CN113506441A - 市政桥梁交通预警控制方法 - Google Patents
市政桥梁交通预警控制方法 Download PDFInfo
- Publication number
- CN113506441A CN113506441A CN202111050759.7A CN202111050759A CN113506441A CN 113506441 A CN113506441 A CN 113506441A CN 202111050759 A CN202111050759 A CN 202111050759A CN 113506441 A CN113506441 A CN 113506441A
- Authority
- CN
- China
- Prior art keywords
- traffic
- bridge
- bridge structure
- weight coefficient
- traffic flow
- 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
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Emergency Management (AREA)
- Traffic Control Systems (AREA)
Abstract
一种市政桥梁交通预警控制方法,设定桥梁结构危险等级、交通管控方案和交通流量控制措施方案;采集市政桥梁交通流量信息和桥梁结构数据;通过BP神经网络模型计算出交通流量信息的调整前分项子项权重系数,计算桥梁结构评分,选择相应的交通管控方案;根据调整前分项子项权重系数或调整后分项子项权重系数,实现交通流量控制。本发明基于采集到的桥梁结构数据对桥梁结构整体状态进行评分,反映该桥梁结构的健康状况,采取针对性的交通管控方案,并基于深度学习方法采取针对桥梁进行交通流量控制措施,使桥梁结构保持健康状态,使桥梁结构状态评估服务于城市交通优化,为推进城市智能化交通建设提供有益支撑和帮助。
Description
技术领域
本发明属于交通管理领域,具体涉及一种市政桥梁交通预警控制方法。
背景技术
随着城市交通建设的不断发展进步,城市交通日益繁忙,市政桥梁作为现代化城市交通的重要组成部分,一旦发生事故,不仅会造成巨大的直接损失,更会影响城市交通的通畅程度,影响城市的建设和发展。特别是在一些水系较为发达的城市,市政桥梁在城市交通中处于枢纽和核心地位,加强城市交通中市政桥梁的健康监测尤为重要。
传统的桥梁健康监测系统造价昂贵,大多集中于特大型桥梁。而城市交通中的市政桥梁,数量庞大、类型复杂,包括斜拉桥、悬索桥、拱桥等多种类型,难以承受高昂的健康监测系统价格。
此外,传统的桥梁健康监测模式强调对影响结构因素的全面考虑,侧重于结构状态变化的成因分析,即分析全面而体系复杂。比如考虑环境因素(风速、温度、湿度等)时,能够较好地分析结构在多种荷载耦合作用下的状态变化规律,但此类因素在实际应用中属于不可控制变量,难以在结构预警时通过调整此类变量以实现结构状况的调整。因此,在数量庞大、类型众多的市政桥梁中,传统的健康监测模式及评估方法往往不具备良好的适用性,难以广泛推广。
发明内容
本发明要解决的技术问题是提供一种市政桥梁交通预警控制方法。
为了解决上述技术问题,本发明采用的技术方案是:一种市政桥梁交通预警控制方法,包括以下步骤:
S01,设定桥梁结构危险等级,根据桥梁结构危险等级设定交通管控方案,交通管控方案包括交通流量控制,还包括无需交通管控、密切监测、人工检测、封闭交通中的至少一种,设定交通流量控制方案;
S02,采集桥梁交通流量信息和桥梁结构数据;
S03,将所述桥梁交通流量信息输入BP神经网络模型的输入层,将桥梁结构数据输入BP神经网络模型的输出层,计算出交通流量信息的调整前分项子项权重系数,同时根据采集的桥梁结构数据计算桥梁结构评分,选择判定相应的桥梁结构危险等级;
S04,根据桥梁结构危险等级选择相应的交通管控方案;
S05,基于相应的交通管控方案得出对桥梁交通流量是否需要进行交通流量控制的判断,当需要对桥梁交通流量进行控制时,根据BP神经网络模型输出的调整前分项子项权重系数,或依据相应的交通流量控制措施调整得出的调整中分项子项权重系数而进行修正后输出的调整后分项子项权重系数,实现交通流量控制;
S06,重复步骤S02-S05实现桥梁预警和交通流量控制。
在某些实施方式中,步骤S02中所述桥梁交通流量信息包括车辆载重、车辆数量以及车辆速度,所述桥梁结构数据包括拉索振动频率、拉索垂度、桥面振动频率以及桥面位移。
在某些实施方式中,步骤S03中所述桥梁结构评分具体计算公式为,其中,Pt代表桥梁结构评分,包括,所述分别代表拉索振动频率、拉索垂度、桥面位移以及桥面振动频率在桥梁结构评分中所占的权重,代表指标实测数值,代表指标设计限值,指标实测数值处于指标设计限值内,判定指标d为0,表示正常;指标实测数值超出指标设计限值时,判定指标d为1,表示异常,根据桥梁结构评分,选择判定相应的桥梁结构危险等级。
在某些实施方式中,步骤S01中桥梁结构危险等级包括五级,当 0≤pt/pt’<30时,设定危险等级为第五级;当30≤pt/pt’<50时,设定危险等级为第四级;当50≤pt/pt’<70时,设定危险等级为第三级;当70≤pt/pt’<90时,设定危险等级为第二级;当pt/pt’≥90时,设定危险等级为第一级,pt代表调整前桥梁结构评分,pt’代表调整后桥梁结构评分,pt和pt’均由所述桥梁结构评分具体计算公式得出。
在某些实施方式中,步骤S01中的交通管控方案包括:对应危险等级为第五级时,桥梁结构正常,无需交通管控;对应危险等级为第四级时,对交通进行流量控制;对应危险等级为第三级时,对交通进行流量控制和密切监测;对应危险等级为第二级时,对交通进行流量控制、密切监测和人工检测;对应危险等级为第一级时,直接进行封闭交通、密切监测和人工检测。
在某些实施方式中,交通流量控制方案包括限制通行车辆速度(w1)、限制通行车辆载重(w2)、限制通行车辆数量(w3)三个分项。
在某些实施方式中,所述交通流量控制方案包括逐级调控的限制通行车辆速度、逐级调控的限制通行车辆载重、逐级调控的限制通行车辆数量,其中,限制通行车辆速度包括80%通行速度限速、60%通行速度限速和50%通行速度限速三个子项;限制通行车辆载重包括≥20吨车辆禁止通行、≥12吨车辆禁止通行和≥8吨车辆禁止通行三个子项;限制通行车辆数量包括80%日均通行量限量、60%日均通行量限量和50%日均通行量限量三个子项。
在某些实施方式中,步骤S05中当需要对桥梁交通流量进行控制时,根据BP神经网络模型输出的调整前分项子项权重系数,或依据相应的交通流量控制措施调整得出的调整中分项子项权重系数而进行修正后输出的调整后分项子项权重系数实现交通流量控制时,在限制通行车辆速度、限制通行车辆载重、限制通行车辆数量三个分项措施中,按权重分从高到低,从三个分项措施中先后选择一个分项措施按照逐级降级的方式进行调整,若无效,从三个分项措施中选择两个或两个以上分项措施按照逐级降级的方式进行调整,若再无效,选择封闭交通进行调整,实现交通流量控制。
在某些实施方式中,当采取交通流量控制的相应措施有效时,即调整后桥梁结构评分恢复正常,保持该有效措施执行。
其中,wij为BP神经网络模型输出的调整前分项子项权重系数,wi为措施调整前基于BP神经网络模型获取的调整前分项权重系数,wij’为调整中分项子项权重系数,pt为调整前桥梁结构评分,pt’为调整后桥梁结构评分。
在某些实施方式中,BP神经网络模型在措施调整过程中同步对桥梁交通流量信息和桥梁结构数据进行学习得到调整中分项权重系数,调整后分项子项权重系数同时考虑调整中分项权重系数和调整中分项子项权重系数,具体计算公式如下:,其中,wi’为调整中分项权重系数,wij”为调整后分项子项权重系数,当采取交通流量控制的相应措施有效时,即桥梁结构评分恢复正常,进一步对调整后分项子项权重系数归一化处理,并计算分项及分项子项指标最终权重系数,公式为:,,其中,为归一化后的分项子项权重系数,为计算出的分项权重系数,作为下一次桥梁结构异常情况出现时的优先调整的输入参量。
本发明的范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案等。
由于上述技术方案运用,本发明与现有技术相比具有下列优点:本发明基于采集到的桥梁结构数据对桥梁结构整体状态进行桥梁结构评分,该评分大体能够反映该桥梁结构的健康状况,并根据桥梁结构的健康状况采取针对性的交通管控方案,并基于深度学习方法采取针对桥梁进行限制通行车辆速度、限制通行车辆载重与/或限制通行车辆数量的有效控制,即侧重于将影响桥梁结构变化的可控因素与运营状态下的桥梁结构评分相结合,在实际工程中具有更好的操作性和更为突出的应用优势。通过交通流量控制,使桥梁结构保持健康状态,既能全面掌握桥梁结构运营状态,同时也能使桥梁结构状态评估服务于城市交通优化,为推进城市智能化交通建设提供有益支撑和帮助。
附图说明
图1为本发明市政桥梁交通预警控制方法的流程图;
图2为采集桥梁结构数据的标记点设置示意图;
图3为拉索垂度示意图;
图4为桥梁结构状况评估和交通管控流程图;
图5为交通流量控制和权重系数调整示意图;
图6为闭环控制过程框架。
具体实施方式
下面结合附图对本发明作进一步描述,以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,一种市政桥梁交通预警控制方法,包括以下步骤:步骤S01,设定桥梁结构危险等级,桥梁结构危险等级包括五级,桥梁结构评分满分分值为100分,当 0≤pt/pt’<30时,设定危险等级为第五级;当30≤pt/pt’<50时,设定危险等级为第四级;当50≤pt/pt’<70时,设定危险等级为第三级;当70≤pt/pt’<90时,设定危险等级为第二级;当pt/pt’≥90时,设定危险等级为第一级,pt代表调整前桥梁结构评分,pt’代表调整后桥梁结构评分。pt和pt’均由下述桥梁结构评分Pt具体计算公式得出。根据桥梁结构危险等级设定交通管控方案,对应危险等级为第五级时,桥梁结构正常,无需交通管控;对应危险等级为第四级时,对交通进行流量控制;对应危险等级为第三级时,对交通进行流量控制和密切监测;对应危险等级为第二级时,对交通进行流量控制、密切监测和人工检测;对应危险等级为第一级时,直接进行封闭交通、密切监测和人工检测。设定交通流量控制方案,交通流量控制方案包括逐级调控的限制通行车辆速度w1、逐级调控的限制通行车辆载重w2、逐级调控的限制通行车辆数量w3,其中,限制通行车辆速度包括80%通行速度限速w11、60%通行速度限速w12和50%通行速度限速w13三个子项;限制通行车辆载重包括≥20吨车辆禁止通行w21、≥12吨车辆禁止通行w22和≥8吨车辆禁止通行w23三个子项;限制通行车辆数量包括80%日均通行量限量w31、60%日均通行量限量w32和50%日均通行量限量w33三个子项。
步骤S02,采集桥梁交通流量信息和桥梁结构数据,所述桥梁交通流量信息包括车辆载重、车辆数量以及车辆速度,所述桥梁结构数据包括拉索振动频率、拉索垂度、桥面振动频率以及桥面位移;
采集桥梁交通流量信息具体如下:
利用现有交通设施获取桥梁交通流量信息,包括可利用称重式传感器获取车辆载重数据,利用交通监控获取车辆通行数量数据,利用电子测速设备获取车辆通行速度。其中,为了获取更多的交通数据用于训练,将数据分析间隔设置为1min。通行速度为每分钟通行平均速度(即每分钟所有通行汽车速度之和与通行总数量的比值),车辆载重为每分钟通行平均载重(即每分钟所有通行汽车载重之和与通行总数量的比值),通行数量为每分钟汽车通行总数量。
采集桥梁结构数据具体如下:
桥梁结构数据利用摄像头或者图像采集设备采集桥梁结构运营状态下视频或者图像,在桥梁结构构件的固定位置设置或者寻找可以进行特征识别的特征点,在斜拉索上设置红色标记点;在桥跨侧面设置具有十字形状或者具有显著特征的标记,标记点设置如图2所示。
利用数字图像方法处理采集的桥梁结构视频,获取桥梁各个构件不同位置的监测数据。
通过设置在斜拉索上的标记点,识别捕捉标记点的振动位移从而实现拉索振动位移数据的获取,利用傅里叶变换对拉索振动位移数据进行处理获取拉索的振动频率,红色标记点识别方法公式如下:
利用边缘检测提取图像中拉索形状特征,其中,边缘检测方法选择Sobel算子,Sobel算子采用加权平均的思想,其卷积模板公式为:
提取出拉索的形状特征后,如图3所示,利用二次多项式对边缘检测提取出的拉索
形状进行拟合,并基于二次函数性质获取函数的最值点,从而计算出最值点到两端点形成
直线的距离,并将此值作为拉索垂度值,二次多项式表达式公式为:
利用数字图像相关方法提取桥梁侧面设置或自然标记点的图像特征,通过匹配识别计算标记点的位移,通过位移标定获取桥梁结构真实位移。其中,数字图像相关方法主要原理为基于互相关函数分析目标区域变形前后灰度变化,对于目标子区进行匹配识别,互相关函数可以表示为:
,,,其中,表示变形前图像中子区的灰度分布,表示变形后图像中子区的灰度分布,为求解的相关系数,为0时表示图像相关性最大,为变形前图像中子区的平均灰度值,为变形后图像中子区的平均灰度值,(2M+1)*(2M+1)为图像子区的像素尺寸,M是用像素表示图像子区大小尺寸的值。
利用傅里叶变换对桥面位移数据进行计算获取桥面振动频率。
桥梁结构数据采集完毕。
步骤S03,将桥梁交通流量信息输入BP神经网络模型的输入层,将桥梁结构数据输入BP神经网络模型的输出层,进行自主学习,BP神经网络模型为常用技术,具体方案在此不再赘述,自主学习后获得调整前分项权重系数wi,其中i为交通流量控制措施的三项分项,即逐级调控的限制通行车辆速度w1、逐级调控的限制通行车辆载重w2、逐级调控的限制通行车辆数量w3,获取三个输入参数在神经网络中的权重w1、w2、w3,通过公式,计算出交通流量信息的调整前分项子项权重系数Wij,其中j为交通流量控制措施每个分项的三个子项,同时根据采集的桥梁结构数据计算桥梁结构评分Pt,桥梁结构评分Pt计算公式为:
其中,Pt代表桥梁结构评分,代表指标实测数值,代表指标设计限值,d代表判定指标,代表各指标权重,包括,q=1,2,3,4分别代表拉索振动频率、拉索垂度、桥面位移以及桥面振动频率,分别代表拉索振动频率、拉索垂度、桥面位移以及桥面振动频率在指标所占的权重,桥梁结构评分分数越高,桥梁结构越危险,当时,d=0;时,d=1。
桥梁结构评估方法主要根据数据变化对各个指标进行0、1判断,指标处于设计限值以内(),判定指标d为0,正常;指标超出设计限值时(),判定指标异常,判定指标d为1,计算桥梁结构评分Pt,判定桥梁结构危险等级。
桥梁结构指标权重根据桥梁检测及监测标准获得,具体数值为:拉索振动频率的权重B1为0.1,拉索垂度的权重B2为0.25,桥面位移的权重B3为0.45,桥面振动频率的权重B4为0.2,根据以上评分规则计算出的桥梁结构评分pt选择判定相应的桥梁结构危险等级。
步骤S04,根据桥梁结构危险等级选择相应的交通管控方案,危险等级为第五级时,选择无需交通管控;危险等级为第四级时,选择对交通进行流量控制;危险等级为第三级时,选择对交通进行流量控制和密切监测;危险等级为第二级时,选择对交通进行流量控制、密切监测和人工检测;危险等级为第一级时,选择直接进行封闭交通、密切监测和人工检测。
步骤S05,基于相应的交通管控方案得出对桥梁交通流量是否需要进行控制的判断,当需要对桥梁交通流量进行控制时,根据BP神经网络模型输出的调整前分项子项权重系数wij,或依据措施调整得出的调整中分项子项权重系数wij’而进行修正后输出的调整后分项子项权重系数wij”,实现交通流量控制,交通流量控制方案包括限制通行车辆速度w1、限制通行车辆载重w2、限制通行车辆数量w3三个分项;
步骤S06,重复步骤S02-S05实现市政桥梁预警和交通流量控制。
如交通管控方案中包含流量控制,则需要控制交通流量。其中,交通流量控制应当根据BP神经网络模型学习获得的权重系数,按照不同优先级进行调整,比较三个输入参量(速度、载重和数量)的权重系数(w1、w2、w3),优先调整权重较大的输入参量。交通流量控制采取逐级调控的方式,具体调控步骤参照图5,其中,通行速度调整方案分别按照桥梁通行限速的80%、60%和50%进行设置;通行载重调整方案按照市政交通允许通行车辆载重进行设置分三级;通行数量调整方案分别按照日均通行量的80%、60%和50%进行设置;根据桥梁结构评分Pt情况,生成交通管控方案,并根据方案实施调整措施。
在对交通流量进行控制后,实时监测并记录采集交通流量控制后桥梁结构各指标变化情况。引入闭环控制理论,实现输入参数的调整、输出参数的反馈以及不断循环的过程。闭环控制理论主要通过比较交通流量控制措施实施后桥梁结构变化与预期情况,根据比较结果调整相应输入参数(即调整措施)的权重系数,具体过程如图6所示。在此过程中当调整措施有效时,即桥梁结构评分从异常情况恢复至正常时(pt'<30),该输入参量权重系数增大;当调整措施非有效时,即桥梁结构评分从异常情况未能恢复至正常时(pt'≥30),该输入参量权重系数减小;不断调整权重系数直至桥梁结构恢复到正常状态,权重系数具体调整公式如下:
其中,wij’为调整中分项子项权重系数,wij为调整前分项子项权重系数,wi为措施调整实施前基于BP神经网络模型获取的调整前分项权重系数,pt为调整前桥梁结构评分,pt'为调整后桥梁结构评分。
在实施调整措施对桥梁结构状态进行评估和各分项输入参量进行调整的同时,BP神经网络模型在措施调整过程中同步对交通流量及桥梁结构变化情况进行学习,分项输入参量的权重值调整应当同时考虑两个过程计算出的权重系数,具体计算公式如下:
其中, wij”为调整后分项子项权重系数,wij’为调整中分项子项权重系数,wi’为在措施调整过程中BP神经网络模型学习获取的调整中分项权重系数。
直至桥梁结构评分小于30分,桥梁结构判定为正常状态,计算分项及分项的子项指标最终权重系数:
在下一次桥梁结构预警情况发生时,如图4所示,根据桥梁结构评分选择合理的交通管控方案,根据新的权重系数调整交通流量控制措施。其中,每一次交通流量控制后,都需要根据输出结果反馈及时更新调整措施的权重系数,以提升计算模型的稳定性和措施调整的准确性。
以下以独塔双索面无背索全钢桥梁结构东西向斜拉桥为例,桥梁主跨径100m,桥面安装有交通监控,通过视频调用可以实现通行车辆数量及速度识别,可以通过安装称重式传感器实现通行车辆载重识别。在斜拉桥南侧西岸距离桥约70m处安装摄像头,可以实现桥梁结构数据的采集。
将采集的交通流量信息及桥梁结构数据放入BP神经网络模型进行学习,学习后获取三个输入参量,即通行车辆速度、载重和数量的调整前分项权重系数分别为0.463、0.382和0.155,可以看出,车辆速度所占权重系数较大。通过对桥梁结构数据进行分析,发现,拉索振动频率超出设计限值50%,拉索垂度指标正常,桥面位移超出指标80%,桥梁振动频率指标超出60%,根据桥梁结构评分计算公式进行打分,得出桥梁结构评分为53分,危险等级判定为三级,需要流量控制和密切监测。
由于车辆速度参数权重系数最大,系统优先调整车辆速度,按照速度调整方案逐级调整,车速调整到限速的80%,调整过后发现拉索振动频率减少到超出设计限值的30%,桥面位移未变化;桥面振动频率减少到超出设计限值的60%,根据桥梁结构评分计算公式计算出此时桥梁结构评分为51分,桥梁结构评分大于30分,措施判定无效,根据公式
通过车流速度的三级控制,发现并未使桥梁结构恢复至正常状态,则放开速度限制,按照载重调整方案逐级调整,直至通行车辆设置为≥12吨车辆禁止通行时,桥梁结构评分小于30分,桥梁结构判定为正常状态,此时按照上述过程将载重调整的对应指标权重扩大。
通过累计求和,并将系数归一化后,通行车辆速度、载重和数量的调整中分项权重系数分别为0.274、0.562和0.164,根据调整阶段BP神经网络模型学习获得的分项权重系数为0.397、0.462和0.141,最终调整后分项权重系数为0.336,0.512和0.152。在下一次桥梁结构异常情况出现进行措施调整时,优先调整对于输出指标敏感(输入参量权重值较大)的输入参量,即车辆通行载重。此外,当桥梁结构需要尽快恢复至正常状态时,也可以通过叠加不同分项指标(速度、载重、通行量)对应的子项的权重系数获得最大的权重系数以达到较好的调整效果,比如在调整通行车辆速度的同时,同步采取车辆载重的调整措施。
上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围之内。
Claims (11)
1.一种市政桥梁交通预警控制方法,其特征在于:包括以下步骤:
S01,设定桥梁结构危险等级,根据桥梁结构危险等级设定交通管控方案,交通管控方案包括交通流量控制,还包括无需交通管控、密切监测、人工检测、封闭交通中的至少一种,设定交通流量控制方案;
S02,采集桥梁交通流量信息和桥梁结构数据;
S03,将所述桥梁交通流量信息输入BP神经网络模型的输入层,将桥梁结构数据输入BP神经网络模型的输出层,计算出交通流量信息的调整前分项子项权重系数(wij),同时根据采集的桥梁结构数据计算桥梁结构评分,选择判定相应的桥梁结构危险等级;
S04,根据桥梁结构危险等级选择相应的交通管控方案;
S05,基于相应的交通管控方案得出对桥梁交通流量是否需要进行交通流量控制的判断,当需要对桥梁交通流量进行控制时,根据BP神经网络模型输出的调整前分项子项权重系数(wij),或依据相应的交通流量控制措施调整得出的调整中分项子项权重系数(wij’)而进行修正后输出的调整后分项子项权重系数(wij”),实现交通流量控制;
S06,重复步骤S02-S05实现桥梁预警和交通流量控制。
2.根据权利要求1所述的市政桥梁交通预警控制方法,其特征在于:步骤S02中所述桥梁交通流量信息包括车辆载重、车辆数量以及车辆速度,所述桥梁结构数据包括拉索振动频率、拉索垂度、桥面振动频率以及桥面位移。
4.根据权利要求3所述的市政桥梁交通预警控制方法,其特征在于:步骤S01中桥梁结构危险等级包括五级,当 0≤pt/pt’<30时,设定危险等级为第五级;当30≤pt/pt’<50时,设定危险等级为第四级;当50≤pt/pt’<70时,设定危险等级为第三级;当70≤pt/pt’<90时,设定危险等级为第二级;当pt/pt’≥90时,设定危险等级为第一级,pt代表调整前桥梁结构评分,pt’代表调整后桥梁结构评分,pt和pt’均由所述桥梁结构评分具体计算公式得出。
5.根据权利要求4所述的市政桥梁交通预警控制方法,其特征在于:步骤S01中的交通管控方案包括:对应危险等级为第五级时,桥梁结构正常,无需交通管控;对应危险等级为第四级时,进行交通流量控制;对应危险等级为第三级时,进行交通流量控制和密切监测;对应危险等级为第二级时,进行交通流量控制、密切监测和人工检测;对应危险等级为第一级时,直接进行封闭交通、密切监测和人工检测。
6.根据权利要求1所述的市政桥梁交通预警控制方法,其特征在于:交通流量控制方案包括限制通行车辆速度(w1)、限制通行车辆载重(w2)、限制通行车辆数量(w3)三个分项。
7.根据权利要求6所述的市政桥梁交通预警控制方法,其特征在于:所述交通流量控制方案包括逐级调控的限制通行车辆速度(w1)、逐级调控的限制通行车辆载重(w2)、逐级调控的限制通行车辆数量(w3),其中,限制通行车辆速度包括80%通行速度限速(w11)、60%通行速度限速(w12)和50%通行速度限速(w13)三个子项;限制通行车辆载重包括≥20吨车辆禁止通行(w21)、≥12吨车辆禁止通行(w22)和≥8吨车辆禁止通行(w23)三个子项;限制通行车辆数量包括80%日均通行量限量(w31)、60%日均通行量限量(w32)和50%日均通行量限量(w33)三个子项。
8.根据权利要求7所述的市政桥梁交通预警控制方法,其特征在于:步骤S05中当需要对桥梁交通流量进行控制时,根据BP神经网络模型输出的调整前分项子项权重系数(wij),或依据相应的交通流量控制措施调整得出的调整中分项子项权重系数(wij’)而进行修正后输出的调整后分项子项权重系数(wij”)实现交通流量控制时,在限制通行车辆速度(w1)、限制通行车辆载重(w2)、限制通行车辆数量(w3)三个分项措施中,按权重分从高到低,从三个分项措施中先后选择一个分项措施按照逐级降级的方式进行调整,若无效,从三个分项措施中选择两个或两个以上分项措施按照逐级降级的方式进行调整,若再无效,选择封闭交通进行调整,实现交通流量控制。
9.根据权利要求8所述的市政桥梁交通预警控制方法,其特征在于:当采取交通流量控制的相应措施有效时,即调整后桥梁结构评分恢复正常,保持该有效措施执行。
11.根据权利要求10所述的市政桥梁交通预警控制方法,其特征在于: BP神经网络模型在措施调整过程中同步对桥梁交通流量信息和桥梁结构数据进行学习得到调整中分项权重系数(wi’),调整后分项子项权重系数(wij”)同时考虑调整中分项权重系数(wi’)和调整中分项子项权重系数(wij’),具体计算公式如下:,其中,wi’为调整中分项权重系数,wij”为调整后分项子项权重系数,当采取交通流量控制的相应措施有效时,即桥梁结构评分恢复正常,进一步对调整后分项子项权重系数(wij”)归一化处理,并计算分项及分项子项指标最终权重系数,公式为:,,其中, 为归一化后的分项子项权重系数,为计算出的分项权重系数,作为下一次桥梁结构异常情况出现时的优先调整的输入参量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111050759.7A CN113506441B (zh) | 2021-09-08 | 2021-09-08 | 市政桥梁交通预警控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111050759.7A CN113506441B (zh) | 2021-09-08 | 2021-09-08 | 市政桥梁交通预警控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113506441A true CN113506441A (zh) | 2021-10-15 |
CN113506441B CN113506441B (zh) | 2021-11-30 |
Family
ID=78016493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111050759.7A Active CN113506441B (zh) | 2021-09-08 | 2021-09-08 | 市政桥梁交通预警控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113506441B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722989A (zh) * | 2012-06-29 | 2012-10-10 | 山东交通学院 | 基于模糊神经网络的高速公路微气象交通预警方法 |
US20140278026A1 (en) * | 2013-03-16 | 2014-09-18 | Donald Warren Taylor | Apparatus and system for monitoring and managing traffic flow |
CN108765894A (zh) * | 2018-06-22 | 2018-11-06 | 核工业西南勘察设计研究院有限公司 | 一种桥梁健康状况监测报警系统 |
CN110807562A (zh) * | 2020-01-07 | 2020-02-18 | 杭州鲁尔物联科技有限公司 | 一种区域性桥梁风险预测方法及系统 |
CN111625988A (zh) * | 2020-03-10 | 2020-09-04 | 河北工程大学 | 基于深度学习的桥梁健康管理分析与预测系统及方法 |
-
2021
- 2021-09-08 CN CN202111050759.7A patent/CN113506441B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722989A (zh) * | 2012-06-29 | 2012-10-10 | 山东交通学院 | 基于模糊神经网络的高速公路微气象交通预警方法 |
US20140278026A1 (en) * | 2013-03-16 | 2014-09-18 | Donald Warren Taylor | Apparatus and system for monitoring and managing traffic flow |
CN108765894A (zh) * | 2018-06-22 | 2018-11-06 | 核工业西南勘察设计研究院有限公司 | 一种桥梁健康状况监测报警系统 |
CN110807562A (zh) * | 2020-01-07 | 2020-02-18 | 杭州鲁尔物联科技有限公司 | 一种区域性桥梁风险预测方法及系统 |
CN111625988A (zh) * | 2020-03-10 | 2020-09-04 | 河北工程大学 | 基于深度学习的桥梁健康管理分析与预测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113506441B (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
CN106919978B (zh) | 一种高铁接触网支撑装置零部件识别检测方法 | |
CN103839065B (zh) | 人群动态聚集特征提取方法 | |
CN113240688A (zh) | 一种一体化洪涝灾害精准监测预警方法 | |
CN110070530A (zh) | 一种基于深度神经网络的输电线路覆冰检测方法 | |
CN106595551A (zh) | 基于深度学习的输电线路覆冰图像中覆冰厚度检测方法 | |
CN110610190A (zh) | 一种针对雨天图片的卷积神经网络降雨强度分类方法 | |
CN110120155A (zh) | 一种化工厂区车辆超限超载智能监控报警系统 | |
CN111768417B (zh) | 基于单目视觉3d重建技术的铁路货车超限检测方法 | |
CN115409741A (zh) | 一种利用河流表面色差测量泥沙含量的机器视觉识别算法 | |
CN116824517B (zh) | 基于可视化的变电站运维安全管控系统 | |
CN109993742A (zh) | 基于对角倒数算子的桥梁裂缝快速识别方法 | |
CN112101138A (zh) | 基于深度学习的桥梁拉索表面缺陷实时识别系统及方法 | |
Yuan et al. | Identification method of typical defects in transmission lines based on YOLOv5 object detection algorithm | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN111275744B (zh) | 基于深度学习及图像处理的非接触振动频率测量方法 | |
CN113313107A (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
CN115147439A (zh) | 基于深度学习与注意力机制的混凝土裂缝分割方法及系统 | |
CN113506441B (zh) | 市政桥梁交通预警控制方法 | |
CN116884192A (zh) | 一种电力生产作业风险预警方法、系统和设备 | |
CN115202404B (zh) | 基于无人机的光伏发电组维护巡检方法 | |
CN116519710A (zh) | 一种用于复合绝缘子表面污秽状态的检测方法及系统 | |
Gan et al. | Water level classification for flood monitoring system using convolutional neural network | |
CN115797411A (zh) | 一种利用机器视觉在线识别水电站电缆桥架形变的方法 | |
CN114694090A (zh) | 一种基于改进PBAS算法与YOLOv5的校园异常行为检测方法 |
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 |