肖雄亮，任 艷，方月娥

（1.湖南信息學(xué)院電子信息學(xué)院，湖南 長(zhǎng)沙 410151；2.新疆財(cái)經(jīng)大學(xué)信息管理學(xué)院，新疆烏魯木齊 830012；3.湖南水利水電職業(yè)技術(shù)學(xué)院電力工程系，湖南長(zhǎng)沙 410131）

隨著我國(guó)房地產(chǎn)行業(yè)的爆發(fā)式發(fā)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(shí)間的推移，建筑物不可避免地會(huì)發(fā)生結(jié)構(gòu)性變化，例如形變和沉降等可能導(dǎo)致較大的安全問(wèn)題[1-3]。因此，為了對(duì)上述安全隱患進(jìn)行有效預(yù)防，需要對(duì)建筑物結(jié)構(gòu)各個(gè)方面的參數(shù)指標(biāo)進(jìn)行準(zhǔn)確的監(jiān)測(cè)，以便合理評(píng)估其健康狀態(tài)。

目前，針對(duì)建筑物結(jié)構(gòu)的監(jiān)測(cè)主要包括兩個(gè)方向[4]：1）采用各種力學(xué)傳感設(shè)備進(jìn)行應(yīng)力應(yīng)變的監(jiān)測(cè)；2）采用各種學(xué)科交叉技術(shù)（計(jì)算機(jī)、傳感網(wǎng)和圖像處理等）進(jìn)行建筑結(jié)構(gòu)的位移監(jiān)測(cè)。近些年，第二種方法成為了研究人員的熱門(mén)方向，并提出了大量的在線(xiàn)聯(lián)網(wǎng)監(jiān)測(cè)系統(tǒng)或者方案。例如，文獻(xiàn)[5]對(duì)傳統(tǒng)幾何水準(zhǔn)測(cè)量方法進(jìn)行了改進(jìn)，提出了一種掛尺觀測(cè)方法，該方法有效實(shí)現(xiàn)了建筑物沉降監(jiān)測(cè)，提高了監(jiān)測(cè)的連續(xù)性和工作效率。但是，該方法仍采用傳統(tǒng)的經(jīng)緯儀和位移計(jì)等設(shè)備來(lái)對(duì)建筑結(jié)構(gòu)的狀態(tài)進(jìn)行評(píng)估，無(wú)法對(duì)可能的沉降點(diǎn)相關(guān)信息進(jìn)行預(yù)測(cè)。為了實(shí)現(xiàn)準(zhǔn)確的沉降預(yù)測(cè)，文獻(xiàn)[6]提出了基于小波神經(jīng)網(wǎng)絡(luò)的建筑工程沉降變形預(yù)測(cè)方法。文獻(xiàn)[7]提出了一種基于PSO-BP 神經(jīng)網(wǎng)絡(luò)的建筑物沉降預(yù)測(cè)模型。相比于傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)模型，小波神經(jīng)網(wǎng)絡(luò)模型和PSO-BP 神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度均獲得了一定的提升。但是，上述預(yù)測(cè)模型的精度仍不夠理想。

因此，為了提高建筑物結(jié)構(gòu)沉降監(jiān)測(cè)的可靠性和預(yù)測(cè)精度，提出了一種基于多傳感器和RBF神經(jīng)網(wǎng)絡(luò)的建筑沉降監(jiān)測(cè)方法。通過(guò)數(shù)字壓力傳感器等多種傳感器對(duì)建筑物沉降信息進(jìn)行采集，并利用GPRS 通信模塊進(jìn)行上傳，以便提高沉降監(jiān)測(cè)的可靠性。然后，構(gòu)建了蛙跳算法優(yōu)化RBF 神經(jīng)網(wǎng)絡(luò)模型，對(duì)可能的沉降點(diǎn)進(jìn)行預(yù)測(cè)，從而提高沉降預(yù)測(cè)的精度。

1 沉降監(jiān)測(cè)數(shù)據(jù)采集

沉降監(jiān)測(cè)中采用的硬件主要分為傳感器模塊和通信模塊兩個(gè)部分。其中，傳感器模塊包括數(shù)字壓力傳感器和數(shù)字雙軸傾角傳感器，負(fù)責(zé)對(duì)建筑物沉降信息進(jìn)行采集。通信模塊則使用了工業(yè)級(jí)的GPRS 無(wú)線(xiàn)終端設(shè)備，負(fù)責(zé)將串口數(shù)據(jù)轉(zhuǎn)換為IP 數(shù)據(jù)進(jìn)行無(wú)線(xiàn)傳輸。

1.1 數(shù)字壓力傳感器

作為建筑物結(jié)構(gòu)沉降監(jiān)測(cè)的最重要元件，數(shù)字壓力傳感器的選擇對(duì)可靠性有直接影響[8]。因此，文中采用了新一代的數(shù)字輸出壓力傳感器PY210S，在機(jī)械振動(dòng)頻率為20～1 000 Hz 的范圍內(nèi)，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(yīng)時(shí)間為5 ms。

數(shù)字輸出壓力傳感器PY210S 的壓力-電流輸出曲線(xiàn)圖如圖1 所示。

圖1 壓力-電流輸出曲線(xiàn)圖

數(shù)字輸出壓力傳感器PY210S 的輸出信號(hào)為RS485、RS232（四線(xiàn)），采集速度范圍為0.25～10 s/次（可設(shè)置），工作環(huán)境溫度為常溫-20～85 °C，采用了零點(diǎn)溫度自動(dòng)補(bǔ)償技術(shù)。數(shù)字輸出壓力傳感器PY210S 的電壓輸出（0～5 VDC/0～10 VDC）接線(xiàn)示圖如圖2 所示。

圖2 電壓輸出接線(xiàn)示意圖

1.2 傾角傳感器

文中采用的傾角傳感器型號(hào)為AVT4000T，是一款全溫補(bǔ)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(shù)如圖3 所示。

圖3 傾角傳感器的尺寸參數(shù)

為了對(duì)建筑物結(jié)構(gòu)沉降進(jìn)行有效監(jiān)測(cè)，在傾角傳感器的安裝過(guò)程中需要注意保持傳感器安裝面與被測(cè)目標(biāo)面平行，測(cè)量方向分為水平和垂直兩種方式[9]，如圖4 所示。

圖4 測(cè)量方向

AVT4000T雙軸傾角傳感器默認(rèn)速率為9 600 bps，數(shù)據(jù)格式為16 進(jìn)制，采用的數(shù)據(jù)幀格式如表1 所示。

表1 數(shù)據(jù)幀格式

1.3 GPRS無(wú)線(xiàn)終端設(shè)備

采用高性能工業(yè)級(jí)無(wú)線(xiàn)GPRS 通信模塊CMDR1X00，以便滿(mǎn)足工業(yè)現(xiàn)場(chǎng)應(yīng)用需求，適配標(biāo)準(zhǔn)協(xié)議（Modbus、Slip 等協(xié)議）和用戶(hù)自定義協(xié)議，支持設(shè)備永久在線(xiàn)，具備斷網(wǎng)斷線(xiàn)自動(dòng)重連能力，其設(shè)備參數(shù)如表2 所示。

表2 GPRS通信模塊設(shè)備參數(shù)

2 監(jiān)測(cè)數(shù)據(jù)分析及沉降監(jiān)測(cè)預(yù)測(cè)模型

2.1 監(jiān)測(cè)數(shù)據(jù)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(jiān)測(cè)對(duì)象，將上述兩種傳感器合理布置到建筑物中進(jìn)行數(shù)據(jù)采集，并通過(guò)GPRS 線(xiàn)終端設(shè)備傳輸?shù)奖镜赜?jì)算機(jī)中，然后對(duì)沉降數(shù)據(jù)構(gòu)建蛙跳算法優(yōu)化的RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

具體布置了4 個(gè)數(shù)字壓力傳感器測(cè)量點(diǎn)，同時(shí)，也在建筑物樓層地面和墻壁上隨機(jī)布置了4 個(gè)傾角傳感器。數(shù)據(jù)采集周期為10 分鐘一次，進(jìn)行了一個(gè)月的監(jiān)測(cè)。

對(duì)數(shù)字壓力傳感器采集的監(jiān)測(cè)數(shù)據(jù)進(jìn)行分析發(fā)現(xiàn)，該建筑物結(jié)構(gòu)在3 個(gè)監(jiān)測(cè)點(diǎn)附件發(fā)生了輕微下沉。同時(shí)通過(guò)對(duì)比發(fā)現(xiàn)，這3 個(gè)監(jiān)測(cè)點(diǎn)的下沉方向與傾角傳感器分析得出的傾斜方向一致，驗(yàn)證了多傳感器采集的可靠性。

2.2 蛙跳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)沉降預(yù)測(cè)模型

文中利用RBF 神經(jīng)網(wǎng)絡(luò)模型對(duì)沉降數(shù)據(jù)進(jìn)行處理。在RBF 神經(jīng)網(wǎng)絡(luò)模型[10-14]中，設(shè)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(gè)樣本的特征總數(shù)，一般而言，輸入層神經(jīng)元個(gè)數(shù)和特征總數(shù)相等。若進(jìn)行了樣本特征篩選，則輸入層神經(jīng)元個(gè)數(shù)一般小于特征總數(shù)。第k個(gè)樣本經(jīng)過(guò)模型后得到的輸出為：

其中，n為輸出層神經(jīng)元個(gè)數(shù)。

首先，輸入樣本經(jīng)過(guò)權(quán)重系數(shù)調(diào)節(jié)后，到達(dá)第一隱含層的值為[4]：

S1j值經(jīng)過(guò)特征轉(zhuǎn)換函數(shù)后可得：

RBF 神經(jīng)網(wǎng)絡(luò)選取的特征轉(zhuǎn)換函數(shù)為Gaussian函數(shù)[5]。其中，σ為大于0 的實(shí)數(shù)，cj為第j個(gè)隱含層中心值，將第一隱含層作為輸入，經(jīng)過(guò)權(quán)重系數(shù)調(diào)節(jié)后，到達(dá)第二隱含層的值為:

然后，經(jīng)過(guò)轉(zhuǎn)換函數(shù)求解得到：

經(jīng)過(guò)所有隱含層的輸出經(jīng)過(guò)權(quán)重Vjt得到的結(jié)果為：

上式經(jīng)過(guò)Gaussian 函數(shù)求解得到整個(gè)模型的輸出結(jié)果：

第k個(gè)樣本的誤差結(jié)果為：

所有樣本的誤差為：

式（8）經(jīng)過(guò)一階求導(dǎo)，得：

求解隱含層與輸出層之間的權(quán)重為：

其中，α為學(xué)習(xí)速度，

為了進(jìn)一步提高預(yù)測(cè)精度，選取蛙跳算法[15-16]來(lái)對(duì)RBF 神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行優(yōu)化。設(shè)池塘有P只青蛙構(gòu)成一個(gè)蛙群，記為，選擇流量預(yù)測(cè)均方誤差RMSE 的倒數(shù)作為適應(yīng)度函數(shù)，計(jì)算所有青蛙的適應(yīng)度，并將RMSE 倒數(shù)最大的青蛙記為xg。優(yōu)化問(wèn)題的屬性數(shù)為s，其某一最優(yōu)解記為首先將P只青蛙隨機(jī)分成M組，然后在M組內(nèi)分別進(jìn)行食物量最大搜索，移動(dòng)方法為[7]：

文中采用蛙跳算法優(yōu)化RBF 神經(jīng)網(wǎng)絡(luò)參數(shù)的主要步驟為：

1）蛙跳算法在第t+1 次計(jì)算迭代過(guò)程中，運(yùn)用第t次迭代后的結(jié)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(nèi)的青蛙可以朝著RMSE 較小的青蛙靠攏，從RMSE最大的青蛙開(kāi)始不斷移動(dòng)，移動(dòng)方法為[9]：

2）若t+1 時(shí)刻求解的Xw(t+1)值比Xw(t)大，即具有更好的適應(yīng)度，那么用Xw(t+1)替換Xw(t)，反之，繼續(xù)執(zhí)行式（13）和式（14）。關(guān)于青蛙移動(dòng)步長(zhǎng)問(wèn)題，可引入步長(zhǎng)因子C，那么對(duì)于第k只青蛙的第i次移動(dòng)距離，計(jì)算公式為：

其中，步長(zhǎng)因子為[10]：

Cmin和Cmax分別為在當(dāng)前群組內(nèi)的青蛙最小和最大移動(dòng)步長(zhǎng)，可以根據(jù)實(shí)際情況設(shè)定，Gglobal為群組內(nèi)所有青蛙的適應(yīng)度值之和，inow為當(dāng)前時(shí)刻青蛙移動(dòng)的次數(shù)。

3）當(dāng)群組內(nèi)所有青蛙的適應(yīng)度值更接近Xb(t)，且誤差在設(shè)定的閾值內(nèi)時(shí)，算法迭代停止，輸出當(dāng)前時(shí)刻青蛙分布，即為最優(yōu)解。

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證所提建筑物沉降預(yù)測(cè)模型的性能，進(jìn)行了仿真實(shí)驗(yàn)。選擇20 個(gè)數(shù)據(jù)作為測(cè)試數(shù)據(jù)，其余作為訓(xùn)練數(shù)據(jù)，對(duì)蛙跳算法優(yōu)化RBF 神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真，其中隱藏層神經(jīng)元數(shù)量設(shè)置為10。蛙跳算法優(yōu)化RBF 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練收斂曲線(xiàn)如圖5 所示。

圖5 訓(xùn)練收斂曲線(xiàn)

從圖5 可以看出，經(jīng)過(guò)27 次迭代后，蛙跳算法優(yōu)化RBF 神經(jīng)網(wǎng)絡(luò)達(dá)到收斂，從而可以在收斂后的網(wǎng)絡(luò)模型上進(jìn)行預(yù)測(cè)實(shí)驗(yàn)。20 個(gè)實(shí)際沉降數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)之間的對(duì)比如圖6 所示。

圖6 實(shí)際沉降值與預(yù)測(cè)沉降值對(duì)比

從圖6 可以看出，利用多傳感器采集的監(jiān)測(cè)數(shù)據(jù)，實(shí)際沉降值與多種神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)沉降值的趨勢(shì)大致相同。但是，相比于小波神經(jīng)網(wǎng)絡(luò)模型[6]和PSO-BP 神經(jīng)網(wǎng)絡(luò)模型[7]，蛙跳算法優(yōu)化RBF 神經(jīng)網(wǎng)絡(luò)模型與實(shí)際值的相對(duì)誤差最小，最大相對(duì)誤差僅為4.83%，即預(yù)測(cè)的結(jié)果最為精確。

4 結(jié)束語(yǔ)

文中提出了一種基于多傳感器和RBF 神經(jīng)網(wǎng)絡(luò)的建筑沉降監(jiān)測(cè)方法，通過(guò)數(shù)字壓力傳感器等多種傳感器對(duì)建筑物沉降信息進(jìn)行采集，并利用GPRS 通信模塊進(jìn)行上傳，以便提高沉降監(jiān)測(cè)的可靠性。然后，構(gòu)建了蛙跳算法優(yōu)化RBF 神經(jīng)網(wǎng)絡(luò)模型，對(duì)可能的沉降點(diǎn)進(jìn)行預(yù)測(cè)，從而提高了沉降預(yù)測(cè)的精度。實(shí)驗(yàn)結(jié)果表明，所提方法獲得了最佳的實(shí)際值擬合曲線(xiàn)結(jié)果，驗(yàn)證了其在沉降預(yù)測(cè)中的可行性。后續(xù)將根據(jù)所提方法建立適用范圍更廣的建筑群結(jié)構(gòu)沉降檢測(cè)與預(yù)測(cè)系統(tǒng)，以便大規(guī)模推廣應(yīng)用。