市政设施监测方法及监测系统技术方案

本发明专利技术公开了市政设施监测方法及系统，包括检测节点、现场监控端，检测节点负责采集被检测市政设施安全参数信息，在现场监控端中有市政设施监测子系统实现对市政设施安全参数处理和安全状态分类，通过网关节点实现检测节点、现场监控端、云平台和手机APP的双向通信，实现被检测市政设施参数采集和市政设施安全等级的分类，手机APP实现对市政设施安全远程监测，其中检测节点、现场监控端加载有检测与监控程序。本发明专利技术针对传统市政设施监测方法的不足和监测设备安装复杂、维护烦琐、监测成本高、自动化程度低等问题现状，采用物联网、传感器、人工智能和大数据技术为市政设施的状态监测提供了新的途径，通过检测影响市政设施的重要性变量建立识别模型对区域设施安全状态进行评估，使得对市政设施状态的识别与评估更加准确，保证区域市政设施的安全生产。保证区域市政设施的安全生产。保证区域市政设施的安全生产。

【技术实现步骤摘要】
市政设施监测方法及监测系统


[0001]本专利技术涉及市政设施监测
，具体涉及一种市政设施监测方法及监测系统。

技术介绍

[0002]我国区域市政设施事故造成的事故伤亡人数仅低于道路交通事故和煤矿事故，每年因市政设施事故造成直接经济损失数十亿元，这些事故不仅造成了巨大的人员伤亡和财产损失，也造成了极其恶劣的社会影响。市政设施是对社会生产和居民生活以及整个城市经济社会运行起服务作用的设施，主要包括高层建筑、桥梁、机场、火车站、高速公路、铁路，隧道、地下管廊、地铁、港口、大坝和滑坡等。监测市政设施安全状态的目的是及时发现潜在危害，比如沉陷、倾斜、塌方、泄漏等，保证市政设施安全，从而避免人民重大生命、财产损失。市政设施危险事故的发生是一个缓慢的过程，一般发端于微小的破损，比如形变、裂缝、沉降等。市政设施监测的目标就是针对这些微小破损，进行长期稳定观测，预测其发展变化趋势，评估潜在危险等级，及时采取适当措施修复破损，提高市政设施监测可靠性、安全性和准确性。

技术实现思路

[0003]本专利技术针对传统市政设施监测方法的不足和监测设备安装复杂、维护烦琐、监测成本高、自动化程度低等问题现状，采用物联网、传感器、人工智能和大数据技术为市政设施的状态监测提供了新的途径，通过检测影响市政设施的重要性变量建立识别模型对区域设施安全状态进行评估，使得对市政设施状态的识别与评估更加准确，保证区域市政设施的安全生产。
[0004]为解决上述问题，本专利技术采用如下的技术方案：
[0005]一、市政设施监测方法步骤：
[0006]1、构建参数检测模型，参数检测模型由多个降噪自编码神经网络
‑
NARX神经网络模型、自适应AP聚类器、多个PSO的小波自适应神经网络模型、ESN神经网络模型、TDL按拍延迟线A、新陈代谢GM(1，1)趋势模型、NARX神经网络模型A、NARX神经网络模型B、TDL按拍延迟线B、TDL按拍延迟线C、TDL按拍延迟线D和区间犹豫模糊数的BAM神经网络
‑
NARX神经网络模型组成，多组参数传感器输出分别作为对应的降噪自编码神经网络
‑
NARX神经网络模型的输入，多个降噪自编码神经网络
‑
NARX神经网络模型作为自适应AP聚类器的输入，自适应AP聚类器输出不同类型的降噪自编码神经网络
‑
NARX神经网络模型输出分别作为对应的PSO的小波自适应神经网络模型的输入，多个PSO的小波自适应神经网络模型的输出作为ESN神经网络模型的对应输入，ESN神经网络模型输出作为作为TDL按拍延迟线A的输入，TDL按拍延迟线A的输出作为新陈代谢GM(1，1)趋势模型输入，TDL按拍延迟线A的输出与新陈代谢GM(1，1)趋势模型输出的差和新陈代谢GM(1，1)趋势模型输出分别作为NARX神经网络模型A和NARX神经网络模型B的输入，NARX神经网络模型A和NARX神经网络模型B输出分别作为TDL按
拍延迟线B和TDL按拍延迟线C的输入，TDL按拍延迟线B、TDL按拍延迟线C和TDL按拍延迟线D的输出分别作为区间犹豫模糊数的BAM神经网络
‑
NARX神经网络模型的对应输入，区间犹豫模糊数的BAM神经网络
‑
NARX神经网络模型输出的4个参数分别为a、b、c和d，a、b、c和d作为TDL按拍延迟线D的输入，a和b组成区间数(a,b)作为被检测参数的极小值，c和d组成区间数(c,d)作为被检测参数的极大值，区间数(a,b)和区间数(c,d)组成[(a,b)，(c,d)]作为被检测参数的区间犹豫模糊数，区间犹豫模糊数的BAM神经网络
‑
NARX神经网络模型输出作为参数检测模型的输出。参数检测模型结构见图1所示。
[0007]2、构建区间犹豫模糊数融合模型，一段时间多个参数测量传感器的参数检测模型输出的区间犹豫模糊数构成时间序列区间犹豫模糊数值阵列，定义参数测量传感器的时间序列区间犹豫模糊数的距离和相关度，构建距离矩阵和相关度矩阵，每个测量传感器的时间序列区间犹豫模糊数的距离平均值的倒数占所有参数测量传感器的时间序列犹豫模糊数的距离平均值倒数和的比为该参数测量传感器的时间序列区间犹豫模糊数的距离融合权重，每个测量传感器器的时间序列区间犹豫模糊数的相关度平均值占所有测量传感器器的时间序列区间犹豫模糊数的相关度平均值和的比为该参数测量传感器的时间序列区间犹豫模糊数的相关度融合权重，每个参数测量传感器的时间序列区间犹豫模糊数的距离测度融合权重和该参数测量传感器的时间序列区间犹豫模糊数的相关度融合权重按照从小到大排序组成的区间数作为该参数测量传感器的时间序列区间犹豫模糊数的区间数融合权重；根据同一时刻每个参数测量传感器的时间序列区间犹豫模糊数与该参数测量传感器的时间序列区间犹豫模糊数的区间数融合权重的积相加得到的和为所有参数测量传感器的时间序列区间犹豫模糊数的融合值；区间犹豫模糊数融合模型结构见图2所示。
[0008]3、市政设施监测子系统包括多个参数检测模型、区间犹豫模糊数融合模型、TDL按拍延迟线、自联想神经网络模型和区间数的BAM神经网络
‑
T
‑
S模糊递归神经网络市政设施安全分类器组成，感知市政设施安全的多组传感器组输出作为对应的参数检测模型的输入，参数检测模型的输出作为区间犹豫模糊数融合模型的输入，区间犹豫模糊数融合模型输出和区间数的BAM神经网络
‑
T
‑
S模糊递归神经网络市政设施安全分类器输出分别作为对应的TDL按拍延迟线输入，2个TDL按拍延迟线输出分别作为多个自联想神经网络模型的对应输入，多个自联想神经网络模型输出分别作为区间数的BAM神经网络
‑
T
‑
S模糊递归神经网络市政设施安全分类器的对应输入，区间数的BAM神经网络
‑
T
‑
S模糊递归神经网络市政设施安全分类器输出的2个参数分别为e、f，e和f组成区间数[e，f]，区间数[e，f]作为被检测的市政设施安全等级的区间数，区间数的BAM神经网络
‑
T
‑
S模糊递归神经网络市政设施安全分类器输出的区间数分别对应市政设施很安全、市政设施比较安全、市政设施状况一般、市政设施状况较差、市政设施状况很差共5种市政设施安全类型；市政设施监测子系统结构见图2所示。
[0009]4、多组设施安全传感器输出作为市政设施监测子系统输入，市政设施监测子系统输出市政设施安全类型。
[0010]5、降噪自编码神经网络
‑
NARX神经网络模型、BAM神经网络
‑
NARX神经网络模型、BAM神经网络
‑
T
‑
S模糊递归神经网络市政设施安全分类器的特征在于降噪自编码神经网络与NARX神经网络模型串联、BAM神经网络与NARX神经网络模型串联、BAM神经网络与T
‑
S模糊递归神经网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.市政设施监测方法，其特征在于，包括以下步骤：步骤1、构建参数检测模型参数检测模型包括降噪自编码神经网络
‑
NARX神经网络模型、自适应AP聚类器、PSO的小波自适应神经网络模型、ESN神经网络模型、TDL按拍延迟线A、新陈代谢GM(1，1)趋势模型、NARX神经网络模型A、NARX神经网络模型B、TDL按拍延迟线B、TDL按拍延迟线C、TDL按拍延迟线D和区间犹豫模糊数的BAM神经网络
‑
NARX神经网络模型；步骤2、构建区间犹豫模糊数融合模型一段时间多个参数测量传感器的参数检测模型输出的区间犹豫模糊数构成时间序列区间犹豫模糊数值阵列，定义参数测量传感器的时间序列区间犹豫模糊数的距离和相关度，构建距离矩阵和相关度矩阵；步骤3、构建市政设施监测子系统市政设施监测子系统包括参数检测模型、区间犹豫模糊数融合模型、TDL按拍延迟线、自联想神经网络模型和区间数的BAM神经网络
‑
T
‑
S模糊递归神经网络市政设施安全分类器组成；步骤4、多组设施安全传感器输出作为市政设施监测子系统输入，市政设施监测子系统输出市政设施安全类型。2.根据权利要求1所述的市政设施监测方法，其特征在于，所述步骤1中，多组参数传感器输出分别作为对应的降噪自编码神经网络
‑
NARX神经网络模型的输入，多个降噪自编码神经网络
‑
NARX神经网络模型作为自适应AP聚类器的输入，自适应AP聚类器输出不同类型的降噪自编码神经网络
‑
NARX神经网络模型输出分别作为对应的PSO的小波自适应神经网络模型的输入，多个PSO的小波自适应神经网络模型的输出作为ESN神经网络模型的对应输入，ESN神经网络模型输出作为TDL按拍延迟线A的输入，TDL按拍延迟线A的输出作为新陈代谢GM(1，1)趋势模型输入，TDL按拍延迟线A的输出与新陈代谢GM(1，1)趋势模型输出的差和新陈代谢GM(1，1)趋势模型输出分别作为NARX神经网络模型A和NARX神经网络模型B的输入，NARX神经网络模型A和NARX神经网络模型B输出分别作为TDL按拍延迟线B和TDL按拍延迟线C的输入，TDL按拍延迟线B、TDL按拍延迟线C和TDL按拍延迟线D的输出分别作为区间犹豫模糊数的BAM神经网络
‑
NARX神经网络模型的对应输入，区间犹豫模糊数的BAM神经网络
‑
NARX神经网络模型输出的4个参数分别为a、b、c、d作为TDL按拍延迟线D的输入，区间犹豫模糊数的BAM神经网络
‑
NARX神经网络模型输出作为参数检测模型的输出。3.根据权利要求2所述的市政设施监测方法，其特征在于，a和b组成区间数(a，b)作为被检测参数的极小值，c和d组成区间数(c，d)作为被检测参数的极大值，区间数(a，b)和区间数(c，d)组成[(a，b)，(c，d...

【专利技术属性】
技术研发人员：马严晨，高长征，马从国，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：