超高层建筑变形监测和形态检测智能分析系统

邱冬炜 段明旭 王来阳 王彤 冯海涛

摘 要： 对超高层建筑进行综合测控与分析是超高层建筑施工的一项重要环节，也是确保施工质量和安全的重要手段。根据超高层建筑变形所具有的时空联动性的特点，提出UFK?SVR变形预测算法，研发了超高层建筑变形监测和形态检测智能分析系统。系统实现了多源海量监测和检测数据的信息化和安全化的全要素管理、变形信息的智能化分析、建筑形态的全景化展示、危险源的精确化定位以及自动化预警。该系统应用于北京市在建第一高楼“中国尊”施工监测，取得了良好的效果。

关键词： 超高层建筑; UFK?SVR预测模型; 变形监测; 形态检测; 智能分析系统; 数据处理

中图分类号： TN915?34 文献标识码： A 文章编号： 1004?373X（2018）12?0128?05

Abstract： Comprehensive measurement， control and analysis of the super high?rise building is an important link of super high?rise building construction， and also an important means to ensure the quality and safety of construction. According to the time?space linkage characteristic of super high?rise building deformation， a UFK?SVR deformation prediction algorithm is proposed， and an intelligent analysis system for deformation monitoring and shape inspection of the super high?rise building is developed. The system can realize total?factor management for informatization and securitization of multi?source massive monitoring and detection data， intelligent analysis of deformation information， panoramic display of architectural form， precise location of dangerous sources， and automatic pre?warning. The system was applied to the construction monitoring of the first high?rise building "CHINA ZUN" under construction in Beijing， and good results have been achieved.

Keywords： super high?rise building; UFK?SVR prediction model; deformation monitoring; shape inspection; intelligent analysis system; data processing

0 引 言

超高层建筑施工期间变形复杂，风险极大，需要多种测控仪器和方法联合施测进行变形监测、形态检测和质量控制[1]。产生了多源海量的监测和检测数据，数据管理和综合分析难度大，对数据的安全存储、快速处理、智能分析和全方位展示等方面提出了更高的要求。

当前，国外一些专家学者已经在建筑物变形信息自动化管理方面取得了重要成果。2009年，Ceriotti M等人通过多种无线传感器对意大利特兰托的一座中世纪塔型建筑进行了为期4个月的振动检测，并应用自主研发的软件进行实时数据处理，其检测结果证明了软件系统的稳定性[2]。Seon P H等学者于2013年研发了建筑钢结构健康监测系统，实现了监测数据无线远程、实时传输，取得了良好的监测效果[3]。2000年以后，我国在建筑自动化监测领域也取得了较为突出的成绩。2010年，尹尧国等人开发了基于3D GIS的建筑自动化监测与管理系统，该系统为“鸟巢”建设提供了有力的保障[4]。2017年，周予启等研发了利用北斗GNSS测量技术的高层建筑变形监测系统，并应用于深圳平安金融中心施工监测[5]。

目前，国内外的建筑监测系统不适用于超高层建筑的施工特点和监测需求，无法进行整体变形的智能处理。因此，研发了超高层建筑变形监测和形态检测智能分析系统。该系统依托于“云计算”以及“智能分析”实现了超高层建筑变形监测和检测数据的综合管理、智慧分析和智能预测，为超高层建筑变形监测、形态检测和质量控制提供有效的指导。

1 系统设计

本文系统采用C#语言开发，采用C/S结构搭建主体框架。其运行环境为Windows 7/10。

1.1 系统主体框架

如图1所示，该系统被划分为四层，包括采集层、数据层、应用层及管理层。

采集層是系统的基础层，它能够与多款监测和检测设备（全站仪、GPS、IBIS、数字水准仪、传感器等）建立有线或无线连接，实现了数据的自动化采集。

数据层是系统的核心层，所有的数据交换、存储和检索都通过该层的数据库来进行。本系统采用SQLite及PostgreSQL数据库联合管理方式，实现移动平台、本地程序、云服务器及数据库的动态交互。采用Oracle数据库完成空间数据存储、索引及更新。

应用层是该系统的具体功能实现层，实现了数据全景化浏览、成果输出、数据在线传输、在线咨询、智能分析和系统配置等功能。

管理层被划分为系统管理及空间信息支撑平台，主要负责空间数据的融合处理、业务数据的组织调用以及系统权限配置与管理。

1.2 子系统的构建

系统包括4个功能性子系统。各子系统围绕“云管理中心”构成一个有机的整体，系统间相互协调，实现了数据流的云端交互、统一组织和安全管理。子系统数据交互流程如图2所示。

数据采集子系统的设计是基于系统软硬件运行性能、仪器通信端口协议、数据传输方式和数据采集策略的基础上构建而成。该子系统受控制器驱动，完成数据校验、结构化编码及加密、安全备份、采样频率控制以及数据云端上传。

数据管理子系统是整个系统的控制“心脏”，借助系统搭建在“云端”的中心数据库，实现了数据云端交互、数据统一管理与组织、多用户并发操作，支持数据分布式的处理及访问，为其他子系统提供了可靠的数据共享和存储平台。

智能分析子系统是整个系统的“大脑”，依托于超高层建筑数据处理模型、非线性测量数据分析模型和多种预测数学模型，实现了结构整体变形的精度分析、模式识别、结构损伤监测、数据挖掘、智能分析和变形趋势预测等内容。

显示及评定子系统搭载了多种可视化平台，实现了数据的实时、动态和全景显示。安全评定模块主要是对结构危险源进行实时追踪和精确化定位，并通过图表、文档报告、电子邮件、短信等方式反馈给技术人员及管理人员，方便及时处理问题。

2 系统核心技术

本文系统在数据存储、分析及显示过程中采用众多算法和新技术，如数据集编码及加密、UKF?SVR预测模型和结构形态检测等。

2.1 数据采集编码及安全存储

为了保证有效数据信息的获取和传输、加快数据存储和处理速度、确保数据安全，数据在采集和传输过程中会被统一编码和加密。每条记录占用64个字节，划分为序号域、时间域、数据域和信息域。

数据编码索引建立之后，采用改进的RSA算法对数据编码进行加密，同时将加密信息存储于信息域并上传于云平台进行管理、备份和计算，以保证数据的完成性、安全性和可靠性。改进的RSA算法步骤如下：

通过上述实验，改进RSA算法提高了系统加密和解密的性能，为数据快速传输提供了有力的保障。

2.2 UKF?SVR预测模型

超高层建筑变形信息具有高度的连续性、非线性和混沌性，变形序列中往往又混有系统误差，使得SVR在该领域进行回归分析时不能达到预期效果。因此，本文引入无迹卡尔曼滤波（Unscented Kalman Filter， UKF）对SVR进行改进，即发挥了SVR回归预测的优势，又有效地提高了它对非线性问题处理的能力。

2.2.1 支持向量回归算法

支持向量回归（Support Vector Regression， SVR）是在统计学习理论基础上发展起来的浅层机器学习方法，具有全局最优、强大的非线性处理能力以及优秀的泛化能力，在分类和回归等问题中发挥了重要作用 [7]。

假设样本空间中存在连续时间序列训练样本[X∈Rn]，则SVR对该样本序列的线性回归估计可以表示为：

2.2.2 无迹卡尔曼滤波

无迹卡尔曼滤波（UFK）是卡尔曼滤波的一个变体[8]，能够有效处理非线性动态系统的状态估计问题。

UFK算法的核心思想是UT变换。假设[sigma]点通过非线性函数[yi=g（xi）]转换，则可根据式（7）计算转换后的协方差。

2.2.3 UFK?SVR预测模型

如图3所示，通过UFK?SVR对变形数据进行预测，大体可以分为四个阶段，即数据归一化阶段、预处理阶段、预测值微调阶段以及预测评价阶段。

首先，由于超高层建筑动态变形信息数据集的跨越很大，需要对样本数据进行归一化处理。

其次，通过SVR模型对归一化后数据进行预训练，并获取先验预测估计。

再次，通过UKF模型对先验预测估计进行调整。该步骤是本算法的核心部分，大体步骤如下：

1） 初始化UKF状态方程和观测方程的参数。

2） 样本数据的[sigma]采样。

3） 根据先验预测估计，通过UT转换，计算预测均值[mk]和预测协方差[Pk]。

4 结 语

在超高层建筑变形监测和形态检测的关键技术研究的基础上，研发了智能分析系统，改变了传统监测作业的模式，提高了超高层建筑、大型异构建筑变形监测和形态检测的作业效率，实现了测控信息全要素的资源管理、智能分析、危险源定位。本系统实现了与大部分测量仪器的自动化数据传输，但仍有少部分仪器由于传输端口不匹配而无法完成自动化连接，需要进一步和仪器厂商沟通，以完善数据采集功能。

参考文献

[1] 张旭乔，肖绪文，田伟，等.超高层建筑施工过程结构竖向变形的研究现状[J].施工技術，2017，46（16）：58?63.

ZHANG Xuqiao， XIAO Xuwen， TIAN Wei， et al. An overview of the research on structural vertical deformation occurred in the construction process of high?rise buildings [J]. Construction technology， 2017， 46（16）： 58?63.

[2] CERIOTTI M， MOTTOLA L， PICCO G P， et al. Monitoring heritage buildings with wireless sensor networks： the Torre Aquila deployment [C]// Proceedings of International Conference on Information Processing in Sensor Networks. San Francisco： IEEE， 2009： 277?288.

[3] PARK H S， SHIN Y， CHOI S W， et al. An integrative structural health monitoring system for the local/global responses of a large?scale irregular building under construction [J]. Sensors， 2013， 13（7）： 9085?9103.

[4] 伊尧国，周俊召，危双丰，等.基于3D GIS的建筑变形自动化监测与管理系统的研究与开发[J].工程勘察，2010，38（8）：59?63.

YI Yaoguo， ZHOU Junzhao， WEI Shuangfeng， et al. Study on development of an information management system for building deformation monitoring based on 3D GIS [J]. Geotechnical investigation & surveying， 2010， 38（8）： 59?63.

[5] 周予启，过静珺，张胜良，等.深圳平安金融中心高精度北斗变形监测系统的研发与应用[J].施工技术，2017，46（8）：76?79.

ZHOU Yuqi， GUO Jingjun， ZHANG Shengliang， et al. Development and application of the high precision Beidou deformation monitoring system in Shenzhen Pingan Financial Center [J]. Construction technology， 2017， 46（8）： 76?79.

[6] 陈晓文，郑建德.新型大素数快速并行搜索策略[J].厦门大学学报（自然科学版），2008，47（2）：207?210.

CHEN Xiaowen， ZHENG Jiande. Novel fast parallel large prime search algorithm [J]. Journal of Xiamen University （Natural science）， 2008， 47（2）： 207?210.

[7] HASANIPANAH M， SHAHNAZAR A， AMNIEH H B， et al. Prediction of air?overpressure caused by mine blasting using a new hybrid PSO： SVR model [J]. Engineering with computers， 2017， 33（1）： 23?31.

[8] HARTIKAINEN J， SOLIN A， S?RKK? S. Optimal filtering with Kalman filters and smoothers： a manual for Matlab toolbox EKF/UKF [M/OL]. [2011?08?16]. https：//www.researchgate.net/publication/228683456_Optimal_filtering_with_Kalman_filters_and_smoothers?a_Manual_for_Matlab_toolbox_EKFUKF.

[9] JANELIUKSTIS R， RUCEVSKIS S， WESOLOWSKI M， et al. Multiple damage identification in beam structure based on wavelet transform [J]. Procedia engineering， 2017， 172： 426?432.

[10] TALAI S M， DESAI D A， HEYNS P S. Vibration characteristics measurement of beam?like structures using infrared thermography [J]. Infrared physics and technology， 2016， 79： 17?24.