基于神經網絡的工程結構智能監測系統設計

郝帆

（陜西財經職業技術學院 陜西 咸陽 712000）

基于神經網絡的工程結構智能監測系統設計

郝帆

（陜西財經職業技術學院 陜西 咸陽 712000）

為了研究基于神經網絡的工程結構智能監測系統設計問題。關于當前混凝土工程中，研究對于其工程結構的智能監測，才可以確保工程結構質量；因此基于神經網絡，優化設計工程結構智能監測系統，以便能夠準確的檢測出工程結構損傷的位置，準確評估出工程結構的損傷程度。結果證實，基于神經網絡設計工程結構智能監測系統，大大提升系統應用性能，提升14.0%，同時，也可以確保該系統符合實際工程結構智能監測需求。結論表明，基于神經網絡，優化設計工程結構智能監測系統，發揮實際應用價值，產生積極影響。

智能監測系統；工程結構；神經網絡；設計

在當前工程項目構建中，混凝土作為工程結構中的主要用材，由于混凝土是一種多孔性、非均勻性以及各向異性復合的結構體系，在進行工程結構監測中內部結構復雜。同時，基于當前神經網絡技術的發展，強化工程結構的智能監測系統設計工作，以便可以在今后的工程建筑中，可以運用該系統有效監測工程結構因素，提升工程結構智能監測性能，發揮重要作用。

1 淺析神經網絡技術

隨著當前時代技術的不斷發展，神經網絡技術發展應用都有著不錯的前景，不僅神經網絡涉及的范圍在不斷的擴大，神經網絡的應用也滲透到各個應用領域之中[1]。在如今社會中，關于神經網絡，不可以可滲透模式識別以及圖像處理中，同時也可以進行非線性的數據優化，還能夠在語音處理中運用神經網絡技術；并且，神經網絡中，還具備自然語言理解的能力，具備自動目標的識別功能，在機器人設計、專家系統知識庫中均取得矚目的成績[2-5]。在神經網絡中，主要是由簡單的、大量的處理單元等組成的，具有可變權值的能力，可以通過變換權值，從而連接形成一個并行分布式的處理系統[6-9]。在神經網絡之中，神經元作為其最基本的處理單元，具備多輸入、單輸出特性[10]，其具體設計結構如圖1所示。

圖1 神經元描述

Xi是神經網絡之中的輸入信號；wij可以表示為：從神經網絡中，在第i個神經元連接其第j個神經元的權值；θj則是表示其第j神經元中的閾值。故此，在神經網絡之中，設外部輸入信號是sj，yj是其輸出的信號，那么在神經網絡模型中，可將其j個神經元描述變換為如下形式：

對于神經網絡中，此處非線性函數 f（x），能夠是階躍函數，也可以使分段函數、Sigmoid型的函數，可以提升神經網絡在系統設計應用中的適用性。

2 設計工程結構智能監測系統需求分析

工程結構智能監測系統設計中，基于BP神經網絡技術，能夠對工程施工中進行結構損傷診斷，并可得到較好的工程結構分析、監測效果[11]。與此同時，在本次系統設計中，可以采取基于神經網絡中的BP神經算法，可以運用類似梯度尋優的算法策略，并為了提高系統的分析效率和適應能力，可以優化設計系統的監測算法部分，優化系統神經網絡模型，提升預測效率[12-14]。基于神經網絡，在該系統設計中，要符合實際用戶需求，有合理的人機界面設計，并且還應該具有穩定的監測輸出結果，避免工程結構智能監測不符實際，提升系統可用性。確保基于神經網絡，設計工程結構的智能監測系統，以便在實際工程結構監測中，能夠運用這個系統對工程中的混凝土結構進行智能的診斷，不僅能給出工程結構中的受損程度信息，也可以監測出工程中發生結構損傷的具體位置，提升系統的魯棒性，提升監測精度，確保該系統在實際中具備應用優勢。

3 設計基于神經網絡的工程結構智能監測系統

3.1 系統總體結構設計

對于本次工程結構智能監測系統設計中，基于神經網絡技術，系統分為三層結構設計，以人機交互、神經網絡、數據存儲3大部分構成系統基本設計結構。其結構如圖2所示。

圖2 系統結構圖

基于神經網絡，在本次系統設計中，其人際交互中，主要就是設計本系統中，系統監測程序與用戶之間進行交互操作的人機界面部分；在系統設計中，其神經網絡則是主要由推理模塊、以及神經網絡的算法學習模塊和數據管理來共同構成的，主要就是對系統中層智能監測數據進行管理及維護；在系統的第三層也就是數據存儲部分，主要可以采集工程結構智能監測數據，并可通過數據庫存儲，經過神經網絡算法訓練，以及數據記錄，進行算法學習，從而將監測結果傳遞給知識庫，再經過系統的推理模塊，返回給系統人機界面中。

3.2 系統功能設計

1）系統中的算法學習功能：在該系統設計中，其神經網絡可以通過對樣本功能的學習，從而能夠得到所需的權值分布，有效完成對于網絡中新知識的獲取。并且，由于在工程結構智能監測系統設計中，運用的就是 BP神經網絡算法，不僅可以實現對于隱含領域知識的管理，同時也可以將系統算法知識轉化到知識庫之中。這樣在系統中，通過反復學習樣本知識，可以在此系統監測工程結構的過程中，不斷的調整該系統的監測網絡權值[15]，從而能夠降低神經網絡誤差，提升系統監測結果精確度。

2）人機界面管理的功能：用戶界面，它提出問題并獲得結果。

3）數據庫維護的功能：基于神經網絡，在系統的設計中，優化其數據庫的設計，在一方面不僅可以有效確保用戶通過該系統有效查詢到工程結構相關的數據；同時，從另一方面來看，也可以為神經網絡算法提供一些更加合理、科學的學習樣本，確保系統中數據符合用戶可用性的需求

3.3 神經網絡算法實現

對于工程結構智能監測系統設計之中，在我們運用BP算法去訓練智能監測的神經網絡之前，也需要去確定需求的神經網絡模型，并可設計出其具體結構，之后，才可以通過學習樣本，從而才能夠得到與該神經網絡需求的權值，可以完成對于系統中算法知識的獲取[16-18]。在本次系統設計中，其神經網絡對于知識的獲取過程，主要可分為以下幾點：

1）可以在初始之期，有效獲取關于實際中進行混凝土工程結構裂縫監測的相關試驗數據，并能夠將其作為本次進行神經網絡BP訓練中的樣本，以此來不斷測試BP網絡的樣本數據；

2）經過以上步驟操作之后，就能夠將得到的訓練樣本映射到本次系統設計的神經網絡之中，得到系統初始的神經網絡結構，并獲得系統相關的參數信息；

3）在系統中，對訓練樣本知識經過BP神經網絡算法學習；

4）并可根據得出的學習結果，適當的來調整系統設計神經網絡的結構、參數，再經神經網絡中的測試樣本來進行系統測試，確保得出結果的誤差達到滿意數值；

5）最后，完成對系統神經網絡對于知識的獲取。

工程結構智能監測系統中，對于其神經網絡的算法配置方面，主要分為以下4個步驟：

1）更新工程結構智能系統的配置，確定系統中的BP神經網絡結構；

2）然后采集智能監測中工程的結構信息，對這些監測領域的相關知識進行訓練，從而得出需求的測試樣本；

3）工程結構智能監測系統中，用訓練樣本去訓練BP神經網絡；

4）最后，可以驗證神經網絡算法的性能，確保系統的神經網絡性能可滿足實際監測要求，提升該系統的設計性能。

3.4 系統軟件代碼實現

基于神經網絡，在設計工程結構智能監測系統中，可以應用 MATLAB軟件技術，從而編制出具有神經網絡功能的工程結構智能系統，同時能夠結合 VisualC++6.0語言程序，設計實現該系統。基于神經網絡，系統設計實現過程中，其系統部分實現代碼如下所示:

4 分析實際應用中系統的效益

采用BP神經網絡技術，優化設計工程結構智能監測系統的測試模型，可以得到較好的網絡結構與監測參數。如下是本次系統與傳統工程結構監測系統性能結果比較：

表1 系統應用比較

文中所設計工程結構智能監測系統，可以運用神經網絡技術，從而對工程結構進行智能的監測診斷，提升系統在實際應用中的優越性。同時，在本次設計的工程結構智能監測系統中，不僅可以有效規避在傳統系統設計中神經網絡算法存在的缺陷，還可提升系統的智能監測性能，與實際結果更為接近。工程結構智能監測系統設計中，神經網絡識別的能力提升，利于識別工程結構損傷。基于神經網絡設計工程結構智能監測系統，大大提升系統應用性能，提升14.0%，同時，也可以確保該系統符合實際工程結構智能監測需求；應用該系統確定工程結構不但速度快，而且所提供的設置參數具有良好的優化性。

5 結 論

綜上所述，可知在設計工程結構智能監測系統中，基于神經網絡技術，以任意精度逼近任意非線性函數，不僅可以提升系統監測性能，也可規避在工程結構監測中的隨機性問題，有效確保工程結構穩定，發揮應用價值，值得在實際中推廣該技術。

[1]魯鵬.土木工程結構健康監測系統的簡介[J].科教導刊：電子版（上旬）,2014（7）:124-124.

[2]朱梅.智能傳感技術在土木工程結構安全監測方面的應用[J].城市建設理論研究：電子版，2013（13）：37.

[3]葉廷東，程韜波，周松斌，等.海洋水環境網絡化智能監測系統的建模設計研究[J].計算機測量與控制，2014，22（6）: 1697-1699.

[4]周聰亮，陳紅艷，周雪，等.基于ArcGIS Engine的土壤主要養分高光譜智能監測系統[J].農業科學與技術：英文版，2014，15（7）:1205-1208.

[5]陳昌濤，任麗靜，程明，等.基于化工生產過程的有害氣體智能監測系統[J].儀表技術與傳感器，2011（10）:56-57，63.

[6]田仲富，王述洋，黃英來，等.基于無線傳感器的嵌入式森林防火智能監測系統[J].智能系統學報，2014（6）:763-768.

[7]李家成，薛桂香.可再生能源建筑能耗智能監測系統體系結構設計[J].計算機光盤軟件與應用，2014（3）:30-31，33.

[8]周杰剛，崔旭旺，王開強，等.武漢中心可變微凸支點匣套型頂升模架體系關鍵施工技術[J].施工技術，2013，42（19）: 12-17.

[9]唐遠河，劉青松，蒙磊，等.熒光光譜智能監測水中礦物油濃度的研究[J].光譜學與光譜分析，2015（2）:424-428.

[10]陳桂強，劉思琦，張桂枝，等.基于物聯網技術的高頻電源智能監測系統研究[J].電源技術，2013，37（10）:1857-1858.

[11]楊文廣，蔣東翔.大型風力機組遠程智能監測與診斷系統的研究與開發[J].中國工程科學，2015（3）:24-29.

[12]呂朋亮，陳國順.基于多 Agent的指控裝備遠程智能監測系統研究[J].計算機與數字工程，2014（11）:2069-2072.

[13]劉會勇，李偉，彭秀英，等.基于PLC的混凝土泵智能監測和控制系統[J].機械設計與制造，2011（5）:260-262.

[14]杜鳳青，盛戈皞，徐劍，等.基于IEC61850的GIS智能監測信息建模及信息交互系統設計[J].電力自動化設備，2013，33（6）:163-167.

[15]張 川，鄧珍榮，鄧星，等.基于Chukwa的大規模日志智能監測收集方法[J].計算機工程與設計，2014，35（9）:3263-3269.

[16]耿朝陽,薛倩倩.神經網絡的故障診斷方法研究[J].西安工業大學學報，2015,35(7)：527.

[17]謝川，毛永毅.基于遺傳神經網絡的AOA跟蹤算法[J].電子科技，2014（11）：8-10.

[18]李達，陳達，江新標.基于BP神經網絡從活化數據中求解1MeV等效中子注量[J].現代應用物理，2015（4）：248-253.

Engineering design of intelligent monitoring system based on neural network

HAO Fan
（Shaanxi Vocational College of Finance and Economics，Xianyang 712000，China）

In order to study the intelligent monitoring system based on the engineering design problem of neural network.On the concrete engineering study for intelligent monitoring of the engineering structure before they can ensure the quality of engineering structure；therefore based on neural network，optimization design of engineering structure of intelligent monitoring system.In order to be able to accurately detect structural damage location and accurate evaluation assessment of engineering structure damage degree.The results confirmed that the intelligent monitoring system based on neural network structure design，greatly enhance the system performance，increased by 14%，at the same time，also can ensure that the system meets the needs of practical engineering structure monitoring.The conclusion shows that based on neural network optimization，intelligent monitoring system design of engineering structure，play practical value，have a positive impact.

intelligent monitoring system；structure；neural network；design

TN99

A

1674－6236（2016）23-0112-03

2015-12-24稿件編號：201512245

郝 帆（1977—），男，陜西高陵人，工程師。研究方向:工程項目管理。