CN109556897A - 一种桥梁工程领域的桥梁施工*** - Google Patents
一种桥梁工程领域的桥梁施工*** Download PDFInfo
- Publication number
- CN109556897A CN109556897A CN201811364028.8A CN201811364028A CN109556897A CN 109556897 A CN109556897 A CN 109556897A CN 201811364028 A CN201811364028 A CN 201811364028A CN 109556897 A CN109556897 A CN 109556897A
- Authority
- CN
- China
- Prior art keywords
- bridge
- module
- model
- science
- deformation monitoring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于桥梁施工技术领域,公开了一种桥梁工程领域的桥梁施工***,桥梁工程领域的桥梁施工***包括:视频采集模块、承压检测模块、桥梁形变监测模块、中央控制模块、无线通信模块、服务器、三维模型构建模块、桥梁健康评估模块、预警模块、显示模块。本发明通过桥梁形变监测模块构建包括GNSS和UWB的桥梁形变监测***,提高了桥梁形变监测***高程方向上的定位精度,能够准确获得桥梁形变位置,有效减小了桥梁形变监测***的定位误差;同时,通过桥梁健康评估模块将新采集的桥梁健康监测数据输入神经网络模型,输出预测的桥梁健康状态级别,实现了对桥梁健康状态的有效评估和预测。
Description
技术领域
本发明属于桥梁施工技术领域,尤其涉及一种桥梁工程领域的桥梁施工***。
背景技术
桥梁,一般指架设在江河湖海上,使车辆行人等能顺利通行的构筑物。为适应现代高速发展的交通行业,桥梁亦引申为跨越山涧、不良地质或满足其他交通需要而架设的使通行更加便捷的建筑物。桥梁一般由上部构造、下部结构、支座和附属构造物组成,上部结构又称桥跨结构,是跨越障碍的主要结构;下部结构包括桥台、桥墩和基础;支座为桥跨结构与桥墩或桥台的支承处所设置的传力装置;附属构造物则指桥头搭板、锥形护坡、护岸、导流工程等。然而,现有桥梁施工时桥梁的负载形变基本是发生在高程方向,由于GNSS定位***卫星均分布在定位目标上方,导致高程方向的几何结构较弱,且高程方向的定位误差约是水平方向的3倍,定位误差较大,难以满足实时高精度桥梁形变监测的要求,给准确定位桥梁形变的位置增加了难度;同时,传统的桥梁评估是通过简单的人工手段进行桥梁监测和监测,然后给出相关的加固和维护建议,这种方法在数据采集、***分析和优化管理方面还存在明显的不足和缺陷,不仅难以有效地防范突发事件的发生,达到目前桥梁养护的要求,而且不能很好地满足高效化、智能化的需求。
综上所述,现有技术存在的问题是:
现有桥梁施工时桥梁的负载形变基本是发生在高程方向,由于GNSS定位***卫星均分布在定位目标上方,导致高程方向的几何结构较弱,且高程方向的定位误差约是水平方向的3倍,定位误差较大,难以满足实时高精度桥梁形变监测的要求,给准确定位桥梁形变的位置增加了难度;同时,传统的桥梁评估是通过简单的人工手段进行桥梁监测和监测,然后给出相关的加固和维护建议,这种方法在数据采集、***分析和优化管理方面还存在明显的不足和缺陷,不仅难以有效地防范突发事件的发生,达到目前桥梁养护的要求,而且不能很好地满足高效化、智能化的需求。
现有技术中,获得桥梁的三维模型数据准确性差。
发明内容
针对现有技术存在的问题,本发明提供了一种桥梁工程领域的桥梁施工***。
本发明是这样实现的,一种桥梁工程领域的桥梁施工***包括:
视频采集模块、承压检测模块、桥梁形变监测模块、中央控制模块、无线通信模块、服务器、三维模型构建模块、桥梁健康评估模块、预警模块、显示模块;
视频采集模块,与中央控制模块连接,用于通过摄像器实时采集桥梁施工现场监控视频数据;
承压检测模块,与中央控制模块连接,用于通过压力传感器实时检测桥梁的承压数据信息;
桥梁形变监测模块,与中央控制模块连接,用于通过桥梁形变监测机实时监测桥梁形变数据信息;
中央控制模块,与视频采集模块、承压检测模块、桥梁形变监测模块、无线通信模块、三维模型构建模块、桥梁健康评估模块、预警模块、显示模块连接,用于通过单片机控制各个模块正常工作;
无线通信模块,与中央控制模块、服务器连接,用于通过无线发射器将施工部分桥梁的多个传感器采集实时数据发送到服务器进行存储并处理;
三维模型构建模块,与中央控制模块连接,用于通过建模软件接收服务器传输的每个传感器的处理后数据并一一对应到传感器模型后,其在桥梁模型的基础上生成实时三维模型,所述桥梁模型上在与实际桥梁的对应位置处设置有传感器模型;
桥梁健康评估模块,与中央控制模块连接,用于通过评估程序对桥梁的健康状态进行评估;
预警模块,与中央控制模块连接,用于通过报警器根据检测异常数据或评估数据过低进行报警通知;
显示模块,与中央控制模块连接,用于通过显示器显示施工***界面及采集的数据、桥梁的三维模型。
进一步,所述桥梁形变监测模块监测方法如下:
步骤A、预先在待监测的桥梁上安装桥梁形变监测接收机,并在所述桥梁形变监测接收机下方布设UWB定位基站,构建包括GNSS卫星、桥梁形变监测接收机以及UWB定位基站的桥梁形变监测***;
步骤B、所述桥梁形变监测接收机在卡尔曼滤波模型上引入速度参数进行解算,并设定桥梁形变监测接收机初始状态的协方差矩阵;
步骤C、在解算过程中建立动态转移方程;并根据动态转移方程计算先验估计协方差矩阵;
步骤D、分别建立当前历元的GNSS和UWB的观测方程,并结合当前历元的先验状态估计值建立观测方程组;
步骤E、利用加权最小二乘法对当前历元的位置与速度的状态值进行估计,并得出当前历元下桥梁形变监测接收机的状态值的协方差矩阵;
步骤F、当监测到下个历元的观测信号后,重复执行步骤C、步骤D以及步骤E,桥梁形变监测接收机对当前历元下的位置进行实时解算,确定桥梁的形变位置。
进一步,所述桥梁形变监测接收机包括一个GNSS接收机与若干个UWB定位标签模块,所述GNSS接收机和UWB定位标签模块均与桥梁形变监测接收机的主控CPU连接。
进一步,所述步骤B之前还包括:步骤B0、预先对所述桥梁形变监测接收机中的GNSS天线与UWB天线进行相位中心统一,使GNSS定位***与UWB定位***融合。
进一步,所述步骤B具体包括:
步骤B1、所述桥梁形变监测接收机在卡尔曼滤波模型中引入速度参数;
步骤B2、根据GNSS定位***通过GNSS差分定位的方法求解桥梁形变监测接收机初始位置;
步骤B3、预设速度初值,并给出桥梁形变监测接收机的位置与速度的初始状态协方差矩阵。
进一步,所述桥梁健康评估模块评估方法如下:
(1)从桥梁健康评估***中获取基于时序的桥梁健康监测数据,并基于预先划分的桥梁健康状态级别生成训练样本集;
(2)使用训练样本集训练得到神经网络模型;
(3)将新采集的桥梁健康监测数据输入神经网络模型,输出预测的桥梁健康状态级别。
进一步,所述训练样本集包括多个基于时序的训练样本,每个训练样本包括一组所述桥梁健康监测数据以及对应的所述桥梁健康状态级别。
进一步,所述神经网络模型的训练过程包括:
将所述训练样本中的所述桥梁健康监测数据作为输入,对应的所述桥梁健康状态级别作为输出,对初始化的所述神经网络模型进行训练,计算所述神经网络模型的损失函数并更新参数矩阵,直到预测误差满足终止条件。
进一步,所述训练样本集为其中,表示tk时刻的所述训练样本,为n+1维特征向量,x0=1,x1,…,xn为所述桥梁健康监测数据,n≥1,ytk是xtk所对应的所述桥梁健康状态级别,所述桥梁健康状态级别的集合为y∈{a1,a2,…,aN},a1,a2,…,aN均为不同的数值,N≥2。
进一步,三维模型构建模块生成实时三维模型的方法包括:
将N个传感器节点随机部署在目标区域中,对每个节点的中心点进行桥梁模型三角形剖分;
做出每个桥梁模型三角形的外接圆,比较节点半径和外接圆半径,如果R>r,那么肯定存在覆盖盲区,保存这个桥梁模型三角形和外接圆,否则去掉外接圆,传感器节点半径为r,每个外接圆的半径为R;
计算剩余两个相邻三角形的公共边长d,如果d>2r,或者公共边不与两个三角形外接圆的中心连线相交,那么对这些三角形进行聚类分组得到边界节点,每个聚类分组都会存在覆盖盲区;
对每个聚类分组中的传感器节点中心点,用能够包含覆盖盲区的最小多边形的方法,表示出覆盖盲区边界;
对边界节点进行假边界节点的判定,去掉假边界节点之后,再次用能够包含覆盖盲区的最小多边形方法,表示出改善后的覆盖盲区边界;
传感器节点随机部署在目标区域的实际覆盖面积会变小,经过地形修正的传感器节点的二维覆盖区域为椭圆,利用坡度和坡向角算出实际探测半径,最后使用检测算法算出修正后的覆盖盲区边界。
本发明的另一目的在于提供一种实现所述桥梁工程领域的桥梁施工***运行功能的计算机程序。
本发明的另一目的在于提供一种实现所述桥梁工程领域的桥梁施工***运行功能的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的桥梁工程领域的桥梁施工***运行功能。
本发明的优点及积极效果为:
本发明通过桥梁形变监测模块构建包括GNSS和UWB的桥梁形变监测***,提高了桥梁形变监测***高程方向上的定位精度,能够准确获得桥梁形变位置,有效减小了桥梁形变监测***的定位误差;同时,通过桥梁健康评估模块将新采集的桥梁健康监测数据输入神经网络模型,输出预测的桥梁健康状态级别,实现了对桥梁健康状态的有效评估和预测;使用LN(Layernormalization)对输入向量进行归一化处理,有效避免了传统RNN(RecurrentneuralNetwork)中梯度消失或梯度***等问题,并且打破了传统编码器-解码器结构在编解码时都依赖于内部一个固定长度向量的限制,缓解了深度神经网络中训练速度过慢的问题。
本发明三维模型构建模块生成实时三维模型的方法中,将N个传感器节点随机部署在目标区域中,对每个节点的中心点进行桥梁模型三角形剖分;
做出每个桥梁模型三角形的外接圆,比较节点半径和外接圆半径,如果R>r,那么肯定存在覆盖盲区,保存这个桥梁模型三角形和外接圆,否则去掉外接圆,传感器节点半径为r,每个外接圆的半径为R;
计算剩余两个相邻三角形的公共边长d,如果d>2r,或者公共边不与两个三角形外接圆的中心连线相交,那么对这些三角形进行聚类分组得到边界节点,每个聚类分组都会存在覆盖盲区;
对每个聚类分组中的传感器节点中心点,用能够包含覆盖盲区的最小多边形的方法,表示出覆盖盲区边界;
对边界节点进行假边界节点的判定,去掉假边界节点之后,再次用能够包含覆盖盲区的最小多边形方法,表示出改善后的覆盖盲区边界;
传感器节点随机部署在目标区域的实际覆盖面积会变小,经过地形修正的传感器节点的二维覆盖区域为椭圆,利用坡度和坡向角算出实际探测半径,最后使用检测算法算出修正后的覆盖盲区边界;可获的准确的桥梁模型准确数据,为后序的施工提供保证。
附图说明
图1是本发明实施例提供的桥梁工程领域的桥梁施工***结构框图。
图中:1、视频采集模块;2、承压检测模块;3、桥梁形变监测模块;4、中央控制模块;5、无线通信模块;6、服务器;7、三维模型构建模块;8、桥梁健康评估模块;9、预警模块;10、显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示,本发明实施例提供的桥梁工程领域的桥梁施工***,包括:视频采集模块1、承压检测模块2、桥梁形变监测模块3、中央控制模块4、无线通信模块5、服务器6、三维模型构建模块7、桥梁健康评估模块8、预警模块9、显示模块10。
视频采集模块1,与中央控制模块4连接,用于通过摄像器实时采集桥梁施工现场监控视频数据;
承压检测模块2,与中央控制模块4连接,用于通过压力传感器实时检测桥梁的承压数据信息;
桥梁形变监测模块3,与中央控制模块4连接,用于通过桥梁形变监测机实时监测桥梁形变数据信息;
中央控制模块4,与视频采集模块1、承压检测模块2、桥梁形变监测模块3、无线通信模块5、三维模型构建模块7、桥梁健康评估模块8、预警模块9、显示模块10连接,用于通过单片机控制各个模块正常工作;
无线通信模块5,与中央控制模块4、服务器6连接,用于通过无线发射器将施工部分桥梁的多个传感器采集实时数据发送到服务器进行存储并处理;
三维模型构建模块7,与中央控制模块4连接,用于通过建模软件接收服务器传输的每个传感器的处理后数据并一一对应到传感器模型后,其在桥梁模型的基础上生成实时三维模型,所述桥梁模型上在与实际桥梁的对应位置处设置有传感器模型;
桥梁健康评估模块8,与中央控制模块4连接,用于通过评估程序对桥梁的健康状态进行评估;
预警模块9,与中央控制模块4连接,用于通过报警器根据检测异常数据或评估数据过低进行报警通知;
显示模块10,与中央控制模块4连接,用于通过显示器显示施工***界面及采集的数据、桥梁的三维模型。
本发明提供的桥梁形变监测模块3监测方法如下:
步骤A、预先在待监测的桥梁上安装桥梁形变监测接收机,并在所述桥梁形变监测接收机下方布设UWB定位基站,构建包括GNSS卫星、桥梁形变监测接收机以及UWB定位基站的桥梁形变监测***;
步骤B、所述桥梁形变监测接收机在卡尔曼滤波模型上引入速度参数进行解算,并设定桥梁形变监测接收机初始状态的协方差矩阵;
步骤C、在解算过程中建立动态转移方程;并根据动态转移方程计算先验估计协方差矩阵;
步骤D、分别建立当前历元的GNSS和UWB的观测方程,并结合当前历元的先验状态估计值建立观测方程组;
步骤E、利用加权最小二乘法对当前历元的位置与速度的状态值进行估计,并得出当前历元下桥梁形变监测接收机的状态值的协方差矩阵;
步骤F、当监测到下个历元的观测信号后,重复执行步骤C、步骤D以及步骤E,桥梁形变监测接收机对当前历元下的位置进行实时解算,确定桥梁的形变位置。
本发明提供的桥梁形变监测接收机包括一个GNSS接收机与若干个UWB定位标签模块,所述GNSS接收机和UWB定位标签模块均与桥梁形变监测接收机的主控CPU连接。
本发明提供的步骤B之前还包括:步骤B0、预先对所述桥梁形变监测接收机中的GNSS天线与UWB天线进行相位中心统一,使GNSS定位***与UWB定位***融合。
本发明提供的步骤B具体包括:
步骤B1、所述桥梁形变监测接收机在卡尔曼滤波模型中引入速度参数;
步骤B2、根据GNSS定位***通过GNSS差分定位的方法求解桥梁形变监测接收机初始位置;
步骤B3、预设速度初值,并给出桥梁形变监测接收机的位置与速度的初始状态协方差矩阵。
本发明提供的桥梁健康评估模块8评估方法如下:
(1)从桥梁健康评估***中获取基于时序的桥梁健康监测数据,并基于预先划分的桥梁健康状态级别生成训练样本集;
(2)使用训练样本集训练得到神经网络模型;
(3)将新采集的桥梁健康监测数据输入神经网络模型,输出预测的桥梁健康状态级别。
本发明提供的训练样本集包括多个基于时序的训练样本,每个训练样本包括一组所述桥梁健康监测数据以及对应的所述桥梁健康状态级别。
本发明提供的神经网络模型的训练过程包括:
将所述训练样本中的所述桥梁健康监测数据作为输入,对应的所述桥梁健康状态级别作为输出,对初始化的所述神经网络模型进行训练,计算所述神经网络模型的损失函数并更新参数矩阵,直到预测误差满足终止条件。
本发明提供的训练样本集为其中,表示tk时刻的所述训练样本,为n+1维特征向量,x0=1,x1,…,xn为所述桥梁健康监测数据,n≥1,ytk是xtk所对应的所述桥梁健康状态级别,所述桥梁健康状态级别的集合为y∈{a1,a2,…,aN},a1,a2,…,aN均为不同的数值,N≥2。
本发明工作时,首先,通过视频采集模块1利用摄像器实时采集桥梁施工现场监控视频数据;通过承压检测模块2利用压力传感器实时检测桥梁的承压数据信息;通过桥梁形变监测模块3利用桥梁形变监测机实时监测桥梁形变数据信息;其次,中央控制模块4通过无线通信模块5利用无线发射器将施工部分桥梁的多个传感器采集实时数据发送到服务器进行存储并处理;通过三维模型构建模块7利用建模软件接收服务器传输的每个传感器的处理后数据并一一对应到传感器模型后,其在桥梁模型的基础上生成实时三维模型,所述桥梁模型上在与实际桥梁的对应位置处设置有传感器模型;通过桥梁健康评估模块8利用评估程序对桥梁的健康状态进行评估;然后,通过预警模块9利用报警器根据检测异常数据或评估数据过低进行报警通知;最后,通过显示模块10利用显示器显示施工***界面及采集的数据、桥梁的三维模型。
本发明实施例提供的三维模型构建模块生成实时三维模型的方法包括:
将N个传感器节点随机部署在目标区域中,对每个节点的中心点进行桥梁模型三角形剖分;
做出每个桥梁模型三角形的外接圆,比较节点半径和外接圆半径,如果R>r,那么肯定存在覆盖盲区,保存这个桥梁模型三角形和外接圆,否则去掉外接圆,传感器节点半径为r,每个外接圆的半径为R;
计算剩余两个相邻三角形的公共边长d,如果d>2r,或者公共边不与两个三角形外接圆的中心连线相交,那么对这些三角形进行聚类分组得到边界节点,每个聚类分组都会存在覆盖盲区;
对每个聚类分组中的传感器节点中心点,用能够包含覆盖盲区的最小多边形的方法,表示出覆盖盲区边界;
对边界节点进行假边界节点的判定,去掉假边界节点之后,再次用能够包含覆盖盲区的最小多边形方法,表示出改善后的覆盖盲区边界;
传感器节点随机部署在目标区域的实际覆盖面积会变小,经过地形修正的传感器节点的二维覆盖区域为椭圆,利用坡度和坡向角算出实际探测半径,最后使用检测算法算出修正后的覆盖盲区边界;
传感器节点随机部署在目标区域中的方法,目标区域表示为一个单值函数z=h(x,y),每个传感器的感知半径r都相同,感知区域形成一个在三维空间中以为传感器位置为中心,r为半径的球体;
实际探测半径的计算方法在曲面z=h(x,y)上,对于点P(x,y)方向梯度为:
其中和分别为x和y方向的偏导数,i和j为单位矢量,方向梯度的模为坡度;
点P沿着β方向的坡度G为:
G=Scosβ
β是坡向,传感器节点沿β方向的实际探测半径r’与理想探测半径r的关系表示为:
r'=rcosγ
实际探测半径r’与坡度S和坡向角β的关系为:
r'=rcos(arctan(Scosβ))。
修正方法为沿着坡向方向,节点相交的两条等高线之间的差值为高度差Δh,相交的两条等高线之间的距离为Δd,坡度S表示为:
计算出三维地形下每个传感器节点在二维平面上的椭圆投影。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (11)
1.一种桥梁工程领域的桥梁施工***,其特征在于,所述桥梁工程领域的桥梁施工***包括:
视频采集模块,与中央控制模块连接,用于通过摄像器实时采集桥梁施工现场监控视频数据;
承压检测模块,与中央控制模块连接,用于通过压力传感器实时检测桥梁的承压数据信息;
桥梁形变监测模块,与中央控制模块连接,用于通过桥梁形变监测机实时监测桥梁形变数据信息;
中央控制模块,与视频采集模块、承压检测模块、桥梁形变监测模块、无线通信模块、三维模型构建模块、桥梁健康评估模块、预警模块、显示模块连接,用于通过单片机控制各个模块正常工作;
无线通信模块,与中央控制模块、服务器连接,用于通过无线发射器将施工部分桥梁的多个传感器采集实时数据发送到服务器进行存储并处理;
三维模型构建模块,与中央控制模块连接,用于通过建模软件接收服务器传输的每个传感器的处理后数据并一一对应到传感器模型后,其在桥梁模型的基础上生成实时三维模型,所述桥梁模型上在与实际桥梁的对应位置处设置有传感器模型;
桥梁健康评估模块,与中央控制模块连接,用于通过评估程序对桥梁的健康状态进行评估;
预警模块,与中央控制模块连接,用于通过报警器根据检测异常数据或评估数据过低进行报警通知;
显示模块,与中央控制模块连接,用于通过显示器显示施工***界面及采集的数据、桥梁的三维模型。
2.如权利要求1所述桥梁工程领域的桥梁施工***,其特征在于,所述桥梁形变监测模块监测方法如下:
步骤A、预先在待监测的桥梁上安装桥梁形变监测接收机,并在所述桥梁形变监测接收机下方布设UWB定位基站,构建包括GNSS卫星、桥梁形变监测接收机以及UWB定位基站的桥梁形变监测***;
步骤B、所述桥梁形变监测接收机在卡尔曼滤波模型上引入速度参数进行解算,并设定桥梁形变监测接收机初始状态的协方差矩阵;
步骤C、在解算过程中建立动态转移方程;并根据动态转移方程计算先验估计协方差矩阵;
步骤D、分别建立当前历元的GNSS和UWB的观测方程,并结合当前历元的先验状态估计值建立观测方程组;
步骤E、利用加权最小二乘法对当前历元的位置与速度的状态值进行估计,并得出当前历元下桥梁形变监测接收机的状态值的协方差矩阵;
步骤F、当监测到下个历元的观测信号后,重复执行步骤C、步骤D以及步骤E,桥梁形变监测接收机对当前历元下的位置进行实时解算,确定桥梁的形变位置。
3.如权利要求2所述桥梁工程领域的桥梁施工***,其特征在于,所述桥梁形变监测接收机包括一个GNSS接收机与若干个UWB定位标签模块,所述GNSS接收机和UWB定位标签模块均与桥梁形变监测接收机的主控CPU连接。
4.如权利要求2所述桥梁工程领域的桥梁施工***,其特征在于,所述步骤B之前还包括:步骤B0、预先对所述桥梁形变监测接收机中的GNSS天线与UWB天线进行相位中心统一,使GNSS定位***与UWB定位***融合。
5.如权利要求2所述桥梁工程领域的桥梁施工***,其特征在于,所述步骤B具体包括:
步骤B1、所述桥梁形变监测接收机在卡尔曼滤波模型中引入速度参数;
步骤B2、根据GNSS定位***通过GNSS差分定位的方法求解桥梁形变监测接收机初始位置;
步骤B3、预设速度初值,并给出桥梁形变监测接收机的位置与速度的初始状态协方差矩阵。
6.如权利要求1所述桥梁工程领域的桥梁施工***,其特征在于,所述桥梁健康评估模块评估方法如下:
(1)从桥梁健康评估***中获取基于时序的桥梁健康监测数据,并基于预先划分的桥梁健康状态级别生成训练样本集;
(2)使用训练样本集训练得到神经网络模型;
(3)将新采集的桥梁健康监测数据输入神经网络模型,输出预测的桥梁健康状态级别。
7.如权利要求5所述桥梁工程领域的桥梁施工***,其特征在于,所述训练样本集包括多个基于时序的训练样本,每个训练样本包括一组所述桥梁健康监测数据以及对应的所述桥梁健康状态级别;
所述神经网络模型的训练过程包括:
将所述训练样本中的所述桥梁健康监测数据作为输入,对应的所述桥梁健康状态级别作为输出,对初始化的所述神经网络模型进行训练,计算所述神经网络模型的损失函数并更新参数矩阵,直到预测误差满足终止条件;
所述训练样本集为其中,表示tk时刻的所述训练样本,为n+1维特征向量,x0=1,x1,…,xn为所述桥梁健康监测数据,n≥1,ytk是xtk所对应的所述桥梁健康状态级别,所述桥梁健康状态级别的集合为y∈{a1,a2,…,aN},a1,a2,…,aN均为不同的数值,N≥2。
8.如权利要求1所述桥梁工程领域的桥梁施工***,其特征在于,三维模型构建模块生成实时三维模型的方法包括:
将N个传感器节点随机部署在目标区域中,对每个节点的中心点进行桥梁模型三角形剖分;
做出每个桥梁模型三角形的外接圆,比较节点半径和外接圆半径,如果R>r,那么肯定存在覆盖盲区,保存这个桥梁模型三角形和外接圆,否则去掉外接圆,传感器节点半径为r,每个外接圆的半径为R;
计算剩余两个相邻三角形的公共边长d,如果d>2r,或者公共边不与两个三角形外接圆的中心连线相交,那么对这些三角形进行聚类分组得到边界节点,每个聚类分组都会存在覆盖盲区;
对每个聚类分组中的传感器节点中心点,用能够包含覆盖盲区的最小多边形的方法,表示出覆盖盲区边界;
对边界节点进行假边界节点的判定,去掉假边界节点之后,再次用能够包含覆盖盲区的最小多边形方法,表示出改善后的覆盖盲区边界;
传感器节点随机部署在目标区域的实际覆盖面积会变小,经过地形修正的传感器节点的二维覆盖区域为椭圆,利用坡度和坡向角算出实际探测半径,最后使用检测算法算出修正后的覆盖盲区边界。
9.一种实现权利要求1~8任意一项所述桥梁工程领域的桥梁施工***运行功能的计算机程序。
10.一种实现权利要求1~8任意一项所述桥梁工程领域的桥梁施工***运行功能的信息数据处理终端。
11.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-8任意一项所述的桥梁工程领域的桥梁施工***运行功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811364028.8A CN109556897A (zh) | 2018-11-16 | 2018-11-16 | 一种桥梁工程领域的桥梁施工*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811364028.8A CN109556897A (zh) | 2018-11-16 | 2018-11-16 | 一种桥梁工程领域的桥梁施工*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109556897A true CN109556897A (zh) | 2019-04-02 |
Family
ID=65866539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811364028.8A Pending CN109556897A (zh) | 2018-11-16 | 2018-11-16 | 一种桥梁工程领域的桥梁施工*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109556897A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309544A (zh) * | 2019-06-04 | 2019-10-08 | 西安工程大学 | 一种基于神经网络的梁大变形的受力点预测方法 |
CN110567745A (zh) * | 2019-09-16 | 2019-12-13 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 一种桥梁水下桥墩检测评估*** |
CN110619345A (zh) * | 2019-07-22 | 2019-12-27 | 重庆交通大学 | 面向斜拉桥监测数据有效性的标签可信度综合验证方法 |
CN111667203A (zh) * | 2020-07-17 | 2020-09-15 | 冯星星 | 基于深度神经网络的城市桥况等级实时划分方法及装置 |
CN112611442A (zh) * | 2020-11-26 | 2021-04-06 | 中国科学院合肥物质科学研究院 | 基于轨道伴行光缆的铁路桥梁健康监测方法和*** |
CN113237885A (zh) * | 2021-04-22 | 2021-08-10 | 西安石油大学 | 一种基于结构健康监测数据的建筑性能评估方法 |
CN113514110A (zh) * | 2021-08-19 | 2021-10-19 | 张旭辉 | 一种道路桥梁工程智能测量*** |
CN115334124A (zh) * | 2022-10-12 | 2022-11-11 | 保利长大工程有限公司 | 一种桥梁施工监测可视化管理*** |
CN116045833A (zh) * | 2023-01-03 | 2023-05-02 | 中铁十九局集团有限公司 | 一种基于大数据的桥梁施工变形监测*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105392146A (zh) * | 2015-10-22 | 2016-03-09 | 桂林理工大学 | 基于三维地形修正的wsn覆盖盲区检测方法 |
CN106919644A (zh) * | 2017-01-17 | 2017-07-04 | 中交第二航务工程局有限公司 | 桥梁施工实时监控*** |
CN107990821A (zh) * | 2017-11-17 | 2018-05-04 | 深圳大学 | 一种桥梁形变监测方法、存储介质及桥梁形变监测接收机 |
CN108332649A (zh) * | 2018-02-07 | 2018-07-27 | 桂林电子科技大学 | 一种滑坡形变综合预警方法及*** |
CN108629144A (zh) * | 2018-06-11 | 2018-10-09 | 湖北交投智能检测股份有限公司 | 一种桥梁健康评估方法 |
-
2018
- 2018-11-16 CN CN201811364028.8A patent/CN109556897A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105392146A (zh) * | 2015-10-22 | 2016-03-09 | 桂林理工大学 | 基于三维地形修正的wsn覆盖盲区检测方法 |
CN106919644A (zh) * | 2017-01-17 | 2017-07-04 | 中交第二航务工程局有限公司 | 桥梁施工实时监控*** |
CN107990821A (zh) * | 2017-11-17 | 2018-05-04 | 深圳大学 | 一种桥梁形变监测方法、存储介质及桥梁形变监测接收机 |
CN108332649A (zh) * | 2018-02-07 | 2018-07-27 | 桂林电子科技大学 | 一种滑坡形变综合预警方法及*** |
CN108629144A (zh) * | 2018-06-11 | 2018-10-09 | 湖北交投智能检测股份有限公司 | 一种桥梁健康评估方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309544A (zh) * | 2019-06-04 | 2019-10-08 | 西安工程大学 | 一种基于神经网络的梁大变形的受力点预测方法 |
CN110309544B (zh) * | 2019-06-04 | 2023-04-07 | 西安工程大学 | 一种基于神经网络的梁大变形的受力点预测方法 |
CN110619345A (zh) * | 2019-07-22 | 2019-12-27 | 重庆交通大学 | 面向斜拉桥监测数据有效性的标签可信度综合验证方法 |
CN110567745B (zh) * | 2019-09-16 | 2022-06-07 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 一种桥梁水下桥墩检测评估*** |
CN110567745A (zh) * | 2019-09-16 | 2019-12-13 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 一种桥梁水下桥墩检测评估*** |
CN111667203A (zh) * | 2020-07-17 | 2020-09-15 | 冯星星 | 基于深度神经网络的城市桥况等级实时划分方法及装置 |
CN111667203B (zh) * | 2020-07-17 | 2023-08-29 | 冯星星 | 基于深度神经网络的城市桥况等级实时划分方法及装置 |
CN112611442A (zh) * | 2020-11-26 | 2021-04-06 | 中国科学院合肥物质科学研究院 | 基于轨道伴行光缆的铁路桥梁健康监测方法和*** |
CN113237885A (zh) * | 2021-04-22 | 2021-08-10 | 西安石油大学 | 一种基于结构健康监测数据的建筑性能评估方法 |
CN113237885B (zh) * | 2021-04-22 | 2024-01-26 | 西安石油大学 | 一种基于结构健康监测数据的建筑性能评估方法 |
CN113514110A (zh) * | 2021-08-19 | 2021-10-19 | 张旭辉 | 一种道路桥梁工程智能测量*** |
CN115334124A (zh) * | 2022-10-12 | 2022-11-11 | 保利长大工程有限公司 | 一种桥梁施工监测可视化管理*** |
CN116045833A (zh) * | 2023-01-03 | 2023-05-02 | 中铁十九局集团有限公司 | 一种基于大数据的桥梁施工变形监测*** |
CN116045833B (zh) * | 2023-01-03 | 2023-12-22 | 中铁十九局集团有限公司 | 一种基于大数据的桥梁施工变形监测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109556897A (zh) | 一种桥梁工程领域的桥梁施工*** | |
CN103901806B (zh) | 一种智能船舶靠泊辅助***及方法 | |
CN105894741B (zh) | 一种多资源融合的洪水灾害监测预警装置及方法 | |
CN114742128A (zh) | 一种船舶异常行为的识别方法、装置、终端和存储介质 | |
CN109144060A (zh) | 一种船舶航线的危险识别方法及*** | |
CN105842724A (zh) | 一种船舶辅助泊岸方法和*** | |
CN103543706A (zh) | 一种排水物联网*** | |
CN107357230B (zh) | 基于航标遥测遥控***的航标报警处置过程的监控***及方法 | |
CN106601033A (zh) | 一种空中交通管制中期冲突的检测方法及装置 | |
CN103903101A (zh) | 一种通用航空多源信息监管平台及其方法 | |
US11579335B2 (en) | In situ measurement station for monitoring wind and water properties in extreme hydrodynamic conditions | |
CN109817023A (zh) | 一种新型海缆水域ais目标检测方法 | |
CN106327880B (zh) | 一种基于监控视频的车速识别方法及其*** | |
CN110928976B (zh) | 水源地违法活动识别预警方法、服务器及存储介质 | |
CN112488477A (zh) | 高速公路应急管理***及方法 | |
CN110415491A (zh) | 泥石流灾害一体化监测***及可视化预警云平台 | |
CN115601008A (zh) | 基于数字孪生的工程沉降变形监测***及方法 | |
CN112539704A (zh) | 一种输电线路通道内隐患与导线距离的测量方法 | |
CN113570656A (zh) | 一种面向桥区水域船舶高度测量及超高预警***及其方法 | |
US10109191B2 (en) | Method of quickly detecting road distress | |
CN115186943A (zh) | 一种城市排水内涝预测建模方法、***、电子设备 | |
CN113128709A (zh) | 一种供水管网漏损管理*** | |
CN102837824B (zh) | 一种水上飞行航行器的着水控制装置及其方法 | |
CN107024227A (zh) | 一种用于沉管安装的组合式测控***及方法 | |
CN106779184B (zh) | 一种基于大数据建模的海上船舶流量预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190402 |