基于分布式边缘计算的高层建筑施工环境监测系统的制作方法

本技术涉及边缘计算，尤其涉及基于分布式边缘计算的高层建筑施工环境监测系统。

背景技术：

1、在高层建筑施工过程中，环境监测是保障施工安全和质量的重要环节。传统的环境监测方法主要依赖于集中式的数据采集和处理系统，这些系统通常通过部署固定的监测设备来采集环境数据，并将数据传输到中心服务器进行处理和分析。然而，随着高层建筑规模和复杂度的增加，传统的集中式监测系统在应对复杂多变的施工环境时，逐渐暴露出诸多局限性和不足。

2、首先，传统的集中式环境监测系统在数据传输和处理方面存在瓶颈。高层建筑施工现场通常涉及多个监测点，这些监测点需要实时采集大量的环境数据(如温度、湿度、风速、噪声等)，并通过网络传输到中央服务器进行处理。由于网络带宽和传输速度的限制，大量数据的传输可能导致网络拥塞和数据延迟，从而影响实时监测的效果。此外，集中式处理方式对中央服务器的计算能力要求较高，随着监测点数量和数据量的增加，中央服务器容易出现计算负载过重的问题，进一步影响数据处理效率和实时性。其次，传统环境监测系统在数据处理和分析方面的灵活性和适应性不足。施工环境具有高度的动态性和复杂性，不同区域和时间段的环境参数可能存在显著差异。集中式处理方式难以灵活应对这种变化，因为所有的数据处理任务都集中在中央服务器上，系统缺乏对不同监测点数据的本地化处理和分析能力。此外，集中式系统在数据融合和多源数据分析方面也存在局限性，难以充分利用各个监测点的数据特征进行综合分析和智能预警。

3、为了克服传统集中式环境监测系统的局限性，近年来，分布式边缘计算技术逐渐引入到环境监测领域。边缘计算是一种新兴的计算模式，它通过在靠近数据源的边缘节点进行数据处理和分析，减轻了中央服务器的负担，减少了数据传输的延迟，提高了系统的实时性和响应速度。在高层建筑施工环境监测中，边缘计算节点可以部署在各个监测点附近，实现本地化的数据处理和分析，将处理后的结果上传到中央服务器进行进一步整合和分析。

4、然而，现有的边缘计算环境监测系统仍然存在一些问题和挑战。首先，在监测节点的部署和数据采集方面，如何科学合理地选择监测点的位置和数量，以覆盖整个施工区域并保证数据采集的全面性和准确性，是一个重要问题。监测点的合理布局直接影响到系统的监测效果和数据质量。目前，常用的方法是基于经验或简单的几何分布，这种方式难以充分考虑施工环境的复杂性和动态变化，导致监测覆盖不足或冗余的问题。其次，在数据处理和分析方面，现有的边缘计算系统缺乏对复杂环境数据的高效处理能力。施工环境中的数据通常具有多维度、多尺度和高噪声的特点，简单的处理方法难以满足准确性和实时性的要求。尤其是在多源数据融合和智能预警方面，现有系统的算法和模型尚不够成熟，无法充分挖掘数据中的潜在信息和关联关系，导致监测精度和预警效果不理想。此外，在数据传输和网络通信方面，边缘计算节点之间的数据同步和通信也是一个重要挑战。高层建筑施工现场的环境复杂多变，监测节点之间的数据传输和通信可能受到网络条件和环境干扰的影响，导致数据丢失、延迟和不一致的问题。现有的边缘计算系统在数据传输协议和同步机制方面还需要进一步优化和改进，以保证数据传输的可靠性和一致性。

技术实现思路

1、本技术实施例提供基于分布式边缘计算的高层建筑施工环境监测系统，实现了对施工环境的全面监测和精准预警，显著提升了系统的监测准确性和效率。。

2、本技术实施例提供了基于分布式边缘计算的高层建筑施工环境监测系统，所述系统包括：数据采集和预处理单元、数据优化传输单元和边缘计算管理单元；所述数据采集和预处理单元，用于通过在目标高层建筑施工区域均匀选择多个监测节点，在每个监测节点布设一个数据采集和预处理子单元，每个数据采集和预处理子单元实时采集自身所处位置的环境数据，将采集到的环境数据进行预处理，得到每个监测节点对应的预处理环境数据；所述数据优化传输单元，用于对每个监测节点的预处理环境数据进行稀疏编码，得到预处理环境数据的稀疏表示后传输到云端的边缘计算管理单元；所述边缘计算管理单元，包括多个云端的边缘计算节点和一个云端控制子单元，每个云端的边缘计算节点对应一个监测节点的预处理环境数据的稀疏表示，接收传输过来的该监测节点对应的预处理环境数据的稀疏表示；所述云端控制子单元，用于对每个边缘计算节点中的预处理环境数据的稀疏表示进行变化趋势同步分析，将变化趋势的差异在设定范围内的边缘计算节点进行连接；根据边缘计算节点的位置关系和各个边缘计算节点的连接关系，构建边缘计算节点的图模型，计算图模型的拉普拉斯矩阵，基于拉普拉斯矩阵，计算各个监测节点的风险概率，当某个检测节点的风险概率超过设定的阈值时，发出环境风险预警。

3、进一步的，所述环境数据至少包括：温度、湿度、光照强度、紫外线强度、风速、噪声强度和空气质量。

4、进一步的，数据采集和预处理单元在目标高层建筑施工区域均匀选择多个监测节点的方法包括：将目标高层建筑施工区在竖直方向划分为多个层区域；在每个层区域，使用如下公式，计算该层区域的监测节点的数量：

5、

6、其中，ni为第i层区域的节点数量；n为监测节点的总数；hi为第i层区域的高度；ai为第i层区域的面积；α为高度权重因子，取值在1.5到2之间；l为总层数；δi为二值随机变量，服从伯努利分布b(1，0.5)；poisson(λi)表示泊松分布，λi为第i层的期望节点数；表示向下取整函数；表示向上取整函数；i，j和k均为下标索引；aj为第j层区域的面积；ak为第k层区域的面积；hj为第j层区域的高度；hk为第k层区域的高度。

7、进一步的，设数据采集和预处理单元在时间t采集到的环境数据为s(t)，使用如下公式，将采集到的环境数据s(t)进行预处理，得到预处理环境数据

8、

9、其中，φj，k，m(t)为父小波基函数，用于捕捉环境数据的低频成分；j，k和m均为下标索引；ψj，k(t)为小波函数，其尺度等于下标索引j，平移等于下标索引k；<s(t)，ψj，k>为小波系数，表示环境数据s(t)在其尺度等于下标索引j和位置等于下标索引k的小波分解强度；为阈值函数，λj是尺度等于下标索引j时的尺度阈值；γj,k，m为父小波系数，表示环境数据s(t)在父小波基函数上φj，k，m(t)的投影强度；∈(t)为残余噪声，表示去噪过程中无法完全消除的噪声成分；j为最大分解尺度，决定了小波分解的深度；m为父小波基函数的数量，决定了低频成分表示的复杂度。2j表示表示在尺度等于下标索引j时的采样率，随着j的增加，采样率成倍增加；2j/2表示尺度因子，用于保持不同尺度下能量的一致性。

10、进一步的，父小波基函数使用如下公式进行表示：

11、φj，k，m(t)＝2j/2·φm(2jt-k)；

12、其中，φm(t)＝tm-mt是第m个基本父小波基函数，为正交多项式。

13、进一步的，所述数据优化传输单元，对每个监测节点的预处理环境数据进行稀疏编码时，稀疏编码的目标函数使用如下公式进行表示：

14、

15、其中，该目标函数的约束关系使用如下公式进行表示：

16、

17、其中，是学习得到的过完备字典，其中s是数据维度，k是字典原子数；表示实数域；是第i个监测节点的预处理环境数据的稀疏表示，n是时间采样点数，所有的xi组成稀疏表示矩阵x；λ1，λ2和λ3均为预设的正则化调整参数；dk是字典d的第k列，即第k个字典原子；πi是第i个监测节点的预处理环境数据的概率分布；π0是先验概率分布；为二阶f范数；||·||1为一阶l1范数；kl(·)为kl散度；w和b分别是用于计算πi的softmax函数权重矩阵和偏置向量；||·||2为一阶l2范数。

18、进一步的，所述云端控制子单元，使用动态时间规整算法进行时间序列分析，对每个边缘计算节点中的预处理环境数据的稀疏表示进行变化趋势同步分析，得到不同边缘计算节点中的预处理环境数据的稀疏表示的趋势相似度dtw(xi，xj)；其中，xj表示第j个监测节点的预处理环境数据的稀疏表示；定义相似度阈值τ，当dtw(xi，xj)＜τ时，将监测节点i对应的边缘检测节点和监测节点，对应的边缘检测节点进行连接。

19、进一步的，所述云端控制子单元，根据边缘计算节点的位置关系和各个边缘计算节点的连接关系，构建边缘计算节点的图模型g＝(v，e，w)；其中，v是边缘检测节点集合；e是边集合，w是预设的权重矩阵；权重矩阵中的每个元素wij使用如下公式进行计算：

20、

21、其中，pi和pj是监测节点i和监测节点j的在目标高层建筑施工区域的位置坐标；σ为趋势相似度dtw(xi，xj)的标准差；||·||为向量模运算；ρ为所有||pi-pj||运算结果的标准差。

22、进一步的，所述云端控制子单元，计算图模型的拉普拉斯矩阵l＝d-w；其中，d是度矩阵，dii＝∑jwij；基于拉普拉斯矩阵，定义一个多层图卷积网络，使用如下公式，计算各个监测节点的风险概率prisk：

23、prisk＝softmax(h(v))；

24、其中，v为多层图卷积网络的层数；h(v)为多层图卷积网络的最后一层的输出，使用如下公式进行计算：

25、

26、其中，h(0)＝xi，w(l)是第l层的可学习参数矩阵，σ是激活函数；in为单位矩阵，其维度为n。

27、本技术提供的基于分布式边缘计算的高层建筑施工环境监测系统，通过科学合理地选择监测点的位置和数量，本发明确保了对整个高层建筑施工区域的全面覆盖。使用小波变换和稀疏编码技术对采集到的环境数据进行预处理，有效地去除了噪声，提取了关键特征，保证了数据的准确性和可靠性。稀疏编码通过减少数据冗余，提高了数据传输效率，降低了网络负担。这样，不仅确保了环境数据的高质量，还为后续的数据分析提供了可靠的基础。本发明引入了多层图卷积网络(gcn)和动态时间规整(dtw)算法，实现了对复杂环境数据的高效处理和分析。gcn通过多层卷积操作，逐层提取和融合节点特征，使得每个节点的表示不仅依赖于自身的数据，还包含了其邻域节点的信息。这种高效的特征提取和融合方式，能够准确捕捉环境数据中的复杂关系和变化模式，显著提高了数据的表达能力和监测精度。dtw算法用于时间序列分析，通过动态对齐时间序列，捕捉不同监测节点间的变化趋势相似性，进一步提高了数据分析的准确性。本发明通过分布式边缘计算技术，将数据处理任务分散到各个边缘节点，减轻了中央服务器的负担，避免了集中式处理方式中的计算瓶颈和单点故障问题。边缘计算节点可以在本地进行数据预处理和初步分析，只将关键结果上传到中央服务器进行整合和深度分析。这种分布式处理方式，提高了系统的计算效率，降低了网络传输负担，实现了计算资源的高效利用。