钢结构防震结构及其方法

1.本技术涉及智能化防震技术领域，并且更具体地，涉及一种钢结构防震结构及其方法。


背景技术：

2.目前运用在公路交通上的指示牌、路灯、红路灯架等等都需固定在钢结构立柱上，以及大型广告牌、风力发电叶轮等等装置需要使用支撑立柱，而此类结构都是悬臂梁结构，因此在其悬臂的法向上受到冲击就会对立柱造成较大的影响，而在刮风和其他外力作用于立柱悬臂法向时容易造成立柱倒塌，在与悬臂部分平行的方向受到的冲击对立柱影响较小。
3.公开号为cn211873063u公开了一种新型抗震建筑桩，包括防震垫板的桩基，防震垫板设有若干插杆，插杆均延伸至桩基内部，防震垫板设有芯柱，芯柱侧面设有若干支撑杆，芯柱和支撑杆外包裹有桩体，防震垫板通过若干斜撑杆与芯柱连接。
4.上述现有技术通过增大立柱的支撑面积以及支撑强度达到抗震的效果，那么并不能实现缓冲减震，无法缓冲外界因素造成的震动，因此在长期使用过后容易产生疲劳断裂的情况。
5.针对上述技术问题，中国授权专利cn112942178b揭露了一种钢结构防震立柱和钢结构系统，其通过摆动板与弹性支撑块对钢管震动发生偏移进行缓冲，而在钢管挤压摆动板翻转时就会驱动收卷轮转动，这样在实现缓冲的前提下保证了钢管的支撑强度，而通过缓冲的方式进行减震能够有效的过滤掉大部分的震动。
6.但是，在上述钢结构系统中，由于卷轮的转动是通过传动系统来控制，虽然其能够做到基于摆动板的角度来实时调整，但因传动系统的局限性，卷轮的控制无法精准地与摆动角相适配，导致减震效果没有最大化。
7.因此，期待一种更为优化的钢结构防震结构。


技术实现要素：

8.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种钢结构防震结构及其方法，其获取预定时间段内多个预定时间点的摆动板的翻转角度值；采用基于深度学习的人工智能技术，为钢结构防震结构配置卷轮自动控制模块，其能够基于摆动板的翻转角度的时序特征生成卷轮控制指令，这样基于卷轮控制指令驱动卷轮进行逆时针或顺时针旋转预定角度。通过这样的方式，可以提高卷轮控制与摆动板的翻转角度之间的适配度和精准度，以优化防震效果。
9.第一方面，提供了一种钢结构防震结构，其包括：
10.翻转角度监测模块，用于获取预定时间段内多个预定时间点的摆动板的翻转角度值；
11.向量化模块，用于将所述多个预定时间点的摆动板的翻转角度值按照时间维度排
列为翻转角度时序输入向量；
12.作差模块，用于计算所述翻转角度时序输入向量中每相邻两个位置的翻转角度值之间的差值以得到翻转角度时序变化输入向量；
13.级联模块，用于将所述翻转角度时序输入向量和所述翻转角度时序变化输入向量进行级联以得到翻转角度动-静时序输入向量；
14.时序特征提取模块，用于将所述翻转角度动-静时序输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到翻转角度动-静时序特征向量，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核；
15.特征分布优化模块，用于对所述翻转角度动-静时序特征向量进行类概率概率密度一致性强化以得到分类特征向量；以及
16.控制结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示逆时针驱动收卷轮或者顺时针驱动收卷轮。
17.在上述钢结构防震结构中，所述级联模块，用于：以如下级联公式将所述翻转角度时序输入向量和所述翻转角度时序变化输入向量进行级联以得到翻转角度动-静时序输入向量；其中，所述级联公式为：
[0018]vc
＝concat[v1，v2]
[0019]
其中，v1，v2表示所述翻转角度时序输入向量和所述翻转角度时序变化输入向量，concat[
·
]表示级联函数，vc表示所述翻转角度动-静时序输入向量。
[0020]
在上述钢结构防震结构中，所述时序特征提取模块，包括：第一尺度特征提取单元，用于使用所述时序特征提取器的第一卷积层对所述翻转角度动-静时序输入向量进行一维卷积编码以得到第一尺度翻转角度动-静时序特征向量；第二尺度特征提取单元，用于使用所述时序特征提取器的第二卷积层对所述翻转角度动-静时序输入向量进行一维卷积编码以得到第二尺度翻转角度动-静时序特征向量；以及，多尺度特征融合单元，用于融合所述第一尺度翻转角度动-静时序特征向量和所述第二尺度翻转角度动-静时序特征向量以得到所述翻转角度动-静时序特征向量。
[0021]
在上述钢结构防震结构中，所述第一尺度特征提取单元，用于：使用所述时序特征提取器的第一卷积层以如下第一卷积公式对所述翻转角度动-静时序输入向量进行一维卷积编码以得到所述第一尺度翻转角度动-静时序特征向量；其中，所述第一卷积公式为：
[0022][0023]
其中，a为第一一维卷积核在x方向上的宽度、f(a)为第一一维卷积核参数向量、g(x-a)为与第一一维卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，x表示所述翻转角度动-静时序输入向量，cov(x)表示对所述翻转角度动-静时序输入向量进行一维卷积编码。
[0024]
在上述钢结构防震结构中，所述第二尺度特征提取单元，用于：使用所述时序特征提取器的第二卷积层以如下第二卷积公式对所述翻转角度动-静时序输入向量进行一维卷积编码以得到所述第二尺度翻转角度动-静时序特征向量；其中，所述第二卷积公式为：
[0025][0026]
其中，b为第二一维卷积核在x方向上的宽度、f(b)为第二一维卷积核参数向量、g(x-b)为与第二一维卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，x表示所述翻转角度动-静时序输入向量，cov(x)表示对所述翻转角度动-静时序输入向量进行一维卷积编码。
[0027]
在上述钢结构防震结构中，所述特征分布优化模块，用于：以如下优化公式对所述翻转角度动-静时序特征向量进行类概率概率密度一致性强化以得到分类特征向量；其中，所述优化公式为：
[0028][0029]
其中，μ和σ是所述翻转角度动-静时序特征向量中各个位置的特征值集合的均值和标准差，vi是所述翻转角度动-静时序特征向量的第i个位置的特征值，vi′
是所述分类特征向量的第i个位置的特征值。
[0030]
在上述钢结构防震结构中，所述控制结果生成模块，包括：全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
[0031]
第二方面，提供了一种钢结构防震方法，其包括：
[0032]
获取预定时间段内多个预定时间点的摆动板的翻转角度值；
[0033]
将所述多个预定时间点的摆动板的翻转角度值按照时间维度排列为翻转角度时序输入向量；
[0034]
计算所述翻转角度时序输入向量中每相邻两个位置的翻转角度值之间的差值以得到翻转角度时序变化输入向量；
[0035]
将所述翻转角度时序输入向量和所述翻转角度时序变化输入向量进行级联以得到翻转角度动-静时序输入向量；
[0036]
将所述翻转角度动-静时序输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到翻转角度动-静时序特征向量，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核；
[0037]
对所述翻转角度动-静时序特征向量进行类概率概率密度一致性强化以得到分类特征向量；以及
[0038]
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示逆时针驱动收卷轮或者顺时针驱动收卷轮。
[0039]
在上述钢结构防震方法中，将所述翻转角度时序输入向量和所述翻转角度时序变化输入向量进行级联以得到翻转角度动-静时序输入向量，包括：以如下级联公式将所述翻转角度时序输入向量和所述翻转角度时序变化输入向量进行级联以得到翻转角度动-静时序输入向量；其中，所述级联公式为：
[0040]vc
＝concat[v1，v2]
[0041]
其中，v1，v2表示所述翻转角度时序输入向量和所述翻转角度时序变化输入向量，concat[
·
]表示级联函数，vc表示所述翻转角度动-静时序输入向量。
[0042]
在上述钢结构防震方法中，将所述翻转角度动-静时序输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到翻转角度动-静时序特征向量，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核，包括：使用所述时序特征提取器的第一卷积层对所述翻转角度动-静时序输入向量进行一维卷积编码以得到第一尺度翻转角度动-静时序特征向量；使用所述时序特征提取器的第二卷积层对所述翻转角度动-静时序输入向量进行一维卷积编码以得到第二尺度翻转角度动-静时序特征向量；以及，融合所述第一尺度翻转角度动-静时序特征向量和所述第二尺度翻转角度动-静时序特征向量以得到所述翻转角度动-静时序特征向量。
[0043]
与现有技术相比，本技术提供的钢结构防震结构及其方法，其获取预定时间段内多个预定时间点的摆动板的翻转角度值；采用基于深度学习的人工智能技术，为钢结构防震结构配置卷轮自动控制模块，其能够基于摆动板的翻转角度的时序特征生成卷轮控制指令，这样基于卷轮控制指令驱动卷轮进行逆时针或顺时针旋转预定角度。通过这样的方式，可以提高卷轮控制与摆动板的翻转角度之间的适配度和精准度，以优化防震效果。
附图说明
[0044]
为了更清楚地说明本技术实施例的技术方案，下面将对实施例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本技术的一些实施例，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。
[0045]
图1为根据本技术实施例的钢结构防震结构的应用场景图。
[0046]
图2为根据本技术实施例的钢结构防震结构的框图。
[0047]
图3为根据本技术实施例的钢结构防震结构中所述时序特征提取模块的框图。
[0048]
图4为根据本技术实施例的钢结构防震结构中所述控制结果生成模块的框图。
[0049]
图5为根据本技术实施例的钢结构防震方法的流程图。
[0050]
图6为根据本技术实施例的钢结构防震方法的系统架构的示意图。
具体实施方式
[0051]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
[0052]
除非另有说明，本技术实施例所使用的所有技术和科学术语与本技术的技术领域的技术人员通常理解的含义相同。本技术中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本技术的范围。
[0053]
在本技术实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，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的
具体含义。
[0054]
需要说明的是，本技术实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本技术的实施例可以除了在这里图示或描述的那些以外的顺序实施。
[0055]
针对上述技术问题，本技术的技术构思为:为所述钢结构防震结构配置卷轮自动控制模块，其能够基于摆动板的翻转角度的时序特征来生成卷轮控制指令，这样基于所述卷轮控制指令来驱动所述卷轮进行逆时针或顺时针旋转预定角度，通过这样的方式，来提高卷轮控制与摆动板的翻转角度之间的适配度和精准度，以优化防震效果。
[0056]
具体地，在本技术的技术方案中，首先获取预定时间段内多个预定时间点的摆动板的翻转角度值，并将所述多个预定时间点的摆动板的翻转角度值按照时间维度排列为翻转角度时序输入向量。这里，在本技术的技术方案中，获取预定时间段内多个预定时间点的摆动板的翻转角度值，是为了获取在一段时间内该钢结构体系所受到的地震等外界震动的情况。通过采集多个时间点下摆动板的翻转角度值，能够获得一个较为完整的摆动板运动轨迹，并将其按照时间维度排列起来，形成翻转角度时序输入向量。这样可以更全面、准确地了解和分析钢结构体系在不同时间段内的受力情况，从而更好地实现减震效果的优化。同时，获取多个时间点下的摆动板翻转角度值也能够提供更多的数据支撑，有利于技术方案的精度和可靠性的提高。
[0057]
接着，计算所述翻转角度时序输入向量中每相邻两个位置的翻转角度值之间的差值以得到翻转角度时序变化输入向量。这里，计算所述翻转角度时序输入向量中每相邻两个位置的翻转角度值之间的差值，是为了进一步提取摆动板运动轨迹的特征信息。在钢结构体系受到地震等外界因素影响后，摆动板会随着时间发生不同幅度的翻转，其翻转角度值也会不断变化。通过计算不同时间点之间的翻转角度差异，可以得到翻转角度时序变化输入向量。这样可以更全面、准确地记录并分析摆动板的运动状态，从而进一步分析和判断钢结构体系所受到的力大小和方向，并制定相应的控制策略。
[0058]
继而，将所述翻转角度时序输入向量和所述翻转角度时序变化输入向量进行级联以得到翻转角度动-静时序输入向量。这里，将所述翻转角度时序输入向量和所述翻转角度时序变化输入向量进行级联，是为了更全面、准确地刻画摆动板的运动状态。在计算出翻转角度时序变化输入向量后，将其与翻转角度时序输入向量进行级联，可以得到翻转角度动-静时序输入向量。该向量包含了摆动板在不同时间点下的具体翻转角度值和运动方向信息，能够更好地展现出其动态变化过程，有利于后续的特征提取和分类分析。
[0059]
然后，将所述翻转角度动-静时序输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到翻转角度动-静时序特征向量，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。在本技术的技术方案中，将所述翻转角度动-静时序输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到翻转角度动-静时序特征向量，是为了提取摆动板运动轨迹的关键特征信息。卷积神经网络(cnn)是目前应用广泛的深度学习方法之一，其在处理时间序列数据方面表现出了很好的效果。因此，使用包含一维卷积核的卷积神经网络结构，对翻转角度动-静时序输入向量进行特征提取，可以更好地刻画摆动板的运动状态，并提取出其中的规律性信息。
[0060]
具体而言，将该向量输入到包含第一卷积层和第二卷积层的时序特征提取器中，可以实现对不同尺度下的特征提取。第一卷积层使用较小尺寸的卷积核，能够提取出局部细节特征；第二卷积层则采用更大尺寸的卷积核，能够捕捉更高级别、更全局的特征。这样，在提取特征的过程中，可以兼顾多个尺度下的信息，从而更全面、准确地表达摆动板的运动状态和变化趋势，有利于后续的分类和控制任务。
[0061]
接着，将所述翻转角度动-静时序特征向量通过分类器以得到分类结果，所述分类结果用于表示逆时针驱动收卷轮或者顺时针驱动收卷轮。这里，将所述翻转角度动-静时序特征向量通过分类器以得到分类结果，是为了根据摆动板运动轨迹的特征信息判断逆时针或顺时针驱动收卷轮的方向。在经过时序特征提取后，可以得到摆动板运动轨迹的关键特征信息，这些特征信息能够反映出其运动状态和变化趋势。将这些特征信息输入到分类器中进行分类，可以进一步提取并利用其潜在的规律性信息，从而实现对逆时针或顺时针驱动收卷轮的判断。
[0062]
具体地，在本技术的技术方案中，所述分类器通过softmax分类函数来确定所述翻转角度动-静时序特征向量所属的类概率标签，所述类概率标签用于表示逆时针驱动收卷轮或者顺时针驱动收卷轮。
[0063]
特别地，在本技术的技术方案中，在将所述翻转角度动-静时序输入向量通过包含第一卷积层和第二卷积层的时序特征提取器得到所述翻转角度动-静时序特征向量时，考虑到所述翻转角度动-静时序输入向量是将所述翻转角度时序输入向量和所述翻转角度时序变化输入向量进行直接级联得到的，因此所述翻转角度动-静时序特征向量除包括翻转角度的绝对值和相对值各自的时序关联特征以外，还在所述翻转角度时序输入向量和所述翻转角度时序变化输入向量的级联位置附近具有翻转角度的绝对值和相对值的关联特征。
[0064]
基于此，本技术的申请人考虑到以上不同关联特征在分类器的类概率表达上的概率密度差异，可能导致在概率密度空间内的收敛性差，影响所述翻转角度动-静时序特征向量通过分类器的分类效果，因此对所述翻转角度动-静时序特征向量进行高斯概率密度的流形曲面的基准线网化，具体表示为：
[0065][0066]
其中μ和σ是特征值集合vi∈v的均值和标准差，v是所述翻转角度动-静时序特征向量，且vi′
是优化后的所述翻转角度动-静时序特征向量的第i个位置的特征值。
[0067]
这里，所述高斯概率密度的流形曲面的基准线网化以高维特征集合的统计特性，即均值和标准差作为概率密度度量的基准锚点，通过沿着流形曲面的局部线性嵌入方向进行线网化，以获得局部概率密度极值的邻域网络的低维约束表达，从而通过重构流形曲面的概率密度表达来基于邻域分布地约束高维特征的局部分布的基于基准的相对空间位置关系，这样，就提升了所述翻转角度动-静时序特征向量的高维特征的概率密度的空间收敛性，从而提升了所述翻转角度动-静时序特征向量通过分类器的分类效果，即分类器的训练速度和分类结果的准确性。
[0068]
图1为根据本技术实施例的钢结构防震结构的应用场景图。如图1所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的摆动板(例如，如图1中所示意的m)的翻转角度值(例如，如图1中所示意的c)；然后，将获取的翻转角度值输入至部署有钢结构防震
算法的服务器(例如，如图1中所示意的s)中，其中所述服务器能够基于钢结构防震算法对所述翻转角度值进行处理，以生成用于表示逆时针驱动收卷轮或者顺时针驱动收卷轮的分类结果。
[0069]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0070]
在本技术的一个实施例中，图2为根据本技术实施例的钢结构防震结构的框图。如图2所示，根据本技术实施例的钢结构防震结构100，包括：翻转角度监测模块110，用于获取预定时间段内多个预定时间点的摆动板的翻转角度值；向量化模块120，用于将所述多个预定时间点的摆动板的翻转角度值按照时间维度排列为翻转角度时序输入向量；作差模块130，用于计算所述翻转角度时序输入向量中每相邻两个位置的翻转角度值之间的差值以得到翻转角度时序变化输入向量；级联模块140，用于将所述翻转角度时序输入向量和所述翻转角度时序变化输入向量进行级联以得到翻转角度动-静时序输入向量；时序特征提取模块150，用于将所述翻转角度动-静时序输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到翻转角度动-静时序特征向量，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核；特征分布优化模块160，用于对所述翻转角度动-静时序特征向量进行类概率概率密度一致性强化以得到分类特征向量；以及，控制结果生成模块170，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示逆时针驱动收卷轮或者顺时针驱动收卷轮。
[0071]
具体地，在本技术实施例中，所述翻转角度监测模块110，用于获取预定时间段内多个预定时间点的摆动板的翻转角度值。针对上述技术问题，本技术的技术构思为:为所述钢结构防震结构配置卷轮自动控制模块，其能够基于摆动板的翻转角度的时序特征来生成卷轮控制指令，这样基于所述卷轮控制指令来驱动所述卷轮进行逆时针或顺时针旋转预定角度，通过这样的方式，来提高卷轮控制与摆动板的翻转角度之间的适配度和精准度，以优化防震效果。
[0072]
具体地，在本技术的技术方案中，首先获取预定时间段内多个预定时间点的摆动板的翻转角度值，并将所述多个预定时间点的摆动板的翻转角度值按照时间维度排列为翻转角度时序输入向量。这里，在本技术的技术方案中，获取预定时间段内多个预定时间点的摆动板的翻转角度值，是为了获取在一段时间内该钢结构体系所受到的地震等外界震动的情况。
[0073]
具体地，在本技术实施例中，所述向量化模块120，用于将所述多个预定时间点的摆动板的翻转角度值按照时间维度排列为翻转角度时序输入向量。通过采集多个时间点下摆动板的翻转角度值，能够获得一个较为完整的摆动板运动轨迹，并将其按照时间维度排列起来，形成翻转角度时序输入向量。这样可以更全面、准确地了解和分析钢结构体系在不同时间段内的受力情况，从而更好地实现减震效果的优化。同时，获取多个时间点下的摆动板翻转角度值也能够提供更多的数据支撑，有利于技术方案的精度和可靠性的提高。
[0074]
具体地，在本技术实施例中，所述作差模块130，用于计算所述翻转角度时序输入向量中每相邻两个位置的翻转角度值之间的差值以得到翻转角度时序变化输入向量。接着，计算所述翻转角度时序输入向量中每相邻两个位置的翻转角度值之间的差值以得到翻转角度时序变化输入向量。这里，计算所述翻转角度时序输入向量中每相邻两个位置的翻
转角度值之间的差值，是为了进一步提取摆动板运动轨迹的特征信息。
[0075]
在钢结构体系受到地震等外界因素影响后，摆动板会随着时间发生不同幅度的翻转，其翻转角度值也会不断变化。通过计算不同时间点之间的翻转角度差异，可以得到翻转角度时序变化输入向量。这样可以更全面、准确地记录并分析摆动板的运动状态，从而进一步分析和判断钢结构体系所受到的力大小和方向，并制定相应的控制策略。
[0076]
具体地，在本技术实施例中，所述级联模块140，用于将所述翻转角度时序输入向量和所述翻转角度时序变化输入向量进行级联以得到翻转角度动-静时序输入向量。继而，将所述翻转角度时序输入向量和所述翻转角度时序变化输入向量进行级联以得到翻转角度动-静时序输入向量。
[0077]
这里，将所述翻转角度时序输入向量和所述翻转角度时序变化输入向量进行级联，是为了更全面、准确地刻画摆动板的运动状态。在计算出翻转角度时序变化输入向量后，将其与翻转角度时序输入向量进行级联，可以得到翻转角度动-静时序输入向量。该向量包含了摆动板在不同时间点下的具体翻转角度值和运动方向信息，能够更好地展现出其动态变化过程，有利于后续的特征提取和分类分析。
[0078]
其中，所述级联模块140，用于：以如下级联公式将所述翻转角度时序输入向量和所述翻转角度时序变化输入向量进行级联以得到翻转角度动-静时序输入向量；其中，所述级联公式为：
[0079]vc
＝concat[v1，v2]
[0080]
其中，v1，v2表示所述翻转角度时序输入向量和所述翻转角度时序变化输入向量，concat[
·
]表示级联函数，vc表示所述翻转角度动-静时序输入向量。
[0081]
具体地，在本技术实施例中，所述时序特征提取模块150，用于将所述翻转角度动-静时序输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到翻转角度动-静时序特征向量，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。然后，将所述翻转角度动-静时序输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到翻转角度动-静时序特征向量，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
[0082]
在本技术的技术方案中，将所述翻转角度动-静时序输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到翻转角度动-静时序特征向量，是为了提取摆动板运动轨迹的关键特征信息。卷积神经网络(cnn)是目前应用广泛的深度学习方法之一，其在处理时间序列数据方面表现出了很好的效果。因此，使用包含一维卷积核的卷积神经网络结构，对翻转角度动-静时序输入向量进行特征提取，可以更好地刻画摆动板的运动状态，并提取出其中的规律性信息。
[0083]
具体而言，将该向量输入到包含第一卷积层和第二卷积层的时序特征提取器中，可以实现对不同尺度下的特征提取。第一卷积层使用较小尺寸的卷积核，能够提取出局部细节特征；第二卷积层则采用更大尺寸的卷积核，能够捕捉更高级别、更全局的特征。这样，在提取特征的过程中，可以兼顾多个尺度下的信息，从而更全面、准确地表达摆动板的运动状态和变化趋势，有利于后续的分类和控制任务。
[0084]
图3为根据本技术实施例的钢结构防震结构中所述时序特征提取模块的框图，如图3所示，所述时序特征提取模块150，包括：第一尺度特征提取单元151，用于使用所述时序
特征提取器的第一卷积层对所述翻转角度动-静时序输入向量进行一维卷积编码以得到第一尺度翻转角度动-静时序特征向量；第二尺度特征提取单元152，用于使用所述时序特征提取器的第二卷积层对所述翻转角度动-静时序输入向量进行一维卷积编码以得到第二尺度翻转角度动-静时序特征向量；以及，多尺度特征融合单元153，用于融合所述第一尺度翻转角度动-静时序特征向量和所述第二尺度翻转角度动-静时序特征向量以得到所述翻转角度动-静时序特征向量。
[0085]
所述第一尺度特征提取单元151，用于：使用所述时序特征提取器的第一卷积层以如下第一卷积公式对所述翻转角度动-静时序输入向量进行一维卷积编码以得到所述第一尺度翻转角度动-静时序特征向量；其中，所述第一卷积公式为：
[0086][0087]
其中，a为第一一维卷积核在x方向上的宽度、f(a)为第一一维卷积核参数向量、g(x-a)为与第一一维卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，x表示所述翻转角度动-静时序输入向量，cov(x)表示对所述翻转角度动-静时序输入向量进行一维卷积编码。
[0088]
进一步地，所述第二尺度特征提取单元152，用于：使用所述时序特征提取器的第二卷积层以如下第二卷积公式对所述翻转角度动-静时序输入向量进行一维卷积编码以得到所述第二尺度翻转角度动-静时序特征向量；其中，所述第二卷积公式为：
[0089][0090]
其中，b为第二一维卷积核在x方向上的宽度、f(b)为第二一维卷积核参数向量、g(x-b)为与第二一维卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，x表示所述翻转角度动-静时序输入向量，cov(x)表示对所述翻转角度动-静时序输入向量进行一维卷积编码。
[0091]
值得一提的是，相较于传统的特征工程，所述多尺度邻域特征提取模块本质上是一个基于深度学习的深度神经网络模型，其能够通过预定训练策略来拟合任何函数功能，且具有更高的特征提取泛化能力。
[0092]
所述多尺度邻域特征提取模块包含多个并行的一维卷积层，其中，在所述多尺度邻域特征提取模块进行特征提取的过程中，所述多个并行的一维卷积层分别以具有不同尺度的一维卷积核对输入数据进行一维卷积编码以捕捉序列局部隐含特征。
[0093]
具体地，在本技术实施例中，所述特征分布优化模块160，用于对所述翻转角度动-静时序特征向量进行类概率概率密度一致性强化以得到分类特征向量。特别地，在本技术的技术方案中，在将所述翻转角度动-静时序输入向量通过包含第一卷积层和第二卷积层的时序特征提取器得到所述翻转角度动-静时序特征向量时，考虑到所述翻转角度动-静时序输入向量是将所述翻转角度时序输入向量和所述翻转角度时序变化输入向量进行直接级联得到的，因此所述翻转角度动-静时序特征向量除包括翻转角度的绝对值和相对值各自的时序关联特征以外，还在所述翻转角度时序输入向量和所述翻转角度时序变化输入向量的级联位置附近具有翻转角度的绝对值和相对值的关联特征。
[0094]
基于此，本技术的申请人考虑到以上不同关联特征在分类器的类概率表达上的概率密度差异，可能导致在概率密度空间内的收敛性差，影响所述翻转角度动-静时序特征向量通过分类器的分类效果，因此对所述翻转角度动-静时序特征向量进行高斯概率密度的流形曲面的基准线网化，具体表示为：以如下优化公式对所述翻转角度动-静时序特征向量进行类概率概率密度一致性强化以得到分类特征向量；其中，所述优化公式为：
[0095][0096]
其中，μ和σ是所述翻转角度动-静时序特征向量中各个位置的特征值集合的均值和标准差，vi是所述翻转角度动-静时序特征向量的第i个位置的特征值，vi′
是所述分类特征向量的第i个位置的特征值。
[0097]
这里，所述高斯概率密度的流形曲面的基准线网化以高维特征集合的统计特性，即均值和标准差作为概率密度度量的基准锚点，通过沿着流形曲面的局部线性嵌入方向进行线网化，以获得局部概率密度极值的邻域网络的低维约束表达，从而通过重构流形曲面的概率密度表达来基于邻域分布地约束高维特征的局部分布的基于基准的相对空间位置关系，这样，就提升了所述翻转角度动-静时序特征向量的高维特征的概率密度的空间收敛性，从而提升了所述翻转角度动-静时序特征向量通过分类器的分类效果，即分类器的训练速度和分类结果的准确性。
[0098]
具体地，在本技术实施例中，所述控制结果生成模块170，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示逆时针驱动收卷轮或者顺时针驱动收卷轮。接着，将所述翻转角度动-静时序特征向量通过分类器以得到分类结果，所述分类结果用于表示逆时针驱动收卷轮或者顺时针驱动收卷轮。这里，将所述翻转角度动-静时序特征向量通过分类器以得到分类结果，是为了根据摆动板运动轨迹的特征信息判断逆时针或顺时针驱动收卷轮的方向。在经过时序特征提取后，可以得到摆动板运动轨迹的关键特征信息，这些特征信息能够反映出其运动状态和变化趋势。将这些特征信息输入到分类器中进行分类，可以进一步提取并利用其潜在的规律性信息，从而实现对逆时针或顺时针驱动收卷轮的判断。
[0099]
具体地，在本技术的技术方案中，所述分类器通过softmax分类函数来确定所述翻转角度动-静时序特征向量所属的类概率标签，所述类概率标签用于表示逆时针驱动收卷轮或者顺时针驱动收卷轮。
[0100]
图4为根据本技术实施例的钢结构防震结构中所述控制结果生成模块的框图，如图4所示，所述控制结果生成模块170，包括：全连接编码单元171，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元172，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
[0101]
综上，基于本技术实施例的钢结构防震结构100被阐明，其获取预定时间段内多个预定时间点的摆动板的翻转角度值；采用基于深度学习的人工智能技术，为钢结构防震结构配置卷轮自动控制模块，其能够基于摆动板的翻转角度的时序特征生成卷轮控制指令，这样基于卷轮控制指令驱动卷轮进行逆时针或顺时针旋转预定角度。通过这样的方式，可以提高卷轮控制与摆动板的翻转角度之间的适配度和精准度，以优化防震效果。
[0102]
在本技术的一个实施例中，图5为根据本技术实施例的钢结构防震方法的流程图。如图5所示，根据本技术实施例的钢结构防震方法，其包括：210，获取预定时间段内多个预定时间点的摆动板的翻转角度值；220，将所述多个预定时间点的摆动板的翻转角度值按照时间维度排列为翻转角度时序输入向量；230，计算所述翻转角度时序输入向量中每相邻两个位置的翻转角度值之间的差值以得到翻转角度时序变化输入向量；240，将所述翻转角度时序输入向量和所述翻转角度时序变化输入向量进行级联以得到翻转角度动-静时序输入向量；250，将所述翻转角度动-静时序输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到翻转角度动-静时序特征向量，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核；260，对所述翻转角度动-静时序特征向量进行类概率概率密度一致性强化以得到分类特征向量；以及，270，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示逆时针驱动收卷轮或者顺时针驱动收卷轮。
[0103]
图6为根据本技术实施例的钢结构防震方法的系统架构的示意图。如图6所示，在所述钢结构防震方法的系统架构中，首先，获取预定时间段内多个预定时间点的摆动板的翻转角度值；然后，将所述多个预定时间点的摆动板的翻转角度值按照时间维度排列为翻转角度时序输入向量；接着，计算所述翻转角度时序输入向量中每相邻两个位置的翻转角度值之间的差值以得到翻转角度时序变化输入向量；然后，将所述翻转角度时序输入向量和所述翻转角度时序变化输入向量进行级联以得到翻转角度动-静时序输入向量；接着，将所述翻转角度动-静时序输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到翻转角度动-静时序特征向量，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核；然后，对所述翻转角度动-静时序特征向量进行类概率概率密度一致性强化以得到分类特征向量；以及，最后，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示逆时针驱动收卷轮或者顺时针驱动收卷轮。
[0104]
在一个具体示例中，在上述钢结构防震方法中，将所述翻转角度时序输入向量和所述翻转角度时序变化输入向量进行级联以得到翻转角度动-静时序输入向量，包括：以如下级联公式将所述翻转角度时序输入向量和所述翻转角度时序变化输入向量进行级联以得到翻转角度动-静时序输入向量；其中，所述级联公式为：
[0105]vc
＝concat[v1，v2]
[0106]
其中，v1，v2表示所述翻转角度时序输入向量和所述翻转角度时序变化输入向量，concat[
·
]表示级联函数，vc表示所述翻转角度动-静时序输入向量。
[0107]
在一个具体示例中，在上述钢结构防震方法中，将所述翻转角度动-静时序输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到翻转角度动-静时序特征向量，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核，包括：使用所述时序特征提取器的第一卷积层对所述翻转角度动-静时序输入向量进行一维卷积编码以得到第一尺度翻转角度动-静时序特征向量；使用所述时序特征提取器的第二卷积层对所述翻转角度动-静时序输入向量进行一维卷积编码以得到第二尺度翻转角度动-静时序特征向量；以及，融合所述第一尺度翻转角度动-静时序特征向量和所述第二尺度翻转角度动-静时序特征向量以得到所述翻转角度动-静时序特征向量。
[0108]
在一个具体示例中，在上述钢结构防震方法中，使用所述时序特征提取器的第一卷积层对所述翻转角度动-静时序输入向量进行一维卷积编码以得到第一尺度翻转角度
动-静时序特征向量，包括：使用所述时序特征提取器的第一卷积层以如下第一卷积公式对所述翻转角度动-静时序输入向量进行一维卷积编码以得到所述第一尺度翻转角度动-静时序特征向量；其中，所述第一卷积公式为：
[0109][0110]
其中，a为第一一维卷积核在x方向上的宽度、f(a)为第一一维卷积核参数向量、g(x-a)为与第一一维卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，x表示所述翻转角度动-静时序输入向量，cov(x)表示对所述翻转角度动-静时序输入向量进行一维卷积编码。
[0111]
在一个具体示例中，在上述钢结构防震方法中，使用所述时序特征提取器的第二卷积层对所述翻转角度动-静时序输入向量进行一维卷积编码以得到第二尺度翻转角度动-静时序特征向量，包括：使用所述时序特征提取器的第二卷积层以如下第二卷积公式对所述翻转角度动-静时序输入向量进行一维卷积编码以得到所述第二尺度翻转角度动-静时序特征向量；其中，所述第二卷积公式为：
[0112][0113]
其中，b为第二一维卷积核在x方向上的宽度、f(b)为第二一维卷积核参数向量、g(x-b)为与第二一维卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，x表示所述翻转角度动-静时序输入向量，cov(x)表示对所述翻转角度动-静时序输入向量进行一维卷积编码。
[0114]
在一个具体示例中，在上述钢结构防震方法中，对所述翻转角度动-静时序特征向量进行类概率概率密度一致性强化以得到分类特征向量，包括：以如下优化公式对所述翻转角度动-静时序特征向量进行类概率概率密度一致性强化以得到分类特征向量；其中，所述优化公式为：
[0115][0116]
其中，μ和σ是所述翻转角度动-静时序特征向量中各个位置的特征值集合的均值和标准差，vi是所述翻转角度动-静时序特征向量的第i个位置的特征值，vi′
是所述分类特征向量的第i个位置的特征值。
[0117]
在一个具体示例中，在上述钢结构防震方法中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示逆时针驱动收卷轮或者顺时针驱动收卷轮，包括：使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
[0118]
本领域技术人员可以理解，上述钢结构防震方法中的各个步骤的具体操作已经在上面参考图1到图4的钢结构防震结构的描述中得到了详细介绍，并因此，将省略其重复描述。
[0119]
本技术还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
[0120]
在本技术的一个实施例中，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存储有执行上述所述方法的计算机程序。
[0121]
应可以理解，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0122]
本技术实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
[0123]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
[0124]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
[0125]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0126]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0127]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0128]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0129]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将
一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其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过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0130]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：
1.一种钢结构防震结构，其特征在于，包括：翻转角度监测模块，用于获取预定时间段内多个预定时间点的摆动板的翻转角度值；向量化模块，用于将所述多个预定时间点的摆动板的翻转角度值按照时间维度排列为翻转角度时序输入向量；作差模块，用于计算所述翻转角度时序输入向量中每相邻两个位置的翻转角度值之间的差值以得到翻转角度时序变化输入向量；级联模块，用于将所述翻转角度时序输入向量和所述翻转角度时序变化输入向量进行级联以得到翻转角度动-静时序输入向量；时序特征提取模块，用于将所述翻转角度动-静时序输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到翻转角度动-静时序特征向量，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核；特征分布优化模块，用于对所述翻转角度动-静时序特征向量进行类概率概率密度一致性强化以得到分类特征向量；以及控制结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示逆时针驱动收卷轮或者顺时针驱动收卷轮。2.根据权利要求1所述的钢结构防震结构，其特征在于，所述级联模块，用于：以如下级联公式将所述翻转角度时序输入向量和所述翻转角度时序变化输入向量进行级联以得到翻转角度动-静时序输入向量；其中，所述级联公式为：v
c
＝concat[v1，v2]其中，v1，v2表示所述翻转角度时序输入向量和所述翻转角度时序变化输入向量，concat[
·
]表示级联函数，v
c
表示所述翻转角度动-静时序输入向量。3.根据权利要求2所述的钢结构防震结构，其特征在于，所述时序特征提取模块，包括：第一尺度特征提取单元，用于使用所述时序特征提取器的第一卷积层对所述翻转角度动-静时序输入向量进行一维卷积编码以得到第一尺度翻转角度动-静时序特征向量；第二尺度特征提取单元，用于使用所述时序特征提取器的第二卷积层对所述翻转角度动-静时序输入向量进行一维卷积编码以得到第二尺度翻转角度动-静时序特征向量；以及多尺度特征融合单元，用于融合所述第一尺度翻转角度动-静时序特征向量和所述第二尺度翻转角度动-静时序特征向量以得到所述翻转角度动-静时序特征向量。4.根据权利要求3所述的钢结构防震结构，其特征在于，所述第一尺度特征提取单元，用于：使用所述时序特征提取器的第一卷积层以如下第一卷积公式对所述翻转角度动-静时序输入向量进行一维卷积编码以得到所述第一尺度翻转角度动-静时序特征向量；其中，所述第一卷积公式为：其中，a为第一一维卷积核在x方向上的宽度、f(a)为第一一维卷积核参数向量、g(x-a)为与第一一维卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，x表示所述翻转角度动-静时序输入向量，cov(x)表示对所述翻转角度动-静时序输入向量进行一维卷积
编码。5.根据权利要求4所述的钢结构防震结构，其特征在于，所述第二尺度特征提取单元，用于：使用所述时序特征提取器的第二卷积层以如下第二卷积公式对所述翻转角度动-静时序输入向量进行一维卷积编码以得到所述第二尺度翻转角度动-静时序特征向量；其中，所述第二卷积公式为：其中，b为第二一维卷积核在x方向上的宽度、f(b)为第二一维卷积核参数向量、g(x-b)为与第二一维卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，x表示所述翻转角度动-静时序输入向量，cov(x)表示对所述翻转角度动-静时序输入向量进行一维卷积编码。6.根据权利要求5所述的钢结构防震结构，其特征在于，所述特征分布优化模块，用于：以如下优化公式对所述翻转角度动-静时序特征向量进行类概率概率密度一致性强化以得到分类特征向量；其中，所述优化公式为：其中，μ和σ是所述翻转角度动-静时序特征向量中各个位置的特征值集合的均值和标准差，v
i
是所述翻转角度动-静时序特征向量的第i个位置的特征值，v
i
′
是所述分类特征向量的第i个位置的特征值。7.根据权利要求6所述的钢结构防震结构，其特征在于，所述控制结果生成模块，包括：全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及分类单元，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。8.一种钢结构防震方法，其特征在于，包括：获取预定时间段内多个预定时间点的摆动板的翻转角度值；将所述多个预定时间点的摆动板的翻转角度值按照时间维度排列为翻转角度时序输入向量；计算所述翻转角度时序输入向量中每相邻两个位置的翻转角度值之间的差值以得到翻转角度时序变化输入向量；将所述翻转角度时序输入向量和所述翻转角度时序变化输入向量进行级联以得到翻转角度动-静时序输入向量；将所述翻转角度动-静时序输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到翻转角度动-静时序特征向量，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核；对所述翻转角度动-静时序特征向量进行类概率概率密度一致性强化以得到分类特征向量；以及
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示逆时针驱动收卷轮或者顺时针驱动收卷轮。9.根据权利要求8所述的钢结构防震方法，其特征在于，将所述翻转角度时序输入向量和所述翻转角度时序变化输入向量进行级联以得到翻转角度动-静时序输入向量，包括：以如下级联公式将所述翻转角度时序输入向量和所述翻转角度时序变化输入向量进行级联以得到翻转角度动-静时序输入向量；其中，所述级联公式为：v
c
＝concat[v1，v2]其中，v1，v2表示所述翻转角度时序输入向量和所述翻转角度时序变化输入向量，concat[
·
]表示级联函数，v
c
表示所述翻转角度动-静时序输入向量。10.根据权利要求9所述的钢结构防震方法，其特征在于，将所述翻转角度动-静时序输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到翻转角度动-静时序特征向量，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核，包括：使用所述时序特征提取器的第一卷积层对所述翻转角度动-静时序输入向量进行一维卷积编码以得到第一尺度翻转角度动-静时序特征向量；使用所述时序特征提取器的第二卷积层对所述翻转角度动-静时序输入向量进行一维卷积编码以得到第二尺度翻转角度动-静时序特征向量；以及融合所述第一尺度翻转角度动-静时序特征向量和所述第二尺度翻转角度动-静时序特征向量以得到所述翻转角度动-静时序特征向量。

技术总结
一种钢结构防震结构及其方法，其获取预定时间段内多个预定时间点的摆动板的翻转角度值；采用基于深度学习的人工智能技术，为钢结构防震结构配置卷轮自动控制模块，其能够基于摆动板的翻转角度的时序特征生成卷轮控制指令，这样基于卷轮控制指令驱动卷轮进行逆时针或顺时针旋转预定角度。通过这样的方式，可以提高卷轮控制与摆动板的翻转角度之间的适配度和精准度，以优化防震效果。以优化防震效果。以优化防震效果。


技术研发人员：王晓飞 王鹏飞
受保护的技术使用者：南阳师范学院
技术研发日：2023.05.09
技术公布日：2023/8/9