一种基于MIV-BP的建筑构件质量预测方法及系统技术方案

本发明专利技术提供了一种基于MIV

【技术实现步骤摘要】
一种基于MIV
‑
BP的建筑构件质量预测方法及系统


[0001]本专利技术涉及数据处理
，具体涉及一种基于MIV
‑
BP的建筑构件质量预测方法及系统。

技术介绍

[0002]建筑行业作为城市化进程必不可少的一环，在改善居住环境、提高生活水平方面发挥了极其重要的作用。装配式建筑是指各个组成部分预先在专业的工厂进行生产，生产完成后运输至项目现场进行组装施工的施工技术，装配式建筑施工具有设计标准化、生产工厂化、施工组装装饰一体化、管理信息化和应用智能化的特点。预制构件对装配式建筑物整体的质量有关键影响，确保建筑安全和质量，并有效地减少劳动力，进一步缩短工期，提高效率，大大减少施工过程的资源消耗和浪费。现有技术中对于建筑构件的合格率缺乏精准的预测评估手段，无法保证建筑预制构件的质量从而对建筑施工存在安全或质量隐患。

技术实现思路

[0003]为了解决上述问题，本申请通过提供了一种基于MIV
‑
BP的建筑构件质量预测方法及系统，解决了现有技术中对于建筑构件的合格率缺乏精准的评估预测手段，无法保证建筑构件的质量，从而使建筑施工存在安全或质量隐患的技术问题。达到对输入参数的筛选，弥补了BP神经网络在输入特征参量增多时模型的复杂度，提高了模型的训练效率，精简模型，构建出关键工序工艺参数和成品质量之间的模拟模型，更准确更简便的预测出各类构件的质量合格率，从而确保建筑施工质量的技术效果。
[0004]鉴于上述问题，本申请提供了一种基于MIV
‑<br/>BP的建筑构件质量预测方法及系统。
[0005]一方面，本申请提供了一种基于MIV
‑
BP的建筑构件质量预测方法，所述方法包括：对构件生产的数据进行采集，获得构件监测数据，其中，所述构件监测数据包括工艺参数、质量合格率，基于所述工艺参数、质量合格率构建训练样本，并对所述训练样本进行数据预处理；构建BP神经网络模拟模型，将经过数据预处理的所述训练样本带入所述BP神经网络模拟模型中进行训练，直到满足训练终止条件为止，得到质量预测模型；对所述工艺参数进行数值变换；将数值变换后的工艺参数输入所述质量预测模型中进行运算，获得模型输出结果，其中，模型输出结果为预测质量合格率；根据数值变换后的各工艺参数、所述预测质量合格率，进行数值变换对模型输出结果的影响程度分析，计算得到各工艺参数的影响值，影响值为MIV值；基于MIV绝对值剔除对输出结果影响小的特征参数，对输入参数进行筛选，确定输入工艺参数，将所述输入工艺参数带入所述质量预测模型中进行模型优化，获得优化预测模型，通过所述优化预测模型得到构件质量预测结果。
[0006]优选的，对所述训练样本进行数据预处理，包括：通过公式：，对所述训练样本进行标准化归一转换，其中，样本最小值、样本最大值。
[0007]优选的，构建BP神经网络模拟模型，将经过数据预处理的所述训练样本带入所述
BP神经网络模拟模型中进行训练，直到满足训练终止条件为止，得到质量预测模型，包括：(a):将n个输入参数共m个训练样本中的所有输入参数用P标记，输入参数对应的输出参数用A标记；(b):初始化BP神经网络模拟模型，确定输入层、隐含层、输出层结构，其中，工艺参数作为输入参数、质量合格率作为输出参数，采用公式：确定隐含层神经元数量，其中，n为隐含层的节点数、m为输入层的节点数、l为输出层的节点数、a为[0,10]之间的常数；(c)：根据隐含层节点数、输入层隐含层之间的连接权值、隐含层阈值对输入的训练样本，通过正切S型传递函数进行处理，得到隐含层的输出；(d):隐含层的输出到输出层，通过线性传递函数进行计算，获得模型预测输出；(e):通过模型预测输出与期望输出计算网络预测误差；(f):判断所述网络预测误差是否达到精度要求，当不满足时，基于所述网络预测误差对连接权重进行更新、隐含层阈值进行更新，利用更新后的连接权重、隐含层阈值循环执行(c)
‑
(f)，直到满足所述精度要求为止，或达到最大循环次数为止。
[0008]优选的，所述正切S型传递函数计算公式为：；j=1,2,
…
,l，其中，l为隐含层节点数；为隐含层激励函数；为输入层与隐含层之间的连接权值；为隐含层的阈值；为隐含层的输出。
[0009]优选的，所述线性传递函数计算公式为：；k=1,2,
…
,m，其中，为连接权值；为阈值；为BP神经网络的预测输出。
[0010]优选的，基于所述网络预测误差对连接权重进行更新、隐含层阈值进行更新，包括：根据公式：；i=1,2,
…
,n；j=1,2,
…
,l；；j=1,2,
…
,l；k=1,2,
…
,m对连接权重进行更新，其中，为网络预测误差；根据公式：；j=1,2,
…
,l；；k=1,2,
…
,m更新所述隐含层阈值。
[0011]优选的，对所述工艺参数进行数值变换，包括：设定预设变换量，将P中第i个参数按照设定预设变换量进行数值变换，得到。
[0012]优选的，根据数值变换后的各工艺参数、所述预测质量合格率，进行数值变换对模型输出结果的影响程度分析，计算得到各工艺参数的影响值，影响值为MIV值，包括：获得第i个输出参数变换前预测质量合格率，变换后的预测质量合格率，通过，计算变动产生的影响值；将按照训练样本数进行平均，通过公式；i=1,2,
…
,n，计算获得第i个工艺参数的影响值。
[0013]另一方面，本申请提供了一种基于MIV
‑
BP的建筑构件质量预测系统，所述系统包括：数据获取单元，用于对构件生产的数据进行采集，获得构件监测数据，其中，所述构件监测数据包括工艺参数、质量合格率，基于所述工艺参数、质量合格率构建训练样本，
并对所述训练样本进行数据预处理；模型构建训练单元，用于构建BP神经网络模拟模型，将经过数据预处理的所述训练样本带入所述BP神经网络模拟模型中进行训练，直到满足训练终止条件为止，得到质量预测模型；参数变换单元，用于分别对所述工艺参数进行数值变换；模型运算单元，用于将数值变换后的工艺参数输入所述质量预测模型中进行运算，获得模型输出结果，其中，模型输出结果为预测质量合格率；影响值计算单元，用于根据数值变换后的各工艺参数、所述预测质量合格率，进行数值变换对模型输出结果的影响程度分析，计算得到各工艺参数的影响值，影响值为MIV值；模型优化单元，用于基于MIV绝对值剔除对输出结果影响小的特征参数，对输入参数进行筛选，确定输入工艺参数，将所述输入工艺参数带入所述质量预测模型中进行模型优化，获得优化预测模型，通过所述优化预测模型得到构件质量预测结果。
[0014]本申请中提供的技术方案，至少具有如下技术效果：本申请提供了一种基于MIV
‑
BP的建筑构件质量预测方法及系统，利用MIV可以在神经网络中反映参数权重的变化情况，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MIV
‑
BP的建筑构件质量预测方法，其特征在于，包括：对构件生产的数据进行采集，获得构件监测数据，其中，所述构件监测数据包括工艺参数、质量合格率，基于所述工艺参数、质量合格率构建训练样本，并对所述训练样本进行数据预处理；构建BP神经网络模拟模型，将经过数据预处理的所述训练样本带入所述BP神经网络模拟模型中进行训练，直到满足训练终止条件为止，得到质量预测模型；对所述工艺参数进行数值变换；将数值变换后的工艺参数输入所述质量预测模型中进行运算，获得模型输出结果，其中，模型输出结果为预测质量合格率；根据数值变换后的各工艺参数、所述预测质量合格率，进行数值变换对模型输出结果的影响程度分析，计算得到各工艺参数的影响值，影响值为MIV值；基于MIV绝对值剔除对输出结果影响小的特征参数，对输入参数进行筛选，确定输入工艺参数，将所述输入工艺参数带入所述质量预测模型中进行模型优化，获得优化预测模型，通过所述优化预测模型得到构件质量预测结果。2.如权利要求1所述的方法，其特征在于，对所述训练样本进行数据预处理，包括：通过公式： ，对所述训练样本进行标准化归一转换，其中，样本最小值、样本最大值。3.如权利要求1所述的方法，其特征在于，构建BP神经网络模拟模型，将经过数据预处理的所述训练样本带入所述BP神经网络模拟模型中进行训练，直到满足训练终止条件为止，得到质量预测模型，包括：(a):将n个输入参数共m个训练样本中的所有输入参数用P标记，输入参数对应的输出参数用A标记；(b):初始化BP神经网络模拟模型，确定输入层、隐含层、输出层结构，其中，工艺参数作为输入参数、质量合格率作为输出参数，采用公式： 确定隐含层神经元数量，其中，n为隐含层的节点数、m为输入层的节点数、l为输出层的节点数、a为[0,10]之间的常数；(c)：根据隐含层节点数、输入层隐含层之间的连接权值、隐含层阈值对输入的训练样本，通过正切S型传递函数进行处理，得到隐含层的输出；(d):隐含层的输出到输出层，通过线性传递函数进行计算，获得模型预测输出；(e):通过模型预测输出与期望输出计算网络预测误差；(f):判断所述网络预测误差是否达到精度要求，当不满足时，基于所述网络预测误差对连接权重进行更新、隐含层阈值进行更新，利用更新后的连接权重、隐含层阈值循环执行(c)
‑
(f)，直到满足所述精度要求为止，或达到最大循环次数为止。4.如权利要求3所述的方法，其特征在于，所述正切S型传递函数计算公式为： ；j=1,2,
…
,l，其中，l为隐含层节点数；为隐含层激励函数；为输入层与隐含层之间的...

【专利技术属性】
技术研发人员：李政道，丁志坤，幸厚冰，宋杏玲，洪竞科，郭振超，徐艳，寇立夫，吴恒钦，赵银，
申请(专利权)人：中国建筑第四工程局有限公司，
类型：发明
国别省市：