CN108632778A - 一种基于mdg-sc算法的桥梁在线监测系统 - Google Patents

一种基于mdg-sc算法的桥梁在线监测系统 Download PDF

Info

Publication number
CN108632778A
CN108632778A CN201810454287.3A CN201810454287A CN108632778A CN 108632778 A CN108632778 A CN 108632778A CN 201810454287 A CN201810454287 A CN 201810454287A CN 108632778 A CN108632778 A CN 108632778A
Authority
CN
China
Prior art keywords
nights
stay
data
sub
mobile
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.)
Withdrawn
Application number
CN201810454287.3A
Other languages
English (en)
Inventor
张青春
甘浩宇
梁川
何威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaiyin Institute of Technology
Original Assignee
Huaiyin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN201810454287.3A priority Critical patent/CN108632778A/zh
Publication of CN108632778A publication Critical patent/CN108632778A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于MDG‑SC算法的桥梁在线监测系统，包括由安装在桥梁上的传感器组成的信号采集部分，以及信号处理与网络传输部分，云服务与数据处理部分，所述信号处理与网络传输部分和云服务与数据处理部分之间通过采用移动信宿策略的Lora无线传感网络进行通信，所述移动信宿MS的移动速度通过MDG‑SC算法进行优化，即：当覆盖移动信宿MS位置的子信宿S为1时，移动信宿MS的移动速度为该子信宿S的数据速率SP1；当覆盖移动信宿MS位置的子信宿S大于1时，移动信宿MS的移动速度为所有子信宿S中的最低数据速率SP2；当覆盖移动信宿MS位置的子信宿S为0时，移动信宿MS的移动速度为SP3，SP3大于SP1、SP2。

Description

一种基于MDG-SC算法的桥梁在线监测系统
技术领域
本发明涉及桥梁监测系统领域，具体涉及一种基于MDG-SC算法的桥梁在线监测系统。
背景技术
随着国民经济的蓬勃发展，交通运输的日渐繁忙，桥梁作为交通的重要组成部分，其作用日益突出。桥梁是投资大，技术难度大、使用期长的基础设施，在国民经济和社会生活中占据举足轻重的地位，由于长期载荷和环境侵蚀等因素，桥梁不断遭受损伤，破坏，以致承载力下降；通过传感器监测桥梁状况的桥梁监测系统，在对桥梁的监测、维护工作起到重要的作用。
由于需要监测的桥梁大多是跨距较远的大型桥梁，传感器数量众多、分布零散，只能通过无线通信的方式传递数据，现有的桥梁监测系统中使用的无线通信方式主要是GPRS或ZigBee，目前中国三大运行商对2G网络已经停止投资，甚至已经提出2G/3G退网计划，GPRS通信已经开始慢慢退出舞台，同时GPRS数据丢包严重、速率低、延时高，无法满足实时性要求高的监测，而ZigBee成本高，通信距离短，穿透性差。
发明内容
本发明的目的是提供一种强连接、低功耗、覆盖广、成本低、数据收集量大的基于MDG-SC算法的桥梁在线监测系统。
本发明通过以下技术方案实现：
一种基于MDG-SC算法的桥梁在线监测系统，包括由安装在桥梁上的传感器组成的信号采集部分，以及信号处理与网络传输部分，云服务与数据处理部分，所述信号处理与网络传输部分和云服务与数据处理部分之间通过采用移动信宿策略的Lora无线传感网络进行通信，所述移动信宿MS的移动速度通过MDG-SC算法进行优化，即：当覆盖移动信宿MS当前位置的子信宿S的数量为1时，移动信宿MS的移动速度为该子信宿S的数据速率SP1；当覆盖移动信宿MS当前位置的子信宿S的数量大于1时，移动信宿MS的移动速度为所有子信宿S中的最低数据速率SP2；当覆盖移动信宿MS当前位置的子信宿S的数量为0时，移动信宿MS的移动速度为SP3，SP3大于SP1、SP2。
本发明的进一步方案是，所述信号采集部分采用了加速度传感器、应力传感器、温湿度传感器、风速传感器。
本发明的进一步方案是，所述信号处理与网络传输部分包括微处理芯片、GPS定位模块、Lora通信模块、移动信宿MS，所述微处理芯片接收并处理信号采集部分上传的信号数据构成子信宿S，通过GPS定位模块获取位置及时间数据，经Lora通信模块将数据上传移动信宿MS，所述移动信宿MS将数据上传云服务与数据处理部分。
本发明的进一步方案是，所述云服务与数据处理部分包括云服务平台和监测终端，所述云服务平台接收信号处理与网络传输部分上传的数据，所述监测终端访问云服务平台获取数据并采用LM-BP神经网络算法对数据进行分析；采用云服务平台成本更低，BP神经网络以其良好的非线性映射性、容错性和泛化性成为目前应用最广泛的神经网络，非常适合复杂多变的桥梁监测数据分析，利用神经网络的自我学习性研究桥梁各项数据之间的非线性关系，评估桥梁运行状况，进而采取相应措施，有效避免事故发生，有利于我国交通运行安全；采用LM算法改进后的LM-BP神经网络算法使BP神经网络能够有效的收敛，极大的提升了BP神经网络的收敛速度和泛化能力。
本发明与现有技术相比的优点在于：
Lora无线传感网络相比于ZigBee，可以轻松支持大量设备联网需求，Lora设备的大部分生命周期都处于超低功耗的深度睡眠模式，将电池寿命延长至5-10年，对于厂区、地下车库、井盖这类对深度覆盖有要求的场合很适用，成本仅为NB-IOT的1/4，具备强连接、低功耗、覆盖广、成本低的优点；MDG-SC算法根据覆盖移动信宿当前位置的子信宿数量来控制其移动速度，进而使单位时间内的数据收集量最大化。
附图说明
图1为本发明的系统结构框图。
图2为采用移动信宿策略的Lora无线传感网络模型。
图3为MDG-SC算法优化后的移动信宿的移动速度。
图4为割线示意图。
图5为移动信宿的移动速度更新示意图。
图6为MDG-SC算法优化后的移动信宿数据收集量表。
图7为LM-BP神经网络训练流程图。
图8为传统BP神经网络的训练次数示意图。
图9为LM-BP神经网络的训练次数示意图。
图10为预测精度分析图。
具体实施方式
如图1所示的一种基于MDG-SC算法的桥梁在线监测系统，包括由安装在桥梁上的传感器组成的信号采集部分，以及信号处理与网络传输部分，云服务与数据处理部分，所述信号采集部分采用了加速度传感器、应力传感器、温湿度传感器、风速传感器；所述信号处理与网络传输部分和云服务与数据处理部分之间通过如图2所示的采用移动信宿策略的Lora无线传感网络进行通信，所述信号处理与网络传输部分包括微处理芯片、GPS定位模块、Lora通信模块、移动信宿MS，所述微处理芯片接收并处理信号采集部分上传的信号数据构成子信宿S，通过GPS定位模块获取位置及时间数据，经Lora通信模块将数据上传移动信宿MS，所述移动信宿MS的移动速度通过MDG-SC(Maximum Data Gathering-based on SpeedControl of Mobile Sink)算法进行优化，即：如图3所示，当覆盖移动信宿MS当前位置的子信宿S的数量为1时，移动信宿MS的移动速度为该子信宿S的数据速率SP1；当覆盖移动信宿MS当前位置的子信宿S的数量大于1时，移动信宿MS的移动速度为所有子信宿S中的最低数据速率SP2；当覆盖移动信宿MS当前位置的子信宿S的数量为0时，移动信宿MS的移动速度为SP3，SP3大于SP1、SP2；所述云服务与数据处理部分包括云服务平台和监测终端，所述云服务平台接收移动信宿MS上传的数据，所述监测终端访问云服务平台获取数据并采用LM-BP神经网络算法对数据进行分析。
在桥梁的每个桥墩上分别安装一个传感节点机箱，该机箱附近的桥体上安装ADXL345型加速度传感器、DMP304型应力传感器、SHT-22型温湿度传感器、WFS-1型风速传感器，机箱中安装有ATMega2560型微处理芯片，SX1278型Lora通信模块、安信可A7型GPS定位模块，桥梁上还安装有轨道，USR-LG220型Lora集中器作为移动信宿MS(Mobile Sink)安装在沿轨道移动的电动小车上。
假定共有N＝{S1,S2,…,Sn}个传感节点，这N个传感节点的通信半径为Rs＝{R1,R2,…,Rn}，以E表示传感节点间的无线通信链路集，每个传感节点的位置是已知且固定的，移动信宿MS沿轨道形成的固定的路径P移动的最大速度为V；移动信宿MS收集路径P的邻近区域的数据，能直接与移动信宿MS通信的传感节点为子信宿S(Sink)，图2中的SS1、SS2、SS3、SS4均为子信宿S，移动信宿MS能够同时从多个子信宿S收集数据，令SS＝{SS1,SS2,…,SSns}表示子信宿集，相应的它们的通信半径为Rss＝{r1,r2,…,rns}，它们拥有的数据量表示为DA＝{DA1,DA2,…,DAns}，其中ns表示子信宿节点数。
引入两个变量：割线、子信宿数据速率。
割线，是指子信宿S的通信范围与路径P的交叉连线，如图4所示，子信宿SSi的通信范围与路径P有两个交点：始点SSi s、终点SSi e，此两个交点的连线SLi就称为割线。
子信宿数据速率是子信宿S向移动信宿MS传输数据的数据率，假定子信宿SSi的移动速率表示为DSi，其定义为：
DSi＝|SLi|/DTi，
式中|SLi|表示割线的长度，DTi表示子信宿SSi将数据DAi传输至移动信宿MS所耗的时间，相应地，DTi＝DAi/dtr，dtr表示子信宿S与移动信宿MS的通信数据传输率。
MDG-SC算法的目的是在nss轮内，并在给定时期t区间，移动信宿MS沿着路径P获取最大的数据量。
假定在第k轮，移动信宿MS从子信宿SSk割线始点开始移动，即：将此位置作为初始位置，并启动数据收集过程，直到时间t截止。
实现过程如下:每一轮开始时，移动信宿MS的初始速度等于它的初始位置所在的子信宿SSk的数据率DSk，并以速度一直移动直到满足下列三个条件中的任意一条才更换新的移动速度：1)时间t截止；2)进入另一个子信宿的通信范围，即移动至另一个子信宿的割线始点3)移动至子信宿SSk的割线终点。
具体如图5所示：
1)时间t截止：当达到时限t时，移动信宿MS就停止移动；
2)当移动至另一个子信宿范围，即子信宿通信区域的重叠区域，此时，移动信宿MS的移动速度等于这些子信宿的最小数据率，如下式所示：
式中CMS表示子信宿重叠区域的子信宿节点集。SSl和SSk存在重叠区域，因此，CMS＝{l,k}，其中l和k分别表示子信宿下标。
3)移动至子信宿SSk的割线终点，进入无子信宿S覆盖的区域时，移动信宿MS就以最大速度V进行移动，即
可知，移动信宿MS在位置开始以速度移动，直到进入重叠区域，将速度更新为这两个子信宿S的最小数据率，即离开重叠区域后，就进入只由子信宿SSl覆盖区域，因此，又将速度更新为与子信宿的数据率保持一致，即在进入无子信宿S覆盖的区域时就以最大速度V行驶，使单位时间内的数据收集量最大化。
根据图6所示，节点数增加有利于提升移动信宿MS所收集的数据量。例如，在时限t＝120秒时，当节点数为50时，收集的数据量为2000kb，而当节点数为300时，所收集的数据量达到7500kb。此外，时限t的提高，也增加了移动信宿MS所收集的数据量，这些数据表明MDG-SC算法能够有效的提高数据收集量。
目前BP神经网络在桥梁数据分析方面的应用仍采用最基本的数学模型，存在诸多问题：
(1)学习性与稳定性的对立：进行稳定学习的梯度算法要求较小的学习率，这样会导致网络收敛速度慢，训练时间长。
(2)训练陷入局部最小值：采用梯度下降法可能会产生多个局部最小值，使BP算法即使收敛到某个值，但也不能保证其为误差平面的全局最小值。
针对传统BP神经网络普遍的学习率与稳定性对立问题，采用以下几种解决方法提升数据分析速率以及准确性。
(1)增加动量项
在调整网络权值时，标准BP算法没有考虑到t时刻以前的梯度方向，只按t时刻误差的梯度下降方向调整，从而导致训练过程中容易发生震荡，收敛速度慢。可以在第n次迭代中增加动量项，即：
Wij(n)＝ηδj(n)oi(n)+αΔwij(n-1)，
其中αΔwij(n-1)位动量项α为动量系数,一般a∈(0,1)；
增加动量项即在本次权值调整中考虑前一次迭代的权值调，动量项包含了过去调整经验的积累,对t时刻的调整起阻尼作用，当误差出现振荡时,由于动量项考虑了历史情况，振荡趋势被降低，从而可以提高训练速度。
(2)自适应学习率
学习率也称为学习步长，在一般BP算法中，学习率为常量，但是在实际情况中，很难确定甚至存在一个不变的最佳学习率；太小的学习率会增加训练次数，而太大的学习率有导致振荡的可能性，增加迭代次数。为实现学习率自适应的改变，使其该大时增大，该小时减小，可以减少训练次数，节约计算机资源。
LM算法是基于牛顿-高斯法的一种修正法，利用其可以在最优值附近产生一个理想的搜索方向，从而保持较快下降速度的特点，在最速梯度下降法和高斯-牛顿法之间自适应调整网络权值，使神经网络每次迭代不在沿着单一的负梯度方向，而是允许误差沿着恶化的方向进行搜索，使网络能够有效的收敛，极大的提升了网络的收敛速度和泛化能力。
假设BP神经网络共有M层，有Q对训练样本(pq,yq)，q＝1,2,3···，Q；其中：pq为R个元素的列向量，代表第q对训练样本中的输入信号；tq为SM个元素的列向量，代表q对训练样本中的教师信号。令yq为SM个元素的列向量，代表第q对训练样本对应的实际网络输出信号。假设网络的输出节点为R，设第m层的节点数为Sm，m＝1,2，…M，则输出的节点数为SM。为了方便把R记为S0。因此，网络结构为S0S1S2...SM。
为了表达方便，记：
N＝QSM，n＝S1(S0+1)+S2(S1+1)+...+SM·(SM-1+1)；记eq＝tq-yq；记wm为第m层的权重就诊bm m，
为了避免传统BP算法中有学习新样本遗忘旧样本的趋势，这里采用批训练方式，BP算法的训练目的是希望训练样本的教师信号与网络输出信号之间的误差平方最小，这个误差平方和函数就是要优化的目标函数F(x)：
权向量W为：WT＝[W1W2...WM]，
式中，
根据上述公式，可求出误差对权值微分的雅可比矩阵为：
然后对网络权值和阈值进行调整：
ΔWk＝Wk+1-Wk＝-[JT(Wk)J(Wk)+μkI]-1JT(Wk)E(Wk)，
其中，I是单位矩阵，μk是LM算法内部使用的一个大于零的调整因子，用于控制LM算法的迭代，当其接近零时，LM算法接近于高斯-牛顿法；当其很大时，LM算法近似于传统BP的最速下降法。通过自适应调整该值，LM算法可以完成梯度下降法与高斯-牛顿法的较好结合。在实际操作中，该值是一个试探性的参数，算法开始时μk取小值，如果求得ΔWk能使误差指标函数F(x)降低，则该值降低到μk/β(其中，β>1)；反之，该值增加至β·μk。μk初始值为0.01，β取5。
给定任一连续的函数f:Um→Rm，f(X)＝Y，式中，U是单位闭区间[0,1]，f可以精确地用一个三层BP神经网络来实现，并保证了三层网络精确地实现任一连续函数。
这意味着一般的应用采用三层网络均可满足要求，流程如图7所示：
(1)初始化：随机生成权重，确定全部样本的误差平和，以及要达到的收敛准则；
(2)计算样本输出误差：对于有n个隐藏层节点、m个输出节点的典型三层神经网络来说，输出误差的过程如下：
隐藏层节点的输出为：
输出层节点的输出为：
输出层节点的输出误差为：
计算雅可比矩阵；
求权重和调整量。
以淮安市区某大桥为监测对象，将收集到的数据作为测试数据。根据运算结果，采用传统BP神经网络对该大桥不同数据集的状态预测，如图8所示，训练次数皆在4500次以上才能达到相应的精度要求，而采用的LM-BP神经网络训练次数如图9所示皆在10次以内，提高了运算速度，节约了计算机资源。
同时在数据预测方面，利用传统BP算法，通过增加动量项以及自适应学习率改进后的BP对比LM-BP模型的预测结果如图10所示，对于振动量与形变量的非线性拟合情况，可以看出传统BP模型偏离真实值最远，LM-BP模型预测精度最高，提升了数据传输速率和数据采集量。

Claims (4)

1.一种基于MDG-SC算法的桥梁在线监测系统，包括由安装在桥梁上的传感器组成的信号采集部分，以及信号处理与网络传输部分，云服务与数据处理部分，所述信号处理与网络传输部分和云服务与数据处理部分之间通过采用移动信宿策略的Lora无线传感网络进行通信，其特征在于：所述移动信宿MS的移动速度通过MDG-SC算法进行优化，即：当覆盖移动信宿MS当前位置的子信宿S的数量为1时，移动信宿MS的移动速度为该子信宿S的数据速率SP1；当覆盖移动信宿MS当前位置的子信宿S的数量大于1时，移动信宿MS的移动速度为所有子信宿S中的最低数据速率SP2；当覆盖移动信宿MS当前位置的子信宿S的数量为0时，移动信宿MS的移动速度为SP3，SP3大于SP1、SP2。
2.如权利要求1所述的一种基于MDG-SC算法的桥梁在线监测系统，其特征在于：所述信号采集部分采用了加速度传感器、应力传感器、温湿度传感器、风速传感器。
3.如权利要求1所述的一种基于MDG-SC算法的桥梁在线监测系统，其特征在于：所述信号处理与网络传输部分包括微处理芯片、GPS定位模块、Lora通信模块、移动信宿MS，所述微处理芯片接收并处理信号采集部分上传的信号数据构成子信宿S，通过GPS定位模块获取位置及时间数据，经Lora通信模块将数据上传移动信宿MS，所述移动信宿MS将数据上传云服务与数据处理部分。
4.如权利要求1所述的一种基于MDG-SC算法的桥梁在线监测系统，其特征在于：所述云服务与数据处理部分包括云服务平台和监测终端，所述云服务平台接收信号处理与网络传输部分上传的数据，所述监测终端访问云服务平台获取数据并采用LM-BP神经网络算法对数据进行分析。
CN201810454287.3A 2018-05-11 2018-05-11 一种基于mdg-sc算法的桥梁在线监测系统 Withdrawn CN108632778A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810454287.3A CN108632778A (zh) 2018-05-11 2018-05-11 一种基于mdg-sc算法的桥梁在线监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810454287.3A CN108632778A (zh) 2018-05-11 2018-05-11 一种基于mdg-sc算法的桥梁在线监测系统

Publications (1)

Publication Number Publication Date
CN108632778A true CN108632778A (zh) 2018-10-09

Family

ID=63692988

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810454287.3A Withdrawn CN108632778A (zh) 2018-05-11 2018-05-11 一种基于mdg-sc算法的桥梁在线监测系统

Country Status (1)

Country Link
CN (1) CN108632778A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110068759A (zh) * 2019-05-22 2019-07-30 四川华雁信息产业股份有限公司 一种故障类型获得方法及装置
CN111505010A (zh) * 2020-04-28 2020-08-07 张地林 一种基于云平台的桥梁安全检测系统
CN113924464A (zh) * 2019-05-10 2022-01-11 萨克提斯有限责任公司 一种用于对结构进行测量的方法、以及一种用于限定对所述结构进行测量的最优方法的过程
CN116296047A (zh) * 2023-04-03 2023-06-23 淮阴工学院 一种单晶硅压力变送器的温度补偿改进方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101408487A (zh) * 2008-10-28 2009-04-15 常州赛杰电子信息有限公司 基于无线传感器网络的桥梁结构安全状态应急监测及预警方法与系统
CN202166542U (zh) * 2010-12-24 2012-03-14 广州工程总承包集团有限公司 基于无线通信技术的集群式桥梁健康实时监测系统
CN103123303A (zh) * 2012-12-25 2013-05-29 福州大学 一种桥梁安全可靠性的定量、在线监测方法
CN103200226A (zh) * 2013-02-26 2013-07-10 南京大学 一种基于无线传感的桥梁位移在线监测系统
CN103838931A (zh) * 2014-03-10 2014-06-04 太原科技大学 一种工程机械臂架类结构再制造准入期评估方法
CN105652830A (zh) * 2015-12-25 2016-06-08 中国铁道科学研究院铁道建筑研究所 一种基于bim的桥梁监测系统
CN205722361U (zh) * 2016-04-01 2016-11-23 江西飞尚科技有限公司 一种基于LoRa技术的一体化监测振动采集节点
CN206470931U (zh) * 2016-12-29 2017-09-05 江西飞尚科技有限公司 一种基于LoRa技术的监测装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101408487A (zh) * 2008-10-28 2009-04-15 常州赛杰电子信息有限公司 基于无线传感器网络的桥梁结构安全状态应急监测及预警方法与系统
CN202166542U (zh) * 2010-12-24 2012-03-14 广州工程总承包集团有限公司 基于无线通信技术的集群式桥梁健康实时监测系统
CN103123303A (zh) * 2012-12-25 2013-05-29 福州大学 一种桥梁安全可靠性的定量、在线监测方法
CN103200226A (zh) * 2013-02-26 2013-07-10 南京大学 一种基于无线传感的桥梁位移在线监测系统
CN103838931A (zh) * 2014-03-10 2014-06-04 太原科技大学 一种工程机械臂架类结构再制造准入期评估方法
CN105652830A (zh) * 2015-12-25 2016-06-08 中国铁道科学研究院铁道建筑研究所 一种基于bim的桥梁监测系统
CN205722361U (zh) * 2016-04-01 2016-11-23 江西飞尚科技有限公司 一种基于LoRa技术的一体化监测振动采集节点
CN206470931U (zh) * 2016-12-29 2017-09-05 江西飞尚科技有限公司 一种基于LoRa技术的监测装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A. ALHASANAT: "RANGE-BASED DATA GATHERING ALGORITHM WITH A MOBILE SINK IN WIRELESS SENSOR NETWORKS", 《INTERNATIONAL JOURNAL OF WIRELESS & MOBILE NETWORKS》 *
LI ZHANG: "Prediction of stock prices based on LM-BP neural network and the estimation of overfitting point by RDCI", 《NEURAL COMPUTING AND APPLICATIONS》 *
NAWEEN KUMAR: "Maximum Data Gathering Through Speed Control of Path-Constrained Mobile Sink in WSN", 《2017 SEVENTH INTERNATIONAL SYMPOSIUM ON EMBEDDED COMPUTING AND SYSTEM DESIGN》 *
NAWEEN KUMAR: "Optimal Sub-Path Selection for Maximum Data Gathering Using Mobile Sink in WSN", 《ICCCT-2017》 *
史步海: "LMBP 神经网络改进算法的研究", 《控制工程》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113924464A (zh) * 2019-05-10 2022-01-11 萨克提斯有限责任公司 一种用于对结构进行测量的方法、以及一种用于限定对所述结构进行测量的最优方法的过程
CN110068759A (zh) * 2019-05-22 2019-07-30 四川华雁信息产业股份有限公司 一种故障类型获得方法及装置
CN111505010A (zh) * 2020-04-28 2020-08-07 张地林 一种基于云平台的桥梁安全检测系统
CN116296047A (zh) * 2023-04-03 2023-06-23 淮阴工学院 一种单晶硅压力变送器的温度补偿改进方法
CN116296047B (zh) * 2023-04-03 2023-09-29 淮阴工学院 一种单晶硅压力变送器的温度补偿改进方法

Similar Documents

Publication Publication Date Title
CN108632778A (zh) 一种基于mdg-sc算法的桥梁在线监测系统
Zhang et al. Probabilistic framework with bayesian optimization for predicting typhoon-induced dynamic responses of a long-span bridge
CN102072922B (zh) 基于粒子群优化神经网络模型的木材含水率检测方法
Zhang et al. Improving Dam Seepage Prediction Using Back‐Propagation Neural Network and Genetic Algorithm
CN103018418A (zh) 景观水体水质在线预警系统
CN103268069B (zh) 基于Hammerstein模型的自适应预测控制方法
CN105550506B (zh) 基于长期实测数据的桥梁风振响应直接预测方法
CN105785795B (zh) 一种基于粒子群算法的列车运行速度曲线节能优化方法
Zhang et al. Cooperative multi-agent actor–critic control of traffic network flow based on edge computing
CN107289998A (zh) 基于can总线的猪舍环境温度智能监测系统
CN102968058B (zh) 景观水体曝气充氧在线优化控制系统及其控制方法
Wu et al. Optimized BP neural network for dissolved oxygen prediction
Jin et al. Forewarning of sustainable utilization of regional water resources: a model based on BP neural network and set pair analysis
CN110555551A (zh) 一种智慧城市的空气质量大数据管理方法及系统
Zhao et al. Stepped generalized predictive control of test tank temperature based on backpropagation neural network
Zhang et al. Multi-parameter online measurement IoT system based on BP neural network algorithm
Song et al. Research on BP network for retrieving extinction coefficient from Mie scattering signal of lidar
CN107316103A (zh) 基于回声状态网络的景点动态质量预测方法
Raskar et al. Modified fuzzy-based smart barricade movement for traffic management system
Zhang et al. AI-based modeling and data-driven identification of moving load on continuous beams
Song et al. Surrogate modelling of railway pantograph-catenary interaction using deep Long-Short-Term-Memory neural networks
Singh et al. Wireless sensor networks for bridge structural health monitoring: A novel approach
Yang et al. Prediction of short-term average vehicular velocity considering weather factors in urban VANET environments
Nagai et al. A wireless sensor network testbed for monitoring a water reservoir tank: experimental results of delay
Liu et al. A PSO-RBF neural network for BOD multi-step prediction in wastewater treatment process

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20181009