基于多傳感器和RBF神經網絡的建筑沉降監測

肖雄亮，任 艷，方月娥

（1.湖南信息學院電子信息學院，湖南 長沙 410151；2.新疆財經大學信息管理學院，新疆烏魯木齊 830012；3.湖南水利水電職業技術學院電力工程系，湖南長沙 410131）

隨著我國房地產行業的爆發式發展，廣大人民群眾的住房條件得到了較大改善，高層和超高層建筑層出不窮。但是，隨著時間的推移，建筑物不可避免地會發生結構性變化，例如形變和沉降等可能導致較大的安全問題[1-3]。因此，為了對上述安全隱患進行有效預防，需要對建筑物結構各個方面的參數指標進行準確的監測，以便合理評估其健康狀態。

目前，針對建筑物結構的監測主要包括兩個方向[4]：1）采用各種力學傳感設備進行應力應變的監測；2）采用各種學科交叉技術（計算機、傳感網和圖像處理等）進行建筑結構的位移監測。近些年，第二種方法成為了研究人員的熱門方向，并提出了大量的在線聯網監測系統或者方案。例如，文獻[5]對傳統幾何水準測量方法進行了改進，提出了一種掛尺觀測方法，該方法有效實現了建筑物沉降監測，提高了監測的連續性和工作效率。但是，該方法仍采用傳統的經緯儀和位移計等設備來對建筑結構的狀態進行評估，無法對可能的沉降點相關信息進行預測。為了實現準確的沉降預測，文獻[6]提出了基于小波神經網絡的建筑工程沉降變形預測方法。文獻[7]提出了一種基于PSO-BP 神經網絡的建筑物沉降預測模型。相比于傳統的BP 神經網絡模型，小波神經網絡模型和PSO-BP 神經網絡模型的預測精度均獲得了一定的提升。但是，上述預測模型的精度仍不夠理想。

因此，為了提高建筑物結構沉降監測的可靠性和預測精度，提出了一種基于多傳感器和RBF神經網絡的建筑沉降監測方法。通過數字壓力傳感器等多種傳感器對建筑物沉降信息進行采集，并利用GPRS 通信模塊進行上傳，以便提高沉降監測的可靠性。然后，構建了蛙跳算法優化RBF 神經網絡模型，對可能的沉降點進行預測，從而提高沉降預測的精度。

1 沉降監測數據采集

沉降監測中采用的硬件主要分為傳感器模塊和通信模塊兩個部分。其中，傳感器模塊包括數字壓力傳感器和數字雙軸傾角傳感器，負責對建筑物沉降信息進行采集。通信模塊則使用了工業級的GPRS 無線終端設備，負責將串口數據轉換為IP 數據進行無線傳輸。

1.1 數字壓力傳感器

作為建筑物結構沉降監測的最重要元件，數字壓力傳感器的選擇對可靠性有直接影響[8]。因此，文中采用了新一代的數字輸出壓力傳感器PY210S，在機械振動頻率為20～1 000 Hz 的范圍內，其輸出變化小于0.1%FS，即壓力值能精確到±100 Pa，量程為-0.1～60 MPa 和-100～+100 kPa，響應時間為5 ms。

數字輸出壓力傳感器PY210S 的壓力-電流輸出曲線圖如圖1 所示。

圖1 壓力-電流輸出曲線圖

數字輸出壓力傳感器PY210S 的輸出信號為RS485、RS232（四線），采集速度范圍為0.25～10 s/次（可設置），工作環境溫度為常溫-20～85 °C，采用了零點溫度自動補償技術。數字輸出壓力傳感器PY210S 的電壓輸出（0～5 VDC/0～10 VDC）接線示圖如圖2 所示。

圖2 電壓輸出接線示意圖

1.2 傾角傳感器

文中采用的傾角傳感器型號為AVT4000T，是一款全溫補超高精度雙軸傾角傳感器，其全范圍精度為0.001°，輸出頻率為5～100 Hz，分辨率為0.000 5°，寬溫工作范圍為-40～+85 ℃，輸出RS232/RS485/TTL（可選），高抗振性能大于20 000 Hz/g。AVT4000T 雙軸傾角傳感器尺寸參數如圖3 所示。

圖3 傾角傳感器的尺寸參數

為了對建筑物結構沉降進行有效監測，在傾角傳感器的安裝過程中需要注意保持傳感器安裝面與被測目標面平行，測量方向分為水平和垂直兩種方式[9]，如圖4 所示。

圖4 測量方向

AVT4000T雙軸傾角傳感器默認速率為9 600 bps，數據格式為16 進制，采用的數據幀格式如表1 所示。

表1 數據幀格式

1.3 GPRS無線終端設備

采用高性能工業級無線GPRS 通信模塊CMDR1X00，以便滿足工業現場應用需求，適配標準協議（Modbus、Slip 等協議）和用戶自定義協議，支持設備永久在線，具備斷網斷線自動重連能力，其設備參數如表2 所示。

表2 GPRS通信模塊設備參數

2 監測數據分析及沉降監測預測模型

2.1 監測數據分析

文中選取了一幢房齡為18 年的5 層住宅樓作為建筑監測對象，將上述兩種傳感器合理布置到建筑物中進行數據采集，并通過GPRS 線終端設備傳輸到本地計算機中，然后對沉降數據構建蛙跳算法優化的RBF 神經網絡預測模型。

具體布置了4 個數字壓力傳感器測量點，同時，也在建筑物樓層地面和墻壁上隨機布置了4 個傾角傳感器。數據采集周期為10 分鐘一次，進行了一個月的監測。

對數字壓力傳感器采集的監測數據進行分析發現，該建筑物結構在3 個監測點附件發生了輕微下沉。同時通過對比發現，這3 個監測點的下沉方向與傾角傳感器分析得出的傾斜方向一致，驗證了多傳感器采集的可靠性。

2.2 蛙跳算法優化的RBF神經網絡沉降預測模型

文中利用RBF 神經網絡模型對沉降數據進行處理。在RBF 神經網絡模型[10-14]中，設輸入樣本為Xk=(x1,x2,…,xn)，k=1,2,…,m，其中m和n分別代表樣本總量和一個樣本的特征總數，一般而言，輸入層神經元個數和特征總數相等。若進行了樣本特征篩選，則輸入層神經元個數一般小于特征總數。第k個樣本經過模型后得到的輸出為：

其中，n為輸出層神經元個數。

首先，輸入樣本經過權重系數調節后，到達第一隱含層的值為[4]：

S1j值經過特征轉換函數后可得：

RBF 神經網絡選取的特征轉換函數為Gaussian函數[5]。其中，σ為大于0 的實數，cj為第j個隱含層中心值，將第一隱含層作為輸入，經過權重系數調節后，到達第二隱含層的值為:

然后，經過轉換函數求解得到：

經過所有隱含層的輸出經過權重Vjt得到的結果為：

上式經過Gaussian 函數求解得到整個模型的輸出結果：

第k個樣本的誤差結果為：

所有樣本的誤差為：

式（8）經過一階求導，得：

求解隱含層與輸出層之間的權重為：

其中，α為學習速度，

為了進一步提高預測精度，選取蛙跳算法[15-16]來對RBF 神經網絡的參數進行優化。設池塘有P只青蛙構成一個蛙群，記為，選擇流量預測均方誤差RMSE 的倒數作為適應度函數，計算所有青蛙的適應度，并將RMSE 倒數最大的青蛙記為xg。優化問題的屬性數為s，其某一最優解記為首先將P只青蛙隨機分成M組，然后在M組內分別進行食物量最大搜索，移動方法為[7]：

文中采用蛙跳算法優化RBF 神經網絡參數的主要步驟為：

1）蛙跳算法在第t+1 次計算迭代過程中，運用第t次迭代后的結果，將求解的RMSE 較大的青蛙Xb(t)不斷向RMSE 較小的青蛙Xw(t)靠近。為了保證群組內的青蛙可以朝著RMSE 較小的青蛙靠攏，從RMSE最大的青蛙開始不斷移動，移動方法為[9]：

2）若t+1 時刻求解的Xw(t+1)值比Xw(t)大，即具有更好的適應度，那么用Xw(t+1)替換Xw(t)，反之，繼續執行式（13）和式（14）。關于青蛙移動步長問題，可引入步長因子C，那么對于第k只青蛙的第i次移動距離，計算公式為：

其中，步長因子為[10]：

Cmin和Cmax分別為在當前群組內的青蛙最小和最大移動步長，可以根據實際情況設定，Gglobal為群組內所有青蛙的適應度值之和，inow為當前時刻青蛙移動的次數。

3）當群組內所有青蛙的適應度值更接近Xb(t)，且誤差在設定的閾值內時，算法迭代停止，輸出當前時刻青蛙分布，即為最優解。

3 實驗結果與分析

為了驗證所提建筑物沉降預測模型的性能，進行了仿真實驗。選擇20 個數據作為測試數據，其余作為訓練數據，對蛙跳算法優化RBF 神經網絡進行仿真，其中隱藏層神經元數量設置為10。蛙跳算法優化RBF 神經網絡的訓練收斂曲線如圖5 所示。

圖5 訓練收斂曲線

從圖5 可以看出，經過27 次迭代后，蛙跳算法優化RBF 神經網絡達到收斂，從而可以在收斂后的網絡模型上進行預測實驗。20 個實際沉降數據與預測數據之間的對比如圖6 所示。

圖6 實際沉降值與預測沉降值對比

從圖6 可以看出，利用多傳感器采集的監測數據，實際沉降值與多種神經網絡預測沉降值的趨勢大致相同。但是，相比于小波神經網絡模型[6]和PSO-BP 神經網絡模型[7]，蛙跳算法優化RBF 神經網絡模型與實際值的相對誤差最小，最大相對誤差僅為4.83%，即預測的結果最為精確。

4 結束語

文中提出了一種基于多傳感器和RBF 神經網絡的建筑沉降監測方法，通過數字壓力傳感器等多種傳感器對建筑物沉降信息進行采集，并利用GPRS 通信模塊進行上傳，以便提高沉降監測的可靠性。然后，構建了蛙跳算法優化RBF 神經網絡模型，對可能的沉降點進行預測，從而提高了沉降預測的精度。實驗結果表明，所提方法獲得了最佳的實際值擬合曲線結果，驗證了其在沉降預測中的可行性。后續將根據所提方法建立適用范圍更廣的建筑群結構沉降檢測與預測系統，以便大規模推廣應用。