一种高空大型钢结构连廊的安全风险监测方法与流程

本发明属于高空大型钢结构连廊，具体而言，涉及一种高空大型钢结构连廊的安全风险监测方法。

背景技术：

1、大型钢结构连廊在高空场景中广泛应用,例如机场航站楼、综合体内部连廊、轨道交通车站等。这些连廊一般跨度大、结构复杂,承受着复杂的动态荷载,如风荷载、地震荷载以及人流荷载等,加之长期使用环境的影响,极易出现局部应力集中、整体变形加剧等安全隐患。因此,如何有效监测和评估这类大型连廊结构的安全风险,一直是业界关注的重点问题。

2、目前,针对大型钢结构连廊的安全风险监测,业界主要采取以下几种常见方法:

3、1.定期目视检查法:由专业检测人员定期对连廊的关键部位进行目测检查,查看是否有明显的变形、开裂等异常情况。这种方法简单直观,但受检测人员主观判断的影响大,难以全面和及时地发现隐藏性的安全隐患。

4、2.传感器监测法:在连廊的关键部位布设振动传感器、应变传感器等,实时监测结构的动态响应特性。通过分析传感器数据,可以初步判断连廊的安全状况。这种方法可以实现连续监测,但需要大量的传感器布设,数据分析也较为复杂,难以快速准确地评估风险。

5、上述方法各有优缺点,但总体上存在以下几个共性问题:

6、(1)检测手段单一,无法全面掌握连廊的动态响应特性。仅依靠少量传感器或有限元分析,很难对复杂的连廊结构进行准确评估。

7、(2)预警能力弱,难以及时发现安全隐患。很多方法只能通过人工巡检或事后分析来发现问题,无法实时监测和预警连廊的安全状态。

技术实现思路

1、有鉴于此，本发明提供一种高空大型钢结构连廊的安全风险监测方法，能够解决现有技术存在的检测手段单一、预警能力弱的技术问题。

2、本发明是这样实现的：

3、本发明的第一方面提供一种高空大型钢结构连廊的安全风险监测方法，其中，包括以下步骤：

4、s10、选取多个具有代表性的监测点位,利用振动传感器和变形传感器对连廊结构进行监测,获取振动和变形数据；

5、s20、在预先建立的小比例尺的连廊结构模型上布设与实际连廊相同的监测点位,利用振动台对模型进行不同强度的振动,采集相应的振动和变形数据；

6、s30、采用聚类算法对实际连廊和模型的监测数据进行分析,划分出不同风险等级的特征区间；

7、s40、利用机器学习方法,建立连廊结构振动、变形参数与风险指数之间的映射关系,得到连廊风险指数分析模型；

8、s50、将实际连廊的监测数据输入到连廊风险指数分析模型中,计算出连廊的实时风险指数；

9、s60、将连廊的实时风险指数与预设的风险阈值进行对比,当风险指数超过阈值时,及时发出预警信号。

10、其中，所述步骤s10，具体包括：

11、选取连廊结构中具有代表性的监测点位，这些关键监测点应当覆盖连廊的受力集中点、潜在薄弱点等区域；在这些监测点位布设振动传感器和变形传感器，振动传感器用于采集连廊在垂直、水平和扭转方向上的振动数据，变形传感器用于测量连廊在受力作用下的静态变形情况；通过数据采集系统对这些传感器进行连续监测，获取代表连廊动态响应特性的振动和变形数据，监测频率一般为1hz或更高。

12、其中，所述步骤s20的具体步骤包括：

13、建立与实际连廊几何尺寸和结构相似的小型模型；在该小型模型上布设与实际连廊相同位置和数量的振动传感器和变形传感器；利用振动台对这个小型模型施加不同强度的振动载荷，模拟连廊在不同外部环境作用下的动态响应；在模型受振动载荷的过程中，监测系统实时采集振动传感器和变形传感器的数据，包括振幅、频率、相位、峰值等特征，以及结构变形的幅值和模态信息；通过对这些实验数据的分析，建立小型模型在不同振动条件下的响应特征。

14、其中，所述步骤s30的具体实施方式是：

15、采用聚类算法对实际连廊和模型实验的监测数据进行分析，如使用k-均值聚类或高斯混合模型聚类算法；这些算法会自动将数据划分为不同的聚类中心，每个聚类中心代表一种典型的振动或变形特征；通过分析这些聚类中心的统计特征，如均值、标准差、极值等，确定不同风险等级的特征区间，如将结果划分为"低风险"、"中风险"和"高风险"三个等级，并给出相应的特征区间范围。

16、其中，所述步骤s40的具体实施方式是：

17、采用双分支神经网络结构作为连廊风险指数分析模型，其中微观特征提取分支使用多尺度卷积层、空间金字塔池化层和注意力机制，提取连廊局部振动和变形的细节特征；宏观特征提取分支采用深度卷积网络、时间卷积网络和特征金字塔，捕捉连廊整体和长期变化趋势的特征；在特征融合层中，将两个分支的输出特征拼接并通过全连接层进行融合，生成一个全面的特征表示；最后的输出层包括全连接层和softmax分类层，将融合特征映射到连廊的风险指数和风险等级。

18、其中，所述步骤s50的具体实施方式是：

19、从步骤s10获得的实际连廊振动和变形监测数据,按照模型的输入格式进行预处理,如归一化、补充缺失值等；将这些数据输入到训练好的风险指数分析模型中,该模型会基于输入的振动和变形特征,通过前向传播计算出对应的风险指数值,表示连廊当前的风险水平；为了确保实时性,设置一个滑动时间窗口,将最近一段时间(如1小时或1天)的监测数据输入到模型中进行风险指数计算。

20、其中，所述步骤s60的具体实施方式是：

21、将连廊的实时风险指数与预设的风险阈值进行对比,例如将风险指数划分为低风险(0～0.3)、中风险(0.3～0.7)和高风险(0.7～1.0)三个等级,并设置相应的风险阈值为0.3和0.7；当风险指数超过0.7(高风险阈值)时,说明连廊正面临较大的安全隐患,系统应发出预警信号,通知相关负责人员采取必要的处置行动,如限制使用、加固检修等；当风险指数处于中风险区间(0.3～0.7)时,也应该引起重视,可以采取加强监测、排查隐患等措施。

22、其中，所述连廊风险指数分析模型采用双分支神经网络结构，具体包括：用于提取连廊结构的局部振动和变形特征的微观特征提取分支以及用于提取连廊结构的整体特征和长期变化趋势的宏观特征提取分支。

23、这种双分支神经网络结构能够同时捕捉连廊结构的局部振动和变形特征，以及整体长期变化趋势，从而提供更全面和准确的风险评估。通过结合小比例尺模型实验数据和实际监测数据，该模型可以有效地学习不同风险等级的特征，并在实际应用中快速计算出连廊的实时风险指数。

24、进一步的，还包括将微观特征和宏观特征拼接在一起，通过几个全连接层进行特征融合的特征融合层。

25、进一步的，所述微观特征提取分支用于提取连廊结构的局部振动和变形特征。

26、进一步的，所述微观特征提取分支包括：

27、多尺度卷积层：使用不同大小的卷积核并行处理输入数据，捕捉不同尺度的振动和变形特征；

28、空间金字塔池化层：将特征图划分为不同尺度的区域，在每个区域内进行最大池化，提取多尺度局部特征；

29、注意力机制：引入通道注意力和空间注意力，使所述连廊风险指数分析模型能够自适应地关注重要的局部振动和变形特征。

30、进一步的，所述宏观特征提取分支用于提取连廊结构的整体特征和长期变化趋势。

31、进一步的，所述宏观特征提取分支包括：

32、深度卷积网络：采用resnet或lstm作为主干，提取时间序列数据的长期依赖特征；

33、时间卷积网络：使用膨胀卷积，在不增加参数量的情况下扩大感受野，捕捉更长时间范围的上下文信息；

34、特征金字塔：融合不同时间尺度的特征，同时获得短期和长期的结构变化特征。

35、微观特征提取分支和宏观特征提取分支的主要区别:

36、1.关注点不同:微观特征提取分支专注于捕捉连廊结构的局部、细微的振动和变形特征。这些特征可能包括特定监测点的高频振动、局部应力集中或微小的结构变形等；宏观特征提取分支则关注连廊结构的整体性能和长期变化趋势。这包括整体结构的低频振动模态、长期沉降趋势引起的整体形变等。

37、2.网络结构设计:微观分支使用多尺度卷积和空间金字塔池化,适合提取不同尺度的局部特征。注意力机制帮助模型聚焦于最重要的局部信息；宏观分支采用深度卷积网络和时间卷积网络,更适合处理长序列数据和捕捉长期依赖关系。特征金字塔结构有助于融合不同时间尺度的信息。

38、3.输入数据处理:微观分支可能更多地处理高采样率的原始传感器数据,如高频振动信号；宏观分支可能处理经过降采样或预处理的数据,如日平均变形数据、月度趋势等。

39、4.时间尺度:微观分支主要关注短时间内的数据变化,可能是秒级或分钟级的时间窗口；宏观分支处理更长时间跨度的数据,可能涵盖数天、数周或更长时间的变化。

40、具体而言：

41、1.频率区间：

42、微观特征：

43、高频振动：通常在1hz以上，可能高达几百hz或更高。

44、例如：101000hz的振动可能被归类为微观特征。

45、宏观特征：

46、低频振动：通常在1hz以下。

47、例如：0.11hz的振动可能被视为宏观特征。

48、2.幅度区间：

49、微观特征：

50、微小变形：通常在毫米级别或更小。

51、例如：0.011mm的变形可能被视为微观特征。

52、宏观特征：

53、大尺度变形：通常在厘米级别或更大。

54、例如：110cm的变形可能被归类为宏观特征。

55、3.时间尺度：

56、微观特征：

57、短期变化：从秒级到小时级。

58、例如：1秒到1小时内的数据变化可能被视为微观特征。

59、宏观特征：

60、长期趋势：从天级到年级。

61、例如：1天到1年的数据变化可能被归类为宏观特征。

62、4.空间尺度：

63、微观特征：

64、局部特征：涉及单个或少数几个监测点的数据。

65、例如：单个传感器或15个相邻传感器的数据可能被视为微观特征。

66、宏观特征：

67、全局特征：涉及大范围或整个结构的数据。

68、例如：10个以上传感器的综合数据或整个连廊的形变数据可能被归类为宏观特征。

69、5.应力/应变区间：

70、微观特征：

71、局部应力集中：超过材料屈服强度50％的应力可能被视为微观特征。

72、例如：对于钢结构，如果屈服强度为235mpa，那么超过117.5mpa的局部应力可能被归类为微观特征。

73、宏观特征：

74、整体应力分布：低于材料屈服强度50％的应力可能被视为宏观特征。

75、例如：对于同样的钢结构，0117.5mpa的应力分布可能被归类为宏观特征。

76、6.温度变化引起的变形：

77、微观特征：

78、局部热变形：小范围内的温度梯度引起的变形。

79、例如：15℃的温差引起的局部变形可能被视为微观特征。

80、宏观特征：

81、整体热变形：大范围温度变化引起的整体变形。

82、例如：日温差或季节性温度变化(如1030℃)引起的整体变形可能被归类为宏观特征。

83、这些区间的具体数值可能需要根据连廊的具体情况(如尺寸、材料、使用环境等)进行调整。在实际应用中，可能需要通过数据分析和专家知识来精确定义这些区间。此外，有些数据可能同时具有微观和宏观特征，在这种情况下，可以考虑使用模糊集合或概率方法来进行分类。

84、进一步的，特征融合层用于将微观特征和宏观特征拼接在一起，通过多个全连接层进行特征融合，并使用残差连接，确保信息能够有效地在多个全连接层中传播。

85、特征融合层的工作原理:

86、1.特征拼接:

87、首先,将微观特征提取分支和宏观特征提取分支的输出特征向量在通道维度上进行拼接。假设微观特征维度为[batch_size,m_channels],宏观特征维度为[batch_size,n_channels],拼接后的特征维度为[batch_size,m_channels+n_channels]。

88、2.特征融合:

89、拼接后的特征通过一系列全连接层进行进一步融合。这些层的作用是学习微观和宏观特征之间的相互关系和组合方式。

90、可以使用非线性激活函数(如relu)来增加模型的表达能力。

91、3.残差连接:

92、在全连接层之间添加残差连接,确保原始的微观和宏观信息能够直接传递到后续层,防止信息丢失。

93、4.注意力机制:

94、可以在融合层中引入注意力机制,动态调整不同特征的重要性权重。这有助于模型在不同情况下灵活地关注微观或宏观特征。

95、5.归一化:

96、使用批归一化或层归一化来稳定特征分布,加速训练过程。

97、6.降维:

98、最后几个全连接层可以逐步减少特征维度,将融合后的高维特征映射到适合风险指数预测的低维空间。

99、通过这种方式,特征融合层能够有效地结合微观和宏观特征的优势,生成一个全面的特征表示,既包含局部细节信息,又包含全局结构特征,从而为最终的风险指数预测提供强有力的输入。

100、其中，所述采用聚类算法对实际连廊和模型的监测数据进行分析的步骤采用k-均值聚类算法或高斯混合模型聚类。

101、其中，所述小型模型的比例尺选取为实际连廊的1/10至1/50之间。

102、其中，所述振动台可产生0.1hz至100hz范围内的正弦振动信号,振幅可调节至连廊结构的承载极限。

103、其中，所述k-均值聚类算法的聚类数k可设置为3至10之间。

104、其中，所述低风险特征区间为:振幅小于0.5mm且频率小于1hz；中风险特征区间为:振幅在0.5～2mm且频率在1～5hz；高风险特征区间为:振幅大于2mm且频率大于5hz。

105、其中，所述微观特征提取分支中的多尺度卷积层使用1x1、3x3和5x5三种不同大小的卷积核进行并行处理。

106、其中，所述宏观特征提取分支中的深度卷积网络采用resnet-50作为主干网络。

107、其中，所述特征融合层包括3个全连接层,分别具有256、128和64个神经元。

108、其中，所述滑动时间窗口的长度为1小时。

109、可选的，所述预警信号包括声光报警和向管理人员发送短信等形式。

110、可选的，所述低风险阈值0.3和高风险阈值0.7可根据连廊的具体使用环境和材料特性进行调整。

111、可选的，所述振动传感器的测量范围为0.01mm/s至100mm/s,测量频率范围为0.1hz至500hz。

112、可选的，所述变形传感器的测量范围为0.01mm至100mm,测量精度为0.001mm。

113、可选的，所述监测数据的采集频率为1hz至100hz之间,采集时长涵盖连廊的全生命周期。

114、与现有技术相比较，本发明提供的一种高空大型钢结构连廊的安全风险监测方法的有益效果是：

115、1.监测手段全面,能够深入分析连廊的动态响应特性

116、采用振动传感器和变形传感器,全面获取连廊结构在多个方向上的振动数据和静态变形数据。利用小型模型实验,在不同强度振动载荷下,获得更加详细的动态响应特征,为风险分析提供支撑。通过数据分析,可以同时关注连廊局部的细节变化和整体的长期趋势,充分反映结构的安全状况。

117、2.风险评估科学系统,可以快速准确地评估连廊的安全风险

118、采用聚类算法对监测数据进行分析,划分出不同风险等级的特征区间,为后续的风险评估建立依据。设计了一种双分支神经网络结构,能够综合微观振动变形特征和宏观结构特征,建立起连廊的振动、变形与风险指数之间的映射关系。可实时计算连廊的风险指数,并与预设阈值进行比较,及时发现安全隐患。

119、3.预警能力强,可以提前采取措施,降低事故发生的风险

120、当风险指数超过预设阈值时,系统可及时发出声光报警、短信通知等预警信号,提醒相关人员采取必要处置。结合历史数据分析和专家经验,可以自适应调整预警阈值,提高预警的灵敏性和针对性。利用多传感器融合和动态风险评估等手段,进一步提高预警的可靠性和准确性。

121、综上所述,本发明的安全风险监测方法,克服了现有技术的局限性,实现了对大型连廊结构全面深入的动态响应分析,建立了科学系统的风险评估和预警机制，解决了现有技术存在的检测手段单一、预警能力弱的技术问题。