Способ мониторинга технического состояния строительных объектов с обработкой результатов, характеризующих состояние объекта мониторинга, с использованием мягких вычислений Российский патент 2018 года по МПК G01M7/00 

Область техники, к которой относится изобретение

Изобретение относится к области автоматизированных систем мониторинга технического состояния зданий и сооружений и может быть использовано при проектировании и эксплуатации зданий и сооружений.

Уровень техники

Из уровня техники известны устройства того же назначения, что и заявленное изобретение.

Известна система определения устойчивости зданий и сооружений, используемая для определения устойчивости объектов (зданий и сооружений), при этом система для определения устойчивости зданий и сооружений содержит блок ударного устройства, блок формирования электрического синхроимпульса, блок преобразования колебаний в электрический сигнал, блок аналого-цифрового преобразования электрического сигнала, блок цифрового запоминающего устройства и блок управления цифровым запоминающим устройством, блок ввода экспериментальных и/или расчетных значений поверхностной прочности, и/или объемной прочности, и/или параметров армирования элементов конструкции объекта, и/или осадков, и/или сдвигов, и/или кренов объекта, и/или глубины залегания фундамента, и/или его поверхностной прочности, и/или его объемной прочности, и/или периода собственных колебаний грунта под объектом, и/или вокруг него, измеренного, по меньшей мере, по первому тону колебаний и/или уровня грунтовых вод, блок сравнения экспериментальных данных с нормированными данными, рассчитанными для данных конструкций и материалов испытуемого объекта и состава грунта под ним и/или вокруг него и блок воспроизведения полученных данных, связанные по шинам управления и данных между собой и с остальными функциональными блоками системы (патент РФ на изобретение №2245531, МПК G01M 7/00, публ. от 27.01.2005 г.).

Известна также система мониторинга технического состояния зданий и сооружений, содержащая блок ударного устройства, блок вибродатчиков, блок обработки и выходной информации, блок измерения ускорений колебаний объекта и/или блок измерения скоростей колебаний объекта и/или блок измерения амплитуд колебаний объекта и/или блок измерения наклонов и/или блок измерения прогибов и/или блок измерения напряжений и/или блок измерения нагрузок и/или блок измерения абсолютной и неравномерной осадки и/или блок контроля трещин, стыков и швов и/или блок измерения геодезических параметров, блок градации выходной информации, причем выход блока вибродатчиков и/или выход блока измерения ускорений колебаний объекта и/или выход блок измерения скоростей колебаний объекта и/или выход блока измерения амплитуд колебаний объекта и/или выход блока измерения наклонов и/или выход блока измерения прогибов и/или выход блока измерения напряжений и/или выход блока измерения нагрузок и/или выход блока измерения абсолютной и неравномерной осадки и/или выход блока контроля трещин, стыков и швов и/или выход блока измерения геодезических параметров соединены с входом блока обработки и выходной информации, выход которого соединен с входом блока градации выходной информации (патент РФ на полезную модель №66525, МПК G01M 7/00, публ. 10.09.2007).

Известны способ и предназначенная для его осуществления система мониторинга и прогнозирования технического состояния зданий и сооружений (Патент РФ на изобретение №2381470, МПК G01M 7/00, публ. 10.02.2009). Способ по патенту №2381470 включает возбуждение колебаний объекта на собственных частотах, регистрацию вибраций, и/или ускорений колебаний, и/или скоростей колебаний, и/или амплитуд колебаний, и/или наклонов, и/или прогибов, и/или напряжений, и/или нагрузок, и/или измерения абсолютной и неравномерной осадки, и/или геодезических параметров, и/или контроль трещин, стыков, швов, фильтрацию параметров технического состояния зданий и сооружений, разделенных на две группы: группу параметров технического состояния нижней части объекта и группу параметров технического состояния верхней части объекта, определяют с использованием параметров технического состояния нижней части объекта путем математического (компьютерного) моделирования объекта расчетные параметры строительных конструкций верхней части объекта, сравнивают расчетные параметры строительных конструкций верхней части объекта с аналогичными параметрами строительных конструкций верхней части объекта, определенных по результатам натурных измерений от датчиков для мониторинга технического состояния верхней части объекта, корректируют параметры математической модели объекта при условии, что расчетные параметры строительных конструкций верхней части объекта, определенные по результатам математического моделирования, отличаются от аналогичных параметров строительных конструкций верхней части объекта, определенных по результатам натурных измерений на величину больше заданного порога, определяют по измеренным параметрам технического состояния нижней части объекта тренды параметров технического состояния нижней части объекта, экстраполируют трендовые значения параметров технического состояния нижней части объекта на заданный временной интервал, определяют на основе данных экстраполяции параметров технического состояния нижней части объекта прогнозные расчетные параметры технического состояния строительных конструкций верхней части объекта, фиксируют для потребителя прогнозную оценку будущего технического состояния объекта на основе сравнительного анализа прогнозных расчетных параметров технического состояния строительных конструкций верхней части объекта с предельно допустимыми значениями.

Устройство для осуществления изложенного выше способа

Система мониторинга технического состояния зданий и сооружений содержит устройство ударного воздействия, блок обработки и выходной информации, блок градации выходной информации, и/или датчики измерения вибраций объекта, и/или датчики измерения ускорений колебаний объекта, и/или датчики измерения скоростей колебаний объекта, и/или датчики измерения амплитуд колебаний объекта, и/или датчики измерения наклонов, и/или датчики измерения прогибов, и/или датчики измерения напряжений, и/или датчики измерения нагрузок, и/или датчики измерения абсолютной и неравномерной осадки, и/или датчики контроля трещин, стыков и швов, и/или датчики измерения геодезических параметров, датчики давления (в том числе для контроля давления объекта на грунт и/или давления грунта на объект), и/или датчики измерения деформаций, и/или датчики измерения температуры, и/или датчики измерения влажности (при этом все перечисленные выше датчики объединены в одном блоке блок датчиков и оборудования автоматизированной системы мониторинга), блок расчета параметров технического состояния объекта, блок фильтрации параметров технического состояния объекта, блок определения трендов и экстраполяции параметров технического состояния нижней части объекта, блок сравнения, пороговое устройство, блок математического моделирования и расчета параметров технического состояния верхней части объекта, блок корректировки параметров математической модели объекта, электронный ключ, блок отображения прогнозной и мониторинговой информации, причем выход блока датчиков и оборудования автоматизированной системы мониторинга соединен с входом блока расчета параметров технического состояния объекта, первый выход которого соединен с входом блока фильтрации параметров технического состояния объекта, а второй выход соединен с входом блока обработки и выходной информации, выход которого соединен с входом блока градации выходной информации, первый выход блока фильтрации параметров технического состояния объекта соединен с первым входом блока математического моделирования и расчета параметров технического состояния верхней части объекта, второй выход блока фильтрации параметров технического состояния объекта соединен с входом блока сравнения, выход блока сравнения соединен с входом порогового устройства, первый выход которого соединен с входом блока корректировки параметров математической модели объекта и первым управляющим входом электронного ключа, а второй выход соединен со вторым управляющим входом электронного ключа, выход блока корректировки параметров математической модели объекта соединен со вторым входом блока математического моделирования объекта и расчета параметров технического состояния верхней части объекта, первый выход которого соединен с входом блока сравнения, а второй выход соединен с первым входом блока отображения прогнозной и мониторинговой информации, третий вход блока математического моделирования объекта и расчета параметров технического состояния верхней части объекта соединен с выходом блока определения трендов и экстраполяции параметров технического состояния нижней части объекта, вход которого соединен с выходом электронного ключа.

Известен также способ мониторинга технического состояния строительных объектов (Патент РФ на изобретение №2460980 МПК G01M 7/00, публ. 10.09.2012), который включает определение контролируемых элементов строительного объекта на основании анализа угроз, и/или конструктивных особенностей, и/или местоположения, и/или внешних воздействий, и/или анализа напряженно-деформированного состояния строительного объекта, формирование симметричных пар контролируемых элементов строительного объекта и/или их частей, определение контролируемых параметров, отображающих состояния сформированного множества контролируемых элементов и/или их частей, определение набора измеряемых параметров, на основании которых возможно определение контролируемых параметров, определение допустимых значений или интервалов допустимых значений контролируемых параметров, в соответствии с которыми определяют техническое состояние объекта, измерение для симметричных контролируемых элементов строительного объекта и/или их частей параметров, на основании которых определяют абсолютные и относительные значения контролируемых параметров, сравнение абсолютных значений контролируемых параметров с их допустимыми значениями или интервалами допустимых значений, а относительных контролируемых параметров с допустимой погрешностью измерений, суждение по результатам сравнения, полученным на начальном интервале времени, об адекватности математической модели объекта, при вынесении суждения по результатам сравнения о неадекватности коррекция математической модели объекта, формирование выводов о текущем техническом состоянии объекта на основе сравнения абсолютных и/или относительных значений контролируемых параметров с их допустимыми значениями или интервалами допустимых значений, заданными в виде конкретных величин или интервалов. Изложенный способ увеличивает быстродействие способа и системы мониторинга и прогнозирования технического состояния зданий и сооружений, охраняемых патентом №2381470.

Общим недостатком перечисленных технических решений является недостаточная точность диагностирования текущего технического состояния строительного объекта.

В указанных технических решениях определяют техническое состояние здания и сооружения лишь на момент снятия датчиками различных характеристик (периоды собственных колебаний, наклоны и др.) или осуществляют прогнозную оценку будущего технического состояния здания и сооружения на длительный временной интервал. Опыт использования автоматизированных систем мониторинга показал, что результаты измерений представляют собой большой массив данных и для его корректной обработки и получения достоверных результатов по оценке технического состояния объекта необходимо выполнять аналитическую обработку измеренных данных.

Помимо вышеуказанных недостатков известных из уровня техники аналогов [1]-[23] в показаниях датчиков также не выделяются и не оцениваются составляющие, характеризующие состояние контролируемых элементов (конструкций). Так, показания датчика измерения угла наклонов свидетельствуют об изменении угла в конкретной точке, которое может быть вызвано изменением состояния нескольких конструктивных элементов. Например, датчик, показания которого используются для мониторинга состояния фундаментной плиты, может быть установлен (из соображений удобства монтажа) на колонне, установленной на этой плите. Если показания датчика свидетельствуют об аварийной ситуации, то необходимо, сверяясь с показаниями других датчиков, по показаниям которых определяют состояние фундаментной плиты и тех элементов конструкций, на которых установлен каждый из датчиков, определять причину изменения показаний датчиков (например, угол изменился из-за того что изменила свое положение в пространстве фундаментная плита или колонна на фундаментной плите на которой установлен датчик). При взаимосвязанном анализе показаний различных датчиков, установленных на различных контролируемых элементах, можно производить идентификацию причин изменения результатов мониторинга и повышать точность работы системы мониторинга.

Другим недостатком известных аналогов является то, что оценка технического состояния объекта по результатам мгновенных измерений может содержать большой процент ложных оценок. Например, мгновенное измерение и оценка по результатам измерений датчиков наклона может привести к ложной оценке состояния конструкций, если рядом с датчиком проехала машина (например, на парковке в подземной части здания) или топнул человек вблизи измерительного пункта или рядом с измерительным пунктом функционирует оборудование, создающее вибрации. При кратковременных воздействиях на объект вблизи измерительных устройств возможен выход контролируемых параметров за пределы контролируемых значений, что в действительности не свидетельствует об ухудшении технического состояния строительных конструкций.

Кроме перечисленных недостатков указанные способы и системы мониторинга предполагают обработку значительных массивов информации из-за того, что не предполагается производить отбор контролируемых элементов в зависимости от степени их влияния на состояние объекта, их значимости в возникновении аварийных ситуаций для объекта в целом или его частей, в значительной степени влияющих на состояние объекта, мониторинг которого проводится.

В известных [1]-[23] решениях не ставится вопрос об учете систематических погрешностей измерительных приборов, что также негативно сказывается на оценке текущего или прогнозируемого состояния объекта мониторинга.

Наиболее близким техническим решением, поддерживающим разработку способа проектирования МИС на основе концепции мягких вычислений, является интеллектуальная Грид-система [24], обеспечивающая системную интеграцию вычислительных и информационных компонент, формализованная логика управления которыми связана с решением ресурсоемких задач при изучении сложных явлений и закономерностей динамических систем с использованием блока интеллектуальной поддержки функционирования Грид-системы, взаимосвязанного посредством блока программного управления с блоками человеко-компьютерного взаимодействия и блоком прикладных Грид-сервисов, причем блок интеллектуальной поддержки содержит экспертную систему, обеспечивающую функционирование Грид-системы в заданной вычислительной среде и принятие решений по управлению вычислительными процессами, блок адаптации, реализующий процедуры адаптивного обучения за счет возможности управления вычислительным процессом с динамически меняющейся информацией, выбор предпочтительной вычислительной технологии обработки данных, настройку логических моделей на восприятие новой информации и извлечение «скрытых» знаний, генератор композитного приложения, реализующий функции выработки альтернативных решений, блок человеко-компьютерного взаимодействия, содержащий интеллектуальный интерфейс, поддерживающий взаимодействие пользователей с вычислительной средой в условиях неоднородности вычислительных ресурсов, неопределенности характеристик задачи и неполноты исходной информации.

Основным недостатком технологии обработки информации в Грид-системе применительно к объекту мониторинга является неучет фактора неопределенности, определяющего процесс проектирования систем мониторинга на основе концепции мягких вычислений [25]-[26] с использованием интеллектуальных технологий и высокопроизводительных средств обработки информации.

Свойства объекта мониторинга характеризуются значительной априорной неопределенностью, также как и факторы среды его функционирования, при этом большую часть самих свойств и определяющих их факторов невозможно непосредственно наблюдать, а экспериментальная информация о них отличается неполнотой и неточностью. Из множества существующих методов мягких вычислений, как показали результаты проведенных полунатурных экспериментов с использованием математической модели объекта мониторинга и ряда датчиков параметров, характеризующих состояние объекта мониторинга, наилучшие результаты показали байесовские интеллектуальные измерения, основанные на байесовском регулиризирующем подходе.

Применение в такой информационной ситуации традиционной методологии измерений,

Техническим результатом, на достижение которого направлен способ заявленного изобретения, являются повышение достоверности определения конструкций, находящихся в аварийном или предаварийном состоянии, повышение точности определения состояния контролируемых конструкций и объекта в целом за счет исключения систематической ошибки измерительных приборов и возможности взаимоувазанного анализа измерений с различных приборов, повышение быстродействия за счет уменьшения массива обрабатываемой информации.

Сущность заявленного изобретения.

Заявленный способ мониторинга технического состояния строительных объектов позволяет устранить перечисленные недостатки путем аналитической обработки результатов измерений с использованием методов мягких вычислений.

Свойства объекта мониторинга характеризуются значительной априорной неопределенностью, также как и факторы среды его функционирования; при этом большую часть самих свойств и определяющих их факторов невозможно непосредственно наблюдать, а экспериментальная информация о них отличается неполнотой и неточностью. Применение в такой информационной ситуации традиционной методологии измерений, на основе которой результат измерений может быть представлен только в виде числового значения и получен только на основании экспериментальной числовой информации с соблюдением принципов единства измерений, дает результаты низкого качества с неконтролируемым уровнем остаточной неопределенности.

Для обеспечения возможности аналитической обработки результатов измерений необходима формализация предметной области.

Объект мониторинга в этом случае представляется в виде множества отдельных строительных элементов (несущих конструкций), образующих множество K.

Ввиду того, что как правило, любая несущая конструкция A_i, является ответственной, в любой конструкции может быть допущен или заводской брак при ее изготовлении или дефекты при выполнении строительных работ, а осуществлять контроль абсолютно всех конструкций объекта экономически нецелесообразно, то определение оптимального состава конструктивных элементов и параметров контроля является основной задачей при проектировании системы мониторинга, которая решается индивидуально для каждого объекта на основании учета таких различных факторов как местонахождение объекта, его ответственность, надежность проектных решений, финансовые ограничения.

При этом такие факторы как местонахождение (климатические и инженерно-геологические условия нахождения объекта) и надежность проектных решений (использование сложных нетиповых конструктивных узлов, большепролетных пролетов и консолей, неаппробированных проектных решений и материалов и т.д.) определяют потенциальные угрозы, реализация которых может повлечь ухудшение состояния конструктивных элементов или их разрушение.

Из множества строительных конструкций выделяется подмножество, элементы которого подлежат контролю системой мониторинга (множество контролируемых элементов). Для каждого из таких элементов определяют один или несколько параметров, изменения значений которых позволят судить об изменении деформационного состояния строительного элемента. Данный массив параметров образует множество, каждый из элементов которого может быть получен на основе измерений, проведенных датчиками различной физической природы. Полученный массив параметров обрабатывается с использованием следующего метода.

Непрерывное развитие методической информационно-технологической и технической баз измерительных систем привели к столь значительному расширению сферы их применения, что на основе этих средств стали успешно решаться задачи оценивания и контроля свойств сложных объектов (СО), а также управления ими. К числу СО могут быть отнесены техногенные объекты (технологические процессы, производственные системы и комплексы, сети передачи информации, энергии, материальных ресурсов), а также все природные явления, процессы, экосистемы. Информационные процессы в таких системах реализуются на основе измерительного подхода, предполагающего соблюдение принципа единства измерений на каждом этапе измерений и непрерывное метрологическое сопровождение промежуточных и окончательных результатов. Измерительный подход используется для параметрической и структурной идентификации, управления производственными процессами, классификации и обработки изображений, оценки качества продукции, а также в задачах мониторинга экосистем, их компонентов (включая и социально-экономические составляющие) и рационального природопользования.

Как правило, на практике такие задачи сопровождаются сложной информационной ситуацией, характеризуемой значительной априорной неопределенностью знаний о свойствах контролируемого объекта и влияющих факторах среды его функционирования, невозможностью непосредственного наблюдения многих из них, неточностью и неполнотой экспериментальной информации о них, что выделяет познавательную функцию методологии их решения как основополагающую.

Применение в подобной информационной ситуации классической методологии измерений, на основе которой результат измерений может быть представлен только в форме числового значения и получен только на основании экспериментальной числовой информации, равно как и применение методов обработки измерительной информации без соблюдения принципов единства измерений делают решение указанных задач не только неэффективными, но часто и вообще практически непригодными из-за их низкого качества и неконтролируемого уровня остаточной неопределенности.

Поэтому совершенно справедливым и актуальным представляется вывод, сделанный в работах, о необходимости совершенствования методической базы измерительных систем в направлении усиления роли познавательной функции измерений, что обусловливает требование получения результатов таких "обобщенных" измерений в форме знаний (аналитических выражений для моделей, а также выводов и рекомендаций с их полным метрологическим обоснованием в виде комплексов показателей качества этих решений) на основании учета всего объема априорной и поступающей в процессе измерительного эксперимента информации, в том числе и нечисловой.

Выполнение этого требования способствовало привлечению аппаратов теорий оптимальных решений, искусственного интеллекта, нечетких систем в измерительную среду. Стремление к измерению неколичественных свойств объектов привело к созданию общей (репрезентационной) теории измерений. В настоящее время проводятся работы по изучению и использованию семантики различных типов измерительных шкал для повышения эффективности измерительных процессов. С другой стороны теория меры и теория шкалирования широко используются в современной теории нечетких множеств. Понятие "измерение" используется при определении функции принадлежности, степени нечеткости. Также определяются типы измерительных шкал, наиболее эффективных для реализации логического вывода в системах принятия решений. Список подобных примеров взаимопроникновения указанных методологий может быть, безусловно, продолжен.

В результате такой интеграции в восьмидесятых годах нашего столетия была сформулирована концепция интеллектуальных измерений.

Термины вычислительный интеллект и мягкие вычисления введены Л. 3аде в 1994 г. Тогда же им был сформулирован главный принцип мягких вычислений - терпимость к неточности и частичной истинности для достижения интерпретируемости, гибкости и низкой стоимости решения.

"Жесткие" вычисления основаны на точных моделях, которые включают в себя рассуждения, основанные на символической логике и классические методы вычислений и поиска информации. Мягкие вычисления основаны на приближенных моделях, включающих в себя методы приближенных рассуждений и вычислительные методы, основанные на функциональной аппроксимации, случайном поиске и оптимизации.

Методы приближенных рассуждений, входящие в мягкие вычисления, основаны на двух основных механизмах вывода - на условном выводе и на правиле вывода модус поненс.

К первому механизму (условному выводу) относятся:

1. Вероятностные модели - вероятностная логика Нильсона; нечеткая вероятностная логика Нгуена, вероятностные рассуждения Перл на байесовских сетях, субъективные байесовские методы.

2. Методы, основанные на функциях доверия - теория Демстера-Шейфера, функции доверия Сметца, верхние и нижние вероятности Фагина-Гальперна.

Ко второму механизму (модус поненс) относятся многозначные логики (алгебры), нечеткая логика и теория возможностей.

Вычислительные методы, основанные на функциональной аппроксимации, случайном поиске и оптимизации, входящие в мягкие вычисления, в основном, делятся на механизмы локального поиска (нейронные сети) и глобального поиска (эволюционные вычисления).

Многие подходы, входящие в направление мягких вычислений, являются универсальными, однако, они хорошо дополняют друг друга и используются в различных комбинациях для создания гибридных интеллектуальных систем. Поэтому при создании систем, работающих с неопределенностью, надо понимать, какая из составляющих частей мягких вычислений или какая их комбинация наилучшим образом подходят для решения задачи.

Гибридные интеллектуальные системы условно можно разделить на следующие классы:

1. Гибридные системы с функциональным замещением. В них используется одна модель, один из элементов которой замещается другой моделью, например:

а) перерасчет весов в процедуре обратного распространения с помощью генетического алгоритма. Уменьшается число итераций для получения решений;

б) подбор функций принадлежности в нечетком контроллере с помощью генетического алгоритма. Функции получаются гораздо лучше, чем при ручном подборе.

2. Гибридные системы с взаимодействием. Используются независимые модули, которые обмениваются информацией и выполняют различные функции с целью получения общего решения. Если задача разбивается на распознавание образов, вывод и оптимизацию, то эти функции берут на себя нейронные сети, экспертные системы и генетические алгоритмы.

3. Полиморфные гибридные системы. Одна модель используется для имитации функционирования других моделей. Так рассуждения с помощи цепочки правил можно моделировать с помощью нейронной сети (также и генетический поиск).

В направлении развития концепции интеллектуальных измерений в начале 90-х годов была разработана методология байесовских интеллектуальных измерений (БИИ), основанная на регуляризирующем байесовском подходе (РБП). РБП представляет собой модификацию байесовского подхода к получению оптимальных решений указанных задач в условиях значительной априорной неопределенности с соблюдением принципов единства измерений в процессе формирования решения.

Концепция БИИ, основанная на РБП, представляет собой методологию синтеза нового типа шкал для реализации "обобщенных" измерений с целью достижения качественного решения прикладной задачи на основе всестороннего познания свойств СО и среды его функционирования. Такие шкалы реализуются в метрических пространствах динамических компактов их носителей и носят название шкал с динамическими ограничениями (ШДО), что обусловлено их способностью к адаптивному изменению своей структуры в процессе накопления информации о развитии свойств СО или среды его функционирования. Процесс решения прикладной задачи на основе методологии БИИ реализуется как процесс целенаправленного преобразования иерархической структуры ШДО, способной адекватно отражать свойства эволюционирующего СО. Иерархическая ШДО может отражать свойства СО и среды, геометрически представляя собой некий гиперкуб условно связанных одномерных ШДО.

Результатами ШДО могут быть:

- числовое значение параметра;

- аналитический вид функциональной зависимости;

- системы аналитических зависимостей, определяющих состояние СО;

- лингвистические значения и выражения, определяющие выводы и решения относительно свойств и их состояний для ОМ;

- по обеспечению устойчивого функционирования ОМ.

ШДО БИИ для определения состояния СО или степени интенсивности проявления его контролируемого свойства может быть представлена в виде трехзвенной структуры ШДО БИИ, представляющем собой экранную форму системы поддержки принятия управленческих решений (СППУЭР), реализующей методологию БИИ. Данная ШДО состоит из априорной, текущей и апостериорной ШДО и используется для свертки информационных потоков, разнообразных по форме представления информации, ее содержанию и степени неопределенности.

ШДО БИИ имеет в своей структуре сопряженную лингвистическую шкалу, пространство трехзвенного носителя которой представляет собой иерархическое развитие известной структуры пространства нечеткого терммножества лингвистической переменной, для которой базовым множеством X является носитель текущей шкалы БИИ контролируемого свойства СО. При этом впервые возникает возможность учета лингвистической информации на основе формализмов РБП в процессе получения результата измерений, что позволяет использовать дополнительную лингвистическую информацию для снижения степени неопределенности и повышения качества результата измерения. Кроме того, подобная трехзвенная структура лингвистической ШДО позволяет интегрировать на основе методологии БИИ априорную и текущую лингвистическую информацию, получая апостериорное лингвистическое решение с метрологическим обоснованием его качества, а также идентифицировать, или адаптировать форму функций принадлежности, объективизируя ее путем привлечения дополнительной информации (и числовой) в процессе измерений или обработки.

Нечеткая динамическая модель этого же параметра получена на динамической ШДО БИИ. С ее помощью получен ряд аналитических зависимостей для возможных альтернативных моделей динамики численности, каждая из которых сопровождается собственным комплексом метрологических показателей, в число которых входят точность модели, ее надежность и достоверность (апостериорная байесовская вероятность). Контролируются также риск решения и количество получаемой в процессе измерений. Комплекс метрологических характеристик, кроме нормированных показателей качества измерений (таких как точность результата), включает в себя наиболее важные характеристики качества решений, рекомендованные в ряде работ известных отечественных и зарубежных ученых.

Таким образом, основными принципами БИИ являются:

- интеграция разнообразной по форме представления информации с целью повышения или достижения требуемого качества результата;

- метрологическое обоснование полученных решений в виде количественных показателей меры апостериорной (остаточной) неопределенности, например, показателей точности, надежности, достоверности;

- реализация принципа саморазвития моделей объектов измерения и среды их функционирования на основе адаптации структур ШДО к свойствам СО, познаваемым в процессе БИИ.

Формальная запись уравнения БИИ в оптимизационной форме имеет следующий вид:

{h_k,t⎟MX_k,t}={argminC^(B)[φ_j,t(x_i,t⎟{y_i,t})]}

h_k∈H_K,T; k=1, К,

x_i,t∈X_I,T; t=1, T

φ∈Ф_J,T

где {h_k} - список результатов БИИ, достоверность каждого из которых определяется как апостериорная байесовская вероятность; НК, Т - множество результатов БИИ, с переменными границами и объемом, которое в работе назовем динамическое множество. С^(В) - байесовское решающее правило (БРИ) принятия решения по алгоритму из динамического множества алгоритмов Ф_J,T при наборе экспериментальных данных и условиях измерений y_i,t∈Y_i,T где

Y_i,T={Ai,t}*{Mi,t}*{Oi,t}

Ai,t, Mi,t, Oi,t - динамические множества потоков априорной информации, метрологических требований и ограничений соответственно * - знак свертки.

Выбор идеологии байесовского подхода в качестве концептуальной основы БИИ определяется необходимостью привлечения дополнительных знаний о неконтролируемых свойствах СО для обеспечения требуемого качества решений при неточной, неполной и нечеткой априорной информации, что характерно для задач, ориентированных на СО.

Результаты таких измерений должны сопровождаться на каждом этапе их определения комплексами метрологических характеристик, имеющем следующую структуру:

MX_k,t{ζ_k,t; V_k,t; {P_k,t}}

где ζ_k,t - точность полученного решения на ШДО, V_k,t - надежность полученного решения на ШДО, определяемая уровнем ошибок 1-го и 2-го рода {P_k,t} - список показателей неопределенности, к числу которых относятся байесовская мера достоверности, мера возможности, мера доверия и т.д.

Комплексы метрологических характеристик вычисляются на основании текущих показателей качества решения и априорных характеристик качества решении.

MX_k,j=MX^(T)_k,j*MX_k,t-1⎟y_i,t

где MX^(T)_k,j - комплекс метрологических характеристик решения, полученного на текущей шкале ШДО; МХ_k,t-1 - комплекс метрологических характеристик априорного решения.

В настоящее время на основе методологии РБП разработан широкий спектр методов и средств мониторинга СО и поддержки принятия управляющих решений.

Аналитически доказано, что БИИ являются обобщением известных типов измерений, таких как прямые, косвенные, совокупные, совместные, адаптивные, алгоритмические, статистические и другие и добавляют новые преимущества к достоинствам перечисленных типов измерений.

Однако, эти достоинства БИИ являются неполными без такого гибкого механизма управления качеством решений, как настраиваемые логики, которые широко используются в разнообразных системах нечеткого вывода.

Возможность быстро менять метод обработки нечеткости знаний (вплоть до смены метода в процессе вывода) дает применение нечетких логик. В нечеткой логике достоверность представляется как нечеткое истинностное значение (некое произвольное субъективное значение, не имеющее никакого статистического смысла, в отличие от вероятности). Наиболее распространена в ИС нечеткая логика на основе триангулярной нормы Заде (минимаксная), так же можно использовать и другие Т - нормы: вероятностную, Лукашевича и т.п. Разнообразие Т - норм дает разнообразие нечетких логик. Если для оценки использовать нечеткую лингвистическую шкалу, то в диалоге с ИС можно оперировать лингвистическими понятиями, а не числами. Эта лингвистическая нечеткая шкала представляет набор (из 5-9 объектов), упорядоченный по какому - либо выбранному критерию. При выводе на нечетких шкалах осуществляется аппроксимация результата. Получается дискретная логика, определенная на данном наборе. Использование при выводе таблицы перехода полностью задает нечеткую логику и имеет следующие преимущества:

1) процесс нечеткого вывода идет быстрее;

2) смысл таблиц перехода понятен человеку без математического образования;

3) смена метода пересчета неопределенности заключается в смене одной таблицы перехода на другую, следовательно, такая смена может произойти в любой момент, в том числе и в процессе вывода;

4) новые таблицы перехода могут создаваться человеком методами когнитивной графики, компьютер обеспечит проверку выполнения свойств - норм.

В дальнейших рассуждениях под нечеткой логикой мы будем понимать логику, в качестве обобщенных операторов конъюнкции и дизъюнкции использующую - норму и - конорму, удовлетворяющие системе аксиом. В модуле вывода экспертной системы в качестве механизма управления неопределенностью используется именно такая логика (либо семейство таких логик).

- норма представляет собой оператор конъюнкции, заданный на степенях неопределенности двух или более условий в одной и той же продукции, который удовлетворяет следующим свойствам:

T(0,0)=0

Т(р,I=Т(I,р)=р

T(p,q)=T(q,p)

T(p,q)<T(r,s), ecли p<r, q<s

T(p, (T(q,r)=T(T(p,q),r)

- конорма S(p,q) вычисляет степень неопределенности заключения, выведенного из двух или более правил. Это - оператор дизъюнкции, удовлетворяющий следующим свойствам:

S(I,I)=I

S(p,0)=T(0,p)=p

S(p,q)=S(q,p)

S(p,q)<S(r,s) если p<r, q<sS(p, (S(q,r))=S(S(p,q),r)

- норма и - конорма связаны между собой следующим образом:

(_P,q)=1-S(1-p,1-q)

С помощью - норм и - конорм при подборе соответствующего отрицания можно определить импликацию и построить правило вывода модус поненс, чего вполне достаточно для расчета степени неопределенности вывода в зависимости от степеней неопределенности посылок и самого правила.

Степень неопределенности может являться как числом из интервала [0,1], так и лингвистической переменной - функцией ƒ(x): [0,1] → [0,1]. В этом случае число значений нечеткой логики ограничивается числом термов лингвистической шкалы. В качестве функции ƒ(x) широко используются стандартные функции - нечеткие метки, трапецеидальные функции, S-функции. Обычно число термов колеблется от 5 до 9. Согласно экспериментальным исследованиям, существенно различные результаты при выводе на терм-множестве не более чем из 9 элементов дают пары (T_i,S_i) - логика Лукашевича,- вероятностная логика, (Т_З, S_З) - логика Заде.

После выполнения любой операции осуществляется лингвистическая аппроксимация результата элементами шкалы. Так как число входов любой бинарной операции конечно, то результат (после лингвистической операции) можно представить матрицей 9×9. Таким образом, каждой их трех логик будет соответствовать набор матриц и роль эксперта будет заключаться в выборе номера этого набора.

С помощью - норм и - конорм при подборе соответствующего отрицания можно определить импликацию и построить правило вывода модус поненс, чего вполне достаточно для расчета степени неопределенности вывода в зависимости от степеней неопределенности посылок и самого правила.

Нечеткие лингвистические значения представлены в системе в виде функций принадлежности, определенных на интервале [0,1], где 0 трактуется как ложь, а 1 как истина. В целях уменьшения числа вычислений, в качестве функций принадлежности используются так называемые трапецеидальные функции.

Операторы конъюнкции и дизъюнкции, примененные к этим функциям, выдадут в качестве результата новую функцию принадлежности, для которой должна быть найдена ближайшая к ней функция принадлежности из существующего набора. Эта операция называется аппроксимацией и необходима для обеспечения замкнутости терм-множества по всем логическим операциям. Ближайшая функция принадлежности ищется по евклидовой метрике в пространстве математических ожиданий (1-ое измерение) и площадей (2-ое измерение).

После получения результата логической операции - применения - нормы или - конормы или импликации ко всем попарно значениям из терм-множества по приведенным выше правилам и после аппроксимации получаются матрицы, в которых хранятся результаты операций и которые можно в дальнейшем использовать вместо перерасчета по формулам.

Второй способ управления неопределенностью состоит в использовании нечетких меток, изменяющих степень уверенности в факте.

Метки бывают двух типов:

I. "Размывающие" высказывание (увеличивающие степень неопределенности) - (0,а), а∈[0,1].

II. "Конкретизирующие" высказывание (уменьшающие степень неопределенности) - (а,1), а∈[0,1].

Все операции можно свести к арифметике над параметрами а и b нечеткой метки.

В системе в качестве терм-множества используется набор нечетких меток. Для уже известного терммножества можно заранее вычислить и запомнить в матрицах результаты этих операций. Посредством комбинирования этих операций происходит вычисление уверенности в факте, стоящем в правой части продукции.

Число полученных системой логик может зависеть от следующих факторов:

- размера матрицы, а следовательно и числа возможных значений ее элементов;

- дополнительных аксиом, которые существенно сужают множество порождаемых матриц.

Введем определение треугольной нормы для случая дискретного множества значений.

Пусть А - упорядоченное множество таких лингвистических значений = {A₁, А₂, …, A_N}, где A₁≤A_j, если i<j, что означает, что достоверность, выраженная A_i меньше, чем достоверность, выраженная A_j, что вполне согласуется с введенным выше отношением порядка на нечетких числах.

На можно определить следующие операции отрицания, дизъюнкции и конъюнкции, необходимые для построения нечеткой логики.

Оператор N является отрицанием, если он монотонно убывает, то есть N(A_i)≥N(A_j), если I≤j для i,j=1, …, n н N [N(A_i)]=A_i для i=1,n. Единственная функция, которая обладает этим свойством, это N(Ai)=A_n+1-i для i=1, …, n.

Конъюнкция и дизъюнкция связаны выражением

T(A_i,A_j)=N[S(NA_i), N(A_j)}] (*)

- норма представляет собой оператор конъюнкции, заданный на степенях неопределенности двух или более условий в одной и той же продукции, который удовлетворяет следующим свойствам:

ПОГЛОЩЕНИЕ Т(А_i, A_j)=A₁ для i=1, …, n

ДОМИНИРОВАНИЕ Т(А_n, А_i)=A_i, для i=1, …, n

СИММЕТРИЧНОСТЬ T(A_i,A_j)=T(A_j,A_i) для i=1, …, n, j=1 …, n (**),

МОНОТОННОСТЬ T(A_i,A_j)≥(A_i-1, A_j) для i=2, …, n, j=1, …, n

АССОЦИАТИВНОСТЬ T[T(A_i, A_j), А_k]=Т[А_i, T(A_j, A_k)] для I, j, k=1 …, n - конорма S(A_i, A_j) вычисляет степень неопределенности заключения, выведенного из двух или более правил. Его свойства вытекают из (*) и (**).

Но при больших n это число - норм достаточно велико. Чтобы еще больше уменьшить их число, вводятся две добавочные аксиомы

СТРОГОСТЬ T(A_j,A_i)≠А₁ для i, j≠1

α-ОДНОРОДНОСТЬ Если Т(Н_г, А-)=Ак, Т(А_г__ъ Аф=Ар (***) и T(Ai, Aj_i)=Aq, тогда к - а<р, q<к при а Е [1, гг].

Это означает, что не может быть скачка более чем на а делений шкалы между соседними позициями.

Кроме того, так как большинство таблиц отличается только в нескольких клетках, и такое различие несущественно, можно ввести разбиение на классы эквивалентности, например, используя метрику Хемминга. Тогда, при выполнении и n=9 при α=1 будет 34 матрицы и 3 класса, при α=2 будет 62 матрицы и 7 классов при, α=3 будет 65 матриц и 6 классов.

Подобный подход позволяет представить эксперту весь возможный набор нечетких логик, а он лишь выберет подходящий. Вторым возможным способом является заполнение экспертом лишь нескольких фиксированных позиций с заполнением оставшихся с учетом аксиом с последующей классификацией.

В случаях, когда порождаемых логик слишком много, можно задавать число кластеров, на которые будет разбиваться множество всех полученных логик.

Настраиваемая логика может выбираться в соответствии с качеством получаемого решения.

{l_t,| MX_l,t)=argextrC^(B)_t,l[φ^(l)_j,t(MX_l,t-1)(h_k,t-1; x_i,t-1; y_i,t-1; l_t-1)

где C^(B)_t,l - критерий выбора логики, φ^(l)_j,t∈Ф^(L)_J,T - алгоритм обработки метрологических характеристик, с целью выбора оптимальной логики, l_t-1 - логика, при которой было получено решение h_k,t-1.

Для использования этого механизма нужно перейти к реализации БИИ на спектре настраиваемых логик.

Поскольку настраиваемые логики являются основным элементом теории нечетких систем входящих в направление, получившее название мягкие вычисления, очевидно правомочно назвать данный новый тип измерений мягкими измерениями МИ (soft measurements SM), причем если критерий принятия решений сети, эволюционные вычисления, включающие эволюционные стратегии, эволюционные программы, генетические алгоритмы и генетическое программирование являются частными случаями уравнения МИ. При условии их реализации на принципах единства измерений с полным метрологическим обоснованием получаемых решений очевидно могут быть получены новые виды мягких измерений, таких как нечеткие, нейро-, эволюционные (генетические) измерения, при условии их реализации на принципах единства измерений с полным метрологическим обоснованием получаемых решений.

Направление мягких измерений является ветвью направления мягких вычислений, в которых информационные технологии компонентов мягких вычислений реализованы на принципах единства измерений с полным охватом их цепью метрологической поддержки решений. Тогда очевидно, что возможно создание отдельных ветвей мягких измерений в виде: нечетких измерительных систем

нейронных измерительных сетей (нейроизмерения)

эволюционных измерений

где h_k,t∈Н_K,T - решение из динамического множества решений на ШДО, φ_jt∈Ф_J,T - алгоритм обработки из множества алгоритмов обработки, х_i,t∈Х_I,T - информационный поток из динамического множества информационных потоков, y_i,t∈Y_I,T - набор условий измерений из динамического множества наборов условий измерений.

Классификация структур, реализующих мягкие вычисления, иллюстрирует различные сочетания компонентов этого направления. При этом получающиеся в результате комбинации компонентов системы называются гибридными. Очевидным недостатком таких систем являются невозможность интеграции числовой информации в процессе вычислений, отсутствие метрологического обоснования и возможности планирования стратегии реализации процессов получения решений с целью обеспечения их требуемого качества, и в ряде вариантов (нечеткие системы) отсутствие возможности саморазвития на основе самообучения. Структуры, реализующие уравнения нечетких измерительных систем, нейронных измерительных сетей и эволюционных измерений, очевидно будут свободны от указанных недостатков.

Композиция нескольких видов таких измерений будет давать гибридные типы мягких измерений. Построенные на такой методологической основе информационные системы можно назвать нечеткими измерительными системами, нейронными измерительными сетями, эволюционными измерительными системами и гибридными системами мягких измерений (при их композиции).

На наш взгляд объединение систем мягких вычислений с системами мягких измерений может производиться на нескольких уровнях интеграции, которые будут обеспечивать различную глубину взаимного проникновения методологий.

На макроуровне могут быть предложены гибридные структуры реализующие композицию средств мягких измерений и известных компонентов мягких вычислений. Так, например, известная структура нечеткого контроллера может быть модифицирована с применением методологии мягких измерений в различных вариантах: применение технологии мягких измерений при формировании входной матрицы, замене матрицы весов нейросети на гиперкуб, при извлечении множества управляющих решений. При этом возникают дополнительные возможности привлечения числовой информации, контроля качества процесса управления и оптимального его планирования.

На среднем уровне при интеграции методологий одна из них является управляющей по отношению к другой.

Но наиболее эффективным является интеграция методологий на микроуровне, когда объединение методологий происходит на уровне реализации элементарных действий этапов процесса получения решений. Примером такой интеграции является использование настраиваемых логик на уровне ШДО БИИ.

Очевидно, что такие ШДО можно назвать ШДО БМИ.

По мнению одного из ведущих специалистов в области искусственного интеллекта Д.А. Поспелова, основные направления развития интеллектуальных систем определяются следующими пятью глобальными идеями, к которым очевидно целесообразно добавить еще две: шестую - интеллектуальные измерений и седьмую - мягкие измерения.

1. Отказ от жестких схем рассуждении, опирающихся на дедуктивную процедуру. Вместо замкнутых формальных систем, моделирующих предметные области, о закономерностях которых априорно известно все, внимание исследователя будет направлено на изучение квазиаксиоматических систем, в которых часть аксиом является сменными, что обеспечивает возможность проведения немонотонных рассуждении и позволяет использовать правдоподобный вывод и правдоподобную аргументацию.

2. Широкое использование идеи прикладной семиотики для построения семантических баз знаний (СБЗ). Информационные единицы в СБЗ, в отличие от обычных баз знаний, являются знаками, то есть структурами, позволяющими три стороны любой сущности (имя, концепт, представление) отображать единым образом. Это дает возможность ликвидировать разрыв между левосторонними представлениями и механизмами рассуждении на основе символов и паттернов - гештальтов. Таким образом, механизмы прикладной семиотики позволяют сделать принципиальный шаг по пути приближения когнитивных структур в БЗ, к тем структурам, которым пользуется мышление человека.

3. Развитие средств когнитивной графики нового подхода не только к решению задач, но и к поиску постановки этих задач. Учитывая отсутствие каких-либо моделей в этой области, можно предположить, что теория когнитивных вычислении станет центральным моментом развития работ в области креативных процессов.

4. Продолжающееся развитие роботов ставит перед исследователями ряд проблем, связанных с логикой действий. Опыт, накопленный в этой области показывает, что логика действий выходит за рамки формальных систем в область семиотического моделирования и многоагентных систем. Развитие логики действий должно в конце концов привести к развитию математической теории динамических открытых систем.

5. Развитие мягких вычислений, то есть комплексное развитие и использование методов вычислений, основанных на нечеткой логике, нейровычислений, генетических вычислений и вероятностных вычислений, реализуемых в различных комбинациях в гибридных интеллектуальных системах.

6. Создание и развитие направления интеллектуальных измерений, как измерений, основанных на получении и использовании метрологически обоснованных знаний в процессе получения результата. При регуляризирующем байесовском подходе такие измерения представляют собой ветвь интеллектуальных измерений, называемых байесовскими (БИИ). Результаты БИИ представляют собой тип нечетких результатов измерений, полученных на сопряженных числовых и лингвистических шкалах специальной структуры, получившие название шкал с динамическими ограничениями (ШДО). Такие типы измерений ориентированы на сложные информационные ситуации со значительной априорной неопределенностью знаний об объекте измерений, среде его функционирования и средстве измерений, использование разнотипной информации, полное и непрерывное метрологическое обоснование результатов, соблюдение принципов единства измерений, саморазвитие измерительных шкал и технологий.

7. Создание и развитие направления мягких измерений - то есть нечетких измерений, нейроизмерений, эволюционных (генетических) измерений и вероятностных измерений, реализуемых в различных комбинациях в интеллектуальных измерительных системах на основе мягких измерений, или, короче, в системах мягких измерений направление мягкие измерения, в целом совпадает со структурой проблемной области для мягких вычислений.

Выбор наиболее подходящего метода приближенных рассуждений для рассматриваемой задачи, не говоря уже об оптимальной структуре интеллектуальной системы, остается достаточно трудной проблемой. Можно сравнивать методы рассуждений, используя какие либо прагматические соображения, например, эффективность, или просто экспериментальным путем, однако до сих пор практически не существовало единого формализма для представления информации, в рамках которого эти методы можно был бы объективно сравнить. Отсутствие подобного формализма для представления методов приближенных рассуждении и систем, на нем основанных, в рамках направления мягких вычислений делает особенного актуальным создание единого интегрированного подхода к обработке информации для представления нечетких, вероятностных методов и методов, основанных на функции доверия. Подобный подход естественным образом укладывается в концепцию "мягких" измерений. Примером такого единого интегрированного подхода является методология БИИ и, в частности, методология мягких измерений. Создание систем поддержки принятия решении на основе данного формализма позволит пользователю наиболее адекватно представить свои знания о проблеме, предварительно разбив ее на сравнительно небольшие фрагменты, и выбрать для каждого из них свои формализм, исходя из ограничении на использование в рамках данного фрагмента знаний тех или иных методов мягких вычислении. Одной из основных проблем в создании технологии мягких измерении является развитие теории, унифицирующей вероятностный, возможностный и нечеткий подходы к решению задач классификации сложных статистических объектов. Разработанные методы анализа инвариантных нечетких мер дают возможность эффективно восстанавливать нечеткие меры событий в сигма-алгебрах при малом числе статистических наблюдений. Предложенный вариационный подход к построению оптимальных мер близости метризованных отношений позволяет находить меры близости с априорно заданными свойствами, в частности, сглаживающие ошибки экспертных данных, что важно при создании интеллектуальных систем. В системах мягких измерений может быть также использована нечетко-значная вероятностная логика.

Недосекин Д.Д., Прокопчина С.В., Чернявский Е.А. Информационные технологии интеллектуализации измерительных процессов. СПб.: Энергоатомиздат, 1995, 185 с.

Прокопчина С.В., Койнаш Б.В. Регуляризирующий байесовский подход в задачах классификации объектов по изображениям. - Препринт АН СССР, ИЛА, Л., 1991, 61 с.

Прокопчина С.В. Разработка методов и средств байесовской интеллектуализации измерений в задачах мониторинга сложных объектов. - Автореферат, СПб.: ТЭТУ, 1995,33 с.

Осуществление изобретения.

На основании вышеприведенного анализа из множества строительных конструкций K выделяется подмножество Е, элементы которого подлежат контролю системой мониторинга (множество контролируемых элементов).

Для каждого элемента e_i из множества Е определяют один или несколько параметров p_i изменения значений которых позволят судить об изменении деформационного состояния строительного элемента. Данный массив параметров образует множество Р (множество контролируемых параметров).

Множество контролируемых параметров Р может быть получено путем проведения различных измерений, при этом один и тот же параметр p_i может быть определен различными способами на основе данных различного измерительного оборудования. Например, контролируемый параметр, характеризующий крен фундаментной плиты, может быть получен как с использованием наклономеров, установленных на фундаментной плите и измеряющих углы наклона в точке установки, так и на основании показаний геодезического оборудования (тахеометры, нивелиры), измеряющего перемещения заданных точек, по которым можно вычислить крен фундаментной плиты.

Состав измерительного оборудования для получения множества Р определяют индивидуально для каждого объекта в зависимости от таких факторов как необходимая точность измерения параметра р_i, возможность и удобство расположения на объекте соответствующего оборудования, стоимость оборудования и т.п.

В качестве измерительного оборудования, может использоваться любое сочетание различных типов датчиков, образующих множество S, таких как вибродатчики, датчики измерений ускорений колебаний объекта, датчики измерений скоростей колебаний объекта, датчики измерений амплитуд колебаний объекта, датчики измерений наклонов, датчики измерений прогибов, датчики измерений напряжений, датчики измерений нагрузок, датчики измерений давлений, датчики измерений деформаций, датчики измерения абсолютной и/или неравномерной осадки, датчики контроля трещин, стыков и швов, датчики измерения геодезических параметров, датчики измерения климатических параметров. Конкретный состав используемых датчиков выбирается исходя из соображений как экономического характера, так и из соображений удобства монтажа датчика и его обслуживания при эксплуатации.

На основе показаний измерительного оборудования, составляющего множество S, формируется множество V из физических параметров, характеризующих состояние контролируемых объектов.

Имея множество контролируемых элементов Е, состояние которых характеризуется множеством параметров Р, которые в свою очередь определяются на основании измеряемых величин, образующих множество V, необходимо получить оценку технического состояния строительных конструкций и/или объекта в целом. Оценка параметров Р производится с использованием метода буайесовых мягких измерений, что позволяет разрешить проблемы связанные с неопределенностью как объекта мониторинга, так и внешней среды, во многом эти параметры определяющей.

Отображение информации может осуществяться на мониторе компьютера. При этом контролируемые элементы (элементы конструкции) могут отображаться в любом удобном для восприятия оператора виде, в частности, в виде элементов трехмерной модели здания, сооружения.

Из приведенного списка источников, использованных при составлении описания заявленного изобретения, следует известность средств, на основе которых строится заявленное устройство и осуществляется заявленный, что свидетельствует о соответствии заявленного изобретения условию патентоспособности «промышленная применимость».

Список использованных источников

1. Патент РФ №66525 на полезную модель «Система мониторинга технического состояния зданий и сооружений», МПК G01M 7/00, публ. 10.09.2007.

2. Патент РФ №82048 на полезную модель «Структурированная система мониторинга и управления инженерными системами зданий и сооружений - СМИС», МПК G05 В 17/02, публ. 10.04.2009.

3. Патент РФ №77429 на полезную модель «Устройство для динамических исследований сейсмостойкости здани и сооружений», МПК G01M 7/00, публ. 20.10.2008.

4. Патент РФ №108602 на полезную модель «Система контроля технического состояния строительных сооружений», МПК G01В 21/22, публ. 20.09.2011.

5. Патент РФ №123949 на полезную модель «Система мониторинга изменения состояния несущих конструкций зданий и сооружений», МПК G01M 7/00, публ. 10.01.2013.

6. Патент РФ №148119 на полезную модель «Прибор мониторинга трещин и стыков здания», МПК Е04G 23/00, публ. 15.07.2014.

7. Патент РФ №149873 на полезную модель «Устройство для определения статических и динамических параметров несущих конструкций зданий и сооружений», МПК G01M 7/00, публ. 20.01.2015.

8. Патент РФ №2245531 на изобретение «Способ определения устойчивости зданий и сооружений и система для определения устойчивости зданий и сооружений», МПК G01M 7/00, публ. от 27.01.2005 г.

9. Патент РФ №2284518 на изобретение «Способ диагностирования начала процесса разрушения в элементах конструкции объекта», МПК G01N 29/04, публ.25.09.2006.

10. Патент РФ №2327105 на изобретение «Способ контроля состояния конструкции здания или инженерно-стротельного сооружения и устройство для его осуществления», МПК G01B 7/16, G01M 7/00, публ. от 20.06.2008 г.

11. Патент РФ №2357205, на изобретение «Система для определения деформаций строительных конструкций», МПК G01B 11/16, публ. от 27.05.2009 г.

12. Патент РФ №2378457 на изобретение «Способ мониторинга здания, находящегося под действием возмущений от смещения его фундамента", МПК Е02D 33/00, публ. от 10.01.2010 г.

13. Патент РФ №2381470 на изобретение «Способ мониторинга и прогнозирования технического состояния зданий и сооружений и система мониторинга и прогнозирования технического состояния зданий и сооружений», МПК G01M 7/00, публ. 10.02.2009.

14. Патент РФ №2395786 на изобретение «Способ диагностирования конструкции», МПК G01B 7/16, публ. 27.07.2010.

15. Патент РФ №2413193 на изобретение «Способ мониторинга безопасности несущих конструкций, конструктивных элементов зданий и сооружений и система для его осуществления», МПК G01М 7/00, публ. 27.02.2011.

16. Патент РФ №2448225 на изобретение «Система мониторинга состояния трещин и стыков зданий и сооружений", МПК Е04G 23/00, публ. 20.04.2012.

17. Патент РФ №2460980 на изобретение «Способ мониторинга технического состояния объектов», МПК G01M 7/00, публ. 10.09.2012.

18. Патент РФ №2460981 на изобретение «Способ мониторинга и прогнозирования технического состояния объектов», МПК G01M 7/00, публ. 10.09.2012.

19. Патент РФ №2461847 на изобретение «Способ непрерывного мониторинга физического состояния зданий или сооружений и устройство для его осуществления», МПК G01V 1/28, G01V 7/02, публ. 20.09.2012.

20. Патент РФ №2472129 на изобретение «Система мониторинга безопасной эксплуатации зданий и инженерно- строительных сооружений», МПК G01M 7/00, публ. 10.01.2013.

21. Патент РФ №2482445 на изобретение «Устройство контроля состояния конструкции здания или инженерно-строительного сооружения», МПК G01B 7/16, G01M 5/00, публ. 20.05.2013.

22. Патент РФ №2557343 на изобретение, МПК G01М 7/00, публ. от 20.07.2015 г.

23. Патент РФ №2557343 на изобретение «Способ определения признаков и локализации места изменения напряженно-деформированного состояния зданий, сооружений», МПК G01M 7/00, публ. от 20.07.2015 г.

24. Патент РФ №2411574 на изобретение «Интеллектуальная система для высокопроизводительной обработки данных», МПК G06F 15/16 публ. от 10.02.2011.

25. Прокопчина С.В. Разработка методов и средств байесовской интеллектуализации измерений в задачах мониторинга сложных объектов. Автореферат СПб: ТЭТУ. 1995.

26. Недосекин Д.Д., Прокопчина С.В., Чернявский Е.А. Информационные технологии интеллектуализации измерительных процессов. СПб.. Энергоатомиздат, 1995.

27. Прокопчина С.В., Койнаш Б.В. Регуляризирующий байесовский подход в задачах классификации объектов по изображениям. - Препринт АН СССР, ИЛА, Л., 1991.

Изобретение относится к области автоматизированных систем мониторинга технического состояния зданий и сооружений и может быть использовано при проектировании и эксплуатации зданий и сооружений. Способ включает выбор контролируемых элементов (конструкций) строительного объекта, по состоянию которых судят о состоянии строительного объекта, регистрацию значений измеренных параметров, характеризующих состояние выбранных контролируемых элементов, вычисление текущих значений контролируемых параметров по результатам измерений и их обработки методом мягких измерений. Затем производится определение состояний контролируемых параметров по результатам сравнения вычисленных значений с пороговыми значениями контролируемых параметров, идентификация состояния контролируемых элементов и/или строительного объекта в целом на основании выбора худшего состояния соответствующих контролируемых параметров, отображение в наглядной форме мониторинговой информации и результатов оценки отдельных контролируемых элементов и/или строительного объекта в целом. Технический результат заключается в повышении достоверности определения конструкций, находящихся в аварийном или предаварийном состоянии, повышении точности определения состояния контролируемых конструкций и объекта в целом за счет исключения систематической ошибки измерительных приборов и возможности взаимоувязанного анализа измерений с различных приборов, повышении быстродействия за счет уменьшения массива обрабатываемой информации.

Способ мониторинга технического состояния строительных объектов, включающий выбор контролируемых элементов (конструкций) строительного объекта, по состоянию которых судят о состоянии строительного объекта, регистрацию значений измеренных параметров, характеризующих состояние выбранных контролируемых элементов, вычисление текущих значений контролируемых параметров по результатам измерений и их обработки методом мягких вычислений, определение состояний контролируемых параметров по результатам сравнения вычисленных значений с пороговыми значениями контролируемых параметров, идентификацию состояния контролируемых элементов и/или строительного объекта в целом на основании выбора худшего состояния соответствующих контролируемых параметров, отображение в наглядной форме мониторинговой информации и результатов оценки отдельных контролируемых элементов и/или строительного объекта в целом.