CN110632643A - 一种防第三方施工开挖检测报警方法 - Google Patents

Abstract

本发明提出一种防第三方施工开挖检测报警方法，包括以下步骤：S1、采集不同种类的地震动信号样本，构建地震动信号样本数据库；S2、对所述采集的地震动信号样本进行双重时频联合分解，构建所述地震动信号样本的双重时频联合特征向量；S3、通过所述双重时频联合特征向量构建地震动信号检测的深度学习模型；S4、利用所述深度学习模型，对检测到的地震动信号进行预测分类，对有开挖活动的施工情形进行报警，本发明提供一种简单易行的防第三方施工开挖检测报警方法，针对第三方施工开挖活动进行实时检测和报警，对地下管线施行统一安全防护，有效保障地下管线的安全运行。

Description

一种防第三方施工开挖检测报警方法

技术领域

本发明涉及一种信号检测与模式识别的方法，更具体地，涉及一种防第三方施工开挖检测报警方法。

背景技术

城市地下管线是城市重要的基础设施，是城市各功能区有机连接和运转的“生命线”，一旦被开挖破坏，将造成严重的经济损失和安全隐患。实际中，在地下不同深度埋设有多种类的管线，而许多施工活动在对路面开挖前并未完全掌握地下埋设管线的具体情形，没有制定完善的开挖计划以保护地下管线，从而在施工过程中容易对地下管线造成破坏。另一方面，地下管线布局复杂多样，对不同管线分别安装传感设备进行防开挖检测报警，成本大，难以集中管理和维护。因此，需要提供一种简单易行的防第三方施工开挖检测报警方法，针对第三方施工开挖活动进行实时检测和报警，对地下管线施行统一安全防护，有效保障地下管线的安全运行。

发明内容

本发明的目的在于提供一种防第三方施工开挖检测报警方法，通过大数据分析和机器学习，建立用于施工开挖信号检测的深度学习模型，对不同种类的施工开挖活动进行识别分类和报警。

实际中，根据待监测管线长度，预先在地表浅层间隔一定距离埋设一定数量的地震动传感器，通过传感器实时采集地震动信号，然后利用开挖信号检测深度学习模型识别开挖信号并进行分类，一旦检测到施工开挖活动正在进行，立即发出报警信号。

为达到上述目的，本发明提出一种防第三方施工开挖检测报警方法，包括以下步骤：

S1、采集不同种类的地震动信号样本，构建地震动信号样本数据库；

S2、对所述采集的地震动信号样本进行双重时频联合分解，构建所述地震动信号样本的双重时频联合特征向量；

S3、通过所述双重时频联合特征向量构建地震动信号检测的深度学习模型；

S4、利用所述深度学习模型，对检测到的地震动信号进行预测分类，对有开挖活动的施工情形进行报警。

优选地，所述步骤S1进一步包括：分别采集多个挖掘机开挖背景噪声类地震动信号样本、多个夯土机开挖背景噪声类地震动信号样本、多个钻地机开挖背景噪声类地震动信号样本、铁铲开挖背景噪声类地震动信号样本和多个无开挖背景噪声多类地震动信号样本，根据采集的各类地震动信号样本构建地震动信号数据库。

优选地，所述地震动信号的采集频率为每秒7500点，地震动信号样本采样时长为10秒。

优选地，所述步骤S2进一步包括：定义所述地震动信号样本为时序序列f_N，对所述时序序列f_N进行变分模态分解，提取所述时序序列f_N的不同主频的模态分量，计算所述f_N的变分模态矩阵：

A＝VMD(f_N，n)

其中，VMD()为变分模态分解函数，n为预设分量数，尺寸为n行N列，其中n＝4，N＝75000；

对所述A中的各模态分量进行经验小波变换，提取部分小波重构分量，计算所述A中第j个分量的经验小波重构矩阵：

B_j＝EWT(A_j，m)，j＝1，...，n

其中，EWT()为经验小波变换函数，m为频域分割数，尺寸为m行N列，其中m＝4，N＝75000；

计算f_N的双重时频联合分解矩阵G：

G＝{B_j}_{j＝1，...，n}＝{g_i}_{i＝1，...，m×n}

其中，g_i为f_N的第i个双重时频联合分解向量；

获取所述地震动信号样本的双重时频联合特征向量Z：

Z＝β·medianc(G)

其中，medianc()为矩阵列向量求中值函数，β为双重时频联合分量权值向量。

优选地，所述步骤S3进一步包括：

构建L层的余量修正深度神经网络模型；

其中，输入层为所述双重时频联合特征向量Z，输出层为开挖分类标记向量y，L-2层中间层为余量修正学习层，所有神经网络层均为全连接形式，其中，L＝7，中间层传递向量为x_k：

其中，u_k为特征学习向量，v_k为余量修正向量，rrnc()为余量修正中间层网络模型；

开挖分类标记向量y为：

y＝sortma(opnc(x_L-2))＝(y₁，y₂，y₃，y₄，y₅)

其中，opnc()为余量修正输出层模型，sortma()为最大值检索函数，将所述开挖分类标记向量y中绝对值最大的元素置为1，其他元素置为0；定义y₁指示挖掘机开挖类型、y₂指示夯土机开挖类型、y₃指示钻地机开挖类型、y₄指示铁铲开挖类型和y₅指示无开挖类型，值为1表示检测到对应的施工开挖类型；

将所述地震动信号样本数据库内的数据作为训练集对所述余量修正深度神经网络模型进行训练，定义深度学习的代价函数为：

c＝(y-a)²/2

其中，y为开挖分类标记向量，a为地震动信号样本数据库中开挖分类标记向量，c为代价值；

预设代价阈值为σ，当c≥σ，则用反向传播梯度下降法对所述余量修正深度神经网络模型进行参数修正，直到c＜σ时，则深度学习模型构建完成。

优选地，所述步骤S4进一步包括：利用所述深度学习模型，对检测到的地震动信号进行预测，并计算预测类别标签值：

其中，θ为分类概率置信度，h_i为第i类匹配概率，max()为取最大值函数，arg_i()表示取匹配概率最大的类别号i，j为预测类别标签。

则，分类决策如下：

根据以上分类决策，对检测到的开挖活动施工情形进行报警。

本发明的有益效果如下：

本发明专利通过构建开挖信号检测深度学习模型，实现了一种防第三方施工开挖检测报警方法，能够实时监测路面的第三方施工开挖活动，一旦检测到有开挖事件发生，立刻进行报警，并能准确判别开挖类型，为后续应急处理决策提供依据。该方法能对地下管线施行统一安全防护，通过开挖报警对潜在的管道破坏进行预警，有效保障地下管线的安全运行。

附图说明

图1示出本发明防第三方施工开挖检测报警方法的流程图。

具体实施方式

为了使本发明的技术方案及优点更加清楚明白，以下结合附图对本发明的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本发明的一部分实施例，而不是所有实施例的穷举，并且在不冲突的情况下，本说明中的实施例及实施例中的特征可以互相结合。

参见图1，本发明的实施例提供了一种防第三方施工开挖检测报警方法，包括以下步骤：

S1、采集不同种类的地震动信号样本，构建地震动信号样本数据库；

具体地，分别采集多个挖掘机开挖背景噪声类地震动信号样本、多个夯土机开挖背景噪声类地震动信号样本、多个钻地机开挖背景噪声类地震动信号样本、铁铲开挖背景噪声类地震动信号样本和多个无开挖背景噪声多类地震动信号样本，地震动信号的采集频率为每秒7500点，地震动信号样本采样时长为10秒，根据采集的各类地震动信号样本构建地震动信号数据库。

S2、对所述采集的地震动信号样本进行双重时频联合分解，构建所述地震动信号样本的双重时频联合特征向量；

定义所述地震动信号样本为时序序列f_N，对所述时序序列f_N进行变分模态分解，提取所述时序序列f_N的不同主频的模态分量，计算所述f_N的变分模态矩阵：

A＝VMD(f_N，n)

其中，VMD()为变分模态分解函数，n为预设分量数，尺寸为n行N列，其中n＝4，N＝75000；

对所述A中的各模态分量进行经验小波变换，提取部分小波重构分量，计算所述A中第j个分量的经验小波重构矩阵：

B_j＝EWT(A_j，m)，j＝1，...，n

其中，EWT()为经验小波变换函数，m为频域分割数，尺寸为m行N列，其中m＝4，N＝75000；

计算f_N的双重时频联合分解矩阵G：

G＝{B_j}_{j＝1，...，n}＝{g_i}_{i＝1，...，m×n}

其中，g_i为f_N的第i个双重时频联合分解向量；

获取所述地震动信号样本的双重时频联合特征向量Z：

Z＝β·medianc(G)

其中，medianc()为矩阵列向量求中值函数，β为双重时频联合分量权值向量。

S3、通过所述双重时频联合特征向量构建地震动信号检测的深度学习模型；

构建L层的余量修正深度神经网络模型；

其中，输入层为所述双重时频联合特征向量Z，输出层为开挖分类标记向量y，L-2层中间层为余量修正学习层，所有神经网络层均为全连接形式，其中，L＝7，中间层传递向量为x_k：

其中，u_k为特征学习向量，v_k为余量修正向量，rrnc()为余量修正中间层网络模型；

开挖分类标记向量y为：

y＝sortma(opnc(x_L-2))＝(y₁，y₂，y₃，y₄，y₅)

其中，opnc()为余量修正输出层模型，sortma()为最大值检索函数，将所述开挖分类标记向量y中绝对值最大的元素置为1，其他元素置为0；定义y₁指示挖掘机开挖类型、y₂指示夯土机开挖类型、y₃指示钻地机开挖类型、y₄指示铁铲开挖类型和y₅指示无开挖类型，值为1表示检测到对应的施工开挖类型；

将所述地震动信号样本数据库内的数据作为训练集对所述余量修正深度神经网络模型进行训练，定义深度学习的代价函数为：

c＝(y-a)²/2

其中，y为开挖分类标记向量，a为地震动信号样本数据库中开挖分类标记向量，c为代价值；

预设代价阈值为σ，当c≥σ，则用反向传播梯度下降法对所述余量修正深度神经网络模型进行参数修正，直到c＜σ时，则深度学习模型构建完成。

S4、利用所述深度学习模型，对检测到的地震动信号进行预测分类，对有开挖活动的施工情形进行报警；

利用所述深度学习模型，对检测到的地震动信号进行预测，并计算预测类别标签值：

其中，θ为分类概率置信度，h_i为第i类匹配概率，max()为取最大值函数，arg_i()表示取匹配概率最大的类别号i，j为预测类别标签。

则，分类决策如下：

根据以上分类决策，对检测到的开挖活动施工情形进行报警。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (6)

1.一种防第三方施工开挖检测报警方法，其特征在于，包括以下步骤：

S1、采集不同种类的地震动信号样本，构建地震动信号样本数据库；

S2、对所述采集的地震动信号样本进行双重时频联合分解，构建所述地震动信号样本的双重时频联合特征向量；

S3、通过所述双重时频联合特征向量构建地震动信号检测的深度学习模型；

S4、利用所述深度学习模型，对检测到的地震动信号进行预测分类，对有开挖活动的施工情形进行报警。

2.根据权利要求1所述的报警方法，其特征在于，所述步骤S1进一步包括：分别采集多个挖掘机开挖背景噪声类地震动信号样本、多个夯土机开挖背景噪声类地震动信号样本、多个钻地机开挖背景噪声类地震动信号样本、铁铲开挖背景噪声类地震动信号样本和多个无开挖背景噪声多类地震动信号样本，根据采集的各类地震动信号样本构建地震动信号数据库。

3.根据权利要求2所述的报警方法，其特征在于，所述地震动信号的采集频率为每秒7500点，地震动信号样本采样时长为10秒。

4.根据权利要求1所述的报警方法，其特征在于，所述步骤S2进一步包括：定义所述地震动信号样本为时序序列f_N，对所述时序序列f_N进行变分模态分解，提取所述时序序列f_N的不同主频的模态分量，计算所述f_N的变分模态矩阵：

A＝VMD(f_N，n)

其中，VMD()为变分模态分解函数，n为预设分量数，尺寸为n行N列，其中n＝4，N＝75000；

对所述A中的各模态分量进行经验小波变换，提取部分小波重构分量，计算所述A中第j个分量的经验小波重构矩阵：

B_j＝EWT(A_j，m)，j＝1，…，n

其中，EWT()为经验小波变换函数，m为频域分割数，尺寸为m行N列，其中m＝4，N＝75000；

计算f_N的双重时频联合分解矩阵G：

G＝{B_j}_{j＝1，…，n}＝{g_i}_{i＝1，...，m×n}

其中，g_i为f_N的第i个双重时频联合分解向量；

获取所述地震动信号样本的双重时频联合特征向量Z：

Z＝β·medianc(G)

其中，medianc()为矩阵列向量求中值函数，β为双重时频联合分量权值向量。

5.根据权利要求4所述的报警方法，其特征在于，所述步骤S3进一步包括：

构建L层的余量修正深度神经网络模型；

其中，输入层为所述双重时频联合特征向量Z，输出层为开挖分类标记向量y，L-2层中间层为余量修正学习层，所有神经网络层均为全连接形式，其中，L＝7，中间层传递向量为x_k：

其中，u_k为特征学习向量，v_k为余量修正向量，rrnc()为余量修正中间层网络模型；

开挖分类标记向量y为：

y＝sortma(opnc(x_L-2))＝(y₁，y₂，y₃，y₄，y₅)

其中，opnc()为余量修正输出层模型，sortma()为最大值检索函数，将所述开挖分类标记向量y中绝对值最大的元素置为1，其他元素置为0；定义y₁指示挖掘机开挖类型、y₂指示夯土机开挖类型、y₃指示钻地机开挖类型、y₄指示铁铲开挖类型和y₅指示无开挖类型，值为1表示检测到对应的施工开挖类型；

将所述地震动信号样本数据库内的数据作为训练集对所述余量修正深度神经网络模型进行训练，定义深度学习的代价函数为：

c＝(y-a)²/2

其中，y为开挖分类标记向量，a为地震动信号样本数据库中开挖分类标记向量，c为代价值；

预设代价阈值为σ，当c≥σ，则用反向传播梯度下降法对所述余量修正深度神经网络模型进行参数修正，直到c＜σ时，则深度学习模型构建完成。

6.根据权利要求5所述的报警方法，其特征在于，所述步骤S4进一步包括：利用所述深度学习模型，对检测到的地震动信号进行预测，并计算预测类别标签值：

其中，θ为分类概率置信度，h_i为第i类匹配概率，max()为取最大值函数，arg_i()表示取匹配概率最大的类别号i，j为预测类别标签。

则，分类决策如下：

根据以上分类决策，对检测到的开挖活动施工情形进行报警。

Images