基于IOT 决策级融合技术的高支模监测系统设计研究

文｜广州市吉华勘测股份有限公司 王雪帆

0.引言

进入新时代，我国国民经济得到快速发展，基础设施和城镇化建设进入高质量发展阶段，大型结构建筑物呈现出高净空、大跨度、大界面、高荷载特点，结构布局和形态越来越复杂，高大模板支架体系（以下简称“高支模”）作为结构工程的基础得到了越来越广泛的应用。高支模体系受力复杂，呈现跨度大、荷载大特点，极易发生失稳倒塌事故，给施工现场带来巨大的安全威胁[1]。优先发展信息化、智能化、无人化的安全生产风险监测预警装备，重点提升安全生产危险工艺设备的机械化自动化水平，着力破解重大安全风险的超前预测、动态监测、主动预警等关键技术瓶颈[2]。传统的高支模监测手段是通过全站仪、水准仪等光学仪器测量结构的平面/竖向位移，分析了解工程的安全情况。由于人工测量方式监测频率低，支模系统内部结构复杂，通视条件差，只能监测支模系统外围形变，无法监测内部形变，诸多局限性，往往造成预警响应不及时。随着5G、云平台大数据、AI 人工智能等新型技术在社会各行业应用逐渐普及，物联网（Internet of Things，简称IOT）技术也逐渐应用到基础设施的安全监测中，推动了工程安全监测和工程质量检测的技术进步[3]。

1.研究背景

1.1 监测项目和指标要求[5]

高支模是指搭设高度8m 及以上；搭设跨度18m 及以上施工总荷载15KN/m2及以上；集中线荷载20KN/m 及以上；单点集中荷载700kg 及以上的模板支撑体系[4]。

高支模监测点的布置应能反映高大支模的受力状态、变形特征和变化趋势，应布设在支架薄弱、荷载较大等关键部位；监测点平面位置宜按网格形式布设，水平间距一般为10～15m。具体监测项目报警值要求见表1。

表1 高支模工程监测报警值

1.2 监测项目指标判别问题

高支模的模架、连接构（扣）件等材料特性差异性较大，结构较为复杂，具有多余约束的几何不变体系的特点，属于超静定结构；连接节点为半刚性，存在较多理论分析问题，设计存在较大困难导致报警值失真，使用时存在安全隐患。

规范[5]选取100 个高支模监测案例，以倾斜指标为例，占比96%的项目立杆倾斜最大监测值小于10‰；占比90%的项目立杆倾斜最大监测值小于8‰；占比75%的项目立杆倾斜最大监测值小于6‰；占比50%的项目立杆倾斜最大监测值小于4‰。

相关规范[5]要求，当在其中任何一个或者几个监测项目监测值超报警值时，应触发危险报警，启动应急避险措施。杨勇[6]研究了影响高支模监测的因素，由于高支模结构复杂，影响因素多，监测过程中出现“测不准”的现象，导致大家对高支模监测的困惑，现行规范和理论尚存在一定的局限性。结合表2 数据，加入支架水平位移值、支架沉降值、立杆轴力值的情况下，实际工程中报警率将超50%，其中“误报警”的概率大增，因“误报警”导致现场浇筑过程停止，二次进场施工，造成了巨大的损失。

表2 样本倾斜数据统计表

综合以上分析，得出结论：依据单一监测项目作为报警值，存在很大的局限性。单一监测项目超报警值的原因是多种多样的，只有建立起多源监测数据及时相互验证才能确保监测数据真实反应现场安全/失稳状态。由于坍塌数据样本不足、临界数据难以获得，报警值具有一定的局限性。国内学者宋世军[7]研究了高支模坍塌安全监测模型，指出高支模支撑体系在加载受力过程中存在姿态变换现象，当达到坍塌临界点时存在整体失稳导致坍塌，在临界点之前力学模型存在因素变化，对临界点之前阶段的详细分析存在诸多困难。

解决思路，基于IOT 决策级数据融合技术，建立高支模监测坍塌模型和智能检测系统，用多指标显性指标体系，识别高支模工程安全、失稳状态。

1.3 感知设备问题

目前，用于高支模监测的传感器主要是光电传感器。测量倾角使用倾角计，测量荷载使用荷重计，测量沉降和位移使用激光测距仪、位移计、静力水准仪等。基于传感器光电原理和特点，噪声自适应控制有效率低，在测量过程中易产生噪声信号，影响监测数据质量。

解决思路，在系统设计时，通过迁移学习实现真实高支模结构的预警，引入滤波算法，保障数据质量。

2.研究方向及内容

国内众多高支模监测预警系统，都存在“监测数据单一、模型简单，参数孤立，计算结果较为片面”的问题。通过高支模坍塌模型建立起各参数间相互作用的关联关系成为研究重点。研究内容包括以下参数：立杆荷载稳定性、立杆倾斜和水平位移、立杆沉降。

在进行新型监测系统设计时，考虑不同工况条件下的立杆极限稳定承载力，预设立杆材质型号，模架纵距、横距、步距以及剪刀撑，扫地杆等多种工况组合。同时，对扣件式钢管模板支撑架的计算长度取值应考虑支撑架的高度。

3.系统研究路线

系统研究设计技术路线基于以下四种新技术：数字孪生模型、神经网络技术、决策级融合技术和迁移学习技术。具体技术方案路线如图1 所示。

图1 技术方案路线

3.1 建立高支模的数字孪生模型

数字孪生的技术架构，包含五层，自下而上为感知、数据、建模、可视化和应用。目前的高支模监测系统已经具备了感知和数据，下一步通过PYTHON 实现ABAQUS的自动化数值建模。通过PYTHON 建立在随机荷载影响下的高支模数值模型，并考虑随机尺寸因素、荷载位置等的影响下的数字孪生模型群，通过该数字孪生模型群分析各个力学参数潜在的模型关系，为建立预测、预警机制打下理论基础。

3.2 神经网络技术智能分析

神经网络具有强大的数据特征提取能力，以分散的局部的数据为基础，通过各种工具和处理逻辑，建立全局的噪音数据滤波，通过先进的卷积神经网络和长短期记忆网络对相关力学参数进行分析；神经网络能准确区分正常信号和异常信号，并能消除虚假信号对正常信号的干扰。该过程的实施为下一步预警机制的建立打下基础。通过神经网络技术对相关参数（轴力、倾角、沉降、位移）进行智能分析，建立监测信号的智能分析方法。

3.3 决策级融合技术预警机制

决策级融合技术通过整合多个子决策来获得更加准确的分析结果。决策级融合技术主要应用到系统两个方面：第一步，对于同一个力学参数，通过融合多个传感器的决策信息来获得该力学参数的准确评估结果；第二步，根据第一步各个力学参数的融合结果，将多个力学参数得评估结果进行融合，削弱虚假信号对决策的影响，获得最终结果。通过以上两步建立高准确度的高支模预警机制。

3.4 迁移学习实现真实高支模结构的预警

迁移学习是一种新颖的机器学习方法，它将知识从一个领域（源域）迁移到另一个领域（目标域）。通过源域数据对神经网络的训练，网络模型对相似数据已经具有很强的特征提取能力，随后，只需在不同场景中用新数据对其进行微调并重复训练，网络模型将快速适应新的任务。将数字孪生模型获得的神经网络迁移到实际结构中，完成实际施工过程高支模监测任务，通过智能滤波消除噪音信号带来的误报警影响，以验证该方法的实际应用价值。

系统结构自上而下包括综合应用层、平台决策层、网络数据层和传感器感知层，将基于IOT 技术建立高支模的数字孪生模型，对各种高支模的工作状态进行结构分析，了解不同工作状态下杆件和节点的力学参数变化；采用神经网络技术对结构相关力学和变形参数进行智能分析，建立监测信号的智能分析方法；采用决策级融合技术对分析结果进行整合，建立合理的高支模异常预警机制；利用迁移学习技术将上述方法迁移到实际结构，完成施工现场的高支模监测任务。

图2 系统架构模型

4.系统实现手段

以C/S 和B/S 融合架构为核心构建应用监测系统的架构模型，自下而上为五层，分别为：传感器、数据采集层、C/S 和B/S 融合架构、数据库层、用户层。该结构系统耦合性低、增强了系统的构架水平，使得各层之间分工明确、模块清晰，基础框架和扩展之间功能定位清晰，开发周期短、成本低。

系统架构的设计有较好的可移植性、可扩展性和可维护性，支持多种传感器设备。

5.结语及展望

本文研究在数字孪生环境下基于深度神经网络技术的高支模监测系统设计，实现通过力学分析、多参数决策级融合技术、模型新算法解决目前高支模监测中存在的难点问题，能更加符合高支模受力应变、变形规律。未来，以数字孪生技术为主线的决策级融合系统将大幅提高高支模监测数据的可靠性、准确度和智能化，实现更加科学、高效的事故预防预警，更好保护人民生命和财产安全，具有良好的经济效益和社会价值。