1.本发明涉及装配式建筑的生产
技术领域：
：，具体涉及一种爬模施工监测方法、系统和计算机可读存储介质。
背景技术：
：：2.目前，爬模技术是混凝土工程和钢筋混凝土工程中机械化程度高、施工速度快、安全存保障、综合效益显著的一种施工技术，在高层和超高层建筑中得到了广泛的推广和应用。爬模架体的安全性和整体稳定性关乎整个工程的质量、进度、安全，在整个施工过程中起到了至关重要的作用，因此，对爬模进行安全监测与分析，了解其受力特性和工作状态，保证其在安装、爬升和工作等过程中的安全性、稳定性尤为重要。3.传统的爬模安全监测方法通常为：由监测人员到现场对爬模架体是否安全进行监测，待全部监测完成后对所有监测数据进行人工处理、分析，判断爬模架体哪些区域存在结构安全隐患。4.上述方法存在以下缺陷：爬模装置监测信息通常以二维图纸的形式展示，人工绘制图纸导致信息传递速度慢，且二维图形直观性差，无法直观快速的反应监测结果。技术实现要素：5.因此，本发明要解决的技术问题在于克服现有技术中的爬模施工监测方法提供二维图像导致信息传递速度慢，且二维图形直观性差，无法直观快速的反应监测结果的缺陷，从而提供一种可输出三维可视图像的爬模施工监测方法、系统和计算机可读存储介质。6.为了解决上述问题，本发明提供了一种爬模装置的安全监测方法，包括：获取爬模装置的状态参数的实时监测数据，所述状态参数包括结构应力、结构变形、空间三维位置及倾角变化、风荷载、活荷载及地震加速度荷载；根据所述实时监测数据建立三维可视化图像；将所述三维可视化图像发送至客户端进行显示。7.可选地，所述爬模装置的安全监测方法还包括：建立对比决策模块；根据所述实时监测数据建立预测模型并获取预测结果；当所述预测结果超出所述对比决策模块中对应的限值，向所述客户端发送报警信息。8.可选地，所述爬模装置的安全监测方法还包括：建立解决方案数据库；当所述预测结果超出所述对比决策模块中对应的限值，还向客户端发送解决方案。9.可选地，根据所述实时监测数据建立预测模型并获取预测结果，具体包括：根据所述实时监测数据建立数字孪生预测模型；通过人工神经网络系统建立人工神经网络预测模型；结合所述数字孪生预测模型与所述人工神经网络预测模型建立所述预测模型并获取所述预测结果，所述预测结果包括所述爬模装置的应力与变形状态。10.可选地，所述通过人工神经网络系统建立人工神经网络预测模型，具体包括：获取已有的施工监测案例中的实时荷载、位置信息作为自变量，应力数据及变形数据作为结果进行深度学习；通过映射关系建立所述人工神经网络预测模型。11.可选地，结合所述数字孪生预测模型与所述人工神经网络预测模型建立所述预测模型并获取所述预测结果，具体包括：针对爬模装置的测点位置，以每秒为周期，采用所述人工神经网络预测模型进行实时预测，并输出所述测点位置的所述应力数据及所述变形数据；针对爬模装置的非测点位置，以每十分钟为周期，采用所述数字孪生预测模型进行实时预测，并输出所述非测点位置的所述应力数据及所述变形数据。12.可选地，所述爬模装置的安全监测方法还包括：根据所述预测结果对所述爬模装置的测点位置进行优化布置。13.可选地，所述根据所述预测结果对所述爬模装置的测点位置进行优化布置，具体包括：根据所述数字孪生预测模型计算的测点位置的种类及重要性建立所述爬模装置的分析层级和各层级权重；验证每个所述测点位置的权重的合理性；建立测点方案评分系统；根据所述各层级权重获取单一工况下的测点方案评分标准；根据工况的不同权重，获取测点方案总评分；根据所述测点方案评分系统和所述测点方案总评分对当前的所述测点位置进行优化布置。14.可选地，验证每个所述测点位置的权重的合理性，具体包括：建立判断每个所述测点位置重要性的判断矩阵；获取所述判断矩阵中每个位置的特征向量、权重值及最大特征根值；基于以下第一公式验证各个测点位置的权重的合理性：，式中，n代表矩阵阶数，即某种测点的布置个数，λmax代表矩阵最大特征值；当计算结果ci小于0.1，则判定每个所述测点位置的权重结果合理。15.可选地，所述根据工况的不同权重，获取测点方案总评分，具体包括：对底层的每个所述测点位置进行评分；获取每个所述底层的指标评分；根据各层权重求出单一工况下的测点方案评分标准和工况的不同权重，根据以下第二公式求出测点方案总评分：；式中，fx代表底层指标评分；x代表测点位置对比值；xmin和xmax为评分界限，x0和x0'为评分最优区间。16.可选地，根据所述测点方案评分系统和所述测点方案总评分对当前的所述测点位置进行优化布置，具体包括：当单一工况评分和多工况测点方案总评分均满足90分以上时，测点方案则被认为满足要求；如不满足，则对评分较低工况下的测点方案进行调整，对测点位置和非测点位置进行替换：①若替换完成后的非测点位置监测值满足下式要求，则增设该位置为测点位置：；式中，ri为第i个非测点位置中的监测值；rmax为测点位置的预警限值；②若替换完成后的测点位置监测值满足下式要求，则减少该测点位置：；式中，rj为第j个测点位置中的监测值；rmax为测点位置的预警限值。17.可选地，获取爬模装置的状态参数的实时监测值，所述状态参数包括结构应力及结构变形，具体包括：根据所述爬模装置的构件尺寸、材料信息建立数字初级模型；将所述爬模装置在不同工况下的爬模荷载输入所述数字初级模型，以获取爬模装置的应力测点及变形测点位置；获取所述应力测点位置布设的检测元件检测到的数据代入如下计算公式，获取所述结构应力的实时监测值；其中，如下的第三计算公式为：获取所述结构应力的实时监测值；其中，如下的第三计算公式为：获取所述结构应力的实时监测值；其中，如下的第三计算公式为：式中，f表示实测振弦频率；l表示振弦初始长度；es表示振弦的弹性模量；δl表示振弦的长度增量；ρ表示振弦密度；ε表示表面实测应变；k表示测量灵敏度；f0表示振弦初始频率；α表示振弦温度修正系数；t及t0分别为实测温度和基准温度；e表示架体材料弹性模量；γ表示考虑安装应变计前爬模初始应力的安全系数，δ表示结构应力的实时监测值。18.可选地，获取爬模装置的状态参数的实时监测值，所述状态参数包括风荷载、活荷载及地震加速度荷载，具体包括：获取爬模装置的施工平台顶部、施工平台底部及施工平台的斜撑、立杆上的测点位置设置的检测元件检测到的地震输入加速度值；获取施工平台顶部的测点位置设置的检测元件检测到加速值；获取施工平台底部的测点位置设置的检测元件检测到的施工平台载重值；获取施工平台的斜撑、立杆上的测点位置设置的检测元件检测到的风速；根据测量结果计算风荷载，如下的第四计算公式为：测到的风速；根据测量结果计算风荷载，如下的第四计算公式为：式中，ws表示风向与构件垂直时的风荷载；w0表示基准风压标准值；v表示实测风速；μz表示随爬模高度变化下的风压系数，μs表示体型安全系数；βz表示不同爬模高度下的安全调整系数。19.本发明还提供了一种爬模施工监测系统，包括：设于爬模装置的监测位置，所述测点监测系统适于获取并发送与所述监测位置的状态参数对应的实时监测数据；数据监测装置，与所述测点监测系统通讯连接，所述数据监测装置适于对所述测点监测系统发送的所述实时监测数据进行收集、储存和发送；云端服务器，与所述数据监测装置通讯连接，所述云端服务器适于对所述数据监测装置发送的所述实时监测数据进行分析、处理，且所述云端服务器适于将所述实时监测数据转化为三维可视化图像并发送；客户端，与所述云端服务器通讯连接，所述客户端适于接收所述云端服务器发送的所述三维可视化图像并显示。20.可选地，所述客户端包括：对比决策模块，与所述云端服务器通讯连接；报警模块，与所述对比决策模块通讯连接；其中，所述云端服务器还适于对所述数据监测装置发送的所述实时监测数据进行分析、处理并获取预测结果，所述对比决策模块中的限值与所述实时监测数据和所述预测结果进行比较，并根据比较结果触发所述报警模块发送报警信息。21.可选地，所述客户端还包括：解决方案数据库，与所述云端服务器通讯连接；其中，所述对比决策模块中的限值与所述实时监测数据和所述预测结果进行比较，并根据比较结果发送对应的解决方案。22.本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的爬模施工监测方法。23.本发明具有以下优点：1、利用本发明的技术方案，通过获取爬模的状态参数，对爬模装置进行三维建模，监测结果以三维图像的形式反馈至客户端，可以快速、清晰地反映爬模装置施工状态，使得监测过程更加直观、高效。24.2、通过建立基于数字孪生和神经网络的预测模型，将实时监控数据、工况预测结果与规定限值进行对比，可及时向客户端发送预警信息，有效预防施工过程中的安全隐患。25.3、通过建立解决方案数据库，可针对不同情况发送对应的解决方案，方便工作人员快速应对突发情况。26.4、通过在测量元件外层加装保护外壳，可避免外界环境对测量元件产生影响，确保测量数值精确，保障预测系统的准确性。27.5、通过采用数字孪生和神经网络结合预测的方法，进一步提高了预测效率，实现时效性的同时降低了计算机资源的占用。附图说明28.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体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，下面描述中的附图是本发明的一些实施方式，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，还可以根据这些附图获得其他的附图。29.图1为本发明中的爬模施工监测方法的流程图之一；图2为本发明中的爬模施工监测方法的流程图之二；图3为本发明中的爬模施工监测方法的流程图之三；图4为本发明中的爬模施工监测方法的流程图之四；图5为本发明中的爬模施工监测方法的流程图之五；图6为本发明中的爬模施工监测方法的流程图之六；图7为本发明中的爬模施工监测方法的流程图之七；图8为本发明中的爬模施工监测方法的流程图之八；图9为本发明中的爬模施工监测方法的流程图之九；图10为本发明中的爬模施工监测方法的流程图之十；图11为本发明中的爬模施工监测方法的流程图之十一；图12为本发明中的爬模施工监测方法的流程图之十二；图13为本发明中的爬模施工监测系统的组成框图之一；图14为本发明中的爬模施工监测系统的组成框图之二；图15为本发明中的爬模施工监测系统的示意图；图15a为本发明中图15中的第一阶段流程图；图15b为本发明中图15中的第二阶段流程图；图15c为本发明中图15中的第三阶段流程图；图15d为本发明中图15中的第四阶段流程图；图15e为本发明中图15中的第五阶段流程图；图16为本发明中的爬模施工监测方法的总体评分的示意图；图17为本发明中的爬模施工监测方法的判断矩阵示意图；图18为本发明中的爬模施工监测方法的底层指标评分图。30.附图标记说明：110、测点监测系统；120、数据监测装置；130、云端服务器；140、客户端；141、对比决策模块；143、报警模块；145、解决方案数据库。具体实施方式31.下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。32.申请概述传统的监测方法不仅提供三维可视化图像，且仅能实现现场工况的实时监测，无法实现对突发的危险情况的预测、报警，根据预测结果进一步给出有针对性的解决方案。另外，传统的监测数据采集量大，人工采集容易漏检和产生误差，且难以实现爬模装置的整体监测。33.示例性爬模施工监测方法图1为一种爬模施工监测方法的流程图，该爬模施工监测方法包括：步骤s101：获取爬模装置的状态参数的实时监测数据，状态参数包括结构应力、空间三维位置及倾角变化、风荷载、活荷载及地震加速度荷载；步骤s103：根据实时监测数据建立三维可视化图像；步骤s105：将三维可视化图像发送至客户端140进行显示。34.如图15所示，上述的爬模施工监测方法的第一阶段：初步数字模型建立及测点布置方案的确定；第二阶段为：物理空间及结构应力的实时监测及上传；第三阶段为：云端数据处理及可视化上传；第四阶段为：数字孪生分析及神经网络预测；第五阶段为：智能对比决策及解决方案推荐系统。35.通过在爬模装置上安装测量元件对爬模的状态参数进行测量，可以实现数据的精准测量，提高预测的准确度，有效确保施工过程的安全性和施工质量，避免了人工测量容易产生误差的缺陷。并可采用可视化工具将上传的实时监测数据转化为三维可视图像，将三维可视化图像上传至客户端140，管理人员可通过移动设备上的app进行查看。可视化工具可选择tableau、data-drivendocuments、echarts等。其中，以属性形状、大小、纹理、颜色、透明度等表示不同的数据特征，随后将可视图元及其属性转换为可视图像，即将几何数据转换为图像数据，对生成的图形和应用数据进行核准，如有不符再交由图像处理进行校正，以达到图形显示的准确性，形成可视化反应爬模装置的工作状态的云图。36.因此，采用仿真建模软件对爬模装置进行三维建模，监测结果以三维图像的形式反馈至客户端140，可以快速、清晰地反映爬模装置施工状态，使得监测过程更加直观、高效。37.具体地，如图2所示，爬模装置的安全监测方法还包括：步骤s201：建立对比决策模块；步骤s203：根据实时监测数据建立预测模型并获取预测结果；步骤s205：当预测结果超出对比决策模块中对应的限值，向客户端140发送报警信息。38.上述的爬模装置的安全监测方法可通过分析实时监测得到的监控数据，对下一时段中爬模装置的应力与变形状态进行预测，并获得预测结果。建立智能对比决策模块141，通过建立算法将实时监测数据、预测结果与对应的限值进行对比，超过限值时向客户端140发送预警信息。客户端140接收预警信息的同时，触发现场警报器，提醒工作人员进行应急处理。将实时监测数据、预测结果与对应的限值进行对比，可及时向客户端140发送预警信息，有效预防施工过程中的安全隐患。39.更为具体地，爬模装置的安全监测方法还包括：步骤s301：如图3所示，建立解决方案数据库；步骤s303：当预测结果超出对比决策模块中对应的限值，还向客户端发送解决方案。40.上述爬模装置的安全监测方法通过建立解决方案数据库145，对于停工、爬升、施工工况下可能出现的应力和位移的部位超限情况，与解决方案之间建立映射关系并输入数据库，根据现场的实时检测数据推荐解决方案，例如，可增设不同数量的附墙撑杆进行加固、减少加载配重。当存在可能的安全隐患时，解决方案与警告信息同时发布。41.针对不同的超限情况匹配对应的解决方案，可在客户端140软件及移动设备app中建立智能对比决策模块141，通过建立算法将实时监测数据、预测结果与规定的限值进行对比，超过规定的限值时向客户端140发送预警信息及对应的解决方案。通过建立解决方案数据库145，可针对不同情况发送对应的解决方案，方便工作人员快速应对突发情况。42.更为具体地，如图4所示，根据实时监测数据建立预测模型并获取预测结果，具体包括：步骤s401：根据实时监测数据建立数字孪生预测模型；步骤s403：通过人工神经网络系统建立人工神经网络预测模型；步骤s405：结合数字孪生预测模型与人工神经网络预测模型建立预测模型并获取预测结果，预测结果包括爬模装置的应力与变形状态。43.上述的数字孪生预测模型是基于有限元技术的数字孪生预测模型，通过将爬模装置的状态参数的实时监测数据输入仿真建模软件形成数字孪生预测模型，实时监测数据由云端服务器130输入高性能计算机仿真建模软件数据接口，基于有限元技术，搭建与爬模系统实时映射的数字孪生预测模型。44.为满足结构性能计算的实时性，采用数字孪生预测模型与人工神经网络预测模型结合的方法实现实时结构预测，提高了计算时效性的同时且减少了计算资源的占用。45.更为具体地，如图5所示，通过人工神经网络系统建立人工神经网络预测模型，具体包括：步骤s501：获取已有的施工监测案例中的实时荷载、位置信息作为自变量，应力数据及变形数据作为结果进行深度学习；步骤s503：通过映射关系建立人工神经网络预测模型。46.上述的人工神经网络（ann）系统具有自适应、自组织和实时学习的特点，对信息的处理过程接近人类大脑的逻辑思维过程。因此，将人工神经网络系统应用于爬模系统检测将极大提高检测效率及安全性。47.采用人工神经网络系统建立人工神经网络预测模型，通过以已有的施工监测案例中实时荷载、位置信息作为自变量，应力数据及变形数等据作为结果，输入到基于tensorflow程序建立的人工神经网络系统进行深度学习，通过将实时荷载、位置信息与架体监测的应力数据及变形数据反复交互，建立其映射关系，从而可实现人工神经网络预测模型的建立。48.更为具体地，如图6所示，结合数字孪生预测模型与人工神经网络预测模型建立预测模型并获取预测结果，具体包括：步骤s601：针对爬模装置的测点位置，以每秒为周期，采用人工神经网络预测模型进行实时预测，并输出测点位置的应力数据及变形数据；步骤s603：针对爬模装置的非测点位置，以每十分钟为周期，采用数字孪生预测模型进行实时预测，并输出非测点位置的应力数据及变形数据；在上述的方法中，根据最大监测值获取能够反映测点位置和非测点位置的预测结果。通过将数字孪生和人工神经网络系统有效结合，将测点位置的实时监测数据与数字孪生预测模型的预测结果导入人工神经网络预测模型进行反复交互、深度学习，对爬模后续工况下的受力特性和工作状态进行高效合理预测，实现了爬模的测点位置的优化布置，进而可实时掌握爬模结构的各不利位置的应力信息、变形信息，循环往复，进行安全预警及给予建议的解决方案，保证了爬模装置在安装、爬升和工作等的结构和人员安全。49.针对实时监测的测点位置，以每秒为周期，采用计算效率高的人工神经网络预测系统进行实时预测输出测点的应力及变形等数据。针对爬模结构的非测点位置，可采用计算时间较长但能反映爬模整体应力变形的数字孪生预测模型进行预测。其中，预测时，以每十分钟为周期，将周期内各类荷载的最大监测值输入数字孪生预测模型进行计算，可得到同时反映测点位置和非测点位置的精细化预测结果。50.预测结果包括结构应力的评估预测。其中，根据下一时段施工进度计划表确定下一时段爬模结构所需的施工人员、仪器设备及建筑材料的数量，由此计算得到下一时段作用在爬模结构上的活荷载改变量。由当日气象台预测的下一时段天气状况，根据爬模结构所处的高度及体型系数计算得到下一时段风荷载改变量。然后汇总得到下一时段可能的施工荷载、风荷载及爬模位置信息，以当前时段所监测到的最大施工活载、风荷载为基值，代入荷载改变量后输入到人工神经网络预测模型，以一个施工阶段为周期，对下一时段的结构应力进行评估预测，并将得到的预测结果输入客户端140进行预警、输出解决方案。51.具体地，爬模装置的安全监测方法还包括：根据预测结果对爬模装置的测点位置进行优化布置。其中，可根据应力分布情况增加或减少应变计的布置，根据结构各部分变形情况增加或减少布置位移计等测量元件，从而实现测点位置的优化布置，能够提高监测质量。52.具体地，如图7所示，根据预测结果对爬模装置的测点位置进行优化布置，具体包括：步骤s701：根据数字孪生预测模型计算的测点位置的种类及重要性建立爬模装置的分析层级和各层级权重；步骤s703：验证每个测点位置的权重的合理性；步骤s705：建立测点方案评分系统；步骤s707：根据各层级权重获取单一工况下的测点方案评分标准；步骤s709：根据工况的不同权重，获取测点方案总评分；步骤s711：根据测点方案评分系统和测点方案总评分对当前的测点位置进行优化布置。53.上述的方法中，根据数字孪生预测模型计算的测点位置及非测点位置的预测结果，选取所有的测点位置结果，以及对应测点位置数量的非测点位置结果中的较大值，从大到小依次排列。采用层次分析法对测点布置进行优化，根据测点的种类及重要性建立该爬模的分析层级和各层级权重。54.更进一步地，如图8所示，验证每个测点位置的权重的合理性，具体包括：步骤s801：建立判断每个测点位置重要性的判断矩阵；步骤s803：获取判断矩阵中每个位置的特征向量、权重值及最大特征根值；步骤s805：基于以下公式验证各个测点位置的权重的合理性：式中，n代表矩阵阶数，即某种测点的布置个数，λmax代表矩阵最大特征值；当计算结果ci小于0.1，则判定每个测点位置的权重结果合理。55.如图17所示，上述采用10/10~18/2标度，建立判断各个测点位置的判断矩阵，基于matlab软件计算判断矩阵各个位置的特征向量、权重值及最大特征根值。56.具体地，如图9和图16所示，根据工况的不同权重，获取测点方案总评分，具体包括：步骤s901：对底层的每个测点位置进行评分；步骤s903：获取每个底层的指标评分；步骤s905：根据各层权重求出单一工况下的测点方案评分标准和工况的不同权重，求出测点方案总评分：式中，fx代表底层指标评分；x代表测点位置对比值；xmin和xmax为评分界限，x0和x0'为评分最优区间，如图18所示。57.建立测点方案评分系统，量化相应监测指标作为评分标准，首先对底层各测点进行评分，以最大应力点为例，取n个测点位置的监测数值和前n个非测点位置较大的监测值进行对比，当n个测点位置的数值均大于前n个非测点位置的监测数值时，评分为100分，当n个测点位置的数值均小于前n个非测点位置的监测数值时，评分为0分，中间分数则线性插值。求出各底层指标评分后，根据各层权重求出单一工况下的测点方案评分标准，考虑到不同工况下各测点响应不同，根据工况的不同权重，求出测点方案总评分。58.根据测点方案评分系统和测点方案总评分对当前的测点位置进行优化布置，具体包括：当单一工况评分和多工况测点方案总评分均满足90分以上时，测点方案则被认为满足要求；如不满足，则对评分较低工况下的测点方案进行调整，对测点位置和非测点位置进行替换：①若替换完成后的非测点位置监测值满足下式要求，则增设该位置为测点位置：式中，ri为第i个非测点位置中的监测值；rmax为测点位置的预警限值；②若替换完成后的测点位置监测值满足下式要求，则减少该测点位置：式中，rj为第j个测点位置中的监测值；rmax为测点位置的预警限值。59.将测点方案以一个施工阶段为周期，反馈给步骤s101，进行更新调整。60.进一步地，如图10所示，获取爬模装置的状态参数的实时监测值，状态参数包括结构应力，具体包括：步骤s1001：根据爬模装置的构件尺寸、材料信息建立数字初级模型；步骤s1003：将爬模装置在不同工况下的爬模荷载输入数字初级模型，以获取爬模装置的测点位置；步骤s1005：获取测点位置布设的检测元件检测到的数据代入如下计算公式，获取结构应力的实时监测值；其中，计算公式为：式中，f表示实测振弦频率；l表示振弦初始长度；es表示振弦的弹性模量；δl表示振弦的长度增量；ρ表示振弦密度；ε表示表面实测应变；k表示测量灵敏度；f0表示振弦初始频率；α表示振弦温度修正系数；t及t0分别为实测温度和基准温度；e表示架体材料弹性模量；γ表示考虑安装应变计前爬模初始应力的安全系数。上述参数均由振弦式应变计测得，振弦式应变计可测量内部振弦的长度变化和架体表面温度变化，通过计算转化为应变。其中δl，t为测量值，f和ε为计算值，其它为初始确定参数；δ表示结构应力的实时监测值。61.上述可根据实际工程需要确定爬模装置的具体规格后，通过bim中的revit软件建立可视化爬模结构模型图，将主体结构及爬模结构的构件尺寸、材料信息，简化后输入到结构仿真计算软件中。根据不同结构与构件特征，采用梁单元及桁架单元，通过有限元方法建立数字初级模型。仿真计算软件包括midas软件、ansys软件。数字初级模型包含爬模装置的爬模架体的几何及材料信息，主要是根据施工和设计图纸里的结构信息而建立，还未输入实时荷载信息，没形成数字孪生概念。62.数字初级模型的建立过程为：首先需要通过纸质或电子图纸获取爬模装置的架体信息，通过高性能计算机、商用结构仿真计算软件完成数字初级模型的建立，通过输入规范规定或设计荷载，完成受力分析，结果用于指导后续测量元件的布置。63.根据爬模装置在施工阶段、爬升阶段和大风停工阶段的不同工况下的实际情况确定爬模荷载，爬模荷载包括设计荷载或规范荷载，将爬模荷载输入到所建立的数字初级模型中，分析得到各工况下爬模的受力状态，得出爬模装置的应力分布、整体变形，标记爬模装置的应力集中位置及最大变形位置。其中，受力状态为爬模结构在不同工况下的受力情况，主要包括爬模结构的整体的应力、应变、轴力、变形分布情况等。结构不利位置即结构中某些应力、变形集中位置，或者是构件的截面薄弱易破坏的位置。64.根据标记的不利位置，有选择地选取监测位置，以对爬模装置的构件布置进行优化，并根据优化的爬模整体模型的分析结果，建立爬模结构应力、变形等监测的测点位置布置方案。主要测点位置包括：最大应力点、应力变化较大点、施工关键点及受荷载影响特征点。每个构件不同截面上安装不少于2个应变测量感知单元，可均匀布设或选择重点位置布设。现场布振弦式表面应变计、位移计，应变计通过测量振弦变形转化成振弦的固有频率的变化，进而测得应变变化，再通过胡克定律换算出结构应力。位移计则用于测量爬模构件的变形。65.具体地，如图11所示，获取爬模装置的状态参数的实时监测值，状态参数包括空间三维位置及倾角变化，具体包括：步骤s1101：根据爬模装置的几何边界、中心以及不规则位置获取测点位置；步骤s1103：获取测点位置设置的测量仪器所检测到的空间三维位置及倾角变化的实时监测值。66.上述的方法中，依据爬模装置的几何特征，在爬模装置的几何边界以及特定位置可设置监测靶标，其中，特定位置包括爬模装置外轮廓的几何中心及几何不规则位置，通过测量机器人及水平仪等测量仪器实时监测靶标的空间三维位置及倾角变化，获取爬模装置的实时的距地高程、水平位置、与地面夹角等信息。67.进一步地，获取爬模装置的状态参数的实时监测值，状态参数包括风荷载、活荷载及地震加速度荷载，具体包括：获取爬模装置的施工平台顶部、施工平台底部及施工平台的斜撑、立杆上的测点位置设置的检测元件检测到的地震输入加速度值；获取施工平台顶部的测点位置设置的检测元件检测到加速值，获取施工平台底部的测点位置设置的检测元件检测到的施工平台载重值；获取施工平台的斜撑、立杆上的测点位置设置的检测元件检测到的风速；根据测量结果计算风荷载，计算公式为：风荷载，计算公式为：式中，ws表示风向与构件垂直时的风荷载；w0表示基准风压标准值；v表示实测风速；μz表示随爬模高度变化下的风压系数，10m及以下高度为1.0，10m至15m高度取1.13，15m至20m高度取1.23，20m至30m高度取1.39，30m至40m高度取1.52，随高度升高可进行调整；μs表示体型安全系数，对于爬模架体可取2.11；βz表示不同爬模高度下的安全调整系数，20m及以下高度为1.0，20m至25m高度为1.1，25m至30m高度为1.25，30m至35m高度为1.3，35m至40m高度为1.35，随高度升高可进行调整。68.在爬模装置的各个施工平台的底部设置荷载传感器，实时监测爬模架体施工平台上的载重活载大小。由于地震发生的时候地震加速度对爬模装置的结构具有较大影响，因此需要监测和后续分析。在爬模各个施工平台设置加速度计，实时监测爬模装置的爬模结构的爬升加速度和地震输入加速度大小，在各层爬模装置的施工平台的斜撑、立杆等结构构件设置风速计，实时监测架体各位置的风速情况，后续用于确定架体风荷载。69.其中，实时荷载信息主要包括荷载大小和荷载分布情况，由云端服务器130输入高性能计算机结构仿真计算软件数据接口，包括爬升过程中的加速度信息、风荷载信息、实时活荷载信息等。70.然后将爬模装置的爬模结构的各部分的实时荷载信息输入到数字初级模型中，由结构仿真计算软件对爬模结构进行整体分析，形成与现场工况实时对应的数字孪生模型，获得与第一阶段中对应的结构应力测点布置处的结构应力和变形的数字孪生模型计算结果。将实时计算结果上传，进入智能对比决策及解决方案推荐系统。71.通过将每种工况下实时荷载信息、实测的监测点应力和变形数据的以及数字孪生模型计算结果输入人工神经网络（ann）系统进行深度学习，通过监测点的实测数据与数字孪生模型计算结果的反复交互，建立实时的人工神经网络预测模型。72.通过人工神经网络预测模型，可以给出所对应的下一施工工况下的爬模结构的组成、大小及位置信息，同时可以实时预测各种荷载的发生概率，将预测荷载信息输入数字孪生模型中即可以得出后续工况下爬模的应力、位移和变形分布情况。将获得预测的下一工况下的爬模结构应力及变形状态，上传客户端140软件及移动设备app内的智能对比决策及解决方案推荐系统。73.由关键部位构件应力和变形预测数据，返回根据预测结果对爬模装置的测点位置进行优化布置的步骤中，对结构应力测点布置进行优化调整，根据应力分布情况增加/减少应变计布置，根据结构各部分变形情况增加或减少布置位移计等测量元件，从而实现监测点位的优化布置。74.示例性爬模施工监测系统如图13所示，该爬模施工监测系统包括：测点监测系统110、数据监测装置120、云端服务器130和客服端140，测点监测系统110设于爬模装置的监测位置，测点监测系统110适于获取并发送与监测位置的状态参数对应的实时监测数据。数据监测装置120与测点监测系统110通讯连接，数据监测装置120适于对测点监测系统110发送的实时监测数据进行收集、储存和发送。云端服务器130与数据监测装置120通讯连接，云端服务器130适于对数据监测装置120发送的实时监测数据进行分析、处理，且云端服务器130适于将实时监测数据转化为三维可视化图像并发送。客户端140与云端服务器130通讯连接，客户端140适于接收云端服务器130发送的三维可视化图像并显示。75.上述的测点监测系统110是一种基于数字孪生和神经网络技术的爬模监测系统，主要包括初步数字模型及测点布置模块、物理空间及结构应力实时监测模块、云端数据处理及可视化上传模块、数字孪生分析及预测模块、智能对比决策及解决方案数据库145模块。76.其中，初步数字模型及测点布置模块包括应变计、位移计、可调式水平仪、加速度计、风速计及测量机器人等，安装简单方便，其主要作用是将测点位置的实时监测数据的信息放大后传输给数据监测装置120。其中，应变计可以是振弦式表面应变计、电阻应变式传感器等的一种或多种测量元件的组合。应变计用于采集爬模装置的架体结构在正常工作状态、爬升工况和大风工况下的爬模结构关键部位的应变响应。其它测量元件如位移计、加速度计主要用于采集爬模装置在爬升工况下的爬模结构的受力和变形信息。可调式水平仪用于采集爬模装置的架体在不同爬升位置的倾斜度变化。风速测速计通常布置在爬模装置的架体的顶部，主要测量在施工过程中的风荷载大小。测量机器人又称全自动全站仪，首先在爬模架体几何边界位置布置定位靶标，通过监测一段时间内靶标的初始位置和最终位置确定爬模装置的架体在空间的位置变化。77.其中，物理空间及结构应力实时监测模块将实时监测到的物理空间数据及结构应力数据进行上传，具体如下：（1）现场安装测量元件后，在测量元件的外层加装保护外壳，最大限度的保护测量元件免受外界影响。78.（2）测量元件将测量到的爬模装置的爬模结构关键构件数据，通过有线传输方式或无线传输方式传输给数据监测装置120，同时以一天为单位将测量元件的工作状态实时反馈给施工现场管理人员。79.（3）数据监测装置120对实时监测的爬模结构关键部位的应力、变形、物理空间位置、实时荷载等监测数据进行收集储存，利用互联网，将监测数据即时上传至云端服务器130，同时现场施工人员应逐阶段将施工进度上传云端服务器130。80.物理空间及结构应力实时监测模块包括测量元件保护装置、数据监测装置120及供电装置。测量元件保护装置主要为设置在测量元件外的保护外壳，保护外壳为一层或多层结构，防水、抗压、防雷击且对电磁信号无屏蔽作用，起到了抗压、防水和防雷击作用，保护电子原件不被压坏和防止水分进入。81.数据监测装置120主要具有数据采集功能和无线传输功能的数据采集仪，数据监测装置120用于采集、转换现场的多个测量元件发出的信号，并可将获得的实时监测数据通过无线传输或有线传输的形式传输至云端服务器130，且对实时监测数据进行储存。供电装置主要为蓄电池，可以为测量元件和数据监测装置120供电，电池馈电后更换蓄电池即可。82.上述的云端服务器130内具有数据处理模块、可视化上传模块、数据存储模块，数据处理模块通过设置预处理算法处理数据存储模块储存的测量元件上传的监测数据，对监测数据按测量元件的类别进行汇总划分，对异常数据进行筛选过滤，确定当前爬模装置的物理空间位置，对爬模装置的结构各位置进行应力、应变及荷载标记。可视化上传模块通过映射把海量数据中的物理信息转化为具有组织结构的视觉信号集合，输出可视化云图，即可视化三维图像。83.其中，云端服务器130接收数据监测装置120所采集的爬模结构的物理空间位置、结构应变及实时风速、天气等数据并储存。根据测量元件与安装位置的对应关系，通过数据处理软件设计算法，将测量元件的安装位置信息同其所采集的数据进行整合、处理和打包，确定当前爬模物理空间位置、爬模结构各关键位置应力、应变及荷载状态。84.采用web开发技术通过可视化工具对预处理的实时监测数据转换为几何数据，即将数值型数据映射为可视图形符号，以属性形状、大小、纹理、颜色、透明度等表征特征数据的维，随后将可视图元及其属性转换为可视图像，即将几何数据转换为图像数据，形成可视化反应爬模结构工作状态的云图。85.将整合了爬模数据的实时可视化云图上传客户端140软件及移动设备app，管理人员可通过移动设备进行查看，反馈现场安全状态，软件内智能安全决策模块进行爬模结构安全状态分析进行爬模结构安全状态分析，同时发送至预测模型。86.上述的云端服务器130内还具有预测模型，预测模型包括数字孪生预测模型和人工神经网络预测模型。数字孪生预测模型是一种数字孪生预测模型计算系统，通过将实时输入的实时荷载数据输入到数字孪生预测模型中，通过高性能计算机计算模拟，输出爬模装置的架体结构实时应力和变形模拟结果到人工神经网络预测模型。人工神经网络预测模型是一种人工神经网络预测推理系统，可以基于输入各种工况下的荷载取值、实时监测的测点位置的应力数据和变形数据以及数字孪生预测模型的计算结果，并通过测点位置的实测监测数据与数字孪生预测模型计算结果的反复交互，建立人工神经网络预测模型，以预测下一施工工况的荷载分布信息。将预测得到的荷载信息返回输入到数字孪生预测模型中，通过计算得到下一施工工况下的爬模装置的架体的应力及变形状态，上传客户端140。87.如图14所示，客户端140包括：对比决策模块141和报警模块143，对比决策模块141与云端服务器130通讯连接，报警模块143与对比决策模块141通讯连接。其中，云端服务器130还适于对数据监测装置120发送的实时监测数据进行分析、处理并获取预测结果，对比决策模块141中的限值与实时监测数据和预测结果进行比较，并根据比较结果触发报警模块143发送报警信息。88.上述的对比决策模块141通过建立软件算法使用上传的实时监测数据与数字孪生预测模型数据进行实时对比，当实时监测数据、数字孪生预测模型实时计算结果及经人工神经网络预测模型的推理预测后的数字孪生预测模型的预测结果超出规定限值时，则系统提出对应的警告信息。通过报警模块143可采取现场风险预控措施。具体是指现场管理人员通过客户端140的软件或移动设备的app收到发出的警告提醒，现场布置警报器响起，提醒施工人员撤离。89.客户端140还包括：解决方案数据库145，与云端服务器130通讯连接。其中，对比决策模块141中的限值与实时监测数据和预测结果进行比较，并根据比较结果发送对应的解决方案。90.上述的解决方案数据库145是基于停工、爬升、施工工况下可能出现的应力和位移的部位超限情况，与解决方案之间建立映射关系，在解决方案数据库145内存储。根据现场监测数据推荐解决方案。现场管理人员通过客户端140的软件或移动设备app收到发出的警告提醒并实时推荐解决方案，现场布置警报器响起，提醒施工人员撤离，并结合推荐解决方案和施工管理人员经验，对爬模装置的爬模结构采取预控措施。91.上述的解决方案数据库145、对比决策模块141和报警模块143中，可通过客户端140软件及移动设备app内智能比对决策数据功能，使用上传的实时监测数据与数字孪生预测模型的数值理论模型数据进行实时对比与计算。当现场监测数据小于数字孪生数值模型预测数据且小于规范规定限值，无警告；当现场的实时监测数据大于数字孪生预测模型的计算数据且小于规范规定限值，为预警警告；当经人工神经网络预测模型分析后的数字孪生预测模型预测后的预测结果大于规范限值，为黄色警告；当现场的实时监测数据超出规范规定限值，红色警告，并在软件内实时反馈给施工现场管理人员，发出预警指示指导现场施工。92.当发生警告时，可以根据解决方案推荐系统，从解决方案库中自动搜索并实时生成解决方案。对于停工、爬升、施工工况下可能出现的应力和位移的部位超限情况，与解决方案之间建立映射关系并输入数据库，根据现场检测数据推荐解决方案，从而实现解决方案与预警信息同时发布。93.现场管理人员通过客户端140软件或移动设备app发出的警告信息及预控解决方案，现场布置警报器响起，提醒施工人员撤离，结合推荐解决方案和施工管理人员经验，对爬模结构采取预控措施，消除安全隐患以减少损失。94.待项目主体结构施工完成后，将爬模及各系统装置拆除以备后续项目继续使用。95.如图12所示，本发明中的爬模安全监测系统依次通过获取状态参数、上传数据、数据处理、工况优化及监测点优化、预警及解决方案推荐，实现了对爬模的安全监测。96.示例性计算机可读存储介质该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述的爬模施工监测方法。97.上述的计算机可读存储介质能够实现上述任一实施例中的爬模施工监测方法的步骤，且能达到相同的技术效果，因而具有上述任一实施例所具有的一切有益效果，在此不再赘述。98.本实施例中的计算机可读存储介质，如只读存储器(readꢀ‑onlymemory，简称rom)、随机存取存储器(randomaccessmemory，简称ram)、磁碟或者光盘等。99.根据上述描述，本技术具有以下优点：1、可以快速、清晰地反映爬模装置施工状态，使得监测过程更加直观、高效。100.2、可及时向客户端发送预警信息，有效预防施工过程中的安全隐患。101.3、可针对不同情况发送对应的解决方案，方便工作人员快速应对突发情况。102.4、可避免外界环境对测量元件产生影响，确保测量数值精确，保障预测系统的准确性。103.在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。104.在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。105.此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。106.显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。当前第1页12当前第1页12
技术领域：
：，具体涉及一种爬模施工监测方法、系统和计算机可读存储介质。
背景技术：
：：2.目前，爬模技术是混凝土工程和钢筋混凝土工程中机械化程度高、施工速度快、安全存保障、综合效益显著的一种施工技术，在高层和超高层建筑中得到了广泛的推广和应用。爬模架体的安全性和整体稳定性关乎整个工程的质量、进度、安全，在整个施工过程中起到了至关重要的作用，因此，对爬模进行安全监测与分析，了解其受力特性和工作状态，保证其在安装、爬升和工作等过程中的安全性、稳定性尤为重要。3.传统的爬模安全监测方法通常为：由监测人员到现场对爬模架体是否安全进行监测，待全部监测完成后对所有监测数据进行人工处理、分析，判断爬模架体哪些区域存在结构安全隐患。4.上述方法存在以下缺陷：爬模装置监测信息通常以二维图纸的形式展示，人工绘制图纸导致信息传递速度慢，且二维图形直观性差，无法直观快速的反应监测结果。技术实现要素：5.因此，本发明要解决的技术问题在于克服现有技术中的爬模施工监测方法提供二维图像导致信息传递速度慢，且二维图形直观性差，无法直观快速的反应监测结果的缺陷，从而提供一种可输出三维可视图像的爬模施工监测方法、系统和计算机可读存储介质。6.为了解决上述问题，本发明提供了一种爬模装置的安全监测方法，包括：获取爬模装置的状态参数的实时监测数据，所述状态参数包括结构应力、结构变形、空间三维位置及倾角变化、风荷载、活荷载及地震加速度荷载；根据所述实时监测数据建立三维可视化图像；将所述三维可视化图像发送至客户端进行显示。7.可选地，所述爬模装置的安全监测方法还包括：建立对比决策模块；根据所述实时监测数据建立预测模型并获取预测结果；当所述预测结果超出所述对比决策模块中对应的限值，向所述客户端发送报警信息。8.可选地，所述爬模装置的安全监测方法还包括：建立解决方案数据库；当所述预测结果超出所述对比决策模块中对应的限值，还向客户端发送解决方案。9.可选地，根据所述实时监测数据建立预测模型并获取预测结果，具体包括：根据所述实时监测数据建立数字孪生预测模型；通过人工神经网络系统建立人工神经网络预测模型；结合所述数字孪生预测模型与所述人工神经网络预测模型建立所述预测模型并获取所述预测结果，所述预测结果包括所述爬模装置的应力与变形状态。10.可选地，所述通过人工神经网络系统建立人工神经网络预测模型，具体包括：获取已有的施工监测案例中的实时荷载、位置信息作为自变量，应力数据及变形数据作为结果进行深度学习；通过映射关系建立所述人工神经网络预测模型。11.可选地，结合所述数字孪生预测模型与所述人工神经网络预测模型建立所述预测模型并获取所述预测结果，具体包括：针对爬模装置的测点位置，以每秒为周期，采用所述人工神经网络预测模型进行实时预测，并输出所述测点位置的所述应力数据及所述变形数据；针对爬模装置的非测点位置，以每十分钟为周期，采用所述数字孪生预测模型进行实时预测，并输出所述非测点位置的所述应力数据及所述变形数据。12.可选地，所述爬模装置的安全监测方法还包括：根据所述预测结果对所述爬模装置的测点位置进行优化布置。13.可选地，所述根据所述预测结果对所述爬模装置的测点位置进行优化布置，具体包括：根据所述数字孪生预测模型计算的测点位置的种类及重要性建立所述爬模装置的分析层级和各层级权重；验证每个所述测点位置的权重的合理性；建立测点方案评分系统；根据所述各层级权重获取单一工况下的测点方案评分标准；根据工况的不同权重，获取测点方案总评分；根据所述测点方案评分系统和所述测点方案总评分对当前的所述测点位置进行优化布置。14.可选地，验证每个所述测点位置的权重的合理性，具体包括：建立判断每个所述测点位置重要性的判断矩阵；获取所述判断矩阵中每个位置的特征向量、权重值及最大特征根值；基于以下第一公式验证各个测点位置的权重的合理性：，式中，n代表矩阵阶数，即某种测点的布置个数，λmax代表矩阵最大特征值；当计算结果ci小于0.1，则判定每个所述测点位置的权重结果合理。15.可选地，所述根据工况的不同权重，获取测点方案总评分，具体包括：对底层的每个所述测点位置进行评分；获取每个所述底层的指标评分；根据各层权重求出单一工况下的测点方案评分标准和工况的不同权重，根据以下第二公式求出测点方案总评分：；式中，fx代表底层指标评分；x代表测点位置对比值；xmin和xmax为评分界限，x0和x0'为评分最优区间。16.可选地，根据所述测点方案评分系统和所述测点方案总评分对当前的所述测点位置进行优化布置，具体包括：当单一工况评分和多工况测点方案总评分均满足90分以上时，测点方案则被认为满足要求；如不满足，则对评分较低工况下的测点方案进行调整，对测点位置和非测点位置进行替换：①若替换完成后的非测点位置监测值满足下式要求，则增设该位置为测点位置：；式中，ri为第i个非测点位置中的监测值；rmax为测点位置的预警限值；②若替换完成后的测点位置监测值满足下式要求，则减少该测点位置：；式中，rj为第j个测点位置中的监测值；rmax为测点位置的预警限值。17.可选地，获取爬模装置的状态参数的实时监测值，所述状态参数包括结构应力及结构变形，具体包括：根据所述爬模装置的构件尺寸、材料信息建立数字初级模型；将所述爬模装置在不同工况下的爬模荷载输入所述数字初级模型，以获取爬模装置的应力测点及变形测点位置；获取所述应力测点位置布设的检测元件检测到的数据代入如下计算公式，获取所述结构应力的实时监测值；其中，如下的第三计算公式为：获取所述结构应力的实时监测值；其中，如下的第三计算公式为：获取所述结构应力的实时监测值；其中，如下的第三计算公式为：式中，f表示实测振弦频率；l表示振弦初始长度；es表示振弦的弹性模量；δl表示振弦的长度增量；ρ表示振弦密度；ε表示表面实测应变；k表示测量灵敏度；f0表示振弦初始频率；α表示振弦温度修正系数；t及t0分别为实测温度和基准温度；e表示架体材料弹性模量；γ表示考虑安装应变计前爬模初始应力的安全系数，δ表示结构应力的实时监测值。18.可选地，获取爬模装置的状态参数的实时监测值，所述状态参数包括风荷载、活荷载及地震加速度荷载，具体包括：获取爬模装置的施工平台顶部、施工平台底部及施工平台的斜撑、立杆上的测点位置设置的检测元件检测到的地震输入加速度值；获取施工平台顶部的测点位置设置的检测元件检测到加速值；获取施工平台底部的测点位置设置的检测元件检测到的施工平台载重值；获取施工平台的斜撑、立杆上的测点位置设置的检测元件检测到的风速；根据测量结果计算风荷载，如下的第四计算公式为：测到的风速；根据测量结果计算风荷载，如下的第四计算公式为：式中，ws表示风向与构件垂直时的风荷载；w0表示基准风压标准值；v表示实测风速；μz表示随爬模高度变化下的风压系数，μs表示体型安全系数；βz表示不同爬模高度下的安全调整系数。19.本发明还提供了一种爬模施工监测系统，包括：设于爬模装置的监测位置，所述测点监测系统适于获取并发送与所述监测位置的状态参数对应的实时监测数据；数据监测装置，与所述测点监测系统通讯连接，所述数据监测装置适于对所述测点监测系统发送的所述实时监测数据进行收集、储存和发送；云端服务器，与所述数据监测装置通讯连接，所述云端服务器适于对所述数据监测装置发送的所述实时监测数据进行分析、处理，且所述云端服务器适于将所述实时监测数据转化为三维可视化图像并发送；客户端，与所述云端服务器通讯连接，所述客户端适于接收所述云端服务器发送的所述三维可视化图像并显示。20.可选地，所述客户端包括：对比决策模块，与所述云端服务器通讯连接；报警模块，与所述对比决策模块通讯连接；其中，所述云端服务器还适于对所述数据监测装置发送的所述实时监测数据进行分析、处理并获取预测结果，所述对比决策模块中的限值与所述实时监测数据和所述预测结果进行比较，并根据比较结果触发所述报警模块发送报警信息。21.可选地，所述客户端还包括：解决方案数据库，与所述云端服务器通讯连接；其中，所述对比决策模块中的限值与所述实时监测数据和所述预测结果进行比较，并根据比较结果发送对应的解决方案。22.本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的爬模施工监测方法。23.本发明具有以下优点：1、利用本发明的技术方案，通过获取爬模的状态参数，对爬模装置进行三维建模，监测结果以三维图像的形式反馈至客户端，可以快速、清晰地反映爬模装置施工状态，使得监测过程更加直观、高效。24.2、通过建立基于数字孪生和神经网络的预测模型，将实时监控数据、工况预测结果与规定限值进行对比，可及时向客户端发送预警信息，有效预防施工过程中的安全隐患。25.3、通过建立解决方案数据库，可针对不同情况发送对应的解决方案，方便工作人员快速应对突发情况。26.4、通过在测量元件外层加装保护外壳，可避免外界环境对测量元件产生影响，确保测量数值精确，保障预测系统的准确性。27.5、通过采用数字孪生和神经网络结合预测的方法，进一步提高了预测效率，实现时效性的同时降低了计算机资源的占用。附图说明28.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体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，下面描述中的附图是本发明的一些实施方式，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，还可以根据这些附图获得其他的附图。29.图1为本发明中的爬模施工监测方法的流程图之一；图2为本发明中的爬模施工监测方法的流程图之二；图3为本发明中的爬模施工监测方法的流程图之三；图4为本发明中的爬模施工监测方法的流程图之四；图5为本发明中的爬模施工监测方法的流程图之五；图6为本发明中的爬模施工监测方法的流程图之六；图7为本发明中的爬模施工监测方法的流程图之七；图8为本发明中的爬模施工监测方法的流程图之八；图9为本发明中的爬模施工监测方法的流程图之九；图10为本发明中的爬模施工监测方法的流程图之十；图11为本发明中的爬模施工监测方法的流程图之十一；图12为本发明中的爬模施工监测方法的流程图之十二；图13为本发明中的爬模施工监测系统的组成框图之一；图14为本发明中的爬模施工监测系统的组成框图之二；图15为本发明中的爬模施工监测系统的示意图；图15a为本发明中图15中的第一阶段流程图；图15b为本发明中图15中的第二阶段流程图；图15c为本发明中图15中的第三阶段流程图；图15d为本发明中图15中的第四阶段流程图；图15e为本发明中图15中的第五阶段流程图；图16为本发明中的爬模施工监测方法的总体评分的示意图；图17为本发明中的爬模施工监测方法的判断矩阵示意图；图18为本发明中的爬模施工监测方法的底层指标评分图。30.附图标记说明：110、测点监测系统；120、数据监测装置；130、云端服务器；140、客户端；141、对比决策模块；143、报警模块；145、解决方案数据库。具体实施方式31.下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。32.申请概述传统的监测方法不仅提供三维可视化图像，且仅能实现现场工况的实时监测，无法实现对突发的危险情况的预测、报警，根据预测结果进一步给出有针对性的解决方案。另外，传统的监测数据采集量大，人工采集容易漏检和产生误差，且难以实现爬模装置的整体监测。33.示例性爬模施工监测方法图1为一种爬模施工监测方法的流程图，该爬模施工监测方法包括：步骤s101：获取爬模装置的状态参数的实时监测数据，状态参数包括结构应力、空间三维位置及倾角变化、风荷载、活荷载及地震加速度荷载；步骤s103：根据实时监测数据建立三维可视化图像；步骤s105：将三维可视化图像发送至客户端140进行显示。34.如图15所示，上述的爬模施工监测方法的第一阶段：初步数字模型建立及测点布置方案的确定；第二阶段为：物理空间及结构应力的实时监测及上传；第三阶段为：云端数据处理及可视化上传；第四阶段为：数字孪生分析及神经网络预测；第五阶段为：智能对比决策及解决方案推荐系统。35.通过在爬模装置上安装测量元件对爬模的状态参数进行测量，可以实现数据的精准测量，提高预测的准确度，有效确保施工过程的安全性和施工质量，避免了人工测量容易产生误差的缺陷。并可采用可视化工具将上传的实时监测数据转化为三维可视图像，将三维可视化图像上传至客户端140，管理人员可通过移动设备上的app进行查看。可视化工具可选择tableau、data-drivendocuments、echarts等。其中，以属性形状、大小、纹理、颜色、透明度等表示不同的数据特征，随后将可视图元及其属性转换为可视图像，即将几何数据转换为图像数据，对生成的图形和应用数据进行核准，如有不符再交由图像处理进行校正，以达到图形显示的准确性，形成可视化反应爬模装置的工作状态的云图。36.因此，采用仿真建模软件对爬模装置进行三维建模，监测结果以三维图像的形式反馈至客户端140，可以快速、清晰地反映爬模装置施工状态，使得监测过程更加直观、高效。37.具体地，如图2所示，爬模装置的安全监测方法还包括：步骤s201：建立对比决策模块；步骤s203：根据实时监测数据建立预测模型并获取预测结果；步骤s205：当预测结果超出对比决策模块中对应的限值，向客户端140发送报警信息。38.上述的爬模装置的安全监测方法可通过分析实时监测得到的监控数据，对下一时段中爬模装置的应力与变形状态进行预测，并获得预测结果。建立智能对比决策模块141，通过建立算法将实时监测数据、预测结果与对应的限值进行对比，超过限值时向客户端140发送预警信息。客户端140接收预警信息的同时，触发现场警报器，提醒工作人员进行应急处理。将实时监测数据、预测结果与对应的限值进行对比，可及时向客户端140发送预警信息，有效预防施工过程中的安全隐患。39.更为具体地，爬模装置的安全监测方法还包括：步骤s301：如图3所示，建立解决方案数据库；步骤s303：当预测结果超出对比决策模块中对应的限值，还向客户端发送解决方案。40.上述爬模装置的安全监测方法通过建立解决方案数据库145，对于停工、爬升、施工工况下可能出现的应力和位移的部位超限情况，与解决方案之间建立映射关系并输入数据库，根据现场的实时检测数据推荐解决方案，例如，可增设不同数量的附墙撑杆进行加固、减少加载配重。当存在可能的安全隐患时，解决方案与警告信息同时发布。41.针对不同的超限情况匹配对应的解决方案，可在客户端140软件及移动设备app中建立智能对比决策模块141，通过建立算法将实时监测数据、预测结果与规定的限值进行对比，超过规定的限值时向客户端140发送预警信息及对应的解决方案。通过建立解决方案数据库145，可针对不同情况发送对应的解决方案，方便工作人员快速应对突发情况。42.更为具体地，如图4所示，根据实时监测数据建立预测模型并获取预测结果，具体包括：步骤s401：根据实时监测数据建立数字孪生预测模型；步骤s403：通过人工神经网络系统建立人工神经网络预测模型；步骤s405：结合数字孪生预测模型与人工神经网络预测模型建立预测模型并获取预测结果，预测结果包括爬模装置的应力与变形状态。43.上述的数字孪生预测模型是基于有限元技术的数字孪生预测模型，通过将爬模装置的状态参数的实时监测数据输入仿真建模软件形成数字孪生预测模型，实时监测数据由云端服务器130输入高性能计算机仿真建模软件数据接口，基于有限元技术，搭建与爬模系统实时映射的数字孪生预测模型。44.为满足结构性能计算的实时性，采用数字孪生预测模型与人工神经网络预测模型结合的方法实现实时结构预测，提高了计算时效性的同时且减少了计算资源的占用。45.更为具体地，如图5所示，通过人工神经网络系统建立人工神经网络预测模型，具体包括：步骤s501：获取已有的施工监测案例中的实时荷载、位置信息作为自变量，应力数据及变形数据作为结果进行深度学习；步骤s503：通过映射关系建立人工神经网络预测模型。46.上述的人工神经网络（ann）系统具有自适应、自组织和实时学习的特点，对信息的处理过程接近人类大脑的逻辑思维过程。因此，将人工神经网络系统应用于爬模系统检测将极大提高检测效率及安全性。47.采用人工神经网络系统建立人工神经网络预测模型，通过以已有的施工监测案例中实时荷载、位置信息作为自变量，应力数据及变形数等据作为结果，输入到基于tensorflow程序建立的人工神经网络系统进行深度学习，通过将实时荷载、位置信息与架体监测的应力数据及变形数据反复交互，建立其映射关系，从而可实现人工神经网络预测模型的建立。48.更为具体地，如图6所示，结合数字孪生预测模型与人工神经网络预测模型建立预测模型并获取预测结果，具体包括：步骤s601：针对爬模装置的测点位置，以每秒为周期，采用人工神经网络预测模型进行实时预测，并输出测点位置的应力数据及变形数据；步骤s603：针对爬模装置的非测点位置，以每十分钟为周期，采用数字孪生预测模型进行实时预测，并输出非测点位置的应力数据及变形数据；在上述的方法中，根据最大监测值获取能够反映测点位置和非测点位置的预测结果。通过将数字孪生和人工神经网络系统有效结合，将测点位置的实时监测数据与数字孪生预测模型的预测结果导入人工神经网络预测模型进行反复交互、深度学习，对爬模后续工况下的受力特性和工作状态进行高效合理预测，实现了爬模的测点位置的优化布置，进而可实时掌握爬模结构的各不利位置的应力信息、变形信息，循环往复，进行安全预警及给予建议的解决方案，保证了爬模装置在安装、爬升和工作等的结构和人员安全。49.针对实时监测的测点位置，以每秒为周期，采用计算效率高的人工神经网络预测系统进行实时预测输出测点的应力及变形等数据。针对爬模结构的非测点位置，可采用计算时间较长但能反映爬模整体应力变形的数字孪生预测模型进行预测。其中，预测时，以每十分钟为周期，将周期内各类荷载的最大监测值输入数字孪生预测模型进行计算，可得到同时反映测点位置和非测点位置的精细化预测结果。50.预测结果包括结构应力的评估预测。其中，根据下一时段施工进度计划表确定下一时段爬模结构所需的施工人员、仪器设备及建筑材料的数量，由此计算得到下一时段作用在爬模结构上的活荷载改变量。由当日气象台预测的下一时段天气状况，根据爬模结构所处的高度及体型系数计算得到下一时段风荷载改变量。然后汇总得到下一时段可能的施工荷载、风荷载及爬模位置信息，以当前时段所监测到的最大施工活载、风荷载为基值，代入荷载改变量后输入到人工神经网络预测模型，以一个施工阶段为周期，对下一时段的结构应力进行评估预测，并将得到的预测结果输入客户端140进行预警、输出解决方案。51.具体地，爬模装置的安全监测方法还包括：根据预测结果对爬模装置的测点位置进行优化布置。其中，可根据应力分布情况增加或减少应变计的布置，根据结构各部分变形情况增加或减少布置位移计等测量元件，从而实现测点位置的优化布置，能够提高监测质量。52.具体地，如图7所示，根据预测结果对爬模装置的测点位置进行优化布置，具体包括：步骤s701：根据数字孪生预测模型计算的测点位置的种类及重要性建立爬模装置的分析层级和各层级权重；步骤s703：验证每个测点位置的权重的合理性；步骤s705：建立测点方案评分系统；步骤s707：根据各层级权重获取单一工况下的测点方案评分标准；步骤s709：根据工况的不同权重，获取测点方案总评分；步骤s711：根据测点方案评分系统和测点方案总评分对当前的测点位置进行优化布置。53.上述的方法中，根据数字孪生预测模型计算的测点位置及非测点位置的预测结果，选取所有的测点位置结果，以及对应测点位置数量的非测点位置结果中的较大值，从大到小依次排列。采用层次分析法对测点布置进行优化，根据测点的种类及重要性建立该爬模的分析层级和各层级权重。54.更进一步地，如图8所示，验证每个测点位置的权重的合理性，具体包括：步骤s801：建立判断每个测点位置重要性的判断矩阵；步骤s803：获取判断矩阵中每个位置的特征向量、权重值及最大特征根值；步骤s805：基于以下公式验证各个测点位置的权重的合理性：式中，n代表矩阵阶数，即某种测点的布置个数，λmax代表矩阵最大特征值；当计算结果ci小于0.1，则判定每个测点位置的权重结果合理。55.如图17所示，上述采用10/10~18/2标度，建立判断各个测点位置的判断矩阵，基于matlab软件计算判断矩阵各个位置的特征向量、权重值及最大特征根值。56.具体地，如图9和图16所示，根据工况的不同权重，获取测点方案总评分，具体包括：步骤s901：对底层的每个测点位置进行评分；步骤s903：获取每个底层的指标评分；步骤s905：根据各层权重求出单一工况下的测点方案评分标准和工况的不同权重，求出测点方案总评分：式中，fx代表底层指标评分；x代表测点位置对比值；xmin和xmax为评分界限，x0和x0'为评分最优区间，如图18所示。57.建立测点方案评分系统，量化相应监测指标作为评分标准，首先对底层各测点进行评分，以最大应力点为例，取n个测点位置的监测数值和前n个非测点位置较大的监测值进行对比，当n个测点位置的数值均大于前n个非测点位置的监测数值时，评分为100分，当n个测点位置的数值均小于前n个非测点位置的监测数值时，评分为0分，中间分数则线性插值。求出各底层指标评分后，根据各层权重求出单一工况下的测点方案评分标准，考虑到不同工况下各测点响应不同，根据工况的不同权重，求出测点方案总评分。58.根据测点方案评分系统和测点方案总评分对当前的测点位置进行优化布置，具体包括：当单一工况评分和多工况测点方案总评分均满足90分以上时，测点方案则被认为满足要求；如不满足，则对评分较低工况下的测点方案进行调整，对测点位置和非测点位置进行替换：①若替换完成后的非测点位置监测值满足下式要求，则增设该位置为测点位置：式中，ri为第i个非测点位置中的监测值；rmax为测点位置的预警限值；②若替换完成后的测点位置监测值满足下式要求，则减少该测点位置：式中，rj为第j个测点位置中的监测值；rmax为测点位置的预警限值。59.将测点方案以一个施工阶段为周期，反馈给步骤s101，进行更新调整。60.进一步地，如图10所示，获取爬模装置的状态参数的实时监测值，状态参数包括结构应力，具体包括：步骤s1001：根据爬模装置的构件尺寸、材料信息建立数字初级模型；步骤s1003：将爬模装置在不同工况下的爬模荷载输入数字初级模型，以获取爬模装置的测点位置；步骤s1005：获取测点位置布设的检测元件检测到的数据代入如下计算公式，获取结构应力的实时监测值；其中，计算公式为：式中，f表示实测振弦频率；l表示振弦初始长度；es表示振弦的弹性模量；δl表示振弦的长度增量；ρ表示振弦密度；ε表示表面实测应变；k表示测量灵敏度；f0表示振弦初始频率；α表示振弦温度修正系数；t及t0分别为实测温度和基准温度；e表示架体材料弹性模量；γ表示考虑安装应变计前爬模初始应力的安全系数。上述参数均由振弦式应变计测得，振弦式应变计可测量内部振弦的长度变化和架体表面温度变化，通过计算转化为应变。其中δl，t为测量值，f和ε为计算值，其它为初始确定参数；δ表示结构应力的实时监测值。61.上述可根据实际工程需要确定爬模装置的具体规格后，通过bim中的revit软件建立可视化爬模结构模型图，将主体结构及爬模结构的构件尺寸、材料信息，简化后输入到结构仿真计算软件中。根据不同结构与构件特征，采用梁单元及桁架单元，通过有限元方法建立数字初级模型。仿真计算软件包括midas软件、ansys软件。数字初级模型包含爬模装置的爬模架体的几何及材料信息，主要是根据施工和设计图纸里的结构信息而建立，还未输入实时荷载信息，没形成数字孪生概念。62.数字初级模型的建立过程为：首先需要通过纸质或电子图纸获取爬模装置的架体信息，通过高性能计算机、商用结构仿真计算软件完成数字初级模型的建立，通过输入规范规定或设计荷载，完成受力分析，结果用于指导后续测量元件的布置。63.根据爬模装置在施工阶段、爬升阶段和大风停工阶段的不同工况下的实际情况确定爬模荷载，爬模荷载包括设计荷载或规范荷载，将爬模荷载输入到所建立的数字初级模型中，分析得到各工况下爬模的受力状态，得出爬模装置的应力分布、整体变形，标记爬模装置的应力集中位置及最大变形位置。其中，受力状态为爬模结构在不同工况下的受力情况，主要包括爬模结构的整体的应力、应变、轴力、变形分布情况等。结构不利位置即结构中某些应力、变形集中位置，或者是构件的截面薄弱易破坏的位置。64.根据标记的不利位置，有选择地选取监测位置，以对爬模装置的构件布置进行优化，并根据优化的爬模整体模型的分析结果，建立爬模结构应力、变形等监测的测点位置布置方案。主要测点位置包括：最大应力点、应力变化较大点、施工关键点及受荷载影响特征点。每个构件不同截面上安装不少于2个应变测量感知单元，可均匀布设或选择重点位置布设。现场布振弦式表面应变计、位移计，应变计通过测量振弦变形转化成振弦的固有频率的变化，进而测得应变变化，再通过胡克定律换算出结构应力。位移计则用于测量爬模构件的变形。65.具体地，如图11所示，获取爬模装置的状态参数的实时监测值，状态参数包括空间三维位置及倾角变化，具体包括：步骤s1101：根据爬模装置的几何边界、中心以及不规则位置获取测点位置；步骤s1103：获取测点位置设置的测量仪器所检测到的空间三维位置及倾角变化的实时监测值。66.上述的方法中，依据爬模装置的几何特征，在爬模装置的几何边界以及特定位置可设置监测靶标，其中，特定位置包括爬模装置外轮廓的几何中心及几何不规则位置，通过测量机器人及水平仪等测量仪器实时监测靶标的空间三维位置及倾角变化，获取爬模装置的实时的距地高程、水平位置、与地面夹角等信息。67.进一步地，获取爬模装置的状态参数的实时监测值，状态参数包括风荷载、活荷载及地震加速度荷载，具体包括：获取爬模装置的施工平台顶部、施工平台底部及施工平台的斜撑、立杆上的测点位置设置的检测元件检测到的地震输入加速度值；获取施工平台顶部的测点位置设置的检测元件检测到加速值，获取施工平台底部的测点位置设置的检测元件检测到的施工平台载重值；获取施工平台的斜撑、立杆上的测点位置设置的检测元件检测到的风速；根据测量结果计算风荷载，计算公式为：风荷载，计算公式为：式中，ws表示风向与构件垂直时的风荷载；w0表示基准风压标准值；v表示实测风速；μz表示随爬模高度变化下的风压系数，10m及以下高度为1.0，10m至15m高度取1.13，15m至20m高度取1.23，20m至30m高度取1.39，30m至40m高度取1.52，随高度升高可进行调整；μs表示体型安全系数，对于爬模架体可取2.11；βz表示不同爬模高度下的安全调整系数，20m及以下高度为1.0，20m至25m高度为1.1，25m至30m高度为1.25，30m至35m高度为1.3，35m至40m高度为1.35，随高度升高可进行调整。68.在爬模装置的各个施工平台的底部设置荷载传感器，实时监测爬模架体施工平台上的载重活载大小。由于地震发生的时候地震加速度对爬模装置的结构具有较大影响，因此需要监测和后续分析。在爬模各个施工平台设置加速度计，实时监测爬模装置的爬模结构的爬升加速度和地震输入加速度大小，在各层爬模装置的施工平台的斜撑、立杆等结构构件设置风速计，实时监测架体各位置的风速情况，后续用于确定架体风荷载。69.其中，实时荷载信息主要包括荷载大小和荷载分布情况，由云端服务器130输入高性能计算机结构仿真计算软件数据接口，包括爬升过程中的加速度信息、风荷载信息、实时活荷载信息等。70.然后将爬模装置的爬模结构的各部分的实时荷载信息输入到数字初级模型中，由结构仿真计算软件对爬模结构进行整体分析，形成与现场工况实时对应的数字孪生模型，获得与第一阶段中对应的结构应力测点布置处的结构应力和变形的数字孪生模型计算结果。将实时计算结果上传，进入智能对比决策及解决方案推荐系统。71.通过将每种工况下实时荷载信息、实测的监测点应力和变形数据的以及数字孪生模型计算结果输入人工神经网络（ann）系统进行深度学习，通过监测点的实测数据与数字孪生模型计算结果的反复交互，建立实时的人工神经网络预测模型。72.通过人工神经网络预测模型，可以给出所对应的下一施工工况下的爬模结构的组成、大小及位置信息，同时可以实时预测各种荷载的发生概率，将预测荷载信息输入数字孪生模型中即可以得出后续工况下爬模的应力、位移和变形分布情况。将获得预测的下一工况下的爬模结构应力及变形状态，上传客户端140软件及移动设备app内的智能对比决策及解决方案推荐系统。73.由关键部位构件应力和变形预测数据，返回根据预测结果对爬模装置的测点位置进行优化布置的步骤中，对结构应力测点布置进行优化调整，根据应力分布情况增加/减少应变计布置，根据结构各部分变形情况增加或减少布置位移计等测量元件，从而实现监测点位的优化布置。74.示例性爬模施工监测系统如图13所示，该爬模施工监测系统包括：测点监测系统110、数据监测装置120、云端服务器130和客服端140，测点监测系统110设于爬模装置的监测位置，测点监测系统110适于获取并发送与监测位置的状态参数对应的实时监测数据。数据监测装置120与测点监测系统110通讯连接，数据监测装置120适于对测点监测系统110发送的实时监测数据进行收集、储存和发送。云端服务器130与数据监测装置120通讯连接，云端服务器130适于对数据监测装置120发送的实时监测数据进行分析、处理，且云端服务器130适于将实时监测数据转化为三维可视化图像并发送。客户端140与云端服务器130通讯连接，客户端140适于接收云端服务器130发送的三维可视化图像并显示。75.上述的测点监测系统110是一种基于数字孪生和神经网络技术的爬模监测系统，主要包括初步数字模型及测点布置模块、物理空间及结构应力实时监测模块、云端数据处理及可视化上传模块、数字孪生分析及预测模块、智能对比决策及解决方案数据库145模块。76.其中，初步数字模型及测点布置模块包括应变计、位移计、可调式水平仪、加速度计、风速计及测量机器人等，安装简单方便，其主要作用是将测点位置的实时监测数据的信息放大后传输给数据监测装置120。其中，应变计可以是振弦式表面应变计、电阻应变式传感器等的一种或多种测量元件的组合。应变计用于采集爬模装置的架体结构在正常工作状态、爬升工况和大风工况下的爬模结构关键部位的应变响应。其它测量元件如位移计、加速度计主要用于采集爬模装置在爬升工况下的爬模结构的受力和变形信息。可调式水平仪用于采集爬模装置的架体在不同爬升位置的倾斜度变化。风速测速计通常布置在爬模装置的架体的顶部，主要测量在施工过程中的风荷载大小。测量机器人又称全自动全站仪，首先在爬模架体几何边界位置布置定位靶标，通过监测一段时间内靶标的初始位置和最终位置确定爬模装置的架体在空间的位置变化。77.其中，物理空间及结构应力实时监测模块将实时监测到的物理空间数据及结构应力数据进行上传，具体如下：（1）现场安装测量元件后，在测量元件的外层加装保护外壳，最大限度的保护测量元件免受外界影响。78.（2）测量元件将测量到的爬模装置的爬模结构关键构件数据，通过有线传输方式或无线传输方式传输给数据监测装置120，同时以一天为单位将测量元件的工作状态实时反馈给施工现场管理人员。79.（3）数据监测装置120对实时监测的爬模结构关键部位的应力、变形、物理空间位置、实时荷载等监测数据进行收集储存，利用互联网，将监测数据即时上传至云端服务器130，同时现场施工人员应逐阶段将施工进度上传云端服务器130。80.物理空间及结构应力实时监测模块包括测量元件保护装置、数据监测装置120及供电装置。测量元件保护装置主要为设置在测量元件外的保护外壳，保护外壳为一层或多层结构，防水、抗压、防雷击且对电磁信号无屏蔽作用，起到了抗压、防水和防雷击作用，保护电子原件不被压坏和防止水分进入。81.数据监测装置120主要具有数据采集功能和无线传输功能的数据采集仪，数据监测装置120用于采集、转换现场的多个测量元件发出的信号，并可将获得的实时监测数据通过无线传输或有线传输的形式传输至云端服务器130，且对实时监测数据进行储存。供电装置主要为蓄电池，可以为测量元件和数据监测装置120供电，电池馈电后更换蓄电池即可。82.上述的云端服务器130内具有数据处理模块、可视化上传模块、数据存储模块，数据处理模块通过设置预处理算法处理数据存储模块储存的测量元件上传的监测数据，对监测数据按测量元件的类别进行汇总划分，对异常数据进行筛选过滤，确定当前爬模装置的物理空间位置，对爬模装置的结构各位置进行应力、应变及荷载标记。可视化上传模块通过映射把海量数据中的物理信息转化为具有组织结构的视觉信号集合，输出可视化云图，即可视化三维图像。83.其中，云端服务器130接收数据监测装置120所采集的爬模结构的物理空间位置、结构应变及实时风速、天气等数据并储存。根据测量元件与安装位置的对应关系，通过数据处理软件设计算法，将测量元件的安装位置信息同其所采集的数据进行整合、处理和打包，确定当前爬模物理空间位置、爬模结构各关键位置应力、应变及荷载状态。84.采用web开发技术通过可视化工具对预处理的实时监测数据转换为几何数据，即将数值型数据映射为可视图形符号，以属性形状、大小、纹理、颜色、透明度等表征特征数据的维，随后将可视图元及其属性转换为可视图像，即将几何数据转换为图像数据，形成可视化反应爬模结构工作状态的云图。85.将整合了爬模数据的实时可视化云图上传客户端140软件及移动设备app，管理人员可通过移动设备进行查看，反馈现场安全状态，软件内智能安全决策模块进行爬模结构安全状态分析进行爬模结构安全状态分析，同时发送至预测模型。86.上述的云端服务器130内还具有预测模型，预测模型包括数字孪生预测模型和人工神经网络预测模型。数字孪生预测模型是一种数字孪生预测模型计算系统，通过将实时输入的实时荷载数据输入到数字孪生预测模型中，通过高性能计算机计算模拟，输出爬模装置的架体结构实时应力和变形模拟结果到人工神经网络预测模型。人工神经网络预测模型是一种人工神经网络预测推理系统，可以基于输入各种工况下的荷载取值、实时监测的测点位置的应力数据和变形数据以及数字孪生预测模型的计算结果，并通过测点位置的实测监测数据与数字孪生预测模型计算结果的反复交互，建立人工神经网络预测模型，以预测下一施工工况的荷载分布信息。将预测得到的荷载信息返回输入到数字孪生预测模型中，通过计算得到下一施工工况下的爬模装置的架体的应力及变形状态，上传客户端140。87.如图14所示，客户端140包括：对比决策模块141和报警模块143，对比决策模块141与云端服务器130通讯连接，报警模块143与对比决策模块141通讯连接。其中，云端服务器130还适于对数据监测装置120发送的实时监测数据进行分析、处理并获取预测结果，对比决策模块141中的限值与实时监测数据和预测结果进行比较，并根据比较结果触发报警模块143发送报警信息。88.上述的对比决策模块141通过建立软件算法使用上传的实时监测数据与数字孪生预测模型数据进行实时对比，当实时监测数据、数字孪生预测模型实时计算结果及经人工神经网络预测模型的推理预测后的数字孪生预测模型的预测结果超出规定限值时，则系统提出对应的警告信息。通过报警模块143可采取现场风险预控措施。具体是指现场管理人员通过客户端140的软件或移动设备的app收到发出的警告提醒，现场布置警报器响起，提醒施工人员撤离。89.客户端140还包括：解决方案数据库145，与云端服务器130通讯连接。其中，对比决策模块141中的限值与实时监测数据和预测结果进行比较，并根据比较结果发送对应的解决方案。90.上述的解决方案数据库145是基于停工、爬升、施工工况下可能出现的应力和位移的部位超限情况，与解决方案之间建立映射关系，在解决方案数据库145内存储。根据现场监测数据推荐解决方案。现场管理人员通过客户端140的软件或移动设备app收到发出的警告提醒并实时推荐解决方案，现场布置警报器响起，提醒施工人员撤离，并结合推荐解决方案和施工管理人员经验，对爬模装置的爬模结构采取预控措施。91.上述的解决方案数据库145、对比决策模块141和报警模块143中，可通过客户端140软件及移动设备app内智能比对决策数据功能，使用上传的实时监测数据与数字孪生预测模型的数值理论模型数据进行实时对比与计算。当现场监测数据小于数字孪生数值模型预测数据且小于规范规定限值，无警告；当现场的实时监测数据大于数字孪生预测模型的计算数据且小于规范规定限值，为预警警告；当经人工神经网络预测模型分析后的数字孪生预测模型预测后的预测结果大于规范限值，为黄色警告；当现场的实时监测数据超出规范规定限值，红色警告，并在软件内实时反馈给施工现场管理人员，发出预警指示指导现场施工。92.当发生警告时，可以根据解决方案推荐系统，从解决方案库中自动搜索并实时生成解决方案。对于停工、爬升、施工工况下可能出现的应力和位移的部位超限情况，与解决方案之间建立映射关系并输入数据库，根据现场检测数据推荐解决方案，从而实现解决方案与预警信息同时发布。93.现场管理人员通过客户端140软件或移动设备app发出的警告信息及预控解决方案，现场布置警报器响起，提醒施工人员撤离，结合推荐解决方案和施工管理人员经验，对爬模结构采取预控措施，消除安全隐患以减少损失。94.待项目主体结构施工完成后，将爬模及各系统装置拆除以备后续项目继续使用。95.如图12所示，本发明中的爬模安全监测系统依次通过获取状态参数、上传数据、数据处理、工况优化及监测点优化、预警及解决方案推荐，实现了对爬模的安全监测。96.示例性计算机可读存储介质该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述的爬模施工监测方法。97.上述的计算机可读存储介质能够实现上述任一实施例中的爬模施工监测方法的步骤，且能达到相同的技术效果，因而具有上述任一实施例所具有的一切有益效果，在此不再赘述。98.本实施例中的计算机可读存储介质，如只读存储器(readꢀ‑onlymemory，简称rom)、随机存取存储器(randomaccessmemory，简称ram)、磁碟或者光盘等。99.根据上述描述，本技术具有以下优点：1、可以快速、清晰地反映爬模装置施工状态，使得监测过程更加直观、高效。100.2、可及时向客户端发送预警信息，有效预防施工过程中的安全隐患。101.3、可针对不同情况发送对应的解决方案，方便工作人员快速应对突发情况。102.4、可避免外界环境对测量元件产生影响，确保测量数值精确，保障预测系统的准确性。103.在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。104.在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。105.此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。106.显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。当前第1页12当前第1页12
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
