基于云边协同的建筑工程质量智能验收管理方法及系统与流程

本发明涉及数据处理，具体涉及基于云边协同的建筑工程质量智能验收管理方法及系统。

背景技术：

1、近年来，随着云计算技术的快速发展，建筑工程质量智能验收管理系统逐渐得到了广泛应用，通过整合多种技术手段，对建筑工程质量状况进行实时监测，并进行精准评估。而设备是否运行正常则会对建筑工程的质量以及效率产生不小的影响，而对于这类异常，通常是对工地中更存在的由机器故障或施工错误所引起的异常声音进行识别和监测，并及时处理如更换设备或检查施工细节，而对于声音异常数据的监测通常是基于cof算法进行异常数据识别。但是常规的cof算法是通过设定固定的k邻域范围，对每一个数据对应的k邻域范围内的数据进行异常因子的计算后，并对其进行阈值设定后判定是否为异常数据。但是由于工地环境中，除机器设备引起的异常声音外，还存在各种嘈杂或噪声信号，而每一时刻的噪声数据所引起的波动可能为单独的设备异常声音，也可能为噪声与设备异常叠加的声音信号，因此固定的阈值往往无法达到较好的监测效果。

技术实现思路

1、本发明提供基于云边协同的建筑工程质量智能验收管理方法及系统，以解决现有的问题。

2、本发明的基于云边协同的建筑工程质量智能验收管理方法及系统采用如下技术方案：

3、一方面，本发明一个实施例提供了基于云边协同的建筑工程质量智能验收管理方法，该方法包括以下步骤：

4、采集工地上一整天的声音信号，对声音信号进行预处理得到初始信号，并根据初始信号进行emd分解得到多个imf分量信号；

5、根据初始信号和所有imf分量信号的时刻进行分段得到每个信号的每个分段；

6、根据初始信号的每个分段得到每个分段中所有时刻信号振幅的振幅波动值；

7、获取初始信号与分量信号在每个分段中每个时刻的信号差异，记为第一信号差异值，根据分量信号在每个分段中相邻时刻的信号差异得到每个分段中每个时刻的置信度特征，并根据第一信号差异值和每个时刻的置信度特征得到每个imf分量信号中每个分段中存在的整体数值比例大小差异值；

8、根据每个分段中所有时刻信号振幅的振幅波动值和每个imf分量信号中每个分段中存在的整体数值比例大小差异值得到每个imf分量信号中的所有分段的噪声保持程度；

9、根据每个imf分量信号中的所有分段的噪声保持程度得到波动程度权重，并根据每个时刻在每个imf分量信号中计算得到的cof异常离群因子和波动程度权重得到每个时刻的信号异常程度；

10、根据每个时刻的异常程度进行异常信号判断并得到对应的发生异常的设备。

11、优选的，所述根据初始信号和所有imf分量信号的时刻进行分段得到每个信号的每个

12、分段，包括的具体步骤如下：

13、根据得到的初始信号和所有imf分量信号，按照时刻对信号进行分段，将包括初始信号和所有imf分量信号在内的所有信号按照一个固定的分段大小分成多个分段，得到每个信号的每个分段。

14、优选的，所述根据初始信号的每个分段得到每个分段中所有时刻信号振幅的振幅波动

15、值，包括的具体步骤如下：

16、获取初始信号中每个分段中每个时刻的振幅，并根据分段、时刻和信号振幅得到每个分段中所有时刻信号振幅的振幅波动值的计算公式如下：

17、

18、其中，εm是初始信号中第m个分段中所有时刻信号振幅的振幅波动值，m是每个信号中所有分段的总数，m是初始信号中所有分段中的某个分段的标号且有m∈[1，m]，t是初始信号中每个分段中包含的时刻数目，t是初始信号中每个分段中包含的某个时刻的标号且有t∈[1，t]，amt是初始信号中第m个分段中第t时刻的信号振幅，是初始信号中第m个分段中的所有时刻的信号振幅的算术均值，exp()是以自然常数为底的指数函数。

19、优选的，所述获取初始信号与分量信号在每个分段中每个时刻的信号差异，记为第一信号差异值，根据分量信号在每个分段中相邻时刻的信号差异得到每个分段中每个时刻的置信度特征，包括的具体步骤如下：

20、获取每个imf分量信号中每个分段中每个时刻的信号振幅，将初始信号中每个分段中每个时刻的信号振幅进行归一化得到第一振幅，将每个imf分量信号中相同分段中相同时刻的信号振幅进行归一化得到第二振幅，并根据第一振幅和第二振幅作差并取绝对值得到每个分段中每个时刻的信号差异，将每个分段中每个时刻的信号差异记为第一信号差异值；同时，获取每个除某个imf分量信号外的每个imf分量信号中的每个时刻的信号振幅，记为第三振幅，获取每个除某个imf分量信号外的每个时刻的前一时刻信号振幅，记为第四振幅，根据第三振幅和第四振幅作差并取绝对值求和并除以初始信号进行emd分解得到的imf分量信号的数量得到每个时刻的置信度特征。

21、优选的，所述根据第一信号差异值和每个分段中每个时刻的置信度特征得到每个imf分量信号中每个分段中存在的整体数值比例大小差异值，包括的具体步骤如下：

22、根据第一信号差异值和每个分段中每个时刻的置信度特征相乘累加，得到每个imf分量信号中每个分段中存在的整体数值比例大小差异值。

23、优选的，所述根据每个分段中所有时刻信号振幅的振幅波动值和每个imf分量信号中每个分段中存在的整体数值比例大小差异值得到每个imf分量信号中的所有分段的噪声保持程度的计算公式如下：

24、

25、其中，cn是第n个imf分量信号中的所有分段的噪声保持程度，，m是每个信号中所有分段的总数，μmn是第n个imf分量信号中第m个分段中存在的整体数值比例大小差异值，是第n个imf分量信号中所有m个分段中存在的整体数值比例大小差异值的算术均值，εm是第m个分段在初始信号中的所有时刻信号振幅的振幅波动值，norm(εm)表示对初始信号中第m个分段的所有时刻信号振幅的振幅波动值εm作线性归一化运算。

26、优选的，所述根据每个imf分量信号中的所有分段的噪声保持程度得到波动程度权重，并根据每个时刻在每个imf分量信号中计算得到的cof异常离群因子和波动程度权重得到每个时刻的信号异常程度，包括的具体步骤如下：

27、根据每个imf分量下的每一时刻的信号进行常规cof离群检测得到的每个时刻在每个imf分量信号中的cof异常离群因子，根据每个imf分量信号中的所有分段的噪声保持程度进行归一化得到波动程度权重，根据每个时刻在每个imf分量信号中的cof异常离群因子和波动程度权重相乘累加得到每个时刻的信号异常程度。

28、另一方面，本发明一个实施例提供了基于云边协同的建筑工程质量智能验收管理系统，该系统包括以下模块：

29、数据采集模块：用于采集工地上一整天的声音信号；

30、数据处理模块：用于对声音信号进行预处理得到初始信号，并根据初始信号进行emd分解得到多个imf分量信号；根据初始信号和所有imf分量信号的时刻进行分段得到每个信号的每个分段；根据初始信号的每个分段得到每个分段中所有时刻信号振幅的振幅波动值；获取初始信号与分量信号在每个分段中每个时刻的信号差异，记为第一信号差异值，根据分量信号在每个分段中相邻时刻的信号差异得到每个分段中每个时刻的置信度特征，并根据第一信号差异值和每个时刻的置信度特征得到每个imf分量信号中每个分段中存在的整体数值比例大小差异值；根据每个分段中所有时刻信号振幅的振幅波动值和每个imf分量信号中每个分段中存在的整体数值比例大小差异值得到每个imf分量信号中的所有分段的噪声保持程度；根据每个imf分量信号中的所有分段的噪声保持程度得到波动程度权重，并根据每个时刻在每个imf分量信号中计算得到的cof异常离群因子和波动程度权重得到每个时刻的信号异常程度；

31、异常判断模块：用于根据每个时刻的异常程度进行异常信号判断并得到对应的发生异常的设备。

32、本发明的技术方案的有益效果是：通过常规的cof算法进行异常声音识别时，会因为场景中不可避免存在的噪声信号，导致其异常设备产生的声音本身所具有的频率振幅等特征被削弱，从而导致检测不准确。而本发明结合其异常设备声音主要存在于某一频率范围内这一基础知识，将采集到的声音信号进行emd分解后，根据分解后的每一分量中的声音信号中所保持的噪声声音程度的大小作为其每一分量中所具有的异常设备声音的程度，并以这一程度作为多个imf分量中同一时刻声音信号进行常规cof算法得到的异常离群因子进行加权求和后，从而极大程度的降低环境噪声的干扰，从而增加异常声音的识别精准度。