CN116881846A - 一种基于多传感器信息融合的多模态通信铁塔监测方法 - Google Patents

一种基于多传感器信息融合的多模态通信铁塔监测方法 Download PDF

Info

Publication number
CN116881846A
CN116881846A CN202310869792.5A CN202310869792A CN116881846A CN 116881846 A CN116881846 A CN 116881846A CN 202310869792 A CN202310869792 A CN 202310869792A CN 116881846 A CN116881846 A CN 116881846A
Authority
CN
China
Prior art keywords
features
tower
sensitive
displacement
modal
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.)
Granted
Application number
CN202310869792.5A
Other languages
English (en)
Other versions
CN116881846B (zh
Inventor
时广轶
朱宝发
秦强
郑娟慧
王春波
李文荣
金玉丰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuxi Bewis Sensing Technology Co ltd
Original Assignee
Wuxi Bewis Sensing Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuxi Bewis Sensing Technology Co ltd filed Critical Wuxi Bewis Sensing Technology Co ltd
Priority to CN202310869792.5A priority Critical patent/CN116881846B/zh
Publication of CN116881846A publication Critical patent/CN116881846A/zh
Application granted granted Critical
Publication of CN116881846B publication Critical patent/CN116881846B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明属于铁塔监控技术领域，公开了一种基于多传感器信息融合的多模态通信铁塔监测方法，步骤包括：采集风速、塔身振动响应、塔身倾斜位移、桁架架构形变、塔基沉降参数；从采集的参数中提取时域和频域特征；从所有特征选择最敏感特征或参数的几个特征，放入敏感特征组，其余特征放入非敏感特征组；构造样本集，将样本集中的特征分为敏感特征和非敏感特征分别输入深度神经网络模型中进行训练，得到敏感特征的识别模型和非敏感特征的识别模型；将两个识别模型进行融合，得到最终的故障识别结果，并输出故障识别结果的置信度。本发明对各种类型铁塔进行多模态分析，实现通信铁塔从设计到运营的全周期、多模态监测。

Description

一种基于多传感器信息融合的多模态通信铁塔监测方法
技术领域
本发明属于铁塔监控技术领域，尤其涉及一种基于多传感器信息融合的多模态通信铁塔监测方法。
背景技术
通信铁塔作为通信基站的重要组成结构，在室外自然环境作用下，特别是台风、地震等极端天气，塔体容易发生大幅振动、变形弯曲、塔身倾斜。通信铁塔发生倾斜会影响通信信号的覆盖面，变形量过大还会出现塔体倒塌等危险事故，造成通信网络瘫痪，甚至给人们的生命财产安全带来隐患。因此，铁塔的安全稳定需要格外重视，如能及时准确地发现异常变形，以便在事故发生前进行修护和预防，最大限度地减少或避免塔类结构异常变形带来的危害和损失。
目前，塔类结构的状态监测仍采用人工巡检，借助肉眼和工具测量塔体的变形量，这种方式虽简单有效，但存在诸多弊端。由于塔类结构数量众多、位置偏僻，巡检人员一次出工需要完成大量的监测任务，特别是前往偏远地区进行监测作业，需要耗费大量人力物力。同时，巡检人员的巡检周期通常为3~5天，这样的监测周期难以获得塔类结构的实时工作状态。巡检人员用肉眼观测和工具监测，对巡检人员的专业能力和工作态度有较高的要求，检测标准难以统一、质量难以保证。因此，结合当下的技术发展，利用无线传感技术设计一种智能化的通信铁塔状态监测系统具有重要的现实意义。
基于无线传感技术和惯性测量技术的监测系统在测绘领域和故障诊断领域中得到了广泛的应用。在铁塔易发生形变和结构变化的地方放置惯性传感器，对铁塔状态进行实时监测，并将采集到的数据进行计算、分析。常用的倾角传感器可输出三轴倾角和三轴加速度，采用大容量锂亚电池，并支持4G全网通，可将数据传输到云端。同时，采用微机电生产工艺的倾角单元，体积小、功耗低、一致性和稳定性很高，并且在数字型倾角传感模组中线性度更容易得到修正。以FG-WM400型号4G无线传输倾角传感器为例，其工作温度达到工业级别-40℃～+85℃，分辨能力达到0.001°，精度高达0.005°，可实现静态目标参数的精密测量，显著提升了测量效率和精度。
为了避免单一传感器造成的测量局限性，还需要采用多传感器数据融合技术，以获取更为准确和稳定的测量数据。多传感器数据融合技术能够使系统在某个或某类传感器数据丢失的情况下，仍提供目标信息，使得系统具备容错的功能和稳健的性能。同时，多个传感器能够增强观测的空间或几何覆盖范围，提高信息的完整程度。此外，一个传感器的测量值可由其他传感器的测量结果证实，从而提高测量结果的可信度，减少系统的误报率。
发明内容
针对现有监测方法存在的实时性差、监测质量低，以及单一传感器造成的测量局限性，本发明提供了一种基于无线传感技术和惯性测量技术的多传感器信息融合通信铁塔健康状态实时监测方法，辅以专家诊断系统，可提高测量结果的可信度，降低系统的误报率，从而实现多模态下通信铁塔远程、实时和全面的健康状态监测。
本发明公开的基于多传感器信息融合的多模态通信铁塔监测方法，包括以下步骤：
至少使用动态倾角传感器、静态倾角传感器、风速风向传感器、沉降仪和工业摄像机之一，采集风速、塔身振动响应、塔身倾斜位移、桁架架构形变、塔基沉降参数；
从采集的参数中提取时域和频域特征；
从所有特征选择最敏感特征或参数的几个特征，放入敏感特征组，其余特征放入非敏感特征组；
构造样本集，将样本集中的特征分为敏感特征和非敏感特征分别输入深度神经网络模型中进行训练，得到敏感特征的识别模型和非敏感特征的识别模型；
将两个识别模型进行融合，得到最终的故障识别结果，并输出故障识别结果的置信度。
进一步地，采集的数据包括时域和频域的特征，包括对风速、塔身振动响应、塔身倾斜位移、桁架架构形变、塔基沉降参数提取方差、标准差、最大值、最小值、均值、中位数、偏斜度、峭度、变异系数、异常值下界值、异常值上界值、极端值下界、极端值上界、均方值、裕度、EMD特征、模态柔度差、模态柔度改变率、模态曲率改变率。
进一步地，模态曲率通过以下公式计算：
；
式中，、/>、/>表示第i阶模态在j-1、j、j+1点的模态值，lj-1，j表示节点j-1与节点j之间的距离，lj，j+1表示节点j与节点j+1之间的距离；
所述模态曲率差为：
上标d和u分别表示结构损失状态和无损失状态；
模态柔度差的计算如下：
损失前后的柔度变化矩阵为
式中，和/>分别为损伤前后的柔度矩阵；
模态柔度差MF为中第j列中的绝对最大值；
模态柔度改变率MFI的计算如下：
中的对角项、经/>中相应对角项归一化得到：
MFI最大的位置即最可能发生损失的位置。
进一步地，EMD特征通过如下方式求出：
标出局部极值点；
通过三次样条插值连接极大值点构成上包络线，连接极小值点构成下包络线；
求上下包络线的均值；
用输入信号减去上下包络线均值；
重复上述过程，直到将信号分解为若干个经验模态，并得到残差。
进一步地，通过以下步骤，基于三个点的倾斜度计算塔筒顶部位移：
基于某时刻的3个点的倾斜值进行塔筒斜率曲线拟合，假设为塔筒各位置的斜率曲线函数，定义为二次函数：
式中，ɑ 0 、ɑ 1 、ɑ 2 为二次函数的3个系数；
然后，根据三个测点的实测斜率值，采用最小二次方程求解得到三个常量的值；
针对斜率曲线函数进行积分，得到塔筒顶部的位移值；假设塔高为米，顶部位移为/>，则
不断循环上述两个步骤，得到某时间段内塔筒顶部位移数组：
式中，d 1 d 2 …d N 为顶部位移数组D 1中的N个位移元素，N为此时间段采集到的数据长度；
假设这段时间振动位移传感器输出的振动位移数组为：
式中，b 1 b 2 …b N 为振动位移数组B 1中的N个位移元素，由于倾角传感器和振动位移传感器是同步采集的，因此，两个数组内相同下标的数据为同一时刻采集，将该时间段内塔筒顶部晃动位移数组表示为：
通过上述步骤求得铁塔顶部在主风向和垂直主风向下的晃动位移时程曲线。
进一步地，将特征进行排序，对所有特征生成邻域矩阵，根据特征重要性函数计算重要度，将重要度最小的特征去除后，重新计算并特征排序，将所有特征中排序最前面的N个特征作为敏感特征，其余特征为非敏感特征。
进一步地，使用SVM算法进行特征排序，步骤如下：
获取样本X，X={x1,x2,…,xn}, 分类标签Y={y1,y2,…,yn}
训练SVM分类器：，其中α m 、α n 为拉格朗日乘子；
根据特征重要性函数计算特征重要性，找出特征重要性最小的特征，从集合X中去除特征重要性最小的特征，重复上述步骤，直到集合X为空；
所述特征重要性函数计算如下：
计算邻域矩阵中中心点xm与其紧邻点xn件的相似度smn；
将所有的相似度smn组成条件异方差序列，计算第z个特征对应的条件异方差序列的方差σz；
计算特征重要性；
其中为所有特征的条件异方差序列的方差平均值。
进一步地，对训练集数据采用mix-up方法，将成对的样本及其标签进行凸组合后，再输入神经网络进行训练；其中，基于mix-up方法的数据增强公式为：
和/> 分别为第o个样本和第p个样本，o、p分别为样本序号；/>为增强后的样本，超参数/>通过/>来间接地控制样本间的插值强度。
进一步地，所述深度学习网络为一个具有四层隐含层的全连接神经网络，由浅至深各隐含层的节点数分别设为1024、1024、512和512个；为了减轻网络的过度拟合以及网络对特定维度的依赖，模型输入到第一层和第二层时分别添加L2正则化，并使用Dropout层进行随机丢弃，从而提升预测的泛化性能。
进一步地，所述故障类型置信度计算如下：
将敏感特征中属于类别I错误识别为类别J的置信度表示为A(I,J)，将敏感特征中属于类别I错误识别为无故障的置信度表示为B(I)，将敏感特征中属于无故障识别为类别I的置信度表示为C(I)，将非敏感特征中属于类别I错误识别为类别J的置信度表示为C’(I,J)，将非敏感特征中属于类别I错误识别为无故障的置信度表示为B’(I)，将非敏感特征中属于无故障识别为类别I的置信度表示为C’(I)，则最终的故障类型置信度为：
其中γ为加权系数。
本发明的有益效果如下：
本发明的有益效果如下：
本发明对各种类型铁塔进行多模态分析，输入风速、塔身振动响应、塔身倾斜位移、桁架架构形变、塔基沉降等参数，实现通信铁塔从设计到运营的全周期、多模态监测。
本发明以惯性测量技术为基础，结合环境脉动实测数据推演出的振动响应理论模型，基于实测数据，设计优化的信息融合算法和数据处理算法，以获取高精度和稳定的数据，将特征区分为敏感特征和非敏感特征，分别通过深度神经网络进行训练，然后将两个识别模型的结果进行融合，得到最终的故障识别结果，将系统的误报率控制在合理范围内。
附图说明
图1本发明的多模态通信铁塔监测系统结构图；
图2本发明的DNN网络结构图；
图3本发明的平台工作流程图；
图4本发明的数据处理技术框图；
图5本发明的报警门限设置与区域划分图。
具体实施方式
下面结合附图对本发明作进一步的说明，但不以任何方式对本发明加以限制，基于本发明教导所作的任何变换或替换，均属于本发明的保护范围。
一种多模态通信铁塔监测方法，应用于多模态通信铁塔监测系统，参考图1，多模态通信铁塔监测系统包括：现场监测节点，作为信号采集的载体，实现多节点的倾角、振动和风速风向等数据采集；数据传输系统，通过无线网络将数据传输到云端数据库；以及监测终端，通过局域网络实现数据共享，并实时处理和分析数据。
作为上述技术方案的进一步改进：
所述现场监测节点包括动态倾角传感器、静态倾角传感器、风速风向传感器、沉降仪和工业摄像机，构成系统的感知层，输出风速、塔身振动响应、塔身倾斜位移、桁架架构形变、塔基沉降和环境温度等参数。
优选地，倾角传感器可采用BWS2700系列静态倾角传感器和WJ-3A型号风速风向传感器等，分别采集倾角、振动和风速风向等数据。
优选地，采用3轴高精度加速度计和3轴高精度陀螺仪，其本质是一个完整的微惯性系统（Inertial Measurement Unit，IMU），对倾角及振动位移的测量，因此必须采用高精度加速度计及高精度陀螺仪。所以需要对加速度计和陀螺仪分别进行三轴线性度的校准，交叉轴误差的校准。
通过以下步骤，基于三个点的倾斜度计算塔筒顶部位移：
基于某时刻的3个点的倾斜值进行塔筒斜率曲线拟合，假设为塔筒各位置的斜率曲线函数，一般定义为二次函数：
然后，根据三个测点的实测斜率值，采用最小二次方程求解得到三个常量的值。
针对斜率曲线函数进行积分，得到塔筒顶部的位移值。假设塔高为米，顶部位移为/>，则
不断循环上述两个步骤，得到某时间段内塔筒顶部位移数组：
N为此时间段采集到的数据长度。
假设这段时间振动位移传感器输出的振动位移数组为：
由于倾角传感器和振动位移传感器是同步采集的，因此，两个数组内相同下标的数据为同一时刻采集，这样将该时间段内塔筒顶部晃动位移数组表示为：
通过上述步骤可以求得铁塔顶部在主风向和垂直主风向下的晃动位移时程曲线。
数据传输层系利用自身RAM保存的服务器IP地址、端口号和波特率等工作参数，借助移动通信网络建立通信链路，与远程服务器建立通信，实现数据的远程传输。
监测终端将数据实时存储，为健康状态诊断提供数据支持，并将数据可视化为专家诊断系统提供实时监控的服务。主要由服务器和客户端组成，服务器完成数据的接收、拆包和解析、数据保存、数据读取、数据分析和数据挖掘，然后通过显示屏幕显示交互页面，实现人机交互。
一种多传感器信息融合方法，包括：将同类型传感器在多个节点监测的信息进行采集与处理，一般以五分钟为一个采集阶段，各阶段中随机选取一分钟的片段进行数据采集，等价于在模型标签中添加了噪声，进而增强模型在实际应用场景中的适应能力，再根据参考标准删除异常值，并选择合适的数据帧长对数据进行分帧，最后将现有的若干样本生成对应的标签文件。
从采集的参数中提取提取时域和频域的特征，特征包括：对风速、塔身振动响应、塔身倾斜位移、桁架架构形变、塔基沉降参数提取方差、标准差、最大值、最小值、均值、中位数、偏斜度、 峭度、变异系数、异常值下界值、异常值上界值、极端值下界、极端值上界、均方值、裕度、EMD特征、模态柔度差、模态柔度改变率、模态曲率改变率等特征。
模态曲率通过以下公式计算：
式中，、/>、/>表示第i阶模态在j-1、j、j+1点的模态值，lj-1，j表示节点j-1与节点j之间的距离，lj，j+1表示节点j与节点j+1之间的距离。
模态曲率差为：
上标d和u分别表示结构损失状态和无损失状态。
模态柔度差的计算如下：
损失前后的柔度变化矩阵为
式中，和/>分别为损伤前后的柔度矩阵。
模态柔度差MF为中第j列中的绝对最大值。
模态柔度改变率MFI的计算如下：
中的对角项、经/>中相应对角项归一化得到：
MFI最大的位置即最可能发生损失的位置。
EMD特征通过如下方式求出：
标出局部极值点；
通过三次样条插值(cubic spline line)连接极大值点构成上包络线(upperenvelope)，连接极小值点构成下包络线(lower envelope)；
求上下包络线的均值；
用输入信号减去上下包络线均值：
重复上述过程，直到将信号分解为若干个经验模特，并得到残差。
从所有特征选择最敏感特征或参数的几个特征，放入敏感特征组，其余特征放入非敏感特征组，进行判别，选择非敏感特征或参数，进行判别，将两个判别结果进行融合。
特征排序后，生成最小的三个特征的邻域矩阵，根据特征重要性函数计算重要度：将重要度最小的特征去除后，重新计算并特征排序，将所有特征中排序最前面的N个特征作为敏感特征，其余特征为非敏感特征。
使用SVM算法进行特征排序，步骤如下：
获取样本X，X={x1,x2,…,xn}, 分类标签Y={y1,y2,…,yn}
训练SVM分类器：，其中α m， α n 为拉格朗日乘子；
根据特征重要性函数计算特征重要性，找出特征重要性最小的特征，从集合X中去除特征重要性最小的特征，重复上述步骤，直到集合X为空；
所述特征重要性函数计算如下：
计算邻域矩阵中中心点xm与其紧邻点xn件的相似度smn；
将所有的相似度smn组成条件异方差序列，计算第z个特征对应的条件异方差序列的方差σz；
计算特征重要性；
其中为所有特征的条件异方差序列的方差平均值。
对训练集数据采用mix-up方法，将成对的样本及其标签进行凸组合后，再输入神经网络进行训练；其中，基于mix-up方法的数据增强公式为：
和/> 分别为第o个样本和第p个样本，o、p分别为样本序号；/>为增强后的样本，超参数/>通过/>来间接地控制样本间的插值强度。
最后，在预测方法的选择中采用深度神经网络，相较于传统方法，该网络在非线性和大数据量处理领域的能力与优势明显。神经网络通过梯度下降法来求解满足设定的目标函数，其误差反馈能力为建立铁塔故障预测模型提供了理论上的保证。
构造样本集，将样本集中的特征分为敏感特征和非敏感特征分别输入深度神经网络模型中进行训练，得到敏感特征的识别模型和非敏感特征的识别模型，并将两个识别模型进行融合，得到最终的故障识别结果，并输出故障识别结果的置信度。敏感特征识别模型和非敏感特征识别模型的网络超参数不同，可以解耦两种特征的依赖性，再加权融合两个模型的训练结果，得到最终的判别结果。
如图2所示，本发明使用的DNN网络为一个具有四层隐含层的全连接神经网络，由浅至深各隐含层的节点数分别设为1024、1024、512和512个。
各层均使用ReLU（Rectified Linear Unit，修正线性单元）作为激活函数，训练网络的连接权值与阈值实现输入和输出的非线性映射关系。在训练阶段还需计算网络预测值与标签之间的平均绝对误差（Mean Absolute Error，MAE），以此作为模型训练的代价函数，并选用Adam（Adaptive Momentum）梯度下降算法将误差进行反向传播迭代优化。此外，为了减轻网络的过度拟合以及网络对特定维度的依赖，模型输入到第一层和第二层时分别添加系数为0.02的L2正则化，并使用Dropout层以0.2比率进行随机丢弃，从而提升预测的泛化性能。
将敏感特征中属于类别I错误识别为类别J的置信度表示为A(I,J)，将敏感特征中属于类别I错误识别为无故障的置信度表示为B(I)，将敏感特征中属于无故障识别为类别I的置信度表示为C(I)，将非敏感特征中属于类别I错误识别为类别J的置信度表示为C’(I,J)，将非敏感特征中属于类别I错误识别为无故障的置信度表示为B’(I)，将非敏感特征中属于无故障识别为类别I的置信度表示为C’(I)，则最终的故障类型置信度为：
其中γ为加权系数，通过实验获得。
参考图3和图4，获取故障类型后，根据故障类型设定每个故障的阈值，进一步判断其为一级警报还是二级警报，分别根据警报级别进行后续处理，包括发布警情，对故障申请诊断，远程诊断、运维指导等，以消除铁塔故障隐患。
本发明的有益效果如下：
本发明对各种类型铁塔进行多模态分析，输入风速、塔身振动响应、塔身倾斜位移、桁架架构形变、塔基沉降等参数，实现通信铁塔从设计到运营的全周期、多模态监测。
本发明以惯性测量技术为基础，结合环境脉动实测数据推演出的振动响应理论模型，基于实测数据，设计优化的信息融合算法和数据处理算法，以获取高精度和稳定的数据，将特征区分为敏感特征和非敏感特征，分别通过深度神经网络进行训练，然后将两个识别模型的结果进行融合，得到最终的故障识别结果，将系统的误报率控制在合理范围内。
本文所使用的词语“优选的”意指用作实例、示例或例证。本文描述为“优选的”任意方面或设计不必被解释为比其他方面或设计更有利。相反，词语“优选的”的使用旨在以具体方式提出概念。如本申请中所使用的术语“或”旨在意指包含的“或”而非排除的“或”。即，除非另外指定或从上下文中清楚，“X使用A或B”意指自然包括排列的任意一个。即，如果X使用A；X使用B；或X使用A和B二者，则“X使用A或B”在前述任一示例中得到满足。
而且，尽管已经相对于一个或实现方式示出并描述了本公开，但是本领域技术人员基于对本说明书和附图的阅读和理解将会想到等价变型和修改。本公开包括所有这样的修改和变型，并且仅由所附权利要求的范围限制。特别地关于由上述组件(例如元件等)执行的各种功能，用于描述这样的组件的术语旨在对应于执行所述组件的指定功能(例如其在功能上是等价的)的任意组件(除非另外指示)，即使在结构上与执行本文所示的本公开的示范性实现方式中的功能的公开结构不等同。此外，尽管本公开的特定特征已经相对于若干实现方式中的仅一个被公开，但是这种特征可以与如可以对给定或特定应用而言是期望和有利的其他实现方式的一个或其他特征组合。而且，就术语“包括”、“具有”、“含有”或其变形被用在具体实施方式或权利要求中而言，这样的术语旨在以与术语“包含”相似的方式包括。
本发明实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以多个或多个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。上述提到的存储介质可以是只读存储器，磁盘或光盘等。上述的各装置或系统，可以执行相应方法实施例中的存储方法。
综上所述，上述实施例为本发明的一种实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何背离本发明的精神实质与原理下所做的改变、修饰、代替、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种基于多传感器信息融合的多模态通信铁塔监测方法，其特征在于，包括以下步骤：
至少使用动态倾角传感器、静态倾角传感器、风速风向传感器、沉降仪和工业摄像机之一，采集风速、塔身振动响应、塔身倾斜位移、桁架架构形变、塔基沉降参数；
从采集的参数中提取时域和频域特征；
从所有特征选择最敏感特征或参数的几个特征，放入敏感特征组，其余特征放入非敏感特征组；
构造样本集，将样本集中的特征分为敏感特征和非敏感特征分别输入深度神经网络模型中进行训练，得到敏感特征的识别模型和非敏感特征的识别模型；
将两个识别模型进行融合，得到最终的故障识别结果，并输出故障识别结果的置信度;
将特征进行排序，对所有特征生成邻域矩阵，根据特征重要性函数计算重要度，将重要度最小的特征去除后，重新计算并特征排序，将所有特征中排序最前面的L个特征作为敏感特征，其余特征为非敏感特征;
所述故障类型置信度计算如下：
将敏感特征中属于类别I错误识别为类别J的置信度表示为A(I,J)，将敏感特征中属于类别I错误识别为无故障的置信度表示为B(I)，将敏感特征中属于无故障识别为类别I的置信度表示为C(I)，将非敏感特征中属于类别I错误识别为类别J的置信度表示为C’(I,J)，将非敏感特征中属于类别I错误识别为无故障的置信度表示为B’(I)，将非敏感特征中属于无故障识别为类别I的置信度表示为C’(I)，则最终的故障类型置信度为：
其中γ为加权系数。
2.根据权利要求1所述的基于多传感器信息融合的多模态通信铁塔监测方法，其特征在于，采集的数据包括时域和频域的特征，包括风速、塔身振动响应、塔身倾斜位移、桁架架构形变、塔基沉降参数、塔筒顶部位移提取方差、标准差、最大值、最小值、均值、中位数、偏斜度、峭度、变异系数、异常值下界值、异常值上界值、极端值下界、极端值上界、均方值、裕度、EMD特征、模态柔度差、模态柔度改变率、模态曲率改变率。
3.根据权利要求2所述的基于多传感器信息融合的多模态通信铁塔监测方法，其特征在于，模态曲率通过以下公式计算：
；式中，/>、/>、/>表示第i阶模态在j-1、j、j+1点的模态值，lj-1，j表示节点j-1与节点j之间的距离，lj，j+1表示节点j与节点j+1之间的距离；
所述模态曲率差为：
上标d和u分别表示结构损失状态和无损失状态；其中，表示结构损失状态下的模态曲率，表示无损失状态下的模态曲率；
模态柔度差的计算如下：
损失前后的柔度变化矩阵为
式中和/>分别为损伤前后的柔度矩阵；
模态柔度差MF为中第j列中的绝对最大值；
模态柔度改变率MFI的计算如下：
中的对角项、经/>中相应对角项归一化得到：
MFI最大的位置即最可能发生损失的位置，/>表示损伤前柔度矩阵的对角项，/>表示损失后柔度矩阵的对角项。
4.根据权利要求2所述的基于多传感器信息融合的多模态通信铁塔监测方法，其特征在于，EMD特征通过如下方式求出：
标出局部极值点；
通过三次样条插值连接极大值点构成上包络线，连接极小值点构成下包络线；
求上下包络线的均值；
用输入信号减去上下包络线均值；
重复上述过程，直到将信号分解为若干个经验模态，并得到残差。
5.根据权利要求2所述的基于多传感器信息融合的多模态通信铁塔监测方法，其特征在于，通过以下步骤，基于三个点的倾斜度计算塔筒顶部位移：
基于某时刻的3个点的倾斜值进行塔筒斜率曲线拟合，假设为塔筒各位置的斜率曲线函数，定义为二次函数：
式中， ɑ 0 、ɑ 1 、ɑ 2 为二次函数的3个系数；
然后，根据三个测点的实测斜率值，采用最小二次方程求解得到三个常量的值；
针对斜率曲线函数进行积分，得到塔筒顶部的位移值；假设塔高为米，顶部位移为/>，则
不断循环上述两个步骤，得到某时间段内塔筒顶部位移数组：
式中d 1 d 2 …d N 为顶部位移数组D 1中的N个位移元素，为此时间段采集到的数据长度；
假设这段时间振动位移传感器输出的振动位移数组为：
式中， b 1 b 2 …b N 为振动位移数组B 1中的N个位移元素；
由于倾角传感器和振动位移传感器是同步采集的，因此，两个数组内相同下标的数据为同一时刻采集，将该时间段内塔筒顶部晃动位移数组表示为：
通过上述步骤求得铁塔顶部在主风向和垂直主风向下的晃动位移时程曲线。
6. 根据权利要求1所述的基于多传感器信息融合的多模态通信铁塔监测方法，其特征在于，使用SVM算法进行特征排序，步骤如下：
获取样本X，X={x1,x2,…,xn}, 分类标签Y={y1,y2,…,yn}
训练SVM分类器：，其中α m 、α n 为拉格朗日乘子；
根据特征重要性函数计算特征重要性，找出特征重要性最小的特征，从集合X中去除特征重要性最小的特征，重复上述步骤，直到集合X为空；
所述特征重要性函数计算如下：
计算邻域矩阵中中心点xm与其紧邻点xn件的相似度smn；
将所有的相似度smn组成条件异方差序列，计算第x个特征对应的条件异方差序列的方差σz；
计算特征重要性；
其中为所有特征的条件异方差序列的方差平均值。
7.根据权利要求6所述的基于多传感器信息融合的多模态通信铁塔监测方法，其特征在于，对训练集数据采用mix-up方法，将成对的样本及其标签进行凸组合后，再输入神经网络进行训练；其中，基于mix-up方法的数据增强公式为：
和 />分别为第o个样本和第p个样本，o、p分别为样本序号；/>为增强后的样本；超参数/>通过加权因子/>来间接地控制样本间的插值强度。
8.根据权利要求7所述的基于多传感器信息融合的多模态通信铁塔监测方法，其特征在于，所述深度学习网络为一个具有四层隐含层的全连接神经网络，由浅至深各隐含层的节点数分别设为1024、1024、512和512个；为了减轻网络的过度拟合以及网络对特定维度的依赖，模型输入到第一层和第二层时分别添加L2正则化，并使用Dropout层进行随机丢弃，从而提升预测的泛化性能。
CN202310869792.5A 2023-07-17 2023-07-17 一种基于多传感器信息融合的多模态通信铁塔监测方法 Active CN116881846B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310869792.5A CN116881846B (zh) 2023-07-17 2023-07-17 一种基于多传感器信息融合的多模态通信铁塔监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310869792.5A CN116881846B (zh) 2023-07-17 2023-07-17 一种基于多传感器信息融合的多模态通信铁塔监测方法

Publications (2)

Publication Number Publication Date
CN116881846A true CN116881846A (zh) 2023-10-13
CN116881846B CN116881846B (zh) 2024-04-05

Family

ID=88265787

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310869792.5A Active CN116881846B (zh) 2023-07-17 2023-07-17 一种基于多传感器信息融合的多模态通信铁塔监测方法

Country Status (1)

Country Link
CN (1) CN116881846B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103557884A (zh) * 2013-09-27 2014-02-05 杭州银江智慧城市技术集团有限公司 一种输电线路杆塔监控的多传感器数据融合预警方法
CN106447040A (zh) * 2016-09-30 2017-02-22 湖南科技大学 基于异类多传感器数据融合的机械设备健康状态评估方法
CN109145706A (zh) * 2018-06-19 2019-01-04 徐州医科大学 一种用于振动信号分析的敏感特征选取与降维方法
CN113469060A (zh) * 2021-07-02 2021-10-01 浙大城市学院 多传感器融合卷积神经网络航空发动机轴承故障诊断方法
CN114509266A (zh) * 2022-01-05 2022-05-17 东南大学 一种基于故障特征融合的轴承健康监测方法
CN115688018A (zh) * 2023-01-04 2023-02-03 湖南大学 一种多工况下轴承的状态监测与故障诊断方法
EP4155669A1 (en) * 2020-05-19 2023-03-29 Beijing Greenvalley Technology Co., Ltd. Multi-sensor fusion-based slam method and system

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103557884A (zh) * 2013-09-27 2014-02-05 杭州银江智慧城市技术集团有限公司 一种输电线路杆塔监控的多传感器数据融合预警方法
CN106447040A (zh) * 2016-09-30 2017-02-22 湖南科技大学 基于异类多传感器数据融合的机械设备健康状态评估方法
CN109145706A (zh) * 2018-06-19 2019-01-04 徐州医科大学 一种用于振动信号分析的敏感特征选取与降维方法
EP4155669A1 (en) * 2020-05-19 2023-03-29 Beijing Greenvalley Technology Co., Ltd. Multi-sensor fusion-based slam method and system
CN113469060A (zh) * 2021-07-02 2021-10-01 浙大城市学院 多传感器融合卷积神经网络航空发动机轴承故障诊断方法
CN114509266A (zh) * 2022-01-05 2022-05-17 东南大学 一种基于故障特征融合的轴承健康监测方法
CN115688018A (zh) * 2023-01-04 2023-02-03 湖南大学 一种多工况下轴承的状态监测与故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘春城;张伟;杨杰;胡峰;: "基于数据融合的大型输电铁塔结构损伤识别", 应用基础与工程科学学报, no. 06, 15 December 2011 (2011-12-15) *
马文龙;吕建新;吴虎胜;黄炯龙;: "多传感器信息融合在滚动轴承故障诊断中的应用", 传感器与微系统, no. 07, 20 July 2013 (2013-07-20) *

Also Published As

Publication number Publication date
CN116881846B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN116644608B (zh) 一种基于海洋环境数据的实海域船舶运动预报方法及系统
CN110009037B (zh) 一种基于物理信息耦合的工程风速短时预测方法及系统
CN114005278B (zh) 一种高速公路基础设施群智能监测与预警系统及方法
CN111709381A (zh) 基于YOLOv3-SPP的道路环境目标检测方法
Dong et al. Deformation prediction of unstable slopes based on real-time monitoring and deepar model
CN116596321B (zh) 基于神经网络的建筑风险监测与评估方法和系统
CN102288176A (zh) 基于信息融合的煤矿救灾机器人导航系统及方法
CN106500614A (zh) 一种隧道运行期变形监测预报系统及方法
CN114463932B (zh) 非接触式施工安全距离主动动态识别预警系统及方法
CN112037925A (zh) 一种基于lstm算法的新发重大传染病预警方法
CN115099328A (zh) 基于对抗网络的交通流量预测方法、系统、设备及存储介质
CN114357567A (zh) 基于bim的风振监测、系统、存储介质及计算机设备
CN117910812A (zh) 一种建筑施工现场安全监测预警方法
Al-Ali et al. An IoT-based road bridge health monitoring and warning system
CN114970743A (zh) 一种基于多模态深度学习的多源遥感降雨数据融合方法
Shan et al. Rapid full-field deformation measurements of tall buildings using UAV videos and deep learning
CN116976526B (zh) 耦合ViViT和ANN的土地利用变化预测方法
CN116881846B (zh) 一种基于多传感器信息融合的多模态通信铁塔监测方法
Wang et al. Advancements in Optimal Sensor Placement for Enhanced Structural Health Monitoring: Current Insights and Future Prospects
French et al. Advanced technologies for earthquake risk inventories
JP2023007932A (ja) 風況予測システム、風況予測方法、および風況予測プログラム
CN112162336A (zh) 基于二维气象要素场的能见度预测方法和装置
Meshram Machine Learning Applications in Civil Engineering
CN118278293B (zh) 一种基于数据分析的公路施工安全防护系统
CN116739357B (zh) 多模态融合感知的城市既有建筑广域监测预警方法及装置

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
CB02 Change of applicant information

Country or region after: Zhong Guo

Address after: 214000 58-30 xiuxi Road, Binhu District, Wuxi City, Jiangsu Province

Applicant after: WUXI BEWIS SENSING TECHNOLOGY CO.,LTD.

Address before: No. 28, Xuefeng Road, Shuangxin Industrial Park, the Taihu Lake Street, Economic Development Zone, Wuxi City, Jiangsu Province, 214122

Applicant before: WUXI BEWIS SENSING TECHNOLOGY CO.,LTD.

Country or region before: Zhong Guo

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant