用于钢结构建筑的连接稳定性监测系统及其方法与流程

本技术涉及智能化监测，并且更具体地，涉及一种用于钢结构建筑的连接稳定性监测系统及其方法。

背景技术：

1、钢结构建筑是指主要采用钢材作为承载结构的建筑。在建筑工程中，钢结构建筑由于其轻质、高强度、耐久性好、施工周期短、可重复使用等优点，被广泛应用于高层建筑、桥梁、体育场馆、工厂、仓库等领域。然而，钢结构建筑的连接部位容易出现应力集中、疲劳、裂缝等问题，这些问题会严重影响钢结构建筑的安全稳定运行。因此，对钢结构建筑连接部位的实时监测和预警尤为重要。

2、目前，传统的钢结构建筑连接部位监测方法主要依靠人工巡检和经验判断，存在着监测不及时、误差较大、成本较高和据获取难度大等问题。也就是说，人工巡检需要耗费大量的人力、物力和时间，监测周期长，难以及时发现连接部位的异常情况。并且，人工巡检的结果会受到工作人员主观因素的影响，容易出现误判、漏判等情况，导致监测结果不准确。

3、因此，期望一种优化的用于钢结构建筑的连接稳定性监测系统。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种用于钢结构建筑的连接稳定性监测系统及其方法，其获取由传感器模块采集的钢结构建筑的连接部位在预定时间段内多个预定时间点的应力值和振动幅度值；采用基于深度学习的人工智能技术，进行所述应力值的时序动态变化特征和所述振动幅度值的时序动态变化特征之间的时序协同关联特征分布信息的充分表达，以此来进行钢结构连接处的连接稳定性检测和预警，从而保障钢结构建筑的安全性和稳定性。

2、第一方面，提供了一种用于钢结构建筑的连接稳定性监测系统，其包括：

3、数据采集模块，用于获取由传感器模块采集的钢结构建筑的连接部位在预定时间段内多个预定时间点的应力值和振动幅度值；

4、数据参数时序排列模块，用于将所述多个预定时间点的应力值和振动幅度值分别按照时间维度排列为应力时序输入向量和振动幅度时序输入向量；

5、参数时序变化特征提取模块，用于将所述应力时序输入向量和所述振动幅度时序输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到应力时序特征向量和振动幅度时序特征向量；

6、特征融合模块，用于使用高斯密度图来融合所述应力时序特征向量和所述振动幅度时序特征向量以得到应力-振幅融合特征矩阵；

7、双向注意力增强模块，用于将所述应力-振幅融合特征矩阵通过双向注意力机制模块以得到分类特征矩阵；以及

8、连接稳定性检测模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示钢结构建筑的连接部位的连接稳定性是否符合预定标准。

9、在上述用于钢结构建筑的连接稳定性监测系统中，所述参数时序变化特征提取模块，包括：第一尺度特征提取单元，用于将所述应力时序输入向输入所述时序特征提取器的第一卷积层以得到第一尺度应力特征向量，其中，所述第一卷积层具有第一尺度的一维卷积核；第二尺度特征提取单元，用于将所述应力时序输入向输入所述时序特征提取器的第二卷积层以得到第二尺度应力特征向量，其中，所述第二卷积层具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度；以及，多尺度融合单元，用于将所述第一尺度应力特征向量和所述第二尺度应力特征向量进行级联以得到所述应力时序特征向量。

10、在上述用于钢结构建筑的连接稳定性监测系统中，所述特征融合模块，包括：高斯密度图构造单元，用于以如下高斯公式构造所述应力时序特征向量和所述振动幅度时序特征向量的高斯密度图；其中，所述高斯公式为：

11、

12、其中，μ表示所述应力时序特征向量和所述振动幅度时序特征向量之间的按位置均值向量，且σ的每个位置的值表示所述应力时序特征向量和所述振动幅度时序特征向量中各个位置的特征值之间的方差；高斯离散化单元，用于对所述高斯密度图中各个位置的高斯分布进行高斯离散化处理以将所述高斯密度图中各个位置的高斯分布降维为一维的特征向量；以及，二维排列单元，用于将所述各个位置的一维的特征向量进行二维排列以生成所述应力-振幅融合特征矩阵。

13、在上述用于钢结构建筑的连接稳定性监测系统中，所述双向注意力增强模块，包括：池化单元，用于将所述应力-振幅融合特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；关联编码单元，用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；激活单元，用于将所述双向关联矩阵输入sigmoid激活函数以得到双向关联权重矩阵；以及，计算单元，用于计算所述双向关联权重矩阵和所述应力-振幅融合特征矩阵之间的按位置点乘以得到所述分类特征矩阵。

14、在上述用于钢结构建筑的连接稳定性监测系统中，还包括用于对所述包含第一卷积层和第二卷积层的时序特征提取器、所述双向注意力机制模块和所述分类器进行训练的训练模块。

15、在上述用于钢结构建筑的连接稳定性监测系统中，所述训练模块，包括：训练数据采集模块，用于获取训练数据，所述训练数据包括钢结构建筑的连接部位在预定时间段内多个预定时间点的训练应力值和训练振动幅度值，以及，所述钢结构建筑的连接部位的连接稳定性是否符合预定标准的真实值；训练数据参数时序排列模块，用于将所述多个预定时间点的训练应力值和训练振动幅度值分别按照时间维度排列为训练应力时序输入向量和训练振动幅度时序输入向量；训练参数时序变化特征提取模块，用于将所述训练应力时序输入向量和所述训练振动幅度时序输入向量通过所述包含第一卷积层和第二卷积层的时序特征提取器以得到训练应力时序特征向量和训练振动幅度时序特征向量；训练特征融合模块，用于使用高斯密度图来融合所述训练应力时序特征向量和所述训练振动幅度时序特征向量以得到训练应力-振幅融合特征矩阵；训练双向注意力增强模块，用于将所述训练应力-振幅融合特征矩阵通过所述双向注意力机制模块以得到训练分类特征矩阵；分类损失模块，用于将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；伪循环差异惩罚损失模块，用于计算所述训练应力时序特征向量和所述训练振动幅度时序特征向量的伪循环差异惩罚因数作为伪循环差异惩罚损失函数值；以及，训练模块，用于以所述分类损失函数值和所述伪循环差异惩罚损失函数值的加权和作为损失函数值，并通过梯度下降的反向传播来对所述包含第一卷积层和第二卷积层的时序特征提取器、所述双向注意力机制模块和所述分类器进行训练。

16、在上述用于钢结构建筑的连接稳定性监测系统中，所述分类损失模块，包括：分类单元，用于所述分类器以如下分类公式对所述训练分类特征矩阵进行处理以生成训练分类结果，其中，所述分类公式为：softmax{(wn，bn)：...：(w1，b1)|project(x)}，其中，project(x)表示将所述训练分类特征矩阵投影为向量，w1至wn为权重矩阵，b1至bn表示偏置矩阵；以及，函数值计算单元，用于计算所述训练分类结果与真实值之间的交叉熵值作为所述分类损失函数值。

17、在上述用于钢结构建筑的连接稳定性监测系统中，所述伪循环差异惩罚损失模块，用于：以如下损失公式计算所述训练应力时序特征向量和所述训练振动幅度时序特征向量的伪循环差异惩罚因数作为所述伪循环差异惩罚损失函数值；其中，所述损失公式为：

18、

19、其中，v1是所述训练应力时序特征向量，v2是所述训练振动幅度时序特征向量，d(v1，v2)为所述训练应力时序特征向量和所述训练振动幅度时序特征向量之间的距离矩阵，||·||f表示矩阵的frobenius范数，l是特征向量的长度，d(v1，v2)是所述训练应力时序特征向量和所述训练振动幅度时序特征向量之间的距离，||·||2是向量的二范数，log表示以2为底的对数函数值，且α和β为加权超参数，是所述伪循环差异惩罚损失函数值。

20、第二方面，提供了一种用于钢结构建筑的连接稳定性监测方法，其包括：

21、获取由传感器模块采集的钢结构建筑的连接部位在预定时间段内多个预定时间点的应力值和振动幅度值；

22、将所述多个预定时间点的应力值和振动幅度值分别按照时间维度排列为应力时序输入向量和振动幅度时序输入向量；

23、将所述应力时序输入向量和所述振动幅度时序输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到应力时序特征向量和振动幅度时序特征向量；

24、使用高斯密度图来融合所述应力时序特征向量和所述振动幅度时序特征向量以得到应力-振幅融合特征矩阵；

25、将所述应力-振幅融合特征矩阵通过双向注意力机制模块以得到分类特征矩阵；以及

26、将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示钢结构建筑的连接部位的连接稳定性是否符合预定标准。

27、在上述用于钢结构建筑的连接稳定性监测方法中，将所述应力时序输入向量和所述振动幅度时序输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到应力时序特征向量和振动幅度时序特征向量，包括：将所述应力时序输入向输入所述时序特征提取器的第一卷积层以得到第一尺度应力特征向量，其中，所述第一卷积层具有第一尺度的一维卷积核；将所述应力时序输入向输入所述时序特征提取器的第二卷积层以得到第二尺度应力特征向量，其中，所述第二卷积层具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度；以及，将所述第一尺度应力特征向量和所述第二尺度应力特征向量进行级联以得到所述应力时序特征向量。

28、与现有技术相比，本技术提供的用于钢结构建筑的连接稳定性监测系统及其方法，其获取由传感器模块采集的钢结构建筑的连接部位在预定时间段内多个预定时间点的应力值和振动幅度值；采用基于深度学习的人工智能技术，进行所述应力值的时序动态变化特征和所述振动幅度值的时序动态变化特征之间的时序协同关联特征分布信息的充分表达，以此来进行钢结构连接处的连接稳定性检测和预警，从而保障钢结构建筑的安全性和稳定性。