基于MEMS的基础设施风险监测方法及监测系统技术方案

本发明专利技术提供了一种基于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。更加准确地提取数据信息。更加准确地提取数据信息。

【技术实现步骤摘要】
基于MEMS的基础设施风险监测方法及监测系统


[0001]本专利技术涉及计算机
，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。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]本专利技术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。
[0005]第一方面，本专利技术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。
[0006]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。
[0007]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。
[0008]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。
[0009]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。
[0010]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。
[0011]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。
[0012]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。
[0013]第二方面，本专利技术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。
[0014]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。
[0015]相较于现有技术，本专利技术实施例达到了以下有益效果：本专利技术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，得到未得到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MEMS的基础设施风险监测方法，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、隧道和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的基础设施风险监测方法，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的基础设施风险监测方法，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的基础设施风险监测方法，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的基础设施风险监测方法，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的...

【专利技术属性】
技术研发人员：龚绍杰，刘运龙，徐莉，邹璐，高继涛，
申请(专利权)人：四川九通智路科技有限公司，
类型：发明
国别省市：