CN112581725A - 一种基于NBIOT与LoRa双模通信的山体滑坡预警监测系统 - Google Patents
一种基于NBIOT与LoRa双模通信的山体滑坡预警监测系统 Download PDFInfo
- Publication number
- CN112581725A CN112581725A CN202011443992.7A CN202011443992A CN112581725A CN 112581725 A CN112581725 A CN 112581725A CN 202011443992 A CN202011443992 A CN 202011443992A CN 112581725 A CN112581725 A CN 112581725A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- monitoring
- time
- landslide
- 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.)
- Granted
Links
Images
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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C1/00—Measuring angles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/246—Earth materials for water content
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
- G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
- G01S11/06—Systems for determining distance or velocity not using reflection or reradiation using radio waves using intensity measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/08—Systems determining position data of a target for measuring distance only
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B7/00—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00
- G08B7/06—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00 using electric transmission, e.g. involving audible and visible signalling through the use of sound and light sources
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
Abstract
本发明涉及一种基于NBIOT与LoRa双模通信的山体滑坡预警监测系统,属于地质灾害监测技术领域。该系统包括预警监测现场节点、监测数据通信中间件模块、预警分析模块和web展示平台模块;预警监测现场节点包括:数据采集模块、通信模块以及控制模块;监测数据通信中间件模块包括:数据接收模块、数据处理模块、数据缓存模块、短信通知及展示模块;web展示平台模块包括:山体滑坡实时监测与预测系统地区信息展示模块、传感器指令变更模块、用户管理模块和设备管理模块。本发明实现了实时动态准确的监测地质活动,具有预测功能。
Description
技术领域
本发明属于地质灾害监测技术领域,涉及一种基于NBIOT与LoRa双模通信的山体滑坡预警监测系统。
背景技术
随着发展,人们对山体资源的开采日益加剧,急剧破坏了山体本身自有的结构,导致近年来滑坡、垮塌等地质灾害越来越多,并且有有愈演愈烈的趋势。因此,山体滑坡预警监测系统的研究就变得十分有应用价值和现实意义。目前的山体滑坡监测装置价格高昂,且布置困难,对于当地的生态也会造成一定破坏,完全无法大范围大面积的铺设数据监测点。采集数据的传输方式老旧,效率低速度慢,数据的开放性也低。现如今物联网模式已经深入各行各业,而山体监测项目十分适合利用物联网来实现数据的传输。
LoRa是一种新的物联网通信技术,因其传输距离远,工作功耗低等特点被广泛应用在工厂、厂矿、农场等场所,随着其应用领域的不断扩展,相关设备的不断增加,对于LoRa信号监测的研究也逐渐增多。
NBIOT技术是基于蜂窝的窄带物联网技术,具备广域传输、超低功耗、大接入、低成本等特征。NBIOT利用电信运营商的基站服务,适时进行数据采集传输,是新的物联网技术。NBIOT节点的应用不仅可以大大减少不必要的传统路由节点设置与组网设计,而且能够基于电信公司基站进行大规模组网,形式简单可靠,适应各种复杂环境,可以一定程度上减少外界对信号的干扰。
山体滑坡一旦发生,不仅造成滑坡体上人员伤亡、财产损失,而且泥石流将危及一定范围内的房屋、交通、人员安全,针对山体滑坡存在预防难、救援难、危害大、治理难度大等问题,如何及时有效地监测山体状态并能够提前预测发现异常状态、及时报警等已经成为人们关注的重点。常见监测方法有位移测量法,地质水位分析法,卫星航拍法等,而这些设备需要专业人员操作,只能对少数重灾区进行监测,无法大规模的推广到全国各地。更难以进入潜在危险山区居民家中,及时有效地监测山体状态并能够提前发现异常状态、及时报警。例如:1)专利申请“电磁式山体滑坡、崩塌预警器”(公开号:CN107369298A),利用永磁块、磁感机构和信号发射器构建出一套监测地质变化的监测单元,此方法需要用到信号放大器以及信号塔,需要长时间外接电源,造价不菲,并且偏远山区架构布线难度极大。2)专利申请“电阻式山体滑坡、崩塌预警器”(公开号:CN107146384A),利用U型电阻线圈断裂来构建出一套监测地质变化的监测单元,此方法需要外接电源,并且测量精度极低,不能收集到任何数据有意义的数据,仅能收到某地产生了山体滑坡的结果。3)专利申请“一种基于LoRa的山体振动波分布式同步测量系统及其工作方法”(公开号:CN10999890A),利用基于LoRa的山体振动波分布式同步测量的方式来监测是否有山体滑坡的振动波,并且将数据采集上传到服务器。此方法的缺点在于在监测端才用了时间同步,时间同步将会损耗及大电量,并且只有LoRa这一种传输通信模式,将采集到的数据发送到服务器,并没有做出预测行为。不能够及时判断是否会有山体滑坡产生,不能够向控制端发送维护命令,后期维护极为困难。4)专利申请“山体滑坡监测预警系统”(公开号:CN209118471U),采用MCU作为中转单元,利用zigbee部署监测终端,多个监测单元检测山体移动数据并通过短程通信模块与中转单元进行通信,对中转单元依赖性太强,某个中转单元损毁,一片区域的数据就将会完全丢失。通信模块采用GPRS,通信效率太低,延迟太高,同时未能解决大量节点传输数据引起的高并发问题。同时并未对收集到的数据进行分析处理,没有实现预测功能。5)专利申请“山体滑坡实时监测预警系统”(公开号:CN108831111A),采用无线物联网技术定位技术、电子陀螺仪姿态分析技术和无线物联网技术,采集GPS数据和陀螺仪姿态数据,通信采用wifi传输,在偏远山区实现十分困难,同时只能监测数据,并未实施预警预测分析数据,不能提前通知群众撤离危险地带。6)专利申请“一种山体滑坡与泥石流预警检测设备”(公开号:CN207409113U),未检测地下水含量,且方法所采用的放置监测节点方式不合理,置于露天处,且地下深度仅为暴露深度的一半。极其容易因风吹动而产生错误数据。且并未实施云端平台下达指令到各个监测节点,从而能够改变其工作模式。7)专利申请“一种基于无线传感器网络的山体滑坡监测”(公开号:CN109862533A),此方法不足之处在于网关通信节点与监测节点必须用线缆连接,从而导致网关通信节点极易因山体滑坡而损坏,装置完全报废。同时太阳能供电设备组装复杂,成本高昂。8)专利申请“基于物联网的山体滑坡预警监测系统”(公开号:CN207851060U),该系统采用的zigbee功耗高,GSM通信速率低,云平台采用的Onenet,不能自定义数据平台以及服务器架构,效率低。只收集了监测数据并未进行下一步处理。
因此,亟需发明一种小型、低成本、操作简单、能够进入居民家中的山体滑坡实时监测预警系统。
发明内容
有鉴于此,本发明的目的在于提供一种基于NBIOT与LoRa双模通信的山体滑坡预警监测系统,利用多种传感器动态获取多点位置数据,通过RSSI以及TOF方式实时获取节点间距离,依次计算出各个节点的位置坐标;结合NBIOT与LoRa双模通信机制,实现多端口数据融合;利用多点位置移动数据,使用德内诺三角形划分方法,划分出各节点间相对距离最短的最优三角形,基于多个监测点的位置关系融合成网状面结构,通过分析网状面结构的变形趋势来预测山体滑坡的风险度。
为达到上述目的,本发明提供如下技术方案:
一种基于NBIOT与LoRa双模通信的山体滑坡预警监测系统,包括预警监测现场节点、监测数据通信中间件模块和预警分析模块;
(1)所述预警监测现场节点,包括:数据采集模块、通信模块以及STM32控制模块;
所述数据采集模块包括三轴重力加速度感应模块和地下水含量监测模块,分别用于采集实时的x轴、y轴和z轴的重力加速度分量,以及检测地下土壤之间的电阻值;还包括LoRa通信芯片中集成的TOF测距模块,同时其数据帧中提供RSSI参数;
所述通信模块包括NBIOT通信模块和LoRa通信模块,将串口传输过来的数据通过NBIOT/LoRa发送到云端服务器指定端口;
所述STM32控制模块配置NBIOT/LoRa通信模块的通信模式,获取三轴重力加速度感应模块以及地下水含量监测模块的监测数据传给通信模块,休眠省电模式的配置以及动态配置传感器阈值;
(2)所述监测数据通信中间件模块,包括:数据接收模块、数据处理模块、数据缓存模块、短信通知及展示模块;
所述数据接收模块用于监测接收节点与云端服务器之间通信数据;
所述数据处理模块用于处理分析数据逻辑;
所述数据缓存模块用于存储从数据接收模块中接收的数据包;
所述短信通知及展示模块,根据预警消息,通过短信API提醒相关区域管理员;
(3)所述预警分析模块根据采集获取的传感数据,利用RSSI以及TOF方式实时获取节点间距离,依次计算出各个节点的位置坐标,通过RSSI值与节点设备之间的距离关系确定当前设备是否被外力所偏移,从而得出滑坡风险度。
进一步,所述数据处理模块用于处理分析数据逻辑,从数据接收模块中接收的数据包包括:标志位、传感器ID和发送时间,发送ip以及发送端口port,数据包实时到达形成数据流进入数据处理模块中,经过数据处理模块之后,通过接收到的数据来更新数据库中的数据。
进一步,所述数据缓存模块提供如下缓存:固定时间量缓存(dataBuffer),监测节点控制命令缓存(order),节点物理地址缓存(macBuffer),网关节点控制命令缓存(control),待插入数据库节点地址缓存(queenMacBuffer),待插入数据库数据缓存(queenDataBuffer),两次倾角变化率缓存(twiceDataChange)。
进一步,该系统还包括web展示平台模块,包括:山体滑坡实时监测与预测系统地区信息展示模块、传感器指令变更模块、用户管理模块和设备管理模块;
所述山体滑坡实时监测与预测系统地区信息展示模块用于获得所有地区总体概况,某一地区所有传感器的实时状态,或者单一传感器36小时内的监测状态;
所述传感器指令变更模块,在Web端向某一个地区的所有传感器下发指令,改变震动阈值和采样频率;
所述用户管理模块,由管理员增加使用用户,并将用户与某一地区相关联;当关联地区被监测或预测到用户有险情发生时,给该用户发送短信通知;
所述设备管理模块,用于添加新的设备或者修改已有设备的设备信息。
进一步,所述预警分析模块通过对山体滑坡区采集到的不同特征的数据,分别采用多种预测模型,包括灰色预测、支持向量机预测和粒子群预测,分阶段时间序列预测得到不同预测值以及偏差值,采用动态加权方式融合得到滑坡风险度从而得到整个滑坡区域的滑坡风险度,进而对滑坡发展趋势做出预测;然后通过应用程序接口(ApplicationProgramming Interface,API)返回数据给中间件,展示在PC网页端,如果预测出山体滑坡风险值超过阈值,则将此结果下发到短信通知及展示模块,通知相关管理人员山体滑坡险情即将发生,尽快疏散当地群众。
进一步,所述预警分析模块的预测方法,具体包括以下步骤:
S1:通过采集获取的传感数据,分析出传感器的位置坐标,具体包括:
S11:动态获取山体滑坡数据,通过RSSI以及TOF方式实时获取节点间距离,依次计算出各个节点的位置坐标,通过RSSI值与节点设备之间的距离关系,采用以下模型计算得到;
其中,d0为基站与参考节点之间的距离;Pr(d0)是参考节点在距离d0处的接受信号功率;X是一个平均值为0的高斯随机变量,其反映当距离一定时,接受信号功率的变化;n为路径损耗指数;
S12:初始距离值测量时,选用空旷环境:
TOF值与节点设备之间的距离关系,采用以下模型计算得到:
其中,TRTT为数据包实际飞行的往返时间,TTOT为发射端的总消耗时间,TTAT接收端用于接收数据和返还数据消耗的时间;
则发射端与接收端之间的距离为:
D=cTTOF
其中,c代表光速,取值为3*108m/s;
S13:从测距初始值中选取满足要求的值Di,满足高斯模型值的个数为z;得到测距最优值:
其中,Di为第i个满足要求的值,i=1,2,3…,z为满足要求的个数;
S14:采用动态加权因子将RSSI测距和TOF测距相融合,得到最佳距离估计值:
DR+T=αDR+(1-α)DT
其中,DR为RSSI测距得到的最优值,DT为TOF测距得到的最优值,α为加权因子,α在不同的距离段取值有差异。
S2:获取变化数据集,包括:面积变化数据采集Si、体积变化数据采集Vi、重心位移变化数据采集(Xgi,Ygi)、形状因子变化数据采集hi和位移加速度变化数据采集ai。
进一步,步骤S13中,将测距过程中同一位置不同时间的测量值存储下来,利用高斯分布函数对测量值进行处理,得到随机测量值x的高斯分布函数
其中,δ为标准差,x为未知参数,μ为数学期望值,δ2为方差;
测量数据的均值m和方差δ2分别为
其中,Xi为第i个初始测量值,i=1,2,3…,n为测试总个数。
确定可选值范围,高斯分布函数的临界值:
根据多次实验的经验,选择p的值为0.65。当高斯分布函数的值大于0.65时认为测量值为高概率发生值;当高斯分布函数的值小于0.65时认为测量值为小概率误差值。
进一步,步骤S2中,获取面积变化数据采集Si:利用各点位移当前时刻与下一时刻位置坐标,以时间作为维度,统计计算每个三角形的面积,在数据库中存储每个时刻的所有划分的三角形面积的大小值;
获取体积变化数据采集Vi:利用各点位移当前时刻与下一时刻位置坐标,以时间作为维度,统计计算每个三角形在固定时刻的体积变化度,在数据库中存储每个时刻的所有划分的三角形体积的大小值;
获取重心位移变化数据采集(Xgi,Ygi):利用各点位移当前时刻与下一时刻位置坐标,以时间作为维度,统计计算每个三角形在固定时刻的重心位置坐标,在数据库中存储每个时刻的所有划分的三角形重心位置坐标值;
获取形状因子变化数据采集hi:利用各点位移当前时刻与下一时刻位置坐标,以时间作为维度,统计计算每个三角形在固定时刻的内接圆与外切圆的半径之比,作为形状变化因子,在数据库中存储每个时刻的所有划分的三角形形状变化因子;
获取位移加速度变化数据采集ai:利用各点位移当前时刻与下一时刻位置坐标,以时间作为维度,统计计算每个节点设备在每个时刻的位移加速度,在数据库中存储每个时刻的所有节点的位移加速度。
利用各个节点的土壤水含量传感器监测,可直接获得各个时刻的水含量数据。
本发明的有益效果在于:
本发明系统利用三轴加速度传感器监测节点设备的状态,获取不同时刻设备与重力方向角度之差以及角度变化,确定当前设备是否被外力所偏移,可用于山体滑坡检测预警。
本发明系统利用RSSI以及TOF方式实时获取节点间距离,依次计算出各个节点的位置坐标,通过RSSI值与节点设备之间的距离关系确定当前设备是否被外力所偏移,可用于山体滑坡检测预警。
本发明系统采用分布式方法布置所有预警监测节点设备,每个节点设备都分别于云端服务器进行通信,并在自身节点进行初次监测数据的运算。因此如果有某个节点设备产生故障不能及时上传数据的时候,并不会影响到该节点所在片区内的监测数据。同时本发明不会由于种种原因例如动物误触碰或流水影响等形成误警报;并且采用点对点的方式,每个节点的与同一个云端服务器不同端口进行数据通信,服务器通过不同的端口来接收数据,并且在内部利用负载均衡的方式来处理接收到的数据,一次来容纳海量数据,极端高并发数据场景,此种方式有效的避免了因其他专利中的利用某个集中节点来收集某个片区的数据,集中上传到服务器会带来的数据丢失的影响。本发明即使某个终端采集发生错误,同样不会影响该片区其他节点采集到的监测数据。
本发明系统节点设备在采集时,对于因节点设备本身或者外界自然因素的干扰产生的异常数据,采用相应的算法进行处理和筛选,完成数据采集在前端的预处理及数据级融合,为后续的滑坡数据预测保证稳定可靠的数据来源。针对异常数据的检测处理,在数据近似满足正态分布的情况下,采用了小波变换进行处理。
本发明系统的预警监测终端节点设备采用NBIOT与LoRa双模来与云端服务器进行通信、传输数据以及对终端节点设备传输控制指令,提高了通信效率。
本发明系统可以通过云端平台对预警监测节点进行振动阈值和监测频率配置。可以动态的调整阈值的配置,如果预警监测预测系统计算出来的风险值较大,则动态改变预警监测节点的监测频率以及监测阈值,更为精确详细的监测所有危险山体的数据。
本发明系统采用的低功耗设备,延长了监测节点的使用时间。
本发明的预警监测系统采用声光报警的方式告知附近人员有险情,使得预警播报更直接形象,及时告知附近人员的注意安全撤离,极大的减少人员伤亡。
本发明的预警监测系统无网络信号状态下也能预警,通过传感器节点内置三轴重力加速度仪采集到的数据数值,将其连续运动的加速度值转化为实际偏移的角度值以及偏移距离。连续偏移角度超出安全阈值或者偏移距离发生变化,传感器节点立即上报主机语音播报预警险情告知附近人员注意安全撤离,同时上报险情给云端后台观测人员,组织救援人员进入灾区救援。极大的减少人员伤亡。
本发明的预警监测系统的预测系统通过对山体滑坡区布设多个加速度传感器,采集五种不同特征的数据,面积变化数据,体积变化数据,重心位移变化数据,形状因子变化数据,位移加速度变化数据,分别采用多种预测模型,灰色预测,支持向量机预测,粒子群预测,分阶段时间序列预测得到不同预测值以及偏差值,采用动态加权方式融合得到滑坡风险度,得出较为理想的数据信息,这些信息就反映了山体的运动状态,于是可以掌握滑坡区域运动情况,进而对滑坡发展趋势做出预测。
本发明的预警监测系统的云端展示平台为利用基于Bootstrap UI框架设计成响应式布局,后端基于Spring框架实现MVC设计模式来处理前端发送的请求并返回相应数据。主要模块为山体滑坡实时监测与预测系统地区信息展示,传感器指令变更,用户管理和设备管理四大模块。
本发明的预警监测系统的预警节点终端利用STM32单片机控制ADLX三轴重力加速度传感器以及水含量传感器进行数据采集,同时用单片机检测NBIOT的信号强度,用于选择通信模式。单片机将采集到的数据通过通信模块传输到云端服务器中,服务器进行存储计算以及预测展示。
本发明型的预警监测系统的整体部署和维护简单,采用低功耗的传感器检测设备,可以长期在野外工作,无需后期繁复的维护,组件成本低,全部采用的无线通讯,能够实时准确的监测地质活动。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为山体滑坡预警监测节点处理流程图;
图2为山体滑坡预警监测Web展示平台流程图;
图3为山体滑坡预警监测系统预警逻辑流程图;
图4为山体滑坡预警监测系统web端预警逻辑流程图;
图5为山体滑坡预警监测节点埋入土壤示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
请参阅图1~图5,本发明优选了一种基于NBIOT与LoRa双模通信的山体滑坡预警监测系统共分为四大部分,如图1所示,包括:预警监测现场节点、监测数据通信中间件模块、预警分析模块以及web展示平台模块。
1)预警监测现场节点,包括:数据采集模块,NBIOT通信模块,Lora通信模块以及STM32控制模块。
数据采集模块利用三轴重力加速度感应模块、地下水含量监测模块,LoRa通信芯片中集成的TOF测距引擎,同时其数据帧中提供了RSSI参数。
数据采集模块利用ADXL32传感器采集实时的x轴y轴z轴的重力加速度分量,利用地下水含量传感器检测检测地下土壤之间的电阻值,从而计算出当前位置水含量。
通信模块将串口传输过来的数据通过NBIOT/LoRa发送到云端服务器指定端口。
STM32控制模块配置NBIOT/LoRa通信模块的通信模式,获取加速度模块以及水含量模块的监测数据传给通信模块,休眠省电模式的配置以及动态配置传感器阈值。
2)监测数据通信中间件模块,包括:数据接收模块、数据处理模块、数据缓存模块、短信通知及展示模块。
数据接收模块主要内容是监测节点与云端服务器之间通信数据,采用UDP或者TCP两种模式均可,利用NodeJS设计了多个端口来监听接收数据,可以平衡高并发数据时对服务器的压力,并且适配了两种数据传输协议,以便于适配多种节点设备,同时也使得所有数据都能完整的被接收到,不会遗漏任何实时监测数据。融合所有节点的数据,将数据格式化为标准的数据以后,下发到数据处理模块,数据经过处理之后存放入数据库中。
数据处理模块主要内容是处理分析数据逻辑,从数据接收模块中接收的数据包内存储了标志位、传感器ID、发送时间,发送ip以及发送端口port,数据包实时到达形成数据流进入数据处理模块中,经过数据处理模块之后,通过接收到的数据来更新数据库中的数据。
数据缓存模块主要提高数据分析处理效率,设置了下面几个缓存,dataBuffer(固定时间量缓存),order(监测节点控制命令缓存),macBuffer(节点物理地址缓存),control(网关节点控制命令缓存),queenMacBuffer(待插入数据库节点地址缓存),queenDataBuffer(待插入数据库数据缓存),twiceDataChange(两次倾角变化率缓存),数据接收模块中接收的数据包经过缓存以后,进行分析预警处理,会极大的提高效率。
服务器中间件实现了以下功能:
分离36小时内的实时数据,并格式化时间戳;
通过数据库保存所有传感器的上传数据,用于统计分析异常数据,以及预测滑坡趋势和烈度,数据库中数据表包含以下字段areaId(地区),macId(设备),type(设备类型),x(x轴加速度分量),y(y轴加速度分量),z(z轴加速度分量),w(土壤中的水含量),state(当前滑坡趋势),time(数据产生时间);
通过udp或者tcp协议接收传感器的通信数据,数据包含振动数据以及心跳数据,并将10s内的数据缓存在内存之中,以便于计算分析。同时保存传感器的发送ip以及发送端口,并维护更新,用于后期对每个传感器发送指令;
通过mysql实现对传感器数据的增加删除查找更新等维护;
通过数据缓存的功能实现10s内最新数据的更新,并计算出10s内所有传感器的倾角,以及振动频率;
接受上层网页端的指令如改变阈值,更新心跳时间等操作,处理指令格式,并下发到对应的每个传感器,使得每个传感器能成功执行指令;
如果预警产生,下发给报警器报警指令,并将预警等级以及预警地区下发到报警器节点,同时发送短信给监管者,告知监管者预警已经产生,及时做好防护措施;
如图2所示,山体滑坡实时预警监测web展示平台包括山体滑坡实时监测与预测系统地区信息展示模块、传感器指令变更模块、用户管理模块、设备管理模块;
山体滑坡实时监测与预测系统地区信息展示模块:(1)可获得所有地区总体概况;(2)可获得某一地区所有传感器的实时状态;(3)可获得单一传感器36小时内的监测状态。
传感器指令变更模块:可以在Web端向某一个地区的所有传感器下发指令,改变震动阈值和采样频率。
用户管理模块:由管理员增加使用用户,并将用户与某一地区相关联。当关联地区被监测或预测到有险情发生时,给该用户发送短信通知。
设备管理模块:添加新的设备或者修改已有设备的设备信息。
3)预警分析模块,具体预警流程如图3~4所示。
(1)传感器位置坐标数据采集
动态获取山体滑坡数据,通过RSSI以及TOF方式实时获取节点间距离,依次计算出各个节点的位置坐标,通过RSSI值与节点设备之间的距离关系,通常用下述模型计算得到:
其中,d0为基站与参考节点之间的距离;Pr(d0)是参考节点在距离d0处的接受信号功率;X是一个平均值为0的高斯随机变量,其反映当距离一定时,接受信号功率的变化;n为路径损耗指数。
为了有效控制人为因素和环境因素对初始距离测量产生的影响,初始距离值的测量时选用空旷环境。信标节点端和未知节点端均固定在1.5m的高度,在测量过程中,信标节点端始终固定,未知节点端移动。根据硬件实现,在每次移动2m后分别记录保存50次TOF和RSSI的初始距离数据。在未知节点移动后,等待节点静止,然后采集下一次数据,测量值的选取应该具有广泛性。RSSI和距离d一般是非确定的关系,更多的是相关关系,通过回归分析可以确定当前环境参数,使测距模型的参数更加可靠。
TOF值与节点设备之间的距离关系,通常用下述模型计算得到:
其中,TRTT为数据包实际飞行的往返时间,TTOT为发射端的总消耗时间,TTAT接收端用于接收数据和返还数据消耗的时间。
则发射端与接收端之间的距离
D=cTTOF
其中,c代表光速,取值为3*108m/s。
在测距过程中,由于多变的环境、噪声的差异和测量误差等因素,导致直接测量得出的距离值中存在由于小概率事件引起的较大误差值。为了降低这种误差值对系统的影响,目前普遍采用多次测量后的统计平均值作为距离最优值。这种方法虽然在一定程度上减小了误差,但是,较大误差值依旧会严重影响测距精度。高斯模型的实现是选取系统中发生在高概率区的测量值,然后再取其统计平均值。这样可以避免测距过程中一些因小概率事件导致的较大误差值参与最优值的计算,从而提高系统的测距精度。
将测距过程中同一位置不同时间的测量值存储下来,利用高斯分布函数对测量值进行处理,得到随机测量值x的高斯分布函数
其中,δ为标准差,x为未知参数,μ为数学期望值,δ2为方差。
测量数据的均值m和方差δ2分别为
其中,Xi为第i个初始测量值,i=1,2,3…,n,n为测试总个数。
确定可选值范围,高斯分布函数的临界值
根据多次实验的经验,选择p的值为0.65。当高斯分布函数的值大于0.65时认为测量值为高概率发生值;当高斯分布函数的值小于0.65时认为测量值为小概率误差值。
从测距初始值中选取满足要求的值Di,满足高斯模型值的个数为z。得到测距最优值
其中,Di为第i个满足要求的值,i=1,2,3…,z,z为满足要求的个数。
高斯模型解决了在测距过程中由于小概率事件导致的误差值对整体测距精度的影响,提高了系统的测距精度和稳定性。
最优值的加权融合:
单一的测距手段只能满足规定情景下的测距,为了保证多种环境下测距的有效性,将RSSI近距离测距精度高和TOF远距离测距精度高的优点相融合,形成不同距离段中不同加权因子的RSSI和TOF动态融合测距方法,得到最佳距离估计值
DR+T=αDR+(1-α)DT
其中,DR为RSSI测距得到的最优值,DT为TOF测距得到的最优值,α为加权因子,α在不同的距离段取值有差异。
加权模型用TOF远距离测距精度高的优点弥补了RSSI远距离测距信号强度不稳定的缺点;用RSSI近距离测距精度高的优点弥补了TOF近距离测距易受时钟偏移量影响的缺点。在中间距离段,两种方法的测距精度相当,但是为了提高了测距的稳定性,采用动态加权因子将RSSI测距和TOF测距相融合。因此得到所有节点设备间的两两相对距离,我们就可以由此采用三边定位的算法来求出每个节点的位置坐标。空间内上4个已知信标节点设备坐标分别为(xa,ya,za),(xb,yb,zb),(xc,yc,zc),(xd,yd,zd)未知节点E到三个信标节点的测量距离分别是ea,eb,ec,ed,设未知节点E的坐标为(x,y,z),根据空间坐标距离计算公式,可以获得一个非线性方程组:
采用线性化方法来求解,可以得到未知节点e的坐标。
对于所有的节点设备,采用德洛内三角形划分的方式进行两两连接,德洛内三角形划分方式是生成一系列相连但不重叠的三角形的集合,而且这些三角形的外接圆不包含这个面域的其它任何点。德洛内三角网的优点是结构良好,数据结构简单,数据冗余度小,存储效率高,可适应各种分布密度的数据。
(2)数据集的获取
a.面积变化数据采集Si:利用各点位移当前时刻与下一时刻位置坐标,以时间作为维度,统计计算每个三角形的面积,在数据库中存储每个时刻的所有划分的三角形面积的大小值;
b.体积变化数据采集Vi:利用各点位移当前时刻与下一时刻位置坐标,以时间作为维度,统计计算每个三角形在固定时刻的体积变化度,在数据库中存储每个时刻的所有划分的三角形体积的大小值;
c.重心位移变化数据采集(Xgi,Ygi):利用各点位移当前时刻与下一时刻位置坐标,以时间作为维度,统计计算每个三角形在固定时刻的重心位置坐标,在数据库中存储每个时刻的所有划分的三角形重心位置坐标值;
d.形状因子变化数据采集hi:利用各点位移当前时刻与下一时刻位置坐标,以时间作为维度,统计计算每个三角形在固定时刻的内接圆与外切圆的半径之比,作为形状变化因子,在数据库中存储每个时刻的所有划分的三角形形状变化因子;
e.位移加速度变化数据采集ai:利用各点位移当前时刻与下一时刻位置坐标,以时间作为维度,统计计算每个节点设备在每个时刻的位移加速度,在数据库中存储每个时刻的所有节点的位移加速度。从加速度传感器中,我们可以得到x,y,z三轴分别的加速度,如图2所示,通过对其求模长,可以求得传感器整体的加速度ai:
在山体滑坡区域布置了多个加速度传感器,通过区域内N个加速度传感器数据的融合,能够得到监测山体滑坡区域在一个时间窗内的加速度;
f.土壤水含量变化数据集Wi:利用各个节点的土壤水含量传感器监测,可直接获得各个时刻的水含量数据.
与单一传感器相比,多传感器间数据具有良好的互补性,即整个融合系统可以获取比任意单一传感器所获得的更多的信息,单一的传感器往往受制于监测范围的限制,大大削弱了监测系统的性能。同时,整个融合系统具有很好的并行性,当单一传感器出现较大误差,造成数据的失真,那么系统会自动甄别,由其他近似的传感器数据进行填补,虽然丢失了部分信息,但仍能获取监测目标的整体动态,使系统能继续运转,大大提高了系统的容错率。
预警分析模块利用上述数据,将数据存入到数据库中,中间件提供一个API接口给预测模块,通过对山体滑坡区布设多个监测节点设备,使用上述采集到的五种不同特征的数据,分别采用多种预测模型,如灰色预测,支持向量机预测,粒子群预测,分阶段时间序列预测得到不同预测值以及偏差值,采用动态加权方式融合得到滑坡风险度从而得到整个滑坡区域的滑坡风险度,这些信息就反映了山体的运动状态,于是可以掌握滑坡区域运动情况,进而对滑坡发展趋势做出预测。然后通过API返回数据给中间件,展示在PC网页端,如果预测出山体滑坡风险值超过阈值,则将此结果下发到预警通知模块,通知相关管理人员山体滑坡险情即将发生,尽快疏散当地群众。
短信通知及展示模块主要内容是如果产生预警消息,马上通过短信API提醒相关区域管理员,以便于管理员能及时疏散群众,保护人民生命财产安全。同时提供API在PC端能够实时监测到预警的产生,能够远端显示是否有地区有山体滑坡预警情况产生。
4)Web平台展示模块
搭建可视化Web平台,提供一个可直接观测的在线平台。我们采用Vue的框架进行搭建,选取Vue的原因主要是因为方便快捷高效并且UI设计足够美观,并且Vue是一个构建数据驱动的Web界面的渐进式框架。Vue的目标是通过尽可能简单的API实现响应的数据绑定和组合的视图组件,核心是一个响应的数据绑定系统。
实例1:本发明的山体滑坡预警监测系统,其中,如图5所示,终端监测节点设备包括空心长杆、箱体、stm32单片机控制模块、三轴重力加速度感应模块、地下水含量监测模块、NBIOT与LoRa双模网络传输模块、电源模块,吸盘天线、灯光指示模块。空心杆内置水含量检测器与箱体固定连接,空心长杆位于箱体下端控制模块设置在所述箱体内部三轴重力加速度感应模块设置在所述箱体内部,三轴重力加速度感应模块与控制模块连接所述网络传输模块设置在箱体内部上端,网络传输模块与控制模块连接所述电源模块设置在箱体内部,电源模块与控制模块连接。箱体顶端设有天线,天线与所述网络传输模块连接。预警检测设备通过网络传输模块借助天线进行信号传递,实现对山体滑坡预警检测。检测设备还包括指示模块,指示模块与控制模块连接,指示模块采用灯光指示器,状态指示器设置在所述箱体侧部。灯光指示器用于指示预警检测设备的工作状态。电源模块采用大容量稳流干铅电池,电池设置在箱体内部。电源模块通过大容量稳流干铅电池为预警检测设备提供电力来源。空心长杆长度为1米,整个设备以及空心长杆全部插入地面以下30厘米。水含量监测器通过空心长杆延伸到地下1m的位置,以此来监测地下水含量在土地发生位移后,同时由于泥土密度分布及不同深度压力不同,从而造成山体滑坡时不同深度土层单位时间位移不同。因此将空心长杆的全部埋入地下,由于不同土层位移的这种特性,在土层缓慢变化的时候,会带动空心长杆上下角度的细微变化。因此在空心长杆上部角度偏移的情况下,设备箱体中的三轴重力加速度感应模块会检测到当前重力夹角的变化,同时也会检测到空心长杆自身震动的变化。通过NBIOT/LoRa模块与服务器建立连接关系,设备传输的所监测到的加速度值,水含量等信息到服务器。预警检测设备会将当前的状态,包括重力夹角、角加速度值等信息上传到服务器,由服务器中间件接收到数据,采用UDP或者TCP两种模式均可,利用NodeJS设计了多个端口来监听接收数据,可以平衡高并发数据时对服务器的压力,并且适配了两种数据传输协议,以便于适配多种节点设备,同时也使得所有数据都能完整的被接收到,不会遗漏任何实时监测数据。融合所有节点的数据,将数据格式化为标准的数据以后,下发到数据处理模块,数据经过处理之后存放入数据库中。接着数据到达预测模块通过对山体滑坡区布设多个加速度传感器,引用数据融合方法,得到区域加速度,通过滑坡区域变化的时间-加速度关系,得出较为理想的数据信息,这些信息就反映了山体的运动状态,于是可以掌握滑坡区域运动情况,进而对滑坡发展趋势做出预测。然后通过API返回数据给中间件,展示在PC网页端,如果预测出山体滑坡风险值超过阈值,则将此结果下发到预警通知模块,通知相关管理人员山体滑坡险情即将发生,尽快疏散当地群众。
将此装置应用于矿山开采,矿山滑坡发生的时间通常较短,具有发生突然、能量巨大、危害性大的特点,主要与外力地质作用的强弱有关。矿山滑坡与山体滑坡具有一定的相似性,其主要原因是在开采的过程中一定程度的破坏了地质结构而产生的滑坡。本实施例提前将装置埋入易产生滑塌的地质点中,每日监测矿山所产生的位移数据,通过NBIOT/LoRa模块与服务器建立连接关系,将监测数据传入服务器中,融合所有节点的数据,掌握矿山整体运动情况,进而对矿山的风险程度做出预测,保证人们的生命安全。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于NBIOT与LoRa双模通信的山体滑坡预警监测系统,其特征在于,该系统包括预警监测现场节点、监测数据通信中间件模块和预警分析模块;
(1)所述预警监测现场节点,包括:数据采集模块、通信模块以及控制模块;
所述数据采集模块包括三轴重力加速度感应模块和地下水含量监测模块,分别用于采集实时的x轴、y轴和z轴的重力加速度分量,以及检测地下土壤之间的电阻值;还包括LoRa通信芯片中集成的TOF测距模块,同时其数据帧中提供RSSI参数;
所述通信模块包括NBIOT通信模块和LoRa通信模块,将串口传输过来的数据通过NBIOT/LoRa发送到云端服务器指定端口;
所述控制模块配置NBIOT/LoRa通信模块的通信模式,获取三轴重力加速度感应模块以及地下水含量监测模块的监测数据传给通信模块,休眠省电模式的配置以及动态配置传感器阈值;
(2)所述监测数据通信中间件模块,包括:数据接收模块、数据处理模块、数据缓存模块、短信通知及展示模块;
所述数据接收模块用于监测接收节点与云端服务器之间通信数据;
所述数据处理模块用于处理分析数据逻辑;
所述数据缓存模块用于存储从数据接收模块中接收的数据包;
所述短信通知及展示模块,根据预警消息,通过短信API提醒相关区域管理员;
(3)所述预警分析模块根据采集获取的传感数据,利用RSSI以及TOF方式实时获取节点间距离,依次计算出各个节点的位置坐标,通过RSSI值与节点设备之间的距离关系确定当前设备是否被外力所偏移,从而得出滑坡风险度。
2.根据权利要求1所述的山体滑坡预警监测系统,其特征在于,所述数据处理模块用于处理分析数据逻辑,从数据接收模块中接收的数据包包括:标志位、传感器ID和发送时间,发送ip以及发送端口port,数据包实时到达形成数据流进入数据处理模块中,经过数据处理模块之后,通过接收到的数据来更新数据库中的数据。
3.根据权利要求1所述的山体滑坡预警监测系统,其特征在于,所述数据缓存模块提供如下缓存:固定时间量缓存(dataBuffer),监测节点控制命令缓存(order),节点物理地址缓存(macBuffer),网关节点控制命令缓存(control),待插入数据库节点地址缓存(queenMacBuffer),待插入数据库数据缓存(queenDataBuffer),两次倾角变化率缓存(twiceDataChange)。
4.根据权利要求1所述的山体滑坡预警监测系统,其特征在于,该系统还包括web展示平台模块,包括:山体滑坡实时监测与预测系统地区信息展示模块、传感器指令变更模块、用户管理模块和设备管理模块;
所述山体滑坡实时监测与预测系统地区信息展示模块用于获得所有地区总体概况,某一地区所有传感器的实时状态,或者单一传感器36小时内的监测状态;
所述传感器指令变更模块,在Web端向某一个地区的所有传感器下发指令,改变震动阈值和采样频率;
所述用户管理模块,由管理员增加使用用户,并将用户与某一地区相关联;
所述设备管理模块,用于添加新的设备或者修改已有设备的设备信息。
5.根据权利要求1所述的山体滑坡预警监测系统,其特征在于,所述预警分析模块通过对山体滑坡区采集到的不同特征的数据,分别采用多种预测模型,包括灰色预测、支持向量机预测和粒子群预测,分阶段时间序列预测得到不同预测值以及偏差值,采用动态加权方式融合得到滑坡风险度从而得到整个滑坡区域的滑坡风险度,进而对滑坡发展趋势做出预测;然后通过应用程序接口(Application Programming Interface,API)返回数据给中间件,展示在PC网页端,如果预测出山体滑坡风险值超过阈值,则将此结果下发到短信通知及展示模块。
6.根据权利要求1或5所述的山体滑坡预警监测系统,其特征在于,所述预警分析模块的预测方法,具体包括以下步骤:
S1:通过采集获取的传感数据,分析出传感器的位置坐标,具体包括:
S11:动态获取山体滑坡数据,通过RSSI以及TOF方式实时获取节点间距离,依次计算出各个节点的位置坐标,通过RSSI值与节点设备之间的距离关系,采用以下模型计算得到;
其中,d0为基站与参考节点之间的距离;Pr(d0)是参考节点在距离d0处的接受信号功率;X是一个平均值为0的高斯随机变量;n为路径损耗指数;
S12:初始距离值测量时:
TOF值与节点设备之间的距离关系,采用以下模型计算得到:
其中,TRTT为数据包实际飞行的往返时间,TTOT为发射端的总消耗时间,TTAT接收端用于接收数据和返还数据消耗的时间;
则发射端与接收端之间的距离为:
D=cTTOF
其中,c代表光速;
S13:从测距初始值中选取满足要求的值Di,满足高斯模型值的个数为z;得到测距最优值:
其中,Di为第i个满足要求的值,i=1,2,3…,z为满足要求的个数;
S14:采用动态加权因子将RSSI测距和TOF测距相融合,得到最佳距离估计值:
DR+T=αDR+(1-α)DT
其中,DR为RSSI测距得到的最优值,DT为TOF测距得到的最优值,α为加权因子,α在不同的距离段取值有差异;
S2:获取变化数据集,包括:面积变化数据采集Si、体积变化数据采集Vi、重心位移变化数据采集(Xgi,Ygi)、形状因子变化数据采集hi和位移加速度变化数据采集ai。
7.根据权利要求6所述的山体滑坡预警监测系统,其特征在于,步骤S13中,将测距过程中同一位置不同时间的测量值存储下来,利用高斯分布函数对测量值进行处理。
8.根据权利要求6所述的山体滑坡预警监测系统,其特征在于,步骤S2中,获取面积变化数据采集Si:利用各点位移当前时刻与下一时刻位置坐标,以时间作为维度,统计计算每个三角形的面积,在数据库中存储每个时刻的所有划分的三角形面积的大小值;
获取体积变化数据采集Vi:利用各点位移当前时刻与下一时刻位置坐标,以时间作为维度,统计计算每个三角形在固定时刻的体积变化度,在数据库中存储每个时刻的所有划分的三角形体积的大小值;
获取重心位移变化数据采集(Xgi,Ygi):利用各点位移当前时刻与下一时刻位置坐标,以时间作为维度,统计计算每个三角形在固定时刻的重心位置坐标,在数据库中存储每个时刻的所有划分的三角形重心位置坐标值;
获取形状因子变化数据采集hi:利用各点位移当前时刻与下一时刻位置坐标,以时间作为维度,统计计算每个三角形在固定时刻的内接圆与外切圆的半径之比,作为形状变化因子,在数据库中存储每个时刻的所有划分的三角形形状变化因子;
获取位移加速度变化数据采集ai:利用各点位移当前时刻与下一时刻位置坐标,以时间作为维度,统计计算每个节点设备在每个时刻的位移加速度,在数据库中存储每个时刻的所有节点的位移加速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011443992.7A CN112581725B (zh) | 2020-12-08 | 2020-12-08 | 一种基于NBIOT与LoRa双模通信的山体滑坡预警监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011443992.7A CN112581725B (zh) | 2020-12-08 | 2020-12-08 | 一种基于NBIOT与LoRa双模通信的山体滑坡预警监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112581725A true CN112581725A (zh) | 2021-03-30 |
CN112581725B CN112581725B (zh) | 2022-07-22 |
Family
ID=75130861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011443992.7A Active CN112581725B (zh) | 2020-12-08 | 2020-12-08 | 一种基于NBIOT与LoRa双模通信的山体滑坡预警监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112581725B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326256A (zh) * | 2021-08-02 | 2021-08-31 | 湖南联智监测科技有限公司 | 一种分级预警的处理方法 |
CN113421404A (zh) * | 2021-06-16 | 2021-09-21 | 深圳防灾减灾技术研究院 | 一种星地协同的边坡多风险因子联合实时监测与预警方法 |
CN114299693A (zh) * | 2021-12-30 | 2022-04-08 | 中国有色金属长沙勘察设计研究院有限公司 | 一种基于gnss的边坡监测预警方法 |
CN114610771A (zh) * | 2022-05-16 | 2022-06-10 | 广东孺子牛地理信息科技有限公司 | 一种vr自然灾害场景交互系统、方法及云平台 |
CN115296719A (zh) * | 2022-07-27 | 2022-11-04 | 亚太卫星宽带通信(深圳)有限公司 | 高通量卫星网内天气预警监测方法、装置、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150066460A1 (en) * | 2013-08-30 | 2015-03-05 | Jimmy Klinger | Stratigraphic function |
CN108332649A (zh) * | 2018-02-07 | 2018-07-27 | 桂林电子科技大学 | 一种滑坡形变综合预警方法及系统 |
CN207852043U (zh) * | 2017-11-23 | 2018-09-11 | 长安大学 | 地质灾害远程监测预警系统 |
CN108535687A (zh) * | 2018-03-20 | 2018-09-14 | 西安电子科技大学 | 基于tof和rssi信息融合的室内无线定位方法 |
CN109736894A (zh) * | 2018-11-27 | 2019-05-10 | 中国矿业大学 | 一种用于煤矿巷道围岩灾害的监测系统、监测方法及预警方法 |
CN110213542A (zh) * | 2019-06-06 | 2019-09-06 | 广州商学院 | 一种基于物联网大数据的基坑综合在线监测云平台系统 |
CN110650451A (zh) * | 2019-09-20 | 2020-01-03 | 嘉兴同禾传感技术有限公司 | 地质灾害预警的无线低功耗传感网络系统及其使用方法 |
CN111337923A (zh) * | 2020-04-10 | 2020-06-26 | 中国水利水电第四工程局有限公司 | 一种时序InSAR数据建立滑坡形变时程模型的方法 |
-
2020
- 2020-12-08 CN CN202011443992.7A patent/CN112581725B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150066460A1 (en) * | 2013-08-30 | 2015-03-05 | Jimmy Klinger | Stratigraphic function |
CN207852043U (zh) * | 2017-11-23 | 2018-09-11 | 长安大学 | 地质灾害远程监测预警系统 |
CN108332649A (zh) * | 2018-02-07 | 2018-07-27 | 桂林电子科技大学 | 一种滑坡形变综合预警方法及系统 |
CN108535687A (zh) * | 2018-03-20 | 2018-09-14 | 西安电子科技大学 | 基于tof和rssi信息融合的室内无线定位方法 |
CN109736894A (zh) * | 2018-11-27 | 2019-05-10 | 中国矿业大学 | 一种用于煤矿巷道围岩灾害的监测系统、监测方法及预警方法 |
CN110213542A (zh) * | 2019-06-06 | 2019-09-06 | 广州商学院 | 一种基于物联网大数据的基坑综合在线监测云平台系统 |
CN110650451A (zh) * | 2019-09-20 | 2020-01-03 | 嘉兴同禾传感技术有限公司 | 地质灾害预警的无线低功耗传感网络系统及其使用方法 |
CN111337923A (zh) * | 2020-04-10 | 2020-06-26 | 中国水利水电第四工程局有限公司 | 一种时序InSAR数据建立滑坡形变时程模型的方法 |
Non-Patent Citations (1)
Title |
---|
唐小平等: "西藏公路建设中的泥石流调查与危险性评价", 《中国地质灾害与防治学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113421404A (zh) * | 2021-06-16 | 2021-09-21 | 深圳防灾减灾技术研究院 | 一种星地协同的边坡多风险因子联合实时监测与预警方法 |
CN113421404B (zh) * | 2021-06-16 | 2022-04-15 | 深圳防灾减灾技术研究院 | 一种星地协同的边坡多风险因子联合实时监测与预警方法 |
CN113326256A (zh) * | 2021-08-02 | 2021-08-31 | 湖南联智监测科技有限公司 | 一种分级预警的处理方法 |
CN113326256B (zh) * | 2021-08-02 | 2021-10-29 | 湖南联智监测科技有限公司 | 一种分级预警的处理方法 |
CN114299693A (zh) * | 2021-12-30 | 2022-04-08 | 中国有色金属长沙勘察设计研究院有限公司 | 一种基于gnss的边坡监测预警方法 |
CN114610771A (zh) * | 2022-05-16 | 2022-06-10 | 广东孺子牛地理信息科技有限公司 | 一种vr自然灾害场景交互系统、方法及云平台 |
CN114610771B (zh) * | 2022-05-16 | 2022-07-26 | 广东孺子牛地理信息科技有限公司 | 一种vr自然灾害场景交互系统、方法及云平台 |
CN115296719A (zh) * | 2022-07-27 | 2022-11-04 | 亚太卫星宽带通信(深圳)有限公司 | 高通量卫星网内天气预警监测方法、装置、设备及介质 |
CN115296719B (zh) * | 2022-07-27 | 2024-04-16 | 亚太卫星宽带通信(深圳)有限公司 | 高通量卫星网内天气预警监测方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112581725B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112581725B (zh) | 一种基于NBIOT与LoRa双模通信的山体滑坡预警监测系统 | |
CN101452629B (zh) | 山体滑坡灾害远程监测系统 | |
CN102435165B (zh) | 基于cnss的地面设施变形的长期监测方法 | |
CN103024663B (zh) | 一种井下人员定位系统 | |
CN104574832A (zh) | 一种无线传感器网络地质灾害监测预警系统和方法 | |
Benkhelifa et al. | Disaster management projects using wireless sensor networks: An overview | |
CN109195099A (zh) | 一种基于iBeacon和PDR融合的室内定位方法 | |
CN102721944B (zh) | 基于距离约束的井下电磁波超声联合定位方法 | |
CN109373911B (zh) | 一种地表位移网格化动态监测方法 | |
CN104244175A (zh) | 基于uwb技术的矿井环境监控与救援管理系统 | |
CN103152409B (zh) | 基于物联网技术的高层建筑被困人员准确定位和疏导系统 | |
CN102868751B (zh) | 基于距离约束的井下目标定位方法 | |
CN105976569A (zh) | 一种滑坡灾害监测系统及方法 | |
CN110082498A (zh) | 一种基于无线传感器物联网的滑坡监测数据无人机采集系统 | |
CN205354288U (zh) | 一种基于物联网技术的山体滑坡监测预警装置 | |
CN102780972A (zh) | 一种微功耗无线网络实时定位系统 | |
CN104361718A (zh) | 滑坡监测系统 | |
CN206959776U (zh) | 基于北斗卫星的高层建筑安全监测系统 | |
CN203148428U (zh) | 杆塔倾斜在线监测系统 | |
CN202583451U (zh) | 井下电磁波超声联合定位系统 | |
CN202870292U (zh) | 基于距离约束的井下电磁波超声联合定位系统 | |
CN204496657U (zh) | 一种无线传感器网络地质灾害监测预警系统 | |
CN202931556U (zh) | 一种井下人员定位系统 | |
D'Souza et al. | Wireless localisation network for patient tracking | |
CN209131714U (zh) | 一种具有rdss功能的定位监测装置 |
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 |