输出作为参数处理模块3的输入，参数处理模块3输出作为动态三角模糊数的bigru神经网络模型-pso的递归模糊小波神经网络模型3的对应输入；动态三角模糊数的bigru神经网络模型-pso的递归模糊小波神经网络模型1、动态三角模糊数的bigru神经网络模型-pso的递归模糊小波神经网络模型2和动态三角模糊数的bigru神经网络模型-pso的递归模糊小波神经网络模型3的输出分别tdl按拍延迟线1、tdl按拍延迟线2和tdl按拍延迟线3的输入，tdl按拍延迟线1、tdl按拍延迟线2和tdl按拍延迟线3的输出分别作为动态三角模糊数的bigru神经网络模型-模糊最小二乘支持向量机模型的对应输入，动态三角模糊数的bigru神经网络模型-模糊最小二乘支持向量机模型输出作为tdl按拍延迟线4的输入，tdl按拍延迟线4输出分别作为动态三角模糊数的bigru神经网络模型-pso的递归模糊小波神经网络模型1、动态三角模糊数的bigru神经网络模型-pso的递归模糊小波神经网络模型2、动态三角模糊数的bigru神经网络模型-pso的递归模糊小波神经网络模型3和动态三角模糊数的bigru神经网络模型-模糊最小二乘支持向量机模型的对应输入，动态三角模糊数的bigru神经网络模型-模糊最小二乘支持向量机模型输出的五个参数分别为a、b、c、d、e构成建筑物变形等级的动态三角模糊数值为[(a，b)，c，(d，e)]；动态三角模糊数值[(a，b)，c，(d，e)]分别对应建筑物变形等级五种状态分别为变形很严重、较严重、比较小、变形小和正常。

8、二、建筑物数据采集与智能化监测云平台系统

9、检测节点采集建筑物变形参数经网关节点上传到云平台，并利用云平台提供的数据给客户端app，客户端app通过云平台提供的建筑物变形信息可实时监测建筑物变形等级参数和调节控制节点的外部设备，检测节点和控制节点负责采集建筑物变形参数信息和控制环境调节设备，通过网关节点实现检测节点、控制节点、现场监控端、云平台和客户端app的双向通信，实现建筑物变形参数采集和建筑物状态监测。建筑物数据采集与智能化监测云平台系统结构见图3所示。

10、检测节点通过自组织通信网络实现与网关节点之间的信息相互交互，检测节点包括采集建筑物沉降、倾侧、扰度、位移、裂缝、环境参数的传感器和对应的信号调理电路、图像传感器、stm32微处理器和5g模块。检测节点结构见图4所示。

11、相比于现有技术，本发明具有以下明显优点：

12、一、本发明针对建筑物参数测量过程中，传感器精度误差、干扰和测量温度值异常等问题存在的不确定性和随机性，本发明专利将建筑物参数的传感器测量值用动态三角模糊数值形式表示，有效地处理了建筑物传感器测量值的模糊性和不确定性，提高了建筑物参数传感器融合值的客观性和可靠性。

13、二、本发明利用pso的narx神经网络模型建立建筑物参数预测模型，由于通过引入延时模块及输出反馈建立模型的动态递归网络，它将建筑物参数的输入和输出向量延时反馈引入pso的narx神经网络模型训练中，形成新的pso的narx神经网络模型输入向量，具有良好的非线性映射能力，pso的narx神经网络模型的输入不仅包括原始建筑物参数输入数据，还包含经过训练后的pso的narx神经网络模型输出数据，pso的narx神经网络模型的泛化能力得到提高，使其在非线性建筑物参数预测中较传统的静态神经网络具有更好的预测精度和自适应能力。

14、三、本发明采用arima时间序列模型基于建筑物数据的原始数据服从时间序列分布，利用bigru神经网络模型输出的建筑物数据变化均具有一定惯性趋势的原理，整合了bigru神经网络模型输出建筑物数据的趋势因素、周期因素和随机误差等因素的建筑物数据的原始时间序列变量，通过差分数据转换等方法将非平稳序列转变为零均值的平稳随机序列，通过反复识别和模型诊断比较并选择理想的模型进行建筑物数据数值拟合和预测。该方法结合了自回归和移动平均方法的长处，具有不受数据类型束缚和适用性强的特点，arima时间序列模型是一种预测建筑物数据效果较好的模型。

15、四、本发明bigru神经网络模型可以被为两个具有相反方向的gru神经网络模型构成，建筑物数据信息输入bigru神经网络模型总是会对应2个方向相反的gru神经网络模型，同时输出也受到2个方向相反的gru神经网络模型的影响。双向bigru神经网络模型的隐层状态主要取决于现在建筑物数据信号输入、前一时刻检测信号对应的隐层状态的输出及检测信号不同方向的隐层状态的输出，提高了建筑物数据信息预测的准确性、可靠性和鲁棒性。

16、五、本发明为了减少建筑物数据的奇异点和噪声对支持向量机模型的影响，本专利通过引入模糊隶属度对近似支持向量机进行改进，提出了模糊最小二乘支持向量机模型，这一模型保留了支持向量机泛化能力强，容易求解的优点，而且能够克服奇异点和噪声对近似支持向量机模型的影响，为了验证模糊支持向量机的效果，本专利通过实例数据进行实证研究，通过实验结果的比对，可以发现与支持向量机相比，模糊最小二乘支持向量机模型具有更好的泛化能力，能够显著地减少总体错误率，同时一定程度提高了建筑物变形分类的准确度。