(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111116076.7 (22)申请日 2021.09.23 (71)申请人 杭萧钢构股份有限公司 地址 310000 浙江省杭州市萧 山经济技 术 开发区萧清大道 2826号 (72)发明人 王振众　董世权　黄亦雅　牛鹏飞　 (74)专利代理 机构 北京辰权知识产权代理有限 公司 11619 代理人 付婧 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01D 21/02(2006.01) G06F 119/04(2020.01) (54)发明名称 基于大数据人工智能的建筑监测方法、 系统 及存储介质 (57)摘要 本申请提供了一种基于大数据人工智能的 建筑监测方法、 系统及存储介质， 获取待测建筑 的多种传感数据， 根据多种传感数据， 通过数据 预处理， 得到待测建筑的耐久性影响因素数据； 将待测建筑的耐久性影响因素数据输入训练后 的建筑分析模型， 得到待测建筑的健康状态； 其 中， 基于大数据样本的深度学习得到训练后的建 筑分析模型。 本申请采用大数据结合机器学习技 术对工业建筑进行工业建筑健康状态分析， 通过 各类传感器获取各类传感数据， 并通过相关性分 析确定各种工业建筑耐久性影 响因素， 最后通过 机器学习模型进行分析确定出工业建筑健康状 态， 从而实现了对恶劣环境下的工业建筑进行实 时健康评估， 便于对工业建筑进行后期及时维 护。 权利要求书2页 说明书10页 附图2页 CN 114004138 A 2022.02.01 CN 114004138 A 1.一种基于大 数据人工智能的建筑监测方法， 其特 征在于， 包括以下步骤： 获取待测建筑的多种传感数据， 根据所述多种传感数据， 通过 数据预处 理， 得到待测建筑的耐久性影响因素 数据； 将所述待测建筑的耐久性影响因素数据输入训练后的建筑分析模型， 得到待测建筑的 健康状态； 其中， 基于大 数据样本的深度学习得到所述训练后的建筑分析模型。 2.根据权利要求1所述的建筑监测方法， 其特征在于， 所述基于大数据样本的深度 学习 得到所述训练后的建筑分析模型 具体包括： 获取工业建筑耐久性影响因素数据以及工业建筑损伤程度数据， 作为样本集； 其中， 所 述工业建筑耐久性影响因素 数据以及工业建筑损伤程度数据之间具有相关性； 将所述样本集输入人工神经网络进行训练， 得到训练后的建筑分析模型。 3.根据权利要求2所述的建筑监测方法， 其特征在于， 还包括通过皮尔逊相关系数算法 确定工业建筑耐久性影响因素数据以及工业建筑损伤程度数据之 间的相关性； 所述皮尔逊 相关系数r公式为： 其中， r为工业建筑耐久性影响因素与工业建筑损伤程度之间的皮尔逊相关系数； x为 工业建筑耐久性影响因素； n 为样本个数； p为工业建筑损伤程度； 其中， 若所述相关系数r大于 0.5且小于1， 则表示强相关； 若所述相关系数r大于 0且小于0.5， 则表示弱相关； 若所述相关系数r小于 0， 则表示无相关。 4.根据权利要求1所述的建筑监测方法， 其特征在于， 所述获取待测建筑的多种传感数 据， 具体包括： 通过温度传感器、 湿度传感器、 CO2传感器、 PH值传感器、 光学检测器和/或红外 热像检测 器获取多种传感数据； 将所述多种传感数据通过网络进行远程传输 。 5.根据权利要求4所述的建筑监测方法， 其特征在于， 所述根据所述多种传感数据， 通 过数据预处 理， 得到待测建筑的耐久性影响因素 数据， 具体包括： 接收所述远程传输的多种传感数据； 将所述多种传感数据进行数据清洗、 转换、 去噪和归一化处理， 得到工业建筑耐久性影 响因素数据； 将所述工业建筑耐久性影响因素数据以及工业建筑损伤程度数据存储， 得到历史数据 库。 6.根据权利要求1所述的建筑监测方法， 其特征在于， 所述待测建筑的健康状态具体包 括： a级： 在不对结构采取相关提高其耐久性修复措施的基础上， 结构可以满足目标使用年 限的使用要求； b级： 采取相关提高结构 耐久性措施或者不进行维护， 结构就可以满足下一目标使用年 限的使用要求；权　利　要　求　书 1/2 页 2 CN 114004138 A 2c级： 结构无法满足下一目标年限使用的条件。 7.一种基于大 数据人工智能的建筑监测系统， 其特 征在于， 具体包括： 传感器模块： 用于获取待测建筑的多种传感数据， 数据预处理模块： 用于根据 所述多种传感数据， 通过数据预处理， 得到待测建筑的耐久 性影响因素 数据； 智能分析及等级判定模块： 用于将所述待测建筑的耐久性影响因素数据输入训练后的 建筑分析模型， 得到待测建筑的健康状态； 其中， 基于大数据样本的深度学习得到所述训练 后的建筑分析模型。 8.根据权利要求7所述的建筑监测系统， 其特征在于， 还包括深度学习模块， 用于基于 大数据样本的深度学习得到所述训练后的建筑分析模型； 具体包括： 获取工业建筑耐久性影响因素数据以及工业建筑损伤程度数据， 作为样本集； 其中所 述工业建筑耐久性影响因素 数据以及工业建筑损伤程度数据之间具有相关性； 将所述样本集输入人工神经网络进行训练， 得到训练后的建筑分析模型。 9.根据权利要求8所述的建筑监测系统， 其特征在于， 还包括无线传输模块、 大数据平 台以及系统管理模块； 所述无线传输模块连接传感器模块以及数据 预处理模块， 将所述传感器模块的多种传 感数据通过网络远程传输 至所述数据预处 理模块； 所述大数据平台连接数据预处理模块以及深度学习 模块， 用于将所述数据预处理模块 的工业建筑耐久性影响因素数据以及工业建筑损伤程度数据存储， 得到历史数据库； 并用 于将所述历史数据库数据传输 至深度学习模块； 所述系统管理模块连接智能分析及等级判定模块以及大数据平台， 用于将建筑健康监 测数据进行 可视化展示和管理。 10.一种计算机可读存储介质， 其特征在于， 其上存储有计算机程序； 所述计算机程序 被处理器执行以实现如权利要求1 ‑6任一项所述的基于大 数据人工智能的建筑监测方法。权　利　要　求　书 2/2 页 3 CN 114004138 A 3