CN113031562A - 一种用于独柱墩桥通行货运车辆的隐患风险预警方法 - Google Patents
一种用于独柱墩桥通行货运车辆的隐患风险预警方法 Download PDFInfo
- Publication number
- CN113031562A CN113031562A CN202110244249.7A CN202110244249A CN113031562A CN 113031562 A CN113031562 A CN 113031562A CN 202110244249 A CN202110244249 A CN 202110244249A CN 113031562 A CN113031562 A CN 113031562A
- Authority
- CN
- China
- Prior art keywords
- risk
- hidden danger
- bridge
- probability
- event
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
- G05B23/0248—Causal models, e.g. fault tree; digraphs; qualitative physics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种用于独柱墩桥通行货运车辆的隐患风险预警方法,包括如下步骤:S1:建立隐患风险分析故障树模型;S2:将隐患风险分析故障树模型转化为贝叶斯网络模型,并基于转化后的贝叶斯网络模型进行量化风险分析,计算风险隐患后验概率;S3:建立隐患风险标准矩阵并设立多级风险预警体系;通过故障树模型(FTA)与贝叶斯网络模型(DBN)结合,构建了独柱墩桥通过超重超载货运车辆的隐患风险量化分析模型,并确定了风险标准矩阵、风险预警阈值等级划分标准及对应的风险控制措施。
Description
技术领域
本发明涉及运营中的独柱墩桥梁的结构量化风险控制和安全预警领域,特别涉及一种用于独柱墩桥梁通行货运车辆超限超载隐患风险预警方法。
背景技术
近年来,我国多地出现独柱墩桥梁倾覆、垮塌等重大桥梁安全事故,给人民生命财产安全造成重大伤害,给社会经济造成重大损失。此类事故的发生与多种因素有关,但导致事故发生的直接原因均为超重超载的货运车辆(车队)违规行驶上桥,超过桥梁荷载极限,导致桥梁结构失稳,造成桥梁上部结构倾覆、侧翻或结构破坏。
超限超载车辆(车队)的通行对运营期的独柱墩桥梁的使用寿命和结构安全带来重大隐患,对独柱墩桥上的超限超载车辆(车队)的监测和预警是近年来工程领域、学术领域的热点。桥梁在倾覆之前往往会出现梁体的径向偏位,产生径向偏位的原因有很多,结构自重、均匀温度作用、车辆荷载等都会使桥梁发生偏位。车辆荷载是导致桥梁发生倾覆破坏的外部因素,因此控制好车辆自身荷载以及车辆的数量是保证桥梁后期正常使用的关键因素。
现有桥梁预警方法有很多,包括自动快速称重,视频甄别,抓拍等多种方式,经对现有技术文献的检索发现,最新公开的发明专利中已将预警系统智能化,包括超前预警,自动抓拍,动态称重,数据处理和模型建立等,从各方各面来进行检测车辆的超重。独柱墩桥梁是不同于其他桥梁,在设计的结构上也与其他结构不同,为了避免占用大量的土地资源,采用一个桥墩来支撑整个桥面结构,但这种情况下往往容易发生整体倾覆。因此在独墩桥进行超重预测时不仅要考虑整体重量,还要从车辆的体积,货物高度,宽度,车轮与底面接触面积等多个方面进行考虑。
例如:专利《桥梁限载自动监控系统(CN100483279A》公开了一种桥梁限载自动监控系统,包括:汽车动态称重装置、两个CCD摄像头、数据采集模块、信号处理器、GPRS模块、GPRS通信主体、终端控制驱动器、终端电传动机构、车辆通行阻拦器、终端语音播放器、终端显示屏,汽车动态称重装置将输出的电信号与CCD摄像头采集的图像视频信号输出至数据采集模块,再交由信号处理器处理与判定,信号处理器根据汽车侧向图像进行车轮轴距计算与车辆轴数识别,再根据汽车动态称重装置获取的汽车轴载,运用车辆总重方程求取当前车辆总重,因此能够通过标准来判定当前车辆是否可以通过前方桥梁,最后发送控制指令、通过后执行机构和GPRS通信系统对桥梁通行实现安全监控技术的智能化与自动化。
专利《桥梁用超载车辆检测预警系统(CN105651367A)》公开了一种桥梁用超载车辆检测预警系统,包括太阳能电池板、车牌识别器、车辆超载识别器、多个应力传感器、多个位移传感器和蓄电池;车辆超载识别器包括ARM微控制器模块、电压转换电路模块、晶振电路模块、复位电路模块、SD卡数据存储电路模块、触摸式液晶显示器、GPRS无线通信模块、时钟电路模块、多路模拟开关、第一信号调理电路模块、第二信号调理电路模块、充电控制电路和声光报警器,充电控制电路接在太阳能板与蓄电池之间,声光报警器安装在路灯杆上。
专利《一种超载车辆桥梁入口禁止通行控制系统(CN105717824A)》公开了一种超载车辆桥梁入口禁止通行控制系统,包括车辆超载检测传感器组、车辆超载识别器和车辆超载控制器,车辆超载检测传感器组为多个称重传感器;车辆超载识别器包括第一MSP430单片机模块、第一Flash数据存储器模块、GPRS无线通信模块、第一射频通信模块、信号调理电路模块、时钟电路模块、按键操作电路模块、液晶显示屏、充电控制电路和声光报警器;车载超载控制器包括第二MSP430单片机模块、第二Flash数据存储器模块、第二射频通信模块和开关电路模块。
专利《基于视频联动抓拍的远程桥梁超载执法系统(CN106530733A)》公开了一种基于视频联动抓拍的远程桥梁超载执法系统,包括车辆检测单元、车牌联动识别单元、视频联动抓拍单元、信息显示单元均与数据采集单元连接,数据处理单元连接远程监测单元,该发明实现了对超载车辆重量、轮廓、速度、车牌号码及超载视频的自动化采集、甄别、上传、存储等,为违法超载运输行为的查处工作提供准确的监测数据及决策依据。
专利《一种道路桥梁治超站动态监测系统(CN107340042A)》公开了一种道路桥梁治超站动态监测系统是涉及数据处理芯片链接钢结构组件多组称重传感器及摄像头,当称重传感器承受重量超过系统设定值,数据处理芯片即刻启动龙门架上的多组摄像头,抓拍超载车前后号牌,车前部、后部、两侧、顶部各区块的外部特征,转换成可比对数据,通过挖掘,共享车辆登记数据库资源,车辆长度数据、轴数,车总重数据进行比对,通过网络终端将违章车信息推送至云端,分享给交警、客服中心、路政车主移动端,违章车的警告信息显示在前方LED电子屏上,扩音器语音提示其驶出主路,LED射灯逼停违章车,向冲卡车投射GBS追踪器。
专利《一种基于分布式震动传感器阵列的车辆超载动态监测方法(CN109087512A)》公开了一种基于分布式震动传感器阵列的车辆超载动态监消方法,在每个车道西边分别对称设罢多个震动传感器;在每个车道的监测点两边各布设一个三轴地磁传感器每个车道放置一台摄像头;通过建立震动传感器特征参数与车辆载重呈关系的机器学习模别对年辆超载悄况进行动态监测,该发明无需对路面进行破损,且施工周期短,极大地降代了设备安装成本,提升了工作效率以及后期的维护成本:利用地磁信息进行车辆到达判断,利用袋动传感器,以非接触方式对车辆进行超载测鱼,提高了超载监测过程中车辆的行驶速度,有效缓解城市道路交通压力,降低了行车商峰期车辆拥堵率。
专利《一种桥梁超载预警系统(CN109658711A)》公开了一种桥梁超载预警系统,包括高清监控模块、超前预警模块、抓拍模块、动态称重模块、桥梁监控中心、数据处理模块与模型组建模块;所述高清监控模块与桥梁监控中心通信连接,所述超前预警模块与桥梁监控中心通信连接,所述抓拍模块与桥梁监控中心通信连接,所述动态称重模块与桥梁监控中心通信连接,所述桥梁监控中心与数据处理模块通信连接,所述模型组建模块与数据处理模块通信连接;所述高清监控模块由若干组高清智能摄像机组成,所述高清智能摄像机的用于实时提供现场所有车辆的高清全景图像;该发明的预警监测效果更好,并且更加的智能化,方便了使用者使用该系统,同时该系统的防护效果更好。
专利《基于桥梁动应变识别单车轴重的方法(CN106840337B)》公开了基于桥梁动应变识别单车轴重的方法,属于桥梁试验检测、健康监控及超载车治理领域。在梁式桥跨中或最大应变反应截面布置高分辨率应变测试装置(传感器),测试车辆作用下的桥梁动应变时程曲线,对动应变时程曲线进行滤波降噪或拟合,并进行一阶及二阶求导,结合有限元模拟结果、曲线求导结果及车辆行驶速度,计算获得车辆的轴重。该方法只需要在桥梁上布置1个应变测试截面,安装简单、成本低廉;无需破坏桥面或路面结构,对现有桥梁道路无损伤;识别算法简单、准确度高。
专利《基于桥梁动应变识别车队单车间距的方法(CN106871847B)》公开了基于桥梁动应变识别车队单车间距的方法,属于桥梁试验检测、健康监控及超载车治理领域。在梁式桥跨中或最大应变反应截面布置高分朔率应变测试装置(传感器),测试车队作用下的桥梁动应变时程曲线,对动应变时程曲线进行滤波降噪或拟合,并进行一阶及二阶求导,结合有限元模拟结果、曲线求导结果及车辆行驶速度,计算获得车队单车间距。该方法只需要在桥梁上布置1个应变测试截面,安装简单、成本低廉;无需破坏桥面或路面结构,对现有桥梁道路无损伤;识别算法简单、准确度高。
专利《基于桥梁动应变识别车队单车车重的方法(CN106872005B)》公开了基于桥梁动应变识别车队单车车重的方法,属于桥梁试验检测、健康监控及超载车治理领域。在梁式桥跨中或最大应变反应截面布置高分朔率应变测试装置(传感器),测试车队作用下的桥梁动应变时程曲线,对动应变时程曲线进行滤波降噪或拟合,并进行一阶及二阶求导,结合有限元模拟结果、仙线求导结果,计货获得车队单车车重。该方法只需要在桥梁上布置1个应变测试截面,安装简单、成本低廉;无需坏桥面或路面结构,对现有桥梁道路无损伤;识别算法简单、准确度高。
专利《一种桥梁移动车辆荷载识别方法(CN109635386A)》公开了一种桥梁移动车辆荷载识别方法;桥梁在使用过程中缺少有效方法识别桥梁上移动车辆的荷载,使移动车辆载重超载而导致桥梁存在安全隐患。该发明包括五个步骤,步骤一:确定目标车辆的静态重量;步骤二:确定目标车辆的参数;步骤三:确定目标车辆的行驶速度;步骤四:确定目标车辆的竖向加速度;步骤五:建立系统数值模型:建立桥梁结构的简化数值模型,步骤六:确定移动目标车辆的荷载:根据步骤四中获得的目标车辆通过桥梁过程中的竖向加速度,结合公式获得持续时间的范围内,目标车辆行驶过程中,桥梁结构与移动车辆之间的相互作用力。
目前,虽然上述关于“桥梁”、“超限”、“超载”的相关专利文献较多,但其中涉及到风险预警相关算法和模型构建的不多,大部分都是治超监测系统设计和监测识别的算法,相关研究也缺乏关键技术和关键算算法的突破和创新,现有技术解决方案存在以下不足:没有针对不同的桥梁结构采取相应的预警模式,虽然桥梁在使用功能上大同小异,但不同的桥梁结构有不同的受力形式,对路上的车辆荷载的要求也不一样。对于独柱墩桥梁应该重视桥面的倾覆性。而本发明通过故障树模型(FTA)与贝叶斯网络模型(DBN)结合,构建了独柱墩桥通过超重超载货运车辆的隐患风险量化分析模型,并确定了风险标准矩阵、风险预警等级划分标准及对应的风险控制措施。
发明内容
为了解决上述技术问题,本发明提出了一种用于独柱墩桥通行超重超载货运车辆的隐患风险预警方法,通过故障树模型(FTA)与贝叶斯网络模型(DBN)结合,构建了独柱墩桥通过超重超载货运车辆的隐患风险量化分析模型,并确定了风险标准矩阵、风险预警阈值等级划分标准及对应的风险控制措施。其中,本发明所述的方法,主要包括以下几个方面:
1、建立隐患风险分析故障树模型
对故障树的构建通常是通过人工对顶事件的发生原因及其影响因素进行研究和分析,从顶事件开始逐层进行分析,找出所有可能原因,直到找到所有底事件。如附图2所示,建造故障树的主要步骤如下:
(1)充分了解待分析的系统。要建立完善有效的故障树,需要充分了解与掌握待分析的系统,这需要收集系统的设计资料(如说明书、结构图等)、实验报告和记录以及维护资料等,熟悉系统结构、功能以及原理等。
(2)选择顶事件。顶事件依据分析目的来选择,对系统可靠性、安全性以及经济性等方面影响较大的事件选为顶事件。
(3)确定边界条件。设定边界条件需要合理假设系统组成部分所处环境或状态,如南方、北方,桥梁的风险隐患侧重点可能会不同。
(4)构建故障树。对于复杂系统,需要首先从顶事件逐层展开,判断某部件故障状态时系统的故障状态,然后寻找出最有可能造成系统故障状态的直接原因,如果为部件故障状态则需要在该事件后添加或门(与门),并寻找出导致该部件产生故障的所有可能的初级失效、次级失效等因素,直到找到全部底事件。
根据以上步骤构建独柱墩桥通行超重超载货运车辆的故障树,如附图3所示。
2、分析模型转化与量化风险分析
故障树分析法不能推理隐患出现概率,也不能更新相关信息,贝叶斯网络利用概率论和图论推理事件的不确定关系,在逻辑上更加清晰,贝叶斯网络具有双向推理能力和根据情况更新相关信息,将故障树转化为贝叶斯网络模型解决了这个难题,具体步骤如下:
(1)风险分析故障树模型与贝叶斯网络模型的转化。贝叶斯网络使用一个节点表示故障树多个相同事件,条件概率表根据故障树的逻辑门建立,两者之间具体对应关系和简化流程图,如附图4所示,两者的转化规则如附图5所示。建立的贝叶斯网络模型如附图6所示,该贝叶斯网络具备1个叶节点、12个中间节点,21个根节点。
(2)基于转化后的贝叶斯网络模型进行量化风险分析。基于转化后的贝叶斯网络模型对独柱墩桥通行超重超载货运车辆的事故风险进行量化分析。通过对网络根节点先验概率和后验概率对比分析,按照后验概率变化大小进行排序。排序越靠前越说明:当独柱墩桥通行超载超重货车后哪种隐患发生概率越高,在独柱墩桥梁出现风险隐患时应该重点检查排序靠前的部构件。
3、建立隐患风险标准矩阵并设立多级风险预警体系
(1)规定风险事件发生概率等级。通过步骤2对独柱墩桥通行超重超载货运车辆的事故风险进行量化分析,计算出的风险隐患后验概率,对不同概率的风险事件进行风险等级划分。
(2)规定风险事件影响(损失)等级。规定风险事件发生后对独柱墩桥结构的影响或相关损失。
(3)设定风险事件标准矩阵。依据步骤(1)和步骤(2)的结果,构建独柱墩桥通行超重超载货运车辆的事故风险标准矩阵,通过风险事件标准矩阵对事故风险进行四级预警,其中低度风险为蓝色预警、中度风险为黄色预警、高度风险为橙色预警、极高风险为红色预警。
(4)针对独柱墩桥通行超重超载货运车辆的事故风险控制准则。对不同风险事件进行不同的控制对策。
具体地,本发明提供了一种用于独柱墩桥通行货运车辆的隐患风险预警方法,包括如下步骤:
S1:建立隐患风险分析故障树模型;
S11:选择顶事件:将独柱墩桥通行超重超载货运车辆风险隐患作为顶事件;
S12:确定边界条件:确定独柱墩桥所处的环境或状态,并确定独柱墩桥处于风险状况的状态条件;(举例:超载超重的货运辆车过桥、货运车辆以密集队列形式过桥、极端天气或发生时货运车辆过桥、货运车辆在桥上发生交通事故等等)
S13:构建隐患风险分析故障树模型;根据步骤S12确定的边界条件,从顶事件逐层展开,找到全部中间事件和底事件;
S2:将隐患风险分析故障树模型转化为贝叶斯网络模型,并基于转化后的贝叶斯网络模型进行量化风险分析,计算风险隐患后验概率;
将隐患风险分析故障树模型的底事件作为根节点,中间事件作为中间节点,顶事件作为叶子节点,将其转化为贝叶斯网络模型;
S3:建立隐患风险标准矩阵并设立多级风险预警体系;
S31:规定风险事件发生概率等级;
S32:规定风险事件影响等级;
S33:设定风险事件标准矩阵;
S34:设置事故风险控制准则。
优选地,步骤S1中建立隐患风险分析故障树模型还包括步骤S14:简化故障树模型:根据桥梁实际工况和环境、桥梁技术规范,保留对桥梁产生重大影响的隐患风险;
优选地,中间事件分别为上部结构风险隐患、下部结构风险隐患和桥面系风险隐患,其中上部结构风险隐患包括承重构件风险隐患、一般构件风险隐患和桥梁支座风险隐患,下部结构风险隐患包括桥墩风险隐患、桥台风险隐患和墩台基础风险隐患;桥面系风险隐患包括桥面铺装风险隐患、伸缩装置风险隐患和栏杆护栏风险隐患。
优选地,承重构件风险隐患中间事件对应的底事件包括构件裂缝、结构变形和结构变位,一般构件风险隐患中间事件对应的底事件包括结构裂缝和结构变形;桥梁支座风险隐患中间事件对应的底事件包括支座开裂、窜动脱空和组件破坏;桥墩风险隐患中间事件对应的底事件包括桥墩裂缝、桥墩位移和混凝土破损;桥台风险隐患中间事件对应的底事件包括桥台破坏和桥台位移;墩台基础风险隐患中间事件对应的底事件包括基础沉降、滑移倾斜和结构裂缝;桥面铺装风险隐患中间事件对应的底事件包括桥面破损、桥面裂缝和桥面变形;伸缩装置风险隐患中间事件对应的底事件包括伸缩缝破损;栏杆护栏风险隐患中间事件对应的底事件包括撞坏破损。
优选地,步骤S2中基于转化后的贝叶斯网络模型进行量化风险分析,计算风险隐患后验概率具体步骤为:
S21:根据独柱墩桥通过超载超重货车的车辆过桥情况、造成的桥梁隐患记录或事故资料得出的桥梁部构件隐患发生率作为根节点的先验概率;
S22:基于贝叶斯网络模型推理后验概率;
S23:对根节点先验概率和后验概率对比分析,按照后验概率变化大小进行排序。
优选地,步骤S22具体为:基于贝叶斯网络模型推理方式采用联合树算法,假设中间事件和底事件是独立的,正常状态的节点值为“1”,隐患状态为“2”,得到21个根节点的后验概率;
对于任意的随机变量X=(xi)=(x1,x2,x3,…),其联合概率可由各自的局部条件概率分布相乘,得到联合概率算法为:
式中,xi为贝叶斯网络的第i个节点,xpa(i)为第i个节点的父母节点,其中,I代表图形中所有节点的集合,P(X)为X节点的联合概率,p(xi|xpa(i))为节点x在父母节点xpa(i)已经发生条件下的发生概率,即后验概率,为所有I集合中xi的后验概率的阶乘。
优选地,若父母节点xpa(i)的概率不为0,后验概率p(xi|xpa(i))计算公式如下:
式中,p(xpa(i)|xi)是父母节点xpa(i)引起节点xi发生的概率,p(xi)是节点xi的先验概率,p(xpa(i))是父母节点xpa(i)的先验概率。
若父母节点xpa(i)的概率为0,则会导致其子节点和孙节点都为0,贝叶斯网络不能正确对该分支节点进行概率评估,则需要通过m估计方法来估计后验概率,后验概率公式如下:
式中,n是事件xpa(i)中的是发生总次数;nc是事件xi发生的次数;p是用户参数,即事件xi发生先验概率,若父母节点的事件没有发生,n=0时,则p(xi|xpa(i))=p;m是样本等价参数,其决定先验概率p和统计概率nc/n之间的平衡;
优选地,S31规定风险事件发生概率等级具体为根据计算出的风险隐患后验概率,对不同概率的风险事件进行风险等级划分;
其中,风险隐患后验概率大于0.3,则概率等级为5,风险隐患后验概率为0.03-0.3,则概率等级为4,风险隐患后验概率0.003-0.03,则概率等级为3,风险隐患后验概率0.0003-0.003,则概率等级为2,风险隐患后验概率小于0.0003,则概率等级为1。
优选地,S32:规定风险事件影响等级中具体为规定风险事件发生后对独柱墩桥结构的损失或影响,其中风险事件损失等级分为5级,分别5级、4级、3级、2级和1级;5级为灾难性的、4级为很严重;3级为严重的,2级为较大的,1级为较轻的。
优选地,S33:构建独柱墩桥通行超重超载货运车辆的事故风险标准矩阵,依据规定风险事件发生概率等级和规定风险事件影响等级,通过风险事件标准矩阵对事故风险进行四级预警,其中低度风险为蓝色预警、中度风险为黄色预警、高度风险为橙色预警、极高风险为红色预警。
与现有技术相比,本发明产生的有益效果是:
本发明通过故障树模型(FTA)与贝叶斯网络模型(DBN)结合,构建了独柱墩桥通过超重超载货运车辆的隐患风险量化分析模型,并确定了风险标准矩阵、风险预警等级划分标准及对应的风险控制措施,该方法较以往的预警方法具备如下优势:
1、本发明首先了建立独柱墩桥通过超重超载货运车辆的隐患的故障树模型(FTA),对可能发生的隐患做了定性分析,再将故障树模型(FTA)转化成对应的贝叶斯网络(DBN)对风险进行风险分析,是一种基于监督学习的机器学习模型。
2、本发明提供的方法较一般的故障树分析法,具有如下优势:故障树分析法不能推理隐患出现概率,也不能更新相关信息,贝叶斯网络利用概率论和图论推理事件的不确定关系,在逻辑上更加清晰,贝叶斯网络具有双向推理能力和根据情况更新相关信息,将故障树转化为贝叶斯网络模型解决了这个难题。
3、本发明是基于事实案例统计得到的先验概率,通过转化后的贝叶斯网络模型(DBN)推理出相应的后验概率,比较层次分析法、专家打分法、德尔特法等统计方法更加符合实际情况,并排除了人为因素的干扰。
附图说明
图1本发明提供的技术路线。
图2故障树(FTA)分析流程图。
图3独柱墩桥通行超重超载货运车辆的故障树
图4基于故障树的贝叶斯网络简化流程。
图5故障树(ATF)与贝叶斯网络的量化转化规则。
图6量化风险分析的贝叶斯网络模型。
具体实施方式
下面结合附图对本发明做进一步的详细说明。
本发明通过故障树模型(FTA)与贝叶斯网络模型(DBN)结合,构建了独柱墩桥通过超重超载货运车辆的隐患风险量化分析模型,并确定了风险标准矩阵、风险预警阈值等级划分标准及对应的风险控制措施。本发明提供一种独柱墩桥梁上通过的货运车辆超限超载风险预警方法,技术路线如附图1所示,所述方法包括:
1、建立隐患风险分析故障树模型
本发明为了对立独柱墩桥通行超重超载货运车辆产生的风险进行识别与分析,本发明建立了独柱墩桥通行超重超载货运车辆的故障树。
故障树分析法(FTA)是一种评价复杂系统可靠性、潜在系统风险的方法,就是将定顶事件(造成系统风险的失效事件)分解成诸多子事件的串、并联组合。在各个基本事件风险概率已知的情况下,沿着故障树的逻辑关系逆向求解整个系统的风险概率。
故障树分析法用逻辑图形表达可能造成系统目标故障的各种因素,展现目标与影响因素的内在联系,可以判断系统故障原因和发生概率,是系统可靠性分析的重要方法,其主要符号见表1。
表1故障树分析法的主要符号及意义
故障树分析利用“与门(and门)”、“或门(or门)”等逻辑门来表达故障和因素之间的相互关系,设故障树底事件为Xi,则其结构函数如式(1)。
Φ(X)=Φ(X1,L,Xn) (1)
“与门(and门)”结构函数如式(2)。
“或门(or门)”结构函数如式(3)。
故障树分析方法假定事件是独立的,并且只有“正常态”和“故障态”两种状态,以“1”表示正常,以“0”表示故障,表达形式如式(4)和式(5)。
故障树定性分析就是找出最小割集,有下行法和上行法。下行法是从顶事件从上到下层层分解得到全部割集,应用布尔运算简化后得到最小割集。上行法是从底事件由下而上层层搜索得到全部割集,应用布尔运算进行简化后得到最小割集。定量分析根据统计数据计算出底事件的故障概率,自下而上计算出顶事件的发生概率。故障树分析可以发现设计薄弱环节,为系统改进、日常维修与故障诊断提供参考,以提高系统安全性。
对故障树的构建通常是通过人工对顶事件的发生原因及其影响因素进行研究和分析,从顶事件开始逐层进行分析,找出所有可能原因,直到找到所有底事件。如附图2所示,建造故障树的主要步骤如下:
(1)充分了解待分析的系统。要建立完善有效的故障树,需要充分了解与掌握待分析的系统,这需要收集系统的设计资料(如说明书、结构图等)、实验报告和记录以及维护资料等,熟悉系统结构、功能以及原理等。
(2)选择顶事件。顶事件依据分析目的来选择,对系统可靠性、安全性以及经济性等方面影响较大的事件选为顶事件。
(3)确定边界条件。设定边界条件需要合理假设系统组成部分所处环境或状态。(举例:超载超重的货运辆车过桥、货运车辆以密集队列形式过桥、极端天气或发生时货运车辆过桥、货运车辆在桥上发生交通事故等等)
(4)构建故障树。对于复杂系统,需要首先从顶事件逐层展开,判断某部件故障状态时系统的故障状态,然后寻找出最有可能造成系统故障状态的直接原因,如果为部件故障状态则需要在该事件后添加或门(与门),并寻找出导致该部件产生故障的所有可能的初级失效、次级失效等因素,直到找到全部底事件。
根据以上步骤构建独柱墩桥通行超重超载货运车辆的故障树,如附图3所示,直接引发独柱墩桥通行超重超载货运车辆风险隐患的有12个中间事件,21个底事件见表2。
本发明以独柱墩桥通行超重超载货运车辆风险隐患作为顶事件,其中中间事件分别为上部结构风险隐患、下部结构风险隐患和桥面系风险隐患,其中上部结构风险隐患包括承重构件风险隐患、一般构件风险隐患和桥梁支座风险隐患,下部结构风险隐患包括桥墩风险隐患、桥台风险隐患和墩台基础风险隐患;桥面系风险隐患包括桥面铺装风险隐患、伸缩装置风险隐患和栏杆护栏风险隐患。
承重构件风险隐患中间事件对应的底事件包括构件裂缝、结构变形和结构变位,一般构件风险隐患中间事件对应的底事件包括结构裂缝和结构变形;桥梁支座风险隐患中间事件对应的底事件包括支座开裂、窜动脱空和组件破坏;桥墩风险隐患中间事件对应的底事件包括桥墩裂缝、桥墩位移和混凝土破损;桥台风险隐患中间事件对应的底事件包括桥台破坏和桥台位移;墩台基础风险隐患中间事件对应的底事件包括基础沉降、滑移倾斜和结构裂缝;桥面铺装风险隐患中间事件对应的底事件包括桥面破损、桥面裂缝和桥面变形;伸缩装置风险隐患中间事件对应的底事件包括伸缩缝破损;栏杆护栏风险隐患中间事件对应的底事件包括撞坏破损。
表2独柱墩桥通行超重超载货运车辆风险隐患的事件编号
2、分析模型转化与量化风险分析
故障树分析法不能推理隐患出现概率,也不能更新相关信息,贝叶斯网络利用概率论和图论推理事件的不确定关系,在逻辑上更加清晰,贝叶斯网络具有双向推理能力和根据情况更新相关信息,将故障树转化为贝叶斯网络模型解决了这个难题,具体步骤如下:
(1)风险分析故障树模型与贝叶斯网络模型的转化
建模前对模型的范围和界限进行确定,定义重要的变量和状态,按照规则将故障树模型转化成贝叶斯网络模型。故障树使用逻辑门表达事件之间的关系,贝叶斯网络利用有向边连接各个节点,贝叶斯网络的父节点为故障树的输入事件,子节点为输出事件,贝叶斯网络使用一个节点表示故障树多个相同事件,条件概率表根据故障树的逻辑门建立,两者之间具体对应关系和简化流程图,如附图4所示,两者的转化规则如附图5所示。
故障树底事件故障分布呈现出不同的分布模型,而故障树定量分析的假设是指数分布,所以独柱墩桥结构的风险分析不适合使用故障树定量分析。贝叶斯网络模型具有双向推理功能,有效弥补了故障树模型的局限性,可以更加清晰直观地表达元素之间的关联关系。通过与步骤1中的表2编号一一对应,可将故障树模型转化成对应的量化风险分析贝叶斯网络模型,如附图6所示,该贝叶斯网络具备1个叶节点、12个中间节点,21个根节点。
(2)基于转化后的贝叶斯网络模型进行量化风险分析
基于转化后的贝叶斯网络模型(DBN)对独柱墩桥通行超重超载货运车辆的事故风险进行量化分析。贝叶斯网络(Bayesian network),又称信念网络(Belief Network),或有向无环图模型(directed acyclic graphical model),是一种概率图模型,该模型依靠模拟人类推理过程中因果关系的不确定性处理模型,是一种监督学习模型。
贝叶斯网络的原理:令G=(I,E)表示一个有向无环图(DAG),其中I代表图形中所有的节点的集合,而E代表有向连接线段的集合,且令X=(xi)=(x1,x2,x3,…),i∈I为其有向无环图中的某一节点i所代表的随机变量,若节点X的联合概率(联合概率指的是包含多个条件且所有条件同时成立的概率)可以表示成公式(6),则称X为相对于一有向无环图G的贝叶斯网络。
式中,xi为贝叶斯网络的第i个节点,xpa(i)为第i个节点的父母节点(因节点),p(xi|xpa(i))为节点xi在父母节点xpa(i)已经发生条件下的发生概率,即后验概率;
可通过以下两种方式计算节点xi的后验概率:
其一,若父母节点xpa(i)的概率不为0,计算公式为贝叶斯概率公式,如公式(7):
式中,p(xpa(i)|xi)是父母节点xpa(i)引起节点xi发生的概率(即在xi已经发生条件下父母节点xpa(i)必然发生的概率),p(xi)是节点xi的先验概率,p(xpa(i))是父母节点xpa(i)的先验概率。
其二,若父母节点xpa(i)的概率为0,则会导致其子节点和孙节点(子节点的子节点)都为0,贝叶斯网络不能正确对该分支节点进行概率评估,则需要通过m估计方法来估计概率,计算公式如公式(8)。
式中,n是事件xpa(i)中的是发生总次数;nc是事件xi发生的次数;p是用户参数,即事件xi发生先验概率,若父母节点的事件没有发生(n=0),则p(xi|xpa(i))=p;m是样本等价参数,其决定先验概率p和统计概率nc/n之间的平衡;
根据该模型进行量化风险分析,具体过程如下:
(a)根据独柱墩桥通过超载超重货车的车辆过桥情况、造成的桥梁隐患记录或事故资料、专家评估得出的桥梁部构件隐患发生率作为根节点的先验概率,计算公式如下:
式中,P(X)为根节点X的先验概率,X为货车过桥引发隐患事故的次数(样本数量),N为货车通过桥梁被观察到的次数(样本空间)。例如,观察货车过桥N=10000次,其中货车过桥导致桥梁构件出现裂缝的次数X1=45次,则构件裂缝产生风险的先验概率为0.0045。如图6所示,X1-X21为根节点,没有与其对应的父母节点,则X1-X21只包含先验概率,相关数据示例见表3(具体计算以实际统计的先验概率为准)。
表3根节点的先验概率(仅做示例)
根节点编号 | 隐患 | 概率 | 根节点编号 | 隐患 | 概率 |
X1 | 构件裂缝 | 0.0045 | X12 | 桥台破坏 | 0.0382 |
X2 | 结构变形 | 0.0382 | X13 | 桥台位移 | 0.0343 |
X3 | 结构变位 | 0.0343 | X14 | 基础沉降 | 0.0061 |
X4 | 结构裂缝 | 0.0061 | X15 | 滑移倾斜 | 0.0198 |
X5 | 结构变形 | 0.0198 | X16 | 结构裂缝 | 0.0382 |
X6 | 支座开裂 | 0.0227 | X17 | 桥面破损 | 0.0343 |
X7 | 窜动脱空 | 0.0171 | X18 | 桥面裂缝 | 0.0061 |
X8 | 组件破坏 | 0.0080 | X19 | 桥面变形 | 0.0198 |
X9 | 桥墩裂缝 | 0.0077 | X20 | 伸缩缝破损 | 0.0077 |
X10 | 桥墩位移 | 0.0221 | X21 | 撞坏破损 | 0.0221 |
X11 | 混凝土破损 | 0.0274 |
(b)基于贝叶斯网络模型,假设正常状态的节点值为“1”,隐患状态为“2”。
如图6所示,Y1-Y12均有父母节点,其中如果节点Y只有一个父母节点,则包含条件概率P(Y丨X),如果节点Y有多个父母节点,则包含条件概率P(Y丨X1,X2,X3,…,Xk),通过公式(7)估计每个(有父母节点的)节点Y的后验概率值。例如,在故障树中桥梁称重构件的风险隐患可能是由构件裂缝、结构变形、结构变位等因素引起的,假设这些概率相互独立,则有对应的贝叶斯网络分支为:P(Y4)=P(Y4丨X1,X2,X3)=P(Y4丨X1)P(Y4丨X2)P(Y4丨X3)。
若遇到父母节点先验概率为0的情况,按照公式(8)来计算P(Y丨X),先验概率p按照桥梁运营养护过程中的风险隐患发生的统计概率计算(依照公式(9)计算),由于顶事件相关的中间节点分为桥面系风险、上部结构结构风险、下部结构风险3个节点,样本等价参数取m=3。
(c)依据(b)步骤的方法计算所有中间节点的概率,得到12个中间节点的后验概率,计算示例见表4。
表4中间节点的后验概率(仅做示例)
(d)基于表3和表4的概率数据,应用公式(6),计算出顶事件的联合概率,即货运车辆过桥引发隐患风险的概率。
3、建立隐患风险标准矩阵并设立多级风险预警体系
(1)规定风险事件发生概率等级
通过步骤2对独柱墩桥通行超重超载货运车辆的事故风险进行量化分析,计算出的风险隐患后验概率,对不同概率的风险事件进行风险等级划分,风险事件的发生概率等级示意见表5,表1的取值范围只代表了某一种类型的独柱墩桥,技术人员可参考本发明提供的方法,根据现场的实际情况规划概率等级对应的概率范围。
表5风险事件发生概率等级(仅做示例)
概率范围 | 中心值 | 概率等级描述 | 概率等级 |
>0.3 | 1 | 很可能 | 5 |
0.03~0.3 | 0.1 | 可能 | 4 |
0.003~0.03 | 0.01 | 偶然 | 3 |
0.0003~0.003 | 0.001 | 不可能 | 2 |
<0.0003 | 0.0001 | 很不可能 | 1 |
注:1.当概率值难以取得时,可用频率代替概率。
2.中心值代表所给区间的对数平均值。
(2)规定风险事件影响(损失)等级
规定风险事件发生后对独柱墩桥结构的影响或相关损失,见表6。
表6风险事件损失等级
(3)设定风险事件标准矩阵
依据表5和表6,构建独柱墩桥通行超重超载货运车辆的事故风险标准矩阵见表7,通过风险事件标准矩阵对事故风险进行四级预警,其中低度风险为蓝色预警、中度风险为黄色预警、高度风险为橙色预警、极高风险为红色预警。
表7风险事件的风险标准矩阵
(4)设置事故风险控制准则
依据表3,对不同风险事件进行不同的控制对策,风险控制准则见表8,具体的风险处置措施和监测手段由技术人员按照现场情况和相关养护规范进行设计和处置。
表8风险控制准则
所属领域的普通技术人员应当理解:以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于独柱墩桥通行货运车辆的隐患风险预警方法,其特征在于,包括如下步骤:
S1:建立隐患风险分析故障树模型;
S11:选择顶事件:将独柱墩桥通行超重超载货运车辆风险隐患作为顶事件;
S12:确定边界条件:确定独柱墩桥所处的环境或状态,并确定独柱墩桥处于风险状况的状态条件;
S13:构建隐患风险分析故障树模型;根据步骤S12确定的边界条件,从顶事件逐层展开,找到全部中间事件和底事件;
S2:将隐患风险分析故障树模型转化为贝叶斯网络模型,并基于转化后的贝叶斯网络模型进行量化风险分析,计算风险隐患后验概率;
将隐患风险分析故障树模型的底事件作为根节点,中间事件作为中间节点,顶事件作为叶子节点,将其转化为贝叶斯网络模型;
S3:建立隐患风险标准矩阵并设立多级风险预警体系;
S31:规定风险事件发生概率等级;
S32:规定风险事件影响等级;
S33:设定风险事件标准矩阵;
S34:设置事故风险控制准则。
2.如权利要求1所述的用于独柱墩桥通行货运车辆的隐患风险预警方法,其特征在于,S1中建立隐患风险分析故障树模型还包括:步骤S14:简化故障树模型:根据桥梁实际工况和环境、桥梁技术规范,保留对桥梁产生重大影响的隐患风险。
3.如权利要求1所述的用于独柱墩桥通行货运车辆的隐患风险预警方法,其特征在于,中间事件分别为上部结构风险隐患、下部结构风险隐患和桥面系风险隐患,其中上部结构风险隐患包括承重构件风险隐患、一般构件风险隐患和桥梁支座风险隐患,下部结构风险隐患包括桥墩风险隐患、桥台风险隐患和墩台基础风险隐患;桥面系风险隐患包括桥面铺装风险隐患、伸缩装置风险隐患和栏杆护栏风险隐患。
4.如权利要求3所述的用于独柱墩桥通行货运车辆的隐患风险预警方法,其特征在于,承重构件风险隐患中间事件对应的底事件包括构件裂缝、结构变形和结构变位,一般构件风险隐患中间事件对应的底事件包括结构裂缝和结构变形;桥梁支座风险隐患中间事件对应的底事件包括支座开裂、窜动脱空和组件破坏;桥墩风险隐患中间事件对应的底事件包括桥墩裂缝、桥墩位移和混凝土破损;桥台风险隐患中间事件对应的底事件包括桥台破坏和桥台位移;墩台基础风险隐患中间事件对应的底事件包括基础沉降、滑移倾斜和结构裂缝;桥面铺装风险隐患中间事件对应的底事件包括桥面破损、桥面裂缝和桥面变形;伸缩装置风险隐患中间事件对应的底事件包括伸缩缝破损;栏杆护栏风险隐患中间事件对应的底事件包括撞坏破损。
5.如权利要求1所述的用于独柱墩桥通行货运车辆的隐患风险预警方法,其特征在于,
步骤S2中基于转化后的贝叶斯网络模型进行量化风险分析,计算风险隐患后验概率具体步骤为:
S21:根据独柱墩桥通过超载超重货车的车辆过桥情况、造成的桥梁隐患记录或事故资料得出的桥梁部构件隐患发生率作为根节点的先验概率;
S22:基于贝叶斯网络模型推理后验概率;
S23:对根节点的先验概率和后验概率对比分析,按照后验概率变化大小进行排序。
7.如权利要求5所述的用于独柱墩桥通行货运车辆的隐患风险预警方法,其特征在于,
步骤S22具体为:基于贝叶斯网络模型推理方式采用联合树算法,假设中间事件和底事件是独立的,正常状态的节点值为“1”,隐患状态为“2”,得到21个根节点的后验概率;
对于任意的随机变量X=(xi)=(x1,x2,x3,…),其联合概率可由各自的局部条件概率分布相乘,得到联合概率算法为:
8.如权利要求1所述的用于独柱墩桥通行货运车辆的隐患风险预警方法,其特征在于,步骤S31规定风险事件发生概率等级具体为根据计算出的风险隐患后验概率,对不同概率的风险事件进行风险等级划分;
其中,风险隐患后验概率大于0.3,则概率等级为5,风险隐患后验概率为0.03-0.3,则概率等级为4,风险隐患后验概率0.003-0.03,则概率等级为3,风险隐患后验概率0.0003-0.003,则概率等级为2,风险隐患后验概率小于0.0003,则概率等级为1。
9.如权利要求1所述的用于独柱墩桥通行货运车辆的隐患风险预警方法,其特征在于,步骤S32规定风险事件影响等级中具体为规定风险事件发生后对独柱墩桥结构的损失或影响,其中风险事件损失等级分为5级,分别5级、4级、3级、2级和1级;5级为灾难性的、4级为很严重;3级为严重的,2级为较大的,1级为较轻的。
10.如权利要求1所述的用于独柱墩桥通行货运车辆的隐患风险预警方法,其特征在于,步骤S33构建独柱墩桥通行超重超载货运车辆的事故风险标准矩阵,具体为依据规定风险事件发生概率等级和规定风险事件影响等级,通过风险事件标准矩阵对事故风险进行四级预警,其中低度风险为蓝色预警、中度风险为黄色预警、高度风险为橙色预警、极高风险为红色预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110244249.7A CN113031562B (zh) | 2021-03-05 | 2021-03-05 | 一种用于独柱墩桥通行货运车辆的隐患风险预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110244249.7A CN113031562B (zh) | 2021-03-05 | 2021-03-05 | 一种用于独柱墩桥通行货运车辆的隐患风险预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113031562A true CN113031562A (zh) | 2021-06-25 |
CN113031562B CN113031562B (zh) | 2021-09-21 |
Family
ID=76468008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110244249.7A Active CN113031562B (zh) | 2021-03-05 | 2021-03-05 | 一种用于独柱墩桥通行货运车辆的隐患风险预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113031562B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113761728A (zh) * | 2021-08-24 | 2021-12-07 | 威海广泰空港设备股份有限公司 | 基于车联网平台的机场电动特种车辆故障预警方法 |
CN113781783A (zh) * | 2021-10-26 | 2021-12-10 | 长兴县交通投资集团有限公司 | 一种路网层次的车辆超载识别及应急预警方法 |
CN115311828A (zh) * | 2022-10-12 | 2022-11-08 | 江苏筑升土木工程科技有限公司 | 基于数字孪生的水下工程结构智能检测方法及系统 |
CN115876412A (zh) * | 2022-12-15 | 2023-03-31 | 广西北投交通养护科技集团有限公司 | 基于应变米的装配式梁桥健康状态评估方法 |
CN116029555A (zh) * | 2023-03-22 | 2023-04-28 | 西南科技大学 | 基于轻量化神经网络的桥梁风险识别预警系统及应用方法 |
CN116343495A (zh) * | 2023-03-21 | 2023-06-27 | 长安大学 | 基于压电储能的道路、桥梁超载预警方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682208A (zh) * | 2012-05-04 | 2012-09-19 | 电子科技大学 | 基于Bayes信息更新的涡轮盘概率故障物理寿命预测方法 |
CN104573386A (zh) * | 2015-01-26 | 2015-04-29 | 国网四川省电力公司电力科学研究院 | 一种利用贝叶斯模型进行系统评估检测的方法 |
CN107301506A (zh) * | 2017-06-16 | 2017-10-27 | 北京航空航天大学 | 一种考虑质量偏差与失效相关性的早期失效风险分析方法 |
CN109102016A (zh) * | 2018-08-08 | 2018-12-28 | 北京新桥技术发展有限公司 | 一种用于桥梁技术状况的测试方法 |
CN110470447A (zh) * | 2019-08-22 | 2019-11-19 | 北京新桥技术发展有限公司 | 一种公路柱式桥墩服役状态快速评估方法 |
US20200244691A1 (en) * | 2019-01-29 | 2020-07-30 | Battelle Memorial Institute | Risk-informed autonomous adaptive cyber controllers |
CN111598352A (zh) * | 2020-05-25 | 2020-08-28 | 哈尔滨工业大学 | 一种基于贝叶斯网络的混凝土梁式桥综合评估方法 |
US20200394576A1 (en) * | 2019-06-11 | 2020-12-17 | At&T Intellectual Property I, L.P. | Machine Learning-Enabled Event Tree for Rapid and Accurate Customer Problem Resolution |
-
2021
- 2021-03-05 CN CN202110244249.7A patent/CN113031562B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682208A (zh) * | 2012-05-04 | 2012-09-19 | 电子科技大学 | 基于Bayes信息更新的涡轮盘概率故障物理寿命预测方法 |
CN104573386A (zh) * | 2015-01-26 | 2015-04-29 | 国网四川省电力公司电力科学研究院 | 一种利用贝叶斯模型进行系统评估检测的方法 |
CN107301506A (zh) * | 2017-06-16 | 2017-10-27 | 北京航空航天大学 | 一种考虑质量偏差与失效相关性的早期失效风险分析方法 |
CN109102016A (zh) * | 2018-08-08 | 2018-12-28 | 北京新桥技术发展有限公司 | 一种用于桥梁技术状况的测试方法 |
US20200244691A1 (en) * | 2019-01-29 | 2020-07-30 | Battelle Memorial Institute | Risk-informed autonomous adaptive cyber controllers |
US20200394576A1 (en) * | 2019-06-11 | 2020-12-17 | At&T Intellectual Property I, L.P. | Machine Learning-Enabled Event Tree for Rapid and Accurate Customer Problem Resolution |
CN110470447A (zh) * | 2019-08-22 | 2019-11-19 | 北京新桥技术发展有限公司 | 一种公路柱式桥墩服役状态快速评估方法 |
CN111598352A (zh) * | 2020-05-25 | 2020-08-28 | 哈尔滨工业大学 | 一种基于贝叶斯网络的混凝土梁式桥综合评估方法 |
Non-Patent Citations (4)
Title |
---|
DAVISMCDANIEL C: "Fault-tree model for bridge collapse risk analysis", 《DISSERTATIONS & THESES - GRADWORKS》 * |
丁猛: "一种基于贝叶斯网络的混凝土梁式桥综合评估方法", 《中国优秀硕士学位论文全文数据库 工程科技二辑》 * |
汪子恒, 马健霄, 周智文,等: "基于贝叶斯网络的客运班线运输系统风险评估", 《物流技术》 * |
肖兵, 沈薇薇, 金宏斌: "基于动态贝叶斯网络的威胁估计研究", 《中国自动化学会中南六省(区)2010年第28届年会·论文集》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113761728A (zh) * | 2021-08-24 | 2021-12-07 | 威海广泰空港设备股份有限公司 | 基于车联网平台的机场电动特种车辆故障预警方法 |
CN113781783A (zh) * | 2021-10-26 | 2021-12-10 | 长兴县交通投资集团有限公司 | 一种路网层次的车辆超载识别及应急预警方法 |
CN115311828A (zh) * | 2022-10-12 | 2022-11-08 | 江苏筑升土木工程科技有限公司 | 基于数字孪生的水下工程结构智能检测方法及系统 |
CN115311828B (zh) * | 2022-10-12 | 2023-02-03 | 江苏筑升土木工程科技有限公司 | 基于数字孪生的水下工程结构智能检测方法及系统 |
CN115876412A (zh) * | 2022-12-15 | 2023-03-31 | 广西北投交通养护科技集团有限公司 | 基于应变米的装配式梁桥健康状态评估方法 |
CN115876412B (zh) * | 2022-12-15 | 2023-08-29 | 广西北投交通养护科技集团有限公司 | 基于应变米的装配式梁桥健康状态评估方法 |
CN116343495A (zh) * | 2023-03-21 | 2023-06-27 | 长安大学 | 基于压电储能的道路、桥梁超载预警方法 |
CN116343495B (zh) * | 2023-03-21 | 2024-01-30 | 长安大学 | 基于压电储能的道路、桥梁超载预警方法 |
CN116029555A (zh) * | 2023-03-22 | 2023-04-28 | 西南科技大学 | 基于轻量化神经网络的桥梁风险识别预警系统及应用方法 |
CN116029555B (zh) * | 2023-03-22 | 2023-06-13 | 西南科技大学 | 基于轻量化神经网络的桥梁风险识别预警系统及应用方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113031562B (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113031562B (zh) | 一种用于独柱墩桥通行货运车辆的隐患风险预警方法 | |
Dong et al. | Risk and resilience assessment of bridges under mainshock and aftershocks incorporating uncertainties | |
WO2021088381A1 (zh) | 基于功率分布与车辆自学习的货车超载识别方法 | |
CN204515511U (zh) | 桥梁建养一体化监测系统 | |
CN103500503B (zh) | 一种基于众包模式的精准路况分析方法及系统 | |
CN114894411B (zh) | 一种基于无线传感器网络的桥梁健康监测方法及系统 | |
Xie et al. | Spatial analysis of highway incident durations in the context of Hurricane Sandy | |
CN106228499A (zh) | 一种基于人‑车‑路‑货多风险源的货运安全评价模型 | |
CN104754011A (zh) | 一种车联网多方协同控制方法以及车联网协同平台 | |
CN113066287B (zh) | 一种高速公路交通事故现场风险主动防控方法及系统 | |
CN110782125B (zh) | 一种面向自动驾驶汽车的道路安全风险度评估方法 | |
CN112801541A (zh) | 一种危险化学品道路运输风险动态评估及风险导航方法 | |
Mahmassain et al. | Evaluation of incident detection methodologies | |
Zhao et al. | Factors affecting traffic risks on bridge sections of freeways based on partial dependence plots | |
CN116029555B (zh) | 基于轻量化神经网络的桥梁风险识别预警系统及应用方法 | |
CN116597642A (zh) | 一种交通拥堵状况的预测方法及系统 | |
CN117436821A (zh) | 交通事故诊断报告的生成方法、设备及存储介质 | |
Guan et al. | Traffic incident duration prediction based on artificial neural network | |
CN117151513A (zh) | 评价交通安全的方法、装置、设备及存储介质 | |
Mou et al. | Spatial influence of engineering construction on traffic accidents, a case study of Jinan | |
Guin | An incident detection algorithm based on a discrete state propagation model of traffic flow | |
JP7204525B2 (ja) | 交通管制装置、および、交通管制方法 | |
CN113570846B (zh) | 一种交通警情态势分析研判方法、设备及可读存储介质 | |
CN115171379B (zh) | 基于智慧交通的突发事件响应控制系统 | |
Jian John Lu PHD et al. | Evaluation of intelligent transportation system operations using logistic regression models |
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 |