基于结构应力跟踪的门窗风险预测方法、系统及设备与流程

1.本发明涉及风险预测技术领域，尤其是基于结构应力跟踪的门窗风险预测方法、系统及设备。


背景技术：

2.玻璃外墙能够带来好的视觉体验，现在，大型写字楼，办公楼以及高端住宅都流行安装大尺寸的落地玻璃窗。现在还没有任何一款产品对落地玻璃窗的破碎风险进行预测。用户一般是依据玻璃门窗的使用寿命和使用年限来确定是否需要更换玻璃门窗，或者是定期让专业人员来进行检测确定是否需要更换。针对第一种，玻璃门窗给出的使用寿命是出厂时的使用寿命，其仅仅是一个大概的可用寿命，也根本没有考虑该玻璃门窗的使用环境。针对第二点，需要专业的人员定期的维保检修，人工成本大，另外，维保检修也存在检修周期，这个检修周期通常为一年或是几年，在检修时间的间隔中，若出现突发的状态，比如对玻璃门窗的撞击，可能出现肉眼不可见的损伤，这时玻璃门窗也出现破碎风险，但是却很难发现。
3.因此，急需设计一种针对门窗的风险预测方法和系统，能够对门窗容易发生的破碎风险进行准确预测，及时告知用户。


技术实现要素：

4.为解决上述现有技术问题，本发明提供基于结构应力跟踪的门窗风险预测方法、系统及设备，通过设置包含有多个网络层的神经网络模型，并引入环境信息、门窗结构信息等多个维度的信息进行处理、预测，能够精确、全面地进行门窗风险预测，保证预测结果精度
5.第一方面，本发明实施例还提供了基于结构应力跟踪的门窗风险预测方法，该方法包括：
6.获取门窗结构属性和训练后的门窗风险预测模型；
7.其中，门窗结构属性至少包括结构应力、环境信息和门窗结构信息，训练后的门窗风险预测模型包括输入层、多尺度层、合并层、隐藏层和输出层；
8.根据门窗结构属性和训练后的门窗风险预测模型确定门窗结构风险的预测信息。
9.可选地，上述输入层和多尺度层均包含有多个部分，且多个部分分别用于对结构应力、环境信息和门窗结构信息进行处理。
10.可选地，上述根据门窗结构属性和训练后的门窗风险预测模型确定门窗结构风险的预测信息，包括：
11.训练后的门窗风险预测模型的输入层对门窗结构属性按照第一规则进行划分，得到划分数据；
12.训练后的门窗风险预测模型依次按照多尺度层、合并层、隐藏层和输出层的处理逻辑，对划分数据进行处理，得到门窗结构风险的预测信息。
13.可选地，上述输入层对门窗结构属性按照第一规则进行划分，得到划分数据，包括：
14.输入层按照预设范围区间将门窗结构属性包含的对应信息划分为多个小区间，并用连续的正整数分别表示多个小区间。
15.可选地，上述根据门窗结构属性和训练后的门窗风险预测模型确定门窗结构风险的预测信息，包括：
16.训练后的门窗风险预测模型依次按照输入层、多尺度层、合并层的处理逻辑，对门窗结构属性进行处理，得到合并数据；
17.训练后的门窗风险预测模型的隐藏层按照第二规则进行对合并数据进行处理，得到切断数据；
18.训练后的门窗风险预测模型的输出层对切断数据进行处理，得到门窗结构风险的预测信息。
19.可选地，上述训练后的门窗风险预测模型的隐藏层按照第二规则进行对合并数据进行处理，得到切断数据，包括：
20.训练后的门窗风险预测模型的隐藏层基于切断机制随机删除合并数据中预设百分比的数据，将保留的数据确定为切断数据。
21.可选地，上述输出层输出的门窗结构风险的预测信息包括门窗结构损坏概率，和/或，门窗结构不损坏概率。
22.第二方面，本发明实施例还提供了基于结构应力跟踪的门窗风险预测系统，该系统包括：
23.获取模块，用于获取门窗结构属性和训练后的门窗风险预测模型；
24.其中，门窗结构属性至少包括结构应力、环境信息和门窗结构信息，训练后的门窗风险预测模型包括输入层、多尺度层、合并层、隐藏层和输出层；
25.确定模块，用于根据门窗结构属性和训练后的门窗风险预测模型确定门窗结构风险的预测信息。
26.第三方面，本发明实施例还提供了计算机设备，该设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，当处理器执行上述程序时，实现本发明实施例提供的基于结构应力跟踪的门窗风险预测方法。
27.本发明的有益效果体现在，设置包含有多个网络层的神经网络模型，并引入环境信息、门窗结构信息等多个维度的信息进行处理、预测，能够精确、全面地进行门窗风险预测，保证预测结果精度。
附图说明
28.图1为本发明所提供的基于结构应力跟踪的门窗风险预测方法的流程图；
29.图2为本发明所提供的基于结构应力跟踪的门窗风险预测的网络结构示意图；
30.图3为本发明所提供的另一种基于结构应力跟踪的门窗风险预测的方法流程图；
31.图4为本发明所提供的再一种基于结构应力跟踪的门窗风险预测方法流程图；
32.图5为本发明所提供的基于结构应力跟踪的门窗风险预测系统的结构示意图；
33.图6为本发明所提供的计算机设备的结构示意图。
具体实施方式
34.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
35.在本发明的实施例的描述中，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
36.另外，在本发明实施例中，“可选地”或者“示例性地”等词用于表示作例子、例证或说明。本发明实施例中被描述为“可选地”或者“示例性地”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“可选地”或者“示例性地”等词旨在以具体方式呈现相关概念。
37.实施例1：
38.图1为本发明实施例提供的基于结构应力跟踪的门窗风险预测方法的流程图，该方法通过对现有的神经网络模型结构进行改进，设置包含有多个网络层的模型，并引入环境信息、门窗结构信息等多个维度的信息进行处理、预测，从而能够精确、全面地进行门窗风险预测，保证预测结果精度。该方法可以由本发明实施例提供的基于结构应力跟踪的门窗风险预测装置来执行，该装置可采用软件和/或硬件的方式实现。在一个具体的实施例中，该装置可以集成在计算机设备中，计算机设备比如可以是服务器。以下实施例将以该装置集成在计算机设备中为例进行说明，如图1所示，该方法可以包括但不限于以下步骤：
39.s101、获取门窗结构属性和训练后的门窗风险预测模型。
40.在本发明实施例中，门窗结构属性可以包括多个维度的信息，例如，门窗结构属性包括结构应力、环境信息和门窗结构信息等。通过采集多个维度的信息作为门窗结构属性可以更加真实、全面地反应门窗结构的实际状况。
41.另外，如图2所示，本发明实施例中的门窗风险预测模型可以包括输入层、多尺度层、合并层、隐藏层和输出层，其中，输入层和多尺度层均包含有多个部分，且该多个部分分别用于对门窗结构属性包含的不同维度的信息进行处理。即可以认为，输入层和多尺度层被划分为多个部分，每个部分用于处理门窗结构属性中不同维度的信息，这样最大限度地保留了各维度信息的原始数据特征，同时通过网络模型中设置的合并层又融合了多个维度的信息，克服了传统门窗风险预测方法中采集门窗信息单一的问题。可选地，上述模型的网络结构还能兼容某维度信息缺失时的模型训练。
42.相比于传统的多层感知机模型，本发明实施例设计的网络结构能够从多种尺度更精确地为各维度数据赋予权重值，又能兼容某维度数据缺失时的模型训练，从而提高预测精度和系统鲁棒性。
43.s102、根据门窗结构属性和训练后的门窗风险预测模型确定门窗结构风险的预测信息。
44.示例性地，结合图2，本步骤的实现方式可以包括：门窗结构属性输入至输入层处理后，再由多尺度层进行处理，之后通过合并层进行特征融合输入至隐藏层进行处理，最后经由输出层处理，得到门窗结构风险的预测信息。
45.可选地，该模型的输出层输出的门窗结构风险的预测信息包括门窗结构损坏概率，和/或，门窗结构不损坏概率。
46.在基于上述预测信息判断出门窗结构存在风险，例如，门窗结构损坏概率大于第一预设值，和/或，门窗结构不损坏概率小于第二预设值，则技术人员可以采取措施进行修复或加固，保证门窗结构的安全性和稳定性。
47.本发明实施例提供了基于结构应力跟踪的门窗风险预测方法，该方法包括：获取门窗结构属性和训练后的门窗风险预测模型；其中，门窗结构属性至少包括结构应力、环境信息和门窗结构信息，训练后的门窗风险预测模型包括输入层、多尺度层、合并层、隐藏层和输出层；根据门窗结构属性和训练后的门窗风险预测模型确定门窗结构风险的预测信息。上述方案通过设置包含有多个网络层的神经网络模型，并引入环境信息、门窗结构信息等多个维度的信息进行处理、预测，能够精确、全面地进行门窗风险预测，保证预测结果精度。
48.实施例2：
49.如图3所示，本发明实施例是在上述实施例1的基础上，对实施例1中的步骤s102的实现方式做进一步地详细描述，具体地，该步骤的实现过程可以包括但不限于如下步骤：
50.s301、训练后的门窗风险预测模型的输入层对门窗结构属性按照第一规则进行划分，得到划分数据。
51.示例性地，本步骤的实现方式可以包括，模型的输入层按照预设范围区间将门窗结构属性包含的对应信息划分为多个小区间，并用连续的正整数分别表示多个小区间。例如，以门窗的结构应力为例，假设该结构应力为应力值，按照经验或者行业标准将应力值划分为若干个范围区间，如划分为[0,500),[500,1000]和(1000,∞)三个区间，那么在输入层可以用正整数(1,2,3)代替。同样地，其他维度的信息也可以用正整数代替相应的范围区域或者字符串。
[0052]
上述处理方式利用离散正整数代替原始连续型数值作为输入，可以有效降低模型训练过程的计算量，从而提高模型训练速度。
[0053]
需要说明的是，上述每个维度的信息均有各自对应的预设范围区间，并且不同维度的信息对应的预设范围区间可以相同，也可以不同。
[0054]
s302、训练后的门窗风险预测模型依次按照多尺度层、合并层、隐藏层和输出层的处理逻辑，对划分数据进行处理，得到门窗结构风险的预测信息。
[0055]
例如，本步骤中上述各网络层的处理逻辑可以包括多尺度层对划分数据进行处理，得到待合并数据；合并层对待合并数据进行处理，得到合并数据；隐藏层对合并数据进行处理后，将处理结果输出至输出层进行处理，得到门窗结构风险的预测信息。其中，输出层输出的门窗结构风险的预测信息包括门窗结构损坏概率，和/或，门窗结构不损坏概率。可选地，上述多个网络层可以采用激活函数对数据进行处理。
[0056]
实施例3：
[0057]
如图4所示，本发明实施例是在上述实施例1的基础上，对实施例1中的步骤s102的实现方式做进一步地详细描述，与图3实施例不同的是，本发明实施例提供了另外一种实现思路。具体地，该步骤的实现过程可以包括但不限于如下步骤：
[0058]
s401、训练后的门窗风险预测模型依次按照输入层、多尺度层、合并层的处理逻
辑，对门窗结构属性进行处理，得到合并数据。
[0059]
在本发明实施例中，本步骤中上述各网络层的处理逻辑可以包括输入层对输入的门窗结构属性进行处理，之后将处理后的数据输入至多尺度层进行处理，得到待合并数据；合并层对待合并数据进行处理，得到合并数据。
[0060]
s402、训练后的门窗风险预测模型的隐藏层按照第二规则进行对合并数据进行处理，得到切断数据。
[0061]
示例性地，本步骤中隐藏层按照第二规则进行数据处理的过程可以包括：隐藏层基于切断机制随机删除合并数据中预设百分比的数据，将保留的数据确定为切断数据。例如，假设预设百分比为20%，那么隐藏层在数据处理过程中可以随机删除20%的合并数据，该删除数据的过程也可以为切断网络层中神经元之间的连接。这样可以提高模型训练速度。
[0062]
另外，由于模型训练过程中与训练后的网络模型的结构相同，其数据处理逻辑也相同，那么上述隐藏层的数据处理方式还可以缓解模型训练过程中，样本不足时的过拟合问题。
[0063]
s403、训练后的门窗风险预测模型的输出层对切断数据进行处理，得到门窗结构风险的预测信息。
[0064]
可选地，本发明实施例中的多个网络层分别对数据进行处理的过程均可以基于激活函数实现。另外，输出层输出的门窗结构风险的预测信息包括门窗结构损坏概率，和/或，门窗结构不损坏概率。
[0065]
实施例4：
[0066]
图5为本技术实施例提供的基于结构应力跟踪的门窗风险预测系统的示意图，如图5所示，该系统可以包括：获取模块501、确定模块502；
[0067]
其中，获取模块，用于获取门窗结构属性和训练后的门窗风险预测模型；
[0068]
其中，门窗结构属性至少包括结构应力、环境信息和门窗结构信息，训练后的门窗风险预测模型包括输入层、多尺度层、合并层、隐藏层和输出层；
[0069]
确定模块，用于根据门窗结构属性和训练后的门窗风险预测模型确定门窗结构风险的预测信息。
[0070]
如图5所示，上述系统还可以包括第一类传感器503；
[0071]
该第一类传感器用于采集环境信息，并将环境信息传输至获取模块。例如，该传感器可以包括温度传感器、湿度传感器等，用于对周围环境信息进行采集，并形成时间序列数据。
[0072]
可选地，上述输入层和多尺度层均包含有多个部分，且该多个部分分别用于对结构应力、环境信息和门窗结构信息进行处理。
[0073]
在一种示例中，上述确定模块用于对门窗结构属性按照第一规则进行划分，得到划分数据；以及，依次按照多尺度层、合并层、隐藏层和输出层的处理逻辑，对划分数据进行处理，得到门窗结构风险的预测信息。
[0074]
具体地，确定模块可以按照预设范围区间将门窗结构属性包含的对应信息划分为多个小区间，并用连续的正整数分别表示多个小区间。
[0075]
在一种示例中，确定模块，用于依次按照输入层、多尺度层、合并层的处理逻辑，对门窗结构属性进行处理，得到合并数据；按照第二规则进行对合并数据进行处理，得到切断
access memory, ram）、闪存（flash）、硬盘或光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本技术各个实施例所述的方法。
[0089]
值得注意的是，上述基于结构应力跟踪的门窗风险预测系统中所包括的模块只是按照功能逻辑进行划分，但并不局限于上述的划分方式，只要能够实现相应的功能即可，不用于限制本技术的保护范围。
[0090]
注意，上述仅为本技术的较佳实施例及所运用技术原理。本领域技术人员会理解，本技术不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本技术的保护范围。因此，虽然通过以上实施例对本技术进行了较为详细的说明，但是本技术不仅仅限于以上实施例，在不脱离本技术构思的情况下，还可以包括更多其他等效实施例，而本技术的范围由所附的权利要求范围决定。

技术特征：
1.基于结构应力跟踪的门窗风险预测方法，其特征在于，所述方法包括：获取门窗结构属性和训练后的门窗风险预测模型；其中，所述门窗结构属性至少包括结构应力、环境信息和门窗结构信息，所述训练后的门窗风险预测模型包括输入层、多尺度层、合并层、隐藏层和输出层；根据所述门窗结构属性和训练后的门窗风险预测模型确定门窗结构风险的预测信息。2.根据权利要求1所述的基于结构应力跟踪的门窗风险预测方法，其特征在于，所述输入层和所述多尺度层均包含有多个部分，且所述多个部分分别用于对所述结构应力、环境信息和门窗结构信息进行处理。3.根据权利要求1或2所述的基于结构应力跟踪的门窗风险预测方法，其特征在于，所述根据所述门窗结构属性和训练后的门窗风险预测模型确定门窗结构风险的预测信息，包括：所述训练后的门窗风险预测模型的输入层对所述门窗结构属性按照第一规则进行划分，得到划分数据；所述训练后的门窗风险预测模型依次按照多尺度层、合并层、隐藏层和输出层的处理逻辑，对所述划分数据进行处理，得到所述门窗结构风险的预测信息。4.根据权利要求3所述的基于结构应力跟踪的门窗风险预测方法，其特征在于，所述输入层对所述门窗结构属性按照第一规则进行划分，得到划分数据，包括：所述输入层按照预设范围区间将所述门窗结构属性包含的对应信息划分为多个小区间，并用连续的正整数分别表示所述多个小区间。5.根据权利要求1或2所述的基于结构应力跟踪的门窗风险预测方法，其特征在于，所述根据所述门窗结构属性和训练后的门窗风险预测模型确定门窗结构风险的预测信息，包括：所述训练后的门窗风险预测模型依次按照输入层、多尺度层、合并层的处理逻辑，对所述门窗结构属性进行处理，得到合并数据；所述训练后的门窗风险预测模型的隐藏层按照第二规则进行对所述合并数据进行处理，得到切断数据；所述训练后的门窗风险预测模型的输出层对所述切断数据进行处理，得到所述门窗结构风险的预测信息。6.根据权利要求5所述的基于结构应力跟踪的门窗风险预测方法，其特征在于，所述训练后的门窗风险预测模型的隐藏层按照第二规则进行对所述合并数据进行处理，得到切断数据，包括：所述训练后的门窗风险预测模型的隐藏层基于切断机制随机删除所述合并数据中预设百分比的数据，将保留的数据确定为切断数据。7.基于结构应力跟踪的门窗风险预测系统，其特征在于，所述系统包括：获取模块，用于获取门窗结构属性和训练后的门窗风险预测模型；其中，所述门窗结构属性至少包括结构应力、环境信息和门窗结构信息，所述训练后的门窗风险预测模型包括输入层、多尺度层、合并层、隐藏层和输出层；确定模块，用于根据所述门窗结构属性和训练后的门窗风险预测模型确定门窗结构风险的预测信息。
8.根据权利要求7所述的基于结构应力跟踪的门窗风险预测系统，其特征在于，所述系统还包括第一类传感器，所述第一类传感器用于采集所述环境信息，并将所述环境信息传输至所述获取模块。9.根据权利要求7或8所述的基于结构应力跟踪的门窗风险预测系统，其特征在于，所述输入层和所述多尺度层均包含有多个部分，且所述多个部分分别用于对所述结构应力、环境信息和门窗结构信息进行处理。10.一种计算机设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1-6任一项所述的基于结构应力跟踪的门窗风险预测方法。

技术总结
本发明涉及风险预测技术领域，尤其是一种基于结构应力跟踪的门窗风险预测方法、系统及设备，其中，该方法包括：获取门窗结构属性和训练后的门窗风险预测模型；其中，门窗结构属性至少包括结构应力、环境信息和门窗结构信息，训练后的门窗风险预测模型包括输入层、多尺度层、合并层、隐藏层和输出层；根据门窗结构属性和训练后的门窗风险预测模型确定门窗结构风险的预测信息。上述方案通过设置包含有多个网络层的神经网络模型，并引入环境信息、门窗结构信息等多个维度的信息进行处理、预测，能够精确、全面地进行门窗风险预测，保证预测结果精度。精度。精度。


技术研发人员：杜高伦
受保护的技术使用者：四川名人居门窗有限公司
技术研发日：2023.06.06
技术公布日：2023/7/12