CN113063489B - 一种具有ai自学习算法的震动检测系统 - Google Patents

Abstract

本发明公开了一种具有AI自学习算法的震动检测系统，所述系统包括：震动检测仪、监控设备和中央处理器，所述震动检测仪设置在地下电缆附近，采集不同场合、不同情景下的路面震动频率，中央处理器将采集的震动频率与具体的场合以及情景进行匹配记录，构建预测模型，将采集的震动频率和对应的场合以及情景输入预测模型进行学习训练，训练完成后通过震动检测仪采集不同环境下的真实震动频率，判断是否出现施工情况下的震动，确认后及时发出预警，及时进行提醒，针对未能识别预测出的震动频率，录入预测模型进行学习训练。本发明解决了现有对埋有地下电缆的路面施工时不能及时预警、容易损坏电缆的问题。

Description

一种具有AI自学习算法的震动检测系统

技术领域

本发明涉及震动检测技术领域，具体涉及一种具有AI自学习算法的震动检测系统。

背景技术

目前电力公司为了方便后续确认电缆的走向以及警示在道路施工的时候，防止施工人员破坏电缆，目前都会在电缆线路的上方道路上贴上“下有电缆”的标识。传统警示牌，存在很多缺陷，如果晚上施工，会导致施工人员看不清警示牌，另外，在施工的时候，不能进行提前的预警或报警，只有在电缆被损坏导致停电的时候才能发现问题。研究一款能发光，施工振动的时候能报警，还能将电缆线路的走线方向进行指示，就能解决传统的电缆标识存在的问题。

针对地下有电缆的公路，人行道等场景设计的报警、现场警示以及防御性示警提醒的监测性设备。通过检测路面的震动，进行分析判断是否是类似于破路机等具有破坏路面器械产生的震动，然后进行告警，警示或待机处理。并且可以将所有监测数据纳入到统一的维护管理系统中，在后台智能管理平台中，以地图展示防外损警示牌监测区域的状态和报警内容，维护人员能够及时到现场处理，快速解决安全隐患。

根据不同场景，需要安装配置符合应用各种场景公司研发的该监测设备；需要设备数量大，设备出厂配置也已不再可行便捷，需要针对具体情况具体判断，实现个性化的震动检测。

发明内容

为此，本发明提供一种具有AI自学习算法的震动检测系统，以解决现有对埋有地下电缆的路面施工时不能及时预警、容易损坏电缆的问题。

为了实现上述目的，本发明提供如下技术方案：

本发明公开了，一种具有AI自学习算法的震动检测系统，所述系统包括：

震动检测仪、监控设备和中央处理器，所述震动检测仪设置在地下电缆附近，采集不同场合、不同情景下的路面震动频率，中央处理器将采集的震动频率与具体的场合以及情景进行匹配记录，构建预测模型，将采集的震动频率和对应的场合以及情景输入预测模型进行学习训练，训练完成后通过震动检测仪采集不同环境下的真实震动频率，判断是否出现施工情况下的震动，确认后及时发出预警，及时进行提醒，针对未能识别预测出的震动频率，录入预测模型进行学习训练。

进一步地，所述震动检测仪安装在多个已知场合，每个场合对应有多个情景，利用震动检测仪采集不同场合不同情景下震动频率的检测值，通过加权平均算法计算出各情景下的检测值均值，根据标准差确定检测值均值，再根据确定的检测值均值与抽取的检测值相比，最终确定该情景下的震动频率。

进一步地，所述震动频率检测值确定的步骤为：

设定采集周期，针对设定周期内的各场合、各情景下检测值进行抽取；

计算各情景的检测值均值和标准差，根据标准差确定各情景检测值均值；

每个情景中，由于情景确定，历史标准震动频率为已知，现场检测的震动频率中选取最为接近的历史标准震动频率为最终情景下的震动频率；

将最终确定的震动频率与实际场合以及情景进行关联保存。

进一步地，所述预测模型通过录入已经场合、情景下检测的震动频率进行训练，每个场合、每个情景均有与自己对应的震动频率，将震动频率与场合、情景进行匹配绑定，使预测模型能够根据在不同的环境下实际的采集震动频率判断是否发生施工行为。

进一步地，所述震动检测仪安装在陌生环境中，设定采集周期，针对设定周期内的检测值进行抽取；

计算该未知环境的检测值均值和标准差，通过加权平均算法计算出该未知环境的检测值均值，根据标准差确定该未知环境检测值均值为该未知环境检测值。

进一步地，所述预测模型根据采集到的未知环境下实际震动频率检测值，进行数据匹配，根据震动频率进行场合以及情景的匹配。

进一步地，所述预测模型将实际采集震动检测值与已知环境的震动检测值进行比对，当误差小于设定的范围时，确定此为未知环境为该震动频率对应的已知环境。

进一步地，所述预测模型发现实际采集震动检测值与已知环境的震动检测值比对误差大于设定范围无法匹配到相似的数据时，进行多周期内检测值重复匹配，直到全部无法匹配，则判断为新的环境。

进一步地，所述监控设备设置在震动检测仪附近，当预测模型发现新的环境时，及时调取监控设备的图像，确定当前的环境，并将该新环境下采集的震动频率检测值与当前的新场合、情景进行绑定，录入预测模型进行学习。

进一步地，所述预测模型对新的环境学习后，将学习数据下发至所有的震动检测仪，震动检测仪安装后，配置当前的场合以及情景，根据当前情景采集实际的震动频率判断是否发生施工行为，及时进行预警。

本发明具有如下优点：

本发明公开了一种具有AI自学习算法的震动检测系统，通过构建预测模型，将不同场合、不同情景下的震动频率数据录入预测模型，进行学习训练，通过在未知环境中采集震动频率，进行场合、情景的匹配，当出现无法匹配的新场景时，通过监控设备确定当前环境，并录入预测模型进行继续学习，最终通过安放震动检测仪，获取震动频率，实现实时监控，一旦发现出现施工情况，及时发出报警信息，避免对地下光缆造成破坏。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引申获得其它的实施附图。

本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。

图1为本发明实施例提供的一种具有AI自学习算法的震动检测系统流程图；

图2为本发明实施例提供的一种具有AI自学习算法的震动检测系统的震动频率检测值确定流程图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士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及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

参考图1，本实施例公开了一种具有AI自学习算法的震动检测系统，所述系统包括：

震动检测仪、监控设备和中央处理器，所述震动检测仪设置在地下电缆附近，采集不同场合、不同情景下的路面震动频率，中央处理器将采集的震动频率与具体的场合以及情景进行匹配记录，构建预测模型，将采集的震动频率和对应的场合以及情景输入预测模型进行学习训练，训练完成后通过震动检测仪采集不同环境下的真实震动频率，判断是否出现施工情况下的震动，确认后及时发出预警，及时进行提醒，针对未能识别预测出的震动频率，录入预测模型进行学习训练。

震动检测仪安装在多个已知场合，每个场合对应有多个情景。本实施中场合包括：人行道、车行道、绿化带等，每个场合对应有正常情形和施工情形，例如人行道正常情形下仅有行人走路时产生的震动频率，施工情形下除了行人走路产生的震动频率还有施工器械产生的震动频率；车行道正常情形下仅有车通行时产生的震动频率，施工情形下除了车辆通行产生的震动频率还有施工器械产生的震动频率；绿化带正常情形下不会产生行人走路时和车辆通行时产生的震动频率，施工情形下则会有施工器械产生的震动频率。

利用震动检测仪采集不同场合不同情景下震动频率的检测值，通过加权平均算法计算出各情景下的检测值均值，根据标准差确定检测值均值，再根据确定的检测值均值与抽取的检测值相比，最终确定该场景该情景下的震动频率

参考图2，震动频率检测值确定的步骤为：

设定采集周期一个月，针对设定周期内的各场合、各情景下检测值进行抽取；

计算各情景的检测值均值和标准差，根据标准差确定各情景检测值均值；

每个情景中，由于情景确定，历史标准震动频率为已知，现场检测的震动频率中选取最为接近的历史标准震动频率为最终情景下的震动频率；

将最终确定的震动频率与实际场合以及情景进行关联保存。

本实施例中，预测模型通过大量数据录入进行训练学习，训练完成后能够针对不同的录入数据判断是否为施工时产生的震动频率，及时发出报警信息。预测模型通过录入已经场合、情景下检测的震动频率进行训练，每个场合、每个情景均有与自己对应的震动频率，将震动频率与场合、情景进行匹配绑定，使预测模型能够根据在不同的环境下实际的采集震动频率判断是否发生施工行为。

将震动检测仪安装在陌生环境中，设定采集周期，针对设定周期内的检测值进行抽取；计算该未知环境的检测值均值和标准差，通过加权平均算法计算出该未知环境的检测值均值，根据标准差确定该未知环境检测值均值为该未知环境检测值。预测模型根据采集到的未知环境下实际震动频率检测值，进行数据匹配，根据震动频率进行场合以及情景的匹配。

预测模型将实际采集震动检测值与已知环境的震动检测值进行比对，令X为已知环境的震动检测值、Y为实际采集震动检测值，当∣X-Y∣≤5，即X与Y之间的差值绝对值小于5，则确定此为未知环境为该震动频率对应的已知环境。当∣X-Y∣＞5时，即X与Y之间的差值绝对值大于5，进行多周期内检测值重复匹配，直到全部无法匹配，则判断为新的环境。监控设备设置在震动检测仪附近，当预测模型发现新的环境时，及时调取监控设备的图像，确定当前的环境，并将该新环境下采集的震动频率检测值与当前的新场合、情景进行绑定，录入预测模型进行学习，实现适用于更多的环境。如果发现现场的震动检测仪发生故障，则及时去现场排除故障。

预测模型对新的环境学习后，将学习数据下发至所有的震动检测仪，震动检测仪安装后，配置当前的场合以及情景，根据当前情景采集实际的震动频率判断是否发生施工行为，及时进行预警。便于监控到路面是否发生施工行为，进行提醒地下埋设有电缆，避免损坏地下电缆。通过不断学习新的场景，能够适应更多环境，扩大应用场景。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (8)

1.一种具有AI自学习算法的震动检测系统，其特征在于，所述系统包括：

震动检测仪、监控设备和中央处理器，所述震动检测仪设置在地下电缆附近，采集不同场合、不同情景下的路面震动频率，中央处理器将采集的震动频率与具体的场合以及情景进行匹配记录，构建预测模型，将采集的震动频率和对应的场合以及情景输入预测模型进行学习训练，训练完成后通过震动检测仪采集不同环境下的真实震动频率，判断是否出现施工情况下的震动，确认后及时发出预警，及时进行提醒，针对未能识别预测出的震动频率，录入预测模型进行学习训练；

所述震动检测仪安装在多个已知场合，每个场合对应有多个情景，利用震动检测仪采集不同场合不同情景下震动频率的检测值，通过加权平均算法计算出各情景下的检测值均值，根据标准差确定检测值均值，再根据确定的检测值均值与抽取的检测值相比，最终确定该情景下的震动频率；

所述震动频率检测值确定的步骤为：

设定采集周期，针对设定周期内的各场合、各情景下检测值进行抽取；

计算各情景的检测值均值和标准差，根据标准差确定各情景检测值均值；

每个情景中，由于情景确定，历史标准震动频率为已知，现场检测的震动频率中选取最为接近的历史标准震动频率为最终情景下的震动频率；

将最终确定的震动频率与实际场合以及情景进行关联保存。

2.如权利要求1所述的一种具有AI自学习算法的震动检测系统，其特征在于，所述预测模型通过录入已经场合、情景下检测的震动频率进行训练，每个场合、每个情景均有与自己对应的震动频率，将震动频率与场合、情景进行匹配绑定，使预测模型能够根据在不同的环境下实际的采集震动频率判断是否发生施工行为。

3.如权利要求1所述的一种具有AI自学习算法的震动检测系统，其特征在于，所述震动检测仪安装在陌生环境中，设定采集周期，针对设定周期内的检测值进行抽取；

计算此未知环境的检测值均值和标准差，通过加权平均算法计算出该未知环境的检测值均值，根据标准差确定该未知环境检测值均值为该未知环境检测值。

4.如权利要求1所述的一种具有AI自学习算法的震动检测系统，其特征在于，所述预测模型根据采集到的未知环境下实际震动频率检测值，进行数据匹配，根据震动频率进行场合以及情景的匹配。

5.如权利要求1所述的一种具有AI自学习算法的震动检测系统，其特征在于，所述预测模型将实际采集震动检测值与已知环境的震动检测值进行比对，当误差小于设定的范围时，确定此为未知环境为该震动频率对应的已知环境。

6.如权利要求1所述的一种具有AI自学习算法的震动检测系统，其特征在于，所述预测模型发现实际采集震动检测值与已知环境的震动检测值比对误差大于设定范围无法匹配到相似的数据时，进行多周期内检测值重复匹配，直到全部无法匹配，则判断为新的环境。

7.如权利要求1所述的一种具有AI自学习算法的震动检测系统，其特征在于，所述监控设备设置在震动检测仪附近，当预测模型发现新的环境时，及时调取监控设备的图像，确定当前的环境，并将此新环境下采集的震动频率检测值与当前的新场合、情景进行绑定，录入预测模型进行学习。

8.如权利要求1所述的一种具有AI自学习算法的震动检测系统，其特征在于，所述预测模型对新的环境学习后，将学习数据下发至所有的震动检测仪，震动检测仪安装后，配置当前的场合以及情景，根据当前情景采集实际的震动频率判断是否发生施工行为，及时进行预警。

Images