基于人工智能和多传感器的监测装置

基于人工智能和多传感器的监测装置

技术领域

本发明涉及高支模状态检测技术领域，具体而言，涉及基于人工智能和多传感器的监测装置。

背景技术

高支模是一种常见的建筑设备，如果支模系统发生坍塌，会造成在上面作业人员的群死群伤，酿成较大、甚至重大的施工安全事故。因此，对于高支模工作状态的监测具有重大意义。现有的相关装置不能够全面地监测高支模的参数，监测效果不好。

发明内容

本发明的目的在于提供一种基于人工智能和多传感器的监测装置，其能够对待监测设备进行实时监测，提前预报可能的灾害，进而减轻事故的危害。

本发明提供一种关于基于人工智能和多传感器的监测装置的技术方案：

一种基于人工智能和多传感器的监测装置，用于监测高支模的安全状态，其特征在于，所述基于人工智能和多传感器的监测装置包括传感器组、高速运算通讯组件和AI超算处理平台，所述传感器组通过所述高速运算通讯组件与所述AI超算处理平台通信连接；

所述传感器组用于设置于所述高支模上，且所述传感器组用于检测所述高支模的参数信息；

所述高速运算通讯组件用于将所述参数信息初步处理后传输至所述AI超算处理平台；

所述AI超算处理平台用于根据所述参数信息得到所述高支模的状态参数，所述AI超算处理平台还用于将所述状态参数与预设数据进行对比，所述AI超算处理平台还用于根据所述状态参数和所述预设数据绘制显示图形并用于显示所述显示图形，并根据最终的图形与数据，分级报警；

所述AI超算处理平台预先存储预警模式包括如下步骤：

由AI超算处理平台记录并训练数据模型，包括高支模判定参数、危险系数参数，以及相关高支模作业事故的事故报告，分析事故报告和相关事故报告中的事故原因，对数据模型进行深度模型训练；

结合传感器组所采集的数据，对每个传感器所采集的数据进行实时监控，对可能存在的安全隐患进行预警和报告；

在作出了安全隐患判定之后，对存在安全隐患的点进行停工整改处理，并分级汇报，检测其他施工点，全面消除安全事故隐患。

可选地，所述传感器组包括第一传感器、第二传感器和第三传感器，所述第一传感器、所述第二传感器和所述第三传感器为不同的传感器，且所述第一传感器、所述第二传感器和所述第三传感器均与所述高速运算通讯组件通信连接并均设置于所述高支模；

所述第一传感器用于获取所述高支模的第一信息并通过所述高速运算通讯组件将所述第一信息传输至所述AI超算处理平台；

所述第二传感器用于获取所述高支模的第二信息并通过所述高速运算通讯组件将所述第二信息传输至所述AI超算处理平台；

所述第三传感器用于获取所述高支模的第三信息并通过所述高速运算通讯组件将所述第三信息传输至所述AI超算处理平台；

所述AI超算处理平台还用于根据所述第一信息、所述第二信息和所述第三信息得到所述状态参数，所述AI超算处理平台还用于根据所述第一信息、所述第二信息和所述第三信息绘制所述显示图形。

可选地，所述第一传感器为位移传感器，所述位移传感器设置于所述高支模并用于检测所述高支模的位移变化，且所述第一信息用于表征所述高支模的位移变化，所述位移传感器与所述高速运算通讯组件通信连接。

可选地，所述第二传感器为称重传感器或压力传感器，所述称重传感器或所述压力传感器设置于所述高支模并用于检测所述高支模的承重信息，且所述第二信息用于表征是高支模的承重信息，所述称重传感器或所述压力传感器与所述高速运算通讯组件通信连接。

可选地，所述第三传感器为倾角传感器，所述倾角传感器设置于所述高支模上并用于检测所述高支模的倾斜角度，且所述第三信息用于表征所述高支模的倾斜角度，所述倾角传感器与所述高速运算通讯组件通信连接。

可选地，所述第一传感器包括传感器本体和设置于所述传感器本体上的安装件，所述传感器本体通过所述安装件与所述高支模连接。

可选地，所述安装件包括第一安装部和第二安装部，所述第一安装部设置于所述传感器本体上，所述第二安装部与所述第一安装部转动连接并用于与所述第一安装部围成夹持空间，所述夹持空间用于将所述传感器本体固定于所述高支模上。

可选地，所述第一安装部和所述第二安装部均为弧形，且所述第一安装部与所述传感器本体可拆卸地连接。

可选地，所述高速运算通讯组件为ZigBee通信、433通信或串口通信。

一种基于人工智能和多传感器的监测装置，用于监测高支模的安全状态，所述基于人工智能和多传感器的监测装置包括传感器组、高速运算通讯组件和AI超算处理平台，所述传感器组通过所述高速运算通讯组件与所述AI超算处理平台通信连接；

所述传感器组包括均设置于所述高支模上的位移传感器、压力传感器和倾角传感器，所述位移传感器用于检测所述高支模的位移信息，所述压力传感器用于检测所述高支模的承重信息，所述倾角传感器用于检测所述高支模的倾角信息；

所述高速运算通讯组件用于将所述位移信息、所述承重信息和所述倾角信息传输至所述AI超算处理平台；

所述AI超算处理平台用于根据所述位移信息、所述承重信息和所述倾角信息得到所述高支模的状态参数，所述AI超算处理平台还用于将所述状态参数与预设数据进行对比，所述AI超算处理平台还用于根据所述状态参数和所述预设数据绘制显示图形并用于显示所述显示图形，并根据最终的图形与数据，分级报警。

所述的AI超算处理平台采用深度学习模型，对预先构建的初始深度学习模型进行训练，得到中间深度学习模型；其中，所述初始深度学习模型为：加载有分类目标函数的深度学习模型；

利用所述中间深度学习模型，计算所述训练样本集中各个样本的特征向量，并根据所述训练样本集中各个样本的特征向量，计算中心点距离目标函数的中间参数的初始值；

将中心点距离目标函数添加到中间深度学习模型中并加载所述中间参数的初始值，得到目标深度学习模型；

导入训练样本集中的预设数量个样本作为批次数据；

利用当前目标深度学习模型，计算当前批次数据中各个样本的特征向量，并根据当前批次数据中各个样本的特征向量，更新中间参数的参数值；

基于当前批次数据中各个样本的特征向量，计算所述中心点距离目标函数的函数值和分类目标函数的函数值，并判断计算得到的中心点距离目标函数的函数值是否收敛到第一预定区间，且计算得到的分类目标函数的函数值是否收敛到第二预定区间；

如果否，利用中心点距离目标函数的反向传播梯度和所述分类目标函数的反向传播梯度，调整当前目标深度学习模型的参数，并返回执行所述导入训练样本集中的预设数量个样本作为批次数据的步骤；

如果是，结束对当前目标深度学习模型的训练

相比现有技术，本发明提供的基于人工智能和多传感器的监测装置的有益效果是：

传感器组用于检测高支模的参数信息，该参数信息能够反映高支模的工作状态。高速运算通讯组件用于将传感器组和AI超算处理平台通信连接，以将通过传感器组检测到的高支模参数信息传输至AI超算处理平台。AI超算处理平台在接收到高支模的参数信息后，对该参数信息进行分析得到状态参数。状态参数可以是参数信息建模得到，也可以为参数信息本身。此处，通过将参数信息与预设数据进行对比，并将状态参数和预设数据图形化地显示，以直观地展现状态参数与预设数据之间的差异。本发明实施例提供的基于人工智能和多传感器的监测装置能够对待监测设备进行实时监测，提前预报可能的灾害，进而减轻事故的危害。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定。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相关的附图。

图1为本发明的实施例提供的基于人工智能和多传感器的监测装置的结构框图；

图2为本发明的实施例提供的传感器组的结构框图；

图3为本发明的实施例提供的第一传感器的结构示意图；

图4为本发明的实施例提供的安装件的结构示意图。

图标：10-基于人工智能和多传感器的监测装置；100-传感器组；110-第一传感器；112-传感器本体；114-安装件；1141-第一安装部；1142-第二安装部；1143-螺栓；120-第二传感器；130-第三传感器；200-高速运算通讯组件；300-AI超算处理平台。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，需要理解的是，术语“上”、“下”、“内”、“外”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，“设置”、“连接”等术语应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接连接，也可以通过中间媒介间接连接，可以是两个元件内部的连通。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在本发明中的具体含义。

下面结合附图，对本发明的具体实施方式进行详细说明。

第一实施例

请结合参阅图1至图4，本实施例提供了一种基于人工智能和多传感器的监测装置10，其能够对待监测设备进行实时监测，提前预报可能的灾害，进而减轻事故的危害。

需要说明的是，本实施例提供的基于人工智能和多传感器的监测装置10可以用于监测高支模的安全状态。高支模是指支模高度大于或等于8m时的支模作业。一方面，高支模施工作业，比较容易发生高处坠落事故，造成人员的伤亡，更为严重的是在施工过程中，如果支模系统发生坍塌，会造成在上面作业人员的群死群伤，酿成较大、甚至重大的施工安全事故。因此，高支模的安全监控具有重大的安全意义和价值。现有的高支模相关的安全监控方法不能准确地监测高支模的安全状态，可能会造成经济和人员的重大损失。而采用本实施例提供的基于人工智能和多传感器的监测装置10能够有效地监控高支模的安全状态，及时预报可能发生的灾害，有利于生命财产安全。

请参阅图1，本实施例提供的基于人工智能和多传感器的监测装置10包括传感器组100、高速运算通讯组件200和AI超算处理平台300，传感器组100通过高速运算通讯组件200与AI超算处理平台300通信连接；传感器组100用于设置于高支模上，且传感器组100用于检测高支模的参数信息；高速运算通讯组件200用于将参数信息初步处理后传输至AI超算处理平台300；AI超算处理平台300用于根据参数信息得到高支模的状态参数，AI超算处理平台300还用于将状态参数与预设数据进行对比，AI超算处理平台300还用于根据状态参数和预设数据绘制显示图形并用于显示显示图形，并根据最终的图形与数据，分级报警。

可以理解的是，传感器组100用于检测高支模的参数信息，该参数信息能够反映高支模的工作状态。高速运算通讯组件200用于将传感器组100和AI超算处理平台300通信连接，以将通过传感器组100检测到的高支模参数信息初步处理后传输至AI超算处理平台300。AI超算处理平台300在接收到高支模的参数信息后，对该参数信息进行分析得到状态参数。状态参数可以是参数信息建模得到，也可以为参数信息本身。此处，通过将参数信息与预设数据进行对比，并将状态参数和预设数据图形化地显示，以直观地展现状态参数与预设数据之间的差异。本实施例提供的基于人工智能和多传感器的监测装置10能够对待监测设备进行实时监测，提前预报可能的灾害，进而减轻事故的危害。

需要说明的是，状态参数可以是参数信息建模得到，也可以为参数信息本身。比如将参数信息作为数学模型的输入参数，将状态参数作为该数学模型的输出结果。当然，也可以直接将参数信息作为状态参数。

同时，也需要说明的是，可选地，在将状态参数和预设数据通过图形化地显示时，横坐标可以为时间信息，纵坐标可以为状态参数或预设参数的值。此外，状态参数和预设参数也可以采用不同的标记形式或者不同的线型或颜色，以示区别。

请参阅图2，可选地，传感器组100包括第一传感器110、第二传感器120和第三传感器130，第一传感器110、第二传感器120和第三传感器130为不同的传感器，且第一传感器110、第二传感器120和第三传感器130均与高速运算通讯组件200通信连接并均设置于高支模；第一传感器110用于获取高支模的第一信息并通过高速运算通讯组件200将第一信息传输至AI超算处理平台300；第二传感器120用于获取高支模的第二信息并通过高速运算通讯组件200将第二信息传输至AI超算处理平台300；第三传感器130用于获取高支模的第三信息并通过高速运算通讯组件200将第三信息传输至AI超算处理平台300；AI超算处理平台300还用于根据第一信息、第二信息和第三信息得到状态参数，AI超算处理平台300还用于根据第一信息、第二信息和第三信息绘制显示图形。

需要说明的是，上述第一传感器110、第二传感器120和第三传感器130为不同的传感器，也就是说，上述第一信息、第二信息和第三信息分别从不同维度表征高支模的工作状态以便从不同维度监测高支模的工作状态，做到更好的监测效果。

进一步地，在本实施例中，第一传感器110为位移传感器，位移传感器设置于高支模并用于检测高支模的位移变化，且第一信息用于表征高支模的位移变化，位移传感器与高速运算通讯组件200通信连接。

进一步地，在本实施例中，第二传感器120为称重传感器或压力传感器，称重传感器或压力传感器设置于高支模并用于检测高支模的承重信息，且第二信息用于表征是高支模的承重信息，称重传感器或压力传感器与高速运算通讯组件200通信连接。

进一步地，在本实施例中，第三传感器130为倾角传感器，倾角传感器设置于高支模上并用于检测高支模的倾斜角度，且第三信息用于表征高支模的倾斜角度，倾角传感器与高速运算通讯组件200通信连接。

请参阅图3，可选地，第一传感器110包括传感器本体112和设置于传感器本体112上的安装件114，传感器本体112通过安装件114与高支模连接。

请参阅图4，可选地，安装件114包括第一安装部1141和第二安装部1142，第一安装部1141设置于传感器本体112上，第二安装部1142与第一安装部1141转动连接并用于与第一安装部1141围成夹持空间，夹持空间用于将传感器本体112固定于高支模上。

可选地，第一安装部1141和第二安装部1142均为弧形，且第一安装部1141与传感器本体112可拆卸地连接。

此外，在本实施例中，第一安装部1141和第二安装部1142通过螺栓1143固定连接，以将高支模固定于夹持空间内。

需要说明的是，第二传感器120和第三传感器130也可以采用与第一传感器110类似的结构进行设置。

可选地，高速运算通讯组件200可以为ZigBee通信、433通信或串口通信等通信模块。

本实施例还提供另一种基于人工智能和多传感器的监测装置10，用于监测高支模的安全状态，基于人工智能和多传感器的监测装置10包括传感器组100、高速运算通讯组件200和AI超算处理平台300，传感器组100通过高速运算通讯组件200与AI超算处理平台300通信连接；传感器组100包括均设置于高支模上的位移传感器、压力传感器和倾角传感器，位移传感器用于检测高支模的位移信息，压力传感器用于检测高支模的承重信息，倾角传感器用于检测高支模的倾角信息；高速运算通讯组件200用于将位移信息、承重信息和倾角信息传输至AI超算处理平台300；AI超算处理平台300用于根据位移信息、承重信息和倾角信息得到高支模的状态参数，AI超算处理平台300还用于将状态参数与预设数据进行对比，AI超算处理平台300还用于根据状态参数和预设数据绘制显示图形并用于显示显示图形。

本实施例提供的基于人工智能和多传感器的监测装置10的有益效果：传感器组100用于检测高支模的参数信息，该参数信息能够反映高支模的工作状态。高速运算通讯组件200用于将传感器组100和AI超算处理平台300通信连接，以将通过传感器组100检测到的高支模参数信息传输至AI超算处理平台300。AI超算处理平台300在接收到高支模的参数信息后，对该参数信息进行分析得到状态参数。状态参数可以是参数信息建模得到，也可以为参数信息本身。此处，通过将参数信息与预设数据进行对比，并将状态参数和预设数据图形化地显示，以直观地展现状态参数与预设数据之间的差异。本实施例提供的基于人工智能和多传感器的监测装置10能够对待监测设备进行实时监测，提前预报可能的灾害，进而减轻事故的危害。

所述的AI超算处理平台采用深度学习模型，对预先构建的初始深度学习模型进行训练，得到中间深度学习模型；其中，所述初始深度学习模型为：加载有分类目标函数的深度学习模型；

利用所述中间深度学习模型，计算所述训练样本集中各个样本的特征向量，并根据所述训练样本集中各个样本的特征向量，计算中心点距离目标函数的中间参数的初始值；

将中心点距离目标函数添加到中间深度学习模型中并加载所述中间参数的初始值，得到目标深度学习模型；

导入训练样本集中的预设数量个样本作为批次数据；

利用当前目标深度学习模型，计算当前批次数据中各个样本的特征向量，并根据当前批次数据中各个样本的特征向量，更新中间参数的参数值；

基于当前批次数据中各个样本的特征向量，计算所述中心点距离目标函数的函数值和分类目标函数的函数值，并判断计算得到的中心点距离目标函数的函数值是否收敛到第一预定区间，且计算得到的分类目标函数的函数值是否收敛到第二预定区间；

如果否，利用中心点距离目标函数的反向传播梯度和所述分类目标函数的反向传播梯度，调整当前目标深度学习模型的参数，并返回执行所述导入训练样本集中的预设数量个样本作为批次数据的步骤；

如果是，结束对当前目标深度学习模型的训练

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，需要理解的是，术语“上”、“下”、“内”、“外”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，“设置”、“连接”等术语应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接连接，也可以通过中间媒介间接连接，可以是两个元件内部的连通。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在本发明中的具体含义。

下面结合附图，对本发明的具体实施方式进行详细说明。

第一实施例

请结合参阅图1至图4，本实施例提供了一种基于人工智能和多传感器的监测装置10，其能够对待监测设备进行实时监测，提前预报可能的灾害，进而减轻事故的危害。

需要说明的是，本实施例提供的基于人工智能和多传感器的监测装置10可以用于监测高支模的安全状态。高支模是指支模高度大于或等于8m时的支模作业。一方面，高支模施工作业，比较容易发生高处坠落事故，造成人员的伤亡，更为严重的是在施工过程中，如果支模系统发生坍塌，会造成在上面作业人员的群死群伤，酿成较大、甚至重大的施工安全事故。因此，高支模的安全监控具有重大的安全意义和价值。现有的高支模相关的安全监控方法不能准确地监测高支模的安全状态，可能会造成经济和人员的重大损失。而采用本实施例提供的基于人工智能和多传感器的监测装置10能够有效地监控高支模的安全状态，及时预报可能发生的灾害，有利于生命财产安全。

请参阅图1，本实施例提供的基于人工智能和多传感器的监测装置10包括传感器组100、高速运算通讯组件200和AI超算处理平台300，传感器组100通过高速运算通讯组件200与AI超算处理平台300通信连接；传感器组100用于设置于高支模上，且传感器组100用于检测高支模的参数信息；高速运算通讯组件200用于将参数信息初步处理后传输至AI超算处理平台300；AI超算处理平台300用于根据参数信息得到高支模的状态参数，AI超算处理平台300还用于将状态参数与预设数据进行对比，AI超算处理平台300还用于根据状态参数和预设数据绘制显示图形并用于显示显示图形，并根据最终的图形与数据，分级报警。

可以理解的是，传感器组100用于检测高支模的参数信息，该参数信息能够反映高支模的工作状态。高速运算通讯组件200用于将传感器组100和AI超算处理平台300通信连接，以将通过传感器组100检测到的高支模参数信息初步处理后传输至AI超算处理平台300。AI超算处理平台300在接收到高支模的参数信息后，对该参数信息进行分析得到状态参数。状态参数可以是参数信息建模得到，也可以为参数信息本身。此处，通过将参数信息与预设数据进行对比，并将状态参数和预设数据图形化地显示，以直观地展现状态参数与预设数据之间的差异。本实施例提供的基于人工智能和多传感器的监测装置10能够对待监测设备进行实时监测，提前预报可能的灾害，进而减轻事故的危害。

需要说明的是，状态参数可以是参数信息建模得到，也可以为参数信息本身。比如将参数信息作为数学模型的输入参数，将状态参数作为该数学模型的输出结果。当然，也可以直接将参数信息作为状态参数。

同时，也需要说明的是，可选地，在将状态参数和预设数据通过图形化地显示时，横坐标可以为时间信息，纵坐标可以为状态参数或预设参数的值。此外，状态参数和预设参数也可以采用不同的标记形式或者不同的线型或颜色，以示区别。

请参阅图2，可选地，传感器组100包括第一传感器110、第二传感器120和第三传感器130，第一传感器110、第二传感器120和第三传感器130为不同的传感器，且第一传感器110、第二传感器120和第三传感器130均与高速运算通讯组件200通信连接并均设置于高支模；第一传感器110用于获取高支模的第一信息并通过高速运算通讯组件200将第一信息传输至AI超算处理平台300；第二传感器120用于获取高支模的第二信息并通过高速运算通讯组件200将第二信息传输至AI超算处理平台300；第三传感器130用于获取高支模的第三信息并通过高速运算通讯组件200将第三信息传输至AI超算处理平台300；AI超算处理平台300还用于根据第一信息、第二信息和第三信息得到状态参数，AI超算处理平台300还用于根据第一信息、第二信息和第三信息绘制显示图形。

需要说明的是，上述第一传感器110、第二传感器120和第三传感器130为不同的传感器，也就是说，上述第一信息、第二信息和第三信息分别从不同维度表征高支模的工作状态以便从不同维度监测高支模的工作状态，做到更好的监测效果。

进一步地，在本实施例中，第一传感器110为位移传感器，位移传感器设置于高支模并用于检测高支模的位移变化，且第一信息用于表征高支模的位移变化，位移传感器与高速运算通讯组件200通信连接。

进一步地，在本实施例中，第二传感器120为称重传感器或压力传感器，称重传感器或压力传感器设置于高支模并用于检测高支模的承重信息，且第二信息用于表征是高支模的承重信息，称重传感器或压力传感器与高速运算通讯组件200通信连接。

进一步地，在本实施例中，第三传感器130为倾角传感器，倾角传感器设置于高支模上并用于检测高支模的倾斜角度，且第三信息用于表征高支模的倾斜角度，倾角传感器与高速运算通讯组件200通信连接。

请参阅图3，可选地，第一传感器110包括传感器本体112和设置于传感器本体112上的安装件114，传感器本体112通过安装件114与高支模连接。

请参阅图4，可选地，安装件114包括第一安装部1141和第二安装部1142，第一安装部1141设置于传感器本体112上，第二安装部1142与第一安装部1141转动连接并用于与第一安装部1141围成夹持空间，夹持空间用于将传感器本体112固定于高支模上。

可选地，第一安装部1141和第二安装部1142均为弧形，且第一安装部1141与传感器本体112可拆卸地连接。

此外，在本实施例中，第一安装部1141和第二安装部1142通过螺栓1143固定连接，以将高支模固定于夹持空间内。

需要说明的是，第二传感器120和第三传感器130也可以采用与第一传感器110类似的结构进行设置。

可选地，高速运算通讯组件200可以为ZigBee通信、433通信或串口通信等通信模块。

本实施例还提供另一种基于人工智能和多传感器的监测装置10，用于监测高支模的安全状态，基于人工智能和多传感器的监测装置10包括传感器组100、高速运算通讯组件200和AI超算处理平台300，传感器组100通过高速运算通讯组件200与AI超算处理平台300通信连接；传感器组100包括均设置于高支模上的位移传感器、压力传感器和倾角传感器，位移传感器用于检测高支模的位移信息，压力传感器用于检测高支模的承重信息，倾角传感器用于检测高支模的倾角信息；高速运算通讯组件200用于将位移信息、承重信息和倾角信息传输至AI超算处理平台300；AI超算处理平台300用于根据位移信息、承重信息和倾角信息得到高支模的状态参数，AI超算处理平台300还用于将状态参数与预设数据进行对比，AI超算处理平台300还用于根据状态参数和预设数据绘制显示图形并用于显示显示图形。

本实施例提供的基于人工智能和多传感器的监测装置10的有益效果：传感器组100用于检测高支模的参数信息，该参数信息能够反映高支模的工作状态。高速运算通讯组件200用于将传感器组100和AI超算处理平台300通信连接，以将通过传感器组100检测到的高支模参数信息传输至AI超算处理平台300。AI超算处理平台300在接收到高支模的参数信息后，对该参数信息进行分析得到状态参数。状态参数可以是参数信息建模得到，也可以为参数信息本身。此处，通过将参数信息与预设数据进行对比，并将状态参数和预设数据图形化地显示，以直观地展现状态参数与预设数据之间的差异。本实施例提供的基于人工智能和多传感器的监测装置10能够对待监测设备进行实时监测，提前预报可能的灾害，进而减轻事故的危害。

所述的AI超算处理平台采用深度学习模型，对预先构建的初始深度学习模型进行训练，得到中间深度学习模型；其中，所述初始深度学习模型为：加载有分类目标函数的深度学习模型；

利用所述中间深度学习模型，计算所述训练样本集中各个样本的特征向量，并根据所述训练样本集中各个样本的特征向量，计算中心点距离目标函数的中间参数的初始值；

将中心点距离目标函数添加到中间深度学习模型中并加载所述中间参数的初始值，得到目标深度学习模型；

导入训练样本集中的预设数量个样本作为批次数据；

利用当前目标深度学习模型，计算当前批次数据中各个样本的特征向量，并根据当前批次数据中各个样本的特征向量，更新中间参数的参数值；

基于当前批次数据中各个样本的特征向量，计算所述中心点距离目标函数的函数值和分类目标函数的函数值，并判断计算得到的中心点距离目标函数的函数值是否收敛到第一预定区间，且计算得到的分类目标函数的函数值是否收敛到第二预定区间；

如果否，利用中心点距离目标函数的反向传播梯度和所述分类目标函数的反向传播梯度，调整当前目标深度学习模型的参数，并返回执行所述导入训练样本集中的预设数量个样本作为批次数据的步骤；

如果是，结束对当前目标深度学习模型的训练

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。