基于分布式安全计算的工程建筑状态监测方法技术

一种基于分布式安全计算的工程建筑状态监测方法，包括以下步骤：1)：基于Stockwell变换核密度估计的工程建筑传感数值处理；2)：基于联邦学习的工程建筑状态传感参数私有链构建；3)：基于长短时记忆神经网络的工程建筑风险预测模型，在中心云服务器实现，包括两个步骤：a.采用小波包分解方法，对工程建筑边缘端数据采集设备边缘端上传数据进行预处理；b.将剔除后的剩余12个小波包分解频段节点信号累加重构，作为长短时记忆神经网络的输入；长短时记忆神经网络的输出层输出5个二值化的标签参数，用以指示被监测的工程建筑状态。本发明专利技术确保工程建筑状态传感参数的隐私性，保证工程建筑边缘端数据采集设备的安全可靠。建筑边缘端数据采集设备的安全可靠。建筑边缘端数据采集设备的安全可靠。

【技术实现步骤摘要】
基于分布式安全计算的工程建筑状态监测方法


[0001]本专利技术涉及一种基于分布式安全计算的工程建筑状态监测方法。

技术介绍

[0002]近年来，意外自然灾害及工程质量问题的事件频发，使得人们对建筑日常维护检查、风险监测重视程度的日益增加，楼宇建筑状态监测和风险感知成为了保障楼宇安全的必要技术手段。随着物联网技术飞速发展，其在楼宇建筑结构参数的实时监测应用已成为了研究热点。现有物联网监测方法大多将采集到的楼宇状态参数(如倾角、应力、裂缝位移)统一传输到云端的中心服务器并存储管理，采用统计学手段对监测数据进行特征提取，最后机器学习、深度学习等方法构建楼宇的安全模型并进行风险预警。在该监测技术在实际使用时存在以下问题：第一，对于重大的国家关键基础设备(如水电站、大坝)而言，若由中心服务集中存储表征其建筑工程结构安全的状态传感参数，极易出现隐私泄露等问题；第二，物联网边缘端提供数据采集功能的边缘设备本身存在可信问题，特别在进行传感数据运算时，存在安全隐患问题。

技术实现思路

[0003]针对上述问题，本专利技术提出了一种基于分布式安全计算的工程建筑状态监测方法，通过私有数据链，实现原始数据不离开本地边缘端设备的训练，避免数据集中处理带来的风险隐私泄露，然后，利用无证书加密方法实现工程建筑边缘端数据采集设备的身份验证，保证边缘端数据节点的可信。
[0004]本专利技术解决其技术问题所采用的技术方案是：
[0005]一种基于分布式安全计算的工程建筑状态监测方法，包括以下步骤：
[0006]步骤1)：基于Stockwell变换核密度估计的工程建筑传感数值处理，过程如下：
[0007]在工程建筑数据采集设备的边缘端，对于采集的工程建筑监测传感数据，定义为x(t)，对其进行Stockwell变换，得到二维Stockwell 变换时频谱；
[0008]采用核密度估计对所述二维Stockwell变换时频谱|S(i,j)|进行核密度估计，得到核密度函数
[0009]步骤2)：基于联邦学习的工程建筑状态传感参数私有链构建，过程如下：
[0010]为了获得具有理想的工程建筑状态监测感知预测模型，将工程建筑边缘端数据采集设备与云端中心服务器进行多次通信迭代进行模型参数更新，采用间接协作的模型学习架构，所述数据采集设备在本地更新模型参数后，不直接向所述云端中心服务器上传训练模型的参数；每次所述工程建筑边缘端数据采集设备与所述云端中心服务器通信交互模型参数时，利用K均值算法对所述工程建筑边缘端数据采集设备边缘端的参数进行聚类，通过K均值聚类算法查找异常分布的数据点，并视作物联网端的异常攻击数据，予以剔除；
[0011]而后，为了避免所述通信迭代过程数据被逆向追踪推理，引入差分隐私策略，通过向工程建筑边缘端上传数据添加拉普拉斯噪声，将原始数据进行隐匿，构建保护所述工程
建筑边缘端数据采集设备隐私的联邦学习环境；
[0012]步骤3)：基于长短时记忆神经网络的工程建筑风险预测模型，在中心云服务器实现，包括两个步骤：
[0013]a.采用小波包分解方法，对所述工程建筑边缘端数据采集设备边缘端上传数据进行预处理，其中，小波包层数选为4层，小波包节点为16个，母小波函数选为meryer小波，经小波包分解后，计算各个频段节点与原始信号的层间相关系数，将计算得到的层间相关系数进行排序，剔除相关系数最小的4个频段节点；
[0014]b.将剔除后的剩余12个小波包分解频段节点信号累加重构，作为长短时记忆神经网络的输入；长短时记忆神经网络包含3个隐藏层，每个隐藏层由28个节点，每层的参数由调试优化获得；长短时记忆神经网络的输出层输出5个二值化的标签参数，用以指示被监测的工程建筑状态，对应为安全、低风险、中风险、高风险、危急。
[0015]进一步，所述步骤1)中，Stockwell变换公式为：
[0016][0017]其中，t是信号的时域参数，f是信号的频域参数，而后对其进行离散化，对于采样长度为N的工程建筑监测传感数据，其离散化定义为x(k)，对应的Stockwell变换时频谱为|S(i,j)|为二维变量，其中，i 对应采样的时间序列，取值为1,2
…
,N，j对应采样的频率序列，取值为1,2
…
,N/2；
[0018]采用核密度估计对所述二维Stockwell变换时频谱|S(i,j)|进行核密度估计，得到核密度函数定义如下：
[0019][0020]其中，si为二维变量Stockwell变换时频谱|S(i,j)|的行向量，核函数α
H
定义如下，
[0021][0022][0023]H为对称正定矩阵；
[0024]经过核密度估计处理后的二维Stockwell变换时频谱可以有效抑制所述工程建筑监测传感数据中的背景噪声部分，防止由噪声数据引起的误报警事件，同时又可以增强表征工程建筑结构异常的信号特征，如楼宇异常倾斜，结构应力突变等事件。
[0025]本专利技术的技术效果如下：
[0026]1)采用间接协作的模型学习架构与差分隐私策略，确保工程建筑状态传感参数的隐私性，保证工程建筑边缘端数据采集设备的安全可靠。
[0027]2)采用S变换和二维核密度估计方法对工程建筑监测传感数据进行预处理，可以有效抑制传感数据中的背景噪声部分，防止由噪声数据引起的误报警事件，同时又可以增强表征工程建筑结构异常的信号特征。
附图说明
[0028]图1是基于分布式安全计算的工程建筑状态监测方法流程示意图。
[0029]图2是基于Stockwell变换核密度估计的工程建筑传感数值处理方法流程示意图。
具体实施方式
[0030]下面结合附图对本专利技术做进一步说明。
[0031]参照图1和图2，一种基于分布式安全计算的工程建筑状态监测方法，所述基于分布式安全计算的工程建筑状态监测方法包括基于 Stockwell变换核密度估计的工程建筑传感数值处理方法，基于联邦学习的工程建筑状态传感参数私有链构建过程，基于长短时记忆神经网络的工程建筑风险预测模型。
[0032]所述方法包括以下步骤：
[0033]步骤1)：基于Stockwell变换核密度估计的工程建筑传感数值处理，过程如下：
[0034]在工程建筑数据采集设备的边缘端，对于采集的工程建筑监测传感数据(如倾角、应力)，定义为x(t)，对其进行Stockwell变换，可得到二维Stockwell变换时频谱：
[0035][0036]其中，t是信号的时域参数，f是信号的频域参数，而后对其进行离散化，对于采样长度为N的工程建筑监测传感数据，其离散化定义为x(k)，对应的Stockwell变换时频谱为|S(i,j)|为二维变量，其中，i 对应采样的时间序列，取值为1,2
…
,N，j对应采样的频率序列，取值为1,2
…
,N/2；
[0037]采用核密度估计对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分布式安全计算的工程建筑状态监测方法，其特征在于，所述方法包括以下步骤：步骤1)：基于Stockwell变换核密度估计的工程建筑传感数值处理，过程如下：在工程建筑数据采集设备的边缘端，对于采集的工程建筑监测传感数据，定义为x(t)，对其进行Stockwell变换，得到二维Stockwell变换时频谱；采用核密度估计对所述二维Stockwell变换时频谱|S(i,j)|进行核密度估计，得到核密度函数步骤2)：基于联邦学习的工程建筑状态传感参数私有链构建，过程如下：将工程建筑边缘端数据采集设备与云端中心服务器进行多次通信迭代进行模型参数更新，采用间接协作的模型学习架构，所述数据采集设备在本地更新模型参数后，不直接向所述云端中心服务器上传训练模型的参数；每次所述工程建筑边缘端数据采集设备与所述云端中心服务器通信交互模型参数时，利用K均值算法对所述工程建筑边缘端数据采集设备边缘端的参数进行聚类，通过K均值聚类算法查找异常分布的数据点，并视作物联网端的异常攻击数据，予以剔除；引入差分隐私策略，通过向工程建筑边缘端上传数据添加拉普拉斯噪声，将原始数据进行隐匿，构建保护所述工程建筑边缘端数据采集设备隐私的联邦学习环境；步骤3)：基于长短时记忆神经网络的工程建筑风险预测模型，在中心云服务器实现，包括两个步骤：a.采用小波包分解方法，对所述工程建筑边缘端数据采集设备边缘端上传数据进行预处理，其中，小波包层数选为4层...

【专利技术属性】
技术研发人员：柴昊祺，洪陈源，吴雨霖，张弈坤，傅雷，朱添田，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：