基于云平臺的房屋結(jié)構(gòu)智能監(jiān)測系統(tǒng)設(shè)計(jì)

南京郵電大學(xué)電子科學(xué)與工程學(xué)院 楊道龍 錢國明

基于云平臺的房屋結(jié)構(gòu)智能監(jiān)測系統(tǒng)設(shè)計(jì)

南京郵電大學(xué)電子科學(xué)與工程學(xué)院 楊道龍 錢國明

房屋建筑受外界環(huán)境、內(nèi)部變化及人為等不利因素的影響，房屋結(jié)構(gòu)會隨使用年限的增加而逐步老化，所以房屋結(jié)構(gòu)的健康狀況和安全性評估也引起社會普遍關(guān)注。設(shè)計(jì)一套完整的房屋健康監(jiān)測系統(tǒng)，有效避免災(zāi)害發(fā)生，保障房屋和人身安全尤為重要。該文提出一種基于小波包分析和支持向量機(jī)的結(jié)構(gòu)損傷識別方法，通過實(shí)驗(yàn)室測量軸承故障，得出實(shí)驗(yàn)數(shù)據(jù)，證實(shí)此方法應(yīng)用于結(jié)構(gòu)損傷識別的可行性。提出基于云平臺的房屋結(jié)構(gòu)智能監(jiān)測系統(tǒng)，通過傳感器實(shí)時(shí)測量房屋健康狀況數(shù)據(jù)，并對數(shù)據(jù)進(jìn)行統(tǒng)一整合、存儲、計(jì)算處理，實(shí)現(xiàn)房屋智能監(jiān)測系統(tǒng)在云端的部署。

房屋結(jié)構(gòu)智能監(jiān)測；SVM；云平臺

0 引言

可連續(xù)、實(shí)時(shí)、在線、遠(yuǎn)程對房屋結(jié)構(gòu)的“健康狀態(tài)”進(jìn)行監(jiān)測和評估，提高房屋運(yùn)營的安全性和管理水平日益成為國內(nèi)外建筑結(jié)構(gòu)學(xué)術(shù)界、工程領(lǐng)域、計(jì)算機(jī)等領(lǐng)域的研究熱點(diǎn)。2016年10月10日，溫州市鹿城區(qū)雙嶼街道中央涂村中央街159號有4間民房倒塌，造成重大人員傷亡。為保障人身財(cái)產(chǎn)安全，研究與實(shí)現(xiàn)房屋智能監(jiān)測系統(tǒng)意義重大，前景十分廣闊。

小波分析作為近幾年興起的一種強(qiáng)大信號分析和處理數(shù)據(jù)的工具。在結(jié)構(gòu)損傷檢測領(lǐng)域有廣闊的應(yīng)用前景。小波分析主要用于處理非線性、非平穩(wěn)信號等問題，是小波分析方法的特點(diǎn)和優(yōu)勢，為了易于測量該方法應(yīng)用結(jié)構(gòu)損傷識別的可行性，在實(shí)驗(yàn)室針對軸承故障進(jìn)行了損傷檢測，并得出實(shí)驗(yàn)數(shù)據(jù)。

本文給出基于小波包分解和建筑結(jié)構(gòu)損傷識別的算法SVM，并提出基于云平臺的房屋結(jié)構(gòu)監(jiān)測系統(tǒng)設(shè)計(jì)方案。

1 算法理論

支持向量機(jī)(Support Vector Machine)在小樣本、非線性及高維模式識別中有它特有的優(yōu)勢。SVM基于結(jié)構(gòu)損傷最小化為原則，目的是在樣本訓(xùn)練集中建立最優(yōu)分類超平面，使得樣本數(shù)據(jù)中距離分類面最近點(diǎn)到分類面之間距離最大[1]。

表示法向量，用以確定超平面方向，b表示位移，為原點(diǎn)與超平面之間的距離。假設(shè)超平面能將樣本數(shù)據(jù)正確的分類，則以下方程成立：

則，最大間隔，如果計(jì)算最優(yōu)分類面，需找到滿足式(2)的w和b，使得值最大，即：

對式 (2)構(gòu)造Lagrange函數(shù)，有如下表示：

只要解出w，b可得到超平面模型函數(shù)：

對于非線性，可以將樣本函數(shù)映射到一更高維特征空間，使樣本在這個(gè)高維空間線性是可分的，此時(shí)超平面模型函數(shù)可以表示為：

2 小波包信號分解與仿真

2.1 小波包信號分解與特征提取

實(shí)驗(yàn)采用軸承損傷模擬實(shí)驗(yàn)臺收集數(shù)據(jù)，正常、內(nèi)圈損傷、外圈損傷、滾珠損傷四種不同的軸承損傷狀態(tài)進(jìn)行加速度信號采集，采樣頻率為3000，共采集100組數(shù)據(jù)，其中前50組數(shù)據(jù)作為SVM訓(xùn)練，后50組的數(shù)據(jù)用作測試，故障設(shè)置如表1所示。

表1 故障類型

針對每種類型數(shù)據(jù)，取出3000個(gè)樣點(diǎn)，部分?jǐn)?shù)據(jù)如表2所示。

表2 3000個(gè)樣點(diǎn)部分?jǐn)?shù)據(jù)

振動信號的時(shí)頻圖如圖1所示。

圖1 四種狀態(tài)信號時(shí)頻波形圖

2.2 SVM多分類器構(gòu)造

SVM算法最初是針對二分問題提出的，由于本實(shí)驗(yàn)恰好針對四種信號進(jìn)行識別，即屬于多分類問題，需將解決二分類問題的算法延伸到多分類問題[3]。算法采用層次支持向量機(jī)方式：類似二叉樹結(jié)構(gòu)，思想在于先把所有類別分成兩個(gè)子類，再從子類中繼續(xù)往下分次級子類，直到所有模式不可再分，可類比二叉樹數(shù)據(jù)結(jié)構(gòu)中的子節(jié)點(diǎn)，此方法明顯改善了前面方法的不足，算法結(jié)構(gòu)模型圖如圖2所示。

圖2 多分類SVM模型圖

組合多個(gè)SVM層對信號的所有類別進(jìn)行分類，分類步驟應(yīng)遵循從易到難做區(qū)分，即先把容易區(qū)分的信號進(jìn)行區(qū)分，如分成正常和有損傷的，再從有損傷里面往下分。從圖3，首先將全部信號分為正常信號和有損傷類型信號，輸入正常信號，分類器輸出（），輸入故障信號，分類器輸出。其次，將故障信號分為滾珠損傷信號和其它故障信號，當(dāng)輸入滾珠損傷信號時(shí)，分類器輸出，若是其它故障，分類器輸出，最后，將其它故障信號進(jìn)一步區(qū)分為內(nèi)圈損傷信號和外圈損傷信號，內(nèi)圈故障信號輸出，外圈故障信號輸出。

2.3 SVM訓(xùn)練與測試

將上文中每種信號能量做歸一化處理，輸入分類器進(jìn)行訓(xùn)練，選用RBF核函數(shù)[3]，訓(xùn)練完成后，對剩下的50組數(shù)據(jù)進(jìn)行測試。因數(shù)據(jù)較多，這里貼出每種信號的一組測試數(shù)據(jù)，即組數(shù)據(jù)，如表3所示。

表3 基于小波包能量的SVM軸承故障識別

由表2可看出，基于小波包能量譜的SVM軸承損傷識別檢測，可以較好的識別出四種不同模式。此方法針對其它結(jié)構(gòu)損傷識別仍有效。

3 房屋結(jié)構(gòu)健康監(jiān)測云平臺的系統(tǒng)設(shè)計(jì)

本系統(tǒng)基于云平臺，包含了傳感器模塊、數(shù)據(jù)采集模塊、GPRS無線傳輸、數(shù)據(jù)庫服務(wù)器端設(shè)計(jì)、云端存儲、瀏覽器Web端、客戶端Android端的實(shí)現(xiàn)。系統(tǒng)設(shè)計(jì)總方案如圖3所示。

平臺主要模塊設(shè)計(jì)：

房屋結(jié)構(gòu)健康監(jiān)測系統(tǒng)的架構(gòu)設(shè)計(jì)、數(shù)據(jù)處理主要集中在傳感器、服務(wù)器、Web端三部分。傳感器采集結(jié)構(gòu)、形變、環(huán)境數(shù)據(jù)等，然后將具體數(shù)據(jù)處理，存儲至云平臺。數(shù)據(jù)采集層主要由傳感器系統(tǒng)組成，負(fù)責(zé)采集房屋結(jié)構(gòu)相關(guān)信息，經(jīng)DTU 將數(shù)據(jù)傳輸?shù)綌?shù)據(jù)處理層；數(shù)據(jù)處理層包含數(shù)據(jù)接口實(shí)現(xiàn)、推送服務(wù)、評分告警處理、數(shù)據(jù)存儲、數(shù)據(jù)管理等功能；應(yīng)用層通過 Web 端向用戶提供界面展示、監(jiān)測信息等功能，重要功能模塊如圖4所示。

圖3 房屋結(jié)構(gòu)智能監(jiān)測系統(tǒng)設(shè)計(jì)方案

圖4 重要功能模塊圖

圖5 健康數(shù)據(jù)展示模塊

（1）健康數(shù)據(jù)展示模塊

該模塊要實(shí)時(shí)展示監(jiān)測數(shù)據(jù)，供用戶及時(shí)獲取房屋健康狀態(tài)信息。平臺數(shù)據(jù)展示如圖5所示。

（2）房屋監(jiān)測管理模塊

房屋健康監(jiān)測管理模塊，主要針對平臺接入的監(jiān)測點(diǎn)、傳感器、監(jiān)測因素、拓?fù)鋱D的配置，包括增刪改查等操作。監(jiān)測點(diǎn)管理主要對監(jiān)測區(qū)域的接入管理；傳感器管理，主要在傳感器布設(shè)時(shí)在后臺對接入的傳感器進(jìn)行配置操作；監(jiān)測因素管理主要對應(yīng)應(yīng)力、位移、振動、溫濕度等，當(dāng)監(jiān)測因素改變，平臺需要經(jīng)后臺服務(wù)器重新配置相關(guān)設(shè)備；拓?fù)鋱D管理主要是對熱點(diǎn)（傳感器）分布進(jìn)行配置管理，拓?fù)潼c(diǎn)布設(shè)、更新。房屋監(jiān)測物管理模塊如圖6所示。

圖6 房屋監(jiān)測物管理模塊

（3）平臺告警管理模塊

平臺告警管理模塊通過手動設(shè)置和系統(tǒng)自動觸發(fā)實(shí)現(xiàn)，該平臺包括閾值配置、告警處理、短信預(yù)警、告警類型四部分。閾值配置主要是確立閾值的范圍，以此對平臺做相應(yīng)的配置；告警處理當(dāng)監(jiān)測數(shù)據(jù)超出閾值范圍時(shí)觸發(fā)報(bào)警系統(tǒng)；應(yīng)告警級別不同，給用戶發(fā)送短信提醒；告警類型，針對緊急程度不同進(jìn)行分級告警。告警管理模塊如圖7所示。

圖7 平臺告警管理流程圖

4 房屋結(jié)構(gòu)健康監(jiān)測系統(tǒng)的云端移值

Open Stack采用模塊化設(shè)計(jì)擁有多功能組件，可以將這些功能組件組合起來使用，實(shí)現(xiàn)一套完整的云基礎(chǔ)架構(gòu)服務(wù)平臺；也可只使用部分功能組件，如虛擬化、對象存儲、塊存儲、鏡像服務(wù)等主要功能。為健康監(jiān)測平臺后期需求擴(kuò)展，防止后期普及數(shù)據(jù)訪問量增大導(dǎo)致的服務(wù)器運(yùn)維管理問題，同時(shí)方便在云平臺擴(kuò)展模塊，因此提出將房屋結(jié)構(gòu)監(jiān)測系統(tǒng)移植Open Stack 云平臺部署方案。以下是云端移值的主要步驟[4]。

（1）創(chuàng)建

用戶可以在 Open Stack 上部署系統(tǒng)所需的各種應(yīng)用程序。房屋結(jié)構(gòu)健康監(jiān)測云平臺在云端的移植需要將設(shè)計(jì)開發(fā)的主要功能模塊，利用 Open Stack的管理工具寫入虛擬機(jī)鏡像。

（2）上傳

把鏡像上傳至 Open Stack平臺。

（3）啟動云主機(jī)

啟動云主機(jī)包括云主機(jī)可用域、名稱、類型、數(shù)量、啟動源的配置等。

至此，房屋結(jié)構(gòu)健康監(jiān)測云端移植完畢，初步云計(jì)算平臺搭建完成，后續(xù)還可以把各模塊應(yīng)用服務(wù)逐步部署在平臺上，擴(kuò)展性高。

5 結(jié)論

本文提出了一種基于云平臺的房屋結(jié)構(gòu)智能監(jiān)測系統(tǒng)。給出了基于小波包分解SVM算法理論，為方便實(shí)驗(yàn)室得出數(shù)據(jù)，設(shè)計(jì)了滾動軸承故障檢測方法。通過對軸承四種狀態(tài)實(shí)驗(yàn)分析，證明了該方法對軸承損傷識別的可行性，從而驗(yàn)證方案對結(jié)構(gòu)損傷識別的優(yōu)勢。給出了房屋結(jié)構(gòu)智能監(jiān)測系統(tǒng)設(shè)計(jì)方案、主要設(shè)計(jì)模塊圖、設(shè)計(jì)原型架構(gòu)圖等。在實(shí)際工程實(shí)踐中與傳統(tǒng)的健康監(jiān)測相比較，基于云平臺的房屋結(jié)構(gòu)健康監(jiān)測系統(tǒng)開發(fā)成本更低、系統(tǒng)功能更加完善、數(shù)據(jù)安全性和系統(tǒng)穩(wěn)定性更高。由此驗(yàn)證了基于云平臺的房屋結(jié)構(gòu)健康監(jiān)測系統(tǒng)的可行性與先進(jìn)性，會是未來房屋結(jié)構(gòu)健康監(jiān)測的發(fā)展方向。同時(shí)，本系統(tǒng)同樣適用于其他建筑結(jié)構(gòu)健康監(jiān)測。

[1]宋平,文妍,譚繼文．基于小波包分解和SVM的齒輪箱故障診斷[J]．機(jī)床與液壓,2013,41(23):161-164．

[2]何海濤,李楠．基于SVM的改進(jìn)RBF網(wǎng)絡(luò)板形模式識別方法[J]．自動化儀表,2010,28(5):1-4．

[3]黃元維．基于支持向量機(jī)的風(fēng)電機(jī)組主軸軸承故障診斷[J]．儀器儀表用戶,2016,23(11):89-93．

[4]張龍立．云存儲技術(shù)探討[J]．電信科學(xué),2010(8A):71-73．

[5]Arjun Kumar,Byung Gook Lee, Hoon Jae Lee．Secure Storageand Access of Data in Cloud Computing[J]．2012 IEEE,2012:336-337．

[6]Xu Y,Xiu S．A New and Effective Method of Bearing Fault Diagnosis Using Wavelet Packet Transform Combined with Support Vector Machine[J]．2011, 6(11):2502-2509．

楊道龍（1991—），男，碩士研究生，研究方向：傳感器信息技術(shù)。

錢國明（1964—），男，碩士，教授，主要研究方向：無線通信技術(shù)及信號處理。