[0001] 本发明涉及建筑与地质测量技术领域,具体而言,涉及一种基于北斗GNSS及三轴倾斜传感器的建筑形变监测方法、装置、设备及存储介质。

[0002] 建筑物尤其是高层建筑物的倒塌严重危及着人们的公共安全，特别是当建筑物遭受火灾等意外情况时，建筑物倒塌的概率大幅提升，对于处于建筑物内实施人员疏散和急救的消防人员而言，无法预知处于燃烧状态的建筑物是否会发生倒塌，更不能预知何时会发生倒塌，通常，消防人员只能依据经验以及对于现场状况的观察来感知判断，如此，对于处于危险状态的建筑物中的人员而言并无安全预警保障。通常情况下，建筑物在发生倒塌前均会发生不同程度的形变，而形变最主要的特征参量是位移，其他如挠度、倾斜、沉降从本质上说都是位移。在一定程度上，通过测量建筑构件或整体的位移，可以获知建筑空间维度上的变形，在连续的时间范围内测量，可以获取建筑在时间维度上的实时变形情况。然而，由于建筑物尤其是高层建筑体积较大，形变较小，并且不同形变方向上因不同外部作用力造成的形变，无法直接对采集设备的数据进行采信。目前的测量设备很难实现高可信度的建筑物形变精确监测。

[0021] 为了便于理解本申请,下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是,本申请可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使本申请的公开内容更加透彻全面。

[0022] 除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。

[0023] 可以理解,空间关系术语例如“在...下”、“在...下面”、“下面的”、“在...之下”、“在...之上”、“上面的”等,在这里可以用于描述图中所示的一个元件和/或特征与其它元件和/或特征的关系。应当明白,除了图中所示的取向以外,空间关系术语还包括使用和操作中的器件的不同取向。例如,如果附图中的器件翻转,描述为“在其它元件下面”和/或“在其之下”和/或“在其下”元件和/或特征将取向为在其它元件和/或特征“上”。因此,示例性术语“在...下面”和“在...下”可包括上和下两个取向。此外,器件也可以包括另外地取向(譬如,旋转90度和/或其它取向),并且在此使用的空间描述语相应地被解释。

[0024] 在此使用时,单数形式的“一”、“一个”和“/该”也可以包括复数形式,除非上下文清楚指出另外的方式。还应当理解的是,术语“包括/包含”和/或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分和/或它们的组合的存在,但是不排除存在和/或添加一个和/或更多个其他特征、整体、步骤、操作、组件、部分和/或它们的组合的可能性。

[0025] 本实施例公开有基于北斗GNSS及三轴倾斜传感器的建筑形变监测方法。

[0026] 所述监测方法用于对待测建筑的建筑形变作出监测。其中‌建筑形变‌是指建筑物在使用过程中发生的各种变形现象，主要包括弹性形变和塑性形变。弹性形变是指在外力作用下发生的形变，当外力撤销后能够恢复原状；而塑性形变则是指在外力作用下发生的形变，一旦外力撤销后无法恢复原状。建筑形变的原因包括结构、土壤和环境等因素，以及自然因素的影响。例如，高层建筑在风荷载和地震作用下会发生弯曲型变形和剪切形变形，这些变形形式与建筑结构的刚度和受力情况密切相关。本实施例利用集成学习的思想，充分考虑建筑在发生形变过程中，复杂持续的外作用力对建筑造成的复杂并难以观测的形变。‌‌

[0027] 图1示出本实施例基于北斗GNSS及三轴倾斜传感器的建筑形变监测方法的流程示意图。

[0028] 图1示出所述监测方法包括下列步骤。

[0029] 10 获取待测建筑的建筑信息。

[0030] 其中所述建筑信息包括所述待测建筑的建筑轮廓及建筑几何。

[0031] ‌建筑轮廓是指建筑外墙面水平投影的外轮廓线‌。这是建筑外形的边界线，用于描述建筑的整体形状和尺寸。‌建筑几何‌是指将几何学原理应用于建筑设计中的一种方法，通过几何图形的排列组合和空间构造来创造美观且实用的建筑形态。几何学在建筑中的应用不仅限于简单的形状设计，还包括更复杂的几何变换和空间关系处理。

[0032] 20根据所述建筑几何分析所述待测建筑可能发生形变的一个或多个形变方向。

[0033] 通过建筑几何对建筑可能发生形变方向的分析，是指分析建筑的几何形态，根据建筑的几何形态分析建筑在受外作用力时，容易发生形变的方向或角度。建筑的这些容易发生形变的方向或角度，是对待测建筑形变监测的重要依据。

[0034] 30沿所述形变方向在所述建筑轮廓部署一个或多个北斗GNSS监测站，在所述待测建筑的外部部署北斗GNSS参考站。

[0035] ‌北斗GNSS监测站及北斗GNSS参考站‌是一种用于监测全球导航卫星系统（GNSS）的设备。这些卫星系统发射信号，供接收器使用来计算位置、速度和时间等信息‌。北斗GNSS监测站通过接收卫星信号，记录时间、位置和信号强度等信息，测量卫星轨道和钟差，并提供高精度的位置和时间信息。北斗GNSS监测站沿形变方向部署将能够得到形变方向或角度上待测建筑将来可能发生的形变。‌北斗GNSS监测站及北斗GNSS参考站之间通过相对的信号距离计算得到两者坐标上的变化，即建筑在形变方向上的形变。

[0036] 40 所述建筑几何在所述待测建筑的几何中心部署三轴倾斜传感器。

[0037] 三轴倾斜传感器部署在待测建筑的几何中心，能够得到相对稳定的待测建筑整体发生位移的数据。

[0038] 50采集一监测时间内所述待测建筑在多个形变方向的北斗GNSS数据，

[0039] 60提取每个北斗GNSS数据在监测时间内的显著变化特征。

[0040] 其中，显著变化特征包括距离信号变化。提取距离信号变化包括，对监测时间内的一段连续的北斗GNSS数据进行快速傅里叶变换，以得到北斗GNSS数据的频域数据。按照幅度大小对频域数据中各频率分量排序。选择一幅阈值，仅保留大于幅阈值的频率分量为该北斗GNSS数据的主要频率。根据选择的全部主要频率计算得到距离信号变化。

[0041] 优选的，选择主要频率时，可直接选择排列在前一定数量的频率分量为主要频率。

[0042] 优选的，计算全部主要频率的均值为距离信号变化。

[0043] 70 根据显著变化特征分类至少一个北斗GNSS数据为稳定数据，至少一个北斗GNSS数据为非稳定数据。

[0044] 其中，选择大于或等于一频率阈值的距离信号变化对应的北斗GNSS数据为非稳定数据；选择小于频率阈值的距离信号变化对应的北斗GNSS数据为稳定数据。

[0045] 80 选择与非稳定数据对应的第一神经网络模型，通过第一神经网络模型监测得到非稳定数据的期望复杂形变数据。

[0046] 其中，第一神经网络模型为BP神经网络模型。BP神经网络是基于误差反向传播训练的多层前馈神经网络。BP神经网络模型由一个输入层、若干隐含层及一个输出层组成。BP神经网络模型的输入层包含若干个输入神经元，输入神经元用于输入稳定数据的输入特征。BP神经网络模型有1个隐藏层，隐藏层包括3到5个隐藏神经元。BP神经网络模型的输出层有1个输出神经元，输出神经元输出能够表征稳定数据对应的复杂形变变化，即期望复杂形变数据。BP神经网络模型选用S型传递函数， ；通过反传误差函数，；其中Ti为期望输出、Oi为网络的计算输出，调节网络权值和阈值使误差函
数E达到极小化，选用S型正切函数tansig作为隐藏神经元的激励。

[0047] 优选的，非稳定数据作为BP神经网络模型的输入前，提取非稳定数据的时域特征及频域特征，分别是峰值、裕度、歪度、峭度、中心频域、频率标准差、均方根频率及频率集中度。

[0048] 对提取的时域特征及频域特征进行归一化处理，即 , 、 为归一化结果的最小值和最大值。将归一化后结果作为BP神经网络模型的输入。

[0049] 90 计算得到稳定数据的一般简单形变数据。

[0050] 其中，计算得到一般简单形变数据是指，对稳定数据进行滤波处理，再通过叠加求和的方式计算在监测时间内稳定数据对应的待测建筑形变，即一般简单形变数据。

[0051] 100 选择一第二神经网络模型，通过第二神经网络模型监测得到至少一个期望复杂形变数据与至少一个一般简单形变数据的综合待测建筑形变。

[0052] 其中，第二神经网络模型为RBF神经网络模型。RBF神经网络模型即径向基神经网络模型。RBF神经网络模型包括一输入层、一隐藏层及一输出层。输入层有m个输入神经元，每个输入神经元对应一个北斗GNSS数据，输入对应非稳定数据的期望复杂形变数据，对应稳定数据的一般简单形变数据。隐藏层的隐藏神经元数量为m个，各隐藏神经元的径向基函数采用高斯函数，即 ，其中j属于自然数并小于等于m，为隐藏层第j个神经元的高斯函数中心； 为高斯函数宽度； 在 取最大值，并与 呈负相关， 取值大于或等于0。优选的，其中，初始各隐藏神经元的高斯函数中心（即聚类中心）可随机取得，或通过K‑means对多个用于训练RBF神经网络模型的样本聚类得到输出层有m个输出神经元，分别表征对待测建筑在经过监测时间后的形变，以表征综合待测建筑形变。输出神经元的判别为，其中 为隐藏层第j个隐藏神经元到输出层第k个输出神经元的权重，W为隐藏神经元个数。

[0053] 优选的，第二神经网络模型同样可配置为BP神经网络模型。

[0054] 110通过所述三轴倾斜传感器的三轴倾斜数据校验所述综合建筑形变。

[0055] 综合建筑形变与三轴倾斜数据在各形变方向的形变比例应保持在以可控范围。若综合建筑形变与三轴倾斜数据的形变比例不一致的，认为存至少一形变方向上的建筑形变存在不可信状态，则返回30对非稳定数据重新分类。

[0056] 基于此，本实施例监测方法首先提取各北斗GNSS数据，再对北斗GNSS数据的信号频率进行分类，判断得到稳定数据及非稳定数据。稳定数据为北斗GNSS在监测时间内可信的一个或多个方向的位移数据，非稳定数据为北斗GNSS在监测时间内不可信的一个或多个方向的位移数据。监测方法利用集成学习的方式，通过第一神经网络模型对不可信的北斗GNSS数据进行监测，得到期望复杂形变数据；通过直接计算可信的北斗GNSS数据得到一般简单形变数据。监测方法最后通过第二神经网络模型对多个期望复杂形变数据和/或一般简单形变数据进行监测，得到表征待测建筑在各方向上形变的的综合建筑形变。

[0057] 本实施例公开一种基于北斗GNSS及三轴倾斜传感器的建筑形变监测装置。

[0058] 图2示出基基于北斗GNSS及三轴倾斜传感器的建筑形变监测装置的结构示意图。

[0059] 图2示出监测装置包括所述监测装置包括北斗GNSS监测站、北斗GNSS参考站、三轴倾斜传感器及服务器。所述服务器获取待测建筑的建筑信息，其中所述建筑信息包括所述待测建筑的建筑轮廓及建筑几何；根据所述建筑几何分析所述待测建筑可能发生形变的一个或多个形变方向；一个或多个所述北斗GNSS监测站沿所述形变方向在所述建筑轮廓部署；所述北斗GNSS参考站部署在所述待测建筑的外部；所述三轴倾斜传感器根据所述建筑几何在所述待测建筑的几何中心部署；所述服务器采集一监测时间内所述待测建筑在多个形变方向的北斗GNSS数据，其中所述GNSS数据源根据所述形变方向的所述北斗GNSS监测站相对所述GNSS参考站的测量得到；提取每个所述形变方向在所述监测时间内的显著变化特征；根据所述显著变化特征分类至少一个所述北斗GNSS数据为稳定数据，至少一个所述北斗GNSS数据为非稳定数据；选择与所述非稳定数据对应的第一神经网络模型，通过所述第一神经网络模型监测得到所述非稳定数据的期望复杂形变数据；计算得到所述稳定数据的一般简单形变数据；选择一第二神经网络模型，通过所述第二神经网络模型监测得到至少一个所述期望复杂形变数据与至少一个所述一般简单形变数据的综合建筑形变；通过所述三轴倾斜传感器的三轴倾斜数据校验所述综合建筑形变。

[0060] 本实施例公开一种计算机设备。

[0061] 图3为计算机设备的结构示意图。

[0062] 图3示出计算机设备包括：至少一个处理器、至少一个存储器、电源、通信接口、输入/输出接口及通信总线。其中，所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行，以实现前述任一实施例公开的监测方法中的相关步骤。

[0063] 本实施例中电源用于为电子设备上的各硬件设备提供工作电压；通信接口能够为电子设备创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。存储器作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统、计算机程序等，存储方式可以是短暂存储或者永久存储。操作系统用于管理与控制电子设备上的各硬件设备以及计算机程序，其可以是Windows Server、Netware、Unix、Linux等。计算机程序除了包括能够用于完成前述任一实施例公开的由电子设备执行的监测方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。

[0064] 本实施例公开一种计算机可读存储介质。存储介质用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的监测方法。关于该监测方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。

[0065] 通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。

[0066] 注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。