建筑健康监测系统技术方案

建筑健康监测系统属于健康监测技术领域，尤其涉及一种建筑健康监测系统。本发明专利技术提供一种建筑健康监测系统。本发明专利技术包括前端传感器、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。康状况的评估。康状况的评估。

【技术实现步骤摘要】
建筑健康监测系统


[0001]本专利技术属于健康监测
，尤其涉及一种建筑健康监测系统。

技术介绍

[0002]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。
[0003]本专利技术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。

技术实现思路

[0004]本专利技术就是针对上述问题，提供一种建筑健康监测系统。
[0005]为实现上述目的，本专利技术采用如下技术方案，本专利技术包括前端传感器、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。
[0006]作为一种优选方案，本专利技术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。
[0007]作为另一种优选方案，本专利技术所述BP神经网络对建筑结构受力的预测的具体步骤如下：
[0008]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；
[0009]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；
[0010]3)计算并比较粒子的适应度值，找到最优的粒子位置；
[0011]4)通过粒子群算法得到最优解来优化BP神经网路的权值；
[0012]5)PSO
‑
BP神经网络得到预测结果，评估结构的受力状况。
[0013]作为另一种优选方案，本专利技术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。
[0014]其次，本专利技术所述粒子群优化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，本专利技术所述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b
j
，隐藏层到输出层的连接权值为w
jk
，输出层的阈值为b
k
。
[0017](2)隐藏层输出值s
j
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b
j
，计算隐藏层输出值s
j
。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y
k
的计算：根据隐藏层输出值s
j
，隐藏层到输出层之间的连接权值和阈值w
jk
和b
k
，计算输出层输出值y
k
。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y
k
和期望输出值o
k
，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；e
r
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；δ
k
为输出层至隐藏层之间的误差，计算公式如下
[0033]δ
k
＝(o
k
‑
y
k
)y
k
(1
‑
y
k
)
[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：δ
k
为隐藏层到输入层之间的误差，计算公式如下
[0038][0039]本专利技术有益效果。
[0040]本专利技术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专利技术做进一步说明。本专利技术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。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.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，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。2.根据权利要求1所述建筑健康监测系统，其特征在于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。3.根据权利要求1所述建筑健康监测系统，其特征在于所述BP神经网络对建筑结构受力的预测的具体步骤如下：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；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；3)计算并比较粒子的适应度值，找到最优的粒子位置；4)通过粒子群算法得到最优解来优化BP神经网路的权值；5)PSO
‑
BP神经网络得到预测结果，评估结构的受力状况。4.根据权利要求1所述建筑健康监测系统，其特征在于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。5.根据权利要求1所述建筑健康监测系统，其特征在于所述粒子群优化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。6.根据权利要求1所述建筑健康监测系统，其特征在于所述BP神经网络工作具体步骤如下：(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b
j
，隐藏层到输出层的连接...

【专利技术属性】
技术研发人员：王铎，杨璐，刘贵立，杨宏旭，崔雨萌，齐博，赵婉蓉，刘华，
申请(专利权)人：沈阳工业大学，
类型：发明
国别省市：