CN114370853A - 高速铁路差异性沉降的监测系统、监测方法及监测终端 - Google Patents
高速铁路差异性沉降的监测系统、监测方法及监测终端 Download PDFInfo
- Publication number
- CN114370853A CN114370853A CN202210181106.0A CN202210181106A CN114370853A CN 114370853 A CN114370853 A CN 114370853A CN 202210181106 A CN202210181106 A CN 202210181106A CN 114370853 A CN114370853 A CN 114370853A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- station
- beidou
- temperature
- deformation
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 409
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004062 sedimentation Methods 0.000 claims description 8
- 238000005094 computer simulation Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 239000004570 mortar (masonry) Substances 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 17
- 230000004927 fusion Effects 0.000 abstract description 9
- 238000004590 computer program Methods 0.000 description 18
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 description 18
- 230000015654 memory Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000007787 long-term memory Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 239000004568 cement Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000010410 layer Substances 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000005433 ionosphere Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000005436 troposphere Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/16—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
- G01H9/004—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means using fibre optic sensors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提供了一种高速铁路差异性沉降的监测系统、方法及终端，该监测系统包括：分布在高速铁路沿线的基站北斗设备、监测站北斗设备、温度传感器、服务器和监测终端；其中，每个北斗基站组网多个监测站；监测站的安装位置根据北斗基站确定；监测终端，用于根据相邻两个基站和对应的各目标监测站的北斗定位信息进行双基站短基线载波相位双差解算和网平差解算，获得北斗短基线监测结果，并根据北斗短基线监测结果和各目标监测站对应的温度传感器检测的温度数据获得变形监测时间序列和温度序列。本发明能够实现高速铁路线内及区域差异性沉降监测的融合监视，为高速铁路运维管理部门对高速铁路状态监视、确定运维方案和维护措施提供数据支持。
Description
技术领域
本发明涉及变形监测技术领域，尤其涉及一种高速铁路差异性沉降的监测系统、监测方法及监测终端。
背景技术
在无砟轨道结构的长期服役过程中，不断受到外界环境的影响。例如：施工场地临近高铁线路，新建线路与既有高铁线路的并线，新建道路穿越既有高铁线路，沿线居民在高铁桥墩附近堆放杂物等等，这些因素的作用会改变高速铁路基础的受力状态及承载能力，不可避免地会引起高速铁路的桥墩或线路路基的附加沉降，引起高铁线路产生变形。另外，由于高速铁路线路里程长，跨越的不同的地质地貌单元和不同的气候带，沿线难免会经过软土地区、地下采空区等不良地质区域，在高速铁路的建设中虽然进行了桩基础、桩板结构等形式的地基加固处理，但在高速铁路后期的长期运营中仍有可能会产生沉降变形。现阶段针对高铁线内及区域差异性沉降监测采取分开独立监测方式，融合性较弱。
发明内容
本发明实施例提供了一种高速铁路差异性沉降的监测系统、监测方法及监测终端，以解决对高铁线内及区域差异性沉降监测采取分开独立监测方式，融合性较弱的问题。
第一方面，本发明实施例提供了一种高速铁路差异性沉降的监测系统，包括：分布在高速铁路沿线的北斗基站、北斗监测站、温度传感器、服务器和监测终端；其中，每个基站对应多个监测站；所述监测站的位置根据基站确定；
所述基站北斗设备、所述监测站北斗设备和所述温度传感器分别与所述服务器通信连接；所述服务器与所述监测终端通信连接；
所述基站北斗设备和所述监测站北斗设备，分别用于检测基站和监测站的北斗定位信息；
所述温度传感器，用于监测路基、桥基基础、底座板和砂浆层的温度数据；
所述服务器，用于获取各基站北斗和各监测站北斗设备收集的北斗定位数据、各温度传感器检测的温度数据；
所述监测终端，用于通过所述服务器获取各基站北斗设备和各监测站北斗设备收集的北斗定位数据、各温度传感器检测的温度数据，根据相邻两个基站和对应的各目标监测站的北斗定位信息进行双基站短基线载波相位双差解算和网平差解算，获得北斗短基线监测结果，并根据所述北斗短基线监测结果和各目标监测站对应的温度传感器检测的温度数据获得变形监测时间序列和温度序列。
在一种可能的实现方式中，所述监测终端，用于根据所述北斗短基线监测结果确定各目标监测站沉降变形速率和区域差异性沉降值，并根据所述各目标监测站沉降变形速率和所述区域差异性沉降值获得变形监测时间序列。
在一种可能的实现方式中，所述监测终端，还用于根据所述变形监测时间序列和所述温度序列进行多种循环神经网络计算模型训练，并确定与所述目标监测站对应的差异性沉降预测模型。
在一种可能的实现方式中，所述相邻两个基站与高速铁路之间的距离小于第一距离；相邻两个基站之间的距离大于第二距离。
在一种可能的实现方式中，所述循环神经网络计算模型包括：
长短时神经网络(Long short-term memory，LSTM)，非线性自回归神经网络模型(Nonlinear Autoregressive，NAR)，差分整合移动平均自回归模型(Auto-RegressiveIntegrated Moving Average，ARIMA)中的任意两种及两种以上。
在一种可能的实现方式中，所述监测终端，还用于监测高速铁路沿线各类构建物沉降变形、高铁基础变形监测、区域差异性沉降(包含土地原始表面基础与水泥人工浇筑基础)和各监测站差异性累计沉降量。
在一种可能的实现方式中，所述温度传感器设置在光纤振动传感器监测范围内。
第二方面，本发明实施例提供了一种高速铁路差异性沉降的监测方法，包括：
获取相邻两个基站的基站北斗定位数据、对应的各目标监测站的监测站北斗定位数据和各目标监测站对应的温度传感器检测的温度数据；
根据相邻两个基站的基站北斗定位数据和对应的各目标监测站的监测站北斗定位数据进行双基站短基线载波相位双差解算和网平差解算，获得北斗短基线监测结果；
根据所述北斗短基线监测结果和各目标监测站对应的温度传感器检测的温度数据获得变形监测时间序列和温度序列。
在一种可能的实现方式中，根据所述北斗短基线监测结果和各目标监测站对应的温度传感器检测的温度数据获得变形监测时间序列和温度序列，包括：
根据所述北斗短基线监测结果确定各目标监测站沉降变形速率和区域差异性沉降值；
根据各目标监测站沉降变形速率和所述区域差异性沉降值获得变形监测时间序列；
根据各目标监测站对应的温度传感器检测的温度数据和所述变形监测时间序列获得与所述变形监测时间序列对应的温度序列。
在一种可能的实现方式中，所述监测方法还包括：
根据所述变形监测时间序列和所述温度序列进行多种循环神经网络计算模型训练，并确定与各目标监测站对应的差异性沉降预测模型。
在一种可能的实现方式中，在所述确定与目标监测站对应的差异性沉降预测模型之后，还包括：
根据均方根误差对各目标监测站的差异性沉降预测模型进行评价。
在一种可能的实现方式中，所述循环神经网络计算模型包括LSTM、NAR和ARIMA中的两种及两种以上。
在一种可能的实现方式中，在获得所述变形监测时间序列之后，还包括：
剔除所述变形监测时间序列的奇异值。
在一种可能的实现方式中，根据监测站垂向数据对所述变形监测时间序列进行奇异值剔除。
在一种可能的实现方式中，基于如下公式进行奇异值剔除：
其中，Sn为剔除标准值；监测站编号为n＝1,2,3,…,N；Zm为监测站垂向数据，其中，m＝1,2,3,…,M；
为所述目标监测站垂向数据的平均值。
在一种可能的实现方式中，当监测站为高铁线内监测站时，若Zm>2，则判断相应的变形监测时间序列的值为异常值；
当监测站为高铁线内监测站时，若Zm>3时，则判断相应的变形监测时间序列为异常值。
在一种可能的实现方式中，在进行双基站短基线载波相位双差解算和网平差解算之前，还包括：对基站北斗定位数据和监测站北斗定位数据进行预处理，获取水平南北方向数据、水平东西方向数据和垂向数据。
在一种可能的实现方式中，根据如下公式对模型进行评价：
其中，yt和
分别为t时刻坐标数据的真实值和预测值；T为测试数据集中数据的个数。
第三方面，本发明实施例提供了一种监测终端，包括：
数据采集模块，用于获取相邻两个基站的基站北斗定位信息、对应的各目标监测站的监测站北斗定位信息和各目标监测站对应的温度传感器检测的温度数据；
北斗数据处理模块，用于根据相邻两个基站的基站北斗定位信息和对应的各目标监测站的监测站北斗定位信息进行双基站短基线载波相位双差解算和网平差解算，获得北斗短基线监测结果；
差异性沉降分析模块，用于根据所述北斗短基线监测结果和各目标监测站对应的温度传感器检测的温度数据获得变形监测时间序列和温度序列。
在一种可能的实现方式中，所述差异性沉降分析模块包括：
沉降信息确定单元，用于根据所述北斗短基线监测结果确定各目标监测站沉降变形速率和区域差异性沉降值；
变形监测时间序列确定单元，用于根据各目标监测站沉降变形速率和所述区域差异性沉降值获得变形监测时间序列；
温度序列确定单元，用于根据各目标监测站对应的温度传感器检测的温度数据和所述变形监测时间序列获得与所述变形监测时间序列对应的温度序列。
在一种可能的实现方式中，所述监测终端还包括：
变形预测模块，用于根据所述变形监测时间序列和所述温度序列进行多种循环神经网络计算模型训练，并确定与各目标监测站对应的差异性沉降预测模型。
在一种可能的实现方式中，所述监测终端还包括：
数据异常识别模块，用于在所述差异性沉降分析模块获得所述变形监测时间序列之后，剔除所述变形监测时间序列的奇异值。
在一种可能的实现方式中，所述监测终端还包括：
评价模块，用于在所述变形预测模块确定与目标监测站对应的差异性沉降预测模型之后，根据均方根误差对各目标监测站的差异性沉降预测模型进行评价。
第三方面，本发明实施例提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第二方面或第二方面的任一种可能的实现方式所述方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第二方面或第二方面的任一种可能的实现方式所述方法的步骤。
本发明实施例提供一种高速铁路差异性沉降的监测系统、监测方法及监测终端，监测系统包括基站北斗设备、监测站北斗设备、温度传感器、服务器和监测终端，监测终端利用顾及先验信息的北斗短基线载波相位双差高精度实时监测技术，根据相邻两个基站和对应的各目标监测站的北斗定位信息进行双基站短基线载波相位双差解算和网平差解算，获得北斗短基线监测结果，融合温度监测数据分析各监测站差异性沉降状态，输出变形监测时间序列和温度序列，实现了高速铁路线内及区域差异性沉降监测的融合监视，为高速铁路运维管理部门对高速铁路状态监视、确定运维方案和维护措施提供数据支持。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的高速铁路差异性沉降的监测方法的应用场景图；
图2为本发明一实施例提供的高速铁路北斗基站和监测站布设图；
图3为本发明一实施例提供的温度传感器布设图；
图4为本发明一实施例提供的高速铁路差异性沉降的监测系统的结构示意图；
图5为本发明一实施例提供的高速铁路差异性沉降的监测方法的流程示意图；
图6是本发明一实施例提供的监测终端的结构示意图；
图7是本发明另一实施例提供的终端的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
作为带动性和战略性新兴产业的高速铁路在我国已经取得了举世瞩目的成就，截至目前，我国高速铁路运营里程达到3.79万公里，在全世界高速铁路运营里程的占比超过60％。在无砟轨道结构的长期服役过程中，不断受到外界环境的影响，不可避免地会引起高速铁路的桥墩或线路路基的附加沉降，引起高铁线路产生变形。另外，由于高速铁路线路里程长，跨越的不同的地质地貌单元和不同的气候带，沿线经过软土地区、地下采空区等不良地质区域，在高速铁路的建设中虽然进行了桩基础、桩板结构等形式的地基加固处理，但在高速铁路后期的长期运营中仍有可能会产生持续沉降变形。
我国目前对于无砟轨道结构变形监测的相关技术也主要集中在局部范围短期的人工变形监测及检测，例如水准监测(接触－短期监测)、高精度全站仪检测(人工－定期检测)等。尽管现有多种监测方法和手段，但各监测方法自成体系，相互关联融合方法少有出现。既有的研究在监测数据的信息挖掘方面的工作也存在不足。同时，截至2020年，北斗卫星导航系统成功布置，该系统是我国独立研制的卫星导航定位系统，拥有自主知识产权。该系统采用高强度加密设计，安全可靠。该系统引入倾斜地球轨道卫星(IGSO卫星)、地球静止轨道卫星(GEO卫星)定位，充分保障我国区域连续观测时间及定位精度。
现阶段针对高铁线内及区域差异性沉降监测，主观性较高，人工工作量大，成本较高且非长期，高铁线内及地表区域分开独立监测，融合性较弱。同时，温度造成冬夏季明显的区域周期性沉降变形，也对高铁路基及桥基基础的稳定性带来了潜在的危害。因此，采取无人坚守的高铁线内监测及区域监测，并提高预测及预警能力对于维护高铁线路正常安全运营有着十分重要的作用。本申请旨在提供一种高速铁路差异性沉降变形监测系统，充分利用高精度北斗监测数据融合针对性的温度数据，分析该高铁线内及线外差异沉降变形模型。同时，还根据优选的机器学习模型预测及预警，为高铁运维人员提供沉降变形数据资料，节约监测成本。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
图1为本发明一实施例提供的高速铁路差异性沉降的监测方法的应用场景图，如图所示，监测站和基站与服务器通信连接，服务器与监测终端通信连接。监测终端通过服务器获取来自监测站的信息和基站的信息，并基于来自监测站的信息和基站的信息完成对高速铁路差异性沉降的监测。
在本发明实施例中，为了能够提高沉降变形数据的精确度，提供了精细化的监测点的布设方案，包括：基站位置设置、监测站设置和温度监测点的设置。
图2为本发明一实施例提供的高速铁路北斗基站和监测站布设图。
其中，基站设置需要具有稳定强基础，在开放天空进行双北斗基站架设，无信号遮挡，开放天空，且距离高铁线路2km以内，以进行基线不超过2km的短基线双差载波相位解算，解算结果进行网平差，获得高精度毫米级北斗短基线监测结果。
监测站设置需要每一个监测站匹配与高铁监测对应的目标监测位置，针对性的布置温度传感器，以获取实时路基、桥基基础、底座板及砂浆层温度。
在不同实施例中，北斗监测站的布设方式不同。
可选的，至少选取两处高铁线内轨旁基础布设北斗监测站，其中监测站间隔不小于1km；和/或，
至少两处高铁线外1km以内建于野外土地表面北斗监测站，其中监测点相隔不小于2km；和/或，
至少两处沿线高铁工作人员或者民用低层(低于6层)建筑物，其中监测点相隔不小于500m；和/或，
至少两处高铁线路外1km以内水泥路面北斗监测站，其中监测点相隔不小于300m。
在具体实施例中包含但不限制于上述选点策略。
图3为本发明一实施例提供的温度传感器布设图。
可选的，温度传感器设置在光纤振动传感器监测范围内。轨道结构局部变形由光纤振动传感器通过数据采集与数据解析后获得，故温度监测位置设置在光纤振动传感器监测范围内。
温度监测点布置为纵向多路段，集中在路基、路桥过路段及桥梁处。
可选的，高铁的上行方向左侧，分别选取梁端处、桥梁跨中处以及现场考察后选取的轨道结构层间离缝处等多个典型的工点作为温度监测点进行温度采集。另外，在线下数据网关的安装位置附近对气温和桥墩温度进行监测。即温度传感器设置在高铁上行方向左侧的梁端处、桥梁跨中处、轨道结构层间离缝处和数据网关安装位置。
可选的，温度采集器将采集到的温度数据通过无线传输的方式传递给数据网关，数据网关通过无线网络将温度数据上传至云服务器。可选的，温度传感器具有无线通信功能，温度传感器直接将采集到的温度数据通过无线传输方式发送出去。
可选的，数据网关通过GPRS网络、4G网络或5G网络将温度数据上传至云服务器。
图4为本发明一实施例提供的高速铁路差异性沉降的监测系统的结构示意图，如图所示，监测系统包括：基站北斗设备101、监测站北斗设备102、温度传感器103、服务器104和监测终端105。
其中，基站北斗设备101分布在高速铁路沿线的北斗基站，每个基站对应多个监测站，监测站的位置根据基站确定。具体布设方式参见前述实施例提供的布设方式。监测站北斗设备102分布在各北斗监测站。
基站北斗设备101、监测站北斗设备102和温度传感器103分别与服务器104通信连接。服务器104与监测终端105通信连接。
基站北斗设备101和监测站北斗设备102，分别用于检测基站和监测站的北斗定位信息。
温度传感器103，用于监测路基、桥基基础、底座板和砂浆层的温度数据。
服务器104，用于获取各基站北斗设备101和各监测站北斗设备102收集的北斗定位数据、各温度传感器103检测的温度数据。
监测终端105，用于通过服务器104获取各基站北斗设备101和各监测站北斗设备102收集的北斗定位数据、各温度传感器103检测的温度数据，根据相邻两个基站和对应的各目标监测站的北斗定位信息进行双基站短基线载波相位双差解算和网平差解算，获得北斗短基线监测结果，并根据北斗短基线监测结果和各目标监测站对应的温度传感器103检测的温度数据获得变形监测时间序列和温度序列。
在本实施示例中，监测系统包括基站北斗设备101、监测站北斗设备102、温度传感器103、服务器104和监测终端105，监测终端105利用顾及先验信息的北斗短基线载波相位双差高精度实时监测技术，根据相邻两个基站和对应的各目标监测站的北斗定位信息进行双基站短基线载波相位双差解算和网平差解算，考虑到北斗卫星轨道重复特性，获得北斗短基线监测结果，融合温度监测数据分析各监测站差异性沉降状态，输出变形监测时间序列和温度序列，实现了高速铁路线内及区域差异性沉降监测的融合监视，为高速铁路运维管理部门对高速铁路状态监视、确定运维方案和维护措施提供数据支持。
在一种可能的实现方式中，监测终端105，用于根据北斗短基线监测结果确定各目标监测站沉降变形速率和区域差异性沉降值，并根据各目标监测站沉降变形速率和区域差异性沉降值获得变形监测时间序列。
在一种可能的实现方式中，监测终端105，还用于根据变形监测时间序列和温度序列进行多种循环神经网络计算模型训练，并确定与目标监测站对应的差异性沉降预测模型。
本实施例，利用顾及先验信息的北斗短基线载波相位双差高精度实时监测技术，考虑到北斗卫星轨道重复特性，融合温度监测数据分析各监测站沉降差异性累计量，基于遴选改进的预测算法进行沉降变形预测及预警，为高速铁路运维管理部门提供高铁沿线差异性沉降数据支持，从而提供数据支撑辅助制定合理的运维方案和维护措施。
在一种可能的实现方式中，相邻两个基站与高速铁路之间的距离小于第一距离；相邻两个基站之间的距离大于第二距离。可选的，第一距离为2km，第二距离为100m，以便于进行基线不超过2km的短基线双差载波相位解算，解算结果进行网平差，获得高精度毫米级北斗短基线监测结果。第二距离
在一种可能的实现方式中，循环神经网络计算模型包括：LSTM、NAR、和ARIMA中的任意两种及两种以上。
在一种可能的实现方式中，监测终端105，还用于监测高速铁路沿线各类构建物沉降变形、高铁基础变形监测、区域差异性沉降(包含土地原始表面基础与水泥人工浇筑基础)和各监测站差异性累计沉降量。
在一种可能的实现方式中，温度传感器103设置在光纤振动传感器监测范围内。
本实施例中，监测系统包括北斗基站设备、北斗监测站设备、温度传感器、服务器和监测终端，监测终端利用顾及先验信息的北斗短基线载波相位双差高精度实时监测技术，根据相邻两个基站和对应的各目标监测站的北斗定位信息进行双基站短基线载波相位双差解算和网平差解算，考虑到北斗卫星轨道重复特性，获得北斗短基线监测结果，融合温度监测数据分析各监测站差异性沉降状态，输出变形监测时间序列和温度序列，实现了高速铁路线内及区域差异性沉降监测的融合监视，为高速铁路运维管理部门对高速铁路状态监视、确定运维方案和维护措施提供数据支持。
图5为本发明一实施例提供的高速铁路差异性沉降的监测方法的流程示意图，如图所示，该方法包括如下步骤：
S501，获取相邻两个基站的基站北斗定位数据、对应的各目标监测站的监测站北斗定位数据和各目标监测站对应的温度传感器检测的温度数据；
S502，根据相邻两个基站的基站北斗定位信息和对应的各目标监测站的监测站北斗定位信息进行双基站短基线载波相位双差解算和网平差解算，获得北斗短基线监测结果；
S503，根据北斗短基线监测结果和各目标监测站对应的温度传感器检测的温度数据获得变形监测时间序列和温度序列。
本发明实施例中，监测终端利用顾及先验信息的北斗短基线载波相位双差高精度实时监测技术，根据相邻两个基站和对应的各目标监测站的北斗定位信息进行双基站短基线载波相位双差解算和网平差解算，考虑到北斗卫星轨道重复特性，获得北斗短基线监测结果，融合温度监测数据分析各监测站差异性沉降状态，输出变形监测时间序列和温度序列，实现了高速铁路线内及区域差异性沉降监测的融合监视，为高速铁路运维管理部门对高速铁路状态监视、确定运维方案和维护措施提供数据支持。
在一种可能的实现方式中，步骤S502中，北斗短基线静态数据处理中，接收机和卫星钟差、对流层延迟和电离层延迟等主要误差源都具有较强的空间相关性，通常采用双差处理模式即可消除或削弱其影响，一般仅适用L1或者L2载波观测值即可固定模糊度，对监测站j到i在基站p和q之间双差观测方程如下所示：
其中，λ为相位波长；φ为双差载波相位；N即为双差模糊度；Mp为双差多路径误差项；Δ为随机噪声。
采用双差载波相位解算模式，在模糊度参数固定后将坐标参数和模糊度回带到式中，剩余残差即为多路径误差和随机噪声，随机噪声信号幅值一般在2mm以内，且为高频部分，可采用滤波去噪方法将其从多路径误差中分离出来。
优选的，北斗卫星轨道重复周期可由广播星历参数计算得出：
其中：
a和Δn分为椭球半长轴和平均角速度改正数。
优选的，坐标域滤波消多路径误差包括：先对前一天坐标序列中降噪提取坐标域中的多路径误差模型，根据前后两天坐标序列相关性最大处计算延迟周期，最后根据延迟周期从后一天坐标序列中减去前一天的多路径误差。
在一种可能的实现方式中，步骤S503中，根据北斗短基线监测结果和各目标监测站对应的温度传感器检测的温度数据获得变形监测时间序列和温度序列，包括：
根据北斗短基线监测结果确定各目标监测站沉降变形速率和区域差异性沉降值；
根据各目标监测站沉降变形速率和区域差异性沉降值获得变形监测时间序列；
根据各目标监测站对应的温度传感器检测的温度数据和变形监测时间序列获得与变形监测时间序列对应的温度序列。
在一种可能的实现方式中，该监测方法在步骤S503之后，还包括：
根据变形监测时间序列和温度序列进行多种循环神经网络计算模型训练，并确定与各目标监测站对应的差异性沉降预测模型。
其中，在步骤S503中，基于一定周期内的北斗定位数据和温度数据获得变形监测时间序列和温度序列，即在预测过程中，差异性沉降预测模型最终输出由预测过程当下北斗定位数据、温度数据以及长期记忆数据影响共同决定。
优选的，变形监测系统预测基于处理序列数据的神经网络，针对北斗变形监测数据融合温度数据，需要处理时间序列变化的数据，解决长序列训练过程中的梯度消失和梯度爆炸问题。
在一种可能的实现方式中，模型输入历史北斗变形数据与温度数据，该数据为某测点数据，后期数据通过实测测量。然后通过这些数据训练优选模型，最后输出待预测数据，与真实数据相比较，并将平均相对误差(MRE)等作为评测指标。依次输入长短不一的时间序列(如100，1000和10000)，根据如下公式对模型进行评价：
其中，yt和
分别为t时刻坐标数据的真实值和预测值；T为测试数据集中数据的个数。
在具体应用中，根据差异性沉降预测模型可以进行高速铁路的变形预测，并基于变形预测结果确定加固方案或风险预警。
可选的，在监测终端或其他外部通信设备完成加固方案的设计，以避免因高速铁路变形造成重大损失。可选的，通过监测终端进行风险预警提示，例如：界面显示提示信息和播放预警提示音等。可选的，监测终端生成风险预警提示信息，推送到相关人员的移动终端或外设的预警模块，以保证预警提示准确传达。
在本实施例中，遴选出模型基于大脑的记忆原理，引入“输入门”、“遗忘门”和“输出门”的概念，有选择性地保留当前输入作为长期记忆的一部分，存储在记忆单元中，当要预测下一步的值时，最终输出由当前所处的状态和长期记忆影响共同决定；实测中选取长短时神经网络，并加以修正，其加法运算来更新记忆单元，有效解决梯度消失和梯度爆炸问题，有效提高训练模型长期的记忆能力，更有利于提升在长时间序列预测任务上的表现。
在一种可能的实现方式中，在确定与目标监测站对应的差异性沉降预测模型之后，还包括：
根据均方根误差对各目标监测站的差异性沉降预测模型进行评价。
在一种可能的实现方式中，循环神经网络计算模型包括LSTM、NAR和ARIMA中的两种及两种以上。
高铁实测监测系统中，实测情况下，LSTM性能表现稳定且均超过传统的时间序列建模方法，例如在序列长度为1000时，通过NAR和ARIMA方法预测得到的MRE值为3.5％左右，而LSTM则为0.7％左右，有效证明LSTM能精准预测出监测数据变化从而及时发现结构的异常性态。
在一种可能的实现方式中，在获得变形监测时间序列之后，还包括：
剔除变形监测时间序列的奇异值。
在一种可能的实现方式中，根据监测站垂向数据对变形监测时间序列进行奇异值剔除。
在一种可能的实现方式中，基于如下公式进行奇异值剔除：
其中，Sn为剔除标准值；监测站编号为n＝1,2,3,…,N；Zm为监测站垂向数据，其中，m＝1,2,3,…,M；
为目标监测站垂向数据的平均值。
在一种可能的实现方式中，当监测站为高铁线内监测站时，若Zm>2，则判断相应的变形监测时间序列的值为异常值；
当监测站为高铁线内监测站时，若Zm>3时，则判断相应的变形监测时间序列为异常值。
在一种可能的实现方式中，在进行双基站短基线载波相位双差解算和网平差解算之前，还包括：对基站北斗定位数据和监测站北斗定位数据进行预处理，获取水平南北方向数据、水平东西方向数据和垂向数据。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图6是本发明一实施例提供的终端的示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图6所示，该装置包括：数据采集模块601、北斗数据处理模块602和差异性沉降分析模块603。
数据采集模块601，用于获取相邻两个基站的基站北斗定位信息、对应的各目标监测站的监测站北斗定位信息和各目标监测站对应的温度传感器检测的温度数据。
其中，可选的，数据采集模块601存储北斗天线的1hz、2hz、5hz、15hz原始数据。可选的，数据采集模块601存储RTCM 2.x、RTCM 3.0及其他衍生格式的数据。在具体应用过程中，数据采集模块601存储的数据包括但不限制于上述格式的数据。
北斗数据处理模块602，用于根据相邻两个基站的基站北斗定位信息和对应的各目标监测站的监测站北斗定位信息进行双基站短基线载波相位双差解算和网平差解算，获得北斗短基线监测结果。
差异性沉降分析模块603，用于根据北斗短基线监测结果和各目标监测站对应的温度传感器检测的温度数据获得变形监测时间序列和温度序列。
在一种可能的实现方式中，差异性沉降分析模块603包括：
沉降信息确定单元，用于根据北斗短基线监测结果确定各目标监测站沉降变形速率和区域差异性沉降值；
变形监测时间序列确定单元，用于根据各目标监测站沉降变形速率和区域差异性沉降值获得变形监测时间序列；
温度序列确定单元，用于根据各目标监测站对应的温度传感器检测的温度数据和变形监测时间序列获得与变形监测时间序列对应的温度序列。
在一种可能的实现方式中，监测终端还包括：
变形预测模块，用于根据变形监测时间序列和温度序列进行多种循环神经网络计算模型训练，并确定与各目标监测站对应的差异性沉降预测模型。
在一种可能的实现方式中，监测终端还包括：
数据异常识别模块，用于在差异性沉降分析模块603获得变形监测时间序列之后，剔除变形监测时间序列的奇异值。
在一种可能的实现方式中，监测终端还包括：
评价模块，用于在变形预测模块确定与目标监测站对应的差异性沉降预测模型之后，根据均方根误差对各目标监测站的差异性沉降预测模型进行评价。
图7是本发明实施例提供的终端的示意图。如图7所示，该实施例的终端7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72。所述处理器70执行所述计算机程序72时实现上述各个高速铁路差异性沉降的监测方法实施例中的步骤，例如图5所示的步骤S501至步骤S503。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块/单元601至603的功能。
示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述终端7中的执行过程。例如，所述计算机程序72可以被分割成图6所示的模块/单元601至603。
所述终端7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端7可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是终端7的示例，并不构成对终端7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述终端7的内部存储单元，例如终端7的硬盘或内存。所述存储器71也可以是所述终端7的外部存储设备，例如所述终端7上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述终端7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。根据这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个高速铁路差异性沉降的监测方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种高速铁路差异性沉降的监测系统，其特征在于，包括：分布在高速铁路沿线的基站北斗设备、监测站北斗设备、温度传感器、服务器和监测终端；其中，每个基站对应多个监测站；所述监测站的位置根据基站确定；
所述基站北斗设备、所述监测站北斗设备和所述温度传感器分别与所述服务器通信连接；所述服务器与所述监测终端通信连接；
所述基站北斗设备和所述监测站北斗设备，分别用于收集基站和监测站的北斗定位信息；
所述温度传感器，用于监测路基、桥基基础、底座板和砂浆层的温度数据；
所述服务器，用于获取各基站北斗设备和各监测站北斗设备收集的北斗定位数据、各温度传感器检测的温度数据；
所述监测终端，用于通过所述服务器获取各基站北斗设备和各监测站北斗设备收集的北斗定位数据、各温度传感器检测的温度数据，根据相邻两个基站和对应的各目标监测站的北斗定位信息进行双基站短基线载波相位双差解算和网平差解算，获得北斗短基线监测结果，并根据所述北斗短基线监测结果和各目标监测站对应的温度传感器检测的温度数据获得变形监测时间序列和温度序列。
2.根据权利要求1所述的监测系统，其特征在于，所述监测终端，用于根据所述北斗短基线监测结果确定各目标监测站沉降变形速率和区域差异性沉降值，并根据所述各目标监测站沉降变形速率和所述区域差异性沉降值获得变形监测时间序列。
3.根据权利要求2所述的监测系统，其特征在于，所述监测终端，还用于根据所述变形监测时间序列和所述温度序列进行多种循环神经网络计算模型训练，并确定与所述目标监测站对应的差异性沉降预测模型。
4.根据权利要求1至3任一项所述的监测系统，其特征在于，所述相邻两个基站与高速铁路之间的距离小于第一距离；相邻两个基站之间的距离大于第二距离。
5.一种高速铁路差异性沉降的监测方法，其特征在于，包括：
获取相邻两个基站的基站北斗定位数据、对应的各目标监测站的监测站北斗定位数据和各目标监测站对应的温度传感器检测的温度数据；
根据相邻两个基站的基站北斗定位信息和对应的各目标监测站的监测站北斗定位信息进行双基站短基线载波相位双差解算和网平差解算，获得北斗短基线监测结果；
根据所述北斗短基线监测结果和各目标监测站对应的温度传感器检测的温度数据获得变形监测时间序列和温度序列。
6.根据权利要求5所述的监测方法，其特征在于，根据所述北斗短基线监测结果和各目标监测站对应的温度传感器检测的温度数据获得变形监测时间序列和温度序列，包括：
根据所述北斗短基线监测结果确定各目标监测站沉降变形速率和区域差异性沉降值；
根据各目标监测站沉降变形速率和所述区域差异性沉降值获得变形监测时间序列；
根据各目标监测站对应的温度传感器检测的温度数据和所述变形监测时间序列获得与所述变形监测时间序列对应的温度序列。
7.根据权利要求6所述的监测方法，其特征在于，还包括：
根据所述变形监测时间序列和所述温度序列进行多种循环神经网络计算模型训练，并确定与各目标监测站对应的差异性沉降预测模型。
8.根据权利要求7所述的监测方法，其特征在于，在所述确定与目标监测站对应的差异性沉降预测模型之后，还包括：
根据均方根误差对各目标监测站的差异性沉降预测模型进行评价。
9.根据权利要求5所述监测方法，其特征在于，在获得所述变形监测时间序列之后，还包括：
剔除所述变形监测时间序列的奇异值。
10.一种监测终端，其特征在于，包括：
数据采集模块，用于获取相邻两个基站的基站北斗定位信息、对应的各目标监测站的监测站北斗定位信息和各目标监测站对应的温度传感器检测的温度数据；
北斗数据处理模块，用于根据相邻两个基站的基站北斗定位信息和对应的各目标监测站的监测站北斗定位信息进行双基站短基线载波相位双差解算和网平差解算，获得北斗短基线监测结果；
差异性沉降分析模块，用于根据所述北斗短基线监测结果和各目标监测站对应的温度传感器检测的温度数据获得变形监测时间序列和温度序列。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210181106.0A CN114370853A (zh) | 2022-02-25 | 2022-02-25 | 高速铁路差异性沉降的监测系统、监测方法及监测终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210181106.0A CN114370853A (zh) | 2022-02-25 | 2022-02-25 | 高速铁路差异性沉降的监测系统、监测方法及监测终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114370853A true CN114370853A (zh) | 2022-04-19 |
Family
ID=81145666
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210181106.0A Pending CN114370853A (zh) | 2022-02-25 | 2022-02-25 | 高速铁路差异性沉降的监测系统、监测方法及监测终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114370853A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116050624A (zh) * | 2023-02-03 | 2023-05-02 | 广西海川路桥建设有限公司 | 一种公路道路施工综合监测方法及系统 |
| CN118070570A (zh) * | 2024-04-19 | 2024-05-24 | 天津大学 | 公路路堤拓宽差异沉降预测分析、处理方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108519045A (zh) * | 2018-05-14 | 2018-09-11 | 桂林电子科技大学 | 一种北斗精密形变监测与预警系统 |
| CN111220065A (zh) * | 2019-12-11 | 2020-06-02 | 湖南联智科技股份有限公司 | 一种多模式联合的北斗变形监测数据处理系统及方法 |
| CN111737808A (zh) * | 2020-08-06 | 2020-10-02 | 北京大成国测科技有限公司 | 一种基于人工神经网络的铁路路基预警系统及方法 |
| CN113138978A (zh) * | 2021-04-22 | 2021-07-20 | 深圳大学 | 面向城市差异性沉降监测的北斗数据填充与变形预测方法 |
-
2022
- 2022-02-25 CN CN202210181106.0A patent/CN114370853A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108519045A (zh) * | 2018-05-14 | 2018-09-11 | 桂林电子科技大学 | 一种北斗精密形变监测与预警系统 |
| CN111220065A (zh) * | 2019-12-11 | 2020-06-02 | 湖南联智科技股份有限公司 | 一种多模式联合的北斗变形监测数据处理系统及方法 |
| CN111737808A (zh) * | 2020-08-06 | 2020-10-02 | 北京大成国测科技有限公司 | 一种基于人工神经网络的铁路路基预警系统及方法 |
| CN113138978A (zh) * | 2021-04-22 | 2021-07-20 | 深圳大学 | 面向城市差异性沉降监测的北斗数据填充与变形预测方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116050624A (zh) * | 2023-02-03 | 2023-05-02 | 广西海川路桥建设有限公司 | 一种公路道路施工综合监测方法及系统 |
| CN116050624B (zh) * | 2023-02-03 | 2023-08-22 | 广西海川路桥建设有限公司 | 一种公路道路施工综合监测方法及系统 |
| CN118070570A (zh) * | 2024-04-19 | 2024-05-24 | 天津大学 | 公路路堤拓宽差异沉降预测分析、处理方法及装置 |
| CN118070570B (zh) * | 2024-04-19 | 2024-09-13 | 天津大学 | 公路路堤拓宽差异沉降预测分析、处理方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Smethurst et al. | Current and future role of instrumentation and monitoring in the performance of transport infrastructure slopes | |
| CN110491096B (zh) | 一种降雨诱发滑坡灾害下输电杆塔的监测与预警方法 | |
| CN114353876A (zh) | 一种黄土公路边坡健康监测方法 | |
| CN114370853A (zh) | 高速铁路差异性沉降的监测系统、监测方法及监测终端 | |
| CN105444730A (zh) | 多源数据监测矿区形变的时空特性及越界开采识别方法 | |
| Liu et al. | Study on real-time construction quality monitoring of storehouse surfaces for RCC dams | |
| CN112965077B (zh) | 一种基于车载激光雷达的道路巡检系统与方法 | |
| Quqa et al. | Shared micromobility-driven modal identification of urban bridges | |
| CN204495330U (zh) | 重载铁路路基沉降自动监测及预警系统 | |
| CN114005278A (zh) | 一种高速公路基础设施群智能监测与预警系统及方法 | |
| CN110044327A (zh) | 一种基于sar数据与gnss数据的基础设施沉降监测方法及系统 | |
| CN103336298A (zh) | 一种大地震断裂区域前兆数据的采集和分析方法 | |
| CN109278053A (zh) | 一种铁路隧道检测方法 | |
| CN107907134A (zh) | 一种里程信息辅助地磁匹配的车辆定位系统与方法 | |
| Hoppe et al. | Deformation monitoring of posttensioned bridges using high-resolution satellite remote sensing | |
| CN115116198B (zh) | 空天地一体化道路塌陷监测方法及系统 | |
| CN104807434A (zh) | 一种高速铁路路基沉降变形监测方法 | |
| Moschas et al. | High accuracy measurement of deflections of an electricity transmission line tower | |
| CN116256774A (zh) | 一种基于北斗卫星定位的采矿区铁路沿线变形监测方法 | |
| CN115018292A (zh) | 一种城市轨道交通工程的风险评估方法 | |
| CN113970742A (zh) | 一种基于时序InSAR技术在全封闭式高铁中的监测方法 | |
| Känsälä et al. | Acceleration sensor technology for rail track asset condition monitoring | |
| JP7499363B1 (ja) | 測位システム | |
| RU2683871C2 (ru) | Способ и система неразрушающего контроля состояния конструкций и способ и система слежения за местоположением сооружений, основанные на таком способе | |
| CN117911881B (zh) | 一种长跨度桥梁施工定位方法及相关装置 |
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 |