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

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,…,S_n}个传感节点，这N个传感节点的通信半径为R_s＝{R₁,R₂,…,R_n}，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,…,SS_ns}表示子信宿集，相应的它们的通信半径为R_ss＝{r₁,r₂,…,r_ns}，它们拥有的数据量表示为DA＝{DA₁,DA₂,…,DA_ns}，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SS_i的通信范围与路径P有两个交点：始点SS_i ^s、终点SS_i ^e，此两个交点的连线SL_i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SS_i的移动速率表示为DS_i，其定义为：

DS_i＝|SL_i|/DT_i，

式中|SL_i|表示割线的长度，DT_i表示子信宿SS_i将数据DA_i传输至移动信宿MS所耗的时间，相应地，DT_i＝DA_i/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n_ss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SS_k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SS_k的数据率DS_k，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SS_k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C_MS表示子信宿重叠区域的子信宿节点集。SS_l和SS_k存在重叠区域，因此，C_MS＝{l,k}，其中l和k分别表示子信宿下标。

3)移动至子信宿SS_k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SS_l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：

W_ij(n)＝ηδ_j(n)o_i(n)+αΔwi_j(n-1)，

其中αΔw_ij(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(p_q,y_q)，q＝1,2,3···，Q；其中：p_q为R个元素的列向量，代表第q对训练样本中的输入信号；t_q为S^M个元素的列向量，代表q对训练样本中的教师信号。令y_q为S^M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S^m，m＝1,2，…M，则输出的节点数为S^M。为了方便把R记为S⁰。因此，网络结构为S⁰S¹S²...S^M。

为了表达方便，记：

N＝QS^M，n＝S¹(S⁰+1)+S²(S¹+1)+...+S^M·(S^M-1+1)；记e^q＝t^q-y^q；记w^m为第m层的权重就诊b^m 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：W^T＝[W¹W²...W^M]，

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：

ΔW_k＝W_k+1-W_k＝-[J^T(W_k)J(W_k)+μ_kI]^-1J^T(W_k)E(W_k)，

其中，I是单位矩阵，μ_k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μ_k取小值，如果求得ΔW_k能使误差指标函数F(x)降低，则该值降低到μ_k/β(其中，β>1)；反之，该值增加至β·μ_k。μ_k初始值为0.01，β取5。

给定任一连续的函数f:U^m→R^m，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。