摘 要

本发明公开了一种金属屋面健康状态识别及报警方法，采集不同故障类型下的屋面位移信息、应力应变信息、振动信息、气候信息等，建立屋面信息状态数据库，对数据库展开数据清洗等预处理工作，提取数据库的时频域信息特征，建立数据特征与故障类型之间的映射关系。采用深度学习算法，建立U?net卷积神经网络识别模型，实现对屋面状态、故障的自动识别与分类，实现面向屋面状态的连续性识别与高准确率报警。

背景技术

金属屋面围护系统是机场航站楼、车站、会展中心等大跨度钢结构建筑的重要组成部分，具有优异的结构性能和外观适应性。但由于常年暴露于复杂天气环境中，风致损伤带来的屋面变形、开裂甚至揭顶等事故频繁出现，造成恶劣影响和巨大经济损失。进入服役期后的健康状况的监测和危险状态实时报警是大跨度金属屋面抗风防灾工程亟待突破的一个瓶颈。

目前国内外设计的监测装置或方法可以实现基本的屋面信息的采集或故障判定，对屋面系统的健康状况能起到一定的反馈作用。但这些监测报警系统存在对屋面系统的状态或故障类型判别精度差的问题，容易出现误报警或不报警的现象，导致维护人员频繁检修或无法及时发现问题，带来巨大人力、物力资源浪费。因此，对于大型大跨度屋面结构，一种高判别精度的报警方法及系统是必要的，在故障出现时能实现准确的报警可以极大概率避免经济损失，对保障公共与工业建筑的安全服役和稳定运行具有重要意义。

因此，如何实现大跨度金属屋面健康的准确监测和报警是本领域技术人员亟需解决的问题。