基于IOT 決策級融合技術的高支模監測系統設計研究

文｜廣州市吉華勘測股份有限公司 王雪帆

0.引言

進入新時代，我國國民經濟得到快速發展，基礎設施和城鎮化建設進入高質量發展階段，大型結構建筑物呈現出高凈空、大跨度、大界面、高荷載特點，結構布局和形態越來越復雜，高大模板支架體系（以下簡稱“高支模”）作為結構工程的基礎得到了越來越廣泛的應用。高支模體系受力復雜，呈現跨度大、荷載大特點，極易發生失穩倒塌事故，給施工現場帶來巨大的安全威脅[1]。優先發展信息化、智能化、無人化的安全生產風險監測預警裝備，重點提升安全生產危險工藝設備的機械化自動化水平，著力破解重大安全風險的超前預測、動態監測、主動預警等關鍵技術瓶頸[2]。傳統的高支模監測手段是通過全站儀、水準儀等光學儀器測量結構的平面/豎向位移，分析了解工程的安全情況。由于人工測量方式監測頻率低，支模系統內部結構復雜，通視條件差，只能監測支模系統外圍形變，無法監測內部形變，諸多局限性，往往造成預警響應不及時。隨著5G、云平臺大數據、AI 人工智能等新型技術在社會各行業應用逐漸普及，物聯網（Internet of Things，簡稱IOT）技術也逐漸應用到基礎設施的安全監測中，推動了工程安全監測和工程質量檢測的技術進步[3]。

1.研究背景

1.1 監測項目和指標要求[5]

高支模是指搭設高度8m 及以上；搭設跨度18m 及以上施工總荷載15KN/m2及以上；集中線荷載20KN/m 及以上；單點集中荷載700kg 及以上的模板支撐體系[4]。

高支模監測點的布置應能反映高大支模的受力狀態、變形特征和變化趨勢，應布設在支架薄弱、荷載較大等關鍵部位；監測點平面位置宜按網格形式布設，水平間距一般為10～15m。具體監測項目報警值要求見表1。

表1 高支模工程監測報警值

1.2 監測項目指標判別問題

高支模的模架、連接構（扣）件等材料特性差異性較大，結構較為復雜，具有多余約束的幾何不變體系的特點，屬于超靜定結構；連接節點為半剛性，存在較多理論分析問題，設計存在較大困難導致報警值失真，使用時存在安全隱患。

規范[5]選取100 個高支模監測案例，以傾斜指標為例，占比96%的項目立桿傾斜最大監測值小于10‰；占比90%的項目立桿傾斜最大監測值小于8‰；占比75%的項目立桿傾斜最大監測值小于6‰；占比50%的項目立桿傾斜最大監測值小于4‰。

相關規范[5]要求，當在其中任何一個或者幾個監測項目監測值超報警值時，應觸發危險報警，啟動應急避險措施。楊勇[6]研究了影響高支模監測的因素，由于高支模結構復雜，影響因素多，監測過程中出現“測不準”的現象，導致大家對高支模監測的困惑，現行規范和理論尚存在一定的局限性。結合表2 數據，加入支架水平位移值、支架沉降值、立桿軸力值的情況下，實際工程中報警率將超50%，其中“誤報警”的概率大增，因“誤報警”導致現場澆筑過程停止，二次進場施工，造成了巨大的損失。

表2 樣本傾斜數據統計表

綜合以上分析，得出結論：依據單一監測項目作為報警值，存在很大的局限性。單一監測項目超報警值的原因是多種多樣的，只有建立起多源監測數據及時相互驗證才能確保監測數據真實反應現場安全/失穩狀態。由于坍塌數據樣本不足、臨界數據難以獲得，報警值具有一定的局限性。國內學者宋世軍[7]研究了高支模坍塌安全監測模型，指出高支模支撐體系在加載受力過程中存在姿態變換現象，當達到坍塌臨界點時存在整體失穩導致坍塌，在臨界點之前力學模型存在因素變化，對臨界點之前階段的詳細分析存在諸多困難。

解決思路，基于IOT 決策級數據融合技術，建立高支模監測坍塌模型和智能檢測系統，用多指標顯性指標體系，識別高支模工程安全、失穩狀態。

1.3 感知設備問題

目前，用于高支模監測的傳感器主要是光電傳感器。測量傾角使用傾角計，測量荷載使用荷重計，測量沉降和位移使用激光測距儀、位移計、靜力水準儀等。基于傳感器光電原理和特點，噪聲自適應控制有效率低，在測量過程中易產生噪聲信號，影響監測數據質量。

解決思路，在系統設計時，通過遷移學習實現真實高支模結構的預警，引入濾波算法，保障數據質量。

2.研究方向及內容

國內眾多高支模監測預警系統，都存在“監測數據單一、模型簡單，參數孤立，計算結果較為片面”的問題。通過高支模坍塌模型建立起各參數間相互作用的關聯關系成為研究重點。研究內容包括以下參數：立桿荷載穩定性、立桿傾斜和水平位移、立桿沉降。

在進行新型監測系統設計時，考慮不同工況條件下的立桿極限穩定承載力，預設立桿材質型號，模架縱距、橫距、步距以及剪刀撐，掃地桿等多種工況組合。同時，對扣件式鋼管模板支撐架的計算長度取值應考慮支撐架的高度。

3.系統研究路線

系統研究設計技術路線基于以下四種新技術：數字孿生模型、神經網絡技術、決策級融合技術和遷移學習技術。具體技術方案路線如圖1 所示。

圖1 技術方案路線

3.1 建立高支模的數字孿生模型

數字孿生的技術架構，包含五層，自下而上為感知、數據、建模、可視化和應用。目前的高支模監測系統已經具備了感知和數據，下一步通過PYTHON 實現ABAQUS的自動化數值建模。通過PYTHON 建立在隨機荷載影響下的高支模數值模型，并考慮隨機尺寸因素、荷載位置等的影響下的數字孿生模型群，通過該數字孿生模型群分析各個力學參數潛在的模型關系，為建立預測、預警機制打下理論基礎。

3.2 神經網絡技術智能分析

神經網絡具有強大的數據特征提取能力，以分散的局部的數據為基礎，通過各種工具和處理邏輯，建立全局的噪音數據濾波，通過先進的卷積神經網絡和長短期記憶網絡對相關力學參數進行分析；神經網絡能準確區分正常信號和異常信號，并能消除虛假信號對正常信號的干擾。該過程的實施為下一步預警機制的建立打下基礎。通過神經網絡技術對相關參數（軸力、傾角、沉降、位移）進行智能分析，建立監測信號的智能分析方法。

3.3 決策級融合技術預警機制

決策級融合技術通過整合多個子決策來獲得更加準確的分析結果。決策級融合技術主要應用到系統兩個方面：第一步，對于同一個力學參數，通過融合多個傳感器的決策信息來獲得該力學參數的準確評估結果；第二步，根據第一步各個力學參數的融合結果，將多個力學參數得評估結果進行融合，削弱虛假信號對決策的影響，獲得最終結果。通過以上兩步建立高準確度的高支模預警機制。

3.4 遷移學習實現真實高支模結構的預警

遷移學習是一種新穎的機器學習方法，它將知識從一個領域（源域）遷移到另一個領域（目標域）。通過源域數據對神經網絡的訓練，網絡模型對相似數據已經具有很強的特征提取能力，隨后，只需在不同場景中用新數據對其進行微調并重復訓練，網絡模型將快速適應新的任務。將數字孿生模型獲得的神經網絡遷移到實際結構中，完成實際施工過程高支模監測任務，通過智能濾波消除噪音信號帶來的誤報警影響，以驗證該方法的實際應用價值。

系統結構自上而下包括綜合應用層、平臺決策層、網絡數據層和傳感器感知層，將基于IOT 技術建立高支模的數字孿生模型，對各種高支模的工作狀態進行結構分析，了解不同工作狀態下桿件和節點的力學參數變化；采用神經網絡技術對結構相關力學和變形參數進行智能分析，建立監測信號的智能分析方法；采用決策級融合技術對分析結果進行整合，建立合理的高支模異常預警機制；利用遷移學習技術將上述方法遷移到實際結構，完成施工現場的高支模監測任務。

圖2 系統架構模型

4.系統實現手段

以C/S 和B/S 融合架構為核心構建應用監測系統的架構模型，自下而上為五層，分別為：傳感器、數據采集層、C/S 和B/S 融合架構、數據庫層、用戶層。該結構系統耦合性低、增強了系統的構架水平，使得各層之間分工明確、模塊清晰，基礎框架和擴展之間功能定位清晰，開發周期短、成本低。

系統架構的設計有較好的可移植性、可擴展性和可維護性，支持多種傳感器設備。

5.結語及展望

本文研究在數字孿生環境下基于深度神經網絡技術的高支模監測系統設計，實現通過力學分析、多參數決策級融合技術、模型新算法解決目前高支模監測中存在的難點問題，能更加符合高支模受力應變、變形規律。未來，以數字孿生技術為主線的決策級融合系統將大幅提高高支模監測數據的可靠性、準確度和智能化，實現更加科學、高效的事故預防預警，更好保護人民生命和財產安全，具有良好的經濟效益和社會價值。