CN115659243B - 基于mems的基础设施风险监测方法及监测系统 - Google Patents
基于mems的基础设施风险监测方法及监测系统 Download PDFInfo
- Publication number
- CN115659243B CN115659243B CN202211656330.7A CN202211656330A CN115659243B CN 115659243 B CN115659243 B CN 115659243B CN 202211656330 A CN202211656330 A CN 202211656330A CN 115659243 B CN115659243 B CN 115659243B
- Authority
- CN
- China
- Prior art keywords
- training
- vector
- data
- time
- safety
- 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.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Alarm Systems (AREA)
Abstract
本发明提供了一种基于MEMS的基础设施风险监测方法及监测系统,属于道路风险监测领域。上述方法包括获得环境数据;将所述环境数据,进行分类,得到两个数据集合;将所述两个数据集合,输入公路基础设施安全监测模型,得到安全向量;若安全向量中的向量值大于阈值,将安全向量中的向量值设置为1。获得安全向量中向量值为1时对应的预警信息,发送预警信息,进行安全提醒;将数据分成有时间关系的数据和无时间关系的数据。输入安全监测神经网络,得到训练数据之间的关系;从存储结构中取出数据。结合得到时间关系前的空间关系和得到时间关系后的空间关系,更加准确地提取数据信息。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及基于MEMS的基础设施风险监测方法及监测系统。
背景技术
桥梁、隧道及公路等基础设施在其使用过程中,难免存在一些风险因素。除自身结构因素外,偶然载荷(如撞击、地震等)、超荷运转、地质因素、环境因素、自然老化等都可能对基础设施的安全运行带来风险。因此存在多种状态数据,存在时间和空间上不同的关联。
公路基础设施安全风险监测与公路管理、运营和养护密切相关,如何准确监测风险显得十分重要。
发明内容
本发明的目的在于提供了基于MEMS的基础设施风险监测方法及监测系统,用以解决现有技术中存在的上述问题。
第一方面,本发明实施例提供了一种基于MEMS的基础设施风险监测方法,包括:
获得环境数据;所述环境数据为传感器器件对桥梁、隧道、边坡等重要基础设施进行采集的数据;
将所述环境数据,进行分类,得到两个数据集合;所述两个数据集合为时间关联数据集合和非时间关联数据集合;
将所述两个数据集合,输入公路基础设施安全监测模型,得到安全向量;所述安全向量中的向量值表示监管对象安全事件发生概率;
若安全向量中的向量值大于阈值,将安全向量中的向量值设置为1;
获得安全向量中向量值为1时对应的预警信息,发送预警信息,进行安全提醒;
所述公路基础设施安全监测模型包括安全监测神经网络、LSTM神经网络和深度神经网络。
可选的,公路基础设施安全监测模型的训练方法,包括:
获得训练集;训练集包括多个训练数据和对应多个标注数据;所述训练数据为环境数据;所述标注数据表示安全事件类别和对应的安全事件发生概率;
基于所述多个训练数据,通过安全监测神经网络,得到训练安全向量;
将所述训练安全向量和标注数据,输入损失函数,得到安全损失值;
获得公路基础设施安全监测模型当前的训练迭代次数以及预先设定的所述公路基础设施安全监测模型训练的最大迭代次数;
当所述安全损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练,得到训练好的公路基础设施安全监测模型。
可选的,所述基于所述多个训练数据,通过安全监测神经网络,得到训练安全向量,包括:
将所述多个训练数据,进行分类,得到两个训练数据集合;所述两个训练数据集合为训练时间关联数据集合和训练非时间关联数据集合;
基于所述两个训练数据集合,通过安全监测神经网络,得到训练安全向量。
可选的,所述基于所述两个训练数据集合,通过安全监测神经网络,得到训练安全向量,包括:
将两个训练数据集合中训练数据,输入安全监测神经网络,提取关系特征,得到关系向量;
基于所述关系向量、训练时间关联数据集合和训练非时间关联数据集合,得到训练安全向量。
可选的,所述基于所述关系向量、训练时间关联数据集合和训练非时间关联数据集合,得到训练安全向量,包括:
将所述训练时间关联数据集合,输入LTSM神经网络,得到训练时间安全向量;
将训练非时间关联数据集合和训练时间安全向量,通过深度神经网络,得到训练时间关系向量;
将所述关系向量和训练时间关系向量,进行融合,得到训练安全向量;所述训练安全向量中的向量值为所述关系向量中向量值和训练时间关系向量中向量值的平均值。
可选的,所述将所述训练时间关联数据集合,输入LTSM神经网络,得到训练时间安全向量,包括:
获得第一时间关联数据;所述第一时间关联数据为训练时间关联数据集合中的数据;
基于第一时间关联数据,通过第一LTSM神经网络,得到第一时间安全值;
通过多次依次得到时间关联数据,通过LTSM神经网络,得到对应的多个时间安全值,按照输出顺序,构成训练时间安全向量。
可选的,所述基于第一时间关联数据,通过第一LTSM神经网络,得到第一时间安全值,包括:
将存储结构中第一时间关联数据对应的值取出,得到存储时间向量;
基于第一时间关联数据和存储时间向量值,通过第一LTSM神经网络,得到第一时间安全值;
将第一时间安全值存储在存储结构中。
可选的,所述基于第一时间关联数据和存储时间向量值,通过第一LTSM神经网络,得到第一时间安全值,包括:
将存储时间向量值,输入存储LTSM结构,得到LTSM关系值;
其中,所述存储LTSM结构包括4个LTSM结构;
将所述存储时间向量值和LTSM关系值,输入最终LTSM结构,得到训练时间安全向量。
第二方面,本发明实施例提供了一种基于MEMS的基础设施安全风险监测系统,包括:
数据获取模块:获得环境数据;所述环境数据为MEMS传感器器件对桥梁、隧道、边坡等重要基础设施进行采集的数据;
数据分类模块:将所述环境数据,进行分类,得到两个数据集合;所述两个数据集合为时间关联数据集合和非时间关联数据集合;
安全监测模块:将所述两个数据集合,输入公路基础设施安全监测模型,得到安全向量;所述安全向量中的向量值表示监管对象安全事件发生概率;
安全确认模块:若安全向量中的向量值大于阈值,将安全向量中的向量值设置为1;
预警模块:获得安全向量中向量值为1时对应的预警信息,发送预警信息,进行安全提醒;
所述公路基础设施安全监测模型包括安全监测神经网络、LSTM神经网络和深度神经网络。
可选的,公路基础设施安全监测模型的训练方法,包括:
获得训练集;训练集包括多个训练数据和对应多个标注数据;所述训练数据为环境数据;所述标注数据表示安全事件类别和对应的安全事件发生概率;
基于所述多个训练数据,通过安全监测神经网络,得到训练安全向量;
将所述训练安全向量和标注数据,输入损失函数,得到安全损失值;
获得公路基础设施安全监测模型当前的训练迭代次数以及预先设定的所述公路基础设施安全监测模型训练的最大迭代次数;
当所述安全损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练,得到训练好的公路基础设施安全监测模型。
相较于现有技术,本发明实施例达到了以下有益效果:
本发明实施例还提供了一种基于MEMS传感器的公路基础设施安全风险监测方和系统,所述方法包括:获得环境数据。所述环境数据为传感器器件对桥梁、隧道、边坡等重要基础设施进行采集的数据。将所述环境数据,进行分类,得到两个数据集合。所述两个数据集合为时间关联数据集合和非时间关联数据集合。将所述两个数据集合,输入公路基础设施安全监测模型,得到安全向量。所述安全向量中的向量值表示监管对象安全事件发生概率。若安全向量中的向量值大于阈值,将安全向量中的向量值设置为1。获得安全向量中向量值为1时对应的预警信息,发送预警信息,进行安全提醒。所述公路基础设施安全监测模型包括安全监测神经网络、LSTM神经网络和深度神经网络。提出了面向多维异构数据深度分析的公路基础设施安全风险监测建,以解决在环境、运行、结构等综合因素影响下,如何有效对基础设施安全状态的预测与评估问题。将数据分成有时间关系的数据和无时间关系的数据,能够分别在时间和空间方向对数据进行检测。输入安全监测神经网络,得到未得到时间关系时数据空间上的关系。从存储结构中取出数据,通过LTSM神经网络,得到时间关联数据与以前时间关联之间的时间上关系,之后结合非时间关联数据,在得到了时间关系之后与空间关系做的一个结合。结合得到时间关系前的空间关系和得到时间关系后的空间关系,能够更加准确的提取数据信息。
附图说明
图1是本发明实施例提供的一种基于MEMS的基础设施风险监测方法流程图。
图2是本发明实施例提供的一种基于MEMS的基础设施安全风险监测系统中施安全监测模型的示意图。
图3是本发明实施例提供的一种电子设备的方框结构示意图。
图中标记:总线500;接收器501;处理器502;发送器503;存储器504;总线接口505。
具体实施方式
下面结合附图,对本发明作详细的说明。
实施例1
如图1所示,本发明实施例提供了一种基于MEMS的基础设施风险监测方法,所述方法包括:
S101:获得环境数据;所述环境数据为传感器器件对桥梁、隧道、边坡等重要基础设施进行采集的数据。
其中,所述传感器为MEMS传感器。环境数据应包括:环境、变形、应力应变、动静态载荷、裂缝、表面位移、深部位移、渗流量、含水量、支护结构。
S102:将所述环境数据,进行分类,得到两个数据集合;所述两个数据集合为时间关联数据集合和非时间关联数据集合
S103:将所述两个数据集合,输入公路基础设施安全监测模型,得到安全向量;所述安全向量中的向量值表示监管对象安全事件发生概率。
其中,所述公路基础设施安全监测模型的示意图如图2所示。
S104:若安全向量中的向量值大于阈值,将安全向量中的向量值设置为1。
S105:获得安全向量中向量值为1时对应的预警信息,发送预警信息,进行安全提醒。
所述公路基础设施安全监测模型包括安全监测神经网络、LSTM神经网络和深度神经网络。
MEMS即微机电系统(Microelectro Mechanical Systems)对压力、姿态、温度、湿度、各类气体等的数据采集,达到了“体积小(一般长宽均在5cm以内)、功耗低(1毫瓦以内)、全数字化输出、适应各类通信协议、长寿命”的要求,比传统传感器的量测应用有了根本性的改变,为达到当前交通部对公路基础设施全方位、全要素的安全风险监控要求,提供了最基础的实时监测手段。
可选的,公路基础设施安全监测模型的训练方法,包括:
获得训练集;训练集包括多个训练数据和对应多个标注数据。所述训练数据为环境数据。所述标注数据表示安全事件类别和对应的安全事件发生概率。
基于所述多个训练数据,通过安全监测神经网络,得到训练安全向量。
其中,所述训练安全向量表示安全隐患的类别,训练安全向量中向量值为0表示安全,训练安全向量中的向量值为1表示不安全。如本实施例中部分训练安全向量为[0,0,1],第一个向量值表示第一桥梁位置安全,第二个向量值表示第二桥梁位置安全,第三个向量值表示第三桥梁位置不安全。
将所述训练安全向量和标注数据,输入损失函数,得到安全损失值。
其中,本实施例中的损失函数采用二元交叉熵损失函数。
获得公路基础设施安全监测模型当前的训练迭代次数以及预先设定的所述公路基础设施安全监测模型训练的最大迭代次数。
其中,本实施例中预先设定的所述公路基础设施安全监测模型训练的最大迭代次数为12000次。
当所述安全损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练,得到训练好的公路基础设施安全监测模型。
可选的,所述基于所述多个训练数据,通过安全监测神经网络,得到训练安全向量,包括:
将所述多个训练数据,进行分类,得到两个训练数据集合。所述两个训练数据集合为训练时间关联数据集合和训练非时间关联数据集合。
其中,通过训练数据按照固定顺序进行输入,向量值所对应的位置表示对应的数据意义,有时间关联的位置为已知位置。
基于所述两个训练数据集合,通过安全监测神经网络,得到训练安全向量。
通过上述方法,将数据分成有时间关系的数据和无时间关系的数据,对这两组分别进行判断,能够对不同影响数据进行准确判断。
可选的,所述基于所述两个训练数据集合,通过安全监测神经网络,得到训练安全向量,包括:
两个训练数据集合中训练数据,输入安全监测神经网络,提取关系特征,得到关系向量。
其中,所述安全监测神经网络可为受限波尔兹曼机、深度信念网络和卷积神经网络等。本实施例分析、对比并归纳各种已有深度学习算法,采用深度信念网络。
基于所述关系向量、训练时间关联数据集合和训练非时间关联数据集合,得到训练安全向量。
通过上述方法,将训练时间关联数据集合中的训练数据和训练非时间关联数据集合中的训练数据,输入安全监测神经网络,得到训练数据之间的关系。
可选的,所述基于所述关系向量、训练时间关联数据集合和训练非时间关联数据集合,得到训练安全向量,包括:
将所述训练时间关联数据集合,输入LTSM神经网络,得到训练时间安全向量。
将训练非时间关联数据集合和训练时间安全向量,通过深度神经网络,得到训练时间关系向量。
将所述关系向量和训练时间关系向量,进行融合,得到训练安全向量。所述训练安全向量中的向量值为所述关系向量中向量值和训练时间关系向量中向量值的平均值。
通过上述方法,通过LTSM神经网络,得到时间关联数据与以前时间关联之间的关系,之后结合非时间关联数据。结合时间和当前其他数据,更加准确的提取数据信息。
可选的,所述将所述训练时间关联数据集合,输入LTSM神经网络,得到训练时间安全向量,包括:
获得第一时间关联数据;所述第一时间关联数据为训练时间关联数据集合中的数据;
基于第一时间关联数据,通过第一LTSM神经网络,得到第一时间安全值。
其中,所述每次时间关联数据对应的LSTM神经网络为结构相同的不同LSTM神经网络。
通过多次依次得到时间关联数据,通过LTSM神经网络,得到对应的多个时间安全值,按照输出顺序,构成训练时间安全向量。
可选的,所述基于第一时间关联数据,通过第一LTSM神经网络,得到第一时间安全值,包括:
获得第一时间关联数据。所述第一时间关联数据为训练时间关联数据集合中的数据。
将存储结构中第一时间关联数据对应的值取出,得到存储时间向量。
其中,所述存储时间向量中的向量值为根据时间依次存储的数据。存储时间向量的向量长度为3。
其中,使用存储结构,已经人工输入前3次测量的数据。
基于第一时间关联数据和存储时间向量值,通过第一LTSM神经网络,得到第一时间安全值。
将第一时间安全值存储在存储结构中。
通过上述方法,从存储结构中取出数据,得到曾经存储的数据与当前数据的时间关系,更加准确的得到信息。
可选的,所述基于第一时间关联数据和存储时间向量值,通过第一LTSM神经网络,得到第一时间安全值,包括:
将存储时间向量值,输入存储LTSM结构,得到LTSM关系值;
其中,所述存储LTSM结构包括4个LTSM结构;
将所述存储时间向量值和LTSM关系值,输入最终LTSM结构,得到训练时间安全向量。
通过上述方法,在融合各种与监管对象关联的多源数据(地质条件、气象因素、养护记录、长期、中期、近期或实时状态信息等),研究如何实现数据特征的自动提取,建立不同状态数据之间层次及关联关系,最终形成多维度的基础设施安全风险监测模型。将数据分成有时间关系的数据和无时间关系的数据。将训练时间关联数据集合中的训练数据和训练非时间关联数据集合中的训练数据,输入安全监测神经网络,得到训练数据之间的关系。从存储结构中取出数据,通过LTSM神经网络,得到时间关联数据与以前时间关联之间的关系,之后结合非时间关联数据。结合时间和当前其他数据,更加准确的提取数据信息。
实施例2
基于上述的一种基于MEMS的基础设施风险监测方法,本发明实施例还提供了一种基于MEMS的基础设施风险监测方法系统,所述系统包括数据获取模块、数据分类模块、安全监测模块、安全确认模块和预警模块。
数据获取模块用于获得环境数据。所述环境数据为MEMS传感器器件对桥梁、隧道、边坡等重要基础设施进行采集的数据。
数据分类模块用于将所述环境数据,进行分类,得到两个数据集合;所述两个数据集合为时间关联数据集合和非时间关联数据集合。
安全监测模块用于将所述两个数据集合,输入公路基础设施安全监测模型,得到安全向量。所述安全向量中的向量值表示监管对象安全事件发生概率。
安全确认模块用于若安全向量中的向量值大于阈值,将安全向量中的向量值设置为1。
预警模块用于获得安全向量中向量值为1时对应的预警信息,发送预警信息,进行安全提醒。
所述公路基础设施安全监测模型包括安全监测神经网络、LSTM神经网络和深度神经网络。
可选的,公路基础设施安全监测模型的训练方法,包括:
获得训练集。训练集包括多个训练数据和对应多个标注数据;所述训练数据为环境数据。所述标注数据表示安全事件类别和对应的安全事件发生概率。
基于所述多个训练数据,通过安全监测神经网络,得到训练安全向量。
将所述训练安全向量和标注数据,输入损失函数,得到安全损失值。
获得公路基础设施安全监测模型当前的训练迭代次数以及预先设定的所述公路基础设施安全监测模型训练的最大迭代次数。
当所述安全损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练,得到训练好的公路基础设施安全监测模型。
在此关于上述实施例中的系统,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本发明实施例还提供了一种电子设备,如图3所示,包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序,所述处理器502执行所述程序时实现前文所述一种基于MEMS的基础设施风险监测方法的任一方法的步骤。
其中,在图3中,总线架构(用总线500来代表),总线500可以包括任意数量的互联的总线和桥,总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理,而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种基于MEMS的基础设施风险监测方法的任一方法的步骤以及上述的所涉及的数据。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
Claims (10)
1.一种基于MEMS传感器的公路基础设施安全风险监测方法,其特征在于,包括:
获得环境数据;所述环境数据为传感器器件对桥梁、隧道、边坡重要基础设施进行采集的数据;
将所述环境数据,进行分类,得到两个数据集合;所述两个数据集合为时间关联数据集合和非时间关联数据集合;
将所述两个数据集合,输入公路基础设施安全监测模型,得到安全向量;所述安全向量中的向量值表示监管对象安全事件发生概率;
若安全向量中的向量值大于阈值,将安全向量中的向量值设置为1;
获得安全向量中向量值为1时对应的预警信息,发送预警信息,进行安全提醒;
所述公路基础设施安全监测模型包括安全监测神经网络、LSTM神经网络和深度神经网络。
2.根据权利要求1所述的一种基于MEMS传感器的公路基础设施安全风险监测方法,其特征在于,公路基础设施安全监测模型的训练方法,包括:
获得训练集;训练集包括多个训练数据和对应多个标注数据;所述训练数据为环境数据;所述标注数据表示安全事件类别和对应的安全事件发生概率;
基于所述多个训练数据,通过LSTM神经网络、深度神经网络和安全监测神经网络,得到训练安全向量;
将所述训练安全向量和标注数据,输入损失函数,得到安全损失值;
获得公路基础设施安全监测模型当前的训练迭代次数以及预先设定的所述公路基础设施安全监测模型训练的最大迭代次数;
当所述安全损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练,得到训练好的公路基础设施安全监测模型。
3.根据权利要求2所述的一种基于MEMS传感器的公路基础设施安全风险监测方法,其特征在于,所述基于所述多个训练数据,通过LSTM神经网络、深度神经网络和安全监测神经网络,得到训练安全向量,包括:
将所述多个训练数据,进行分类,得到两个训练数据集合;所述两个训练数据集合为训练时间关联数据集合和训练非时间关联数据集合;
基于所述两个训练数据集合,通过安全监测神经网络,得到训练安全向量。
4.根据权利要求3所述的一种基于MEMS传感器的公路基础设施安全风险监测方法,其特征在于,所述基于所述两个训练数据集合,通过安全监测神经网络,得到训练安全向量,包括:
将两个训练数据集合中训练数据,输入安全监测神经网络,提取关系特征,得到关系向量;
基于所述关系向量、训练时间关联数据集合和训练非时间关联数据集合,得到训练安全向量。
5.根据权利要求4所述的一种基于MEMS传感器的公路基础设施安全风险监测方法,其特征在于,所述基于所述关系向量、训练时间关联数据集合和训练非时间关联数据集合,得到训练安全向量,包括:
将所述训练时间关联数据集合,输入LTSM神经网络,得到训练时间安全向量;
将训练非时间关联数据集合和训练时间安全向量,通过深度神经网络,得到训练时间关系向量;
将所述关系向量和训练时间关系向量,进行融合,得到训练安全向量;所述训练安全向量中的向量值为所述关系向量中向量值和训练时间关系向量中向量值的平均值。
6.根据权利要求5所述的一种基于MEMS传感器的公路基础设施安全风险监测方法,其特征在于,所述将所述训练时间关联数据集合,输入LTSM神经网络,得到训练时间安全向量,包括:
获得第一时间关联数据;所述第一时间关联数据为训练时间关联数据集合中的数据;
基于第一时间关联数据,通过第一LTSM神经网络,得到第一时间安全值;
通过多次依次得到时间关联数据,通过LTSM神经网络,得到对应的多个时间安全值,按照输出顺序,构成训练时间安全向量。
7.根据权利要求6所述的一种基于MEMS传感器的公路基础设施安全风险监测方法,其特征在于,所述基于第一时间关联数据,通过第一LTSM神经网络,得到第一时间安全值,包括:
将存储结构中第一时间关联数据对应的值取出,得到存储时间向量;
基于第一时间关联数据和存储时间向量值,通过第一LTSM神经网络,得到第一时间安全值;
将第一时间安全值存储在存储结构中。
8.根据权利要求7所述的一种基于MEMS传感器的公路基础设施安全风险监测方法,其特征在于,所述基于第一时间关联数据和存储时间向量值,通过第一LTSM神经网络,得到第一时间安全值,包括:将存储时间向量值,输入存储LTSM结构,得到LTSM关系值;
其中,所述存储LTSM结构包括4个LTSM结构;
将所述存储时间向量值和LTSM关系值,输入最终LTSM结构,得到训练时间安全向量。
9.一种基于MEMS传感器的公路基础设施安全风险监测系统,其特征在于,包括:
数据获取模块:获得环境数据;所述环境数据为MEMS传感器器件对桥梁、隧道、边坡重要基础设施进行采集的数据;
数据分类模块:将所述环境数据,进行分类,得到两个数据集合;所述两个数据集合为时间关联数据集合和非时间关联数据集合;
安全监测模块:将所述两个数据集合,输入公路基础设施安全监测模型,得到安全向量;所述安全向量中的向量值表示监管对象安全事件发生概率;
安全确认模块:若安全向量中的向量值大于阈值,将安全向量中的向量值设置为1;
预警模块:获得安全向量中向量值为1时对应的预警信息,发送预警信息,进行安全提醒;
所述公路基础设施安全监测模型包括安全监测神经网络、LSTM神经网络和深度神经网络。
10.根据权利要求9所述的一种基于MEMS传感器的公路基础设施安全风险监测系统,其特征在于,公路基础设施安全监测模型的训练方法,包括:
获得训练集;训练集包括多个训练数据和对应多个标注数据;所述训练数据为环境数据;所述标注数据表示安全事件类别和对应的安全事件发生概率;
基于所述多个训练数据,通过LSTM神经网络、深度神经网络和安全监测神经网络,得到训练安全向量;
将所述训练安全向量和标注数据,输入损失函数,得到安全损失值;
获得公路基础设施安全监测模型当前的训练迭代次数以及预先设定的所述公路基础设施安全监测模型训练的最大迭代次数;
当所述安全损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练,得到训练好的公路基础设施安全监测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211656330.7A CN115659243B (zh) | 2022-12-22 | 2022-12-22 | 基于mems的基础设施风险监测方法及监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211656330.7A CN115659243B (zh) | 2022-12-22 | 2022-12-22 | 基于mems的基础设施风险监测方法及监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115659243A CN115659243A (zh) | 2023-01-31 |
CN115659243B true CN115659243B (zh) | 2023-04-28 |
Family
ID=85022332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211656330.7A Active CN115659243B (zh) | 2022-12-22 | 2022-12-22 | 基于mems的基础设施风险监测方法及监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115659243B (zh) |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2596446C (en) * | 2006-09-29 | 2012-07-17 | Armineh Garabedian | Infrastructure health monitoring and analysis |
JP2009237914A (ja) * | 2008-03-27 | 2009-10-15 | Toshiba Corp | リスク要因を同定するためのリスク予測装置 |
CN109269556A (zh) * | 2018-09-06 | 2019-01-25 | 深圳市中电数通智慧安全科技股份有限公司 | 一种设备风险预警方法、装置、终端设备及存储介质 |
CN110097259A (zh) * | 2019-04-15 | 2019-08-06 | 杭州拓深科技有限公司 | 一种基于人工神经网络的集群式电气安全隐患预判方法 |
US11645511B2 (en) * | 2019-04-24 | 2023-05-09 | Toyota Research Institute, Inc. | Systems and methods for simulating instantaneous attentive human responses to road hazards for improved early warning systems and fleet data harvesting |
CN112633459A (zh) * | 2019-09-24 | 2021-04-09 | 华为技术有限公司 | 训练神经网络的方法、数据处理方法和相关装置 |
CN111324889A (zh) * | 2020-03-04 | 2020-06-23 | 深信服科技股份有限公司 | 安全事件预测方法、装置、设备及计算机可读存储介质 |
CN111679949A (zh) * | 2020-04-23 | 2020-09-18 | 平安科技(深圳)有限公司 | 基于设备指标数据的异常检测方法及相关设备 |
US20220398491A1 (en) * | 2021-06-15 | 2022-12-15 | Fortinet, Inc. | Machine Learning Systems and Methods for Classification Based Auto-Annotation |
CN113723010B (zh) * | 2021-09-08 | 2024-01-26 | 福建中锐网络股份有限公司 | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 |
CN114357594B (zh) * | 2022-03-08 | 2022-08-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于sca-gru的桥梁异常监测方法、系统、设备及存储介质 |
CN115329812B (zh) * | 2022-08-10 | 2023-07-21 | 贵州桥梁建设集团有限责任公司 | 一种基于人工智能的桥梁基础设施异常监测方法 |
CN115348184B (zh) * | 2022-08-16 | 2024-01-26 | 江苏商贸职业学院 | 一种物联网数据安全事件预测方法及系统 |
-
2022
- 2022-12-22 CN CN202211656330.7A patent/CN115659243B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115659243A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111339074B (zh) | 阈值生成方法、装置、设备和存储介质 | |
Xin et al. | A signal recovery method for bridge monitoring system using TVFEMD and encoder-decoder aided LSTM | |
CN111741133B (zh) | 一种云边端协同的气象智能预警系统 | |
CN108376184A (zh) | 一种桥梁健康监控的方法及系统 | |
CN106656669B (zh) | 一种基于阈值自适应设置的设备参数异常检测系统及方法 | |
CN112087443B (zh) | 工业传感网络信息物理攻击下的传感数据异常检测方法 | |
CN111383128A (zh) | 一种用于监测电网嵌入式终端设备运行状态的方法及系统 | |
CN113591751A (zh) | 变电站异常情况告警方法、装置、计算机设备及存储介质 | |
CN114444187B (zh) | 一种振动传递大数据与胶囊网络融合的桥梁损伤诊断方法 | |
CN115563683A (zh) | 一种基于数字孪生的水利工程自动化安全监测管理系统 | |
CN115659243B (zh) | 基于mems的基础设施风险监测方法及监测系统 | |
CN117036082B (zh) | 一种智慧矿山管理系统及方法 | |
CN113098853A (zh) | 车载网络虚假信息注入异常行为检测方法 | |
CN104091047A (zh) | 基于交通时空信息的交通流缺失数据估算系统及方法 | |
CN115296933B (zh) | 一种工业生产数据风险等级评估方法及系统 | |
CN115659673A (zh) | 基于无人机图像的桥梁施工过程安全监控系统 | |
CN113850297B (zh) | 道路数据的监测方法、装置、电子设备及存储介质 | |
Chang et al. | Safety risk assessment of electric power operation site based on variable precision rough set | |
CN115834195A (zh) | 一种日志异常检测方法、装置、系统及介质 | |
Yessoufou et al. | Deep autoencoder model for direct monitoring of bridges subjected to a moving vehicle load under varying temperature conditions | |
CN103475527A (zh) | 一种网管故障可信度分析系统及方法 | |
Chun et al. | An application of data fusion technology in structural health monitoring and damage identification | |
CN115638831B (zh) | 基于mems传感器的公路设施风险监测方法及系统 | |
CN112954689A (zh) | 针对蓝牙无线传输的轻量化网络入侵检测系统和方法 | |
CN115456168B (zh) | 强化学习模型的训练方法、能耗确定方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |