一种钢结构健康监测评估方法

1.本发明涉及结构监测技术领域，具体涉及一种钢结构健康监测评估方法。


背景技术：

2.随着经济技术的发展，钢结构在工程建筑方面的应用越来越广泛。钢结构工程具有空间跨度大、结构复杂等特点，随着外部荷载增加、环境腐蚀和结构自身损耗等原因，导致钢结构建筑的危险点位失稳破坏，从而造成事故的发生。
3.结构监测的主要目标之一是及早发现结构缺陷或其他不利的结构条件，通过结构监测手段对钢结构工程潜在的危险点位进行监测评估，及时掌握钢结构危险点位所处的安全状态，从而对钢结构整体安全状态做出有效把控。
4.现有监测技术中，并没有对钢结构潜在危险点位的安全状态进行划分，这样会导致预测的钢结构危险点位的发展状态精度不高。


技术实现要素：

5.鉴于现有技术的不足，本发明的主要目的是提供一种钢结构健康监测评估方法，对钢结构潜在危险点位的安全状态进行精确划分评估，提高钢结构危险点位发展状况的预测精度。
6.本发明的技术方案如下：本发明提出一种钢结构健康监测评估方法，包括如下步骤：s01：提取钢结构工程危险源分布点位的监测数据，构建归一化样本数据集；s02：采用二次聚类算法构建归一化样本数据集的双层聚类分析模型，对钢结构危险源分布点位的安全状态进行精确划分；s03：根据划分的安全状态指导长短时记忆神经网络的初始化训练，构建基于长短时记忆神经网络的实时状态评估模型；s04：基于实时状态评估模型，对钢结构的非健康状态点位进行安全预警。
7.在一些实施例中，s01中，所述提取钢结构工程危险源分布点位的监测数据，构建归一化样本数据集，具体包括：根据钢结构工程危险源分布点位的历史监测记录，提取各个点位破坏发生前的监测数据，将监测数据进行归一化处理，构建归一化样本数据集。
8.在一些实施例中，s02中，构建所述双层聚类分析模型具体包括：通过k-means聚类算法对样本数据集中钢结构各个点位的监测数据进行一次聚类，得到k种聚类的类别数目，针对某一类别进行二次聚类，实现对钢结构危险点位安全状态的精确划分。
9.在一些实施例中，所述实现对钢结构危险点位安全状态的精确划分具体包括：s021：根据k-means聚类算法对输入样本数据集x={x1，x2，
…
，xm}进行一次聚类，其中xi为样本数据，聚类的簇树为k，最大迭代次数为n，确定出一次聚类的类别数目c={c1，
c2，
…
，ck}，其中ci为不同安全状态类别；s022：从数据集x中随机选择k个样本数据作为初始聚类中心u={u1，u1，
…
，uk}；计算样本数据xi（i=1，2，
…
，m）到各个初始聚类中心uj（j=1，2，
…
，k）之间的距离；s023：选取每个待聚类样本数据对象的最小距离，并将该待聚类的样本对象划分到最小距离对应的初始聚类中心所属的安全状态类别ci中；s024：计算各安全状态类别中样本数据对象的平均值，并将每类数据对象的平均值作为新的聚类中心，重复s023，直至聚类中心不再发生变化，从而完成聚类中心的更新，得到一次聚类结果；s025：根据所述一次聚类结果，有选择的将某一安全状态类别进行二次聚类分析，并重复s022-s024，得到二次聚类结果。
10.在一些实施例中，所述一次聚类结果为钢结构点位的健康状态、风险状态和破坏状态；所述二次聚类结果为所述风险状态下的低风险状态、中风险状态和高风险状态。
11.在一些实施例中，s03中，所述构建基于长短时记忆神经网络的实时状态评估模型，包括如下步骤：s031：确定长短时记忆神经网络模型的结构，设定学习速率、期望误差、迭代次数以及神经元个数；s032：输入二次聚类分类后的样本数据进行初始化训练；s033：进行误差判断，满足则输出结果，不满足则进行初始权重调整，并重复s032和s033，直至输出满足误差要求的结果；s034：得到实时状态评估模型。
12.在一些实施例中，具体包括：（1）设定初始学习速率取值在0-1之间，并按照训练轮数增长指数差值递减对学习速率进行调整：
13.其中，α为当前状态的学习速率，α0为初始学习速率，epoch_num为训练轮数；（2）设定期望误差为1
e-5
；（3）设定最大迭代次数1000次，当迭代超过最大次数则停止，如果达到最大迭代次数后精度未达到模型要求，则继续增加训练次数，直至达到精度要求后停止；（4）根据长短时记忆神经网络模型的结构，设置输入层神经元个数为i（i=1，2，
…
，i），隐藏层神经元个数为j（j=1，2，
…
，j），输出层神经元个数为k（k=1，2，
…
，k），采用elu型函数作为输入层的激活函数，公式如下：
14.式中，elu（x）为elu型激活函数，x和β(e
x
)-1分别为激活函数的分段表达式；（5）根据所述二次聚类分类后的样本数据，将每一类中的监测指标数据作为长短时记忆神经网络模型的输入，将对应的安全状态类别作为所述长短时记忆神经网络模型监
督学习的输出，对长短时记忆神经网络模型进行初始化训练；（6）采用绝对平均误差作为判断长短时记忆神经网络训练效果好坏的评价指标，具体公式为：
15.式中，e
mae
为绝对平均误差，m为样本个数，为预测输出，为实际输出；设定期望误差为ε，若e
mae
≤ε，则训练结果符合要求，训练过程结束；若e
mae
＞ε，则对初始权重进行调节，重复上述步骤（5）和（6），直至训练结果符合要求，ε为规定的某一正数。
16.在一些实施例中，单个所述长短时记忆神经网络模型的结构计算公式如下：
17.式中，wf、wi、wc和wo分别代表当前t时刻遗忘门f
t
、输入门i
t
、中间参数和输出门o
t
对应的权重指标，bf、bi、bc、和bo分别表示当前时刻遗忘门f
t
、输入门i
t
、中间参数和输出门o
t
对应的偏差向量，h
t
和h
t-1
分别表示当前t时刻和上一时刻的隐藏层状态，v
t
表示当前输入量，elu表示elu型激活函数，tanh表示tanh激活函数，c
t
和c
t-1
分别表示当前t时刻和上一时刻的单元状态；表示逐点相乘，表示逐点相加。
18.在一些实施例中，s04中，所述基于实时状态评估模型，对钢结构的非健康状态点位进行安全预警，具体包括：s041：输入实时监测数据样本；s042：基于实时状态评估模型对钢结构潜在危险点位的实时监测数据进行状态判定；s043：输出钢结构安全状态类别；s044：对钢结构超过设定阈值的非健康状态的危险点位进行及时预警。
19.在一些实施例中，所述钢结构安全状态类别包括钢结构危险点位的健康状态、低风险状态、中风险状态、高风险状态和破坏状态。
20.本发明提出一种钢结构健康监测评估方法，该方法可以实现海量监测数据根据二次聚类分析划分好的样本数据对象训练神经网络，构建钢结构实时状态评估模型，并对钢结构潜在危险点位的实时监测数据进行状态判定，输出钢结构健康状态、风险状态或故障状态，对钢结构超过设定阈值的非健康状态点位进行及时预警，解决了传统钢结构监测技术难以解决的监测精度、状态判定等技术难题，实现对钢结构建筑质量、安全的有效控制。
附图说明
21.为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引申获得其它的实施附图。
22.本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容涵盖的范围内。
23.图1为本发明一些实施例的钢结构健康监测评估方法的流程示意图；图2为本发明一些实施例的钢结构安全状态双层聚类分析模型结构示意图；图3为本发明一些实施例的长短时记忆神经网络单个神经元的结构示意图。
具体实施方式
24.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明实施例作进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
25.应当理解，术语“包括/包含”、“由
……
组成”或者任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的产品、设备、过程或方法不仅包括那些要素，而且需要时还可以包括没有明确列出的其他要素，或者是还包括为这种产品、设备、过程或方法所固有的要素。在没有更多限制的情况下，由语句“包括/包含
……”
、“由
……
组成”限定的要素，并不排除在包括所述要素的产品、设备、过程或方法中还存在另外的相同要素。
26.以下结合较佳的实施方式对本发明的实现进行详细的描述。
27.参见图1，本发明提出一种钢结构健康监测评估方法，基于二次聚类分析进行。包括如下步骤：s01：提取钢结构工程危险源分布点位的监测数据，构建归一化样本数据集；s02：采用二次聚类算法构建归一化样本数据集的双层聚类分析模型，对钢结构危险源分布点位的安全状态进行精确划分；s03：根据划分的安全状态指导长短时记忆神经网络的初始化训练，构建基于长短时记忆神经网络的实时状态评估模型；s04：基于实时状态评估模型，对钢结构的非健康状态点位进行安全预警。
28.本发明提出的钢结构健康监测评估方法能够对钢结构潜在危险点位的安全状态进行精确划分及评估，以提高钢结构危险点位发展状况的预测精度。
29.该方法使钢结构测量技术向精准、高效和自动化、智能化、可视化的技术方向发展，提高了钢结构建筑的施工精度、效率，提升了钢结构工程的建设整体质量。
30.具体来说，s01中，提取钢结构工程危险源分布点位的监测数据，构建归一化样本数据集，具体包括：根据钢结构工程危险源分布点位的历史监测记录，提取各个点位破坏发生前的监测数据，将监测数据进行归一化处理，构建归一化样本数据集。
31.这里提取的监测数据是利用钢结构工程危险源分别点位的多物理场传感器进行监测获取的数据。
32.本发明中，将多物理场监测数据进行归一化处理，转化为无量纲的纯量，便于不同单位和不同量级的指标进行对比。
33.s02中，采用二次聚类算法构建归一化样本数据集的双层聚类分析模型，具体包括：利用k-means聚类算法对样本数据集中钢结构各个点位的监测数据进行一次聚类，得到k种聚类的类别数目，针对某一类别进行二次聚类，实现对钢结构危险点位安全状态的精确划分。
34.容易理解，k-means聚类算法又叫k均值聚类算法，是一种迭代求解的聚类分析算法。聚类，简单来说，就是将一个庞杂数据集中具有相似特征的数据自动归类到一起，称为一个簇，簇内的对象越相似，聚类的效果越好。它是一种无监督的学习(unsupervisedlearning)方法，不需要预先标注好的训练集。
35.参见图2，采用二次聚类算法对钢结构危险点位的历史监测数据进行状态划分，具体步骤为：s021：根据k-means聚类算法对输入样本数据集x={x1，x2，
…
，xm}进行一次聚类，其中xi为样本数据，聚类的簇树为k，最大迭代次数为n，确定出一次聚类的类别数目c={c1，c2，
…
，ck}，其中ci为不同安全状态类别。
36.这里不同安全状态类别包括健康状态、风险状态和破坏状态。
37.s022：从数据集x中随机选择k个样本数据作为初始聚类中心u={u1，u1，
…
，uk}；其中，聚类的类别数目和初始聚类中心的数目一致，即有多少个聚类中心，聚类分析就会根据聚类中心得到对应数量的聚类类别。计算样本数据xi（i=1，2，
…
，m）到各个初始聚类中心uj（j=1，2，
…
，k）之间的距离。
38.其距离公式d
ij
为：（1）；式中，xi为样本数据，ui为初始聚类中心数据。
39.s023：根据上述各待聚类的样本数据对象到每个初始聚类中心的距离，选取出每个待聚类样本数据对象的最小距离，并将该待聚类的样本对象划分到最小距离对应的初始聚类中心所属的安全状态类别ci中。
40.s024：计算各安全状态类别中样本数据对象的平均值，并将每类数据对象的平均值作为新的聚类中心，重复s023，直至聚类中心不再发生变化，从而完成聚类中心的更新，得到一次聚类结果。
41.这里得到的一次聚类结果为钢结构点位的健康状态、风险状态和破坏状态。
42.钢结构点位的健康状态、风险状态和破坏状态可以认为是含有上下阈值的区间数据。
43.s025：根据上述一次聚类结果，有选择的将某一安全状态类别进行二次聚类分析，并重复s022-s024，得到二次聚类结果。
44.这里所说的有选择的将其中一个安全状态类别进行二次聚类分析，是技术专家根
据实际情况结合个人经验人为将某一类别进行更细致的划分，从而进行二次聚类。
45.本实施例中，是将风险状态的钢结构点位监测数据进行的二次聚类分析。
46.这里得到的二次聚类结果为选择的风险状态下划分的低风险状态、中风险状态和高风险状态。
47.在本实施例中，由于钢结构危险源分布点位破坏前的监测数据波动较大，不能很好的对非健康状态进行聚类划分，因此，首先对钢结构危险源分布点位的监测数据进行一次聚类分析，输出钢结构点位的健康状态、风险状态和破坏状态。
48.然后，提取出处于风险状态的钢结构点位监测数据，对其进行二次聚类分析，输出低风险状态、中风险状态和高风险状态，实现对钢结构危险源分布点位安全状态的精确划分，从而能够高效的针对不同发展状态采取相应防护措施。
49.本发明中，一次聚类只得到健康，风险，破坏状态，二次聚类可以针对风险状态具体划分为低风险，中风险，高风险，从而可以针对不同等级的风险状态进行不同的防护措施，既能保证结构的安全，同时不会过度保护浪费资源。
50.s03中，构建基于长短时记忆神经网络的实时状态评估模型；包括如下步骤：s031：确定长短时记忆神经网络模型的结构，设定学习速率、期望误差、迭代次数以及神经元个数；s032：输入二次聚类分类后的样本数据进行初始化训练；s033：进行误差判断，满足则输出结果，不满足则进行初始权重调整，并重复s032和s033，直至输出满足误差要求的结果；s034：得到实时状态评估模型。
51.具体来说，（1）设定初始学习速率取值在0-1之间，合适的学习速率能够在较短的时间内使模型在最优值附近收敛，因此按照训练轮数增长指数差值递减对学习速率进行调整：（2）；其中，α为当前状态的学习速率，α0为初始学习速率，epoch_num为训练轮数。
52.（2）设定期望误差为1
e-5
，即训练结果所需达到的精度。
53.（3）设定最大迭代次数1000次，当迭代超过最大次数则停止，如果达到最大迭代次数后精度未达到模型要求，则继续增加训练次数，直至达到精度要求后停止。
54.（4）根据长短时记忆神经网络模型的结构，设置输入层神经元个数为i（i=1，2，
…
，i），隐藏层神经元个数为j（j=1，2，
…
，j），输出层神经元个数为k（k=1，2，
…
，k），采用elu型函数作为输入层的激活函数，公式如下：（3）；式中，elu(x)为elu型激活函数，x和β(e
x
)-1分别为激活函数的分段表达式。
55.参见图3，单个上述长短时记忆神经网络模型的结构计算公式如下：
（4）；式中，wf、wi、wc和wo分别代表当前t时刻遗忘门f
t
、输入门i
t
、中间参数和输出门o
t
对应的权重指标，bf、bi、bc、和bo分别表示当前时刻遗忘门f
t
、输入门i
t
、中间参数和输出门o
t
对应的偏差向量，h
t
和h
t-1
分别表示当前t时刻和上一时刻的隐藏层状态，v
t
表示当前输入量，elu表示elu型激活函数，tanh表示tanh激活函数，c
t
和c
t-1
分别表示当前t时刻和上一时刻的单元状态；表示逐点相乘，表示逐点相加。
56.（5）根据上述二次聚类分类后的样本数据，将每一类中的监测指标数据作为长短时记忆神经网络模型的输入，将对应的安全状态类别作为所述长短时记忆神经网络模型监督学习的输出，对长短时记忆神经网络模型进行初始化训练。
57.（6）采用绝对平均误差作为判断长短时记忆神经网络训练效果好坏的评价指标，具体公式为：（5）；式中，e
mae
为绝对平均误差，m为样本个数，为预测输出，为实际输出；设定期望误差为ε，将设定的ε作为判断依据，若e
mae
≤ε，则训练结果符合要求，训练过程结束；若e
mae
＞ε，则采用梯度下降法对初始权重进行调节，权重衰减的表示形式为：（6）；其中，λ为权重调节的比率，α为学习速率，θ
t
为当前t时刻的权重，θ
t-1
为t-1时刻的权重。
58.重复上述步骤（5）和（6），直至训练结果符合要求，ε为规定的某一正数。
59.这里所说的ε是技术专家根据实际情况结合个人经验人为设定的正数值，可以理解为精度要求，当误差小于我们设定的期望误差时，我们就可以接受这个学习结果。
60.在本实施例中，根据二次聚类分析划分好的样本数据对象训练并优化长短时记忆神经网络，构建钢结构危险点位的实时状态评估模型，对钢结构危险点位的实时监测数据进行状态判定，输出钢结构危险点位的健康状态、低风险状态、中风险状态、高风险状态和破坏状态。
61.s04中，基于实时状态评估模型，对钢结构的非健康状态点位进行安全预警，具体包括：s041：输入实时监测数据样本；s042：基于实时状态评估模型对钢结构潜在危险点位的实时监测数据进行状态判定；
s043：输出钢结构安全状态类别；s044：对钢结构超过设定阈值的非健康状态的危险点位进行及时预警。
62.这里所说的设定阈值，是人为设定的输出的安全状态类别不能超过的上限值。
63.本发明提出的钢结构健康监测评估方法可以实现海量监测数据根据二次聚类分析划分好的样本数据对象训练神经网络，构建钢结构实时状态评估模型，并对钢结构潜在危险点位的实时监测数据进行状态判定，输出钢结构健康状态、风险状态或故障状态，并对钢结构超过设定阈值的非健康状态点位进行及时预警。提高了钢结构危险点位发展状况的预测精度。
64.本领域技术人员容易理解的是，在不冲突的前提下，上述各优选方案可以自由地组合、叠加。
65.以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种钢结构健康监测评估方法，其特征在于，包括如下步骤：s01：提取钢结构工程危险源分布点位的监测数据，构建归一化样本数据集；s02：采用二次聚类算法构建归一化样本数据集的双层聚类分析模型，对钢结构危险源分布点位的安全状态进行精确划分；s03：根据划分的安全状态指导长短时记忆神经网络的初始化训练，构建基于长短时记忆神经网络的实时状态评估模型；s04：基于实时状态评估模型，对钢结构的非健康状态点位进行安全预警。2.根据权利要求1所述的钢结构健康监测评估方法，其特征在于，s01中，所述提取钢结构工程危险源分布点位的监测数据，构建归一化样本数据集，具体包括：根据钢结构工程危险源分布点位的历史监测记录，提取各个点位破坏发生前的监测数据，将监测数据进行归一化处理，构建归一化样本数据集。3.根据权利要求1所述的钢结构健康监测评估方法，其特征在于，s02中，构建所述双层聚类分析模型具体包括：通过k-means聚类算法对样本数据集中钢结构各个点位的监测数据进行一次聚类，得到k种聚类的类别数目，针对某一类别进行二次聚类，实现对钢结构危险点位安全状态的精确划分。4.根据权利要求3所述的钢结构健康监测评估方法，其特征在于，所述实现对钢结构危险点位安全状态的精确划分具体包括：s021：根据k-means聚类算法对输入样本数据集x={x1，x2，
…
，x
m
}进行一次聚类，其中x
i
为样本数据，聚类的簇树为k，最大迭代次数为n，确定出一次聚类的类别数目c={c1，c2，
…
，c
k
}，其中c
i
为不同安全状态类别；s022：从数据集x中随机选择k个样本数据作为初始聚类中心u={u1，u1，
…
，u
k
}；计算样本数据x
i
（i=1，2，
…
，m）到各个初始聚类中心u
j
（j=1，2，
…
，k）之间的距离；s023：选取每个待聚类样本数据对象的最小距离，并将该待聚类的样本对象划分到最小距离对应的初始聚类中心所属的安全状态类别c
i
中；s024：计算各安全状态类别中样本数据对象的平均值，并将每类数据对象的平均值作为新的聚类中心，重复s023，直至聚类中心不再发生变化，从而完成聚类中心的更新，得到一次聚类结果；s025：根据所述一次聚类结果，有选择的将某一安全状态类别进行二次聚类分析，并重复s022-s024，得到二次聚类结果。5.根据权利要求4所述的钢结构健康监测评估方法，其特征在于，所述一次聚类结果为钢结构点位的健康状态、风险状态和破坏状态；所述二次聚类结果为所述风险状态下的低风险状态、中风险状态和高风险状态。6.根据权利要求1所述的钢结构健康监测评估方法，s03中，所述构建基于长短时记忆神经网络的实时状态评估模型，包括如下步骤：s031：确定长短时记忆神经网络模型的结构，设定学习速率、期望误差、迭代次数以及神经元个数；s032：输入二次聚类分类后的样本数据进行初始化训练；s033：进行误差判断，满足则输出结果，不满足则进行初始权重调整，并重复s032和
s033，直至输出满足误差要求的结果；s034：得到实时状态评估模型。7.根据权利要求6所述的钢结构健康监测评估方法，其特征在于，具体包括：（1）设定初始学习速率取值在0-1之间，并按照训练轮数增长指数差值递减对学习速率进行调整：；其中，α为当前状态的学习速率，α0为初始学习速率，epoch_num为训练轮数；（2）设定期望误差为1
e-5
；（3）设定最大迭代次数1000次，当迭代超过最大次数则停止，如果达到最大迭代次数后精度未达到模型要求，则继续增加训练次数，直至达到精度要求后停止；（4）根据长短时记忆神经网络模型的结构，设置输入层神经元个数为i（i=1，2，
…
，i），隐藏层神经元个数为j（j=1，2，
…
，j），输出层神经元个数为k（k=1，2，
…
，k），采用elu型函数作为输入层的激活函数，公式如下：；式中，elu（x）为elu型激活函数，x和β(e
x
)-1分别为激活函数的分段表达式；（5）根据所述二次聚类分类后的样本数据，将每一类中的监测指标数据作为长短时记忆神经网络模型的输入，将对应的安全状态类别作为所述长短时记忆神经网络模型监督学习的输出，对长短时记忆神经网络模型进行初始化训练；（6）采用绝对平均误差作为判断长短时记忆神经网络训练效果好坏的评价指标，具体公式为：；式中，e
mae
为绝对平均误差，m为样本个数，为预测输出，为实际输出；设定期望误差为ε，若e
mae
≤ε，则训练结果符合要求，训练过程结束；若e
mae
＞ε，则对初始权重进行调节，重复上述步骤（5）和（6），直至训练结果符合要求，ε为规定的某一正数。8.根据权利要求7所述的钢结构健康监测评估方法，其特征在于，单个所述长短时记忆神经网络模型的结构计算公式如下：；式中，w
f
、w
i
、w
c
和w
o
分别代表当前t时刻遗忘门f
t
、输入门i
t
、中间参数和输出门o
t
对
应的权重指标，b
f
、b
i
、b
c
、和b
o
分别表示当前时刻遗忘门f
t
、输入门i
t
、中间参数和输出门o
t
对应的偏差向量，h
t
和h
t-1
分别表示当前t时刻和上一时刻的隐藏层状态，v
t
表示当前输入量，elu表示elu型激活函数，tanh表示tanh激活函数，c
t
和c
t-1
分别表示当前t时刻和上一时刻的单元状态；表示逐点相乘，表示逐点相加。9.根据权利要求1所述的钢结构健康监测评估方法，其特征在于，s04中，所述基于实时状态评估模型，对钢结构的非健康状态点位进行安全预警，具体包括：s041：输入实时监测数据样本；s042：基于实时状态评估模型对钢结构潜在危险点位的实时监测数据进行状态判定；s043：输出钢结构安全状态类别；s044：对钢结构超过设定阈值的非健康状态的危险点位进行及时预警。10.根据权利要求9所述的钢结构健康监测评估方法，其特征在于，所述钢结构安全状态类别包括钢结构危险点位的健康状态、低风险状态、中风险状态、高风险状态和破坏状态。

技术总结
本发明涉及一种钢结构健康监测评估方法，包括如下步骤：S01：提取钢结构工程危险源分布点位的监测数据，构建归一化样本数据集；S02：采用二次聚类算法构建归一化样本数据集的双层聚类分析模型，对钢结构危险源分布点位的安全状态进行精确划分；S03：根据划分的安全状态指导长短时记忆神经网络的初始化训练，构建基于长短时记忆神经网络的实时状态评估模型；S04：基于实时状态评估模型，对钢结构的非健康状态点位进行安全预警。本发明提出的钢结构健康监测评估方法能够对钢结构潜在危险点位的安全状态进行精确划分及评估，解决了传统钢结构监测技术难以解决的监测精度、状态判定等技术难题，实现对钢结构建筑质量、安全的有效控制。制。制。


技术研发人员：兰涛 张黎明 薛辰 张法兴 张登 李然 秦广冲 刘鑫 李泽旭 高睿祥
受保护的技术使用者：青岛理工大学
技术研发日：2023.08.31
技术公布日：2023/10/6