CN115767463A - 基于智能传感器与边缘计算的大坝监测和预测系统及方法 - Google Patents
基于智能传感器与边缘计算的大坝监测和预测系统及方法 Download PDFInfo
- Publication number
- CN115767463A CN115767463A CN202211429432.5A CN202211429432A CN115767463A CN 115767463 A CN115767463 A CN 115767463A CN 202211429432 A CN202211429432 A CN 202211429432A CN 115767463 A CN115767463 A CN 115767463A
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- dam
- module
- model
- 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
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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
一种基于智能传感器与边缘计算的大坝监测和预测系统及方法。所述系统包括独立运行的边缘人工智能设备和云端服务器;其中边缘人工智能设备包括基于Edge TPU的AI计算模块、智能传感器模块、显示模块、存储模块、通信模块;智能传感器模块实时收集来自大坝的数据并通过有线或无线方式与存储模块相连,A I计算模块运行训练好的优化长短时记忆网络LSTM模型完成大坝变形预测,将结果经由显示模块返回给用户,并通过通信模块上传至云端服务器。本发明采用边缘计算的方式能够降低网络负载,提高系统的可靠性与实时性。
Description
技术领域
本发明属于水利信息化领域,特别涉及一种基于智能传感器与边缘计算的大坝监测和预测系统及方法。
背景技术
大坝作为开发和利用河流水利资源的重要水利枢纽,为我国创造了重要的经济收益。近年来,我国水电发展尤为迅速,以三峡大坝(坝高181m)、金沙江溪洛渡拱坝(坝高285.5m)、澜沧江小湾拱坝(坝高294.5m)等为代表的一批高坝大库陆续修建。随着大坝在灌溉、防洪、发电等方面,都发挥了巨大的作用,人们愈来愈重视大坝的安全问题,所以安全评估方法既要达到评估的目的又要达到解决实际问题的要求,故大坝的安全性确认也显得越来越重要。
现有大坝位置预测方法,主要根据传统的经验公式等计算模拟拟合和预测大坝监测的结果,只能大概拟合出位移的趋势,很难把大坝位移的波动性拟合至所得预测结果中,不能很好的展示实际坝体变形情况。导致预测结果跟实际监测到的坝体位移数据差距过大,难以满足工程实际应用要求,故需要研究一种能解决大坝安全性测评并且满足实际工程需求的坝体位移量预测方法。
发明内容
基于此,本发明提供了一种基于智能传感器与边缘计算的大坝监测和预测系统及方法。
为实现本发明的目的,本发明采用如下技术方案:
一种基于智能传感器与边缘计算的大坝监测和预测系统,包括独立运行的边缘人工智能设备和云端服务器;
所述云端服务器,用于负责模型的训练与数据的汇总;
所述边缘人工智能设备,用于接受云端服务平台下传的预测模型,对大坝变形进行预测。
进一步的,所述边缘人工设备包括AI计算模块、智能传感器模块、显示模块、存储模块、通信模块;
所述智能传感器模块实时收集来自大坝的数据;
所述AI计算模块运行预测模型完成大坝变形预测;
所述显示模块用于显示预测结果;
所述通信模块用于数据传输;
所述存储模块同时存储传感器实时传输的数据进行存储和来自云端服务器的数据;
进一步的,所述AI计算模块采用基于Edge TPU的AI芯片的嵌入式板卡,其中央处理器采用arm架构。
进一步的,所述预测模型采取经卡尔曼滤波算法优化后的长短时记忆网络LSTM模型。
进一步的,所述传感器模块包括雨量传感器、气温传感器、位移传感器、水位传感器和压力传感器;
其中雨量传感器和气温传感器设置于坝体中心位置,与所述嵌入式板卡直接相连;位移传感器设置在大坝坡体上,水位传感器设置在河流中,压力传感器设置在大坝底部,分别通过USB有线或者蓝牙无线方式与所述嵌入式板卡相连。
所述云端服务器通过WIFI或者4G模块经由广域网与所述嵌入式板卡相连接。
进一步的,所述显示模块采用内置显卡与HDMI视频输出接口,外接显示器。
一种基于智能传感器与边缘计算的大坝变形监测和预测方法,其特征在于,具体包括以下步骤:
S1训练数据,生成预测模型;
S2将预测模型传输到边缘人工智能设备;
S3传感器采集数据上传至边缘人工智能设备,对大坝模型进行预测。
进一步的,所述S1具体为:
利用数据库中存储的大坝变形原始数据训练模型,经由数据预处理剔除其中无效或错误的数据,利用卡尔曼滤波算法对处理后的数据进行平滑处理,使用线性回归预测模型长短时记忆网络LSTM模型对平滑后的数据进行训练,生成H5格式的模型数据。
进一步的,所述S2具体为:
H5模型数据经过格式转换为TensorFlow lite框架在边缘计算设备中运行的tflite格式模型数据,并导入到边缘人工智能设备中。
进一步的,所述S3具体为:
嵌入式板卡实时通过接受传感器的数据,新产生的数据与tflite格式的模型通过Edge TPU的AI芯片进行计算,最终输出预测结果。
本发明的技术效果:
相比传统的预测方法,本发明采用边缘计算的方式能够降低网络负载,提高系统的可靠性与实时性。
附图说明
附图大体上通过举例而不是限制的方式示出各种实施例,并且与说明书以及权利要求书一起用于对所发明的实施例进行说明。在适当的时候,在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的,而并非旨在作为本装置或方法的穷尽或排他实施例。
图1为本发明提供基于智能传感器与边缘计算的大坝变形监测和预测系统的整体结构示意图。
图2为本发明数据输出流程示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
一种基于智能传感器与边缘计算的大坝变形监测和预测系统,其特征在于,包括独立运行的边缘人工智能设备和云端服务器;
所述云端服务器,用于负责模型的训练与数据的汇总;
所述边缘人工智能设备,用于接受云端服务平台下传的预测模型,对大坝变形进行预测。
进一步的,所述边缘人工设备包括AI计算模块、智能传感器模块、显示模块、存储模块、通信模块;
所述智能传感器模块实时收集来自大坝的数据;
所述AI计算模块运行预测模型完成大坝变形预测;
所述显示模块用于显示预测结果;
所述通信模块用于数据传输;
所述存储模块同时存储传感器实时传输的数据进行存储和来自云端服务器的数据;
进一步的,所述AI计算模块采用基于Edge TPU的AI芯片的嵌入式板卡,其中央处理器采用arm架构。
进一步的,所述预测模型采取经卡尔曼滤波算法优化后的长短时记忆网络LSTM模型。
进一步的,所述传感器模块包括雨量传感器、气温传感器、位移传感器、水位传感器和压力传感器;
其中雨量传感器和气温传感器设置于坝体中心位置,与所述嵌入式板卡直接相连;位移传感器设置在大坝坡体上,水位传感器设置在河流中,压力传感器设置在大坝底部,分别通过USB有线或者蓝牙无线方式与所述嵌入式板卡相连。
所述云端服务器通过WIFI或者4G模块经由广域网与所述嵌入式板卡相连接。
进一步的,所述显示模块采用内置显卡与HDMI视频输出接口,外接显示器。
一种基于智能传感器与边缘计算的大坝变形监测和预测方法,其特征在于,具体包括以下步骤:
S1训练数据,生成预测模型;
S2将预测模型传输到边缘人工智能设备;
S3传感器采集数据上传至边缘人工智能设备,对大坝模型进行预测。
进一步的,所述S1具体为:
利用数据库中存储的大坝变形原始数据训练模型,经由数据预处理剔除其中无效或错误的数据,利用卡尔曼滤波算法对处理后的数据进行平滑处理,使用线性回归预测模型长短时记忆网络LSTM模型对平滑后的数据进行训练,生成H5格式的模型数据。
进一步的,所述S2具体为:
H5模型数据经过格式转换为TensorFlow lite框架在边缘计算设备中运行的tflite格式模型数据,并导入到边缘人工智能设备中。
进一步的,所述S3具体为:
嵌入式板卡实时通过接受传感器的数据,新产生的数据与tflite格式的模型通过Edge TPU的AI芯片进行计算,最终输出预测结果。
实施例一:
如图1所示,一种基于智能传感器与边缘计算的大坝变形监测和预测系统,包含独立运行的基于Edge TPU的边缘人工智能设备和云端服务器,所属边缘人工智能设备包含基于Edge TPU的AI计算模块、智能传感器模块、显示模块、存储模块、通信模块。所述AI计算模块采用基于Edge TPU的 AI芯片的嵌入式板卡,其中央处理器采用arm架构,运行使用Unity桌面,基础内存占用量极低,兼顾性能和使用便捷性的同时降低了运行时的功耗。采用稳定的USB Type-C接口供电,运行时功耗低于15W。
本实施例的传感器模块包含雨量传感器、气温传感器、位移传感器、水位传感器和压力传感器。其中雨量传感器采用压电式雨量传感器,此类传感器对降雨量的测量精度误差可缩减至4%以内,小巧利于集成,且维护成本较低。气温传感器采用热敏电阻温度传感器,由金属氧化物陶瓷组成,体积小并且灵敏度较高、响应速度快,可以满足大坝日常使用。此两种传感器集成在板卡上,置于坝体中心位置。
本实施例的位移传感器采用光栅传感器,其测量值易于数字化,而且测量精度较高,抗干扰能力较强,设置在大坝坡体位置。水位传感器采用雷达传感器,通过无接触式的80GHz雷达技术实现,使用寿命较长且无需频繁维护,设置在大坝附近的河流中。压力传感器采用数字型渗压计,其埋设于坝体或者基岩内部,通过RS485信号线传输至读数装置。此三种传感器可通过有线USB串口或者通过无线连接的蓝牙模块连接至板卡。
本实施例的嵌入式板卡内置显卡与HDMI视频输出接口,此接口可外接显示器实时输出系统运行状态和预测结果。
本实施例的嵌入式板卡通过WIFI或4G模块连接云端服务平台,板卡优先利用WIFI模块连接云端服务平台,AP频段设置为2.4GHz/5GHz以增加抗干扰能力和扩大传输范围,与云端服务器失去连接时采用4G通信方式尝试恢复与云端的数据连接。
数据处理流程如图2所示,利用数据库中存储的大坝变形原始数据训练模型,经由数据预处理剔除其中无效或错误的数据,利用卡尔曼滤波算法对处理后的数据进行平滑,使用目前性能最好的线性回归预测模型长短时记忆网络LSTM模型对平滑后的数据进行训练,生成H5格式的模型数据。H5模型数据经过格式转换为TensorFlow lite框架在边缘计算设备中运行的tflite格式模型数据,并导入到嵌入式板卡的存储设备中。同时板卡实时通过USB与蓝牙单元接受来自各个传感器的数据,新产生的数据与tflite格式的模型通过Edge TPU的AI芯片进行计算,最终输出预测结果。
以上所述,仅为本发明优选的具体实施方式,但本发明的保护范围不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于智能传感器与边缘计算的大坝监测和预测系统,其特征在于,包括独立运行的边缘人工智能设备和云端服务器;
所述云端服务器,用于负责模型的训练与数据的汇总;
所述边缘人工智能设备,用于接受云端服务平台下传的预测模型,对大坝变形进行预测。
2.根据权利要求1所述的系统,其特征在于,所述边缘人工设备包括AI计算模块、智能传感器模块、显示模块、存储模块、通信模块;
所述智能传感器模块用于实时收集来自大坝的数据;
所述AI计算模块用于运行预测模型完成大坝变形预测;
所述显示模块用于显示预测结果;
所述通信模块用于将预测结果上传到云端服务器;
所述存储模块用于存储传感器实时传输的数据和来自云端服务器的数据。
3.根据权利要求2所述的系统,其特征在于,所述AI计算模块采用基于Edge TPU的AI芯片的嵌入式板卡,其中央处理器采用arm架构。
4.根据权利要求1所述的系统,其特征在于,所述预测模型采取经卡尔曼滤波算法优化后的长短时记忆网络LSTM模型。
5.根据权利要求2所述的系统,其特征在于,所述传感器模块包括雨量传感器、气温传感器、位移传感器、水位传感器和压力传感器;
其中雨量传感器和气温传感器设置于坝体中心位置,与所述嵌入式板卡直接相连;位移传感器设置在大坝坡体上,水位传感器设置在河流中,压力传感器设置在大坝底部,分别通过USB有线或者蓝牙无线方式与所述嵌入式板卡相连;
所述云端服务器通过WIFI或者4G模块经由广域网与所述嵌入式板卡相连接。
6.根据权利要求2所述的系统,其特征在于,所述显示模块采用内置显卡与HDMI视频输出接口,外接显示器。
7.一种基于智能传感器与边缘计算的大坝变形监测和预测方法,其特征在于,具体包括以下步骤:
S1在云端服务器训练数据,生成预测模型;
S2将预测模型传输到嵌入式板卡;
S3传感器采集数据上传至嵌入式板卡,对大坝模型进行预测。
8.根据权利要求7所述的方法,其特征在于,所述S1具体为:
利用大坝变形原始数据训练模型,经由数据预处理剔除其中无效或错误的数据,利用卡尔曼滤波算法对处理后的数据进行平滑处理,使用线性回归预测模型长短时记忆网络LSTM模型对平滑后的数据进行训练,生成H5格式的模型数据。
9.根据权利要求7所述的方法,其特征在于,所述S2具体为:
H5模型数据经过格式转换为TensorFlow lite框架在边缘计算设备中运行的tflite格式模型数据,并导入到嵌入式板卡中。
10.根据权利要求7所述的方法,其特征在于,所述S3具体为:
嵌入式板卡实时通过接受传感器的数据,新产生的数据与tflite格式的模型通过EdgeTPU的AI芯片进行计算,最终输出预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211429432.5A CN115767463A (zh) | 2022-11-15 | 2022-11-15 | 基于智能传感器与边缘计算的大坝监测和预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211429432.5A CN115767463A (zh) | 2022-11-15 | 2022-11-15 | 基于智能传感器与边缘计算的大坝监测和预测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115767463A true CN115767463A (zh) | 2023-03-07 |
Family
ID=85371380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211429432.5A Pending CN115767463A (zh) | 2022-11-15 | 2022-11-15 | 基于智能传感器与边缘计算的大坝监测和预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115767463A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117493021A (zh) * | 2023-12-21 | 2024-02-02 | 中电科新型智慧城市研究院有限公司 | 一种位移监测系统 |
-
2022
- 2022-11-15 CN CN202211429432.5A patent/CN115767463A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117493021A (zh) * | 2023-12-21 | 2024-02-02 | 中电科新型智慧城市研究院有限公司 | 一种位移监测系统 |
CN117493021B (zh) * | 2023-12-21 | 2024-04-30 | 中电科新型智慧城市研究院有限公司 | 一种位移监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103149917B (zh) | 基于无线传感器网络的水工安全监测系统 | |
Gautam et al. | Innovative GSM bluetooth based remote controlled embedded system for irrigation | |
CN108151835B (zh) | 一种基于多参数检测的泵站信息智能监测终端的率定方法 | |
CN115767463A (zh) | 基于智能传感器与边缘计算的大坝监测和预测系统及方法 | |
CN202841542U (zh) | 一种水利物联网数据采集传输终端 | |
CN102625425A (zh) | 一种事件自适应的传感器节点 | |
CN102944266A (zh) | 一种基于水位流量关系的明渠量水计 | |
CN111707332A (zh) | 一种基于stm32的低功耗窨井液位监测与报警系统 | |
CN204613432U (zh) | 一种新型虹吸式雨量计装置 | |
CN201946101U (zh) | 一种智能遥测终端机 | |
CN102750815A (zh) | 一种具有环境检测功能的集中器及其控制方法 | |
CN207396774U (zh) | 一种基于双桶自动排水的称重式遥测雨量计 | |
CN110243431A (zh) | 城市内涝积水监测方法、装置、设备及存储介质 | |
CN202421848U (zh) | 油田现场监控终端设备 | |
CN201819712U (zh) | 基于dsp的气体超声流量计量单元 | |
CN201845090U (zh) | 基于ZigBee的压力式雨量测量装置 | |
JP2013108870A (ja) | 稠密水位観測システム | |
CN202798713U (zh) | 一种基于传感器的蓝牙通信装置 | |
CN115628791A (zh) | 一种新型一体化智能多参量流量计 | |
CN203881799U (zh) | 一种流速计 | |
CN212513219U (zh) | 一种基于stm32的低功耗窨井液位监测与报警系统 | |
CN208860346U (zh) | 海浪爬高监测装置 | |
CN113268881A (zh) | 基于插值计算的水库入库流量测算方法 | |
CN207301758U (zh) | 一种基于模糊控制和plc控制的地源热泵机组控制系统 | |
CN105388538A (zh) | 微型气象预测装置及其气象预测方法 |
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 |