CN113326964B - 一种基于数据复合多级综合管廊风险管控方法及方法 - Google Patents

Abstract

本发明涉及一种基于数据复合多级综合管廊风险管控方法，包括构建数据采集网络，三维建模，系统训练，风险管控及系统拓展等五个步骤。本发明一方面系统构成结构全面、数据通讯处理能力强，可有效满足对管廊系统运维工作中风险事件进行全面监控、定位并及时评估并预警，同时为风险时间处理作业中规划最佳风险处理方案及人员调度管理路径；另一方面系统运行自动化程度、智能化程度高，并具有良好的自主学习运行能力，从而可极大的降低管廊系统风险事件评估作业的劳动强度、成本；同时极大的提高了风险事件判断效率及精度，也有效的降低了管廊系统风险管理及应急处理作业的劳动强度及成本。

Description

一种基于数据复合多级综合管廊风险管控方法及方法

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，且管廊系统结构体积及内部安装设备和外部涉及到的地层结构及相关建筑物种类也相对复杂，从而导致当前管廊风险管控系统在实际运行中操作及维护难度大，且无法及时发现风险事件和无法对风险事件进行及时有效的追溯定位及合理安排调度人员和物资；另一方面在进行管廊系统维护中，风险管控数据往往仅注重与管廊设备自身内部结构及设备的运行风险，无法全面对影响管廊运行稳定性的多种类型及来源数据进行综合检测评估，且当前的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管控，因此导致当前的管廊风险管控系统均不同程度存在风险事件管控工作自动化程度、智能化程度及全面性均相对低下，风险事件管控灵活性和精度也相对不足，难以有效满足实际工作的需要。

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管控系统，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，本发明提供一种基于数据复合多级综合管廊风险管控方法及方法，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：

一种基于数据复合多级综合管廊风险管控方法，包括以下步骤：

S1，构建数据采集网络，首先构建一个基于BP神经网络风险管控综合服务平台，然后由基于BP神经网络风险管控综合服务平台通过市政规划资料库、地质结构数据、管廊建筑结构图及管廊内部设备布局结构图，然后分别根据管廊建筑内部建筑结构、管廊建筑内部设备分布结构及类型、管廊建筑外部对应地质结构及地质结构中形变带分布位置、管廊建筑对应地表及地下城市建筑及设施分布位置设定若干风险管控信息采集节点，并将各信息采集节点的三维坐标录入到基于BP神经网络风险管控综合服务平台中，然后为各信息采集节点分别设置一个固定风险信息数据采集终端，同时以直线距离50—500米为检测单位，将该距离范围内的各固定风险信息数据采集终端构成一个移动检测组，并为每个移动检测组中设置至少一个风险移动监控终端，最后将各固定风险信息数据采集终端和风险移动监控终端通过通讯网路与基于BP神经网络风险管控综合服务平台建立连接，并将各固定风险信息数据采集终端和风险移动监控终端的自的硬件识别号和软件版本号进行汇编，得到相应固定风险信息数据采集终端和风险移动监控终端的设备身份识别信息，并将各设备身份识别信息在基于BP神经网络风险管控综合服务平台中保存，并通过基于BP神经网络风险管控综合服务平台为各固定风险信息数据采集终端和风险移动监控终端分配独立数据寻址地址，从而完成数据采集网络构建；

S2，三维建模，完成S1步骤后，由基于BP神经网络风险管控综合服务平台根据S1步骤获取的管廊相关数据及设备数据，首先利用BIM对光缆系统及其内部及外部的设施和地址结构进行三维建模，获得整体的电子地图模型，然后通过GIS系统对三维模型信息数据库中各坐标点进行渲染赋值，从而获得当前管廊系统三维模型数据库，并在当前管廊系统三维模型数据库中对各风险管控信息采集节点坐标，及各坐标位置的固定风险信息数据采集终端和风险移动监控终端信息进行同步标，最后通过基于BP神经网络风险管控综合服务平台对各固定风险信息数据采集终端和风险移动监控终端信息运行状态、数据采集灵敏度及数据采集范围值进行赋值设定，并将各赋值数据保存在基于BP神经网络风险管控综合服务平台中备用；

S3，系统训练，完成S2步骤后，将在基于BP神经网络风险管控综合服务平台中录入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，然后利用基于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进行学习，并根据学习结果BP神经网络进行训练，形成管廊系统风险评估判断逻辑，并生成风险管控数据汇总列表，同时根据风险时间对管廊系统运行安全性的危害，进行处理优先级划分，并根据优先级对风险管控数据汇总列表中数据进行排序；

S4，风险管控，完成S3步骤后即可进行管廊风险监控及评估作业，在风险监控及评估作业中，一方面通过各固定风险信息数据采集终端同时对各风险管控信息采集节点，持续对光缆系统建筑结构、管廊内部设备运行状态及管廊系统周边的地质结构形变及地表市政建筑设备的变化情况24小时连续监控，另一方面驱动各检测单位中以5—30分钟/次的频率对各监控单元进行定期巡逻，同时将各固定风险信息数据采集终端和各风险移动监控终端采集数据同步输送至基于BP神经网络风险管控综合服务平台中并保存备用，同时将数据在保存的同时生成同步映射数据，然后将同步映射数据带入到BP神经网络中，由BP神经网络对采集数据进行运算，并将运算后的风险隐患及风险威胁等级根据S3步骤中风险管控数据汇总列表进行评价，然后将评价结果及发生风险事件位置，通过汇编后在管廊系统三维模型中进行突出显示，同时通过基于BP神经网络风险管控综合服务平台对输出风险事件处理推荐方案；并直至相应固定风险信息数据采集终端和各风险移动监控终端采集数据恢复正常后消除报警，并将风险事故发生、处置过程及处置信息在BP神经网络风险管控综合服务平台中保存；

S5，系统拓展，在S4步骤过程中，同时基于BP神经网络风险管控综合服务平台定期进行系统拓展及更新，其中系统拓展及更新分为主动更新及被动更新，其中：

主动更新，在完成风险事件处置后，将保存的的风险事件处置方法及处置结果数据生成映射文件，然后将映射文件带入到S2步骤中，通过LSTM的智能预测系统为基础的、深度学习神经网络系统及BP神经网络进行进一步学习及逻辑运算，并将实际发生风险事件数据通过学习纳入到风险管控数据汇总列表中，并对风险管控数据汇总列表数据进行更新；

被动更新，在S4步骤过程中采集的数据超出S3步骤中预训练时采用的基础数据时，将新采集的数据直接代入到LSTM的智能预测系统为基础的、深度学习神经网络系统中进行运算，并通过运算结果对BP神经网络进行培训学习，使BP神经网络根据初始培训学习形成的风险事件处理逻辑，对超出基础数据部分的风险事件生成相应的风险预判及风险等级汇编，并将风险预判及等级预判结果发送至风险管控数据汇总列表，从而实现对风险管控数据汇总列表进行数据更新。

进一步的，所述S1步骤中，固定风险信息数据采集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、串口通讯装置与外部通讯网络连接，并通过外部通讯网络和基于BP神经网络风险管控综合服务平台连接。

进一步的，所述S1步骤中，风险移动监控终端包括移动载体、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，并通过定位扣与移动载体连接，所述无线数据通讯装置、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。

进一步的，所述移动载体为巡查工作人员、有人驾驶交通工具、遥控式无人驾驶巡检机器人及自主运行巡检机器人中的任意一种或几种公用。

进一步的，所述S1步骤中，基于BP神经网络风险管控综合服务平台至少两个，各基于BP神经网络风险管控综合服务平台间通过中继服务器连接，且每个基于BP神经网络风险管控综合服务平台均设至少两个独立的数据存储服务器，所述基于BP神经网络风险管控综合服务平台硬件采用AI人工智能平台及云计算服务平台中任意一种为核心，软件系统采用SOA体系，C/S结构和B/S结构的嵌套架构BP神经网络系统为核心。

进一步的，所述BP神经网络系统另设与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，同时另设基于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。

进一步的，所述基于BP神经网络风险管控综合服务平台与固定风险信息数据采集终端和风险移动监控终端间均设置至少一条载波通讯网络。

进一步的，所述BP神经网络系统分为输入层，卷积层，全连接层和输出层，其中输入层前面另设卷积层并与卷积层连接。

本发明一方面系统构成结构全面、数据通讯处理能力强，可有效满足对管廊系统运维工作中风险事件进行全面监控、定位并及时评估并预警，同时为风险时间处理作业中规划最佳风险处理方案及人员调度管理路径；另一方面系统运行自动化程度、智能化程度高，并具有良好的自主学习运行能力，从而可极大的降低管廊系统风险事件评估作业的劳动强度、成本；同时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，从而极大的提高了管廊系统运行风险管控工作的工作效率、工作精度和管廊系统运行的稳定性及安全性，同时也有效的降低了管廊系统风险管理及应急处理作业的劳动强度及成本。

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为云服务器运行系统结构示意图。

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—3所示，一种基于数据复合多级综合管廊风险管控方法，包括以下步骤：

S1，构建数据采集网络，首先构建一个基于BP神经网络风险管控综合服务平台，然后由基于BP神经网络风险管控综合服务平台通过市政规划资料库、地质结构数据、管廊建筑结构图及管廊内部设备布局结构图，然后分别根据管廊建筑内部建筑结构、管廊建筑内部设备分布结构及类型、管廊建筑外部对应地质结构及地质结构中形变带分布位置、管廊建筑对应地表及地下城市建筑及设施分布位置设定若干风险管控信息采集节点，并将各信息采集节点的三维坐标录入到基于BP神经网络风险管控综合服务平台中，然后为各信息采集节点分别设置一个固定风险信息数据采集终端，同时以直线距离50—500米为检测单位，将该距离范围内的各固定风险信息数据采集终端构成一个移动检测组，并为每个移动检测组中设置至少一个风险移动监控终端，最后将各固定风险信息数据采集终端和风险移动监控终端通过通讯网路与基于BP神经网络风险管控综合服务平台建立连接，并将各固定风险信息数据采集终端和风险移动监控终端的自的硬件识别号和软件版本号进行汇编，得到相应固定风险信息数据采集终端和风险移动监控终端的设备身份识别信息，并将各设备身份识别信息在基于BP神经网络风险管控综合服务平台中保存，并通过基于BP神经网络风险管控综合服务平台为各固定风险信息数据采集终端和风险移动监控终端分配独立数据寻址地址，从而完成数据采集网络构建；

S2，三维建模，完成S1步骤后，由基于BP神经网络风险管控综合服务平台根据S1步骤获取的管廊相关数据及设备数据，首先利用BIM对光缆系统及其内部及外部的设施和地址结构进行三维建模，获得整体的电子地图模型，然后通过GIS系统对三维模型信息数据库中各坐标点进行渲染赋值，从而获得当前管廊系统三维模型数据库，并在当前管廊系统三维模型数据库中对各风险管控信息采集节点坐标，及各坐标位置的固定风险信息数据采集终端和风险移动监控终端信息进行同步标，最后通过基于BP神经网络风险管控综合服务平台对各固定风险信息数据采集终端和风险移动监控终端信息运行状态、数据采集灵敏度及数据采集范围值进行赋值设定，并将各赋值数据保存在基于BP神经网络风险管控综合服务平台中备用；

S3，系统训练，完成S2步骤后，将在基于BP神经网络风险管控综合服务平台中录入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，然后利用基于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进行学习，并根据学习结果BP神经网络进行训练，形成管廊系统风险评估判断逻辑，并生成风险管控数据汇总列表，同时根据风险时间对管廊系统运行安全性的危害，进行处理优先级划分，并根据优先级对风险管控数据汇总列表中数据进行排序；

S4，风险管控，完成S3步骤后即可进行管廊风险监控及评估作业，在风险监控及评估作业中，一方面通过各固定风险信息数据采集终端同时对各风险管控信息采集节点，持续对光缆系统建筑结构、管廊内部设备运行状态及管廊系统周边的地质结构形变及地表市政建筑设备的变化情况24小时连续监控，另一方面驱动各检测单位中以5—30分钟/次的频率对各监控单元进行定期巡逻，同时将各固定风险信息数据采集终端和各风险移动监控终端采集数据同步输送至基于BP神经网络风险管控综合服务平台中并保存备用，同时将数据在保存的同时生成同步映射数据，然后将同步映射数据带入到BP神经网络中，由BP神经网络对采集数据进行运算，并将运算后的风险隐患及风险威胁等级根据S3步骤中风险管控数据汇总列表进行评价，然后将评价结果及发生风险事件位置，通过汇编后在管廊系统三维模型中进行突出显示，同时通过基于BP神经网络风险管控综合服务平台对输出风险事件处理推荐方案；并直至相应固定风险信息数据采集终端和各风险移动监控终端采集数据恢复正常后消除报警，并将风险事故发生、处置过程及处置信息在BP神经网络风险管控综合服务平台中保存；

S5，系统拓展，在S4步骤过程中，同时基于BP神经网络风险管控综合服务平台定期进行系统拓展及更新，其中系统拓展及更新分为主动更新及被动更新，其中：

主动更新，在完成风险事件处置后，将保存的的风险事件处置方法及处置结果数据生成映射文件，然后将映射文件带入到S2步骤中，通过LSTM的智能预测系统为基础的、深度学习神经网络系统及BP神经网络进行进一步学习及逻辑运算，并将实际发生风险事件数据通过学习纳入到风险管控数据汇总列表中，并对风险管控数据汇总列表数据进行更新；

被动更新，在S4步骤过程中采集的数据超出S3步骤中预训练时采用的基础数据时，将新采集的数据直接代入到LSTM的智能预测系统为基础的、深度学习神经网络系统中进行运算，并通过运算结果对BP神经网络进行培训学习，使BP神经网络根据初始培训学习形成的风险事件处理逻辑，对超出基础数据部分的风险事件生成相应的风险预判及风险等级汇编，并将风险预判及等级预判结果发送至风险管控数据汇总列表，从而实现对风险管控数据汇总列表进行数据更新。

重点说明的，所述S1步骤中，固定风险信息数据采集终端包括应力传感器1、定向麦克风2、无线数据通讯装置3、串口通讯装置4、GNSS卫星定位装置5、监控摄像头6、测距装置7、显示器8、温湿度传感器9、空气质量传感器10、引流风机11、承载底座12、工作台13及驱动电路14，其中所述承载底座12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1，所述无线数据通讯装置3、串口通讯装置4、GNSS卫星定位装置5及驱动电路6均嵌于承载底座12内，所述承载底座12上端面通过转台机构15与工作台13铰接并同轴分布，所述工作台13为横断面呈“凵”字形槽状结构，所述监控摄像头6、测距装置7、显示器8均嵌于工作台13内并与工作台13槽底连接，且所述监控摄像头6、测距装置7、显示器8光轴之间及光轴与工作台13槽底间均平行分布，并与水平面呈0°—90°夹角，所述工作台13槽底另设与工作台13同轴分布的检测腔16，所述检测腔16对应的工作台13前端面及后端面均设若干通风口17，所述温湿度传感器9、空气质量传感器10、引流风机11均嵌于检测腔16内，所述定向麦克风2至少一个，通过转台机构15与工作台13外侧面铰接，且定向麦克风2轴线与水平面呈0°—180°夹角，所述应力传感器1、定向麦克风2、无线数据通讯装置3、串口通讯装置4、GNSS卫星定位装置5、监控摄像头6、测距装置7、显示器8、温湿度传感器9、空气质量传感器10、引流风机均11与驱动电路14电气连接，所述驱动电路14另通过无线数据通讯装置3、串口通讯装置4与外部通讯网络连接，并通过外部通讯网络和基于BP神经网络风险管控综合服务平台连接。

同时，所述S1步骤中，风险移动监控终端包括移动载体18、定位扣19、承载台20、无线数据通讯装置21、CCD摄像机22、卫星通讯装置23、辅助电源24、激光测距仪25及控制电路26，所述承载台20为横断面呈矩形的框架结构，其后端面与至少两个定位扣19连接，且各定位扣19环绕承载台20轴线均布，并通过定位扣19与移动载体18连接，所述无线数据通讯装置21、CCD摄像机22、卫星通讯装置23、辅助电源24、激光测距仪25及控制电路26均嵌于承载台内，其中CCD摄像机22和激光测距仪25光轴平行分布，所述控制电路26分别与无线数据通讯装置21、CCD摄像机22、卫星通讯装置23、辅助电源24、激光测距仪25电气连接。

进一步优化的，所述移动载体18为巡查工作人员、有人驾驶交通工具、遥控式无人驾驶巡检机器人及自主运行巡检机器人中的任意一种或几种公用。

需要特别说明的，所述S1步骤中，基于BP神经网络风险管控综合服务平台至少两个，各基于BP神经网络风险管控综合服务平台间通过中继服务器连接，且每个基于BP神经网络风险管控综合服务平台均设至少两个独立的数据存储服务器，所述基于BP神经网络风险管控综合服务平台硬件采用AI人工智能平台及云计算服务平台中任意一种为核心，软件系统采用SOA体系，C/S结构和B/S结构的嵌套架构BP神经网络系统为核心。

进一步优化的，所述BP神经网络系统另设与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，同时另设基于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。

此外，所述基于BP神经网络风险管控综合服务平台与固定风险信息数据采集终端和风险移动监控终端间均设置至少一条载波通讯网络。

本实施例中，所述BP神经网络系统分为输入层，卷积层，全连接层和输出层，其中输入层前面另设卷积层并与卷积层连接。

本发明一方面系统构成结构全面、数据通讯处理能力强，可有效满足对管廊系统运维工作中风险事件进行全面监控、定位并及时评估并预警，同时为风险时间处理作业中规划最佳风险处理方案及人员调度管理路径；另一方面系统运行自动化程度、智能化程度高，并具有良好的自主学习运行能力，从而可极大的降低管廊系统风险事件评估作业的劳动强度、成本；同时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，从而极大的提高了管廊系统运行风险管控工作的工作效率、工作精度和管廊系统运行的稳定性及安全性，同时也有效的降低了管廊系统风险管理及应急处理作业的劳动强度及成本。

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)

1.一种基于数据复合多级综合管廊风险管控方法，其特征在于：所述的基于数据复合多级综合管廊风险管控方法包括以下步骤：

S1，构建数据采集网络，首先构建一个基于BP神经网络风险管控综合服务平台，然后由基于BP神经网络风险管控综合服务平台通过市政规划资料库、地质结构数据、管廊建筑结构图及管廊内部设备布局结构图，然后分别根据管廊建筑内部建筑结构、管廊建筑内部设备分布结构及类型、管廊建筑外部对应地质结构及地质结构中形变带分布位置、管廊建筑对应地表及地下城市建筑及设施分布位置设定若干风险管控信息采集节点，并将各信息采集节点的三维坐标录入到基于BP神经网络风险管控综合服务平台中，然后为各信息采集节点分别设置一个固定风险信息数据采集终端，同时以直线距离50—500米为检测单位，将该距离范围内的各固定风险信息数据采集终端构成一个移动检测组，并为每个移动检测组中设置至少一个风险移动监控终端，最后将各固定风险信息数据采集终端和风险移动监控终端通过通讯网路与基于BP神经网络风险管控综合服务平台建立连接，并将各固定风险信息数据采集终端和风险移动监控终端的自的硬件识别号和软件版本号进行汇编，得到相应固定风险信息数据采集终端和风险移动监控终端的设备身份识别信息，并将各设备身份识别信息在基于BP神经网络风险管控综合服务平台中保存，并通过基于BP神经网络风险管控综合服务平台为各固定风险信息数据采集终端和风险移动监控终端分配独立数据寻址地址，从而完成数据采集网络构建；

S2，三维建模，完成S1步骤后，由基于BP神经网络风险管控综合服务平台根据S1步骤获取的管廊相关数据及设备数据，首先利用BIM对光缆系统及其内部及外部的设施和地址结构进行三维建模，获得整体的电子地图模型，然后通过GIS系统对三维模型信息数据库中各坐标点进行渲染赋值，从而获得当前管廊系统三维模型数据库，并在当前管廊系统三维模型数据库中对各风险管控信息采集节点坐标，及各坐标位置的固定风险信息数据采集终端和风险移动监控终端信息进行同步标，最后通过基于BP神经网络风险管控综合服务平台对各固定风险信息数据采集终端和风险移动监控终端信息运行状态、数据采集灵敏度及数据采集范围值进行赋值设定，并将各赋值数据保存在基于BP神经网络风险管控综合服务平台中备用；

S3，系统训练，完成S2步骤后，将在基于BP神经网络风险管控综合服务平台中录入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，然后利用基于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进行学习，并根据学习结果BP神经网络进行训练，形成管廊系统风险评估判断逻辑，并生成风险管控数据汇总列表，同时根据风险时间对管廊系统运行安全性的危害，进行处理优先级划分，并根据优先级对风险管控数据汇总列表中数据进行排序；

S4，风险管控，完成S3步骤后即可进行管廊风险监控及评估作业，在风险监控及评估作业中，一方面通过各固定风险信息数据采集终端同时对各风险管控信息采集节点，持续对光缆系统建筑结构、管廊内部设备运行状态及管廊系统周边的地质结构形变及地表市政建筑设备的变化情况24小时连续监控，另一方面驱动各检测单位中以5—30分钟/次的频率对各监控单元进行定期巡逻，同时将各固定风险信息数据采集终端和各风险移动监控终端采集数据同步输送至基于BP神经网络风险管控综合服务平台中并保存备用，同时将数据在保存的同时生成同步映射数据，然后将同步映射数据带入到BP神经网络中，由BP神经网络对采集数据进行运算，并将运算后的风险隐患及风险威胁等级根据S3步骤中风险管控数据汇总列表进行评价，然后将评价结果及发生风险事件位置，通过汇编后在管廊系统三维模型中进行突出显示，同时通过基于BP神经网络风险管控综合服务平台对输出风险事件处理推荐方案；并直至相应固定风险信息数据采集终端和各风险移动监控终端采集数据恢复正常后消除报警，并将风险事故发生、处置过程及处置信息在BP神经网络风险管控综合服务平台中保存；

S5，系统拓展，在S4步骤过程中，同时基于BP神经网络风险管控综合服务平台定期进行系统拓展及更新，其中系统拓展及更新分为主动更新及被动更新，其中：

主动更新，在完成风险事件处置后，将保存的的风险事件处置方法及处置结果数据生成映射文件，然后将映射文件带入到S2步骤中，通过LSTM的智能预测系统为基础的、深度学习神经网络系统及BP神经网络进行进一步学习及逻辑运算，并将实际发生风险事件数据通过学习纳入到风险管控数据汇总列表中，并对风险管控数据汇总列表数据进行更新；

被动更新，在S4步骤过程中采集的数据超出S3步骤中预训练时采用的基础数据时，将新采集的数据直接代入到LSTM的智能预测系统为基础的、深度学习神经网络系统中进行运算，并通过运算结果对BP神经网络进行培训学习，使BP神经网络根据初始培训学习形成的风险事件处理逻辑，对超出基础数据部分的风险事件生成相应的风险预判及风险等级汇编，并将风险预判及等级预判结果发送至风险管控数据汇总列表，从而实现对风险管控数据汇总列表进行数据更新。

2.根据权利要求1所述的一种基于数据复合多级综合管廊风险管控方法，其特征在于：所述S1步骤中，固定风险信息数据采集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、串口通讯装置与外部通讯网络连接，并通过外部通讯网络和基于BP神经网络风险管控综合服务平台连接。

3.根据权利要求1所述的一种基于数据复合多级综合管廊风险管控方法的使用方法，其特征在于：所述S1步骤中，风险移动监控终端包括移动载体、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，并通过定位扣与移动载体连接，所述无线数据通讯装置、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。

4.根据权利要求3所述的一种基于数据复合多级综合管廊风险管控方法的使用方法，其特征在于：所述移动载体为巡查工作人员、有人驾驶交通工具、遥控式无人驾驶巡检机器人及自主运行巡检机器人中的任意一种或几种公用。

5.根据权利要求1所述的一种基于数据复合多级综合管廊风险管控方法的使用方法，其特征在于：所述S1步骤中，基于BP神经网络风险管控综合服务平台至少两个，各基于BP神经网络风险管控综合服务平台间通过中继服务器连接，且每个基于BP神经网络风险管控综合服务平台均设至少两个独立的数据存储服务器，所述基于BP神经网络风险管控综合服务平台硬件采用AI人工智能平台及云计算服务平台中任意一种为核心，软件系统采用SOA体系，C/S结构和B/S结构的嵌套架构BP神经网络系统为核心。

6.根据权利要求5所述的一种基于数据复合多级综合管廊风险管控方法的使用方法，其特征在于：所述BP神经网络系统另设与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，同时另设基于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。

7.根据权利要求1所述的一种基于数据复合多级综合管廊风险管控方法的使用方法，其特征在于：所述基于BP神经网络风险管控综合服务平台与固定风险信息数据采集终端和风险移动监控终端间均设置至少一条载波通讯网络。

8.根据权利要求1所述的一种基于数据复合多级综合管廊风险管控方法的使用方法，其特征在于：所述BP神经网络系统分为输入层，卷积层，全连接层和输出层，其中输入层前面另设卷积层并与卷积层连接。