公路隧道洞外光环境监测方法及系统技术方案

本发明专利技术提供一种公路隧道洞外光环境监测方法，包括步骤：S1：实时采集隧道洞口光亮度和隧道洞外路面光照度，获取训练样本；S2：构建和训练神经网络；S3：将当前时刻采集到的隧道洞口光亮度带入神经网络，预测得到下一个时间周期的隧道洞口光亮度；S4：根据预测得到的下一周期的隧道洞口光亮度，调整隧道照明数量；本发明专利技术通过对公路隧道洞外光环境的长期监测，建立隧道光照模型，然后输出最佳隧道照明策略反馈隧道照明控制系统，从而实现公路隧道最优照明策略。

【技术实现步骤摘要】
公路隧道洞外光环境监测方法及系统
本专利技术涉及公路隧道监测领域，具体涉及一种公路隧道洞外光环境监测方法及系统。
技术介绍
目前，公路隧道洞外光环境监测主要通过隧道机电监控平台通过采集洞内、洞外传感器数据，采集后的数据仅作为平台显示用，并未进行数据分析与处理，不能对公路隧道照明起到控制作用，导致公路隧道照明控制依然采用传统的逻辑开关或无级调节法分时段进行照明控制，这种控制方法存在投资成本高、电能损耗大的问题。因此，需要提出一种的公路隧道洞外光环境监测方法及系统。
技术实现思路
有鉴于此，本专利技术的目的是提供一种公路隧道洞外光环境监测方法及系统，通过对公路隧道洞外光环境的长期监测，建立隧道光照模型，然后输出最佳隧道照明策略反馈隧道照明控制系统，从而实现公路隧道最优照明策略。本专利技术提供一种公路隧道洞外光环境监测方法，包括步骤：S1：实时采集隧道洞口光亮度和隧道洞外路面光照度，获取训练样本；S2：构建和训练神经网络；S3：将当前时刻采集到的隧道洞口光亮度带入神经网络，预测得到下一个时间周期的隧道洞口光亮度；S4：根据预测得到的下一个时间周期的隧道洞口光亮度，调整隧道照明数量。进一步，所述步骤S4中调整隧道照明数量的计算公式为：其中，pi+1和pi分别为第i个和第i+1个时间周期的隧道照明数量，为实际采集到的第i个时间周期隧道洞口光亮度平均值，为预测得到的第i+1个时间周期隧道洞口光亮度平均值。进一步，所述步骤S1具体包括：在隧道洞口设置若干光亮度传感器和光照度传感器；连续采集N个时间周期的隧道洞外路面光照度和隧道洞口光亮度；并计算每个时间周期的隧道洞口光亮度平均值和隧道洞外路面光照度平均值其中，表示第i个时间周期的隧道洞口光亮度平均值；第i个时间周期的隧道洞外路面光照度平均值；i＝1，2，3，……，N；将前N-1个时间周期的隧道洞外路面光照度平均值和隧道洞口光亮度平均值作为第i次神经网络训练迭代的输入层数据，将第N个时间周期的隧道洞外路面光照度平均值作为神经网络训练迭代期望输出数据，得到训练样本。进一步，所述步骤S2具体包括：S21：构建线性神经网络；初始化线性神经网络算法的学习率为λ，初始化误差阈值e0，初始化最大迭代次数T；S22：向线性神经网络中输入输入层数据，输出当前迭代的预测数据；S23：根据当前迭代的预测数据和期望输出数据计算当前迭代的误差；S24：判断当前迭代的误差是否小于误差阈值e0，若否，则进入步骤S25；若是，进入步骤S27；S25：判断是否达到最大迭代次数，若否，则进入步骤S26；若是，则进入步骤S27；S26：根据当前迭代的误差，对线性神经网络的权重进行调整，返回步骤S22；S27：结束对线性神经网络的训练，得到训练后的神经网络。进一步，所述当前迭代的误差的计算公式为：其中，ek为第k次迭代的误差；表示第k次迭代输出的预测数据，表示预测的第N个时间周期的隧道洞口光亮度平均值；Δxi+1为实际第i+1个时间周期相对于第i个时间周期的隧道洞口光亮度平均值的增量，表示采集得到的第j个时间周期的隧道洞口光亮度平均值，表示采集得到的第j+1个时间周期的隧道洞口光亮度平均值。进一步，所述步骤S26中线性神经网络的权重进行调整的公式为：Δwj＝λekΔxj+1(2-2)其中，Δwj表示当前迭代第j个权重的调整增量，在下一次迭代中，神经网络第j个权重的调整为当前迭代中第j个权重与当前迭代第j个权重的调整增量之和。进一步，10s≤一个时间周期≤30s；240≤N≤480。相应地，本专利技术还提供一种公路隧道洞外光环境监测系统，包括光照度采集模块、光亮度采集模块、数据处理模块和照明策略执行模块；所述光照度采集模块包括若干设置于隧道洞口的光照度传感器，所述光照度传感器与数据处理模块通信连接，用于将采集到的光照度数据传输给数据处理模块；所述光亮度采集模块包括若干设置于隧道洞口的光亮度传感器，所述光亮度采集模块与数据处理模块通信连接，用于将采集到的光亮度数据传输给数据处理模块；所述数据处理模块，用于计算每个时间周期的隧道洞口光亮度平均值和隧道洞外路面光照度平均值构建和训练神经网络，预测得到下一个时间周期的隧道洞口光亮度，计算调整隧道照明数量；所述照明策略执行模块与数据处理模块连接，用于根据调整隧道照明数量调整隧道照明数量。本专利技术的有益效果：本专利技术采集公路隧道洞外光环境数据进行采集与分析，通过建立神经网络模型自适应调整隧道照明数量，与传统照明控制相比，显著的降低了隧道照明电能损耗，减少了系统运营成本。附图说明下面结合附图和实施例对本专利技术作进一步描述：图1为本专利技术的结构示意图；图2为本专利技术的控制示意图。具体实施方式如图1所示，本专利技术提供一种公路隧道洞外光环境监测方法，包括步骤：S1：实时采集隧道洞口光亮度和隧道洞外路面光照度，获取训练样本；S2：构建和训练神经网络；S3：将当前时刻采集到的隧道洞口光亮度带入神经网络，预测得到下一个时间周期的隧道洞口光亮度；S4：根据预测得到的下一个时间周期的隧道洞口光亮度，调整隧道照明数量。通过上述方法，采集公路隧道洞外光环境数据进行采集与分析，通过建立神经网络模型自适应调整隧道照明数量，实现自动控制隧道照明情况，与传统照明控制相比，显著的降低了隧道照明电能损耗，减少了系统运营成本。本实施例中，每个时间周期为10s。所述步骤S4中调整隧道照明数量的计算公式为：其中，pi+1和pi分别为第i个和第i+1个时间周期的隧道照明数量，为实际采集到的第i个时间周期隧道洞口光亮度平均值，为预测得到的第i+1个时间周期隧道洞口光亮度平均值。例如，采集到运行当天第200个时间周期的的隧道洞口光亮度平均值为90cd/m2，照明数量为9个，预测得到第201个时间周期的隧道洞口光亮度平均值为100cd/m2，则第201个时间周期将照明数量调整为10个。所述步骤S1具体包括：在隧道洞口设置若干光亮度传感器和光照度传感器；连续采集N个时间周期的隧道洞外路面光照度和隧道洞口光亮度；并计算每个时间周期的隧道洞口光亮度平均值和隧道洞外路面光照度平均值其中，表示第i个时间周期的隧道洞口光亮度平均值；第i个时间周期的隧道洞外路面光照度平均值；i＝1，2，3，……，N。此处，所述每个时间周期的隧道洞口光亮度平均值由该时间周期内各个光亮度传感器采集到各光亮度数据求加权平均得到，所述每个时间周期的隧道洞外路面光照度平均值由各个光照度传感器采集到各光照度数据求加权平均得到。将前N-1个时间周期的隧道洞外路面光照度平均值和隧道洞口光亮度平均值作为第i次神经网络训练迭代的输入层数据，将第N个时间周期的隧道洞外路面光照度平均值作为神经网络训练迭代期望输出数据，得到训练样本。所述步骤S2具体包括：S21：构建线性神经网络；初始化线性神经网络算法的学习率为λ，初始化误差阈值e0，初始化最大迭代次数T；S22：向线性神经网络中输入输入层数据，输出当前迭代的预测数据；S23：根据当前迭代的预测数据和期望输出数据计算当前迭代的误差；S24：判断当前迭代的误差是否小于误差阈值e0，若否，则进入步骤S25；若是，进入步骤S27；S25：判断是否达到最大迭代次数，若否，则进入步骤S26；若是，则进入步骤S27；S26：根据当前迭代的误差，对线性本文档来自技高网...

【技术保护点】
1.一种公路隧道洞外光环境监测方法，其特征在于：包括步骤：S1：实时采集隧道洞口光亮度和隧道洞外路面光照度，获取训练样本；S2：构建和训练神经网络；S3：将当前时刻采集到的隧道洞口光亮度带入神经网络，预测得到下一个时间周期的隧道洞口光亮度；S4：根据预测得到的下一个时间周期的隧道洞口光亮度，调整隧道照明数量。

【技术特征摘要】
2018.10.23 CN 201811236532X1.一种公路隧道洞外光环境监测方法，其特征在于：包括步骤：S1：实时采集隧道洞口光亮度和隧道洞外路面光照度，获取训练样本；S2：构建和训练神经网络；S3：将当前时刻采集到的隧道洞口光亮度带入神经网络，预测得到下一个时间周期的隧道洞口光亮度；S4：根据预测得到的下一个时间周期的隧道洞口光亮度，调整隧道照明数量。2.根据权利要求1所述公路隧道洞外光环境监测方法，其特征在于：所述步骤S4中调整隧道照明数量的计算公式为：其中，pi+1和pi分别为第i个和第i+1个时间周期的隧道照明数量，为实际采集到的第i个时间周期隧道洞口光亮度平均值，为预测得到的第i+1个时间周期隧道洞口光亮度平均值。3.根据权利要求1所述公路隧道洞外光环境监测方法，其特征在于：所述步骤S1具体包括：在隧道洞口设置若干光亮度传感器和光照度传感器；连续采集N个时间周期的隧道洞外路面光照度和隧道洞口光亮度；并计算每个时间周期的隧道洞口光亮度平均值和隧道洞外路面光照度平均值其中，表示第i个时间周期的隧道洞口光亮度平均值；第i个时间周期的隧道洞外路面光照度平均值；i＝1，2，3，……，N；将前N-1个时间周期的隧道洞外路面光照度平均值和隧道洞口光亮度平均值作为第i次神经网络训练迭代的输入层数据，将第N个时间周期的隧道洞外路面光照度平均值作为神经网络训练迭代期望输出数据，得到训练样本。4.根据权利要求3所述公路隧道洞外光环境监测方法，其特征在于：所述步骤S2具体包括：S21：构建线性神经网络；初始化线性神经网络算法的学习率为λ，初始化误差阈值e0，初始化最大迭代次数T；S22：向线性神经网络中输入输入层数据，输出当前迭代的预测数据；S23：根据当前迭代的预测数据和期望输出数据计算当前迭代的误差；S24：判断当前迭代的误差是否小于误差阈值e0，若否，则进入步骤S25；若是，进入步骤S27...

【专利技术属性】
技术研发人员：王超，马非，赵明，丁浩，华开成，廖志鹏，夏杨于雨，刘永华，刘鹏，刘韶新，陈伯俊，刘欢，
申请(专利权)人：广东省路桥建设发展有限公司，招商局重庆交通科研设计院有限公司，
类型：发明
国别省市：广东,44