论文部分内容阅读
摘要：提出并实现了一种基于专家系统和神经网络集成的建筑工程远程监控系统模型。同时给出了系统的硬、软件结构，并通过实验证明这种智能集成系统模型的可靠性和准确性。
关键词：专家系统 神经网络 智能建筑
前言
建筑工程监控系统从原3C（Computer计算机、Communication通信、Control控制）到新3C（Centralization监控集中、Concentration数据集合、Compositive应用集成）的变化历程，凝聚着时代的变化特征。其中以太网、现场总线、嵌入式系统三大技术，对建筑设备监控系统的影响尤其显著。
建筑工程过程中将监控信息接入网络，在一定条件下就可以通过Internet监视并控制生产系统和现场设备的运行状态和各种参数，实现远程控制。由于工程试验过程不仅涉及数据的实时采集和管理，还需满足远程监控的要求，笔者开发了基于Web的远程监控与数据采集系统。该系统可在现场监控端实时采集摩擦力和压力等数据，并将数据传送给远程监控端；远程监控端可在线实时控制远程压力和摩擦力数据值，并将其记录在数据库文件中。由于该系统能有效、快捷和方便地实现远程监控，因而大幅度降低了管理人员的工作强度。
1、基于神经网络和专家系统集成的建筑工程远程监控系统
神经网络对自己已学习过的模式能完全正确地识别并实时输出。因此，主要采用未学习过的模式对网络进行测试，以考察其自适应和自学习能力。专家系统的神经网络在许多方面不同，它们不同的机制显示出各自的优势，专家系统，能模块化编程，易于修改，并能对结论作出解释，可以对各种可能性进行选择。但是，专家系统只能处理表示概念的符号，而把感知系统所感知的数据转换成推理机构能进行处理的符号时，无疑丢失了大量信息，有时这些信息是至关重要的。基于专家系统——神经网络的数据融合系统充分利用了符号知识和符号推理的任务规划，神经网络的并行处理、自适应和泛化的能力，使之相互联系、相互补充。因此，基于专家系统——神经网络的数据融合系统推理性强，智能性更高。
基于神经网络和专家系统集成的建筑工程远程监控系统专家系统如图1所示。
2、系统软件
软件主要采用面向对象的语言Borland C++6.0，辅以汇编语言编写的A/D数据采集程序和一些Fortran编制的信号分析程序。
a）管理网络层：中央管理工作站网络，由服务器和客户端（操作站）组成；
b）控制网络层：由分站网络，由控制器组成；
控制网络层即国家标准GB50339-2003第6.1.19条规定的“控制器”层。控制网络层由通信总线连接控制器组成。通信总线可以是太网、现场总线、不开放的通信总线或以上这些通信总线的混合。
c）现场网络层：仪表网络，由微控制器、传感器、执行器、阀门、风阀、变频器、分布式的智能现场输入/输出I/O模块组成。
d）现场网络层，完成末端设备实时控制以及由智能现场仪表、智能现场输入输出模块和普通现场仪表进行信号检测（获取对象信息）和执行（改变对象状态）。
2.1系统控制模块
系统控制是整个软件系统的核心，它协调软件各模块，使各自能独立运行。系统控制模块采用事件驱动、等待用户操作（即事件），再对每一操作（事件）均分相应的处理，它提供终端用户的操作和系统的响应相同步的功能，把用户和系统之间的交互作用，理解成一系列事件驱动的过程，对每一种发生的事件作出合理的响应，又能实现对模块的统一管理。
2.2数据的采集和处理
建筑工程远程监控系统分为现场状态检测和远程状态监测、故障诊断，现场计算机完成数据采集、状态监测和数据发送，远程计算机完成系统的状态检测、故障诊断，现场计算机与远程计算机利用MS Visual Basic 6.0 的WINSOCK实现。
在数据的测量过程中，会存在随机误差，并且由于环境的影响和某些不可预测的因素，数据中会不可避免地出现无意义的坏值。本系统中采用两种方法来对数据做预处理：一是求取同一参数一组值的最佳估计值作为其真值；二是剔除一组数据中的坏值。
2.3专家案例库
存储了先进建筑工程管理模式，故障征兆、故障模式、故障成因、处理意见等内容，这是检测诊断的基础。
2.4基于神经网络模型的推理
由于神经网络具有处理复杂多模式及进行联想、推测和记忆功能，且具有自组织自学习能力，能克服传统专家系统当启发式规则未考率到时就无法工作的缺陷。当建筑施工现场出现故障时，把故障信息或现象输入神经网络，经过自组织、自学习，就能输出合理的解决办法。
2.5援例推理
援例推理（Case Based Reasoning，CBR）的基本原理是把建筑工程远程案例库中各案例所隐含的“指导思想”抽取出来，用一些可量化的方式表示，形成思想库。援例推理是人工智能逐渐由机器模仿向机器思维发展的结果，它是基于类比推理和相似推理，一般来讲是一种近似推理，援例推理是机器领域中一种最高创造性的形式，能利用具体知识求解问题和学习新知识的机制；能解决专家系统中知识获取瓶颈和推理脆弱怕的问题；能快速、有效地提供故障诊断的求解方法。
3、工程实例
某施工现场，我们利用该基于神经网络和专家系统集成的建筑工程远程监控系统进行远程监控。诊断出该处屋顶网架结构的性能出现异常。同时该系统建议具体改进做法为：在现场先钻孔并将风压力传感器固定在上、下封板上，再将安装传感器的封板吊装到屋盖上安装。同时上封板上的风压力传感器应避开太阳能面板。
结束语
通过对先进远程建筑工程及其所发生保障的特征进行深入的分析，认为实时性、智能化和集成化是该状态监控系统所应具有的基本特征。
利用神经网络的自学习、自适应、大规模并行分布处理等特点，可以有效的克服地域障碍，通过多系统、多专家对建筑工程远程进行会诊，可以提高故障诊断的准确性和可靠性，减少建筑工程设备停机时间和维修周期，同时也可扩大相关设备或系统的故障诊断知识和数据的共享范围。大大提高经济效益。
关键词：专家系统 神经网络 智能建筑
前言
建筑工程监控系统从原3C（Computer计算机、Communication通信、Control控制）到新3C（Centralization监控集中、Concentration数据集合、Compositive应用集成）的变化历程，凝聚着时代的变化特征。其中以太网、现场总线、嵌入式系统三大技术，对建筑设备监控系统的影响尤其显著。
建筑工程过程中将监控信息接入网络，在一定条件下就可以通过Internet监视并控制生产系统和现场设备的运行状态和各种参数，实现远程控制。由于工程试验过程不仅涉及数据的实时采集和管理，还需满足远程监控的要求，笔者开发了基于Web的远程监控与数据采集系统。该系统可在现场监控端实时采集摩擦力和压力等数据，并将数据传送给远程监控端；远程监控端可在线实时控制远程压力和摩擦力数据值，并将其记录在数据库文件中。由于该系统能有效、快捷和方便地实现远程监控，因而大幅度降低了管理人员的工作强度。
1、基于神经网络和专家系统集成的建筑工程远程监控系统
神经网络对自己已学习过的模式能完全正确地识别并实时输出。因此，主要采用未学习过的模式对网络进行测试，以考察其自适应和自学习能力。专家系统的神经网络在许多方面不同，它们不同的机制显示出各自的优势，专家系统，能模块化编程，易于修改，并能对结论作出解释，可以对各种可能性进行选择。但是，专家系统只能处理表示概念的符号，而把感知系统所感知的数据转换成推理机构能进行处理的符号时，无疑丢失了大量信息，有时这些信息是至关重要的。基于专家系统——神经网络的数据融合系统充分利用了符号知识和符号推理的任务规划，神经网络的并行处理、自适应和泛化的能力，使之相互联系、相互补充。因此，基于专家系统——神经网络的数据融合系统推理性强，智能性更高。
基于神经网络和专家系统集成的建筑工程远程监控系统专家系统如图1所示。
2、系统软件
软件主要采用面向对象的语言Borland C++6.0，辅以汇编语言编写的A/D数据采集程序和一些Fortran编制的信号分析程序。
a）管理网络层：中央管理工作站网络，由服务器和客户端（操作站）组成；
b）控制网络层：由分站网络，由控制器组成；
控制网络层即国家标准GB50339-2003第6.1.19条规定的“控制器”层。控制网络层由通信总线连接控制器组成。通信总线可以是太网、现场总线、不开放的通信总线或以上这些通信总线的混合。
c）现场网络层：仪表网络，由微控制器、传感器、执行器、阀门、风阀、变频器、分布式的智能现场输入/输出I/O模块组成。
d）现场网络层，完成末端设备实时控制以及由智能现场仪表、智能现场输入输出模块和普通现场仪表进行信号检测（获取对象信息）和执行（改变对象状态）。
2.1系统控制模块
系统控制是整个软件系统的核心，它协调软件各模块，使各自能独立运行。系统控制模块采用事件驱动、等待用户操作（即事件），再对每一操作（事件）均分相应的处理，它提供终端用户的操作和系统的响应相同步的功能，把用户和系统之间的交互作用，理解成一系列事件驱动的过程，对每一种发生的事件作出合理的响应，又能实现对模块的统一管理。
2.2数据的采集和处理
建筑工程远程监控系统分为现场状态检测和远程状态监测、故障诊断，现场计算机完成数据采集、状态监测和数据发送，远程计算机完成系统的状态检测、故障诊断，现场计算机与远程计算机利用MS Visual Basic 6.0 的WINSOCK实现。
在数据的测量过程中，会存在随机误差，并且由于环境的影响和某些不可预测的因素，数据中会不可避免地出现无意义的坏值。本系统中采用两种方法来对数据做预处理：一是求取同一参数一组值的最佳估计值作为其真值；二是剔除一组数据中的坏值。
2.3专家案例库
存储了先进建筑工程管理模式，故障征兆、故障模式、故障成因、处理意见等内容，这是检测诊断的基础。
2.4基于神经网络模型的推理
由于神经网络具有处理复杂多模式及进行联想、推测和记忆功能，且具有自组织自学习能力，能克服传统专家系统当启发式规则未考率到时就无法工作的缺陷。当建筑施工现场出现故障时，把故障信息或现象输入神经网络，经过自组织、自学习，就能输出合理的解决办法。
2.5援例推理
援例推理（Case Based Reasoning，CBR）的基本原理是把建筑工程远程案例库中各案例所隐含的“指导思想”抽取出来，用一些可量化的方式表示，形成思想库。援例推理是人工智能逐渐由机器模仿向机器思维发展的结果，它是基于类比推理和相似推理，一般来讲是一种近似推理，援例推理是机器领域中一种最高创造性的形式，能利用具体知识求解问题和学习新知识的机制；能解决专家系统中知识获取瓶颈和推理脆弱怕的问题；能快速、有效地提供故障诊断的求解方法。
3、工程实例
某施工现场，我们利用该基于神经网络和专家系统集成的建筑工程远程监控系统进行远程监控。诊断出该处屋顶网架结构的性能出现异常。同时该系统建议具体改进做法为：在现场先钻孔并将风压力传感器固定在上、下封板上，再将安装传感器的封板吊装到屋盖上安装。同时上封板上的风压力传感器应避开太阳能面板。
结束语
通过对先进远程建筑工程及其所发生保障的特征进行深入的分析，认为实时性、智能化和集成化是该状态监控系统所应具有的基本特征。
利用神经网络的自学习、自适应、大规模并行分布处理等特点，可以有效的克服地域障碍，通过多系统、多专家对建筑工程远程进行会诊，可以提高故障诊断的准确性和可靠性，减少建筑工程设备停机时间和维修周期，同时也可扩大相关设备或系统的故障诊断知识和数据的共享范围。大大提高经济效益。