基于深度学习的工程施工物联网监测管理系统及方法技术方案

本发明专利技术涉及人工智能技术领域，尤其是提供一种基于深度学习的工程施工物联网监测管理系统及方法，方法包括：获取目标施工工程的目标数据；对目标数据进行去噪处理，获取去噪后的目标数据；基于目标施工工程的仿真模型，获取至少一个目标监测状态变量，基于目标状态变量构建状态方程，获取第一目标状态变量预测值；采用深度学习模型结合知识蒸馏方法对目标施工工程进行风险评估及异常分类分析，获取风险评估结果及异常分类结果；获取目标施工工程状态变量需求响应后的结果，并基于目标施工工程规划目标函数获取规划管理决策结果

【技术实现步骤摘要】
基于深度学习的工程施工物联网监测管理系统及方法


[0001]本专利技术涉及人工智能
，具体而言，涉及一种基于深度学习的工程施工物联网监测管理系统及方法
。

技术介绍

[0002]目前，传统的工程施工监测主要依赖于人工巡查和手动记录，该方式存在巡查频率
、
范围受限监测不全面等问题；
[0003]随着人工智能深度学习的发展，基于深度学习的工程施工物联网监测管理系统应运而生，相较于传统方法，现有技术在施工物联网监测管理方面，虽然已经有一些基于信息化和大数据的解决方案，例如通过各种传感器收集施工现场的数据，进行初步的监控和管理，已达到减少人工操作，提升工作效率的效果；但是，现有技术往往仅限于数据的收集和初步处理，对施工工程的风险评估和异常分类等复杂任务的处理能力有限，尤其是当工程自身容量较大时，大型工程施工所涉及的数据众多，例如设计图纸
、
施工图纸
、
施工进度
、
人员信息
、
施工设备等，现有技术通常无法挖掘施工工程数据中复杂的关联性，进而可能导致工程物联网监测管理困难，预测结果精度有限，潜在的问题或风险评估发现不及时，最终影响施工效率以及质量，因此，提要提供一种基于深度学习的工程施工物联网监测管理系统及方法，对工程施工进行物联网监测管理
。

技术实现思路

[0004]本专利技术的目的在于提供一种基于深度学习的工程施工物联网监测管理系统及方法，用以实现保障施工工程进行的稳定性，优化工程施工过程中的风险评估以及规划管理，提升施工效率质量
。
[0005]本专利技术第一方面的技术方案提供了一种基于深度学习的工程施工物联网监测管理系统，包括：
[0006]数据获取模块，配置为获取目标施工工程的目标数据，其中目标数据至少包括施工图像数据集
、
施工设备数据集
、
临时用电数据集
、
临时供水数据集
、
时间资源调度数据集
、
施工环节数据集
、
施工进度数据集
、
施工材料数据集
、
设备运行时段数据集
、
施工环境数据集以及施工人员技能水平数据集；
[0007]数据处理模块，配置为对目标数据进行去噪处理，获取去噪后的目标数据；
[0008]预测模块，配置为基于目标施工工程的仿真模型，获取至少一个目标监测状态变量，基于目标状态变量构建状态方程，获取第一目标状态变量预测值；
[0009]预警模块，配置为基于第一目标状态变量预测值，采用深度学习模型结合知识蒸馏方法对目标施工工程进行风险评估及异常分类分析，获取风险评估及异常分类结果；
[0010]规划管理模块，配置为基于目标施工工程规划目标函数获取规划管理决策结果
。
[0011]进一步地，对目标数据进行去噪处理，获取去噪后的目标数据包括：
[0012]对于施工图像数据集，利用卷积神经网络提取图像特征，对于时间资源调度数据
集，利用时间序列分析方法提取趋势项和季节项，对于施工环节数据集
、
施工进度数据集
、
施工材料数据集
、
设备运行时段数据集
、
施工人员技能水平数据集，利用领域知识方法提取特征，并利用加性高斯噪声模型为每一个数据集添加噪声；
[0013]基于预训练的卷积自编码器对带有噪声的图像数据集进行去噪，基于预训练的全连接自编码器对带有噪声的施工设备数据集
、
临时用电数据集
、
临时供水数据集
、
时间资源调度数据集
、
施工环节数据集
、
施工进度数据集
、
施工材料数据集
、
设备运行时段数据集
、
施工环境数据集以及施工人员技能水平数据集进行去噪
。
[0014]进一步地，对目标数据进行去噪处理，获取去噪后的目标数据还包括：
[0015]在卷积自编码器和全连接自编码器的网络结构中添加
Dropout
层，并通过调节
Dropout
的比例来控制神经元的保留率；
[0016]在卷积自编码器和全连接自编码器的损失函数中添加
L1
或
L2
正则化项，并通过调节正则化参数来控制正则化的强度；
[0017]将卷子自编码器和全连接自编码器按顺序堆叠在一起，形成深层网络并训练生成器和判别器，利用生成器生成去噪后的目标数据，利用判别器判断去噪后目标数据与真实数据的差异
。
[0018]进一步地，所述状态方程的表达式为：
[0019][0020]式中，
U(t+1)
表示
t
时刻下一个时刻的状态变量值；
P(t)
表示目标施工工程
t
时刻的施工进度；
S(t)
表示目标施工工程
t
时刻的材料强度；
T(t)
表示目标施工工程
t
时刻的环境温度；
W(t)
表示目标施工工程
t
时刻的目标施工工程
t
时刻的施工人员的技能水平；
Q(t)
表示目标施工工程
t
时刻的材料质量；
α
1、
α
2、
α
3、
α
4、
α5和
α6表示状态变量对于下一时刻状态的影响程度系数；
β
1、
β
2、
β3和
β4表示输入变量对于下一时刻状态的影响程度系数；
ε
1、
ε
2、
ε
3、
ε4和
ε5表示状态噪声
。
[0021]进一步地，采用深度学习模型结合知识蒸馏方法对目标施工工程进行风险评估以及异常分类分析，获取风险评估结果和异常分类结果，包括：
[0022]基于卷积神经网络对目标数据以及第一目标状态变量预测值进行训练，得到一个教师模型，获取第二目标状态变量预测值；
[0023]将第二目标状态变量预测值作为标签，基于浅层神经网络进行训练得到一个学生模型，获取第三目标状态变量预测值；
[0024]根据第二目标状态变量预测值和第三目标状态变量预测值对目标施工工程进行风险评估以及异常分类
。
[0025]进一步地，风险评估以及异常分类包括：
[0026]根据第一目标状态变量预测值
、
第二目标状态变量预测值
、
第三目标状态变量预测值对目标数据进行标注，获取异常样本集并构建异常分类模型，利用异常分类模型对实时数据进行异常判断并设置预警等级；
[0027]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于深度学习的工程施工物联网监测管理系统，其特征在于，包括：数据获取模块，配置为获取目标施工工程的目标数据，其中目标数据至少包括施工图像数据集
、
施工设备数据集
、
临时用电数据集
、
临时供水数据集
、
时间资源调度数据集
、
施工环节数据集
、
施工进度数据集
、
施工材料数据集
、
设备运行时段数据集
、
施工环境数据集以及施工人员技能水平数据集；数据处理模块，配置为对目标数据进行去噪处理，获取去噪后的目标数据；预测模块，配置为基于目标施工工程的仿真模型，获取至少一个目标监测状态变量，基于目标状态变量构建状态方程，获取第一目标状态变量预测值；预警模块，配置为基于第一目标状态变量预测值，采用深度学习模型结合知识蒸馏方法对目标施工工程进行风险评估及异常分类分析，获取风险评估及异常分类结果；规划管理模块，配置为基于目标施工工程规划目标函数获取规划管理决策结果
。2.
根据权利要求1所述的基于深度学习的工程施工物联网监测管理系统，其特征在于，对目标数据进行去噪处理，获取去噪后的目标数据包括：对于施工图像数据集，利用卷积神经网络提取图像特征，对于时间资源调度数据集，利用时间序列分析方法提取趋势项和季节项，对于施工环节数据集
、
施工进度数据集
、
施工材料数据集
、
设备运行时段数据集
、
施工人员技能水平数据集，利用领域知识方法提取特征，并利用加性高斯噪声模型为每一个数据集添加噪声；基于预训练的卷积自编码器对带有噪声的图像数据集进行去噪，基于预训练的全连接自编码器对带有噪声的施工设备数据集
、
临时用电数据集
、
临时供水数据集
、
时间资源调度数据集
、
施工环节数据集
、
施工进度数据集
、
施工材料数据集
、
设备运行时段数据集
、
施工环境数据集以及施工人员技能水平数据集进行去噪
。3.
根据权利要求2所述的基于深度学习的工程施工物联网监测管理系统，其特征在于，对目标数据进行去噪处理，获取去噪后的目标数据还包括：在卷积自编码器和全连接自编码器的网络结构中添加
Dropout
层，并通过调节
Dropout
的比例来控制神经元的保留率；在卷积自编码器和全连接自编码器的损失函数中添加
L1
或
L2
正则化项，并通过调节正则化参数来控制正则化的强度；将卷子自编码器和全连接自编码器按顺序堆叠在一起，形成深层网络并训练生成器和判别器，利用生成器生成去噪后的目标数据，利用判别器判断去噪后目标数据与真实数据的差异
。4.
根据权利要求1所述的基于深度学习的工程施工物联网监测管理系统，其特征在于，所述状态方程的表达式为：式中，
U(t+1)
表示
t
时刻下一个时刻的状态变量值；
P(t)
表示目标施工工程
t
时刻的施
工进度；
S(t)
表示目标施工工程
t
时刻的材料强度；
T(t)
表示目标施工工程
t
时刻的环境温度；
W(t)
表示目标施工工程
t
时刻的目标施工工程
t
时刻的施工人员的技能水平；
Q(t)
表示目标施工工程
t
时刻的材料质量；
α
1、
α
2、
α
3、
α
4、
α5和
α6表示状态变量对于下一时刻状态的影响程度系数；
β
1、
β
2、
β3和
β4表示输入变量对于下一时刻状态的影响程度系数；
ε
1、
ε
2、
ε
3、
ε4和
ε5表示状态噪声
。5.
根据权利要求1所述的基于深度学习的工程施工物联网监测管理系统，其特征在于，采用深度学习模型结合知识蒸馏方法对目标施工工程进行风险评估以及异常分类分析，获取风险评估结果和异常分类结果，包括：基于卷积神经网络对目标数据以及第一目标状态变量预测值进行训练，得到一个教师模型，获取第二目标状态变量预测值；将第二目标状态变量预测值作为标...

【专利技术属性】
技术研发人员：张驰，苏征，金婷，游晶，黄兀，罗雪，秦瑜，王友琦，向明仕，向疏淼，李京津，杨澜，
申请(专利权)人：西华大学，
类型：发明
国别省市：