基于多传感器和RBF神经网络的建筑沉降监测

肖雄亮，任 艳，方月娥

（1.湖南信息学院电子信息学院，湖南 长沙 410151；2.新疆财经大学信息管理学院，新疆乌鲁木齐 830012；3.湖南水利水电职业技术学院电力工程系，湖南长沙 410131）

随着我国房地产行业的爆发式发展，广大人民群众的住房条件得到了较大改善，高层和超高层建筑层出不穷。但是，随着时间的推移，建筑物不可避免地会发生结构性变化，例如形变和沉降等可能导致较大的安全问题[1-3]。因此，为了对上述安全隐患进行有效预防，需要对建筑物结构各个方面的参数指标进行准确的监测，以便合理评估其健康状态。

目前，针对建筑物结构的监测主要包括两个方向[4]：1）采用各种力学传感设备进行应力应变的监测；2）采用各种学科交叉技术（计算机、传感网和图像处理等）进行建筑结构的位移监测。近些年，第二种方法成为了研究人员的热门方向，并提出了大量的在线联网监测系统或者方案。例如，文献[5]对传统几何水准测量方法进行了改进，提出了一种挂尺观测方法，该方法有效实现了建筑物沉降监测，提高了监测的连续性和工作效率。但是，该方法仍采用传统的经纬仪和位移计等设备来对建筑结构的状态进行评估，无法对可能的沉降点相关信息进行预测。为了实现准确的沉降预测，文献[6]提出了基于小波神经网络的建筑工程沉降变形预测方法。文献[7]提出了一种基于PSO-BP 神经网络的建筑物沉降预测模型。相比于传统的BP 神经网络模型，小波神经网络模型和PSO-BP 神经网络模型的预测精度均获得了一定的提升。但是，上述预测模型的精度仍不够理想。

因此，为了提高建筑物结构沉降监测的可靠性和预测精度，提出了一种基于多传感器和RBF神经网络的建筑沉降监测方法。通过数字压力传感器等多种传感器对建筑物沉降信息进行采集，并利用GPRS 通信模块进行上传，以便提高沉降监测的可靠性。然后，构建了蛙跳算法优化RBF 神经网络模型，对可能的沉降点进行预测，从而提高沉降预测的精度。

1 沉降监测数据采集

沉降监测中采用的硬件主要分为传感器模块和通信模块两个部分。其中，传感器模块包括数字压力传感器和数字双轴倾角传感器，负责对建筑物沉降信息进行采集。通信模块则使用了工业级的GPRS 无线终端设备，负责将串口数据转换为IP 数据进行无线传输。

1.1 数字压力传感器

作为建筑物结构沉降监测的最重要元件，数字压力传感器的选择对可靠性有直接影响[8]。因此，文中采用了新一代的数字输出压力传感器PY210S，在机械振动频率为20～1 000 Hz 的范围内，其输出变化小于0.1%FS，即压力值能精确到±100 Pa，量程为-0.1～60 MPa 和-100～+100 kPa，响应时间为5 ms。

数字输出压力传感器PY210S 的压力-电流输出曲线图如图1 所示。

图1 压力-电流输出曲线图

数字输出压力传感器PY210S 的输出信号为RS485、RS232（四线），采集速度范围为0.25～10 s/次（可设置），工作环境温度为常温-20～85 °C，采用了零点温度自动补偿技术。数字输出压力传感器PY210S 的电压输出（0～5 VDC/0～10 VDC）接线示图如图2 所示。

图2 电压输出接线示意图

1.2 倾角传感器

文中采用的倾角传感器型号为AVT4000T，是一款全温补超高精度双轴倾角传感器，其全范围精度为0.001°，输出频率为5～100 Hz，分辨率为0.000 5°，宽温工作范围为-40～+85 ℃，输出RS232/RS485/TTL（可选），高抗振性能大于20 000 Hz/g。AVT4000T 双轴倾角传感器尺寸参数如图3 所示。

图3 倾角传感器的尺寸参数

为了对建筑物结构沉降进行有效监测，在倾角传感器的安装过程中需要注意保持传感器安装面与被测目标面平行，测量方向分为水平和垂直两种方式[9]，如图4 所示。

图4 测量方向

AVT4000T双轴倾角传感器默认速率为9 600 bps，数据格式为16 进制，采用的数据帧格式如表1 所示。

表1 数据帧格式

1.3 GPRS无线终端设备

采用高性能工业级无线GPRS 通信模块CMDR1X00，以便满足工业现场应用需求，适配标准协议（Modbus、Slip 等协议）和用户自定义协议，支持设备永久在线，具备断网断线自动重连能力，其设备参数如表2 所示。

表2 GPRS通信模块设备参数

2 监测数据分析及沉降监测预测模型

2.1 监测数据分析

文中选取了一幢房龄为18 年的5 层住宅楼作为建筑监测对象，将上述两种传感器合理布置到建筑物中进行数据采集，并通过GPRS 线终端设备传输到本地计算机中，然后对沉降数据构建蛙跳算法优化的RBF 神经网络预测模型。

具体布置了4 个数字压力传感器测量点，同时，也在建筑物楼层地面和墙壁上随机布置了4 个倾角传感器。数据采集周期为10 分钟一次，进行了一个月的监测。

对数字压力传感器采集的监测数据进行分析发现，该建筑物结构在3 个监测点附件发生了轻微下沉。同时通过对比发现，这3 个监测点的下沉方向与倾角传感器分析得出的倾斜方向一致，验证了多传感器采集的可靠性。

2.2 蛙跳算法优化的RBF神经网络沉降预测模型

文中利用RBF 神经网络模型对沉降数据进行处理。在RBF 神经网络模型[10-14]中，设输入样本为Xk=(x1,x2,…,xn)，k=1,2,…,m，其中m和n分别代表样本总量和一个样本的特征总数，一般而言，输入层神经元个数和特征总数相等。若进行了样本特征筛选，则输入层神经元个数一般小于特征总数。第k个样本经过模型后得到的输出为：

其中，n为输出层神经元个数。

首先，输入样本经过权重系数调节后，到达第一隐含层的值为[4]：

S1j值经过特征转换函数后可得：

RBF 神经网络选取的特征转换函数为Gaussian函数[5]。其中，σ为大于0 的实数，cj为第j个隐含层中心值，将第一隐含层作为输入，经过权重系数调节后，到达第二隐含层的值为:

然后，经过转换函数求解得到：

经过所有隐含层的输出经过权重Vjt得到的结果为：

上式经过Gaussian 函数求解得到整个模型的输出结果：

第k个样本的误差结果为：

所有样本的误差为：

式（8）经过一阶求导，得：

求解隐含层与输出层之间的权重为：

其中，α为学习速度，

为了进一步提高预测精度，选取蛙跳算法[15-16]来对RBF 神经网络的参数进行优化。设池塘有P只青蛙构成一个蛙群，记为，选择流量预测均方误差RMSE 的倒数作为适应度函数，计算所有青蛙的适应度，并将RMSE 倒数最大的青蛙记为xg。优化问题的属性数为s，其某一最优解记为首先将P只青蛙随机分成M组，然后在M组内分别进行食物量最大搜索，移动方法为[7]：

文中采用蛙跳算法优化RBF 神经网络参数的主要步骤为：

1）蛙跳算法在第t+1 次计算迭代过程中，运用第t次迭代后的结果，将求解的RMSE 较大的青蛙Xb(t)不断向RMSE 较小的青蛙Xw(t)靠近。为了保证群组内的青蛙可以朝着RMSE 较小的青蛙靠拢，从RMSE最大的青蛙开始不断移动，移动方法为[9]：

2）若t+1 时刻求解的Xw(t+1)值比Xw(t)大，即具有更好的适应度，那么用Xw(t+1)替换Xw(t)，反之，继续执行式（13）和式（14）。关于青蛙移动步长问题，可引入步长因子C，那么对于第k只青蛙的第i次移动距离，计算公式为：

其中，步长因子为[10]：

Cmin和Cmax分别为在当前群组内的青蛙最小和最大移动步长，可以根据实际情况设定，Gglobal为群组内所有青蛙的适应度值之和，inow为当前时刻青蛙移动的次数。

3）当群组内所有青蛙的适应度值更接近Xb(t)，且误差在设定的阈值内时，算法迭代停止，输出当前时刻青蛙分布，即为最优解。

3 实验结果与分析

为了验证所提建筑物沉降预测模型的性能，进行了仿真实验。选择20 个数据作为测试数据，其余作为训练数据，对蛙跳算法优化RBF 神经网络进行仿真，其中隐藏层神经元数量设置为10。蛙跳算法优化RBF 神经网络的训练收敛曲线如图5 所示。

图5 训练收敛曲线

从图5 可以看出，经过27 次迭代后，蛙跳算法优化RBF 神经网络达到收敛，从而可以在收敛后的网络模型上进行预测实验。20 个实际沉降数据与预测数据之间的对比如图6 所示。

图6 实际沉降值与预测沉降值对比

从图6 可以看出，利用多传感器采集的监测数据，实际沉降值与多种神经网络预测沉降值的趋势大致相同。但是，相比于小波神经网络模型[6]和PSO-BP 神经网络模型[7]，蛙跳算法优化RBF 神经网络模型与实际值的相对误差最小，最大相对误差仅为4.83%，即预测的结果最为精确。

4 结束语

文中提出了一种基于多传感器和RBF 神经网络的建筑沉降监测方法，通过数字压力传感器等多种传感器对建筑物沉降信息进行采集，并利用GPRS 通信模块进行上传，以便提高沉降监测的可靠性。然后，构建了蛙跳算法优化RBF 神经网络模型，对可能的沉降点进行预测，从而提高了沉降预测的精度。实验结果表明，所提方法获得了最佳的实际值拟合曲线结果，验证了其在沉降预测中的可行性。后续将根据所提方法建立适用范围更广的建筑群结构沉降检测与预测系统，以便大规模推广应用。