CN114413832B - 一种基于光纤传感的道路监测***及方法 - Google Patents
一种基于光纤传感的道路监测***及方法 Download PDFInfo
- Publication number
- CN114413832B CN114413832B CN202111460629.0A CN202111460629A CN114413832B CN 114413832 B CN114413832 B CN 114413832B CN 202111460629 A CN202111460629 A CN 202111460629A CN 114413832 B CN114413832 B CN 114413832B
- Authority
- CN
- China
- Prior art keywords
- road
- unit
- module
- data
- prediction
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000013307 optical fiber Substances 0.000 title claims abstract description 17
- 238000012423 maintenance Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 49
- 230000003287 optical effect Effects 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 4
- 239000000835 fiber Substances 0.000 claims 4
- 230000008520 organization Effects 0.000 abstract 1
- 230000035882 stress Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
- G01B11/18—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge using photoelastic elements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
- G01G19/02—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于光纤传感的道路监测***及方法,属于道路监测技术领域。本***包括道路数据获取模块、时间区间限定模块、预测顺序判定模块、模型建立模块、目标函数输出模块;所述道路数据获取模块的输出端与所述时间区间限定模块的输入端相连接;所述时间区间限定模块的输出端与所述预测顺序判定模块的输入端相连接;所述预测顺序判定模块的输出端与所述模型建立模块的输入端相连接;所述模型建立模块的输出端与所述目标函数输出模块的输入端相连接。本发明能够根据不同道路的不同特征顺序进行预测道路寿命,能够满足实时进行监测,在感知到路面塌陷时及时进行组织检修,防患于未然,识别潜在威胁,保证道路与伴行管线的安全平稳运行。
Description
技术领域
本发明涉及道路监测技术领域,具体为一种基于光纤传感的道路监测***及方法。
背景技术
城市道路及其周边的伴行管线,如同人体血管,是保障城市运行的重要基础设施和生命干线,其安全是国家安全的重要组成部分。但是在服役过程中,道路及其伴行管线常受到老化及外力破坏影响,路面塌陷、地基沉降、管道泄露、线路损毁等故障隐患频发,类型、位置、时刻难以预知,而且传统运行维护技术无法有效匹配城市基础设施的增长速度,致使运维工作面临着巨大压力。
在目前的手段中,对于路面塌陷的监测一般采用分布式光纤应变传感***进行实时监测,即沿监测道路中央,路基土层3cm下方直线埋设铠装应变监测光缆,在易产生塌陷区域(如城市供水管道接头处、阀门处、供气管道接头处、阀门处等)进行敷设,在路基下方土体出现松动的地方,路基下方的监测光缆受力将发生变化,而路基未松动地方,路基下方的监测光缆受力保持不变,受力发生变化的光缆的应变发生变化,这样通过计算应变的变化量就可以计算出监测光缆的拉伸量,进而计算出路面的下沉变化量,再根据光纤测距原理和地理信息可以准确定位路面塌陷位置。
可是利用这样的方法只能实时进行监测,在感知到路面塌陷时及时进行组织检修,不能够提前进行预测,防患于未然,无法识别潜在威胁,难以保证道路与伴行管线的安全平稳运行。
发明内容
本发明的目的在于提供一种基于光纤传感的道路监测***及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:
一种基于光纤传感的道路监测***,该***包括道路数据获取模块、时间区间限定模块、预测顺序判定模块、模型建立模块、目标函数输出模块;
所述道路数据获取模块用于获取道路的多源数据,包括天气、车辆数目与速度、载重、光缆应变量;所述时间区间限定模块用于限定时间区间,在每一个时间区间上进行分析处理数据;所述预测顺序判定模块用于建立特征顺序机制,按照不同的顺序进行预测顺序的判定;所述模型建立模块用于建立预测模型,对待测道路进行监测;所述目标函数输出模块用于输出最终的预测结果,即目标函数,以保证道路的寿命预测更加精准;
所述道路数据获取模块的输出端与所述时间区间限定模块的输入端相连接;所述时间区间限定模块的输出端与所述预测顺序判定模块的输入端相连接;所述预测顺序判定模块的输出端与所述模型建立模块的输入端相连接;所述模型建立模块的输出端与所述目标函数输出模块的输入端相连接。
根据上述技术方案,所述道路数据获取模块包括天气单元、车辆监督单元、光缆监测单元;
所述天气单元用于获取道路上方的天气状况;所述车辆监督单元用于监督道路上来往车辆的数目、速度以及载重量;所述光缆监测单元用于监测光缆的应变量;
所述天气单元、车辆监督单元、光缆监测单元的输出端分别与所述时间区间限定模块的输入端相连接。
根据上述技术方案,所述时间区间限定模块包括时间单元、区间分配单元;
所述时间单元用于整理所述道路数据获取模块获取的数据的分布时间情况,对天气、车辆速度和载重以及光缆应变量进行一一对应;所述区间分配单元用于限定一个时间区间,获取这一时间区间下的所有道路数据,建立一个集合;
所述时间单元的输出端与所述区间分配单元的输入端相连接;所述区间分配单元的输出端与所述预测顺序判定模块的输入端相连接。
根据上述技术方案,所述预测顺序判定模块包括特征识别单元、预测顺序判定单元;
所述特征识别单元用于建立道路数据的特征,并对特征进行识别,获取每条道路上的特征数量;所述预测顺序判定单元用于对特征顺序进行归纳,并按照特征顺序建立预测顺序;
所述特征识别单元的输出端与所述预测顺序判定单元的输入端相连接;所述预测顺序判定单元的输出端与所述模型建立模块的输入端相连接。
根据上述技术方案,所述模型建立模块包括模型建立单元、预测单元;
所述模型建立单元用于建立LSTM模型,构建目标函数;所述预测单元用于根据预测顺序判定单元提供的预测顺序代入模型进行预测道路的潜在危险程度;
所述模型建立单元的输出端与所述预测单元的输入端相连接;所述预测单元的输出端与所述目标函数输出模块的输入端相连接。
根据上述技术方案,所述目标函数输出模块包括目标函数输出单元、分析单元;
所述目标函数输出单元用于对模型建立单元建立的模型进行处理,获得最终的结果;所述分析单元用于获取待测道路数据,输入到模型中,进行分析待测道路的潜在危险程度;
所述目标函数输出单元的输出端与所述分析单元的输入端相连接。
一种基于光纤传感的道路监测方法,该方法包括以下步骤:
S1、获取多源数据,作为主数据库,所述多源数据包括道路自身质量数据、天气数据、道路交通数据、光纤传感监控数据;
S2、对主数据库进行分析,分为历史数据与待测数据,根据不同道路的不同数据进行特征提取;
S3、对历史数据进行处理,建立时间区间,对道路进行统一调整,并根据历史数据进行学习;
S4、建立LSTM模型进行训练,按照特征顺序预测道路的潜在危险程度,输出目标函数。
根据上述技术方案,在步骤S2中,所述特征包括以下:天气、车辆数目与速度、载重、光缆应变量。
光缆的应变量为受力发生变化的光缆的应变发生变化,因为在目前的光纤传感检测中,一般是在道路下方进行铺设光缆,这样在路基下方土体出现松动的地方,路基下方的监测光缆受力将发生变化,而路基未松动地方,路基下方的监测光缆受力保持不变,受力发生变化的光缆的应变发生变化,这样通过计算应变的变化量就可以计算出监测光缆的拉伸量,进而计算出路面的下沉变化量。基于此类,本申请将光缆应变量作为一个实际数据进行参照。
根据上述技术方案,在步骤S3中,对道路数据进行处理,建立一个固定时间区间T;将一个固定时间区间T内的道路特征看作一个集合,即将一个固定时间区间T内的天气、车辆数目与速度、载重、光缆应变量作为一个固定的序列;
分析道路的潜在危险,定义一种正反馈,所述正反馈包括预警和维修;使用A来表示主数据库中的道路集合,B表示历史数据中的部分道路集合,B∈A+,A+表示A中表达正反馈的所有道路的集合,i∈B,i表示任一道路的数据特征中的任一特征。
根据上述技术方案,在步骤S4中,建立LSTM模型训练的顺序,包括以下顺序:
第一顺序:天气--车辆数目与速度--载重--光缆应变量;
第二顺序:车辆数目与速度--载重--天气--光缆应变量;
LSTM是一种RNN模型,RNN是一系列能够处理序列数据的神经网络的总称。RNN特性是隐单元间的连接是循环的;如果输入是一个时间序列,可以将其展开。其中的每一个单元,除了处理当前时间点的输入数据外,还要处理前一个单元的输出,最终输出单一的预测。基本的RNN模型只处理前一个单元的输出,这样距离远的单元的输出,因为中间经过多次处理,影响就逐渐消失。
为了尽可能将有用的关键信息保留下来,LSTM通过增加各种门控,如输入门,遗忘门和输出门,这使得自循环的权重是变化的,能够控制上一单元有多少信息可以通过,当前单元有哪些信息可以添加传递给下一个单元。
在本申请中,以道路数据中的特征顺序为例,经过变换后的数据,一般经过大约10轮循环训练,精度就可达到90%以上。因为不同数据块包含相同道路的不同行的数据,相当于每次给不同的LSTM单元看的信息逐渐增加。模型在这个过程中可利用前一单元的预测结果不断学习。最后的LSTM单元可以利用之前单元的全部学习结果,得到准确的预测。
也即是说,在本申请中,提出了两种特征顺序,即:
第一顺序:天气--车辆数目与速度--载重--光缆应变量;
第二顺序:车辆数目与速度--载重--天气--光缆应变量;
这两种顺序所代表的含义具体为,例如在一段道路上,一个时间区间内,先下雪后再通一个载重为M的车与通一个载重为M的车后再下雪,对于道路造成的损伤是不同等的,然而其在一个时间区间内的特征却是相同的,都是下雪天、通一个载重为M的车;因此设立不同的顺序方式,进行模型的进一步分析,能够确保在一个时间区间内对道路的预测实现更加精准的程度,无数个时间区间进行组合,就会使得最后输出的目标函数更加精准,以保证最佳的预测结果。
定义一个道路潜在危险预测器,用于预测具备特征i的道路的潜在危险,记为Xu,i;则有:
Xu,i=c1+Ku+Lu*V(Xi)
其中Xu,i表示道路u具备特征i的潜在危险分数,c1表示全局偏移量,Ku表示道路u的自身质量偏差,Lu表示道路u的特征顺序组合影响向量,Xi表示特征i对道路u的潜在危险影响能力,V表示特征组合影响向量;
按照顺序,根据道路的特征顺序为条件来预测最终的光缆应变量,建立目标函数学习每一区间内其他特征与光缆应变量的兼容关系;
则有:
其中,E1为目标函数;Xu,i+1表示道路u下的光缆应变量的危险程度;θ表示预测模型的模型参数,在第一顺序下,θ=θ1;在第二顺序下,θ=θ2;N表示道路中在一个固定时间区间T的特征i的数量;Pr(Xu,i+1丨Xu,1,Xu,2,……,Xu,i;θ)表示Xu,i+1以先前具备特征i的道路的潜在危险为条件下的预测概率;
获取待测道路,采集待测道路在一个固定时间区间T内的特征,输入到目标函数下,学习训练后得出待测道路的潜在危险程度。
与现有技术相比,本发明所达到的有益效果是:
本发明能够基于道路的多源数据进行进一步分析,建立道路数据的特征识别机制,并且能够根据不同的特征顺序建立不同的预测顺序,从而建立不同的预测模型,输出不同的目标函数,最终能够进行监测道路的寿命情况,提供更加精准的预测结果,保证道路及其伴行管线能够有效匹配城市基础设施的增长速度,减轻运维工作面临的巨大压力,实现实时进行监测,在预测到路面塌陷时及时进行组织检修,防患于未然,保证国家和人民的生命与财产安全。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于光纤传感的道路监测***及方法的步骤示意图;
图2是本发明一种基于光纤传感的道路监测方法的步骤示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
请参阅图1-2,本发明提供技术方案:
一种基于光纤传感的道路监测***,该***包括道路数据获取模块、时间区间限定模块、预测顺序判定模块、模型建立模块、目标函数输出模块;
所述道路数据获取模块用于获取道路的多源数据,包括天气、车辆数目与速度、载重、光缆应变量;所述时间区间限定模块用于限定时间区间,在每一个时间区间上进行分析处理数据;所述预测顺序判定模块用于建立特征顺序机制,按照不同的顺序进行预测顺序的判定;所述模型建立模块用于建立预测模型,对待测道路进行监测;所述目标函数输出模块用于输出最终的预测结果,即目标函数,以保证道路的寿命预测更加精准;
所述道路数据获取模块的输出端与所述时间区间限定模块的输入端相连接;所述时间区间限定模块的输出端与所述预测顺序判定模块的输入端相连接;所述预测顺序判定模块的输出端与所述模型建立模块的输入端相连接;所述模型建立模块的输出端与所述目标函数输出模块的输入端相连接。
所述道路数据获取模块包括天气单元、车辆监督单元、光缆监测单元;
所述天气单元用于获取道路上方的天气状况;所述车辆监督单元用于监督道路上来往车辆的数目、速度以及载重量;所述光缆监测单元用于监测光缆的应变量;
所述天气单元、车辆监督单元、光缆监测单元的输出端分别与所述时间区间限定模块的输入端相连接。
所述时间区间限定模块包括时间单元、区间分配单元;
所述时间单元用于整理所述道路数据获取模块获取的数据的分布时间情况,对天气、车辆速度和载重以及光缆应变量进行一一对应;所述区间分配单元用于限定一个时间区间,获取这一时间区间下的所有道路数据,建立一个集合;
所述时间单元的输出端与所述区间分配单元的输入端相连接;所述区间分配单元的输出端与所述预测顺序判定模块的输入端相连接。
所述预测顺序判定模块包括特征识别单元、预测顺序判定单元;
所述特征识别单元用于建立道路数据的特征,并对特征进行识别,获取每条道路上的特征数量;所述预测顺序判定单元用于对特征顺序进行归纳,并按照特征顺序建立预测顺序;
所述特征识别单元的输出端与所述预测顺序判定单元的输入端相连接;所述预测顺序判定单元的输出端与所述模型建立模块的输入端相连接。
所述模型建立模块包括模型建立单元、预测单元;
所述模型建立单元用于建立LSTM模型,构建目标函数;所述预测单元用于根据预测顺序判定单元提供的预测顺序代入模型进行预测道路的潜在危险程度;
所述模型建立单元的输出端与所述预测单元的输入端相连接;所述预测单元的输出端与所述目标函数输出模块的输入端相连接。
所述目标函数输出模块包括目标函数输出单元、分析单元;
所述目标函数输出单元用于对模型建立单元建立的模型进行处理,获得最终的结果;所述分析单元用于获取待测道路数据,输入到模型中,进行分析待测道路的潜在危险程度;
所述目标函数输出单元的输出端与所述分析单元的输入端相连接。
一种基于光纤传感的道路监测方法,该方法包括以下步骤:
S1、获取多源数据,作为主数据库,所述多源数据包括道路自身质量数据、天气数据、道路交通数据、光纤传感监控数据;
S2、对主数据库进行分析,分为历史数据与待测数据,根据不同道路的不同数据进行特征提取;
S3、对历史数据进行处理,建立时间区间,对道路进行统一调整,并根据历史数据进行学习;
S4、建立LSTM模型进行训练,按照特征顺序预测道路的潜在危险程度,输出目标函数。
在步骤S2中,所述特征包括以下:天气、车辆数目与速度、载重、光缆应变量。
在步骤S3中,对道路数据进行处理,建立一个固定时间区间T;将一个固定时间区间T内的道路特征看作一个集合,即将一个固定时间区间T内的天气、车辆数目与速度、载重、光缆应变量作为一个固定的序列;
分析道路的潜在危险,定义一种正反馈,所述正反馈包括预警和维修;使用A来表示主数据库中的道路集合,B表示历史数据中的部分道路集合,B∈A+,A+表示A中表达正反馈的所有道路的集合,i∈B,i表示任一道路的数据特征中的任一特征。
在步骤S4中,建立LSTM模型训练的顺序,包括以下顺序:
第一顺序:天气--车辆数目与速度--载重--光缆应变量;
第二顺序:车辆数目与速度--载重--天气--光缆应变量;
定义一个道路潜在危险预测器,用于预测具备特征i的道路的潜在危险,记为Xu,i;则有:
Xu,i=c1+Ku+Lu*V(Xi)
其中Xu,i表示道路u具备特征i的潜在危险分数,c1表示全局偏移量,Ku表示道路u的自身质量偏差,Lu表示道路u的特征顺序组合影响向量,Xi表示特征i对道路u的潜在危险影响能力,V表示特征组合影响向量;
按照顺序,根据道路的特征顺序为条件来预测最终的光缆应变量,建立目标函数学习每一区间内其他特征与光缆应变量的兼容关系;
则有:
其中,E1为目标函数;Xu,i+1表示道路u下的光缆应变量的危险程度;θ表示预测模型的模型参数,在第一顺序下,θ=θ1;在第二顺序下,θ=θ2;N表示道路中在一个固定时间区间T的特征i的数量;Pr(Xu,i+1丨Xu,1,Xu,2,……,Xu,i;θ)表示Xu,i+1以先前具备特征i的道路的潜在危险为条件下的预测概率;
获取待测道路,采集待测道路在一个固定时间区间T内的特征,输入到目标函数下,学习训练后得出待测道路的潜在危险程度。
在本实施例中:
获取多段道路A1、A2、A3、……、Aj与待测道路B的多源数据;
将道路A1、A2、A3、……、Aj的多源数据作为历史数据;建立一个固定时间区间T,T=24小时;将一个固定时间区间T内的道路特征看作一个集合,即将一个固定时间区间T内的天气、车辆数目与速度、载重、光缆应变量作为一个固定的序列;
获取连续10天的道路数据,建立LSTM模型训练的顺序,包括以下顺序:
第一顺序:天气--车辆数目与速度--载重--光缆应变量;
第二顺序:车辆数目与速度--载重--天气--光缆应变量;
定义一个道路潜在危险预测器,用于预测具备特征i的道路的潜在危险,记为Xu,i;则有:
Xu,i=c1+Ku+Lu*V(Xi)
其中Xu,i表示道路u具备特征i的潜在危险分数,c1表示全局偏移量,等于h1,Ku表示道路u的自身质量偏差,其中道路A1、A2、A3、……、Aj的自身质量偏差为h2;道路B的自身质量偏差为h3;Lu表示道路u的特征顺序组合影响向量,Xi表示特征i对道路u的潜在危险影响能力,V表示特征组合影响向量;
通过对时间区间的划分,发现10天内道路A1、A2、A3是以第一顺序进行特征识别;即每天都是雪后才通车;因此建立第一顺序下的目标函数;
则有:
其中,E1为目标函数;Xu,i+1表示道路u下的光缆应变量的危险程度;θ表示预测模型的模型参数,在第一顺序下,θ=θ1;N表示道路中在一个固定时间区间T的特征i的数量;Pr(Xu,i+1丨Xu,1,
Xu,2,……,Xu,i;θ)表示Xu,i+1以先前具备特征i的道路的潜在危险为条件下的预测概率;
发现10天内道路A4、……、Aj是以第一顺序进行特征识别;即每天都是通车后下雪;因此建立第二顺序下的目标函数;
则有:
其中,E1为目标函数;Xu,i+1表示道路u下的光缆应变量的危险程度;θ表示预测模型的模型参数,在第一顺序下,θ=θ2;N表示道路中在一个固定时间区间T的特征i的数量;Pr(Xu,i+1丨Xu,1,
Xu,2,……,Xu,i;θ)表示Xu,i+1以先前具备特征i的道路的潜在危险为条件下的预测概率;
获取待测道路B的数据,采集其在一个固定时间区间T内的特征顺序,并输入到历史数据中相同的特征顺序下的目标函数中;学习训练后得出待测道路的潜在危险程度。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是: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,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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。
Claims (7)
1.一种基于光纤传感的道路监测方法,其特征在于:该方法包括以下步骤:
S1、获取多源数据,作为主数据库,所述多源数据包括道路自身质量数据、天气数据、道路交通数据、光纤传感监控数据;
S2、对主数据库进行分析,分为历史数据与待测数据,根据不同道路的不同数据进行特征提取;
S3、对历史数据进行处理,建立时间区间,对道路进行统一调整,并根据历史数据进行学习;
S4、建立LSTM模型进行训练,按照特征顺序预测道路的潜在危险程度,输出目标函数;
在步骤S3中,对道路数据进行处理,建立一个固定时间区间T;将一个固定时间区间T内的道路特征看作一个集合,即将一个固定时间区间T内的天气、车辆数目与速度、载重、光缆应变量作为一个固定的序列;
分析道路的潜在危险,定义一种正反馈,所述正反馈包括预警和维修;使用A来表示主数据库中的道路集合,B表示历史数据中的部分道路集合,B∈A+,A+表示A中表达正反馈的所有道路的集合,i∈B,i表示任一道路的数据特征中的任一特征;
在步骤S4中,建立LSTM模型训练的顺序,包括以下顺序:
第一顺序:天气--车辆数目与速度--载重--光缆应变量;
第二顺序:车辆数目与速度--载重--天气--光缆应变量;
定义一个道路潜在危险预测器,用于预测具备特征i的道路的潜在危险,记为Xu,i;则有:
Xu,i=c1+Ku+Lu*V(Xi)
其中Xu,i表示道路u具备特征i的潜在危险分数,c1表示全局偏移量,Ku表示道路u的自身质量偏差,Lu表示道路u的特征顺序组合影响向量,Xi表示特征i对道路u的潜在危险影响能力,V表示特征组合影响向量;
按照顺序,根据道路的特征顺序为条件来预测最终的光缆应变量,建立目标函数学习每一区间内其他特征与光缆应变量的兼容关系;
则有:
其中,E1为目标函数;Xu,i+1表示道路u下的光缆应变量的危险程度;θ表示预测模型的模型参数,在第一顺序下,θ=θ1;在第二顺序下,θ=θ2;N表示道路中在一个固定时间区间T的特征i的数量;Pr(Xu,i+1丨Xu,1,Xu,2,……,Xu,i;θ)表示Xu,i+1以先前具备特征i的道路的潜在危险为条件下的预测概率;
获取待测道路,采集待测道路在一个固定时间区间T内的特征,输入到目标函数下,学习训练后得出待测道路的潜在危险程度。
2.应用如权利要求1所述的一种基于光纤传感的道路监测方法的一种基于光纤传感的道路监测***,其特征在于:该***包括道路数据获取模块、时间区间限定模块、预测顺序判定模块、模型建立模块、目标函数输出模块;
所述道路数据获取模块用于获取道路的多源数据,包括天气、车辆数目与速度、载重、光缆应变量;所述时间区间限定模块用于限定时间区间,在每一个时间区间上进行分析处理数据;所述预测顺序判定模块用于建立特征顺序机制,按照不同的顺序进行预测顺序的判定;所述模型建立模块用于建立预测模型,对待测道路进行监测;所述目标函数输出模块用于输出最终的预测结果,即目标函数,以保证道路的寿命预测更加精准;
所述道路数据获取模块的输出端与所述时间区间限定模块的输入端相连接;所述时间区间限定模块的输出端与所述预测顺序判定模块的输入端相连接;所述预测顺序判定模块的输出端与所述模型建立模块的输入端相连接;所述模型建立模块的输出端与所述目标函数输出模块的输入端相连接。
3.根据权利要求2所述的一种基于光纤传感的道路监测***,其特征在于:所述道路数据获取模块包括天气单元、车辆监督单元、光缆监测单元;
所述天气单元用于获取道路上方的天气状况;所述车辆监督单元用于监督道路上来往车辆的数目、速度以及载重量;所述光缆监测单元用于监测光缆的应变量;
所述天气单元、车辆监督单元、光缆监测单元的输出端分别与所述时间区间限定模块的输入端相连接。
4.根据权利要求2所述的一种基于光纤传感的道路监测***,其特征在于:所述时间区间限定模块包括时间单元、区间分配单元;
所述时间单元用于整理所述道路数据获取模块获取的数据的分布时间情况,对天气、车辆速度和载重以及光缆应变量进行一一对应;所述区间分配单元用于限定一个时间区间,获取这一时间区间下的所有道路数据,建立一个集合;
所述时间单元的输出端与所述区间分配单元的输入端相连接;所述区间分配单元的输出端与所述预测顺序判定模块的输入端相连接。
5.根据权利要求2所述的一种基于光纤传感的道路监测***,其特征在于:所述预测顺序判定模块包括特征识别单元、预测顺序判定单元;
所述特征识别单元用于建立道路数据的特征,并对特征进行识别,获取每条道路上的特征数量;所述预测顺序判定单元用于对特征顺序进行归纳,并按照特征顺序建立预测顺序;
所述特征识别单元的输出端与所述预测顺序判定单元的输入端相连接;所述预测顺序判定单元的输出端与所述模型建立模块的输入端相连接。
6.根据权利要求5所述的一种基于光纤传感的道路监测***,其特征在于:所述模型建立模块包括模型建立单元、预测单元;
所述模型建立单元用于建立LSTM模型,构建目标函数;所述预测单元用于根据预测顺序判定单元提供的预测顺序代入模型预测道路的潜在危险程度;
所述模型建立单元的输出端与所述预测单元的输入端相连接;所述预测单元的输出端与所述目标函数输出模块的输入端相连接。
7.根据权利要求2所述的一种基于光纤传感的道路监测***,其特征在于:所述目标函数输出模块包括目标函数输出单元、分析单元;
所述目标函数输出单元用于对模型建立单元建立的模型进行处理,获得最终的结果;所述分析单元用于获取待测道路数据,输入到模型中,分析待测道路的潜在危险程度;
所述目标函数输出单元的输出端与所述分析单元的输入端相连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111460629.0A CN114413832B (zh) | 2021-12-02 | 2021-12-02 | 一种基于光纤传感的道路监测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111460629.0A CN114413832B (zh) | 2021-12-02 | 2021-12-02 | 一种基于光纤传感的道路监测***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114413832A CN114413832A (zh) | 2022-04-29 |
CN114413832B true CN114413832B (zh) | 2023-12-15 |
Family
ID=81265276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111460629.0A Active CN114413832B (zh) | 2021-12-02 | 2021-12-02 | 一种基于光纤传感的道路监测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114413832B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115096253B (zh) * | 2022-06-06 | 2023-11-07 | 新兴际华科技发展有限公司 | 一种用于高机动救援装备路基监测方法及*** |
Citations (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000018981A (ja) * | 1998-06-30 | 2000-01-21 | Mitsubishi Heavy Ind Ltd | 光ファイバセンサ |
US6023653A (en) * | 1995-11-30 | 2000-02-08 | Fujitsu Ten Limited | Vehicle position detecting apparatus |
KR20100088945A (ko) * | 2009-02-02 | 2010-08-11 | 주식회사 로텍인스트루먼트 | 철도 지반 침하 및 구조물 변형에 따른 레일 변위량 측정 장치 및 이를 이용한 레일 변위량 자동 계측 시스템과 그 방법 |
CN103175508A (zh) * | 2011-12-23 | 2013-06-26 | 同方威视技术股份有限公司 | 铁路路基沉降监测 |
CN105066896A (zh) * | 2015-07-18 | 2015-11-18 | 深圳市勘察研究院有限公司 | 岩溶塌陷实时光纤预警预报*** |
CN105783863A (zh) * | 2016-05-04 | 2016-07-20 | 东华大学 | 一种基于光纤传感技术的地基沉降测量***及方法 |
CN106476845A (zh) * | 2016-10-27 | 2017-03-08 | 林和光 | 轨道计轴光纤光栅传感器及轨道计轴装置、***和方法 |
CN107356271A (zh) * | 2016-05-09 | 2017-11-17 | 辉固科技有限公司 | 基于光纤的交通和基础设施监测*** |
CN107392786A (zh) * | 2017-07-11 | 2017-11-24 | 中国矿业大学 | 基于支持向量机的矿井光纤光栅监测***缺失数据补偿方法 |
CN107591002A (zh) * | 2017-09-21 | 2018-01-16 | 电子科技大学 | 一种基于分布式光纤的高速公路交通参数实时估计方法 |
CN108985340A (zh) * | 2018-06-22 | 2018-12-11 | 西安电子科技大学 | 基于双模型融合的盾构施工地面沉降量预测方法 |
CN109388887A (zh) * | 2018-10-09 | 2019-02-26 | 首都师范大学 | 一种地面沉降影响因素定量分析方法及*** |
CN109697515A (zh) * | 2018-12-28 | 2019-04-30 | 深圳高速工程顾问有限公司 | 道路路面管理方法、装置、存储介质及计算机设备 |
CN109993223A (zh) * | 2019-03-26 | 2019-07-09 | 南京道润交通科技有限公司 | 路面使用性能预测方法、存储介质、电子设备 |
CN110686613A (zh) * | 2019-11-14 | 2020-01-14 | 大连理工大学 | 一种基于分布式光纤动静应变测试的路基变形监测*** |
CN110926523A (zh) * | 2019-10-07 | 2020-03-27 | 上海黑山科技有限公司 | 一种复杂恶劣条件下高速铁路桥梁安全感知与预警*** |
KR20200071828A (ko) * | 2018-11-30 | 2020-06-22 | 주식회사 디투리소스 | 인공지능 기반 도로 파손 위험 예측 시스템 |
CN111415533A (zh) * | 2020-04-22 | 2020-07-14 | 湖北民族大学 | 弯道安全预警监控方法、装置以及*** |
RU2733061C1 (ru) * | 2019-12-27 | 2020-09-29 | Геннадий Васильевич Кирюшин | Система мониторинга состояния дороги, контроля и управления дорожным движением и способ функционирования этой системы |
CN111896049A (zh) * | 2020-07-07 | 2020-11-06 | 河海大学 | 一种高速公路软基智能处理监测***及监测预警方法 |
CN112163669A (zh) * | 2020-10-09 | 2021-01-01 | 上海应用技术大学 | 基于bp神经网络的路面沉陷预测方法 |
CN112417953A (zh) * | 2020-10-12 | 2021-02-26 | 腾讯科技(深圳)有限公司 | 道路状况检测和地图数据更新方法、装置、***及设备 |
CN112733442A (zh) * | 2020-12-31 | 2021-04-30 | 交通运输部公路科学研究所 | 基于深度学习的路面长期性能预测模型及其构建方法 |
AU2021101917A4 (en) * | 2021-04-14 | 2021-06-03 | China Construction Third Engineering Bureau Co.,Ltd | Intelligent prediction and multi-objective optimization control method for ground settlement induced by subway tunnel construction |
CN113204824A (zh) * | 2021-05-21 | 2021-08-03 | 上海大学 | 多模型融合的盾构施工沉降预测方法及*** |
KR102288312B1 (ko) * | 2020-02-13 | 2021-08-10 | 인하대학교 산학협력단 | 블랙 아이스를 검출하는 방법 및 장치 |
CN113614309A (zh) * | 2019-01-28 | 2021-11-05 | 动态Ad有限责任公司 | 检测道路异常 |
CN114048790A (zh) * | 2021-08-01 | 2022-02-15 | 北京工业大学 | 一种基于耦合双向lstm和卷积结构网络的道路基层应变分析方法 |
CN115406403A (zh) * | 2022-11-01 | 2022-11-29 | 广州地铁设计研究院股份有限公司 | 一种轨道交通隧道沉降监测方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111254902B (zh) * | 2020-01-30 | 2020-12-01 | 华东交通大学 | 一种铁路路基形变检测与预警*** |
CN112560609B (zh) * | 2020-12-03 | 2022-11-15 | 北京百度网讯科技有限公司 | 路况预估方法、建立路况预估模型的方法及对应装置 |
-
2021
- 2021-12-02 CN CN202111460629.0A patent/CN114413832B/zh active Active
Patent Citations (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6023653A (en) * | 1995-11-30 | 2000-02-08 | Fujitsu Ten Limited | Vehicle position detecting apparatus |
JP2000018981A (ja) * | 1998-06-30 | 2000-01-21 | Mitsubishi Heavy Ind Ltd | 光ファイバセンサ |
KR20100088945A (ko) * | 2009-02-02 | 2010-08-11 | 주식회사 로텍인스트루먼트 | 철도 지반 침하 및 구조물 변형에 따른 레일 변위량 측정 장치 및 이를 이용한 레일 변위량 자동 계측 시스템과 그 방법 |
CN103175508A (zh) * | 2011-12-23 | 2013-06-26 | 同方威视技术股份有限公司 | 铁路路基沉降监测 |
CN105066896A (zh) * | 2015-07-18 | 2015-11-18 | 深圳市勘察研究院有限公司 | 岩溶塌陷实时光纤预警预报*** |
CN105783863A (zh) * | 2016-05-04 | 2016-07-20 | 东华大学 | 一种基于光纤传感技术的地基沉降测量***及方法 |
CN107356271A (zh) * | 2016-05-09 | 2017-11-17 | 辉固科技有限公司 | 基于光纤的交通和基础设施监测*** |
CN106476845A (zh) * | 2016-10-27 | 2017-03-08 | 林和光 | 轨道计轴光纤光栅传感器及轨道计轴装置、***和方法 |
CN107392786A (zh) * | 2017-07-11 | 2017-11-24 | 中国矿业大学 | 基于支持向量机的矿井光纤光栅监测***缺失数据补偿方法 |
CN107591002A (zh) * | 2017-09-21 | 2018-01-16 | 电子科技大学 | 一种基于分布式光纤的高速公路交通参数实时估计方法 |
CN108985340A (zh) * | 2018-06-22 | 2018-12-11 | 西安电子科技大学 | 基于双模型融合的盾构施工地面沉降量预测方法 |
CN109388887A (zh) * | 2018-10-09 | 2019-02-26 | 首都师范大学 | 一种地面沉降影响因素定量分析方法及*** |
KR20200071828A (ko) * | 2018-11-30 | 2020-06-22 | 주식회사 디투리소스 | 인공지능 기반 도로 파손 위험 예측 시스템 |
CN109697515A (zh) * | 2018-12-28 | 2019-04-30 | 深圳高速工程顾问有限公司 | 道路路面管理方法、装置、存储介质及计算机设备 |
CN113614309A (zh) * | 2019-01-28 | 2021-11-05 | 动态Ad有限责任公司 | 检测道路异常 |
CN109993223A (zh) * | 2019-03-26 | 2019-07-09 | 南京道润交通科技有限公司 | 路面使用性能预测方法、存储介质、电子设备 |
CN110926523A (zh) * | 2019-10-07 | 2020-03-27 | 上海黑山科技有限公司 | 一种复杂恶劣条件下高速铁路桥梁安全感知与预警*** |
CN110686613A (zh) * | 2019-11-14 | 2020-01-14 | 大连理工大学 | 一种基于分布式光纤动静应变测试的路基变形监测*** |
RU2733061C1 (ru) * | 2019-12-27 | 2020-09-29 | Геннадий Васильевич Кирюшин | Система мониторинга состояния дороги, контроля и управления дорожным движением и способ функционирования этой системы |
KR102288312B1 (ko) * | 2020-02-13 | 2021-08-10 | 인하대학교 산학협력단 | 블랙 아이스를 검출하는 방법 및 장치 |
CN111415533A (zh) * | 2020-04-22 | 2020-07-14 | 湖北民族大学 | 弯道安全预警监控方法、装置以及*** |
CN111896049A (zh) * | 2020-07-07 | 2020-11-06 | 河海大学 | 一种高速公路软基智能处理监测***及监测预警方法 |
CN112163669A (zh) * | 2020-10-09 | 2021-01-01 | 上海应用技术大学 | 基于bp神经网络的路面沉陷预测方法 |
CN112417953A (zh) * | 2020-10-12 | 2021-02-26 | 腾讯科技(深圳)有限公司 | 道路状况检测和地图数据更新方法、装置、***及设备 |
CN112733442A (zh) * | 2020-12-31 | 2021-04-30 | 交通运输部公路科学研究所 | 基于深度学习的路面长期性能预测模型及其构建方法 |
AU2021101917A4 (en) * | 2021-04-14 | 2021-06-03 | China Construction Third Engineering Bureau Co.,Ltd | Intelligent prediction and multi-objective optimization control method for ground settlement induced by subway tunnel construction |
CN113204824A (zh) * | 2021-05-21 | 2021-08-03 | 上海大学 | 多模型融合的盾构施工沉降预测方法及*** |
CN114048790A (zh) * | 2021-08-01 | 2022-02-15 | 北京工业大学 | 一种基于耦合双向lstm和卷积结构网络的道路基层应变分析方法 |
CN115406403A (zh) * | 2022-11-01 | 2022-11-29 | 广州地铁设计研究院股份有限公司 | 一种轨道交通隧道沉降监测方法及*** |
Non-Patent Citations (2)
Title |
---|
公路桥梁智能检测技术研究进展;贺拴海 等;中国公路学报;12-24 * |
地铁轨道不平顺状态的监测与预警;常惠;饶志强;赵玉林;;科学技术与工程(第22期);353-358 * |
Also Published As
Publication number | Publication date |
---|---|
CN114413832A (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | A methodology for evaluating micro-surfacing treatment on asphalt pavement based on grey system models and grey rational degree theory | |
Li et al. | Intelligent decision-making model in preventive maintenance of asphalt pavement based on PSO-GRU neural network | |
CN113779835A (zh) | 基于ai与智能监测***的深大基坑安全预警方法 | |
CN108009736A (zh) | 一种水质预警预报***及水质预警预报方法 | |
CN114005278B (zh) | 一种高速公路基础设施群智能监测与预警***及方法 | |
CN114912635A (zh) | 一种公路养护决策方法、***、存储介质和电子设备 | |
CN114413832B (zh) | 一种基于光纤传感的道路监测***及方法 | |
CN110110425B (zh) | 一种基于信度规则推理的边坡滑动力预测方法 | |
CN115601008A (zh) | 基于数字孪生的工程沉降变形监测***及方法 | |
CN115774953B (zh) | 一种基于数据处理的污染时空风险监管评估***及方法 | |
CN115267945A (zh) | 一种基于图神经网络的雷电预警方法与*** | |
CN112542049A (zh) | 智慧交通综合管控平台 | |
CN113657041A (zh) | 一种高寒区路基物理力学状态智能感知与预报*** | |
CN110929952B (zh) | 基于线路周边环境和敷设类型的光缆故障概率预测方法 | |
CN114855570A (zh) | 市政道路的养护策略处理方法、装置和计算机设备 | |
CN117540329B (zh) | 基于机器学习的排水管网缺陷在线预警方法及*** | |
CN114997671A (zh) | 基于人工神经网络和熵值法的基坑变形安全风险评估的方法 | |
CN117574493B (zh) | 一种多年冻土地区高速公路冻土范围形变识别方法及*** | |
CN113567247A (zh) | 一种桥梁检测信息管理*** | |
CN103604624A (zh) | 基于混合监测的受损索和集中载荷识别方法 | |
CN116202575B (zh) | 一种水土保持土壤流失率监测***及方法 | |
CN103604645A (zh) | 广义位移混合监测问题索集中载荷识别方法 | |
CN103616210A (zh) | 广义位移时空间坐标监测的受损索集中载荷识别方法 | |
CN208654841U (zh) | 一种水质预警预报*** | |
CN116090696A (zh) | 适用于山区铁路沿线的滑坡地质灾害风险分类预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |