CN115329812A - 一种基于人工智能的道路基础设施异常监测方法 - Google Patents

Abstract

本申请提供一种基于人工智能的道路基础设施异常监测方法，本申请通过在道路基础设施中添加传感器，以监控和收集相关数据，并根据传感器测点布设原则，结合原监测系统现状、桥梁已有病害、所处环境、所受作用以及结构构造特点、力学行为特性、状态评估需求、管理养护要求等因素对数据进行分类以判断是否进行监测，将数据采用神经网络深度学习方法进行分析处理，并输出所预测的警报等级，根据不同类别设置不同的警报阈值，并且在日常维护中对阈值进行合理的修正，从而实现道路基础设施的监测自动化。

Description

一种基于人工智能的道路基础设施异常监测方法

技术领域

本申请属于基础道路监测技术领域，具体地，涉及一种基于人工智能技术的道路基础设施异常监测方法。

背景技术

随着国家基建的快速发展，桥梁隧道等公路基础设施与日俱增，而交通基础设施项目和其它类型的建筑相比，往往会面临更多的突发事件。其中桥梁、隧道等关键公路基础设施是保障高速公路网运行畅通的咽喉。随着重要公路基础设施数量、里程的快速增加，智能化、网络化管理能力不足已经成为制约路网监管效率的瓶颈。开发关键公路基础设施安全状态传感设备，构建公路基础设施传感网络，实现关键公路基础设施的智能化、网络化协同管理，保障关键公路基础设施的营运安全。

目前，道路基础设施风险预测均采用人工对监测数据进行分析，并得出结果，其过程复杂且缓慢，非常不利于风险的实时评估，对可能发生的异常风险不能做到及时预警。

发明内容

基于以上的现有技术缺陷，本发明的目的是提供一种基于人工智能技术对道路基础设施异常的监测方法。该方法通过采集自动化监测子系统获取的信号数据、获取大量的特征参数，采用深度学习领域的长短时记忆神经网络训练以及识别特征数据，从而判断道路基础设施的状态是否异常，解决了现阶段道路基础设施异常风险评估的低效的问题。

本发明提出一种基于长短时记忆(LSTM，以下简称LSTM)神经网络的道路基础设施异常监测方法，包括建立风险预测模型和实时监测。

所述建立风险预测模型包括以下步骤：

步骤1-1，利用自动化监测子系统采集道路基础设施各个位置的状态信号数据；

步骤1-2，对监测子系统中的传感器输出信号进行放大、A/D转换，并采样和分帧，对样本进行数据存储及人工标引，形成训练数据集1；

步骤1-3，对传感器输出的异常信号进行分析处理，然后进行矩阵计算，并结合其他辅助特征组成特征集合，对特征集合及其方差进行统计函数计算，形成训练数据集2，所述辅助特征包括外部环境、外部作用等参数，所述统计函数包括最大值、最小值、量程、最大值和最小值的相对位置、算术平均值、线性回归系数和相应的近似误差、标准偏差、偏度、峰度、四分位数和四分位数间距；

步骤1-4，搭建具有并行互馈结构的长短时记忆(LSTM)神经网络模型；

步骤1-5，将所述步骤1-2中得到的训练数据集1和所述步骤1-3中得到的训练数据集2放入所述步骤1-4的LSTM神经网络模型中训练，得出正常状态以及异常状态时的训练参数，建立道路基础设施风险预测模型。

其中，自动化监测子系统获取的是道路基础设施过往时刻所监测的状态信号数据；

进一步的，还包括根据桥梁健康监测系统运行实际情况和监测历史数据的回归曲线，对监测系统警报阈值进行优化调整，来对预测结果进行校正，并在校正后得到异常的警报等级；

其中，训练阶段包括以下两个训练步骤：

通过对过往数据的训练，由基于LSTM的算法实现，对输入预标注且处理好的监测数据进行训练，经若干次迭代训练，得到满足预期精度的风险预测模型；

通过对监测的异常数据的训练，使用LSTM算法，有监督地提取已标注的过往数据特征并提取学习，在多次迭代中LSTM算法对特征分布不断拟合学习，得到满足预期精度的异常监测识别网络模型，结合两个训练数据集一起得到道路基础设施异常的风险预测模型。

进一步的，所述自动化监测子系统包括传感器模块、数据采集和传输模块、数据处理与控制模块，通过以上模块可实现信号采集、传输、处理和分析控制。

进一步的，传感器模块包括在桥梁代表性的、控制性、关键截面和部位上安装各种类型适宜的传感测试设备，其受控监控中心发出的指令拾取结构荷载源参数和结构响应参数。传感器“感知”这些参数幅值，并通过内置感应电路将这些参数值转换为电压、电流、电荷、电极、频率或数字等模拟和数字电量或物理量，然后通过适宜的采集传输方式送给外场的数据采集和传输模块中的采集器进行模数转换，完成信号数据采集。

进一步的，其中校正还包括：以过往一年监测最大值为基础，乘以一定倍数作为历史统计极值，以此与荷载标准组合效应值做对比，取二者中的较小者作为红色警报阈值；取红色警报阈值乘以一定倍数作为黄色警报阈值；如过往一年部分传感器数据存在一定问题，当历史监测值不可靠时或根据经验判断监测值明显不合理时，直接采用设计效应值作为警报阈值设置依据。

警报等级根据阈值范围可从大到小依次设定为三级超限阈值上限、三级超限阈值下限、二级超限阈值上限、二级超限阈值下限、一级超限阈值上限、一级超限阈值下限；

所述一级超限对应蓝色警报，二级超限对应黄色警报，三级超限对应红色警报。

警报阈值应基于监测数据历史统计值、设计值、和规范容许值设定，阈值设定还应考虑监测变量数据动态特征、统计特征以及监测变量异常特征。

蓝色警报为当监测数据接近或超过桥梁正常使用条件界限值，但不会对桥梁安全、正常使用和行车安全产生影响时，应进行蓝色警报；所述黄色警报为当监测数据超过桥梁正常使用条件界限值且可能对桥梁安全、正常使用和行车安全产生显著影响时，应进行黄色警报；所述红色警报为当监测数据接近桥梁结构安全界限值或者严重影响桥梁安全、正常使用和行车安全时，应进行红色警报。

自动化监测子系统应该根据桥型特点及桥梁各构件的重要性及易损性，同时兼顾规范要求，重点围绕监测桥梁主要受力体系进行布置。在满足专业分析精度的基础上，选择技术先进、环境适应性好、耐久性、可靠性、便于更换维护的传感测试设备及其配套设施。监测点位布置总体原则如下：

(1)根据桥梁所处的地理环境和气候环境特点，确定对大桥结构受力影响的因素；

(2)结合桥梁已有病害，确定大桥构件易损部位、结构控制部位和损伤敏感部位，如变形控制点、应力集中的位置、动力响应敏感点等，在含噪音的环境中，能够利用尽可能少的传感器获取全面、精确的结构实时参数信息；

(3)根据大桥各类结构构件在结构安全中的重要性、代表性和易损性，从结构状态评估的需要和运营养护管理需求出发，能为结构状态识别和安全评估提供充足的监测数据技术准备；

(4)充分利用结构对称性原则，并考虑一定的冗余度；

(5)与采集方案综合考虑，尽量减少布线，采集距离的长度；

(6)充分考虑大桥的构造，尽量减少对桥梁结构的破坏，并不能改变结构的受力状态；

(7)监测位置应考虑设备便于维护、更新，有利于设备的耐久性；

(8)按照“一桥一策”的原则，针对桥型特点、疲劳和病害布设合理的测点位置。

其中传感器模块主要为监测元器件及其附属和保护设施，属于整个系统的最底层的一个子模块。主要功能是：在桥梁代表性的、控制性、关键截面和部位上安装各种类型适宜的传感测试设备，其受控监控中心发出的指令拾取结构荷载源参数和结构响应参数。传感器“感知”这些参数幅值，并通过内置感应电路将这些参数值转换为电压、电流、电荷、电极、频率或数字等模拟和数字电量或物理量，然后通过适宜的采集传输方式送给外场的数据采集和传输模块中的采集器进行模数转换，完成信号数据采集。

该模块应满足以下要求：

1)选用技术成熟、性能先进的传感器，传感器的稳定性和可靠性在实桥中已予以使用验证；

2)设备抗干扰性强、耐久性好，在施工和使用环境下能够可靠稳定工作；

3)设备实用性强，方便安装、维护和更换，集成化程度高，便于统一管理控制；

4)具备可兼容性，即传感器对应采集器的数据输出与数据采集设备相容；

5)具备扩容性、可维护性，即从可持续发展角度，力求传感器以及采集传输设备方便更换或升级；

6)保护传感器及采集传输设备不受温湿度、雷击及干扰源(电源、电磁)等环境因素的影响而出现损坏现象；

7)应充分考虑传感器设备的稳定性和可靠性，传感器子系统中的关键测点应有冗余或备份。

其中LSTM算法使用开源机器学习框架Tensorflow或Pytorch实现，具体包括如下步骤：

根据监测子系统获取的过往数据，进行人工标注，并通过算法训练处算法模型；

使用预训练的算法模型对实时监测数据进行预测的预训练；

使用误差校正算法对预测值进行校正，并根据预设阈值与预测值进行比较得到异常风险等级。

本发明与背景技术相比，具有的有益的效果是：(1)本发明通过开发神经网络驱动的机器学习模型填补了人工智能预测道路基础设施异常风险领域的空白，该模型可以根据过往数据随时间以及实施监测数据对未来可能存在的异常风险进行预测，并借鉴了包括桥梁、道路和隧道在内的多个交通基础设施建设项目。(2)开发的神经网络模型在训练、交叉验证和测试集中显示出可观的预测准确率。(3)本发明进一步提供了交通基础设施项目异常风险发生趋势的风险预测模型参考，将帮助建筑从业者主动考虑建筑项目的不确定性和自然灾害的潜在影响，以及风险发生的时间趋势。

附图说明

为了更清楚地说明本申请实施例或相关技术中的技术方案，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申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

本说明书附图所绘示的结构等，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，并非用以限定本申请可实施的限定条件，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，在不影响本申请所能产生的功效及所能达成的目的下，均应仍落在本申请所揭示的技术内容得能涵盖的范围内。

图1为本申请预测道路基础设施异常风险流程图；

图2为具体实施方式中某大桥主桥示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请中的实施例进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

下面将结合某大桥主桥(见图2)进行详细说明。桥梁主桥全长610m，跨径组合为(105+2×200+105)m；桥面净宽15.50m。主桥上部结构为预应力混凝土连续刚构，下部结构采用重力式U型桥台，扩大基础。主桥2-4号墩为双肢薄壁墩，群桩基础，1、5号过渡墩为空心薄壁墩，群桩基础。

在某大桥上指定位置设置自动化监测子系统，自动化监测子系统分为环境、作用、响应及变化等模块，其中具体监测布点及传感器选择如下：

表1某大桥监测参数及测点布设

表2某大桥测点方案

表1是自动化监测子系统在环境、作用、响应及变化等类别下的具体监测布点以及传感器的选择；表2是根据大桥道路实际情况拟定的监测方案。

监测数据结合实时时间进行记录并存储，由数据采集模块和传输模块来完成，其中数据采集和传输模块由分布在全桥的数据采集站、光纤信号传输网络组成。数据采集站采用行业内先进的专业产品，以确保系统的稳定性、可靠性、耐久性和高精度。光纤信号传输网络采用光纤冗余环网拓扑结构，以保证信号传输的高度可靠性。该模块同时拥有电子采集传输硬件设备和采集传输控制软件。主要功能是通过该子系统的采集设备将传感器模块传过来的模拟量信号进行模拟-数字转换(A/D)，将采集到的电信号转换成计算机可识别的数字信号并通过有线网络输送到监控中心的数据处理和控制子模块。

然后数据传输至数据处理与控制模块，该模块主要实现的功能为：由计算机系统完成信号数据的预处理、后处理、转发和存储等数据管理；通过网络设置和控制外场桥梁现场的各个数据采集站、采集器设备和传感测试设备的工作；数据展示和应用，通过多种形式生动展示实时数据、变化趋势、历史数据查询和导出、监测报表；第三方监测数据接口，通过统一的接口和规范，可实现第三方监测数据接入。

将上述过往监测数据经由人工标注后，输入到LSTM模型中，并进行多次迭代训练后得到满足精度的预训练模块；根据实时监测的数据，预测该时刻存在的异常风险值。

其中基于LSTM神经网络的风险预测模型的建立包括以下步骤：

步骤1-1，利用自动化监测子系统采集道路基础设施各个位置的状态信号数据；

步骤1-2，对监测子系统中的传感器输出信号进行放大、A/D转换，并采样和分帧，对样本进行数据存储及人工标引，形成训练数据集1；

步骤1-3，对传感器输出的异常信号进行分析处理，然后进行矩阵计算，并结合其他辅助特征组成特征集合，对特征集合及其方差进行统计函数计算，形成训练数据集2，所述辅助特征包括外部环境、外部作用等参数，所述统计函数包括最大值、最小值、量程、最大值和最小值的相对位置、算术平均值、线性回归系数和相应的近似误差、标准偏差、偏度、峰度、四分位数和四分位数间距；

步骤1-4，搭建具有并行互馈结构的长短时记忆(LSTM)神经网络模型；

步骤1-5，将所述步骤1-2中得到的训练数据集1和所述步骤1-3中得到的训练数据集2放入所述步骤1-4的LSTM神经网络模型中训练，得出正常状态以及异常状态时的训练参数，建立道路基础设施风险预测模型。

对传感器采集到的数据进行PCA(Principal Component Analysis，主成分分析)分析，若发现贡献极小的特征，将其视为噪声维度，将其进行降维处理后得到训练样本；设定神经网络层数，初始化神经网络；

并分析风险预测模型输出的测试数据集，根据桥梁健康监测系统运行实际情况和监测历史数据的回归曲线，对监测系统警报阈值进行优化调整，来对预测结果进行校正，并在校正后得到异常的警报等级。

其中训练数据集1和训练数据集2均采用表1和表2中所监测项目中采集的数据。

在监测子系统持续工作时，由传感器监测得到的数据实时输入到风险预测的神经网络模型中，并将神经网络模型的输出值与预设警报阈值进行比较，可以得到后续每一时刻实时对应的警报等级，以监测道路基础设施的风险异常。

实时监测过程中，观察异常数据的变化趋势并计算变化速率

其中time是时间偏移量，由当前时间减去所有历史数据的平均时间的得到；若数据有故障率变大的趋势，计算风险异常值达到出现故障阈值的时间t_RUL＝|X_threshold-X_last|/v，则此为道路基础设施的剩余寿命。

其中LSTM神经网络使用开源机器学习框架Tensorflow或Pytorch实现。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括上述要素的物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种道路基础设施的异常监测方法，其特征在于，包括以下步骤：

建立预测模型包括以下步骤：

步骤1-1，利用自动化监测子系统中的传感器采集道路基础设施各个位置的状态信号数据；

步骤1-2，对监测子系统中的传感器输出信号进行放大、A/D转换，并采样和分帧，对样本进行数据存储及人工标引，形成训练数据集1；

步骤1-3，对传感器输出的异常信号进行分析处理，然后进行矩阵计算，并结合其他辅助特征组成特征集合，对特征集合及其方差进行统计函数计算，形成训练数据集2，所述辅助特征包括外部环境、外部作用等参数，所述统计函数包括最大值、最小值、量程、最大值和最小值的相对位置、算术平均值、线性回归系数和相应的近似误差、标准偏差、偏度、峰度、四分位数和四分位数间距；

步骤1-4，搭建具有并行互馈结构的长短时记忆神经网络模型；

步骤1-5，将所述步骤1-2中得到的训练数据集1和所述步骤1-3中得到的训练数据集2放入所述步骤1-4的长短时记忆神经网络模型中训练，得出正常状态以及异常状态时的训练参数，建立道路基础设施风险预测模型；

步骤1-6，将所述传感器监测得到的数据实时输入到风险预测的神经网络模型中，并将神经网络模型的输出值与预设警报阈值进行比较，可以得到后续每一时刻实时对应的警报等级，以监测道路基础设施的风险异常。

2.根据权利要求1所述的一种道路基础设施的异常监测方法，其特征在于：所述自动化监测子系统包括传感器模块、数据采集和传输模块、数据处理与控制模块，通过以上模块实现信号采集、传输、处理和分析控制。

3.根据权利要求2所述的一种道路基础设施的异常监测方法，其中所述传感器模块包括在桥梁代表性的、控制性、关键截面和部位上安装各种类型适宜的传感测试设备，其受控监控中心发出的指令拾取结构荷载源参数和结构响应参数；传感器“感知”这些参数幅值，并通过内置感应电路将这些参数值转换为电压、电流、电荷、电极、频率或数字等模拟和数字电量或物理量，然后通过适宜的采集传输方式送给外场的数据采集和传输模块中的采集器进行模数转换，完成信号数据采集。

4.根据权利要求1所述的一种道路基础设施的异常监测方法，还包括对阈值的校正，所述校正包括：以过往一年监测最大值为基础，乘以一定倍数作为历史统计极值，以此与荷载标准组合效应值做对比，取二者中的较小者作为红色警报阈值；取红色警报阈值乘以一定倍数作为黄色警报阈值；如过往一年部分传感器数据存在一定问题，当历史监测值不可靠时或根据经验判断监测值明显不合理时，直接采用设计效应值作为警报阈值设置依据。

5.根据权利要求1所述的一种道路基础设施的异常监测方法，其中所述警报等级根据阈值范围从大到小依次设定为三级超限阈值上限、三级超限阈值下限、二级超限阈值上限、二级超限阈值下限、一级超限阈值上限、一级超限阈值下限；

所述一级超限对应蓝色警报，二级超限对应黄色警报，三级超限对应红色警报。

6.根据权利要求5所述的一种道路基础设施的异常监测方法，所述阈值应基于监测数据历史统计值、设计值、和规范容许值设定，阈值设定还应考虑监测变量数据动态特征、统计特征以及监测变量异常特征。

7.根据权利要求5所述的一种道路基础设施的异常监测方法，所述蓝色警报为当监测数据接近或超过桥梁正常使用条件界限值，但不会对桥梁安全、正常使用和行车安全产生影响时，应进行蓝色警报；所述黄色警报为当监测数据超过桥梁正常使用条件界限值且可能对桥梁安全、正常使用和行车安全产生显著影响时，应进行黄色警报；所述红色警报为当监测数据接近桥梁结构安全界限值或者严重影响桥梁安全、正常使用和行车安全时，应进行红色警报。

Images