一种智能结构检测方法和系统技术方案

本发明专利技术提供了一种智能结构检测方法和系统，包括，基于遗传算法和神经网络，确定传感器布置方案；基于所述传感器布置方案在监测目标上布置传感器，并获取监测数据；将所述监测数据输入预测模型，模型预测未来时间段的预测数据；基于所述预测数据，确定所述监测目标未来的结构是否会出现问题；若是，基于所述预测数据，提前进行多级预警；为结构的安全使用和维护工作提供参考,达到降低维护费用,预报灾难性事件的发生并将损失降低至最小的目的。性事件的发生并将损失降低至最小的目的。性事件的发生并将损失降低至最小的目的。

【技术实现步骤摘要】
一种智能结构检测方法和系统


[0001]本专利技术涉及智能检测
，具体而言，涉及一种智能结构检测方法和系统。

技术介绍

[0002]随着结构日益向大型化、复杂化和智能化发展,结构监测技术的内容逐渐向结构损伤检测、损伤评估、结构寿命预测乃至结构损伤的自动修复等方面发展。结构健康监测的前提是从工程结构中提取能够反映结构特征的参数信号,如应力、应变、温度、变形、速度、加速度、位移等局部或整体信号,然后利用合理有效的信息处理方法从采集的原始数据中提取结构损伤和老化信息,对结构所承受的载荷和结构运营状况进行监测,为结构的安全使用和维护工作提供参考,达到降低维护费用,预报灾难性事件的发生并将损失降低至最小的目的。
[0003]为了实现上述目标，本申请提出了一种智能结构检测方法和系统。

技术实现思路

[0004]本专利技术的目的在于提供一种智能结构检测方法，包括，基于遗传算法和神经网络，确定传感器布置方案；基于所述传感器布置方案在监测目标上布置传感器，并获取监测数据；将所述监测数据输入预测模型，模型预测未来时间段的预测数据；基于所述预测数据，确定所述监测目标未来的结构是否会出现问题；若是，基于所述预测数据，提前进行多级预警。
[0005]进一步的，所述确定传感器布置方案，包括，基于所述监测目标上待布置传感器的节点，得到多种初始传感器布置方案；基于遗传算法，筛选和处理所述多种初始传感器布置方案，得到多种最优传感器布置方案；基于所述多种最优传感器布置方案，确定所述传感器布置方案。
[0006]进一步的，得到所述预测模型，包括，基于所述多种最优传感器布置方案，得到最优权值和最优阈值；基于所述最优权值和所述最优阈值，构建初始预测模型；获取历史监测数据，基于所述历史监测数据获取训练样本和标签；将所述训练样本输入所述初始预测模型，基于模型的输出和所述标签构建损失函数，调整模型的参数，得到训练好的预测模型。
[0007]进一步的，确定所述监测目标未来的结构是否会出现问题，包括，确定三级预警阈值；将所述预测数据与所述三级预警阈值进行比较，确定所述监测目标的未来结构是否会出现问题。
[0008]进一步的，所述基于所述预测数据，提前进行多级预警，包括，基于所述预测数据触发的所述三级预警阈值的级别和次数，进行多级预警。
[0009]本专利技术的目的在于提供一种智能结构检测系统，包括，传感器布置优化模块、数据获取模块、预测模块、确定模块和预警模块；所述传感器布置优化模块用于基于遗传算法和神经网络，确定传感器布置方案；所述数据获取模块用于基于所述传感器布置方案在监测目标上布置传感器，并获取监测数据；所述预测模块用于将所述监测数据输入预测模型，模
型预测未来时间段的预测数据；所述确定模块用于基于所述预测数据，确定所述监测目标未来的结构是否会出现问题；所述预警模块用于在确定所述监测目标未来的结构会出现问题后，基于所述预测数据，提前进行多级预警。
[0010]进一步的，所述传感器布置优化模块还用于，基于所述监测目标上待布置传感器的节点，得到多种初始传感器布置方案；基于遗传算法，筛选和处理所述多种初始传感器布置方案，得到多种最优传感器布置方案；基于所述多种最优传感器布置方案，确定所述传感器布置方案。
[0011]进一步的，得到所述预测模型，包括，基于所述多种最优传感器布置方案，得到最优权值和最优阈值；基于所述最优权值和所述最优阈值，构建初始预测模型；获取历史监测数据，基于所述历史监测数据获取训练样本和标签；将所述训练样本输入所述初始预测模型，基于模型的输出和所述标签构建损失函数，调整模型的参数，得到训练好的预测模型。
[0012]进一步的，所述确定模块还用于，确定三级预警阈值；将所述预测数据与所述三级预警阈值进行比较，确定所述监测目标的未来结构是否会出现问题。
[0013]进一步的，所述预警模块还用于，基于所述预测数据触发的所述三级预警阈值的级别和次数，进行多级预警。
[0014]本专利技术实施例的技术方案至少具有如下优点和有益效果：
[0015]本说明书中的一些实施例，通过神经网络内嵌遗传算法，可以根据预算的传感器数量逐步筛选出最适合的传感器位置，再通过传感器测量得到的数据进行整体预测，得到所需要的最全面、最可靠的数据。
[0016]本说明书中的一些实施例，设计了次预警，通过神经网络将实时数据处理得到下一时间段的预测值，可在损伤来临之前做到真正的预警。
[0017]本说明书中的一些实施例，设计了综合预警，通过在一定时间范围内的超越与否及超越次数进行综合评判实现综合预警，可做出及时准确的警报。
附图说明
[0018]图1为本专利技术一些实施例提供的一种智能结构检测方法的示例性流程图；
[0019]图2为本专利技术一些实施例提供的一种智能结构检测系统的示例性模块图。
具体实施方式
[0020]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。
[0021]图1为本专利技术一些实施例提供的一种智能结构检测方法的示例性流程图。在一些实施例中，流程100可以由系统200执行。如图1所示，流程100可以包括以下步骤：
[0022]步骤110，基于遗传算法和神经网络，确定传感器布置方案。在一些实施例中，步骤110可以由传感器布置优化模块210执行。
[0023]传感器布置方案可以为在传感器数量一定的情况下，最能获取监测目标整体工作状态的传感器的布置方案。
[0024]传感器可以包括温湿度传感器、风速风向传感器、位移传感器、应变传感器、加速度传感器等中的一种或多种。
[0025]在一些实施例中，可以通过有限元计算、神经网络遗传算法优化以及神经网络输出，得到传感器布置方案。例如，可以通过神经网络内嵌遗传算法的方法根据预算的传感器数量逐步筛选出最适合的传感器位置，再通过传感器得到的监测数据进行整体预测，得到最全面、最可靠的数据。
[0026]在一些实施例中，确定传感器布置方案，包括，基于监测目标上待布置传感器的节点，得到多种初始传感器布置方案。例如，可以通过有限元软件对监测目标进行建模分析，得到监测目标上可以布置传感器的所有节点。基于传感器的数量从所有节点中随机选取部分节点作为一种布置方案，通过多次选取可以得到多种布置方案，通过随机选取的多种布置方案可以被认为是初始传感器布置方案。
[0027]基于遗传算法，筛选和处理所述多种初始传感器布置方案，得到多种最优传感器布置方案。最优的传感器布置方案可以是指最适应神经网络的传感器的布置方案。
[0028]在一些实施例中，可以将每个初始传感器布置方案作为个体，将多个初始传感器布置方案作为种群，通过遗传算法对个体和种群进行处理，得到最优的传感器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能结构检测方法，其特征在于，包括，基于遗传算法和神经网络，确定传感器布置方案；基于所述传感器布置方案在监测目标上布置传感器，并获取监测数据；将所述监测数据输入预测模型，模型预测未来时间段的预测数据；基于所述预测数据，确定所述监测目标未来的结构是否会出现问题；若是，基于所述预测数据，提前进行多级预警。2.根据权利要求1所述的智能结构检测方法，其特征在于，所述确定传感器布置方案，包括，基于所述监测目标上待布置传感器的节点，得到多种初始传感器布置方案；基于遗传算法，筛选和处理所述多种初始传感器布置方案，得到多种最优传感器布置方案；基于所述多种最优传感器布置方案，确定所述传感器布置方案。3.根据权利要求1所述的智能结构检测方法，其特征在于，得到所述预测模型，包括，基于所述多种最优传感器布置方案，得到最优权值和最优阈值；基于所述最优权值和所述最优阈值，构建初始预测模型；获取历史监测数据，基于所述历史监测数据获取训练样本和标签；将所述训练样本输入所述初始预测模型，基于模型的输出和所述标签构建损失函数，调整模型的参数，得到训练好的预测模型。4.根据权利要求1所述的智能结构检测方法，其特征在于，确定所述监测目标未来的结构是否会出现问题，包括，确定三级预警阈值；将所述预测数据与所述三级预警阈值进行比较，确定所述监测目标的未来结构是否会出现问题。5.根据权利要求4所述的智能结构检测方法，其特征在于，所述基于所述预测数据，提前进行多级预警，包括，基于所述预测数据触发的所述三级预警阈值的级别和次数，进行多级预警。6.一种智能结构检测系统，其特征在于，包括，传感器布置优化模块、数据获取模块、预测模...

【专利技术属性】
技术研发人员：郭兴鹏，梁栋，林峰，曾伟，周殷弘，凌永恒，王保栋，刘东，尹鹏，黄建国，姚超，刘宁宇，魏国强，
申请(专利权)人：中国建筑第八工程局有限公司，
类型：发明
国别省市：