CN109326089A - 一种基于智能化传感器的城市地下空间灾害监测预警系统 - Google Patents
一种基于智能化传感器的城市地下空间灾害监测预警系统 Download PDFInfo
- Publication number
- CN109326089A CN109326089A CN201811467955.2A CN201811467955A CN109326089A CN 109326089 A CN109326089 A CN 109326089A CN 201811467955 A CN201811467955 A CN 201811467955A CN 109326089 A CN109326089 A CN 109326089A
- Authority
- CN
- China
- Prior art keywords
- data
- signal
- early
- expert
- underground space
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 48
- 238000006243 chemical reaction Methods 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000012800 visualization Methods 0.000 claims abstract description 3
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 6
- 240000002627 Cordeauxia edulis Species 0.000 claims description 5
- 238000009795 derivation Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 235000019504 cigarettes Nutrition 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 5
- 239000003673 groundwater Substances 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
- G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
- G08B25/10—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using wireless transmission systems
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Landscapes
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Computing Systems (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于智能化传感器的城市地下空间灾害监测预警系统,其特征是:该监测预警系统,包括灾害监测预警系统(A1),其特征是:所述灾害监测预警系统(A1)包括本地信号数据转换设备(A11)、无线智能传感器检测元件(A12)、本地计算机工作站(A13)、客户可视化终端(A14)四部分。本发明的优点将城市地下空间各种状态信息实时反馈给目标客户,已达到快速应对城市地下空间灾害预警的能力。采用FXX网络解决非线性多目标优化问题,将FXX输出结果转换成逻辑概念,进入专家系统。这种结合方式提高了决策的准确性,灵活性及容错性。
Description
技术领域
本发明涉及智慧城市领域,具体地讲,涉及一种基于智能化传感器的城市地下空间灾害监测预警系统。
背景技术
近年来,利用和开发城市地下空间已经成为解决城市发展的重要途径,但相应的城市地下空间灾害预警及安全运行管理的措施还不完善。目前城市地下空间灾害预警及安全管理存在以下缺陷:
(1)灾害预警滞后性:比如城市地下空间发生火灾,但只有火灾发生后,烟雾报警器才启动,往往错过最佳求援时机。
(2)灾害监测内容不全面:比如城市地下空间监测内容一般只包括火灾,而对水灾、坍塌、管道气体泄漏灾害不能监测,
(3)灾害隐患提前不可预知:比如地下空间漏水事故,往往是由地下设施及管线材料发生应变,导致出现裂缝,如事先可以监测到这些数据,则可以避免漏水发生。
(4)城市地下空间运行状态不能实时监测的管理:目前所知仍没有一套完整的针对地下空间设备管线日常运行参数及地下空间所处地下环境水土变化信息实时监控的管理系统。
(5)城市地下空间安全管理的单向性:由于数据单向传输,只能被动地接收数据,不能主动地分析已有数据,调整监测内容。
发明内容
本发明要解决的技术问题是提供一种基于智能化传感器的城市地下空间灾害监测预警系统,。
本发明采用如下技术方案实现发明目的:
一种基于智能化传感器的城市地下空间灾害监测预警系统,包括预警系统系统,其特征是:所述预警系统包括无线智能传感器单元、本地信号转换设备、本地计算机工作站、客户可视化终端四部分。
作为对本技术方案的进一步限定,所述无线智能传感器检测元件包括多个无线智能传感器,每个所述无线智能传感器分别检测应力应变、温度、湿度、烟感、水压、土压其中一个的信号,所述无线智能传感器检测元件将监测到的所述信号传送给所述本地信号转换设备,所述本地信号转换设备将信号转换成数据传送给所述本地计算机工作站,所述本地计算机工作站将所述数据转换成警报信号,所述无线智能传感器检测元件将监测所述数据信号传送给所述客户可视化终端,所述本地信号转换设备将所述数据传送给所述客户可视化终端所述所述本地计算机工作站将所述警报信号传送给所述客户可视化终端,所述所述客户可视化终端连接多个子客户可视化终端。
作为对本技术方案的进一步限定,所述计算机工作站包括译码器和专家系统,所述计算专家系统采用神经网络专家决策模型处理所述数据,所述数据进入所述译码器进行译码,所述译码传送到专家系统。
作为对本技术方案的进一步限定,所述专家系统包括输入层、优化算法和输出层,所述输入层包括多个智能化监测单元,每个所述智能化监测单元接收一种所述译码。
作为对本技术方案的进一步限定,所述神经网络专家算法为:
1)所述专家系统根据所述译码提供决策模型数据参数,并将所述决策模型数据参数输入到FXX系统中,并将参数进行编码;
2)用所述FXX系统解决目标值的筛选;
3)将所述FXX系统输出结果传送到逻辑转换器转换成逻辑概念,所述逻辑概念进入到专家决策模型中,判断主要目标的期望值是否达到,目标满足的程度,基于此利用客户系统决定下一步策略;
4)选择合适的学习速度,以保证最快的时间接近稳定点;
5)所述专家决策模型B5将有效的逻辑概念传送到数值转换器B6,所述数值转换器B6将逻辑概念转换成有效数据样本;
6)将有效数据样本添加到专家库中;
7)如目标没达到转回1)。
作为对本技术方案的进一步限定,所述FXX系统B3解决所述目标值的筛选的问题,所述专家系决策模型B5判断所述目标的期望值是否达到及所述目标满足的程度,输出警报信号到输出层,所述输出层将所述警报信号传送到所述本地计算机工作站。
作为对本技术方案的进一步限定,所述目标值筛选过程为:
所述无线智能传感器检测元件检测的所述数据为数据变量,正常范围外的所述数据信号为目标变量,非异常信号即为约束条件
目标变量:
T0p——非异常信号界限值;
T1p——非异常信号界限值;
g1i(k)≥0 i=1,2,...,n1...................(1)
g2j(k)≤0 j=1,2,...,n2...................(2)
k≥0 k∈Rn.....................(4)
式中:
g1i(k)——数据变量函数;
g2j(k)——约束条件函数;
R——数据信号集;
n——所监测数据信号类别。
作为对本技术方案的进一步限定,数据变量筛选计算规则,可定义其神经网络各节点满足以下HF网络系统方程:
uj=fi(gi(v)) i=1,2,...N.......................(6)
Ii=th(vi) i=1,2,...N.....................(7)
-1≤vi≤1 i=1,2,...N....................(8)
式中:
N——输入数据变量神经网络节点总数;
vi——数据变量神经网络节点的接收数据值;
uj——FXX节点的输出信号值;
——神经元的偏值输入;
——神经元连接权系数;
ci——HF网络系统方程参数,由权重学习得到;
——神经元输入端数据集对输入端数据信号的遍历求导检索。
作为对本技术方案的进一步限定,所述目标变量根据所述专家系统中提供的专家系决策模型进行所述权重学习,所述专家系统针对不同所述数据信号对目标结果的影响程度赋予不同的权重数,所述专家系统将经过权重计算所得结果同所述专家决策系统中规定的的限值范围进行对比,从而反映出存在安全隐患的程度大小,以及是否需要报警训。
作为对本技术方案的进一步限定,所述权重学习(B7)基于Hebb规则:
Tij=Tij+λvi·vj.............................(9)
式中:
vivj——正交化向量;
λ——训练速度,它的值由专家决定。
与现有技术相比,本发明的优点和积极效果是:无线智能传感器监测元件,用于实时采集城市地下空间建筑及管线的变形、应变及地下空间所处环境的温度、二氧化碳浓度、空气湿度,地下水压力、地下岩土压力信号信息,将所采集的信号信息发送给本地信号数据转换设备,本地信号数据转换设备用于将接收到信号转换成数据,并发送给本地计算机工作站,本地计算机工作站,用于将接收到的数据输入到神经网络专家决策模型中,以输出各种状态信息给本地计算机工作站。
客户可视化终端接收本地信号转换设备、无线智能传感器检测元件及本地计算机工作站输出的信息。
举例而言:在地下隧道外侧墙壁安装监测地下水压力的无线智能传感器监测元件,当地下水水位由于降水、潮汐或其他原因导致水位变化,无线智能传感器元件就会监测水压力变化,并将应变信号传输给本地信号数据转换设备。本地数据转换设备将应变信号转换为数据传输给本地计算机工作站。本地计算机工作站中的译码器将数据译码为二进制编码输入到神经网络专家决策模型中。神经网络专家决策模型优化计算,将信息归纳,划分,最终传给客户可视化终端。客户可视化终端就可以知道当前隧道外侧水压力的变化情况。
在一种可能实现方式中,本地计算机工作站将数据转换警报信号传送给客户可视化终端,用于非正常状态的提醒,警告。
在一种可能实现方式中,所述计算机工作站用于神经网络专家决策模型的大量运算。
在一种可能实现方式中,所述神经网络专家算法为:
1)根据专家库提供决策模型数据参数,输入到FXX系统中,并将参数进行编码;
2)用FXX网络解决目标值的筛选;
3)将所述FXX系统输出结果传送到逻辑转换器转换成逻辑概念,所述逻辑概念进入到专家决策模型中,判断主要目标的期望值是否达到,目标满足的程度,基于此利用客户系统决定下一步策略;
4)选择合适的学习速度,以保证最快的时间接近稳定点;
5)所述专家决策模型将有效的逻辑概念传送到数值转换器,所述数值转换器B6将逻辑概念转换成有效数据样本;
6)如目标没达到转回1)。
参考图2所示,水压力信号通过译码器的过滤、采样形成特征数据库,然后将数据库交给HNN可以处理,HNN将数据结合专家库样本进行优化计算,将符合要求、规则的数据保存下来并转入数据库,同时将计算出的符合要求、规则的数据转换成信号数据传入客户可视化终端。
在一种可能实现方式中,FXX系统解决目标值的筛选问题,专家系统解决目标期望值是否达到,目标满足的程度,并实现推理、解释、控制功能。
在一种可能实现方式中,目标值筛选过程:无线智能传感器检测元件检测的数据信号为数据变量,正常范围外的所述数据信号为目标变量,非异常信号即为约束条件
目标变量:
g1i(k)≥0 i=1,2,...,n1...................(1)
g2j(k)≤0 j=1,2,...,n2...................(2)
k≥0 k∈Rn.....................(4)
式中:
T0p——非异常信号界限值;
T1p——非异常信号界限值;
g1i(k)——数据变量函数;
g2j(k)——约束条件函数;
R——数据信号集;
n——所监测数据信号类别。
在一种可能实现方式中,数据变量筛选计算规则,可定义其神经网络各节点满足以下HF网络系统方程:
uj=fi(gi(v)) i=1,2,...N......................(6)
Ii=th(vi) i=1,2,...N....................(7)
-1≤vi≤1 i=1,2,...N....................(8)
式中:
N——输入数据变量神经网络节点总数;
vi——数据变量神经网络节点的接收数据值;
uj——FXX节点的输出信号值;
——神经元的偏值输入;
——神经元连接权系数;
ci——HF网络系统方程参数,由权重学习B7得到;
——神经元输入端数据集对输入端数据信号的遍历求导检索。
在一种可能实现方式中,目标变量值根据专家系统中提供的专家系决策模型进行权重学习。针对不同数据信号对目标结果的影响程度赋予不同的权重数,然后将经过权重计算所得结果同决策系统中所规定的的限值范围进行对比,从而反映出存在安全隐患的程度大小,以及是否需要报警训。权值学习基于Hebb规则
Tij=Tij+λvi·vj.............................(9)
式中:
vivj——正交化向量;
λ——训练速度,它的值由专家决定。
本发明的优点将城市地下空间各种状态信息实时反馈给目标客户,已达到快速应对城市地下空间灾害预警的能力。采用FXX网络解决非线性多目标优化问题,将FXX输出结果转换成逻辑概念,进入专家系统。这种结合方式提高了决策的准确性,灵活性及容错性。
附图说明
图1是本发明的结构示意图。
图2是本发明人工神经系统网络专家决策组合系统图。
图3是本发明神经网络及专家系统算法流程图。
图中,A1、基于智能化传感器城市地下空间灾害监测预警系统,A11本地信号数据转换设备,A12、无线智能传感器监测元件,A13、本地计算机工作站,A14、客户可视化终端,B1、数据,B2、译码器,B3、FXX系统,B4、逻辑转换器,B5、专家系统,B6、数值转换器,B7、权重学习,C1、输入层,C11、智能化监测单元1,C12、智能化监测单元2,C1n、智能化监测单元n,C2、神经网络专家算法,C3、输出层,C31、警报信号,N1、无线传感器1,N2、无线传感器2,Nn、无线传感器n,M1、客户可视化终端1,M2、客户可视化终端2,Mn、客户可视化终端n。
具体实施方式
下面结合附图,对本发明的一个具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
如图1-图3所示,本发明包括灾害监测预警系统A1,其特征是:所述灾害监测预警系统A1包括本地信号数据转换设备A11、无线智能传感器检测元件A12、本地计算机工作站A13、客户可视化终端A14四部分。
所述无线智能传感器检测元件A12包括多个无线智能传感器,每个所述无线智能传感器分别检测应力应变、温度、湿度、烟感、水压、土压其中一个的信号,所述无线智能传感器检测元件A12将监测到的所述信号传送给所述本地信号转换设备A11,所述本地信号转换设备A11将信号转换成数据B1传送给所述本地计算机工作站A13,所述本地计算机工作站A13将所述数据B1转换成警报信号C31,所述无线智能传感器检测元件A12将监测所述数据信号传送给所述客户可视化终端A14,所述本地信号转换设备A11将所述数据B1传送给所述客户可视化终端A14,所述所述本地计算机工作站A13将所述警报信号C31传送给所述客户可视化终端A14,所述所述客户可视化终端A14连接多个子客户可视化终端。
所述计算机工作站A13包括译码器B2和专家系统,所述计算专家系统采用神经网络专家决策模型处理所述数据B1,所述数据B1进入所述译码器B2进行译码,所述译码传送到专家系统。
所述专家系统包括输入层C1、优化算法C2和输出层C3,所述输入层C1包括多个智能化监测单元,每个所述智能化监测单元接收一种所述译码。
所述神经网络专家算法C2为:
1)所述专家系统根据所述译码提供决策模型数据参数,并将所述决策模型数据参数输入到FXX系统B3中,并将参数进行编码;
2)用所述FXX系统B3解决目标值的筛选;
3)将所述FXX系统B3输出结果传送到逻辑转换器B4转换成逻辑概念,所述逻辑概念进入到专家决策模型B5中,判断主要目标的期望值是否达到,目标满足的程度,基于此利用客户系统决定下一步策略;
4)选择合适的学习速度,以保证最快的时间接近稳定点;
5)所述专家决策模型B5将有效的逻辑概念传送到数值转换器B6,所述数值转换器B6将逻辑概念转换成有效数据样本;
6)将有效数据样本添加到专家库中;
7)如目标没达到转回1)。
所述FXX系统B3解决所述目标值的筛选的问题,所述专家系决策模型B5判断所述目标的期望值是否达到及所述目标满足的程度,输出警报信号C31到输出层C3,所述输出层C3将所述警报信号C31传送到所述本地计算机工作站A13。
所述目标值筛选过程为:
所述无线智能传感器检测元件A12检测的所述数据B1为数据变量,正常范围外的所述数据信号为目标变量,非异常信号即为约束条件:
目标变量:
T0p——非异常信号界限值;
T1p——非异常信号界限值;
g1i(k)≥0 i=1,2,...,n1...................(1)
g2j(k)≤0 j=1,2,...,n2...................(2)
k≥0 k∈Rn.....................(4)
式中:
g1i(k)——数据变量函数;
g2j(k)——约束条件函数;
R——数据信号集;
n——所监测数据信号类别。
数据变量筛选计算规则,可定义其神经网络各节点满足以下HF网络系统方程:
uj=fi(gi(v)) i=1,2,...N.......................(6)
Ii=th(vi) i=1,2,...N....................(7)
-1≤vi≤1 i=1,2,...N....................(8)
式中:
N——输入数据变量神经网络节点总数;
vi——数据变量神经网络节点的接收数据值;
uj——FXX节点的输出信号值;
——神经元的偏值输入;
——神经元连接权系数;
ci——HF网络系统方程参数,由权重学习B7得到;
——神经元输入端数据集对输入端数据信号的遍历求导检索。
所述目标变量根据所述专家系统中提供的专家系决策模型B5进行所述权重学习B7,所述专家系统针对不同所述数据信号对目标结果的影响程度赋予不同的权重数,所述专家系统将经过权重计算所得结果同所述专家决策系统中规定的的限值范围进行对比,从而反映出存在安全隐患的程度大小,以及是否需要报警训。
所述权重学习B7基于Hebb规则:
Tij=Tij+λvi·vj.............................(9)
式中:
vivj——正交化向量;
λ——训练速度,它的值由专家决定。
每个所述子客户可视化终端分别对应一个所述无线智能传感器。
本发明的工作流程为:无线智能传感器监测元件A12,用于实时采集城市地下空间建筑及管线的变形、应变及地下空间所处环境的温度、二氧化碳浓度、空气湿度,地下水压力、地下岩土压力信号信息,将所采集的信号信息发送给本地信号数据转换设备A11,本地信号数据转换设备A11用于将接收到信号转换成数据B1,并发送给本地计算机工作站A13,本地计算机工作站A13,用于将接收到的数据B1输入到神经网络专家决策模型中,以输出各种状态信息给本地计算机工作站A13。
客户可视化终端A14接收本地信号转换设备A11、无线智能传感器检测元件A12及本地计算机工作站A13输出的信息。
举例而言:在地下隧道外侧墙壁安装监测地下水压力的无线智能传感器监测元件A12,当地下水水位由于降水、潮汐或其他原因导致水位变化,无线智能传感器元件A12就会监测水压力变化,并将应变信号传输给本地信号数据转换设备A11。本地数据转换设备A11将应变信号转换为数据B1传输给本地计算机工作站A13。本地计算机工作站A13中的译码器B2将数据B1译码为二进制编码输入到神经网络专家决策模型中。神经网络专家决策模型优化计算,将信息归纳,划分,最终传给客户可视化终端A14。客户可视化终端A14就可以知道当前隧道外侧水压力的变化情况。
在一种可能实现方式中,本地计算机工作站A13将数据B1转换警报信号C31传送给客户可视化终端A14,用于非正常状态的提醒,警告。
在一种可能实现方式中,所述计算机工作站A13用于神经网络专家决策模型的大量运算。
在一种可能实现方式中,所述神经网络专家算法C2为:
1)根据专家库提供决策模型数据参数,输入到FXX系统B3中,并将参数进行编码;
2)用FXX网络B3解决目标值的筛选;
3)将所述FXX系统B3输出结果传送到逻辑转换器B4转换成逻辑概念,所述逻辑概念进入到专家决策模型B5中,判断主要目标的期望值是否达到,目标满足的程度,基于此利用客户系统决定下一步策略;
4)选择合适的学习速度,以保证最快的时间接近稳定点;
5)所述专家决策模型B5将有效的逻辑概念传送到数值转换器B6,所述数值转换器B6将逻辑概念转换成有效数据样本;
6)如目标没达到转回1)。
参考图2所示,水压力信号通过译码器B2的过滤、采样形成特征数据库,然后将数据库交给HNN可以处理,HNN将数据结合专家库样本进行优化计算,将符合要求、规则的数据保存下来并转入数据库,同时将计算出的符合要求、规则的数据转换成信号数据传入客户可视化终端A14。
在一种可能实现方式中,FXX系统B3解决目标值的筛选问题,专家系统解决目标期望值是否达到,目标满足的程度,并实现推理、解释、控制功能。
在一种可能实现方式中,目标值筛选过程:无线智能传感器检测元件A12检测的数据信号B1为数据变量,正常范围外的所述数据信号为目标变量,非异常信号即为约束条件
目标变量:
g1i(k)≥0 i=1,2,...,n1...................(1)
g2j(k)≤0 j=1,2,...,n2...................(2)
k≥0 k∈Rn.....................(4)
式中:
T0p——非异常信号界限值;
T1p——非异常信号界限值;
g1i(k)——数据变量函数;
g2j(k)——约束条件函数;
R——数据信号集;
n——所监测数据信号类别。
在一种可能实现方式中,数据变量筛选计算规则,可定义其神经网络各节点满足以下HF网络系统方程:
uj=fi(gi(v)) i=1,2,...N.......................(6)
Ii=th(vi) i=1,2,...N....................(7)
-1≤vi≤1 i=1,2,...N.....................(8)
式中:
N——输入数据变量神经网络节点总数;
vi——数据变量神经网络节点的接收数据值;
uj——FXX节点的输出信号值;
——神经元的偏值输入;
——神经元连接权系数;
ci——HF网络系统方程参数,由权重学习B7得到;
——神经元输入端数据集对输入端数据信号的遍历求导检索。
在一种可能实现方式中,目标变量值根据专家系统中提供的专家系决策模型B5进行权重学习B7。针对不同数据信号对目标结果的影响程度赋予不同的权重数,然后将经过权重计算所得结果同决策系统中所规定的的限值范围进行对比,从而反映出存在安全隐患的程度大小,以及是否需要报警训。权值学习B7基于Hebb规则
Tij=Tij+λvi·vj.............................(9)
式中:
vivj——正交化向量;
λ——训练速度,它的值由专家决定。
以上公开的仅为本发明的一个具体实施例,但是,本发明并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (10)
1.一种基于智能化传感器的城市地下空间灾害监测预警系统,包括灾害监测预警系统(A1),其特征是:所述灾害监测预警系统(A1)包括本地信号数据转换设备(A11)、无线智能传感器检测元件(A12)、本地计算机工作站(A13)、客户可视化终端(A14)四部分。
2.根据权利要求1所述的基于智能化传感器的城市地下空间灾害监测预警系统,其特征是:所述无线智能传感器检测元件(A12)包括多个无线智能传感器,每个所述无线智能传感器分别检测应力应变、温度、湿度、烟感、水压、土压其中一个的信号,所述无线智能传感器检测元件(A12)将监测到的所述信号传送给所述本地信号转换设备(A11),所述本地信号转换设备(A11)将信号转换成数据(B1)传送给所述本地计算机工作站(A13),所述本地计算机工作站(A13)将所述数据(B1)转换成警报信号(C31),所述无线智能传感器检测元件(A12)将监测所述数据信号传送给所述客户可视化终端(A14),所述本地信号转换设备(A11)将所述数据(B1)传送给所述客户可视化终端(A14),所述所述本地计算机工作站(A13)将所述警报信号(C31)传送给所述客户可视化终端(A14),所述所述客户可视化终端(A14)连接多个子客户可视化终端。
3.根据权利要求1所述的基于智能化传感器的城市地下空间灾害监测预警系统,其特征是:所述计算机工作站(A13)包括译码器(B2)和专家系统,所述计算专家系统采用神经网络专家决策模型处理所述数据(B1),所述数据(B1)进入所述译码器(B2)进行译码,所述译码传送到专家系统。
4.根据权利要求3所述的基于智能化传感器的城市地下空间灾害监测预警系统,其特征是:所述专家系统包括输入层(C1)、优化算法(C2)和输出层(C3),所述输入层(C1)包括多个智能化监测单元,每个所述智能化监测单元接收一种所述译码。
5.根据权利要求4所述的基于智能化传感器的城市地下空间灾害监测预警系统,其特征是:所述神经网络专家算法(C2)为:
1)所述专家系统根据所述译码提供决策模型数据参数,并将所述决策模型数据参数输入到FXX系统(B3)中,并将参数进行编码;
2)用所述FXX系统(B3)解决目标值的筛选;
3)将所述FXX系统(B3)输出结果传送到逻辑转换器(B4)转换成逻辑概念,所述逻辑概念进入到专家决策模型(B5)中,判断主要目标的期望值是否达到,目标满足的程度,基于此利用客户系统决定下一步策略;
4)选择合适的学习速度,以保证最快的时间接近稳定点;
5)所述专家决策模型(B5)将有效的逻辑概念传送到数值转换器(B6),所述数值转换器(B6)将逻辑概念转换成有效数据样本;
6)将有效数据样本添加到专家库中;
7)如目标没达到转回1)。
6.根据权利要求5所述的基于智能化传感器的城市地下空间灾害监测预警系统,其特征是:所述FXX系统(B3)解决所述目标值的筛选的问题,所述专家系决策模型(B5)判断所述目标的期望值是否达到及所述目标满足的程度,输出警报信号(C31)到输出层(C3),所述输出层(C3)将所述警报信号(C31)传送到所述本地计算机工作站(A13)。
7.根据权利要求6所述的基于智能化传感器的城市地下空间灾害监测预警系统,其特征是:所述目标值筛选过程为:
所述无线智能传感器检测元件(A12)检测的所述数据信号(B1)为数据变量,正常范围外的所述数据信号为目标变量,非异常信号即为约束条件
目标变量:
T0p——非异常信号界限值
T1p——非异常信号界限值
g1i(k)≥0 i=1,2,...,n1...................(1)
g2j(k)≤0 j=1,2,...,n2...................(2)
P=2,3,...,m................(3)
k≥0
k∈Rn.....................(4)
式中:
g1i(k)——数据变量函数;
g2j(k)——约束条件函数;
R——数据信号集;
n——所监测数据信号类别。
8.根据权利要求7所述的基于智能化传感器的城市地下空间灾害监测预警系统,其特征是:数据变量筛选计算规则,可定义其神经网络各节点满足以下HF网络系统方程:
uj=fi(gi(v))
i=1,2,...N......................(6)
Ii=th(vi)
i=1,2,...N....................(7)
-1≤vi≤1
i=1,2,...N....................(8)
式中:
N——输入数据变量神经网络节点总数
vi——数据变量神经网络节点的接收数据值;
uj——FXX节点的输出信号值;
——神经元的偏值输入;
——神经元连接权系数;
ci——HF网络系统方程参数,由权重学习(B7)得到;
——神经元输入端数据集对输入端数据信号的遍历求导检索。
9.根据权利要求8所述的基于智能化传感器的城市地下空间灾害监测预警系统,其特征是:所述目标变量根据所述专家系统中提供的专家系决策模型(B5)进行所述权重学习(B7),所述专家系统针对不同所述数据信号对目标结果的影响程度赋予不同的权重数,所述专家系统将经过权重计算所得结果同所述专家决策系统中规定的的限值范围进行对比,从而反映出存在安全隐患的程度大小,以及是否需要报警训。
10.根据权利要求9所述的基于智能化传感器的城市地下空间灾害监测预警系统,其特征是:所述权重学习(B7)基于Hebb规则:
Tij=Tij+λvi·vj.............................(9)
式中:
vi vj——正交化向量;
λ——训练速度,它的值由专家决定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811467955.2A CN109326089A (zh) | 2018-12-03 | 2018-12-03 | 一种基于智能化传感器的城市地下空间灾害监测预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811467955.2A CN109326089A (zh) | 2018-12-03 | 2018-12-03 | 一种基于智能化传感器的城市地下空间灾害监测预警系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109326089A true CN109326089A (zh) | 2019-02-12 |
Family
ID=65256298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811467955.2A Pending CN109326089A (zh) | 2018-12-03 | 2018-12-03 | 一种基于智能化传感器的城市地下空间灾害监测预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109326089A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111341062A (zh) * | 2020-03-10 | 2020-06-26 | 山东省地质矿产勘查开发局八〇一水文地质工程地质大队 | 城市地下空间安防信息系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6155292A (en) * | 1998-03-12 | 2000-12-05 | Kurata; Sakuji | Method and a synthetic danger predicting and disaster preventing monitor system in which pipelines laid under the ground or through a structure are employed in their entirety for a synthetic danger predicting alarm sensor |
CN1821779A (zh) * | 2006-03-20 | 2006-08-23 | 中山大学 | 一种空气质量监测和控制系统 |
CN102130783A (zh) * | 2011-01-24 | 2011-07-20 | 浪潮通信信息系统有限公司 | 神经网络的智能化告警监控方法 |
CN102235178A (zh) * | 2010-04-26 | 2011-11-09 | 北京兴科迪科技有限公司 | 矿井异型空间监测与预警方法及系统 |
CN104463717A (zh) * | 2014-12-09 | 2015-03-25 | 中国水利水电第十四工程局有限公司 | 一个适用于特大地下洞室群的施工专家信息系统 |
CN108171259A (zh) * | 2017-12-13 | 2018-06-15 | 南京理工大学 | 一种基于NB-IoT的智慧末梢水质监测系统及方法 |
CN108303143A (zh) * | 2018-03-29 | 2018-07-20 | 何满潮 | 地下中子能电站监测系统及方法 |
-
2018
- 2018-12-03 CN CN201811467955.2A patent/CN109326089A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6155292A (en) * | 1998-03-12 | 2000-12-05 | Kurata; Sakuji | Method and a synthetic danger predicting and disaster preventing monitor system in which pipelines laid under the ground or through a structure are employed in their entirety for a synthetic danger predicting alarm sensor |
CN1821779A (zh) * | 2006-03-20 | 2006-08-23 | 中山大学 | 一种空气质量监测和控制系统 |
CN102235178A (zh) * | 2010-04-26 | 2011-11-09 | 北京兴科迪科技有限公司 | 矿井异型空间监测与预警方法及系统 |
CN102130783A (zh) * | 2011-01-24 | 2011-07-20 | 浪潮通信信息系统有限公司 | 神经网络的智能化告警监控方法 |
CN104463717A (zh) * | 2014-12-09 | 2015-03-25 | 中国水利水电第十四工程局有限公司 | 一个适用于特大地下洞室群的施工专家信息系统 |
CN108171259A (zh) * | 2017-12-13 | 2018-06-15 | 南京理工大学 | 一种基于NB-IoT的智慧末梢水质监测系统及方法 |
CN108303143A (zh) * | 2018-03-29 | 2018-07-20 | 何满潮 | 地下中子能电站监测系统及方法 |
Non-Patent Citations (1)
Title |
---|
温欣 等: "城市地下空间灾害智慧预警系统应用研究", 《工业技术与职业教育》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111341062A (zh) * | 2020-03-10 | 2020-06-26 | 山东省地质矿产勘查开发局八〇一水文地质工程地质大队 | 城市地下空间安防信息系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102866321B (zh) | 一种自适应的防窃漏电诊断方法 | |
CN104933841B (zh) | 一种基于自组织神经网络的火灾预测方法 | |
CN105825271B (zh) | 基于证据推理的卫星故障诊断与预测方法 | |
Zuo et al. | A semi-supervised leakage detection method driven by multivariate time series for natural gas gathering pipeline | |
CN108062638A (zh) | 综合管廊灾害链风险评估方法 | |
CN108154651A (zh) | 一种用于滑坡灾害实时监测预警的装置和方法 | |
CN102013148B (zh) | 多信息融合火灾探测方法 | |
Housh et al. | An integrated logit model for contamination event detection in water distribution systems | |
CN106194264B (zh) | 一种煤与瓦斯突出实时监测及预警系统 | |
CN113516837B (zh) | 一种基于多源信息融合的城市火灾判断方法、系统及其存储介质 | |
CN104318347A (zh) | 一种基于多传感器信息融合的输电线路覆冰状态评估方法 | |
CN104615121B (zh) | 一种列车故障诊断方法及系统 | |
CN103325204A (zh) | 一种环境参量感知的火灾判定方法 | |
CN104318485A (zh) | 一种基于神经网络和模糊逻辑的输电线路故障判别方法 | |
CN112345858B (zh) | 一种计及量测篡改攻击引发虚假故障的电网故障诊断方法 | |
CN104615122A (zh) | 一种工控信号检测系统及检测方法 | |
WO2020153903A1 (en) | Method and system for monitoring a gas distribution network operating at low pressure | |
Vinothini et al. | IoT based flood detection and notification system using decision tree algorithm | |
CN114002597A (zh) | 基于gru网络定子电流分析的电机故障诊断方法与系统 | |
CN114118202A (zh) | 一种城市地下综合管廊异常事件预警方法 | |
CN109326089A (zh) | 一种基于智能化传感器的城市地下空间灾害监测预警系统 | |
CN115470850A (zh) | 一种基于管网水质时空数据的水质异常事件识别预警方法 | |
Li et al. | Deep learning based covert attack identification for industrial control systems | |
CN104101795A (zh) | 一种变压器故障控制方法 | |
CN104102214A (zh) | 变压器及其周边电路故障控制方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190212 |
|
WD01 | Invention patent application deemed withdrawn after publication |