发明内容
本发明旨在至少解决现有技术中存在的技术问题之一;为此,本发明提出了一种应用于安全监测领域的综合预警方法及系统,用于解决现有技术存在设备零点漂移、轻微震动、温度/湿度变化等问题引发的假报警信息,评价指标单一,导致无法对安全监测领域进行高效准确的预警,且浪费人力物力的技术问题,本发明根据在线监测传感器获取三维数据序列,再结合三维数据序列进行综合评估,实现高效精准监测预警的目的。
为实现上述目的,根据本发明的第一方面的实施例提出一种应用于安全监测领域的综合预警方法,包括:
基于在线监测传感器获取多源实时数据;其中,多源实时数据包括位移数据、振动数据、温度数据和湿度数据;
根据多源实时数据获取每种类型数据对应的三维数据序列;其中,三维数据序列包括实时值、累计值和变化速率,且每个三维数据序列中的任意两个数据获取时刻的时间差值不大于采集周期;
基于人工智能模型和/或数学方法对三维数据序列进行联合评估,获取综合预警值;将综合预警值进行可视化展示,并进行实时预警;其中,人工智能模型基于三维数据历史序列和神经网络模型建立。
优选的,基于实时值获取累计值,包括:
将在线监测传感器调试正常后的实时值标记为初始值;其中,调试包括安装调试和维修调试;
根据采集周期确定累计时刻,将初始值和累计时刻对应实时值之间的差值绝对值标记为累计值。
优选的,基于实时值获取变化速率,包括:
获取当前时刻,并标记为T1;
获取初始时刻,并标记为T2;其中,当前时刻较初始时刻晚N个采集周期,且N的取值范围为[3,10];
通过公式V=(R1-R2)/(T1-T2)获取变化速率V;其中,R1为当前时刻T1对应的实时值,R2为当前时刻T2对应的实时值。
优选的,基于数学方法对所述三维数据序列进行联合评估,获取综合预警值,包括:
提取三维数据序列中的实时值、累计值和变化速率,并将实时值和累计值分别标记为R和A;
通过公式C=a×(R/KR)+b×(A/KA)+c×(V/KV)获取综合预警值C;其中,KR为实时预警阈值,KA为累计预警阈值,KV为变化速率预警阈值,a、b和c的取值范围为[0,10],且a+b+c=10;
当综合预警值C大于综合预警阈值时,则判定三维数据序列对应位置存在安全异常。
优选的,基于人工智能模型对所述三维数据序列进行联合评估,包括:
获取M组同类型数据的三维数据历史序列,以及对应的综合预警值;其中,M为大于100的整数,且三维数据历史序列和三维数据序列的内容属性一致;
构建神经网络模型;其中,人工智能模型包括深度卷积神经网络模型和RBF神经网络模型;
通过三维数据历史序列以及对应的综合预警值对神经网络模型进行训练,将训练完成的神经网络模型标记为人工智能模型;
将三维数据序列输入至人工智能模型获取对应的综合预警值;其中,综合预警值的取值为0或者1,当综合预警值为0时,则表示三维数据序列对应的安全状态正常,当综合预警值为1时,则表示三维数据序列对应的安全状态异常;
当综合预警值为1时,则判定三维数据序列对应位置存在安全异常。
优选的,基于人工智能模型和数学方法对三维数据序列进行联合评估,获取综合预警值,包括:
通过数学方法根据三维数据历史序列计算对应的综合预警值,并生成数据查找表;其中,数据查找表包括M组同类型数据的三维数据历史序列,以及对应的综合预警值;
通过数据查找表对神经网络模型进行训练,并将训练完成的神经网络模型标记为人工智能模型;
将三维数据序列输入至人工智能模型获取对应的综合预警值,当综合预警值大于综合预警阈值时,则判定三维数据序列对应位置存在安全异常。
优选的,将综合预警值进行可视化展示,包括:
生成监测区域的地理模型;
将综合预警值实时显示在地理模型中,并根据综合预警值的状态和对应的位置进行实时预警。
一种应用于安全监测领域的综合预警系统,包括:数据采集模块,以及与数据采集模块通信或者电气连接的数据分析模块和在线监测传感器;
数据采集模块:基于在线监测传感器获取多源实时数据,并将多源实时数据发送至数据分析模块;
数据分析模块:根据多源实时数据获取每种类型数据对应的三维数据序列;基于人工智能模型和/或数学方法对三维数据序列进行联合评估,获取综合预警值,并将综合预警值进行可视化展示,并进行实时预警。
与现有技术相比,本发明的有益效果是:
1、本发明基于在线监测传感器获取多源实时数据,并根据多源实时数据获取每种类型数据对应的三维数据序列,最后结合人工智能模型和数据方法对三维数据序列进行联合评估,完成实时预警;将现有技术中通过单一指标进行预警,扩展成通过多维数据进行联合预警,降低预警误报产生的机率,实现了对安全监测领域进行高效准确的预警。
2、本发明通过人工智能模型和数据方法的组合实现对三维数据序列的分析,达到安全预警目的;通过智能化数据处理不仅提高了预警效率和准确率,同时也降低了人力和物力成本。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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它实施例,都属于本发明保护的范围。
现有技术通过为实时监测值或累计值设置阈值来判定是否产生报警信息,数据采集主要依赖于设置在监测点的在线监测传感器,评价指标单一,且在实际中可能存在设备零点漂移、轻微震动、温度/湿度引起的结构变化等引发的大量假报警信息,则通过单一指标进行预警会导致结果不准确,还需要花费大量的时间和人力去核实现场的安全情况,也会导致真实的报警信息得不到及时处理而造成安全事故;本发明根据在线监测传感器获取三维数据序列,再结合三维数据序列进行综合评估,实现高效精准监测预警的目的。
请参阅图1,本申请提供了一种应用于安全监测领域的综合预警方法,包括:
基于在线监测传感器获取多源实时数据;其中,多源实时数据包括位移数据、振动数据、温度数据和湿度数据;
根据多源实时数据获取每种类型数据对应的三维数据序列;
基于人工智能模型和/或数学方法对三维数据序列进行联合评估,获取综合预警值;将综合预警值进行可视化展示,并进行实时预警。
本申请中的每种类型数据即指多源实时数据中的位移数据、振动数据、温度数据、湿度数据等能够表征安全监测区域安全状态的数据;三维数据序列包括实时值、累计值和变化速率,三维数据序列根据采集的数据设计了三种不同的评价指标,以避免外界因素的影响。
值得注意的是,每个三维数据序列中的任意两个数据获取时刻的时间差值不大于采集周期,获取时刻指的是得到数据的时刻,如累计值的获取时刻是计算得到累计值的时刻;采集周期根据实际情况进行设定,包括1秒、1分钟、10分钟等;另外,要求任意两个数据获取时刻的时间差值不大于采集周期是为了保证三维数据序列的时效性,避免数据不对应,造成预警误报。
本申请中人工智能模型基于三维数据历史序列和神经网络模型建立;神经网络模型具体为常用的非线性拟合模型,如深度卷积神经网络模型、RBF神经网络模型等;三维数据历史序列是当前时刻之前采集的三维数据序列,因此,三维数据历史序列和三维数据序列包含的内容属性一致,均包括实时值、累计值和变化速率;可以理解的是,为了保证人工智能模型的精度,三维历史数据序列越多越好,根据实际情况获取具体的数量。
在一个实施例中,基于实时值获取累计值,包括:
将在线监测传感器调试正常后的实时值标记为初始值;
根据采集周期确定累计时刻,将初始值和累计时刻对应实时值之间的差值绝对值标记为累计值。
可以理解的是,调试包括安装调试和维修调试,即需要保证实时值是在线监测传感器正常工作状态下采集的,避免在线监测传感器本身的故障对累计值,甚至是变化速率的精确获取产生影响。
本实施例中,根据采集周期确定累计时刻,可以理解为累计时刻与初始值对应时刻之间的时间差值大于累计时刻;具体来说,将累计时刻标记为LJS,初始时刻(初始值对应的时刻)标记为CSS,将采集周期标记为CJZ,三者之间的关系可用如下公式表示:(LJS-CSS)/CJZ=CS,且CS为大于等于1的整数。
在一个实施例中,基于实时值获取变化速率,包括:
获取当前时刻,并标记为T1;
获取初始时刻,并标记为T2;其中,当前时刻较初始时刻晚N个采集周期,且N的取值范围为[3,10];
通过公式V=(R1-R2)/(T1-T2)获取变化速率V;其中,R1为当前时刻T1对应的实时值,R2为当前时刻T2对应的实时值。
在一个实施例中,基于数学方法对所述三维数据序列进行联合评估,获取综合预警值,包括:
提取三维数据序列中的实时值、累计值和变化速率,并将实时值和累计值分别标记为R和A;
通过公式C=a×(R/KR)+b×(A/KA)+c×(V/KV)获取综合预警值C;其中,KR为实时预警阈值,KA为累计预警阈值,KV为变化速率预警阈值,a、b和c的取值范围为[0,10],且a+b+c=10。
以地质灾害某位移监测点X方向位移为例,详细介绍本实施例的实施过程和方法:
1.假定当前时候为11:00,该测点每10分钟采集一次数据,取该测点X方向10:00-11:00位移实时值为[0.46,0.52,0.43,0.49,0.58,0.57,0.61],单位为mm;
2.设置该传感器10:00时候的实时值为初始值(0.46mm),则10:00-11:00时间段的累计值分别为[0,0.06,0.03,0.03,0.12,0.11,0.15];
3.设置T1为11:00,T2为11:30,则T1时刻的变化速率V=0.24mm/h;
4.取实时预警阈值KR=0.5mm、累计预警阈值KA=0.15mm、变化速率预警阈值KV=0.8mm/h;
5.根据C=a×(R/KR)+b×(A/KA)+c×(V/KV)计算该测点在T1时刻的预警综合值,取a=2.5、b=3.5、c=4,计算得出C=7.75;
6.综合预警阈值为10时,根据该测点在T1时刻的综合预警值判断,该位移监测点在T1时刻未产生报警,如果按传统的实时预警阈值或累计预警阈值判断,该位移监测点在T1时刻产生报警信息。
在一个实施例中,基于人工智能模型对所述三维数据序列进行联合评估,包括:
获取M组同类型数据的三维数据历史序列,以及对应的综合预警值;其中,M为大于100的整数,且三维数据历史序列和三维数据序列的内容属性一致;
构建神经网络模型,通过三维数据历史序列以及对应的综合预警值对神经网络模型进行训练,将训练完成的神经网络模型标记为人工智能模型。
本实施例中的综合预警值与本申请其他内容的综合预警值不同,本实施例中的综合预警值用0和1来表示,即当三维数据历史序列对应的安全状态异常时,则将该三维数据历史序列对应的综合预警值设置为1,否则,将综合预警值设置为0;值得注意的是,安全状态异常可以理解为根据综合预警值C计算公式获取的综合预警值大于综合预警阈值。
在一个实施例中,基于人工智能模型和数学方法对三维数据序列进行联合评估,获取综合预警值,包括:
通过数学方法根据三维数据历史序列计算对应的综合预警值,并生成数据查找表;其中,数据查找表包括M组同类型数据的三维数据历史序列,以及对应的综合预警值;
通过数据查找表对神经网络模型进行训练,并将训练完成的神经网络模型标记为人工智能模型。
本实施例中是将数学方法和人工智能模型结合起来,现有数学方法建立数据查找表,再根据数据查找表对神经网络模型进行训练,能够将两种方法的优势融合,能够保证综合预警的精度。
值得说明的是,在涉及到数学方法的预警评估时,需要设置综合预警阈值,当综合预警值大于综合预警阈值即可生成预警信号,完成预警;本申请中的综合预警阈值根据数学方法中的比例系数进行获取,确切来说,可以将a、b和c三个比例系数之和作为综合预警阈值。
本申请在针对大面积区域进行监测时,建立区域的地理模型,将综合预警值实时显示在地理模型中,并根据综合预警值的状态和对应的位置进行实时预警。
一种应用于安全监测领域的综合预警系统,包括:数据采集模块,以及与数据采集模块通信或者电气连接的数据分析模块和在线监测传感器;
数据采集模块:基于在线监测传感器获取多源实时数据,并将多源实时数据发送至数据分析模块;
数据分析模块:根据多源实时数据获取每种类型数据对应的三维数据序列;基于人工智能模型和/或数学方法对三维数据序列进行联合评估,获取综合预警值,并将综合预警值进行可视化展示,并进行实时预警。
上述公式中的部分数据均是去除量纲取其数值计算,公式是由采集的大量数据经过软件模拟得到最接近真实情况的一个公式;公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者通过大量数据模拟获得。
本发明的工作原理:
基于在线监测传感器获取多源实时数据,根据多源实时数据获取每种类型数据对应的三维数据序列。
基于三维数据历史序列和神经网络模型建立人工智能模型,基于人工智能模型和/或数学方法对三维数据序列进行联合评估,获取综合预警值;将综合预警值进行可视化展示,并进行实时预警。
以上实施例仅用以说明本发明的技术方法而非限制,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法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。