大型建筑物智能监测的临界健康模式识别方法研究

In-depth analysis on various sensor data could help obtain changing trend of the target states, and it is the essential complement of the mechanism modeling method for complex systems. In practical applications, temporal-spatial relationship and evolutional mode of the measurements collected from different spatial locations will directly decide the safety status of the large-scale architectural structure. A comprehensive consideration of the spatial distribution and sequential changing trend of the data from different monitoring spots, will help the scientific judgement of the critical healthy mode of the building，bring great benefits for national property and personal security. In this project, through the temporal-spatial representation of the monitoring data, multi-dimensional mining and understanding of these data were achieved via deep-learning models. On the basis of this, spatial representation and sequential changing trend of the structure's healthy mode will be determined, and the effective identification of the critical healthy mode will be therefore implemented. The main contents include: 1) Representing the monitoring data, and establishing the temporal-spatial situation dataset; 2) Refined mining of the spatial features of the structure healthy mode; 3) Inference of the healthy mode changing trend and the effective identification of the critical healthy mode. Achievements of the project will solve the current problem that the identification of the structure critical healthy mode is inaccurate and not timely, due to the disconnected temporal-spatial relationship among data from various monitoring spots. This work is of great significance in both theoretical research and practical applications.

深入分析监测对象的传感器数据可以获取对象状态的变化趋势，是复杂系统基于机理建模方法的必要补充。实际应用中，在大型建筑物不同空间位置测得的海量传感器数据的时空关系及演化模式直接决定了建筑物整体的安全状态。综合考虑不同位置数据的空间关系及其时序变化趋势，可以科学地判断建筑物临界健康情况，将为国家财产和人身安全带来极大的益处。本项目通过对传感器监测数据的时空表达，利用深度学习模型对其进行多维度地深入挖掘和理解，确定建筑物健康模式的空间表征和时序变化趋势，并在此基础上完成临界健康模式的有效识别。内容包括：1）将传感器监测数据进行时空维度表达，构建时空态势图集; 2）建筑结构健康模式空间特征的精细化挖掘; 3）建筑结构健康模式变化趋势推演及临界模式的有效识别。成果将解决目前割裂了多个监测点测量数据的时空关系导致的建筑物整体临界健康模式判断不准确、不及时的问题，具有极大的理论与实际应用意义。

项目以大型建筑物的健康模式判别为主要研究问题，力求借助海量传感器数据及其隐含的时空关系等关键特征来确定建筑物健康模式的空间表征和时序变化趋势，并在此基础上完成临界健康模式的有效识别。为此，本项目首先通过对传感器数据的理解和可视化转换，将测量数值具象化为数据立方体模型，通过进一步将立方体模型在时间维度上进行排布，构建出蕴含建筑结构健康模式空间特征及其变化趋势的时空态势图集；其次，利用深度学习网络挖掘监测对象的健康模式在空间维度上的特征反映，借鉴平面流思想，通过变分自编码器对特征进行趋势演变进行学习，实现多尺度空间特征的有效综合；在此基础上，整合在不同时刻提取到的空间特征，挖掘其随时间变化的规律，引入时序关系自学习网络结构，探究建筑结构健康模式的变化趋势，再利用多支路并行卷积和多结果融合的方法，准确识别临界健康模式。项目的相关研究成果有效解决了此前无法基于传感器监测数据实现房屋建筑临界安全状态的科学识别问题，实现了预期的研究目标，在理论及应用研究中取得了创新性成果。. 项目取得的代表性成果包括：以存在非高斯噪声和随机发生不确定性的线性时间系统为对象，基于最大相关熵卡尔曼滤波方法解决了一类较为复杂的状态估计问题，对本项目中使用到的传感器数据的初步分析奠定了重要基础；借助格拉姆角场和改进的递归图方法将时间序列数据编码为图像，构建了蕴含建筑结构健康模式空间特征及其变化趋势的时空态势图集；为挖掘其中可以表征结构健康模式的空间特征，引入网络流理论中的守恒思想，改进经典Transformer模型中的多头注意力机制，降低计算复杂度，提升分类效果；借鉴平面流思想，通过变分自编码器对特征进行趋势演变进行学习，实现多尺度空间特征的有效判别；基于数据驱动机制，提出了一种结合基于小波分解的贝叶斯优化的深度学习方法，能够很好地捕捉时序数据中蕴含的特征信息，并对其变化趋势进行预测；提出了一种基于多通道卷积神经网络融合的建筑物健康状态识别框架，该框架通过融合不同卷积神经网络的输出结果，结合时间信息和空间信息进行建筑物健康状态信息分类，达到了相互补充信息、提高分类准确率的目的。. 项目的研究成果包括发表SCI论文9篇；申请、授权国家发明专利3项，获得软件著作权3项。4名研究生进入研究项目，其中1名研究生已顺利获得硕士学位。