本發(fā)明涉及智能監(jiān)測，更具體的說是涉及一種軸力信息采集網(wǎng)關(guān)。

背景技術(shù)：

1、在基礎(chǔ)設(shè)施建設(shè)和維護(hù)過程中，準(zhǔn)確測量工程結(jié)構(gòu)的軸力對于確保結(jié)構(gòu)安全和性能至關(guān)重要，它能夠幫助工程師評估結(jié)構(gòu)的健康狀態(tài)，預(yù)測潛在的故障風(fēng)險(xiǎn)。

2、但是，現(xiàn)有的工程結(jié)構(gòu)軸力測量方法中，通過人工監(jiān)測，存在效率低下安全風(fēng)險(xiǎn)高，軸力測量準(zhǔn)確性和實(shí)時(shí)性不佳的問題。直接通過傳感器建立軸力監(jiān)測系統(tǒng)，則存在傳感器測量精度受環(huán)境變化，如溫度、濕度等因素影響，導(dǎo)致軸力數(shù)據(jù)準(zhǔn)確性不足的問題。

3、因此，如何提高工程結(jié)構(gòu)軸力監(jiān)測準(zhǔn)確性是本領(lǐng)域技術(shù)人員亟需解決的問題。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種軸力信息采集網(wǎng)關(guān)，通過采集工程結(jié)構(gòu)處的多種參數(shù)綜合確定工程結(jié)構(gòu)處的軸力，從而提高軸力監(jiān)測數(shù)據(jù)的準(zhǔn)確性。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、本發(fā)明公開了一種軸力信息采集網(wǎng)關(guān)，包括：數(shù)據(jù)采集模塊、數(shù)據(jù)處理模塊、定位模塊、通信模塊、輸入輸出模塊、供電模塊；

4、所述數(shù)據(jù)采集模塊采集各監(jiān)測點(diǎn)的多傳感器數(shù)據(jù)，發(fā)送至所述數(shù)據(jù)處理模塊；

5、所述定位模塊采集各所述監(jiān)測點(diǎn)的定位信息，發(fā)送至所述數(shù)據(jù)處理模塊；

6、所述輸入輸出模塊，輸入各監(jiān)測點(diǎn)物理參數(shù)至所述數(shù)據(jù)處理模塊；輸入各監(jiān)測點(diǎn)、所述定位模塊的各定位天線、所述數(shù)據(jù)采集模塊的各傳感器的綁定信息；顯示輸出所述數(shù)據(jù)處理模塊識別的各監(jiān)測點(diǎn)軸力數(shù)據(jù)；

7、所述數(shù)據(jù)處理模塊根據(jù)所述綁定信息，確定各監(jiān)測點(diǎn)所述多傳感器數(shù)據(jù)、所述定位信息、所述物理參數(shù)的對應(yīng)關(guān)系，根據(jù)各監(jiān)測點(diǎn)的所述多傳感器數(shù)據(jù)和所述物理參數(shù)，利用訓(xùn)練好的軸力識別模型確定各所述監(jiān)測點(diǎn)的所述軸力數(shù)據(jù)，并通過所述通信模塊將所述軸力數(shù)據(jù)及對應(yīng)的定位信息發(fā)送至云端監(jiān)測平臺；

8、所述供電模塊為所述數(shù)據(jù)采集模塊、所述數(shù)據(jù)處理模塊、所述定位模塊、所述輸入輸出模塊、所述通信模塊供電。

9、進(jìn)一步的，所述多傳感器數(shù)據(jù)包括：空氣溫度、空氣濕度、氣壓以及振弦傳感器的振動數(shù)據(jù)；

10、所述物理參數(shù)包括：監(jiān)測點(diǎn)預(yù)埋件截面積、彈性模量、膨脹系數(shù)，以及振弦的長度、直徑、密度、彈性模量、膨脹系數(shù)。

11、進(jìn)一步的，所述軸力識別模型為深度神經(jīng)網(wǎng)絡(luò)模型；所述利用訓(xùn)練好的軸力識別模型確定各所述監(jiān)測點(diǎn)的所述軸力數(shù)據(jù)，具體包括：

12、根據(jù)所述空氣溫度、空氣濕度、氣壓確定環(huán)境向量，根據(jù)所述物理參數(shù)確定物理向量；

13、對所述振動數(shù)據(jù)進(jìn)行預(yù)處理，根據(jù)預(yù)處理后的振動數(shù)據(jù)確定振弦的振動系數(shù)向量；

14、將所述環(huán)境向量、所述物理向量、所述振動系數(shù)向量為輸入訓(xùn)練好的所述深度神經(jīng)網(wǎng)絡(luò)模型，計(jì)算得到軸力值。

15、進(jìn)一步的，所述預(yù)處理，具體包括：對所述振動數(shù)據(jù)進(jìn)行eemd分解，得到m個(gè)本征模態(tài)函數(shù)分量和一個(gè)余量，公式為：

16、

17、其中，xs表示振動數(shù)據(jù)，imfm表示本征模態(tài)函數(shù)分量，m表示自然數(shù)，1≤m≤m，r(xs)表示余量；

18、分別計(jì)算分解得到的本征模態(tài)函數(shù)分量以及余量，與振動數(shù)據(jù)的皮爾遜相關(guān)系數(shù)，去除系數(shù)小于閾值的分量或余量；將剩余的本征模態(tài)函數(shù)分量和/或余量相加，得到預(yù)處理后的振動數(shù)據(jù)。

19、進(jìn)一步的，所述確定振弦的振動系數(shù)向量，具體包括：

20、對預(yù)處理后的振動數(shù)據(jù)進(jìn)行分幀處理，得到對應(yīng)的p個(gè)振動幀，設(shè)振動系數(shù)為bi，分幀處理表示為：

21、

22、變形后表示為：

23、

24、對變形后的公式進(jìn)行簡化，使e對bi求偏導(dǎo)為0，公式為：

25、

26、

27、聯(lián)解化簡得到的方程組以及求偏導(dǎo)得到的公式，得到：

28、

29、其中，bi＝[1,b2…bp+1]為振動系數(shù)向量；x(n)和表示分幀后和變形化簡求解后的振動幀數(shù)據(jù)，bi表示振動系數(shù)，e(n)表示誤差，e表示中間量，p為大于1的整數(shù)，i表示任意自然數(shù)1≤i≤p。

30、進(jìn)一步的，所述深度神經(jīng)網(wǎng)絡(luò)包括輸入層、若干隱藏層以及輸出層；所述輸入層與所述隱藏層、所述隱藏層與所述輸出層之間通過全連接矩陣連接；基于sigmoid函數(shù)計(jì)算輸入層、隱層及輸出層中各個(gè)節(jié)點(diǎn)的輸出值：

31、

32、其中，zdf為第d層第f個(gè)節(jié)點(diǎn)的輸出向量，z(d-1)g為第d-1層第g個(gè)節(jié)點(diǎn)的輸出向量，wdfg為所述全連接矩陣中第d層第f個(gè)節(jié)點(diǎn)與第d-1層第g個(gè)節(jié)點(diǎn)的連接權(quán)重，bfg為第d層第f個(gè)節(jié)點(diǎn)與第d-1層第g個(gè)節(jié)點(diǎn)連接對應(yīng)的偏置量，f為第d層節(jié)點(diǎn)總數(shù)。

33、進(jìn)一步的，所述深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中利用鳥群優(yōu)化算法確定網(wǎng)絡(luò)的最優(yōu)超參，具體包括：

34、步驟1：初始化鳥群優(yōu)化算法的參數(shù)，包括種群數(shù)量、迭代次數(shù)和變量維度；

35、步驟2：初始化深度神經(jīng)網(wǎng)絡(luò)的超參數(shù)，所述超參數(shù)為所述全連接矩陣中的連接權(quán)重和偏置量；使用混沌映射初始化鳥群位置；

36、步驟3：使用均方誤差計(jì)算個(gè)體的適應(yīng)值，將最小適應(yīng)值對應(yīng)的個(gè)體作為當(dāng)前最優(yōu)個(gè)體；

37、步驟4：對所有個(gè)體更新控制每個(gè)個(gè)體向萊維飛行個(gè)體和前一個(gè)個(gè)體移動的趨勢值，以及隨迭代次數(shù)變化的自適應(yīng)變化參數(shù)，公式為：

38、

39、

40、

41、其中k1和k2為控制每個(gè)個(gè)體向萊維飛行個(gè)體和前一個(gè)個(gè)體移動的趨勢值，q為隨迭代次數(shù)變化的自適應(yīng)變化參數(shù)，a表示確定跟隨最佳個(gè)體和前一個(gè)體的程度，t為迭代次數(shù)，tmax為最大迭代次數(shù)；

42、步驟5：產(chǎn)生隨機(jī)數(shù)，并根據(jù)隨機(jī)數(shù)與設(shè)定閾值的大小，選擇對應(yīng)策略進(jìn)行個(gè)體位置更新；

43、步驟6：判斷當(dāng)前迭代次數(shù)是否達(dá)到最大迭代次數(shù)，若達(dá)到最大迭代次數(shù)，輸出鳥群中的最優(yōu)個(gè)體，得到深度神經(jīng)網(wǎng)絡(luò)的最優(yōu)超參數(shù)；若未達(dá)到則返回步驟3。

44、進(jìn)一步的，所述選擇對應(yīng)策略進(jìn)行個(gè)體位置更新，具體為：

45、當(dāng)隨機(jī)值小于設(shè)定閾值時(shí)，更新策略為：

46、

47、其中，為第r個(gè)個(gè)體第t+1次迭代后的位置，rand為隨機(jī)值0≤rand≤1，ub、lb分別為個(gè)體位置的上界和下界，r為個(gè)體總數(shù)；

48、當(dāng)隨機(jī)值大于設(shè)定閾值，且大于0.5時(shí)，更新策略為：

49、

50、其中，rand′為隨機(jī)數(shù)-1≤rand′≤1，為r個(gè)個(gè)體第t次迭代后的位置；

51、當(dāng)隨機(jī)值大于設(shè)定閾值，且小于等于0.5時(shí)，更新策略為：

52、

53、

54、其中，為最佳個(gè)體位置，d為位置向量的維數(shù)，levy(d)為萊維飛行公式，β為個(gè)體與最優(yōu)個(gè)體或隨機(jī)個(gè)體的距離參數(shù)，公式為：

55、

56、β＝ecl*cos2πc；

57、其中，u、v為均值為0標(biāo)準(zhǔn)差為1的正態(tài)分布中隨機(jī)抽取的數(shù)值，λ為常數(shù)，e為自然常數(shù)，l為螺旋參數(shù)，c為均勻分布在-1到1之間的隨機(jī)數(shù)。

58、進(jìn)一步的，所述數(shù)據(jù)采集模塊采用多路復(fù)用設(shè)計(jì)，通過單個(gè)信號采集芯片對多路傳感器信號進(jìn)行采集。

59、進(jìn)一步的，所述云端監(jiān)測平臺根據(jù)建筑信息模型，對接收到的各監(jiān)測點(diǎn)軸力數(shù)據(jù)及對應(yīng)的定位信息進(jìn)行三維融合，對各監(jiān)測點(diǎn)監(jiān)測數(shù)據(jù)進(jìn)行可視化管理。

60、經(jīng)由上述的技術(shù)方案可知，與現(xiàn)有技術(shù)相比，本發(fā)明公開提供了一種軸力信息采集網(wǎng)關(guān)。利用多種傳感器采集多種環(huán)境參數(shù)(如溫度、濕度、氣壓等)以及振弦傳感器振動數(shù)據(jù)作為輸入，結(jié)合深度神經(jīng)網(wǎng)絡(luò)模型可以精準(zhǔn)識別和計(jì)算各監(jiān)測點(diǎn)的軸力數(shù)據(jù)，避免了通過單一振弦傳感器進(jìn)行軸力監(jiān)測導(dǎo)致的監(jiān)測精度不準(zhǔn)確的問題，從而提高監(jiān)測的準(zhǔn)確性和可靠性；并且各個(gè)通過將監(jiān)測點(diǎn)定位信息與傳感器進(jìn)行綁定，結(jié)合建筑信息模型能夠?qū)崿F(xiàn)各監(jiān)測點(diǎn)軸力信息的直觀可視化監(jiān)測管理。