CN110633855B - 一种桥梁健康状态检测与管养决策系统及方法 - Google Patents
一种桥梁健康状态检测与管养决策系统及方法 Download PDFInfo
- Publication number
- CN110633855B CN110633855B CN201910873237.3A CN201910873237A CN110633855B CN 110633855 B CN110633855 B CN 110633855B CN 201910873237 A CN201910873237 A CN 201910873237A CN 110633855 B CN110633855 B CN 110633855B
- Authority
- CN
- China
- Prior art keywords
- data
- bridge
- knowledge
- management
- unit
- 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
- 238000000034 method Methods 0.000 title claims abstract description 119
- 238000001514 detection method Methods 0.000 title claims abstract description 101
- 230000036541 health Effects 0.000 title claims abstract description 58
- 238000007726 management method Methods 0.000 claims abstract description 158
- 238000012423 maintenance Methods 0.000 claims abstract description 95
- 238000004458 analytical method Methods 0.000 claims abstract description 89
- 230000002159 abnormal effect Effects 0.000 claims abstract description 83
- 201000010099 disease Diseases 0.000 claims abstract description 68
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 68
- 238000011156 evaluation Methods 0.000 claims abstract description 49
- 238000007418 data mining Methods 0.000 claims abstract description 47
- 238000012544 monitoring process Methods 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000010276 construction Methods 0.000 claims abstract description 9
- 230000010355 oscillation Effects 0.000 claims description 41
- 230000008859 change Effects 0.000 claims description 35
- 238000007689 inspection Methods 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 29
- 238000007781 pre-processing Methods 0.000 claims description 24
- 230000010354 integration Effects 0.000 claims description 18
- 238000005065 mining Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 230000036285 pathological change Effects 0.000 claims description 11
- 231100000915 pathological change Toxicity 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 8
- 230000004048 modification Effects 0.000 claims description 8
- 238000012986 modification Methods 0.000 claims description 8
- 238000002360 preparation method Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 7
- 238000012097 association analysis method Methods 0.000 claims description 6
- 238000013501 data transformation Methods 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 6
- 238000005054 agglomeration Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 5
- 238000007670 refining Methods 0.000 claims description 5
- 238000005303 weighing Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 102100039164 Acetyl-CoA carboxylase 1 Human genes 0.000 claims description 3
- 101710190443 Acetyl-CoA carboxylase 1 Proteins 0.000 claims description 3
- 102100021641 Acetyl-CoA carboxylase 2 Human genes 0.000 claims description 3
- 101100268670 Caenorhabditis elegans acc-3 gene Proteins 0.000 claims description 3
- 101000677540 Homo sapiens Acetyl-CoA carboxylase 2 Proteins 0.000 claims description 3
- 101000894929 Homo sapiens Bcl-2-related protein A1 Proteins 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 230000003139 buffering effect Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013077 scoring method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000009412 basement excavation Methods 0.000 claims description 2
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 230000002349 favourable effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种桥梁健康状态检测与管养决策系统及方法,属于桥梁健康检测领域。该方法以城市公路桥梁为建设对象,利用大数据技术、数据挖掘与知识发现技术、人工智能技术等,对桥梁日常监测和管养维护过程中积累的海量数据,建立桥梁健康状态检测与管养决策知识库,并能通过设计的知识推理模型,有效跟踪和掌控桥梁的结构使用状态及其发展演化趋势;对于桥梁运营期间出现的各类状况异常,能应用知识推理模型,给出具有专家级水平的桥梁健康状态异常预警/预报、病害损伤原因分析、桥梁结构综合评估和桥梁养护措施/策略等结果,并生成针对桥梁某异常或病害的管养维护决策方案,为桥梁结构的安全运行、跟踪维护、科学管理等提供决策支撑服务。
Description
技术领域
本发明属于桥梁健康检测领域,具体涉及一种桥梁健康状态检测与管养决策系统中的体系与方法除了可应用于桥梁健康状态检测与管养外,还可应用于城市轨道交通健康状态检测与管养、电厂电力设备健康状态检测与管养、网络安全和医疗健康等众多技术领域。
背景技术
通过建设知识发现和知识推理的桥梁健康状态检测与管养决策系统,不仅能辅助桥梁管理与维护人员,实时跟踪和预测城市桥梁基础设施的动态信息和健康状况,有效减少市政设施维护部门日常桥梁巡查工作量,提高桥梁检测水平和管理水平,而且能充分利用桥梁日常累积的海量数据,应用数据挖掘和知识发现技术,从中挖掘出具有专家水平的知识或模式,并结合桥梁管理和养护领域的专家部分先验知识,通过建立知识推理模型,给出桥梁的健康运营状态、潜在威胁、状态趋势预测、病害预警和养护策略等信息,以辅助桥梁管理与维护人员对桥梁及时进行维护,更好地防范环境、超载及洪水灾害等因素对桥梁的冲击影响,提升桥梁的管养和维护效率。
通过知识发现和知识推理,实现对城市桥梁健康状态的检测与管养决策,不仅能有效防止及制止各种损害桥梁健康的行为,而且通过制订科学的管养与维护决策,可节省桥梁的维护和维修费用和延长桥梁的使用寿命。由于该系统建设能结合领域专家经验与日常的管养案例记录,从检测、监测、巡检和保存的其他数据出发,给出具有专家水平的桥梁健康状态检测与管养决策方案,因而具有较强的说服力与可靠性。这对于确保桥梁的健康安全和人民生命财产的安全,大幅提高桥梁的使用寿命,节省大量的财政资金,具有巨大的社会效益。
发明内容
为减轻桥梁管理与维护人员的日常巡查与管养维护工作量,降低桥梁日常管理与维护成本,提升桥梁检测和管养的科学化决策水平,本发明旨在应用桥梁大数据的数据挖掘与知识发现、知识推理模型、统计学习与人工智能中的机器学习等技术,建设一种具有专家水平的桥梁健康状态检测与管养决策系统。
以城市公路桥梁为建设对象,利用大数据技术、数据挖掘与知识发现技术、人工智能技术等,对桥梁日常监测和管养维护过程中积累的海量数据,建立桥梁健康状态检测与管养决策知识库,并能通过设计的知识推理模型,有效跟踪和掌控桥梁的结构使用状态及其发展演化趋势;对于桥梁运营期间出现的各类状况异常,能应用知识推理模型,给出具有专家级水平的桥梁健康状态异常预警/预报、病害损伤原因分析、桥梁结构综合评估和桥梁养护措施/策略等结果,并生成针对桥梁某异常或病害的管养维护决策方案,为桥梁结构的安全运行、跟踪维护、科学管理等提供决策支撑服务,以达到有效降低桥梁运营养护成本,最大限度延长桥梁的使用年限的目的。
本发明的技术方案:
一种桥梁健康状态检测与管养决策系统,该系统包括桥梁服务门户子系统、数据分析与处理子系统、大数据挖掘子系统、知识库管理与维护子系统、桥梁健康状态监测与评估子系统;
(1)所述的桥梁服务门户子系统包括桥梁用户信息配置单元、用户需求与服务配置单元、桥梁数据配置单元和服务集成调度引擎单元;
桥梁用户信息配置单元采用模板方式,登记桥梁用户的基本信息;
用户需求与服务配置单元采用模板方式,配置每座桥梁用户需要的服务类型;
桥梁数据配置单元采用模板方式,用于配置每个检测设备参数,外部环境数据引入路径及数据文件名,桥梁历史档案数据、人工巡检数据、病害记录数据、管养记录所存放的路径及文件名称;
服务集成调度引擎单元用于将桥梁用户信息配置单元、用户需求与服务配置单元、桥梁数据配置单元的配置信息进行融合集成,并通过建立调度引擎,实现对各个单元的运行和处理结果信息的可视化显示;
(2)所述的数据分析与处理子系统包括数据整合与融合集成统一单元、大数据预处理单元、大数据质量分析单元和源数据库管理单元;
源数据库管理单元通过分成桥梁管理数据库和系统管理知识库来管理桥梁的源数据;
数据整合与融合集成统一单元用于对从数据服务中心读入的传感器采集数据和从市政设施管理处服务器读入的各类文件数据,分别进行预处理;
大数据预处理单元用于对接收的各类传感器数据进行数据清洗;
大数据质量分析单元用于评估各类传感器采集数据的正确性和有效性;并且对各传感器数据分别进行特征提取与统计分析;
(3)所述的大数据挖掘子系统包括数据准备单元、数值型数据挖掘单元和非数值型数据挖掘单元;
数据准备单元对各类传感器采集存放的历史数据,应用质量分析和数据预处理方法进行数据筛选;
数据值型数据挖掘单元分别从传感器数据中挖掘出桥梁健康状态异常的单传感器数据类特征之间的关联规则和多传感器数据类特征之间的关联规则,并由此建立相应的规则数据库,对于新增的累积数据,重新学习,获取新的规则,从而使该功能具有自学习功能;
非数值型数据挖掘单元利用人工巡检报告、病害记录、日常管养记录,从中挖掘出桥梁结构病害损伤识别、原因、指标、病变趋势,并由此建立相应的指标、病害规则、管养案例、应急预案知识库;对于新增的累积的文本信息,重新学习,获取新的规则,从而使该功能具有自学习功能;
(4)所述的知识库管理与维护子系统用于对所建各类知识库进行管理,并对领域专家和桥梁管理与维护人员的桥梁检测与管养经验,以人工方式提炼成经桥梁专家认可的知识,保存到领域专家知识库中;
(5)所述的桥梁健康状态监测与评估子系统根据桥梁服务门户子系统下发的服务引擎,执行相应的服务功能;包括知识推理单元,以及以知识推理单元为基础的桥梁健康状态异常检测单元、记录状态异常单元、趋势分析单元、异常度计算单元、桥梁结构状态综合评估单元、数据安全等级与报警级别划分单元;
知识推理单元通过建立知识推理模型使推出的结果符合专家水平的结论;同时,对于知识库中没有而推出的新结论,经桥梁专家确认后,以新的知识追加到相应的知识库中,从而使建立的知识库具有不断更新和添加功能;
桥梁健康状态异常检测单元用于对桥梁状态是否异常进行检测;
趋势分析单元是对发生状态异常的传感器数据,应用建立的趋势分析模型给出最近某时间段的状态变化趋势,以辅助管理人员分析与决策;
异常度计算单元用于对出现异常的传感器检测数据,给出其异常的程度计算,并以可视化方式给出某时间段内异常度的变化曲线;
桥梁结构状态综合评估单元采用模糊数学和层次分析法相结合的方法对桥梁的当前结构状态进行综合评估;
数据安全等级与报警级别划分单元是根据国家公路桥梁建设与评估标准,应用有限元分析和桥梁领域的专家经验,给出的划分等级,并以知识库形式保存到指标库中,便于修改和维护;
记录状态异常单元,对于出现异常的状态,记录其结构部件、原因、指标因素、异常度、可能病害、变化趋势和维护方法信息。
一种桥梁健康状态检测与管养决策方法,具体步骤如下:
(1)桥梁数据处理步骤
步骤一、系统初始化;
步骤二、获取桥梁采集站实时上传到数据服务中心的传感器采集数据和市政设施管理处服务器上传到数据服务中心的各类文件数据;所述传感器采集数据包括风速风向、温度湿度、振动、挠度、响应、应变、位移、三向加速度、索力、称重;所述各类文件数据为巡检报告、病害记录、管养记录和桥梁档案;巡检报告包括人工日常巡检、定期巡检和特殊巡检;
步骤三、对步骤二获得的数据分别进行预处理;所述的预处理包括量纲、编码、单位、名称和时间方面的统一与数据集成与分类存储,并对传感器采集的包文数据进行解析和丢包统计;其中,当数据包为空或数据包前后时间超过设定的间隔时间,则认为丢包;
步骤四、根据传感器测量精度和数据异常指数模型和数据质量极差以评估各类传感器采集数据的正确性和有效性;对各传感器数据分别进行特征提取与数值分布、特征分布统计分析,并从不同的角度利用不同的可视化方式,分别给出各类数据的值分析、特征分布显示,以辅助异常检测的分析,并为后续的数据挖掘和知识发现提供高质量的数据做准备;
步骤五,对质量分析后的各类传感器数据进行数据预处理,所述的预处理包括数据清洗和数据变换;其中,数据清洗,包括应用数学上的样条插值模型对缺失的数据进行插值、利用灰色缓冲算法对噪声数据进行滤波降噪处理,利用传感器数据库中的检测阈值删除离群点;数据变换是应用短时FFT变换进行时频分析,以辅助数据挖掘和异常检测的分析,并为后续的数据挖掘和知识发现提供有效、可靠的数据做准备;
步骤六,将预处理后的数据存入桥梁管理数据库,所述桥梁管理数据库包括:桥梁档案库、传感器检测数据库、人工巡检测报告库、病害记录信息库、管养信息记录库;
步骤七,对桥梁管理数据库中的存放的历史海量数据,进行数据挖掘和知识发现处理,具体步骤如下:
(7.1)进行数据准备,一方面,对各类传感器采集存放的历史海量数据,应用步骤四和步骤五的方法,从中筛选出Ix<0.5质量高、有效性和可靠性强的数据集;另一方面,对非数值型的文本型数据,通过建立桥梁领域字典,去除文本中的一些无用词、符号,并用Bayes法和聚类法相结合的方法提取文本中的特征词或关键词,建立结构化的信息存储方式,并完善字典中的词汇;
(7.2)对于数据值型数据,采用关联分析法、集对分析法、K-近邻聚类、SVM算法和RBF算法从有监督学习和无监督学习的不同角度,分别对单传感器数据类型和多传感器数据类型进行挖掘,以便从中挖掘出桥梁健康状态异常的单传感器数据类特征之间的关联规则和多传感器数据类特征之间的关联规则,并由此建立相应的数值型数据的规则数据库;
(7.3)对于非数据值型数据,应用层次凝聚法、BP神经网络法和Apriori关联规则算法,从人工巡检报告、病害记录、日常管养记录信息中挖掘出桥梁结构病害损伤识别、原因、指标、病变趋势规则,并由此建立相应的指标、病害规则、管养案例、应急预案知识库;
(7.4)将数据挖掘和知识发现处理的数据,根据领域专家和桥梁管理与维护人员的桥梁检测与管养经验,以人工方式提炼成经桥梁专家认可的知识,保存到对应的知识库中;同时,对提取的知识建立一种逐级泛化的分层思路,包括基本特征层、基本事件层、基本状态层、损伤识别层、病害识别层和管养维护层;最终生成均含有多层结构的知识库,为后续桥梁服务提供支撑,所述知识库包含指标库、病害知识库、挖掘规则库、案例规则库、应急预案库、领域知识库;
步骤八,建立知识推理模型
根据检测数据的变化程度,应用数据挖掘和知识发现处理后生产的知识库和建立好的各种知识层次,采用黑板模型,通过设立黑板、知识源和控制机制建立具有智能的知识推理机,使其推出的结果符合专家水平的结论,包括:是否异常、异常产生的原因、可能的病害、病变的趋势、管理和养护方法;同时,对于知识库中没有而推出的新结论,经桥梁专家确让后,以新的知识追加到相应的知识库中,从而使建立的知识库具有不断更新和添加的功能;
(2)桥梁服务处理步骤
步骤一、系统初始化;
步骤二、对实时上传的传感器数据和实时上传的人工巡检数据,进行特征提取;
步骤三、根据提取的特征数据和信息,调用建立的知识推理模型,应用集对分析分别从指标库、病害知识库、挖掘规则库、案例规则库、应急预案库、领域知识库中,推理出该时刻上传的数据是否异常;对于异常情况,应用此推理机分别推理出其异常产生的原因、可能产生的损伤病害、损伤变化的趋势、威胁等级,并找出与规则和案例相近的检测和管养决策结果,以报表的形式呈现给用户;
步骤四、对于知识库中没有发现的异常情况,系统再通过建立的算法模型库中的预先存放的异常检测模型,如自回归模型、灰色关联模型,对桥梁健康状态进行检测与异常识别;对于检测状态异常的数据,再应用知识推理机和集对分析理论进行知识推理,从中找出异常产生的原因、可能产生的损伤病害、损伤变化的趋势、威胁等级,并找出与规则和案例相近的检测和管养决策结果,以报表的形式呈现给用户;同时,对于出现异常的传感器检测数据,给出其异常的程度计算,并以可视化方式给出某时间段内异常度的变化曲线;
步骤五、进行趋势分析,对发生状态异常的传感器数据,应用振荡值指标建立的趋势分析模型,从不同角度分别给出最近某时间段的状态变化趋势,以辅助管理人员分析与决策;所述的趋势分析模型包括趋势移动平均法、幅值振荡指数法;
步骤六、对桥梁结构状态综合评估,采用模糊数学和层次分析法相结合的方法对桥梁的当前结构状态进行综合评估;其中,对评估的指标采用树型结构存储模式,以适应不同桥梁指标不同,以及未来指标可能发生调整或变化下的评估问题,具有较好的灵活性和可扩展性;
步骤七、划分数据安全等级与报警级别,根据国家公路桥梁建设与评估标准:公路桥涵设计通用规范JTG D60-2015、城市桥梁养护技术规范CJJ-99-2003、公路桥梁技术状况评定标准JTGT H21-2011,公路桥梁结构安全监测系统技术规程J/T/T 1037-2016,应用有限元分析和桥梁领域的专家经验,给出的划分等级,并以知识库形式保存到指标库中,便于修改和维护;
步骤八,对上述步骤产生的桥梁决策管养方案,提供给桥梁管理与维护人员进行确让和辅助决策,以辅助桥梁管理与维护人员对桥梁及时进行维护,更好地防范环境、超载及洪水灾害因素对桥梁的冲击影响,提升桥梁的管养和维护效率。
第(1)部分步骤五中,其中,灰色缓冲算法为:设某传感器采集的数据围绕某值振荡的模型为:z(k)=x0+ε(k),k=1,2,…,n
其中,x0为采样点真实值,ε(k)为随机噪声,假定服从正态分布;则其对应的随机振荡序列为:X=(z(1),z(2),…,z(n))
第(1)部分步骤(7.2)中,关联分析法是根据已有桥梁数据D建立一棵频繁增长树,然后根据最小支持度minSup对树进行剪枝,生成该数据集的频繁项集,然后再根据最小可信度,生成挖掘所需的关联规则;集对分析法,将各观测信息的特征组成一特征矢量,然后应用集对分析,给出匹配的同一度、模糊度和差异度。
第(1)部分步骤(7.3)中,层次凝聚法:对于给定的文档集合D={d1,…,di,…,dn},具体过程如下:
(1)将D中的每个文档di看作是一个具有单成员的簇ci={di},这些簇构成了D的一个聚类C={c1,…,ci,…,cn};
(2)计算C中每对簇(ci,cj)之间的相似度sim(ci,cj);
(4)重复上述步骤,直至C中剩下一个簇为止。
所述步骤八中,黑板模型由三部分组成:①黑板:用来存贮数据、传递信息和处理方法的数据库,是系统中的全局工作区;整个黑板可分成若干信息层,每一层用于描述桥梁领域问题的某一类信息;高层信息看作为下层信息的抽象,反之,下层信息为上层信息的实例;黑板上的信息载体是在特定的信息层上对桥梁领域问题的某一个侧面的一种解释;②知识源:是描述桥梁领域问题的知识及其知识处理方法的知识库,用于解答黑板提交的各种问题;在系统中具有多个知识源,用来负责解决一种特定的任务;知识源之间互相独立,它们只能通过黑板进行通信或相互调用;知识源通过黑板上的假说的建立、修改、删除操作来对黑板上的信息进行更新;③控制机构:是用于协调各知识源的调用顺序,是黑板模型求解问题的推理机构,由监督程序与调度程序组成;监督程序根据黑板的状态变化激活相关的知识源,并将动作部分可执行的知识源放入调度队列中;调度程序通过选择“聚焦”来优先使用队列中最重要且最有希望的知识源来执行,用执行结果来修改黑板状态,为新一轮的推理循环创造条件;即黑板模型的调度策略遵循由底层到高层、由低级到高级的求解策略决定推理的次序,并结合不同的优先级计算原则,优先选择对问题求解最为有利、迅速和可靠的知识源,将其激活进行问题求解;当某级某层黑板上发生状态的变化时,查找知识库中的可用规则;在可用规则集中选出最适合规则,执行选出的规则,作用于黑板,使之发生变化;如此循环,直至解决问题。
第(2)部分步骤四中,异常度计算模型是将本周期内监测参数的极值与最近若干周期的K线移动平均极值进行比较,判别当前监测的结构参数挠度、应变的偏离程度;即计算当前周期中的最大值或最小值偏离最近若干周期的平均最大值、平均最小值的程度,以此发现当前结构监测参数的异常情况;其计算公式为:
其中,h为某周期监测参数的最大值;l为某周期监测参数的最小值;n为移动平均周期数;ma(h,n)为最近n周期监测参数最大值的移动平均值;ma(l,n)为最近n周期监测参数最小值的移动平均值。
第(2)部分步骤五中,趋势分析模型采用已有文献中给出的振荡值指标方法设计,步骤为:
Step1:从第2个周期开始,直到最后一个周期n,计算每一个周期中的振荡上下值,公式为:
其中,hi为某周期监测参数的最大值;lo为某周期监测参数的最小值;la为某周期监测参数的结束值;th为某周期相对于前一周期的向上值;tl为—某周期相对于前一周期的向下值;
Step2:从第n3个周期开始,直到最后一个周期n,计算每个周期前n1、n2、n3个周期的累积振荡,公式为:
其中,ACC1为nl周期内的累积振荡;ACC2为n2周期内的累积振荡;ACC3为n3周期内的累积振荡;
Step3:根据上式计算出的累积振荡,从第n3个周期开始,直到最后一个周期n,计算每个周期的振荡值指标,以百分比的形式表示;公式为:
第(2)部分步骤六中,模糊数学和层次分析法设计的步骤为:
Step1:确立桥梁评估的多层结构评价指标集;如设评估对象指标集为c={c1,c2,…,cN1},其中N1为1级指标个数;ci={ci1,ci2,…,ciN2},N2为第2级指标集的指标个数;
Step2:确立相应的评价指标权重;按层次分析法对同一层或同一个域的指标进行两两比较对比,构造判断矩阵;计算判断矩阵的最大特征根及对应的特征向量,归一化处理,经一致性检验得到指标权重向量A=(a1,a2,…,aN1),且
Step3:建立评语集;可采用专家评语打分法来确定,评语集V={v1,v2,…}=<优,良,中,一般,差},其中vj(j=1,2,…)表示ci对不同评价等级的隶属度;为实现量化,可采用量比指标给出分数集,如U={95,75,65,50,30};
Step4:单指标评估;建立指标论域和评语论域之间的模糊关系矩阵R=[rij];
Step5:模糊综合评判:B=A·R
Step6:输出综合评估:L=B·U。
本发明的有益效果:对桥梁结构的健康状态做出及时并且准确地评估和预测,对桥梁结构健康状态的异常和病害损伤,能给出具有专家水平的管养决策方案。适用性强,可靠性好,便于推广应用。
附图说明
图1为知识发现和知识推理的桥梁健康状态检测与管养决策系统开发设计的应用环境。
图2为桥梁状态动态行的层次关系图。
图3为知识发现和知识推理的桥梁健康状态检测与管养决策系统涉及的主要功能。
图4为桥梁健康状态检测与管养决策系统处理流程流示意图。
图5为黑板模型的示意图。
具体实施方式
一、系统数据结构(类型)说明
(1)桥梁数据,包括多种传感器类型检测数据,巡检报告(人工日常巡检、定期巡检和特殊巡检)、病害记录、管养记录和桥梁档案等。
(2)传感器类型数据有:风速风向、温度湿度、振动、挠度、响应、应变、位移、三向加速度、索力、称重等。
(3)桥梁管理数据库,包括:桥梁档案库、传感器检测数据库、人工巡检测报告库、病害记录信息库、管养信息记录库等。
(4)系统管理知识库,包括指标库、病害库、挖掘规则库、领域专家知识库、管养案例库、应急预案库、模型算法库等。
二、系统简介
一种桥梁健康状态检测与管养决策系统,该系统包括桥梁服务门户子系统、数据分析与处理子系统、大数据挖掘子系统、知识库管理与维护子系统、桥梁健康状态监测与评估子系统;
(一)桥梁服务门户子系统
[1]运行于桥梁服务计算机上,采用B/S模式,按模板配置方式设计,使其具有灵活性和可扩展性。包括桥梁用户信息配置单元、用户需求与服务配置单元、桥梁数据配置单元和服务集成调度引擎单元。
[2]桥梁用户信息配置单元应用模板方式,登记桥梁用户的基本信息。包括:桥梁名称、桥梁ID、已服务年限、布设的检测设备数、检测类型、布设的节点/测点ID等;
[3]用户需求与服务配置单元应用模板方式,配置每个检测设备参数。包括:采样频率、数据单位、数据存放路径、数据文件名称、精度等;
[4]桥梁数据配置单元应用模板方式,配置外部环境数据引入路径、数据文件名等,包括:风速风向、温度湿度、地震数据、洪水数据等;
[5]桥梁数据配置单元应用模板方式,配置桥梁历史档案数据、人工巡检数据、病害记录数据、管养记录等存放的路径、文件名称等;
[6]桥梁数据配置单元应用模板方式,配置每座桥梁用户需要的服务类型,包括:异常检测、趋势分析、病害损伤识别、桥梁状态综合评估、桥梁寿命预测等类型,以满足不同桥梁的不同服务需求;
[7]服务集成调度引擎单元分发调度集成引擎生成。将上述模板的配置信息进行融合集成,并分别下发给相应的数据分析与处理计算机、数据挖掘与知识发现计算机和状态检测与管养决策计算机;
[8]服务集成调度引擎单元建立调度引擎,实现对数据分析与处理计算机、数据挖掘与知识发现计算机和状态检测与管养决策计算机上的运行和处理等结果信息的可视化显示。
(二)数据分析与处理子系统
[1]桥梁数据处理运行于数据分析与处理计算机上,包括数据整合与融合集成统一单元、大数据预处理单元、大数据质量分析单元和源数据库管理单元;
[2]数据整合与融合集成统一单元用于对从数据服务中心读入的传感器采集数据和从市政设施管理处服务器读入的各类文件数据,分别进行预处理,包括量纲、编码、单位、名称和时间等有关方面的统一与数据集成与分类存储,并对传感器实时采集的包文数据进行解析和丢包统计;
[3]大数据质量分析单元一方面,通过建立数据质量指数模型,以评估各类传感器采集数据的正确性和有效性;另一方面,对各传感器数据分别进行特征提取与统计分析,并从不同的角度利用不同的可视化方式,如饼图、直方图、频次图、波形图等分别给出各类数据的值分析、特征分布和统计分析等,以辅助异常检测的分析,并为后续的数据挖掘和知识发现提供高质量的数据做准备;
[4]大数据预处理单元主要用于对接收的各类传感器数据进行数据清洗,包括:应用样条模型对缺失数据进行插值、利用灰色缓冲算法对噪声数据进行滤波处理,以及对采样数据进行FFT变换分析等,以辅助异常检测的分析,并为后续的数据挖掘和知识发现提供有效、可靠的数据做准备。
[5]源数据库管理单元通过分成桥梁管理数据库和系统管理知识库来管理桥梁的源数据;桥梁管理数据库包括桥梁档案库、传感器检测数据库、人工巡检测报告库、病害记录信息库、管养信息记录库;系统管理知识库包括指标库、病害库、挖掘规则库、领域专家知识库、管养案例库、应急预案库、模型算法库;传感器检测数据库中包括风速风向、温度湿度、振动、挠度、响应、应变、位移、三向加速度、索力、称重.
(三)大数据挖掘子系统
[1]此模块专用于数据挖掘与知识发现计算机上,主要有:包括数据准备单元、数值型数据挖掘单元和非数值型数据挖掘单元;
[2]数据准备单元,一方面,对各类传感器采集存放的历史海量数据,应用前面的质量分析和数据预处理等方法,从中筛选出质量高、有效性和可靠性强的数据集;另一方面,对非数值型的文本型数据,通过建立桥梁领域字典,去除文本中的一些无用词、符号,以及提取特征词或关键词等方式,建立结构化的信息存储方式;
[3]数据值型数据挖掘单元利用数据值型数据挖掘算法,分为单传感器数据类型挖掘和多传感器数据类型挖掘两种。均应用统计学习算法和机器学习算法,分别从传感器数据中挖掘出桥梁健康状态异常的单传感器数据类特征之间的关联规则和多传感器数据类特征之间的关联规则,并由此建立相应的规则数据库。对于新增的累积数据,可重新学习,获取新的规则,从而使该功能具有自学习功能;
[4]非数值型数据挖掘单元,主要应用聚类、神经网络和关联规则等算法,对人工巡检报告、病害记录、日常管养记录等信息,从中挖掘出桥梁结构病害损伤识别、原因、指标、病变趋势等规则,并由此建立相应的指标、病害规则、管养案例、应急预案等知识库。对于新增的累积的文本信息,可重新学习,获取新的规则,从而使该功能具有自学习功能;
(四)知识库管理与维护子系统
知识库管理与维护子系统主要对建立的知识库进行管理,包括查看、修改、删除和添加等操作功能。同时,该部分能对领域专家和桥梁管理与维护人员的桥梁检测与管养经验,以人工方式提炼成经桥梁专家认可的知识,保存到领域专家知识库中。
(五)桥梁健康状态监测与评估子系统
[1]桥梁健康状态监测与评估子系统是在状态检测与管养决策计算机上实现。它是根据桥梁服务门户界面下发的服务引擎,执行相应的服务功能,包括:记录状态异常单元、桥梁健康状态异常检测、趋势分析、异常度计算、桥梁结构状态综合评估、数据安全等级与报警级别划分等,其中这些功能均在建立的知识推理模型功能的基础上加以实现,使其能根据前面建立的知识库,并结合模型库中建立的机器学习、趋势分析等算法,利用知识信息分层方法,给出具有桥梁专家水平的异常判断和管养维护决策方案;
[2]知识信息分层方法,是根据数据信息的特点,对知识库中的知识建立一种逐级泛化的分层思路,主要有:基本特征层、事件层、状态层、损伤识别层、病害层和管养维护层;
[3]知识推理单元主要是根据检测数据的变化程度,应用知识库中建立好的各种知识层次,采用黑板模式,通过设立刺激、响应和判断等模块,以及结合集对分析理论等方法建立具有智能的知识推理机,使其推出的结果符合专家水平的结论,包括:是否异常、异常产生的原因、可能的病害、病变的趋势、管理和养护方法等。同时,对于知识库中没有而推出的新结论,可经桥梁专家确让后,以新的知识追加到相应的知识库中,从而使建立的知识库具有不断更新和添加等功能;
[4]桥梁健康状态异常检测单元主要先通过指标库进行阈值检测(此阈值是应用有限元分析模型根据桥梁结构的特点计算而得),在没有超出阈值的基础上,再应用模型库中建立的检测算法进行识别,对于检测状态异常的数据再应用知识推理机和集对分析理论进行规则、专家知识等模式匹配,从中找出与规则和案例等相近的检测和管养决策结果,并以报表的形式呈现给用户。
[5]异常度计算单元用于对出现异常的传感器检测数据,给出其异常的程度计算,并以可视化方式给出某时间段内异常度的变化曲线;
[5]趋势分析单元是对发生状态异常的传感器数据,应用建立的趋势分析模型,如趋势移动平均法、幅值振荡指数法等,给出最近某时间段的状态变化趋势,以辅助管理人员分析与决策;
[6]桥梁结构状态综合评估单元采用模糊数学和层次分析法相结合的方法对桥梁的当前结构状态进行综合评估。其中,对评估的指标采用树型结构存储模式,以适应不同桥梁指标不同,以及未来指标可能发生调整或变化下的评估问题,具有较好的灵活必和可扩展性。
[7]数据安全等级与报警级别划分单元是根据:公路桥涵设计通用规范(JTG D60-2015)、城市桥梁养护技术规范(CJJ-99-2003)、公路桥梁技术状况评定标准(JTGT H21-2011),公路桥梁结构安全监测系统技术规程(J/T/T 1037-2016)等国家公路桥梁建设与评估标准,应用有限元分析和桥梁领域的专家经验,给出的划分等级,并以知识库形式保存到指标库中,便于修改和维护。
[8]记录状态异常单元,对于出现异常的状态,记录其结构部件、原因、指标因素、异常度、可能病害、变化趋势和维护方法等信息。
一种桥梁健康状态检测与管养决策方法,具体步骤如下:
(1)桥梁数据处理步骤
步骤一、系统初始化;
步骤二、获取桥梁采集站实时上传到数据服务中心的传感器采集数据和市政设施管理处服务器上传到数据服务中心的各类文件数据;所述传感器采集数据包括风速风向、温度湿度、振动、挠度、响应、应变、位移、三向加速度、索力、称重;所述各类文件数据为巡检报告、病害记录、管养记录和桥梁档案;巡检报告包括人工日常巡检、定期巡检和特殊巡检。
步骤三、对步骤二获得的数据分别进行预处理;所述的预处理包括量纲、编码、单位、名称和时间方面的统一与数据集成与分类存储,并对传感器采集的包文数据进行解析和丢包统计。其中,当数据包为空或数据包前后时间超过设定的间隔时间,则认为丢包。
步骤四、根据传感器测量精度和数据异常指数模型:
建立数据质量评估,即数据质量评估为:当Ix<0.2数据质量优;0.2≤Ix<0.4数据质量良;0.4≤Ix<0.5数据质量中;0.5≤Ix<0.7数据质量较差;Ix≥0.7,数据质量极差(删除)等,以评估各类传感器采集数据的正确性和有效性;对各传感器数据分别进行特征提取(包括:均值、方差、最大值、最小值、峰峰值和偏度等)与数值分布、特征分布等统计分析,并从不同的角度利用不同的可视化方式(包括:饼图、直方图、频次图和曲线图),分别给出各类数据的值分析、特征分布等显示,以辅助异常检测的分析,并为后续的数据挖掘和知识发现提供高质量的数据做准备。
步骤五,对质量分析后的各类传感器数据进行数据预处理,所述的预处理包括数据清洗和数据变换;其中,数据清洗,包括应用数学上的样条插值模型对缺失的数据进行插值、利用灰色缓冲算法对噪声数据进行滤波降噪处理,利用传感器数据库中的检测阈值删除离群点;数据变换是应用短时FFT变换进行时频分析,以辅助数据挖掘和异常检测的分析,并为后续的数据挖掘和知识发现提供有效、可靠的数据做准备。其中,灰色缓冲算法[1]为:假设某传感器采集的数据围绕某值振荡的模型为:
z(k)=x0+ε(k),k=1,2,…,n
其中,x0为采样点真实值,ε(k)为随机噪声,假定服从正态分布。则其对应的随机振荡序列为:
X=(z(1),z(2),…,z(n))
作加权均值生成,可得新的随机振荡序列:
显然,新生成的序列不仅可使原序列的随机性减弱,而且也能有效抑制Y(k)项数据的随机性。([1]刘以安,陈松灿,张明俊等.缓冲算子及数据融合技术在目标跟踪中的应用[J].应用科学学报,2006,24(2):P154-158])
步骤六,将预处理后的数据存入桥梁管理数据库,所述桥梁管理数据库包括:桥梁档案库、传感器检测数据库、人工巡检测报告库、病害记录信息库、管养信息记录库。
步骤七,对桥梁管理数据库中的存放的历史海量数据,进行数据挖掘和知识发现处理,具体步骤如下:
(7.1)进行数据准备,一方面,对各类传感器采集存放的历史海量数据,应用步骤四和步骤五的方法,从中筛选出Ix<0.5质量高、有效性和可靠性强的数据集;另一方面,对非数值型的文本型数据,通过建立桥梁领域字典,去除文本中的一些无用词、符号,并用Bayes法和聚类法相结合的方法提取文本中的特征词或关键词,建立结构化的信息存储方式,并完善字典中的词汇。
(7.2)对于数据值型数据,采用关联分析法、集对分析法、K-近邻聚类、SVM算法和RBF算法从有监督学习和无监督学习的不同角度,分别对单传感器数据类型和多传感器数据类型进行挖掘,以便从中挖掘出桥梁健康状态异常的单传感器数据类特征之间的关联规则和多传感器数据类特征之间的关联规则,并由此建立相应的数值型数据的规则数据库。如关联分析法,根据已有桥梁数据D建立一棵频繁增长树,然后根据最小支持度minSup对树进行剪枝,生成该数据集的频繁项集,然后再根据最小可信度,生成挖掘所需的关联规则(即知识)。在桥梁状态的检测中,如果桥梁的挠度、振动、响应传感器数据出现了异常,其异常信号的特征之间应具有一定的关联性。所以用此算法,可找出桥梁不同结构状态发生异常时,对应的信号特征之间关联具有的知识。如集对分析法,将各观测信息的特征组成一特征矢量,然后应用集对分析,给出匹配的同一度、模糊度和差异度。在桥梁状态异常检测中,可根据桥梁布设的各节传感器采集的桥梁运行记录,对其状态采用集对方法进行异常分析。也可用状态实时采集的数据与该节占状态的标准模型库中的数据进行集对相关分析,以便更快发现桥梁某状态的异常问题。对于新增的累积数据,需要重新学习,获取新的规则,从而使该功能具有无监督的自学习功能。
(7.3)对于非数据值型数据,应用层次凝聚法、BP神经网络法和Apriori关联规则算法,从人工巡检报告、病害记录、日常管养记录信息中挖掘出桥梁结构病害损伤识别、原因、指标、病变趋势规则,并由此建立相应的指标、病害规则、管养案例、应急预案知识库.
如:层次凝聚法,对于给定的文档集合D={d1,…,di,…,dn},具体过程如下:
(1)将D中的每个文档di看作是一个具有单成员的簇ci={di},这些簇构成了D的一个聚类C={c1,…,ci,…,cn};
(2)计算C中每对簇(ci,cj)之间的相似度sim(ci,cj);
(4)重复上述步骤,直至C中剩下一个簇为止。
该过程构造出一棵生成树,其中包含了簇的层次信息,以及所有簇内和簇间的相似度。
从上述描述的算法步骤可以看出,对桥梁状态人工检测、病害记录、管养记录等过程中产生的文本型非结构数据,可根据人工巡检、维修、维护和技术评定等记录的日常信息,对其采用文本聚类方法提取桥梁状态的各种异常行为、故障类型和维护策略等知识。所以,对桥梁健康管理过程中的文本类数据的知识获取问题,可采用此算法实现。对于新增的累积的文本信息,需要重新学习,获取新的规则,从而使该功能具有无监督的自学习功能。
(7.4)将数据挖掘和知识发现处理的数据,根据领域专家和桥梁管理与维护人员的桥梁检测与管养经验,以人工方式提炼成经桥梁专家认可的知识,保存到对应的知识库中;同时,对提取的知识建立一种逐级泛化的分层思路,包括基本特征层、基本事件层、基本状态层、损伤识别层、病害识别层和管养维护层。最终生成均含有多层结构的知识库,为后续桥梁服务提供支撑,所述知识库包含指标库、病害知识库、挖掘规则库、案例规则库、应急预案库、领域知识库。
这里,逐级泛化的分层思路为:根据桥梁状态的动态变化常具有的如下特点:
(1)桥梁结构状态处于特定的环境下
(2)桥梁状态产生某些桥梁结构发生变化的结果
(3)桥梁结构状态健康确保营运功能。
以获取桥梁上布设的各节点传感器的数据、以及仪器采集的数据为对象,通过对数据类型、传感器信号特征、仪器测量值等分析,按图2建立桥梁状态动态行的层次关系。
其中,状态层代表着随时间的推进,不断获取各个节点的不同时刻的状态特征,包括挠度、振动、响应、索力、索力加速度、位移、温度等信息的多元组;基本事件层表示输入的节点状态经过状态特征提取后获得该节点在特定时刻发生的基本事件的描述,每个节点的事件都由一系列时间顺序的基本特征构成;基本状态层表示多个节点基本事件的发生可能产生桥梁某结构状态的变化;损伤识别层表示桥梁基本状态的变化可能引起桥梁结构的某种损伤;病害识别层表示,桥梁结构的某损伤过程可能产生某种桥梁结构病害;管养维护层表示,桥梁结构产生的某种病害需要的管理和养护方法等。所以,该泛化思想按照人的一般思维和推理过程将各层次通过概念泛化由低到高逐层构建,代表着桥梁状态动态行为在各个层次上的抽象。所以,桥梁状态动态行为/状态评估过程即是纵向进行的桥梁状态动态行为觉察过程和横向行为理解的诊断与预测的综合。
这里,状态层信息主要有:挠度、振动、索力、索力加速度、位移量、桥面温度、桥梁温度、湿度、三向加速度等信息;事件层信息是状态层信息的抽象,如状态突发、状态消失、状态异常等;行为层信息用于反应桥梁状态的行为,如桥梁状态正常、桥梁状态异常、桥梁状态故障等。损伤识别层用于反应桥梁结构的破损情况,如:桥面裂缝情况、钢筋弯曲和锈蚀情况、主梁位移情况等;病害识别层用于反应桥梁的结构病害情况,如:主梁断裂、桥面崩塌等。管养维护层用于生成辅助桥梁管理和维护人员对于桥梁出现的异常或病害作出即时处理的建议,如某桥梁面崩塌,应通知交管人员关闭交通,安排技术人员采取某种维护措施实现修复等。
步骤八,建立知识推理模型
根据检测数据的变化程度,应用数据挖掘和知识发现处理后生产的知识库和建立好的各种知识层次,采用黑板模型,通过设立黑板、知识源和控制机制建立具有智能的知识推理机,使其推出的结果符合专家水平的结论,包括:是否异常、异常产生的原因、可能的病害、病变的趋势、管理和养护方法。同时,对于知识库中没有而推出的新结论,经桥梁专家确让后,以新的知识追加到相应的知识库中,从而使建立的知识库具有不断更新和添加的功能。其结构为:
这里,黑板模型主要由三部分组成:①黑板:用来存贮数据、传递信息和处理方法的数据库,是系统中的全局工作区。整个黑板可分成若干信息层,每一层用于描述桥梁领域问题的某一类信息。高层信息可以看作为下层信息的抽象,反之,下层信息为上层信息的实例。黑板上的信息载体称为假说,是在特定的信息层上对桥梁领域问题的某一个侧面的一种解释。②知识源:是描述桥梁领域问题的知识及其知识处理方法的知识库,用于解答黑板提交的各种问题。在系统中具有多个知识源(如:指标库、病害库、挖掘规则库、领域专家知识库、案例库、预案库等),用来负责解决一种特定的任务。知识源之间互相独立,它们只能通过黑板进行通信或相互调用。知识源通过黑板上的假说的建立、修改、删除等操作来对黑板上的信息进行更新。③控制机构:是用于协调各知识源的调用顺序,是黑板模型求解问题的推理机构,由监督程序与调度程序组成。监督程序根据黑板的状态变化激活相关的知识源,并将动作部分可执行的知识源放入调度队列中。调度程序通过选择“聚焦”来优先使用队列中最重要且最有希望的知识源来执行,用执行结果来修改黑板状态,为新一轮的推理循环创造条件。即黑板模型的调度策略遵循由底层到高层、由低级到高级的求解策略决定推理的次序,并结合不同的优先级计算原则,优先选择对问题求解最为有利、迅速和可靠的知识源,将其激活进行问题求解。当某级某层黑板上发生状态的变化时,查找知识库中的可用规则。在可用规则集中选出最适合规则,执行选出的规则,作用于黑板,使之发生变化。如此循环,直至解决问题。
(2)桥梁服务处理步骤
步骤一、系统初始化。
步骤二、对实时上传的传感器数据和实时上传的人工巡检数据,进行特征提取。
步骤三、根据提取的特征数据和信息,调用建立的知识推理模型,应用集对分析分别从指标库、病害知识库、挖掘规则库、案例规则库、应急预案库、领域知识库中,推理出该时刻上传的数据是否异常。对于异常情况,应用此推理机分别推理出其异常产生的原因、可能产生的损伤病害、损伤变化的趋势、威胁等级,并找出与规则和案例相近的检测和管养决策结果,以报表的形式呈现给用户。
步骤四、对于知识库中没有发现的异常情况,系统再通过建立的算法模型库中的预先存放的异常检测模型,如自回归模型、灰色关联模型等,对桥梁健康状态进行检测与异常识别。对于检测状态异常的数据,再应用知识推理机和集对分析理论进行知识推理,从中找出异常产生的原因、可能产生的损伤病害、损伤变化的趋势、威胁等级,并找出与规则和案例相近的检测和管养决策结果,以报表的形式呈现给用户。同时,对于出现异常的传感器检测数据,给出其异常的程度计算,并以可视化方式给出某时间段内异常度的变化曲线。
这里,异常度计算模型是将本周期内监测参数的极值与最近若干周期的K线移动平均极值进行比较,判别当前监测的结构参数(挠度,应变等)的偏离程度。即计算当前周期中的最大值或最小值偏离最近若干周期的平均最大值、平均最小值的程度,以此发现当前结构监测参数的异常情况。其计算公式为:
其中,h为某周期监测参数的最大值;l为某周期监测参数的最小值;n为移动平均周期数。ma(h,n)为最近n周期监测参数最大值的移动平均值;ma(l,n)为最近n周期监测参数最小值的移动平均值。
步骤五、进行趋势分析,对发生状态异常的传感器数据,应用振荡值指标建立的趋势分析模型,从不同角度分别给出最近某时间段的状态变化趋势,以辅助管理人员分析与决策;所述的趋势分析模型包括趋势移动平均法、幅值振荡指数法;
这里,趋势分析模型采用已有文献中给出的振荡值指标方法设计,步骤为:
Step1:从第2个周期开始,直到最后一个周期n,计算每一个周期中的振荡上下值,公式为:
其中,hi为某周期监测参数的最大值;lo为某周期监测参数的最小值;la为某周期监测参数的结束值;th为某周期相对于前一周期的向上值;tl为—某周期相对于前一周期的向下值。
Step2:从第n3个周期开始,直到最后一个周期n,计算每个周期前n1、n2、n3个周期的累积振荡,公式为:
其中,ACC1为nl周期内的累积振荡;ACC2为n2周期内的累积振荡;ACC3为n3周期内的累积振荡。
Step3:根据上式计算出的累积振荡,从第n3个周期开始,直到最后一个周期n,计算每个周期的振荡值指标,以百分比的形式表示。公式为:
步骤六、对桥梁结构状态综合评估,采用模糊数学和层次分析法相结合的方法对桥梁的当前结构状态进行综合评估;其中,对评估的指标采用树型结构存储模式,以适应不同桥梁指标不同,以及未来指标可能发生调整或变化下的评估问题,具有较好的灵活性和可扩展性。
这里,模糊数学和层次分析法设计的步骤为:
Step1:确立桥梁评估的多层结构评价指标集。如设评估对象指标集为c={c1,c2,…,cN1},其中N1为1级指标个数;ci={ci1,ci2,…,ciN2},N2为第2级指标集的指标个数等。
Step2:确立相应的评价指标权重。按层次分析法对同一层或同一个域的指标进行两两比较对比,构造判断矩阵。计算判断矩阵的最大特征根及对应的特征向量,归一化处理,经一致性检验得到指标权重向量A=(a1,a2,…,aN1),且
Step3:建立评语集。可采用专家评语打分法来确定,评语集V={v1,v2,…}=<优,良,中,一般,差},其中vj(j=1,2,…)表示ci对不同评价等级的隶属度。为实现量化,可采用量比指标给出分数集,如U={95,75,65,50,30}。
Step4:单指标评估。建立指标论域和评语论域之间的模糊关系矩阵R=[rij]。
Step5:模糊综合评判:B=A·R
Step6:输出综合评估:L=B·U。
步骤七、划分数据安全等级与报警级别,根据国家公路桥梁建设与评估标准:公路桥涵设计通用规范JTG D60-2015、城市桥梁养护技术规范CJJ-99-2003、公路桥梁技术状况评定标准JTGT H21-2011,公路桥梁结构安全监测系统技术规程J/T/T 1037-2016,应用有限元分析和桥梁领域的专家经验,给出的划分等级,并以知识库形式保存到指标库中,便于修改和维护。
步骤八,对上述步骤产生的桥梁决策管养方案,提供给桥梁管理与维护人员进行确让和辅助决策,以辅助桥梁管理与维护人员对桥梁及时进行维护,更好地防范环境、超载及洪水灾害因素对桥梁的冲击影响,提升桥梁的管养和维护效率。
Claims (10)
1.一种桥梁健康状态检测与管养决策系统,其特征在于,该系统包括桥梁服务门户子系统、数据分析与处理子系统、大数据挖掘子系统、知识库管理与维护子系统、桥梁健康状态监测与评估子系统;
(1)所述的桥梁服务门户子系统包括桥梁用户信息配置单元、用户需求与服务配置单元、桥梁数据配置单元和服务集成调度引擎单元;
桥梁用户信息配置单元采用模板方式,登记桥梁用户的基本信息;
用户需求与服务配置单元采用模板方式,配置每座桥梁用户需要的服务类型;
桥梁数据配置单元采用模板方式,用于配置每个检测设备参数,外部环境数据引入路径及数据文件名,桥梁历史档案数据、人工巡检数据、病害记录数据、管养记录所存放的路径及文件名称;
服务集成调度引擎单元用于将桥梁用户信息配置单元、用户需求与服务配置单元、桥梁数据配置单元的配置信息进行融合集成,并通过建立调度引擎,实现对各个单元的运行和处理结果信息的可视化显示;
(2)所述的数据分析与处理子系统包括数据整合与融合集成统一单元、大数据预处理单元、大数据质量分析单元和源数据库管理单元;
源数据库管理单元通过分成桥梁管理数据库和系统管理知识库来管理桥梁的源数据;
数据整合与融合集成统一单元用于对从数据服务中心读入的传感器采集数据和从市政设施管理处服务器读入的各类文件数据,分别进行预处理;
大数据预处理单元用于对接收的各类传感器数据进行数据清洗;
大数据质量分析单元用于评估各类传感器采集数据的正确性和有效性;并且对各传感器数据分别进行特征提取与统计分析;
(3)所述的大数据挖掘子系统包括数据准备单元、数值型数据挖掘单元和非数值型数据挖掘单元;
数据准备单元对各类传感器采集存放的历史数据,应用质量分析和数据预处理方法进行数据筛选;
数据值型数据挖掘单元,采用关联分析法、集对分析法、K-近邻聚类、SVM算法和RBF算法,分别从传感器数据中挖掘出桥梁健康状态异常的单传感器数据类特征之间的关联规则和多传感器数据类特征之间的关联规则,并由此建立相应的规则数据库,对于新增的累积数据,重新学习,获取新的规则,从而使该功能具有自学习功能;
非数值型数据挖掘单元,采用层次凝聚法、BP神经网络法和Apriori关联规则算法,利用人工巡检报告、病害记录、日常管养记录,从中挖掘出桥梁结构病害损伤识别、原因、指标、病变趋势,并由此建立相应的指标、病害规则、管养案例、应急预案知识库;对于新增的累积的文本信息,重新学习,获取新的规则,从而使该功能具有自学习功能;
(4)所述的知识库管理与维护子系统用于对所建各类知识库进行管理,并对领域专家和桥梁管理与维护人员的桥梁检测与管养经验,以人工方式提炼成经桥梁专家认可的知识,保存到领域专家知识库中;
(5)所述的桥梁健康状态监测与评估子系统根据桥梁服务门户子系统下发的服务引擎,执行相应的服务功能;包括知识推理单元,以及以知识推理单元为基础的桥梁健康状态异常检测单元、记录状态异常单元、趋势分析单元、异常度计算单元、桥梁结构状态综合评估单元、数据安全等级与报警级别划分单元;
知识推理单元通过建立知识推理模型使其推出的结果符合专家水平的结论,包括:是否异常、异常产生的原因、可能的病害、病变的趋势、管理和养护方法;根据检测数据的变化程度,应用数据挖掘和知识发现处理后生产的知识库和建立好的各种知识层次,采用黑板模型,通过设立黑板、知识源和控制机制建立具有智能的知识推理机;同时,对于知识库中没有而推出的新结论,经桥梁专家确认后,以新的知识追加到相应的知识库中,从而使建立的知识库具有不断更新和添加的功能;
桥梁健康状态异常检测单元用于对桥梁状态是否异常进行检测;
趋势分析单元是对发生状态异常的传感器数据,应用振荡值指标建立的趋势分析模型,从不同角度分别给出最近某时间段的状态变化趋势,以辅助管理人员分析与决策;所述的趋势分析模型包括趋势移动平均法、幅值振荡指数法;
异常度计算单元用于对出现异常的传感器检测数据,给出其异常的程度计算,并以可视化方式给出某时间段内异常度的变化曲线;
桥梁结构状态综合评估单元采用模糊数学和层次分析法相结合的方法对桥梁的当前结构状态进行综合评估;
数据安全等级与报警级别划分单元是根据国家公路桥梁建设与评估标准,应用有限元分析和桥梁领域的专家经验,给出的划分等级,并以知识库形式保存到指标库中,便于修改和维护;
记录状态异常单元,对于出现异常的状态,记录其结构部件、原因、指标因素、异常度、可能病害、变化趋势和维护方法信息。
2.一种桥梁健康状态检测与管养决策方法,其特征在于,具体步骤如下:
(1)桥梁数据处理步骤
步骤一、系统初始化;
步骤二、获取桥梁采集站实时上传到数据服务中心的传感器采集数据和市政设施管理处服务器上传到数据服务中心的各类文件数据;所述传感器采集数据包括风速风向、温度湿度、振动、挠度、响应、应变、位移、三向加速度、索力、称重;所述各类文件数据为巡检报告、病害记录、管养记录和桥梁档案;巡检报告包括人工日常巡检、定期巡检和特殊巡检;
步骤三、对步骤二获得的数据分别进行预处理;所述的预处理包括量纲、编码、单位、名称和时间方面的统一与数据集成与分类存储,并对传感器采集的包文数据进行解析和丢包统计;其中,当数据包为空或数据包前后时间超过设定的间隔时间,则认为丢包;
步骤四、根据传感器测量精度和数据异常指数模型和数据质量极差以评估各类传感器采集数据的正确性和有效性;对各传感器数据分别进行特征提取与数值分布、特征分布统计分析,并从不同的角度利用不同的可视化方式,分别给出各类数据的值分析、特征分布显示,以辅助异常检测的分析,并为后续的数据挖掘和知识发现提供高质量的数据做准备;
步骤五,对质量分析后的各类传感器数据进行数据预处理,所述的预处理包括数据清洗和数据变换;其中,数据清洗,包括应用数学上的样条插值模型对缺失的数据进行插值、利用灰色缓冲算法对噪声数据进行滤波降噪处理,利用传感器数据库中的检测阈值删除离群点;数据变换是应用短时FFT变换进行时频分析,以辅助数据挖掘和异常检测的分析,并为后续的数据挖掘和知识发现提供有效、可靠的数据做准备;
步骤六,将预处理后的数据存入桥梁管理数据库,所述桥梁管理数据库包括:桥梁档案库、传感器检测数据库、人工巡检测报告库、病害记录信息库、管养信息记录库;
步骤七,对桥梁管理数据库中的存放的历史海量数据,进行数据挖掘和知识发现处理,具体步骤如下:
(7.1)进行数据准备,一方面,对各类传感器采集存放的历史海量数据,应用步骤四和步骤五的方法,从中筛选出异常指数Ix<0.5质量高、有效性和可靠性强的数据集;另一方面,对非数值型的文本型数据,通过建立桥梁领域字典,去除文本中的一些无用词、符号,并用Bayes法和聚类法相结合的方法提取文本中的特征词或关键词,建立结构化的信息存储方式,并完善字典中的词汇;
(7.2)对于数据值型数据,采用关联分析法、集对分析法、K-近邻聚类、SVM算法和RBF算法从有监督学习和无监督学习的不同角度,分别对单传感器数据类型和多传感器数据类型进行挖掘,以便从中挖掘出桥梁健康状态异常的单传感器数据类特征之间的关联规则和多传感器数据类特征之间的关联规则,并由此建立相应的数值型数据的规则数据库;
(7.3)对于非数据值型数据,应用层次凝聚法、BP神经网络法和Apriori关联规则算法,从人工巡检报告、病害记录、日常管养记录信息中挖掘出桥梁结构病害损伤识别、原因、指标、病变趋势规则,并由此建立相应的指标、病害规则、管养案例、应急预案知识库;
(7.4)将数据挖掘和知识发现处理的数据,根据领域专家和桥梁管理与维护人员的桥梁检测与管养经验,以人工方式提炼成经桥梁专家认可的知识,保存到对应的知识库中;同时,对提取的知识建立一种逐级泛化的分层思路,包括基本特征层、基本事件层、基本状态层、损伤识别层、病害识别层和管养维护层;最终生成均含有多层结构的知识库,为后续桥梁服务提供支撑,所述知识库包含指标库、病害知识库、挖掘规则库、案例规则库、应急预案库、领域知识库;
步骤八,建立知识推理模型
根据检测数据的变化程度,应用数据挖掘和知识发现处理后生产的知识库和建立好的各种知识层次,采用黑板模型,通过设立黑板、知识源和控制机制建立具有智能的知识推理机,使其推出的结果符合专家水平的结论,包括:是否异常、异常产生的原因、可能的病害、病变的趋势、管理和养护方法;同时,对于知识库中没有而推出的新结论,经桥梁专家确让后,以新的知识追加到相应的知识库中,从而使建立的知识库具有不断更新和添加的功能;
(2)桥梁服务处理步骤
步骤一、系统初始化;
步骤二、对实时上传的传感器数据和实时上传的人工巡检数据,进行特征提取;
步骤三、根据提取的特征数据和信息,调用建立的知识推理模型,应用集对分析分别从指标库、病害知识库、挖掘规则库、案例规则库、应急预案库、领域知识库中,推理出该时刻上传的数据是否异常;对于异常情况,应用此推理机分别推理出其异常产生的原因、可能产生的损伤病害、损伤变化的趋势、威胁等级,并找出与规则和案例相近的检测和管养决策结果,以报表的形式呈现给用户;
步骤四、对于知识库中没有发现的异常情况,系统再通过建立的算法模型库中的预先存放的异常检测模型,如自回归模型、灰色关联模型,对桥梁健康状态进行检测与异常识别;对于检测状态异常的数据,再应用知识推理机和集对分析理论进行知识推理,从中找出异常产生的原因、可能产生的损伤病害、损伤变化的趋势、威胁等级,并找出与规则和案例相近的检测和管养决策结果,以报表的形式呈现给用户;同时,对于出现异常的传感器检测数据,给出其异常的程度计算,并以可视化方式给出某时间段内异常度的变化曲线;
步骤五、进行趋势分析,对发生状态异常的传感器数据,应用振荡值指标建立的趋势分析模型,从不同角度分别给出最近某时间段的状态变化趋势,以辅助管理人员分析与决策;所述的趋势分析模型包括趋势移动平均法、幅值振荡指数法;
步骤六、对桥梁结构状态综合评估,采用模糊数学和层次分析法相结合的方法对桥梁的当前结构状态进行综合评估;其中,对评估的指标采用树型结构存储模式,以适应不同桥梁指标不同,以及未来指标可能发生调整或变化下的评估问题,具有较好的灵活性和可扩展性;
步骤七、划分数据安全等级与报警级别,根据国家公路桥梁建设与评估标准:公路桥涵设计通用规范JTG D60-2015、城市桥梁养护技术规范CJJ-99-2003、公路桥梁技术状况评定标准JTGT H21-2011,公路桥梁结构安全监测系统技术规程J/T/T 1037-2016,应用有限元分析和桥梁领域的专家经验,给出的划分等级,并以知识库形式保存到指标库中,便于修改和维护;
步骤八,对上述步骤产生的桥梁决策管养方案,提供给桥梁管理与维护人员进行确让和辅助决策,以辅助桥梁管理与维护人员对桥梁及时进行维护,更好地防范环境、超载及洪水灾害因素对桥梁的冲击影响,提升桥梁的管养和维护效率。
5.根据权利要求2所述的方法,其特征在于,第(1)部分步骤(7.2)中,关联分析法是根据已有桥梁数据D建立一棵频繁增长树,然后根据最小支持度minSup对树进行剪枝,生成该数据集的频繁项集,然后再根据最小可信度,生成挖掘所需的关联规则;集对分析法,将各观测信息的特征组成一特征矢量,然后应用集对分析,给出匹配的同一度、模糊度和差异度。
7.根据权利要求2所述的方法,其特征在于,所述步骤八中,黑板模型由三部分组成:①黑板:用来存贮数据、传递信息和处理方法的数据库,是系统中的全局工作区;整个黑板可分成若干信息层,每一层用于描述桥梁领域问题的某一类信息;高层信息看作为下层信息的抽象,反之,下层信息为上层信息的实例;黑板上的信息载体是在特定的信息层上对桥梁领域问题的某一个侧面的一种解释;②知识源:是描述桥梁领域问题的知识及其知识处理方法的知识库,用于解答黑板提交的各种问题;在系统中具有多个知识源,用来负责解决一种特定的任务;知识源之间互相独立,它们只能通过黑板进行通信或相互调用;知识源通过黑板上的假说的建立、修改、删除操作来对黑板上的信息进行更新;③控制机构:是用于协调各知识源的调用顺序,是黑板模型求解问题的推理机构,由监督程序与调度程序组成;监督程序根据黑板的状态变化激活相关的知识源,并将动作部分可执行的知识源放入调度队列中;调度程序通过选择“聚焦”来优先使用队列中最重要且最有希望的知识源来执行,用执行结果来修改黑板状态,为新一轮的推理循环创造条件;即黑板模型的调度策略遵循由底层到高层、由低级到高级的求解策略决定推理的次序,并结合不同的优先级计算原则,优先选择对问题求解最为有利、迅速和可靠的知识源,将其激活进行问题求解;当某级某层黑板上发生状态的变化时,查找知识库中的可用规则;在可用规则集中选出最适合规则,执行选出的规则,作用于黑板,使之发生变化;如此循环,直至解决问题。
9.根据权利要求2所述的方法,其特征在于,第(2)部分步骤五中,趋势分析模型采用已有文献中给出的振荡值指标方法设计,步骤为:
Step1:从第2个周期开始,直到最后一个周期n,计算每一个周期中的振荡上下值,公式为:
其中,hi为某周期监测参数的最大值;lo为某周期监测参数的最小值;la为某周期监测参数的结束值;th为某周期相对于前一周期的向上值;tl为—某周期相对于前一周期的向下值;
Step2:从第n3个周期开始,直到最后一个周期n,计算每个周期前n1、n2、n3个周期的累积振荡,公式为:
其中,ACC1为nl周期内的累积振荡;ACC2为n2周期内的累积振荡;ACC3为n3周期内的累积振荡;
Step3:根据上式计算出的累积振荡,从第n3个周期开始,直到最后一个周期n,计算每个周期的振荡值指标,以百分比的形式表示;公式为:
10.根据权利要求2所述的方法,其特征在于,第(2)部分步骤六中,模糊数学和层次分析法设计的步骤为:
Step1:确立桥梁评估的多层结构评价指标集;如设评估对象指标集为c={c1,c2,…,cN1},其中N1为1级指标个数;ci={ci1,ci2,…,ciN2},N2为第2级指标集的指标个数;
Step2:确立相应的评价指标权重;按层次分析法对同一层或同一个域的指标进行两两比较对比,构造判断矩阵;计算判断矩阵的最大特征根及对应的特征向量,归一化处理,经一致性检验得到指标权重向量A=(a1,a2,…,aN1),且
Step3:建立评语集;可采用专家评语打分法来确定,评语集V={v1,v2,…}={优,良,中,一般,差},其中vj(j=1,2,…)表示ci对不同评价等级的隶属度;为实现量化,可采用量比指标给出分数集,如U={95,75,65,50,30};
Step4:单指标评估;建立指标论域和评语论域之间的模糊关系矩阵R=[rij];
Step5:模糊综合评判:B=A·R
Step6:输出综合评估:L=B·U。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910873237.3A CN110633855B (zh) | 2019-09-17 | 2019-09-17 | 一种桥梁健康状态检测与管养决策系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910873237.3A CN110633855B (zh) | 2019-09-17 | 2019-09-17 | 一种桥梁健康状态检测与管养决策系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110633855A CN110633855A (zh) | 2019-12-31 |
CN110633855B true CN110633855B (zh) | 2022-12-13 |
Family
ID=68971468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910873237.3A Active CN110633855B (zh) | 2019-09-17 | 2019-09-17 | 一种桥梁健康状态检测与管养决策系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110633855B (zh) |
Families Citing this family (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111240966B (zh) * | 2020-01-03 | 2023-10-24 | 中国建设银行股份有限公司 | 一种告警信息处理方法及系统 |
CN111310273B (zh) * | 2020-03-16 | 2023-09-15 | 河北省交通规划设计研究院有限公司 | 一种基于多源数据的全桥结构安全状态监测方法及系统 |
CN111310275B (zh) * | 2020-03-31 | 2023-03-31 | 南京智行信息科技有限公司 | 一种桥梁病害大数据分析方法 |
CN111399471B (zh) * | 2020-05-15 | 2024-05-17 | 四川省水利科学研究院 | 灌区水工结构安全健康监测模块化系统 |
CN111915884B (zh) * | 2020-06-18 | 2021-09-28 | 北京航空航天大学 | 交通网络行为描述方法、装置、电子设备及存储介质 |
CN111737916B (zh) * | 2020-06-22 | 2023-07-18 | 华南农业大学 | 一种基于大数据的道路桥梁病害分析与养护决策方法 |
CN112052624A (zh) * | 2020-08-13 | 2020-12-08 | 五邑大学 | 一种基于大数据评估预测桥梁寿命的方法 |
CN112187855A (zh) * | 2020-08-21 | 2021-01-05 | 昆明理工大学 | 一种基于cps的桥梁安全通行语音报警嵌入式实时控制设备 |
CN112197920A (zh) * | 2020-08-27 | 2021-01-08 | 绍兴文理学院 | 一种基于大数据的桥梁结构健康监测系统 |
CN111986485A (zh) * | 2020-09-01 | 2020-11-24 | 珠海交通工程技术有限公司 | 交通路网运营功能评价方法、系统及装置 |
CN112254767B (zh) * | 2020-10-20 | 2022-02-15 | 重庆大学 | 公路网结构群一体自动化检测设备 |
CN113392986B (zh) * | 2021-02-01 | 2023-04-07 | 重庆交通大学 | 一种基于大数据的公路桥梁信息抽取方法及管理养护系统 |
CN112837040B (zh) * | 2021-02-22 | 2024-01-23 | 国网辽宁省电力有限公司信息通信分公司 | 应用于智能电网的电力数据管理方法及系统 |
CN112818924B (zh) * | 2021-02-26 | 2023-07-07 | 同济大学 | 一种基于关联规则分析的道路深层病害预警方法 |
CN113139691A (zh) * | 2021-04-30 | 2021-07-20 | 北华大学 | 一种基于压电传感器的高铁桥梁健康度监测系统及方法 |
CN113486188B (zh) * | 2021-05-31 | 2023-06-20 | 安徽省交通规划设计研究总院股份有限公司 | 一种基于知识图谱的桥梁智能诊断系统 |
CN113568928B (zh) * | 2021-07-27 | 2024-03-08 | 广东电网有限责任公司 | 一种应用于能源产业链预警系统的数据管理系统 |
CN113673722B (zh) * | 2021-08-27 | 2023-11-24 | 招商局重庆交通科研设计院有限公司 | 一种伸缩缝养护时机精准决策系统及方法 |
CN113673624A (zh) * | 2021-08-31 | 2021-11-19 | 重庆大学 | 基于决策树模型的桥梁状态监测方法 |
CN113553749A (zh) * | 2021-09-22 | 2021-10-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种桥梁健康监测方法、系统、计算机及存储介质 |
CN114005278B (zh) * | 2021-11-01 | 2022-12-16 | 河北省高速公路延崇管理中心 | 一种高速公路基础设施群智能监测与预警系统及方法 |
CN113970799A (zh) * | 2021-11-25 | 2022-01-25 | 东北林业大学 | 基于窄带通信的桥梁气象监测系统、方法、设备及存储介质 |
CN114169374B (zh) * | 2021-12-10 | 2024-02-20 | 湖南工商大学 | 一种斜拉桥斜拉索损伤识别方法及电子设备 |
CN114485878B (zh) * | 2022-01-26 | 2024-04-09 | 何剑虹 | 基于动态能谱分析进行车辆动态重量测量方法及其系统 |
CN114354106B (zh) * | 2022-02-09 | 2024-03-15 | 中大智能科技股份有限公司 | 基于risc-v桥梁智能监测预警分析系统 |
CN114565162A (zh) * | 2022-03-01 | 2022-05-31 | 北京九天翱翔科技有限公司 | 一种飞行器运输状态监测与安全防护方法及系统 |
CN115420410B (zh) * | 2022-11-03 | 2023-03-21 | 保利长大工程有限公司 | 一种桥梁应力检测系统 |
CN115798021B (zh) * | 2023-01-31 | 2023-04-18 | 中国民用航空飞行学院 | 一种飞行员航前异常状态检测方法及系统 |
CN115809950B (zh) * | 2023-02-07 | 2023-05-19 | 烟台软图信息科技有限公司 | 一种机房运维管理平台及管理办法 |
CN116401525B (zh) * | 2023-02-23 | 2023-09-29 | 兰州工业学院 | 一种基于智能化感应的桥隧预测维护方法及系统 |
CN116360485B (zh) * | 2023-03-06 | 2024-02-27 | 广州天勤数字科技有限公司 | 一种应用于桥梁巡检的无人机避障方法及无人机 |
CN117671921A (zh) * | 2023-11-27 | 2024-03-08 | 北京智城联合科技发展有限公司 | 一种城市桥梁实时监测预警系统 |
CN117401578B (zh) * | 2023-12-15 | 2024-04-19 | 姜文涛 | 一种起重量称量信号智能管理系统 |
CN117611015B (zh) * | 2024-01-22 | 2024-03-29 | 衡水烨通建设工程有限公司 | 一种建筑工程质量实时监测系统 |
CN117664484B (zh) * | 2024-01-31 | 2024-04-05 | 北京智城联合科技发展有限公司 | 一种智慧城市桥梁安全监测预警方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020429A (zh) * | 2012-11-27 | 2013-04-03 | 浙江工业职业技术学院 | 一种系杆拱桥的健康状态综合决策评估方法 |
CN107609304A (zh) * | 2017-09-29 | 2018-01-19 | 中国铁道科学研究院铁道建筑研究所 | 大跨度铁路桥梁的基于phm的故障诊断预测系统及方法 |
CN108320076A (zh) * | 2017-12-30 | 2018-07-24 | 武汉理工大学 | 桥梁结构安全信息平台 |
-
2019
- 2019-09-17 CN CN201910873237.3A patent/CN110633855B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020429A (zh) * | 2012-11-27 | 2013-04-03 | 浙江工业职业技术学院 | 一种系杆拱桥的健康状态综合决策评估方法 |
CN107609304A (zh) * | 2017-09-29 | 2018-01-19 | 中国铁道科学研究院铁道建筑研究所 | 大跨度铁路桥梁的基于phm的故障诊断预测系统及方法 |
CN108320076A (zh) * | 2017-12-30 | 2018-07-24 | 武汉理工大学 | 桥梁结构安全信息平台 |
Non-Patent Citations (2)
Title |
---|
基于MAS的大型智能桥梁健康监测系统开发与应用;邓志刚等;《公路工程》;20071020;全文 * |
桥梁健康诊断专家系统的构建;吴祥海;《工程质量》;20100910;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110633855A (zh) | 2019-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110633855B (zh) | 一种桥梁健康状态检测与管养决策系统及方法 | |
Xie et al. | Blockchain financial investment based on deep learning network algorithm | |
Aziz et al. | A study on gradient boosting algorithms for development of AI monitoring and prediction systems | |
CN109657880A (zh) | 一种基于贝叶斯网络的船舶碰撞事故等级预测方法和系统 | |
Sarmadi et al. | Probabilistic data self-clustering based on semi-parametric extreme value theory for structural health monitoring | |
Zheng et al. | Intelligent technologies for construction machinery using data-driven methods | |
CN106600115A (zh) | 一种企业信息系统运维智能分析方法 | |
Van et al. | Research trends on machine learning in construction management: a scientometric analysis | |
CN105096053A (zh) | 一种适用于复杂工艺系统的健康管理决策方法 | |
Phillips et al. | A knowledge driven approach to aerospace condition monitoring | |
CN110210169B (zh) | 一种基于lstm的盾构机故障预测方法 | |
CN109947898B (zh) | 基于智能化的装备故障测试方法 | |
CN108873859A (zh) | 基于改进关联规则的桥式抓斗卸船机故障预测模型方法 | |
CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN117930815A (zh) | 一种基于云平台的风电机组远程故障诊断方法及系统 | |
CN117952439A (zh) | 道路施工环境影响智能预测方法及系统 | |
CN118037047A (zh) | 基于ai的矿山安全监控系统 | |
Wang et al. | Reliability analysis of complex electromechanical systems: State of the art, challenges, and prospects | |
Liu et al. | Residual useful life prognosis of equipment based on modified hidden semi-Markov model with a co-evolutional optimization method | |
Hu et al. | Estimate remaining useful life for predictive railways maintenance based on LSTM autoencoder | |
Zhou et al. | Construction safety management in the data-rich era: A hybrid review based upon three perspectives of nature of dataset, machine learning approach, and research topic | |
Gürbüz et al. | Classification rule discovery for the aviation incidents resulted in fatality | |
Iranmanesh et al. | Risk assessment of software projects using fuzzy inference system | |
Yang et al. | Two-stage classifications for improving time-to-failure estimates: a case study in prognostic of train wheels |
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 |