本发明涉及一种监测预警系统，特别涉及一种基于人工智能算法的古建筑内部结构智能监测与预警系统及方法，属于古建筑结构监测预警。
背景技术：
1、古建筑是指具有历史意义的民用建筑和公共建筑，它们不仅承载了丰富的历史和文化信息，还是中国传统文化的重要组成部分。这些建筑代表了当时社会的建筑技术和审美水平，不仅具有文化价值，还蕴含着丰富的历史信息，通过研究和保护古建筑，可以更好地理解和传承中国传统文化。随着城市化进程的加快和人们对传统文化的重视，古建筑的保护和修复工作显得尤为重要，需要通过先进的科学技术来有效保护古建筑，同时明确古建筑修复的特殊性，保持其原状和历史特点，避免二次破坏。此外，古建筑作为有限资源，其市场价值也在不断提升，随着旅游业的发展，古建筑市场逐渐兴起，成为传承文化、促进经济发展的重要力量。
2、古建筑由于年代久远，其结构会不可避免地受到自身老化、环境因素和人为因素的多重影响，导致建筑主体遭受不同程度的损害，若不能及时发现古建筑的结构变化，会导致安全隐患无法及时发现，损害预防不到位，维修与保护不及时，管理效率低下，缺乏科学依据来制定保护和修复方案，错失保护时机，甚至可能威胁到公众安全，为此，提出一种基于人工智能算法的古建筑内部结构智能监测与预警系统及方法。
技术实现思路
1、有鉴于此，本发明提供一种基于人工智能算法的古建筑内部结构智能监测与预警系统及方法，以解决或缓解现有技术中存在的技术问题，至少提供一种有益的选择。
2、本发明实施例的技术方案是这样实现的：一种基于人工智能算法的古建筑内部结构智能监测与预警系统，包括监测模块，所述监测模块包括振动传感器、位移传感器、倾斜传感器、沉降传感器和环境监测仪，所述振动传感器、位移传感器、倾斜传感器、沉降传感器和环境监测仪的信号输出端与通信模块的信号输入端信号连接，所述通信模块的信号输出端与处理模块的信号输入端信号连接，所述处理模块的信号输出端与显示模块的信号输入端信号连接，所述处理模块的信号输出端与报警模块的信号输入端信号连接。
3、进一步优选的：所述监测模块安装于古建筑的承重墙、支撑柱或支撑梁上。
4、进一步优选的：所述振动传感器用于测量古建筑的振动强度，所述位移传感器用于测量古建筑结构在长时间内的位移变化，所述倾斜传感器用于测量古建筑结构的倾斜角度，所述沉降传感器用于测量古建筑地基的沉降情况，所述环境监测仪用于测量环境温度、湿度、风向和风力。
5、进一步优选的：所述通信模块为路由器或交换机，所述监测模块通过nb-iot网络与通信模块信号连接。
6、进一步优选的：所述处理模块用于处理监测模块传输的各项数据以及古建筑历史信息，所述古建筑历史信息包括结构信息、维修记录、材料特性和损伤情况，将古建筑历史信息划分为训练集、验证集和测试集，训练集用于训练神经网络模型，验证集用于调整模型参数，防止过拟合，测试集用于评估模型的性能。
7、进一步优选的：选择bp神经网络模型作为数据分析模型，所述bp神经网络模型包括输入层、隐藏层和输出层，输入层神经元数量与输入特征的数量相同，输出层神经元数量与预测的结构健康状况指标数量相同，在隐藏层中使用非线性激活函数sigmoid学习非线性关系。
8、进一步优选的：所述显示模块用于将预测结果通过3d模型或热力图的形式展示出来。
9、进一步优选的：所述报警模块连接用户移动终端，通过邮件、短信或推送的方式对管理人员进行预警。
10、另外，本发明还提供了一种基于人工智能算法的古建筑内部结构智能监测与预警方法，包括以下步骤：
11、步骤一、将古建筑历史信息发送至处理模块，处理模块建立bp神经网络模型；
12、步骤二、通过迭代训练数据集，最小化损失函数进行模型训练，训练完成后，使用测试集评估神经网络的性能。
13、步骤三、将训练好的bp神经网络模型应用于新的古建筑数据，通过监测模块收集数据，并将数据发送至处理模块，处理模块根据实时数据预测其结构健康状况。
14、进一步优选的：在步骤二中，最小化损失函数具体步骤包括：
15、初始化神经网络的权重和偏置；
16、从训练集中随机选择一个样本，使用选定的样本和当前的模型参数，计算损失函数关于模型参数的梯度；
17、根据计算得到的梯度，使用学习率调整模型参数，更新后的参数值＝原始参数值-学习率*梯度；
18、重复参数迭代过程，直至损失函数的变化小于设定阈值。
19、本发明实施例由于采用以上技术方案，其具有以下优点：
20、一、本发明通过监测模块对古建筑的振动强度、位移、倾斜角度、沉降和外部环境进行监测，能够及时全天候、全方位地监测古建筑的状态，发现异常情况后及时通知管理人员，使管理人员能够快速响应并采取措施，有效避免文物的进一步受损。
21、二、本发明通过处理模块处理监测数据，可以对文物的健康程度进行评估，并根据评估结果制定合理的维护和修缮规划，更好地延长古建筑的寿命，保护文化遗产。
22、上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。
1.一种基于人工智能算法的古建筑内部结构智能监测与预警系统，包括监测模块，其特征在于：所述监测模块包括振动传感器、位移传感器、倾斜传感器、沉降传感器和环境监测仪，所述振动传感器、位移传感器、倾斜传感器、沉降传感器和环境监测仪的信号输出端与通信模块的信号输入端信号连接，所述通信模块的信号输出端与处理模块的信号输入端信号连接，所述处理模块的信号输出端与显示模块的信号输入端信号连接，所述处理模块的信号输出端与报警模块的信号输入端信号连接。
2.根据权利要求1所述的一种基于人工智能算法的古建筑内部结构智能监测与预警系统，其特征在于：所述监测模块安装于古建筑的承重墙、支撑柱或支撑梁上。
3.根据权利要求1所述的一种基于人工智能算法的古建筑内部结构智能监测与预警系统，其特征在于：所述振动传感器用于测量古建筑的振动强度，所述位移传感器用于测量古建筑结构在长时间内的位移变化，所述倾斜传感器用于测量古建筑结构的倾斜角度，所述沉降传感器用于测量古建筑地基的沉降情况，所述环境监测仪用于测量环境温度、湿度、风向和风力。
4.根据权利要求1所述的一种基于人工智能算法的古建筑内部结构智能监测与预警系统，其特征在于：所述通信模块为路由器或交换机，所述监测模块通过nb-iot网络与通信模块信号连接。
5.根据权利要求1所述的一种基于人工智能算法的古建筑内部结构智能监测与预警系统，其特征在于：所述处理模块用于处理监测模块传输的各项数据以及古建筑历史信息，所述古建筑历史信息包括结构信息、维修记录、材料特性和损伤情况，将古建筑历史信息划分为训练集、验证集和测试集，训练集用于训练神经网络模型，验证集用于调整模型参数，防止过拟合，测试集用于评估模型的性能。
6.根据权利要求1所述的一种基于人工智能算法的古建筑内部结构智能监测与预警系统，其特征在于：选择bp神经网络模型作为数据分析模型，所述bp神经网络模型包括输入层、隐藏层和输出层，输入层神经元数量与输入特征的数量相同，输出层神经元数量与预测的结构健康状况指标数量相同，在隐藏层中使用非线性激活函数sigmoid学习非线性关系。
7.根据权利要求1所述的一种基于人工智能算法的古建筑内部结构智能监测与预警系统，其特征在于：所述显示模块用于将预测结果通过3d模型或热力图的形式展示出来。
8.根据权利要求1所述的一种基于人工智能算法的古建筑内部结构智能监测与预警系统，其特征在于：所述报警模块连接用户移动终端，通过邮件、短信或推送的方式对管理人员进行预警。
9.一种基于人工智能算法的古建筑内部结构智能监测与预警方法，应用于如权利要求1-8任一项所述的基于人工智能算法的古建筑内部结构智能监测与预警系统，其特征在于，包括以下步骤：
10.根据权利要求9所述的一种基于人工智能算法的古建筑内部结构智能监测与预警方法，其特征在于：在步骤二中，最小化损失函数具体步骤包括：
