CN112446543A - 基于神经网络的城市地下综合管廊风险管控系统及方法 - Google Patents

Abstract

本发明涉及一种基于神经网络的城市地下综合管廊风险管控系统，包括基于AI基础的人工智能服务器平台、远程操控终端、现场检测节点终端、现场移动装置、物联网通讯服务网络，AI基础的人工智能服务器平台通过物联网通讯服务网络分别与远程操控终端、现场检测节点终端、现场移动装置建立数据连接。具体包括确定检测点，系统组网，系统预设，管廊维护运行及系统拓展优化等五个步骤。本发明一方面可有效满足对管廊系统自身及周边环境进行全面监控，数据获取全面且精度高；另一方面系统运行自动化程度、智能化程度高，极大的提高了风险事件判断效率及精度，并可为风险事件的日常管理、应急处理及日后信息追溯提供精确的信息指导及服务。

Description

基于神经网络的城市地下综合管廊风险管控系统及方法

技术领域

本发明涉及一种管廊定位管理系统及方法，特别是涉及地下综合管廊现场多源综合现场定位系统及方法。

背景技术

城市综合管廊系统的运行中，为了提高对运行风险事件的综合监管能力，提高管廊运行安全性，当前在监管工作采用了大量的基于人工职能类风险监控系统平台，如王建波采用德尔菲法和主成分分析（PCA）建立管廊PPP项目风险评价指标体系，并运用C-OWA算子来进行指标赋权，建立基于集对分析的风险评价模型，利用灰色关联度确定差异度系数，通过联系度的取值评判项目风险等级及发展趋势，为综合管廊PPP项目风险评价的理论与实践提供参考，虽然可以一定程度满足使用的需要，但在实际工作中发现，当前所使用的管廊风险监控评测系统，一方面均不同程度存在系统构建结构复杂，操作及维护难度大，且仅能满足对特定类型的风险事件进行评测管理作业，使用灵活性和便捷性均相对较差；且风险评测系统对风险评测运算的效率及运算精度均相对较差，且在运算过程中缺乏必要的自主学习能力，从而造成无法对突发或个别偶发状态数据对应的风险情况进行有效的评测；另一方面当前的管廊风险维护系统在运行中，往往对管廊系统内部及外部周边地址环境缺乏有效的定位及监控，从而造成当前管廊风险评测系统监控全面性差，存在较多的安全漏洞，同时工作人员也无法对管廊系统风险发生点位置进行精确定位，也易造成工作人员及设备在管廊内部发生迷路或路径辨识困难情况发生，从而严重影响了风险事件处理的效率及质量。

因此针对这一现状，迫切需要开发一种全新的城市管廊风险评估管理系统，以满足管廊系统实际运行维护管理作业的需要。

发明内容

针对现有技术上存在的不足，本发明提供基于神经网络的城市地下综合管廊风险管控系统及方法，以克服传统设备在运行中的缺陷，提高设备运行的稳定性、安全性和可靠性。为了实现上述目的，本发明是通过如下的技术方案来实现：

一种基于神经网络的城市地下综合管廊风险管控系统，包括基于AI基础的人工智能服务器平台、远程操控终端、现场检测节点终端、现场移动装置、物联网通讯服务网络，其中所述AI基础的人工智能服务器平台通过物联网通讯服务网络分别与远程操控终端、现场检测节点终端、现场移动装置建立数据连接，所述远程操控终端为1—3个，各远程操控终端间通过物联网通讯服务网络相互连接，且各远程操控终端分别通过物联网通讯服务网络与现场检测节点终端、现场移动装置建立数据连接，其中所述现场检测节点终端及现场移动装置均若干各，各现场检测节点终端、现场移动装置间相互并联，其中所述现场检测节点终端沿管廊轴线均布在管廊系统的内表面及管廊对应的地质结构的地表，所述现场移动装置分别与管廊巡检设备连接，且所述现场移动装置与各现场检测节点终端间通过物联网通讯服务网络建立数据连接。

进一步的，所述的基于AI基础的人工智能服务器平台内构建采用C/S结构和B/S结构的嵌套架构BP神经网络系统，及与BP神经网络系统协同运行的基于LSTM的智能预测系统为基础的和深度学习神经网络系统，同时所述基于AI基础的人工智能服务器平台内另设基于SOA体系为基础的主程序系统，及基于BIM和GIS为基础的三维信息展示子系统、图像识别处理系统平台子系统、基于AR/VR基础的虚拟现实展示平台子系统及高清视频信号传输子系统，且所述基于BIM和GIS为基础的三维信息展示子系统、图像识别处理系统平台子系统、基于AR/VR基础的虚拟现实展示平台子系统及高清视频信号传输子系统均与基于SOA体系为基础的主程序系统建立数据链接，所述基于AI基础的人工智能服务器平台另通过通讯网络与外部第三方服务平台建立数据连接。

进一步的，所述的深度学习神经网络系统为基于卷积运算的神经网络系统、基于多层神经元的自编码神经网络及以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络中的任意一种或几种共用。

进一步的，所述的现场检测节点终端包括应力传感器、定向麦克风、无线数据通讯装置、串口通讯装置、GNSS卫星定位装置、监控摄像头、测距装置、显示器、温湿度传感器、空气质量传感器、引流风机、承载底座、工作台及驱动电路，其中所述承载底座为横断面呈矩形的闭合腔体结构，其后端面设至少一个应力传感器，所述无线数据通讯装置、串口通讯装置、GNSS卫星定位装置及驱动电路均嵌于承载底座内，所述承载底座上端面通过转台机构与工作台铰接并同轴分布，所述工作台为横断面呈“凵”字形槽状结构，所述监控摄像头、测距装置、显示器均嵌于工作台内并与工作台槽底连接，且所述监控摄像头、测距装置、显示器光轴之间及光轴与工作台槽底间均平行分布，并与水平面呈0°—90°夹角，所述工作台槽底另设与工作台同轴分布的检测腔，所述检测腔对应的工作台前端面及后端面均设若干通风口，所述温湿度传感器、空气质量传感器、引流风机均嵌于检测腔内，所述定向麦克风至少一个，通过转台机构与工作台外侧面铰接，且定向麦克风轴线与水平面呈0°—180°夹角，所述应力传感器、定向麦克风、无线数据通讯装置、串口通讯装置、GNSS卫星定位装置、监控摄像头、测距装置、显示器、温湿度传感器、空气质量传感器、引流风机均与驱动电路电气连接，所述驱动电路另通过无线数据通讯装置、串口通讯装置与物联网通讯服务网络连接。

进一步的，所述的远程操控终端包括操控平台、智能通讯网关、显示器、电子沙盘，所述操控平台分别与智能通讯网关、显示器、电子沙盘电气连接，且所述显示器、电子沙盘间通过操控平台相互混联，且所述智能通讯网关另与物联网通讯服务网络连接，且所述操控平台为基于物联网控制器、可编程控制器中任意一种或两种共用为基础的电路系统。

进一步的，所述现场移动装置包括定位扣、承载台、无线数据通讯装置、CCD摄像机、卫星通讯装置、辅助电源、激光测距仪及控制电路，所述承载台为横断面呈矩形的框架结构，其后端面与至少两个定位扣连接，且各定位扣环绕承载台轴线均布，所述线数据通讯装置、CCD摄像机、卫星通讯装置、辅助电源、激光测距仪及控制电路均嵌于承载台内，其中CCD摄像机和激光测距仪光轴平行分布，所述控制电路分别与无线数据通讯装置、CCD摄像机、卫星通讯装置、辅助电源、激光测距仪电气连接。

基于神经网络的城市地下综合管廊风险管控系统的使用方法，包括以下步骤：

S1，确定检测点，首先由基于AI基础的人工智能服务器平台与市政规划资料库服务器、地质结构数据服务器及待检测管廊管理系统服务器建立数据连接，获取待检测管廊系统在水平面上的地理坐标信息、卫星定位座坐标值信息、垂直方向上地质结构信息及待检测管廊规划建设信息，然后为待检测管廊内部结构作业面、管廊对应的地表位置及管廊对应的地质形变区分别设定若干检测点，并对各监测点的空间三维坐标进行采集并统计，同时在待检测管廊管理系统服务器中生成待检测管廊及周边地质结构、地表建筑结构的整体三维模型；

S2，系统组网，完成S1步骤，根据S1 步骤设定的各检测点分别在待检测管廊系统内部及地表位置设置现场检测节点终端，且每个检测点均设一个现场检测节点终端，然后在待检测管廊系统内部及地表位置均设若干现场移动装置，最后将各现场检测节点终端、现场移动装置通过物联网通讯服务网络分别与基于AI基础的人工智能服务器平台、远程操控终端建立数据连接，并由基于AI基础的人工智能服务器平台为远程操控终端、现场检测节点终端、现场移动装置分配独立的硬件识别编码、软件识别编码及数据通讯寻址地址，最后为管廊维护巡检工作人员及车辆建立身份识别信息库；

S3，系统预设，完成S2步骤后，通过远程操控终端向基于AI基础的人工智能服务器平台中录入相关预设的管廊运行风险事件及相应的风险事件应急处理管理办法，并将录入的管廊运行风险事件及相应的风险事件应急处理管理办法数据在基于AI基础的人工智能服务器平台生成风险管控数据汇总列表，然后根据风险管控数据汇总列表数据，然后由AI基础的人工智能服务器平台的基于LSTM的智能预测系统为基础的和深度学习神经网络系统对风险管控数据汇总列表信息进行学习，并在学习过程中通过BP神经网络系统进行风险预判，并为风险管控数据汇总列表中各管廊运行风险事件生成风险等级分析，并根据风险等级信息对风险管控数据汇总列表信息进行同步调整，划分风险事件处理优先级，从而完成系统预设；

S4，管廊维护运行，完成S3步骤后，即可进行管廊维护运行作业，在日常维护管理中，一方面通过各现场检测节点终端对管廊运行中的温度、湿度、空气质量、人员工作状态、设备运行状态、管廊周边环境地质形变情况及地质形变造成的管廊结构受力情况进行24小时不间断持续检测；另一方面由现场移动装置与巡逻人员及设备配套运行，定期对管廊内部及管廊对应的地表地质形变、地表建筑物变换情况进行检测，然后将检测的数据同时录入到基于AI基础的人工智能服务器平台、远程操控终端中，一方面由基于AI基础的人工智能服务器平台根据S3步骤系统预设的运行机制对检测的数据进行汇总并带入到风险管控数据汇总列表中，对风险事件通过远程操控终端进行预警并推送风险时间处理工作方案；另一方面由远程操控终端对接收的风险预警及推送的风险事件处理办法进行专家组研判，最终得到风险事件处理办法，最后根据风险时间处理办法指导管廊工作人员进行风险事件干预和排除，并将处理方案反馈至风险管控数据汇总列表中，同时按照S3步骤对新纳入数据后的风险管控数据汇总列表进行学习预设；

S5，系统拓展优化，在S4步骤中，当现场检测节点终端、现场移动装置的检测的数据未纳入到风险管控数据汇总列表内时，由远程操控终端根据检测数据组织专家组进行研判，最终得到风险事件处理办法，同时将该风险事件数据及处理办法纳入到风险管控数据汇总列表中，并再次按照S3步骤对新纳入数据后的风险管控数据汇总列表进行学习预设，完成系统拓展优化。

进一步的，所述S3步骤中，BP神经网络系统采用信息录入层、风险计算层及数据输出层三层风险管控预警系统结构。

本发明一方面系统构成结构简单、数据通讯处理能力强，可有效满足对管廊系统自身及周边环境进行全面监控，数据获取全面且精度高；另一方面系统运行自动化程度、智能化程度高，极大的提高了风险事件判断效率及精度，并可为风险事件的日常管理、应急处理及日后信息追溯提供精确的信息指导及服务，极大的提高了管廊运行风险管控工作的工作效率和精度，并极大的降低了管廊维护管理工作的运行成本及安全隐患。

附图说明

下面结合附图和具体实施方式来详细说明本发明。

图1为本发明系统构成结构原理示意图；

图2为本发明系统原理结构示意图；

图3为现场检测节点终端结构示意图；

图4为远程操控终端结构示意图；

图5为现场移动装置结构示意图；

图6为本发明运行方法流程示意图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，以氢气为例进一步阐述本发明。

如图1—5所示，一种基于神经网络的城市地下综合管廊风险管控系统，包括基于AI基础的人工智能服务器平台1、远程操控终端2、现场检测节点终端3、现场移动装置4、物联网通讯服务网络5，其中所述AI基础的人工智能服务器平台1通过物联网通讯服务网络5分别与远程操控终端2、现场检测节点终端3、现场移动装置4建立数据连接，所述远程操控终端2为1—3个，各远程操控终端2间通过物联网通讯服务网络5相互连接，且各远程操控终端2分别通过物联网通讯服务网络5与现场检测节点终端3、现场移动装置4建立数据连接，其中所述现场检测节点终端3及现场移动装置4均若干各，各现场检测节点终端3、现场移动装置4间相互并联，其中所述现场检测节点终端3沿管廊6轴线均布在管廊6系统的内表面及管廊6对应的地质结构的地表，所述现场移动装置4分别与管廊6巡检设备连接，且所述现场移动装置3与各现场检测节点终端3间通过物联网通讯服务网络5建立数据连接。

重点说明的，所述的基于AI基础的人工智能服务器平台1内构建采用C/S结构和B/S结构的嵌套架构BP神经网络系统，及与BP神经网络系统协同运行的基于LSTM的智能预测系统为基础的和深度学习神经网络系统，同时所述基于AI基础的人工智能服务器平台内另设基于SOA体系为基础的主程序系统，及基于BIM和GIS为基础的三维信息展示子系统、图像识别处理系统平台子系统、基于AR/VR基础的虚拟现实展示平台子系统及高清视频信号传输子系统，且所述基于BIM和GIS为基础的三维信息展示子系统、图像识别处理系统平台子系统、基于AR/VR基础的虚拟现实展示平台子系统及高清视频信号传输子系统均与基于SOA体系为基础的主程序系统建立数据链接，所述基于AI基础的人工智能服务器平台另通过通讯网络与外部第三方服务平台建立数据连接。

进一步优化的，所述的深度学习神经网络系统为基于卷积运算的神经网络系统、基于多层神经元的自编码神经网络及以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络中的任意一种或几种共用。

同时，所述的现场检测节点终端3包括应力传感器31、定向麦克风32、无线数据通讯装置33、串口通讯装置34、GNSS卫星定位装置35、监控摄像头36、测距装置37、显示器38、温湿度传感器39、空气质量传感器30、引流风机301、承载底座302、工作台303及驱动电路304，其中所述承载底座302为横断面呈矩形的闭合腔体结构，其后端面设至少一个应力传感器31，所述无线数据通讯装置33、串口通讯装置34、GNSS卫星定位装置35及驱动电路304均嵌于承载底座302内，所述承载底座302上端面通过转台机构305与工作台303铰接并同轴分布，所述工作台303为横断面呈“凵”字形槽状结构，所述监控摄像头36、测距装置37、显示器38均嵌于工作台303内并与工作台303槽底连接，且所述监控摄像头36、测距装置37、显示器38光轴之间及光轴与工作台303槽底间均平行分布，并与水平面呈0°—90°夹角，所述工作台303槽底另设与工作台303同轴分布的检测腔306，所述检测腔306对应的工作台303前端面及后端面均设若干通风口307，所述温湿度传感器39、空气质量传感器30、引流风机301均嵌于检测腔306内，所述定向麦克风32至少一个，通过转台机构305与工作台303外侧面铰接，且定向麦克风32轴线与水平面呈0°—180°夹角，所述应力传感器31、定向麦克风32、无线数据通讯装置33、串口通讯装置34、GNSS卫星定位装置35、监控摄像头36、测距装置37、显示器38、温湿度传感器39、空气质量传感器30、引流风机301均与驱动电路304电气连接，所述驱动电路304另通过无线数据通讯装置33、串口通讯装置34与物联网通讯服务5网络连接。

此外，所述的远程操控终端2包括操控平台21、智能通讯网关22、显示器23、电子沙盘24，所述操控平台21分别与智能通讯网关22、显示器23、电子沙盘24电气连接，且所述显示器23、电子沙盘24间通过操控平台21相互混联，且所述智能通讯网关22另与物联网通讯服务网络5连接，且所述操控平台21为基于物联网控制器、可编程控制器中任意一种或两种共用为基础的电路系统。

同时，所述现场移动装置4包括定位扣41、承载台42、无线数据通讯装置43、CCD摄像机44、卫星通讯装置45、辅助电源46、激光测距仪47及控制电路48，所述承载台42为横断面呈矩形的框架结构，其后端面与至少两个定位扣41连接，且各定位扣41环绕承载台42轴线均布，所述线数据通讯装置43、CCD摄像机44、卫星通讯装置45、辅助电源46、激光测距仪47及控制电路48均嵌于承载台42内，其中CCD摄像机44和激光测距仪47光轴平行分布，所述控制电路48分别与无线数据通讯装置43、CCD摄像机44、卫星通讯装置45、辅助电源46、激光测距仪47电气连接。

如图6所示，基于神经网络的城市地下综合管廊风险管控系统的使用方法，包括以下步骤：

S1，确定检测点，首先由基于AI基础的人工智能服务器平台与市政规划资料库服务器、地质结构数据服务器及待检测管廊管理系统服务器建立数据连接，获取待检测管廊系统在水平面上的地理坐标信息、卫星定位座坐标值信息、垂直方向上地质结构信息及待检测管廊规划建设信息，然后为待检测管廊内部结构作业面、管廊对应的地表位置及管廊对应的地质形变区分别设定若干检测点，并对各监测点的空间三维坐标进行采集并统计，同时在待检测管廊管理系统服务器中生成待检测管廊及周边地质结构、地表建筑结构的整体三维模型；

S2，系统组网，完成S1步骤，根据S1 步骤设定的各检测点分别在待检测管廊系统内部及地表位置设置现场检测节点终端，且每个检测点均设一个现场检测节点终端，然后在待检测管廊系统内部及地表位置均设若干现场移动装置，最后将各现场检测节点终端、现场移动装置通过物联网通讯服务网络分别与基于AI基础的人工智能服务器平台、远程操控终端建立数据连接，并由基于AI基础的人工智能服务器平台为远程操控终端、现场检测节点终端、现场移动装置分配独立的硬件识别编码、软件识别编码及数据通讯寻址地址，最后为管廊维护巡检工作人员及车辆建立身份识别信息库；

S3，系统预设，完成S2步骤后，通过远程操控终端向基于AI基础的人工智能服务器平台中录入相关预设的管廊运行风险事件及相应的风险事件应急处理管理办法，并将录入的管廊运行风险事件及相应的风险事件应急处理管理办法数据在基于AI基础的人工智能服务器平台生成风险管控数据汇总列表，然后根据风险管控数据汇总列表数据，然后由AI基础的人工智能服务器平台的基于LSTM的智能预测系统为基础的和深度学习神经网络系统对风险管控数据汇总列表信息进行学习，并在学习过程中通过BP神经网络系统进行风险预判，并为风险管控数据汇总列表中各管廊运行风险事件生成风险等级分析，并根据风险等级信息对风险管控数据汇总列表信息进行同步调整，划分风险事件处理优先级，从而完成系统预设；

S4，管廊维护运行，完成S3步骤后，即可进行管廊维护运行作业，在日常维护管理中，一方面通过各现场检测节点终端对管廊运行中的温度、湿度、空气质量、人员工作状态、设备运行状态、管廊周边环境地质形变情况及地质形变造成的管廊结构受力情况进行24小时不间断持续检测；另一方面由现场移动装置与巡逻人员及设备配套运行，定期对管廊内部及管廊对应的地表地质形变、地表建筑物变换情况进行检测，然后将检测的数据同时录入到基于AI基础的人工智能服务器平台、远程操控终端中，一方面由基于AI基础的人工智能服务器平台根据S3步骤系统预设的运行机制对检测的数据进行汇总并带入到风险管控数据汇总列表中，对风险事件通过远程操控终端进行预警并推送风险时间处理工作方案；另一方面由远程操控终端对接收的风险预警及推送的风险事件处理办法进行专家组研判，最终得到风险事件处理办法，最后根据风险时间处理办法指导管廊工作人员进行风险事件干预和排除，并将处理方案反馈至风险管控数据汇总列表中，同时按照S3步骤对新纳入数据后的风险管控数据汇总列表进行学习预设；

S5，系统拓展优化，在S4步骤中，当现场检测节点终端、现场移动装置的检测的数据未纳入到风险管控数据汇总列表内时，由远程操控终端根据检测数据组织专家组进行研判，最终得到风险事件处理办法，同时将该风险事件数据及处理办法纳入到风险管控数据汇总列表中，并再次按照S3步骤对新纳入数据后的风险管控数据汇总列表进行学习预设，完成系统拓展优化。

本实施例中，所述S3步骤中，BP神经网络系统采用信息录入层、风险计算层及数据输出层三层风险管控预警系统结构。

本发明一方面系统构成结构简单、数据通讯处理能力强，可有效满足对管廊系统自身及周边环境进行全面监控，数据获取全面且精度高；另一方面系统运行自动化程度、智能化程度高，极大的提高了风险事件判断效率及精度，并可为风险事件的日常管理、应急处理及日后信息追溯提供精确的信息指导及服务，极大的提高了管廊运行风险管控工作的工作效率和精度，并极大的降低了管廊维护管理工作的运行成本及安全隐患。

本行业的技术人员应该了解，本发明不受上述实施例的限制。上述实施例和说明书中描述的只是说明本发明的原理。在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进。这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种基于神经网络的城市地下综合管廊风险管控系统，其特征在于：所述基于神经网络的城市地下综合管廊风险管控系统包括基于AI基础的人工智能服务器平台、远程操控终端、现场检测节点终端、现场移动装置、物联网通讯服务网络，其中所述AI基础的人工智能服务器平台通过物联网通讯服务网络分别与远程操控终端、现场检测节点终端、现场移动装置建立数据连接，所述远程操控终端为1—3个，各远程操控终端间通过物联网通讯服务网络相互连接，且各远程操控终端分别通过物联网通讯服务网络与现场检测节点终端、现场移动装置建立数据连接，其中所述现场检测节点终端及现场移动装置均若干各，各现场检测节点终端、现场移动装置间相互并联，其中所述现场检测节点终端沿管廊轴线均布在管廊系统的内表面及管廊对应的地质结构的地表，所述现场移动装置分别与管廊巡检设备连接，且所述现场移动装置与各现场检测节点终端间通过物联网通讯服务网络建立数据连接。

2.根据权利要求1所述的基于神经网络的城市地下综合管廊风险管控系统，其特征在于：所述的基于AI基础的人工智能服务器平台内构建采用C/S结构和B/S结构的嵌套架构BP神经网络系统，及与BP神经网络系统协同运行的基于LSTM的智能预测系统为基础的和深度学习神经网络系统，同时所述基于AI基础的人工智能服务器平台内另设基于SOA体系为基础的主程序系统，及基于BIM和GIS为基础的三维信息展示子系统、图像识别处理系统平台子系统、基于AR/VR基础的虚拟现实展示平台子系统及高清视频信号传输子系统，且所述基于BIM和GIS为基础的三维信息展示子系统、图像识别处理系统平台子系统、基于AR/VR基础的虚拟现实展示平台子系统及高清视频信号传输子系统均与基于SOA体系为基础的主程序系统建立数据链接，所述基于AI基础的人工智能服务器平台另通过通讯网络与外部第三方服务平台建立数据连接。

3.根据权利要求2所述的基于神经网络的城市地下综合管廊风险管控系统，其特征在于：所述的深度学习神经网络系统为基于卷积运算的神经网络系统、基于多层神经元的自编码神经网络及以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络中的任意一种或几种共用。

4.根据权利要求1所述的基于神经网络的城市地下综合管廊风险管控系统，其特征在于：所述的现场检测节点终端包括应力传感器、定向麦克风、无线数据通讯装置、串口通讯装置、GNSS卫星定位装置、监控摄像头、测距装置、显示器、温湿度传感器、空气质量传感器、引流风机、承载底座、工作台及驱动电路，其中所述承载底座为横断面呈矩形的闭合腔体结构，其后端面设至少一个应力传感器，所述无线数据通讯装置、串口通讯装置、GNSS卫星定位装置及驱动电路均嵌于承载底座内，所述承载底座上端面通过转台机构与工作台铰接并同轴分布，所述工作台为横断面呈“凵”字形槽状结构，所述监控摄像头、测距装置、显示器均嵌于工作台内并与工作台槽底连接，且所述监控摄像头、测距装置、显示器光轴之间及光轴与工作台槽底间均平行分布，并与水平面呈0°—90°夹角，所述工作台槽底另设与工作台同轴分布的检测腔，所述检测腔对应的工作台前端面及后端面均设若干通风口，所述温湿度传感器、空气质量传感器、引流风机均嵌于检测腔内，所述定向麦克风至少一个，通过转台机构与工作台外侧面铰接，且定向麦克风轴线与水平面呈0°—180°夹角，所述应力传感器、定向麦克风、无线数据通讯装置、串口通讯装置、GNSS卫星定位装置、监控摄像头、测距装置、显示器、温湿度传感器、空气质量传感器、引流风机均与驱动电路电气连接，所述驱动电路另通过无线数据通讯装置、串口通讯装置与物联网通讯服务网络连接。

5.根据权利要求1所述的基于神经网络的城市地下综合管廊风险管控系统，其特征在于：所述的远程操控终端包括操控平台、智能通讯网关、显示器、电子沙盘，所述操控平台分别与智能通讯网关、显示器、电子沙盘电气连接，且所述显示器、电子沙盘间通过操控平台相互混联，且所述智能通讯网关另与物联网通讯服务网络连接，且所述操控平台为基于物联网控制器、可编程控制器中任意一种或两种共用为基础的电路系统。

6.根据权利要求1所述的基于神经网络的城市地下综合管廊风险管控系统，其特征在于：所述现场移动装置包括定位扣、承载台、无线数据通讯装置、CCD摄像机、卫星通讯装置、辅助电源、激光测距仪及控制电路，所述承载台为横断面呈矩形的框架结构，其后端面与至少两个定位扣连接，且各定位扣环绕承载台轴线均布，所述线数据通讯装置、CCD摄像机、卫星通讯装置、辅助电源、激光测距仪及控制电路均嵌于承载台内，其中CCD摄像机和激光测距仪光轴平行分布，所述控制电路分别与无线数据通讯装置、CCD摄像机、卫星通讯装置、辅助电源、激光测距仪电气连接。

7.基于神经网络的城市地下综合管廊风险管控系统的使用方法，其特征在于：所述的基于神经网络的城市地下综合管廊风险管控系统的使用方法包括以下步骤：

S1，确定检测点，首先由基于AI基础的人工智能服务器平台与市政规划资料库服务器、地质结构数据服务器及待检测管廊管理系统服务器建立数据连接，获取待检测管廊系统在水平面上的地理坐标信息、卫星定位座坐标值信息、垂直方向上地质结构信息及待检测管廊规划建设信息，然后为待检测管廊内部结构作业面、管廊对应的地表位置及管廊对应的地质形变区分别设定若干检测点，并对各监测点的空间三维坐标进行采集并统计，同时在待检测管廊管理系统服务器中生成待检测管廊及周边地质结构、地表建筑结构的整体三维模型；

S2，系统组网，完成S1步骤，根据S1步骤设定的各检测点分别在待检测管廊系统内部及地表位置设置现场检测节点终端，且每个检测点均设一个现场检测节点终端，然后在待检测管廊系统内部及地表位置均设若干现场移动装置，最后将各现场检测节点终端、现场移动装置通过物联网通讯服务网络分别与基于AI基础的人工智能服务器平台、远程操控终端建立数据连接，并由基于AI基础的人工智能服务器平台为远程操控终端、现场检测节点终端、现场移动装置分配独立的硬件识别编码、软件识别编码及数据通讯寻址地址，最后为管廊维护巡检工作人员及车辆建立身份识别信息库；

S3，系统预设，完成S2步骤后，通过远程操控终端向基于AI基础的人工智能服务器平台中录入相关预设的管廊运行风险事件及相应的风险事件应急处理管理办法，并将录入的管廊运行风险事件及相应的风险事件应急处理管理办法数据在基于AI基础的人工智能服务器平台生成风险管控数据汇总列表，然后根据风险管控数据汇总列表数据，然后由AI基础的人工智能服务器平台的基于LSTM的智能预测系统为基础的和深度学习神经网络系统对风险管控数据汇总列表信息进行学习，并在学习过程中通过BP神经网络系统进行风险预判，并为风险管控数据汇总列表中各管廊运行风险事件生成风险等级分析，并根据风险等级信息对风险管控数据汇总列表信息进行同步调整，划分风险事件处理优先级，从而完成系统预设；

S4，管廊维护运行，完成S3步骤后，即可进行管廊维护运行作业，在日常维护管理中，一方面通过各现场检测节点终端对管廊运行中的温度、湿度、空气质量、人员工作状态、设备运行状态、管廊周边环境地质形变情况及地质形变造成的管廊结构受力情况进行24小时不间断持续检测；另一方面由现场移动装置与巡逻人员及设备配套运行，定期对管廊内部及管廊对应的地表地质形变、地表建筑物变换情况进行检测，然后将检测的数据同时录入到基于AI基础的人工智能服务器平台、远程操控终端中，一方面由基于AI基础的人工智能服务器平台根据S3步骤系统预设的运行机制对检测的数据进行汇总并带入到风险管控数据汇总列表中，对风险事件通过远程操控终端进行预警并推送风险时间处理工作方案；另一方面由远程操控终端对接收的风险预警及推送的风险事件处理办法进行专家组研判，最终得到风险事件处理办法，最后根据风险时间处理办法指导管廊工作人员进行风险事件干预和排除，并将处理方案反馈至风险管控数据汇总列表中，同时按照S3步骤对新纳入数据后的风险管控数据汇总列表进行学习预设；

S5，系统拓展优化，在S4步骤中，当现场检测节点终端、现场移动装置的检测的数据未纳入到风险管控数据汇总列表内时，由远程操控终端根据检测数据组织专家组进行研判，最终得到风险事件处理办法，同时将该风险事件数据及处理办法纳入到风险管控数据汇总列表中，并再次按照S3步骤对新纳入数据后的风险管控数据汇总列表进行学习预设，完成系统拓展优化。

8.根据权利要求7所述的基于神经网络的城市地下综合管廊风险管控系统的使用方法，其特征在于：所述S3步骤中，BP神经网络系统采用信息录入层、风险计算层及数据输出层三层风险管控预警系统结构。

Images