基于BP神经网络的综合管廊运维风险评价模型及方法

技术领域

本发明涉及一种管廊定位管理系统及方法，特别是涉及地下综合管廊现场多源综合现场定位系统及方法。

背景技术

城市综合管廊系统的运行中，为了提高对运行风险事件的综合监管能力，提高管廊运行安全性，当前在监管工作采用了大量的基于人工职能类风险监控系统平台，如王建波(2018)等[12]采用德尔菲法和主成分分析(PCA)建立管廊PPP项目风险评价指标体系，并运用C-OWA算子来进行指标赋权，建立基于集对分析的风险评价模型，利用灰色关联度确定差异度系数，通过联系度的取值评判项目风险等级及发展趋势，为综合管廊PPP项目风险评价的理论与实践提供参考，虽然可以一定程度满足使用的需要，但在实际工作中发现，当前所使用的管廊风险监控评测系统，一方面均不同程度存在系统构建结构复杂，操作及维护难度大，且仅能满足对特定类型的风险事件进行评测管理作业，使用灵活性和便捷性均相对较差；另一方面在进行管廊系统维护中，当前的风险评测系统对风险评测运算的效率及运算精度均相对较差，且在运算过程中缺乏必要的自主学习能力，从而造成无法对突发或个别偶发状态数据对应的风险情况进行有效的评测，因此导致当前的管廊风险评价系统难以有效满足实际工作的需要。

因此针对这一现状，迫切需要开发一种全新的城市管廊风险评估系统，以满足管廊系统实际运行维护管理作业的需要。

发明内容

针对现有技术上存在的不足，本发明提供基于BP神经网络的综合管廊运维风险评价模型及构建方法，以克服传统设备在运行中的缺陷，提高设备运行的稳定性、安全性和可靠性。为了实现上述目的，本发明是通过如下的技术方案来实现：

一种基于BP神经网络的综合管廊运维风险评价模型，包括风险评估服务器平台、操控终端、数据通讯网关、数据接收终端、电子沙盘及虚拟现实终端，风险评估服务器平台通过数据通讯网关分别与操控终端、数据接收终端、电子沙盘及虚拟现实终端连接，其中操控终端为1-4各，各操控终端间相互并联，电子沙盘和虚拟现实终端均若干，各电子沙盘间均相互并联，且每个电子沙盘均与至少2个虚拟现实终端连接并构成一个数据输出工作组，数据输出工作组不少于2个，各数据输出工作组间通过数据通讯网关相互混联，数据接收终端若干，各数据接收终端间通过数据通讯网关混联并构成至少一个数据接收局域网。

进一步的，所述的风险评估服务器平台为基于云计算平台、大数据平台及AI人工智能计算平台中任意一种或几种共用为基础的服务器系统，所述风险评估服务器另设至少一个数据备份服务器，且所述风险评估服务器采用分布式服务器结构及集群式服务器结构中的任意一种。

进一步的，所述的风险评估服务器平台内构建采用C/S结构和B/S结构的嵌套架构BP神经网络系统，及与BP神经网络系统协同运行的基于LSTM的智能预测系统为基础的和深度学习神经网络系统，同时所述基于AI基础的人工智能服务器平台内另设基于SOA体系为基础的主程序系统，及基于BIM和GIS为基础的三维信息展示子系统、图像识别处理系统平台子系统、基于AR/VR基础的虚拟现实展示平台子系统及高清视频信号传输子系统，且所述基于BIM和GIS为基础的三维信息展示子系统、图像识别处理系统平台子系统、基于AR/VR基础的虚拟现实展示平台子系统及高清视频信号传输子系统均与基于SOA体系为基础的主程序系统建立数据链接，所述基于AI基础的人工智能服务器平台另通过通讯网络与外部第三方服务平台建立数据连接。

进一步的，所述的深度学习神经网络系统为基于卷积运算的神经网络系统、基于多层神经元的自编码神经网络及以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络中的任意一种或几种共用。

进一步的，所述的数据接收终端包括承载底座、承载龙骨、托盘、基于晶闸管的电子开关电路、网络交换机、散热风机、主布线槽、辅助布线槽，所述承载底座为横断面呈矩形的腔体结构，其上端面与承载龙骨连接并同轴分布，所述承载龙骨为轴向截面呈矩形的框架结构，所述托盘若干，沿承载龙骨轴线自上向下均布并与承载龙骨轴线相互垂直，所述托盘为横断面呈“凵”字形槽状结构，其底部设若干透孔，侧表面与承载龙骨侧表面通过转台机构铰接，并环绕交接轴进行0°-360°范围旋转，且每个托盘上端面均与一个网络交换机连接，下端面设一个散热风机，所述基于晶闸管的电子开关电路嵌于承载底座内，并通过导线分别与各网络交换机、散热风机电气连接，同时另与操控终端电气连接，其中所述导线分别通过主布线槽、辅助布线槽与承载龙骨及托盘下端面连接，所述主布线槽与承载龙骨内侧面连接，辅助布线槽与托盘下端面连接。

进一步的，所述的操控终端为工业计算机、PC计算机及移动智能终端中的任意一种；所述虚拟现实终端为VR眼镜、VR头盔及VR座椅中的任意一种。

基于BP神经网络的综合管廊运维风险评价模型的构建方法，包括以下步骤：

S1，系统组网，首先构建至少一个风险评估服务器平台、若干数据通讯网关、操控终端、数据通讯网关、数据接收终端、电子沙盘及虚拟现实终端，然后数据通讯网通过通讯网络分别与风险评估服务器平台、操控终端、数据通讯网关、数据接收终端、电子沙盘及虚拟现实终端进行组网，构建得到远程评估网络系统，然后将数据接收终端分别与至少一个管廊系统的运维平台建立数据连接，并采集该管廊系统的运维平台中的管廊系统运维数据，构建数据采集服务网络，即可完成本发明组网建设；

S2，系统预设，完成S1步骤后，在风险评估服务器平台中建采用C/S结构和B/S结构的嵌套架构BP神经网络系统，及与BP神经网络系统协同运行的基于LSTM的智能预测系统为基础的和深度学习神经网络系统，同时所述基于AI基础的人工智能服务器平台内另设基于SOA体系为基础的主程序系统，及基于BIM和GIS为基础的三维信息展示子系统、图像识别处理系统平台子系统、基于AR/VR基础的虚拟现实展示平台子系统及高清视频信号传输子系统；

S3，系统自主学习，完成S2步骤后，首先通过操控终端向风险评估服务器中录入相关预设的管廊运行风险事件及相应的风险事件应急处理管理办法，并将录入的管廊运行风险事件及相应的风险事件应急处理管理办法数据在风险评估服务器平台生成风险管控数据汇总列表，然后根据风险管控数据汇总列表数据，然后由AI基础的人工智能服务器平台的基于LSTM的智能预测系统为基础的和深度学习神经网络系统对风险管控数据汇总列表信息进行学习，并在学习过程中通过BP神经网络系统进行风险预判，并为风险管控数据汇总列表中各管廊运行风险事件生成风险等级分析，并根据风险等级信息对风险管控数据汇总列表信息进行同步调整，划分风险事件处理优先级，从而完成系统预设；

S4，基本风险评价，完成S3步骤后，即可进行基本风险评价作业中，通过数据接收终端持续采集所连接的管廊系统的运行数据，并将采集的数据带入到BP神经网络系统中，由BP神经网络系统根据S3步骤的风险管控数据汇总列表进行运算比较，从而对管廊系统当前运行风险进行综合评估，并将评估结果通过操控终端、电子沙盘及虚拟现实终端进行输出展示；

S5，系统拓展优化，在S4步骤中，当采集到S3步骤风险管控数据汇总列表未涉及的数据时，将新采集数据带入到BP神经网络系统中，由BP神经网络系统根据S3步骤的深度学习逻辑计算规则，对新数据计算分析并生成相应数据对应的风险等级，最后将新生成的风险等级信息补充录入到风险管控数据汇总列表中。

进一步的，所述S3步骤中，BP神经网络系统包括了两个卷积层，一个dropout层，用于防止过拟合，提升模型的泛化能力；在dropout层之后是两层的全连接层；首先利用第一个卷积层对图像进行特征提取，而后经过最大池化和relu函数得到第一层的输出x1；然后将x1经过第二个卷积层和dropout层，再利用最大池化和relu函数对图像进一步做特征提取得到x2；将x2经过全连接层把图像的特征综合起来，并传递给输出层，最后利用softmax函数进行分类；对于损失函数则用了F.nll_loss()函数；同时所述BP神经网络系统分为输入层，卷积层，全连接层和输出层，其中输入层前面另设卷积层并与卷积层连接，其中：

输入层：卷积输入层可以直接作用于原始输入数据，对于输入是图像来说，输入数据是图像的像素值；

卷积层：卷积神经网络的卷积层，也叫做特征提取层，包括二个部分：第一部分是真正的卷积层，主要作用是提取输入数据特征；第二部分是pooling层，也叫下采样层，主要目的是在保留有用信息的基础上减少数据处理量，加快训练网络的速度；

全连接层：可以包含多个全连接层，即多层感知机的隐含层部分，通常情况下后面层的神经节点都和前一层的每一个神经节点连接，同一层的神经元节点之间是没有连接的，每一层的神经元节点分别通过连接线上的权值进行前向传播，加权组合得到下一层神经元节点的输入；

输出层：输出层神经节点的数目根据具体应用任务来设定的。

进一步的，所述S3步骤中，BP神经网络系统的计算函数包括：

隐含层节点的输出

y

输出层节点的输出

z

实际输出与期望输出间的均方误差函数

①误差函数对隐含层与输出层节点间的权值求导

E是z

设输出层节点误差为

δ

②误差函数对输入层与隐含层节点间的权值求导

E是z

设隐含层节点误差为

由于权值的修正Δv

隐含层与输出层节点间的权值修正

v

输入层与隐含层节点间的权值变化为

输入层与隐含层节点间的权值修正

w

由上式可知，隐含层节点误差落δ

③阈值的修正

BP网络在修正权值的同时也要修正阈值θ，原理同权值修正一样。

a)误差函数对输出节点阈值求导

阈值修正

θ

b)误差函数对隐含层节点阈值求导

阈值修正

θ

进一步的，所述S2和S3步骤中，LSTM的智能预测系统包括：

遗忘门：选择忘记过去的某些信息，具体运算函数为

f

其中ht-1表示的是上一个cell的输出，xt表示的是当前细胞的输入，σ表示sigmod函数；

输入门：下一步是决定让多少新的信息加入cell状态中来。实现这个需要包括两个步骤：其中一个是输入门的sigmoid层决定哪些信息需要更新；另一个tanh层生成一个向量，也就是备选的用来更新的内容，其运算函数为：

i

输出门：首先运行一个sigmoid层来确定细胞状态的输出端口；接着，把细胞状态通过tanh层进行处理(得到一个在-1到1之间的值)并将它和sigmoid层的输出相乘，最终确定需要输出的数据，具体运算函数为

o

h

本发明一方面系统构成结构简单、数据通讯处理能力强，可有效满足对管廊系统运维工作中风险事件进行及时评估并预警，从而极大的提高了管廊系统运行的稳定性和安全性；另一方面系统运行自动化程度、智能化程度高，并具有良好的自主学习运行能力，从而可极大的降低管廊系统风险事件评估作业的劳动强度、成本；同时极大的提高了风险事件判断效率及精度，并可为风险事件的日常管理、应急处理及日后信息追溯提供精确的信息指导及服务，极大的提高了管廊运行风险管控工作的工作效率和精度。

附图说明

下面结合附图和具体实施方式来详细说明本发明。

图1为本发明系统构成结构原理示意图；

图2为本数据接收终端结构示意图；

图3为发明运行方法流程示意图；

图4为BP神经网络基本构架结构示意图；

图5为LSTM的智能预测系统模型结构示意图；

图6为LSTM时间序列预测模型图；

图7为风险管控数据汇总列表表头。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，以氢气为例进一步阐述本发明。

如图1和2所示，一种基于BP神经网络的综合管廊运维风险评价模型，包括风险评估服务器平台1、操控终端2、数据通讯网关3、数据接收终端4、电子沙盘5及虚拟现实终端6，风险评估服务器平台1通过数据通讯网关3分别与操控终端2、数据接收终端4、电子沙盘5及虚拟现实终端6连接，其中操控终端2为1-4各，各操控终端2间相互并联，电子沙盘5和虚拟现实终端6均若干，各电子沙盘5间均相互并联，且每个电子沙盘5均与至少2个虚拟现实终端6连接并构成一个数据输出工作组，数据输出工作组不少于2个，各数据输出工作组间通过数据通讯网关相互混联，数据接收终端4若干，各数据接收终端4间通过数据通讯网关3混联并构成至少一个数据接收局域网。

本实施例中，所述的风险评估服务器平台为基于云计算平台、大数据平台及AI人工智能计算平台中任意一种或几种共用为基础的服务器系统，所述风险评估服务器另设至少一个数据备份服务器，且所述风险评估服务器采用分布式服务器结构及集群式服务器结构中的任意一种。

重点说明的，所述的风险评估服务器平台内构建采用C/S结构和B/S结构的嵌套架构BP神经网络系统，及与BP神经网络系统协同运行的基于LSTM的智能预测系统为基础的和深度学习神经网络系统，同时所述基于AI基础的人工智能服务器平台内另设基于SOA体系为基础的主程序系统，及基于BIM和GIS为基础的三维信息展示子系统、图像识别处理系统平台子系统、基于AR/VR基础的虚拟现实展示平台子系统及高清视频信号传输子系统，且所述基于BIM和GIS为基础的三维信息展示子系统、图像识别处理系统平台子系统、基于AR/VR基础的虚拟现实展示平台子系统及高清视频信号传输子系统均与基于SOA体系为基础的主程序系统建立数据链接，所述基于AI基础的人工智能服务器平台另通过通讯网络与外部第三方服务平台建立数据连接。

进一步优化的，所述的深度学习神经网络系统为基于卷积运算的神经网络系统、基于多层神经元的自编码神经网络及以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络中的任意一种或几种共用。

需要特别说明的，所述的数据接收终端4包括承载底座41、承载龙骨42、托盘43、基于晶闸管的电子开关电路44、网络交换机45、散热风机46、主布线槽47、辅助布线槽48，所述承载底座41为横断面呈矩形的腔体结构，其上端面与承载龙骨42连接并同轴分布，所述承载龙骨42为轴向截面呈矩形的框架结构，所述托盘43若干，沿承载龙骨42轴线自上向下均布并与承载龙骨42轴线相互垂直，所述托盘43为横断面呈“凵”字形槽状结构，其底部设若干透孔40，侧表面与承载龙骨42侧表面通过转台机构49铰接，并环绕交接轴进行0°-360°范围旋转，且每个托盘43上端面均与一个网络交换机45连接，下端面设一个散热风机46，所述基于晶闸管的电子开关电路44嵌于承载底座41内，并通过导线分别与各网络交换机45、散热风机46电气连接，同时另与操控终端2电气连接，其中所述导线分别通过主布线槽47、辅助布线槽48与承载龙骨42及托盘下端面连接，所述主布线槽47与承载龙骨42内侧面连接，辅助布线槽48与托盘43下端面连接。

进一步优化的，所述的操控终端为工业计算机、PC计算机及移动智能终端中的任意一种；所述虚拟现实终端为VR眼镜、VR头盔及VR座椅中的任意一种。

如图3-7所示，基于BP神经网络的综合管廊运维风险评价模型的构建方法，包括以下步骤：

S1，系统组网，首先构建至少一个风险评估服务器平台、若干数据通讯网关、操控终端、数据通讯网关、数据接收终端、电子沙盘及虚拟现实终端，然后数据通讯网通过通讯网络分别与风险评估服务器平台、操控终端、数据通讯网关、数据接收终端、电子沙盘及虚拟现实终端进行组网，构建得到远程评估网络系统，然后将数据接收终端分别与至少一个管廊系统的运维平台建立数据连接，并采集该管廊系统的运维平台中的管廊系统运维数据，构建数据采集服务网络，即可完成本发明组网建设；

S2，系统预设，完成S1步骤后，在风险评估服务器平台中建采用C/S结构和B/S结构的嵌套架构BP神经网络系统，及与BP神经网络系统协同运行的基于LSTM的智能预测系统为基础的和深度学习神经网络系统，同时所述基于AI基础的人工智能服务器平台内另设基于SOA体系为基础的主程序系统，及基于BIM和GIS为基础的三维信息展示子系统、图像识别处理系统平台子系统、基于AR/VR基础的虚拟现实展示平台子系统及高清视频信号传输子系统；

S3，系统自主学习，完成S2步骤后，首先通过操控终端向风险评估服务器中录入相关预设的管廊运行风险事件及相应的风险事件应急处理管理办法，并将录入的管廊运行风险事件及相应的风险事件应急处理管理办法数据在风险评估服务器平台生成风险管控数据汇总列表，然后根据风险管控数据汇总列表数据，然后由AI基础的人工智能服务器平台的基于LSTM的智能预测系统为基础的和深度学习神经网络系统对风险管控数据汇总列表信息进行学习，并在学习过程中通过BP神经网络系统进行风险预判，并为风险管控数据汇总列表中各管廊运行风险事件生成风险等级分析，并根据风险等级信息对风险管控数据汇总列表信息进行同步调整，划分风险事件处理优先级，从而完成系统预设；

S4，基本风险评价，完成S3步骤后，即可进行基本风险评价作业中，通过数据接收终端持续采集所连接的管廊系统的运行数据，并将采集的数据带入到BP神经网络系统中，由BP神经网络系统根据S3步骤的风险管控数据汇总列表进行运算比较，从而对管廊系统当前运行风险进行综合评估，并将评估结果通过操控终端、电子沙盘及虚拟现实终端进行输出展示；

S5，系统拓展优化，在S4步骤中，当采集到S3步骤风险管控数据汇总列表未涉及的数据时，将新采集数据带入到BP神经网络系统中，由BP神经网络系统根据S3步骤的深度学习逻辑计算规则，对新数据计算分析并生成相应数据对应的风险等级，最后将新生成的风险等级信息补充录入到风险管控数据汇总列表中。

重点说明的，所述S3步骤中，BP神经网络系统包括了两个卷积层，一个dropout层，用于防止过拟合，提升模型的泛化能力；在dropout层之后是两层的全连接层；首先利用第一个卷积层对图像进行特征提取，而后经过最大池化和relu函数得到第一层的输出x1；然后将x1经过第二个卷积层和dropout层，再利用最大池化和relu函数对图像进一步做特征提取得到x2；将x2经过全连接层把图像的特征综合起来，并传递给输出层，最后利用softmax函数进行分类；对于损失函数则用了F.nll_loss()函数；同时所述BP神经网络系统分为输入层，卷积层，全连接层和输出层，其中输入层前面另设卷积层并与卷积层连接，其中：

输入层：卷积输入层可以直接作用于原始输入数据，对于输入是图像来说，输入数据是图像的像素值；

卷积层：卷积神经网络的卷积层，也叫做特征提取层，包括二个部分。第一部分是真正的卷积层，主要作用是提取输入数据特征。每一个不同的卷积核提取输入数据的特征都不相同，卷积层的卷积核数量越多，就能提取越多输入数据的特征。第二部分是pooling层，也叫下采样层，主要目的是在保留有用信息的基础上减少数据处理量，加快训练网络的速度。通常情况下，卷积神经网络至少包含二层卷积层(这里把真正的卷积层和下采样层统称为卷积层)，即卷积层，pooling层，卷积层，pooling层。卷积层数越多，在前一层卷积层基础上能够提取更加抽象的特征；

全连接层：可以包含多个全连接层，即多层感知机的隐含层部分，通常情况下后面层的神经节点都和前一层的每一个神经节点连接，同一层的神经元节点之间是没有连接的，每一层的神经元节点分别通过连接线上的权值进行前向传播，加权组合得到下一层神经元节点的输入；

输出层：输出层神经节点的数目是根据具体应用任务来设定的。如果是分类任务，卷积神经网络输出层通常是一个分类器；

与此同时，所述S3步骤中，BP神经网络系统的计算函数包括：

隐含层节点的输出

y

输出层节点的输出

z

实际输出与期望输出间的均方误差函数

①误差函数对隐含层与输出层节点间的权值求导

E是z

设输出层节点误差为

δ

②误差函数对输入层与隐含层节点间的权值求导

E是z

设隐含层节点误差为

由于权值的修正Δv

隐含层与输出层节点间的权值修正

v

输入层与隐含层节点间的权值变化为

输入层与隐含层节点间的权值修正

w

由上式可知，隐含层节点误差落δ

③阈值的修正

BP网络在修正权值的同时也要修正阈值θ，原理同权值修正一样。

a)误差函数对输出节点阈值求导

阈值修正

θ

b)误差函数对隐含层节点阈值求导

阈值修正

θ

进一步的，所述S2和S3步骤中，LSTM的智能预测系统包括：

遗忘门：选择忘记过去的某些信息，具体运算函数为

f

其中ht-1表示的是上一个cell的输出，xt表示的是当前细胞的输入，σ表示sigmod函数；

输入门：下一步是决定让多少新的信息加入cell状态中来。实现这个需要包括两个步骤：其中一个是输入门的sigmoid层决定哪些信息需要更新；另一个tanh层生成一个向量，也就是备选的用来更新的内容，其运算函数为：

i

输出门：首先运行一个sigmoid层来确定细胞状态的输出端口；接着，把细胞状态通过tanh层进行处理(得到一个在-1到1之间的值)并将它和sigmoid层的输出相乘，最终确定需要输出的数据，具体运算函数为

o

h

本发明一方面系统构成结构简单、数据通讯处理能力强，可有效满足对管廊系统运维工作中风险事件进行及时评估并预警，从而极大的提高了管廊系统运行的稳定性和安全性；另一方面系统运行自动化程度、智能化程度高，并具有良好的自主学习运行能力，从而可极大的降低管廊系统风险事件评估作业的劳动强度、成本；同时极大的提高了风险事件判断效率及精度，并可为风险事件的日常管理、应急处理及日后信息追溯提供精确的信息指导及服务，极大的提高了管廊运行风险管控工作的工作效率和精度。

本行业的技术人员应该了解，本发明不受上述实施例的限制。上述实施例和说明书中描述的只是说明本发明的原理。在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进。这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。