铁路桥梁与隧道检测课件：现代信息化技术

铁路桥梁与隧道检测现代信息化技术34可视化数据展示技术12数据库技术5人工智能标准数据格式目录Contents物联网技术学习指南本章主要内容为工程建设当中信息化技术的应用，从数据库技术、物联网技术、人工智能、数据可视化这五大方面来对信息化建设进行介绍。工程信息化是指利用计算机、通信、自动控制等信息处理技术对传统土木工程技术手段及施工方式进行改造与提升，促进土木工程技术及施工手段不断完善，使其更加科学、合理．通过实现土木信息的在线与共享，以随时随地互动的方式提供土木信息支持和完整的问题解决方案，从而实现土木工程的高效率和高效益，根据土木工程发展的战略目标，并鉴于国内土木工程行业整体发展水平不高的现状，建设土木工程信息化是我国土木工程建设发展的现实需求，也是土木工程未来发展的战略任务。1数据库技术数据库功能计算机数据库技术特点数据管理主要组成

数据管理系统的基本功能是按照用户要求，从大量的数据资源中提取有信息价值的数据。针对土木行业数据管理系统，主要是将建筑结构各个环节、不同时期的进行统一的存储，并对数据展示、分析等应用提供数据支持，建立建筑结构全生命周期数据档案，实现数据共享。

数据库功能

数据库功能包含数据存储功能和数据处理功能两大类。1、数据存储功能

为了方便数据的统一管理，数据存在集中存储在专用的服务器中，根据数据类型的不同可以采用不同的存储方式，针对检测数据可以采用行化存储直接存在数据库中，如检测时间、检测人员、数据化的检测结果等，对于监测中的文件、报告、图片、视频等无法行化的数据则采用文件的形式进行压缩后存在磁盘。数据的统一存储，可以有效的解决数据丢失、割裂、冗余等情况，同时降低数据维护管理的人工成本，提升效率。

数据库技术

在数据存储中，核心的组件是数据库技术。目前主流的数据库软件有三种：Oracle、SQLServer、MySQL，它们具有使用方便、可伸缩性好、与相关软件集成程度高等优点。可存储海量的数据，并提供高效的数据查询提取等接口，方便上层应用的增、删、查、改等操作。2、数据处理功能

数据管理中的一个重要功能是数据处理。简单的处理如数据统计、分类等可以通过数据库完成，涉及运算判定、审核的数据分析需要服务器的参与，更加复杂的分析如数据挖掘、趋势预判等除服务器外还需要接入更加强大数据处理平台，如机器学习、数据解析模块等。

数据库技术

计算机数据库技术主要具有的特点是：数据的组织性、数据的共享性、数据的独立性、可控冗余度和数据的灵活性等，主要表现在以下几个方面。1、组织性

数据库中的并不是一些散乱无序、没有任何关联的数据.在同一数据库中的很多文件之间是有着一定联系的.它们按照某种关系形成一定的组织结构,从整体上看，都具有一定组织结构形式，特别是同属于一个集合中的数据都具有相似的特点。2、共享性

数据的共享性是数据库技术的重要特点之一，也是建立数据库的重要目的之一作为共享性的数据库,不仅可以为为一个单位内部的各个部门、个体提供数据的共享，而且可以是不同单位、不同地区甚至是不同国家所共享。

数据库技术计算机数据库技术特点

3、独立性

一是数据的独立性主要是指两个方面：逻辑独立性和物理独立性；二是逻辑独立性指的是数据库总体逻辑结构发生改变,如数据定义的修改,新的数据项和数据类型变化,数据间的联系变更等,但都不需要对原来的程序进行修改；三是物理独立性指的是数据的存储结构发生改变,如更换物理存储设备、变更物理存储位置、改变存取方法等,物理结构的变化对数据库的逻辑结构,没有影响，也不会引起应用程序的变动。数据库技术计算机数据库技术特点数据管理主要由服务器和应用组成。

1、服务器

服务器包含两个方面的内容，第一是指硬件主机，完成各类运算、存储的计算机。第二是指服务器实现各类功能的程序。数据源通过各种渠道发送到服务器后，服务器负责对接收到的数据进行判断处理，对不合规的数据拒绝接收，合规的数据进行整理，根据业务逻辑进行处理最终将数据存入数据库或者文件存储到磁盘指定位置。除此外，服务器还将为其他应用提供数据接口，起到承上启下的作用。

2、运用

数据应用范围非常广泛，大致分为数据展示、数据分析。数据展示常见的有数据浏览、查询、下载，比如web端数据表格、图片、文字等。借助BIM等技术，可采用3D展示技术进行数据可视化。数据库技术数据管理主要组成

数据库技术数据管理示意图数据管理主要组成2物联网技术物联网技术概述物联网的体系架构物联网的关键技术

互联网技术在社会各个行业中的应用程度不断加深，工业物联网技术得以诞生，并且在极短的时间内便得到了较广泛的应用，为我国工业水平的进一步提升提供了十分重要的帮助。纵观近代以来崛起的国家无一不是制造业强国，工业水平在极大程度上反映了一个国家的整体实力。在互联网技术快速发展的背景下，世界经济发展已经进入了互联网时代，将互联网技术应用于工业生产的工业物联网技术应运而生，为工业的发展提供了新的方向和技术，在我国制定的“中国制造2025”国家发展战略中，工业物联网技术也承担着十分重要的角色。

1、物联网技术概述

工业物联网技术即应用于工业领域的物联网技术。基于工业物联网技术可以实现在工业生产的过程中融入现代化具有感知、监控能力的传感器和控制器，继而实时采集数据，并智能分析、移动通讯以实现工业制造水平的提升，提高所制造产品的质量，同时也提高生产效率，降低资源消耗，实现传统工业制造的智能化转变，达到质的突破。从工业物联网技术的应用现状观察，呈现出了鲜明的安全性、实时性、自动化、嵌入式、互通性以及互联性等诸多优点。物联网技术

2、物联网的体系架构

典型的物联网系统架构共有3个层次。一是感知层，即利用RFID、传感器、二维码等随时随地获取物体的信息；二是网络层，通过电信网络与互联网的融合，将物体的信息实时准确地传递出去；三是应用层，把感知层得到的信息进行处理，实现智能化识别、定位、跟踪、监控和管理等实际应用。

在工业环境的应用中，工业物联网面临着与传统的物联网系统架构两个主要的不同点：一是在感知层中，大多数工业控制指令的下发以及传感器数据的上传需要有实时性的要求。在传统的物联网架构中，数据需要经由网络层传送至应用层，由应用层经过处理后再进行决策，对于下发的控制指令，需要再次经过网络层传送至感知层进行指令执行过程。由于网络层通常采用的是以太网或者电信网，这些网络缺乏实时传输保障，在高速率数据采集或者进行实时控制的工业应用场合下，传统的物联网架构并不适用。物联网技术

二是在现有的工业系统中，不同的企业有属于自己的一套SCADA（SupervisoryControlandDataAcquisition）系统，在工厂范围内实施数据的采集与监视控制。SCADA系统在某些功能上会与物联网的应用层产生重叠，如何把现有的SCADA系统与物联网技术进行融合，例如哪些数据需要通过网络层传送至应用层进行数据分析；哪些数据需要保存在SCADA的本地数据库中；哪些数据不应该送达应用层，它们往往会涉及到部分传感器的关键数据或者系统的关键信息，只由工厂内部进行处理。工业物联网的典型系统架构如图17-2所示，与传统的物联网架构相比，该架构中增加了现场管理层。现场管理层的作用类似于一个应用子层，可以在较低层次进行数据的预处理，是实现工业应用中的实时控制、实时报警以及数据的实时记录等功能所不可或缺的层次。物联网技术物联网技术物联网的体系架构

3、物联网的关键技术

工业物联网技术的研究是一个跨学科的工程，它涉及自动化、通信、计算机以及管理科学等领域。工业物联网的广泛应用需要解决众多关键技术问题（如下图）。物联网技术物联网的关键技术

1）传感器技术：价格低廉、性能良好的传感器是工业物联网应用的基石，工业物联网的发展要求更准确、更智能、更高效以及兼容性更强的传感器技术。智能数据采集技术是传感器技术发展的一个新方向。信息的泛在化对工业传感器和传感装置提出了更高的要求。具体如，微型化：元器件的微小型化，要求节约资源与能源；智能化：具备自校准、自诊断、自学习、自决策、自适应和自组织等人工智能技术；低功耗与能量获取技术：供电方式为电池、阳光、风、温度、振动等多种方式。

2）设备兼容技术：大部分情况下，企业会基于现有的工业系统建造工业物联网，如何实现工业物联网中所用的传感器能够与原有设备已应用的传感器相兼容是工业物联网推广所面临的问题之一。传感器的兼容主要指数据格式的兼容与通信协议的兼容，兼容关键是标准的统一。目前，工业现场总线网络中普遍采用的如Profibus、Modbus协议，已经较好地解决了兼容性问题，大多数工业设备生产厂商基于这些协议开发了各类传感器、控制器等。

物联网技术

3）网络技术：网络是构成工业物联网的核心之一，数据在系统不同的层次之间通过网络进行传输。网络分为有线网络与无线网络，有线网络一般应用于数据处理中心的集群服务器、工厂内部的局域网以及部分现场总线控制网络中，能提供高速率高带宽的数据传输通道。工业无线传感器网络则是一种新兴的利用无线技术进行传感器组网以及数据传输的技术，无线网络技术的应用可以使得工业传感器的布线成本大大降低，有利于传感器功能的扩展。

4）信息处理技术：工业信息出现爆炸式增长，工业生产过程中产生的大量数据对于工业物联网来说是一个挑战，如何有效处理、分析、记录这些数据，提炼出对工业生产有指导性建议的结果，是工业物联网的核心所在，也是难点所在。

5）安全技术：工业物联网安全主要涉及数据采集安全、网络传输安全等过程，信息安全对于企业运营起到关键作用，例如在冶金、煤炭、石油等行业采集数据需要长时间的连续运行，如何保证在数据采集以及传输过程中信息的准确无误是工业物联网应用于实际生产的前提。物联网技术3可视化数据展示技术数据可视化隧道检测数据的三维可视化

1、数据可视化

数据可视化是数据在视觉表现形式上的研究，它被定义为某种概要形式中提出来的信息，是一门具有实际应用意义的学科。

数据可视化技术是利用计算机图形学和图像处理方法，将数据转换成图形或图像在屏幕上显示出来，并进行交互处理的理论和方法。计算机图形学、图像处理、计算机辅助设计、计算机视觉以及“人机交互”技术等多个领域都是数据可视化技术的涉及内容。数据可视化领域的起源可以追溯到二十世纪年代计算机图形学的早期。年《计算机之中的可视化》中，基于计算机的可视化技术的重要性论述大幅度促进和刺激了数据可视化技术的发展。随着计算机运算能力的提高与生产生活中数据量的急速增大，科学与工程实践中对于计算机建模和模拟运用日益关注对数据的处理。二十世纪年代人们逐渐接受了“数据可视化”，这一涵盖了科学可视化和信息可视化领域的新术语。数据可视化技术关注的焦点是信息的呈现。可视化数据展示技术

它将数据库中的一个数据项作为单个图元元素，大量的数据集构成图元点集，即生成图像；同时将数据的各个属性以多维数据的形式表示，可以从不同的维度观察数据，以便对数据进行更深入的观察和分析数据可视化改变了传统的关系数据表来观察和分析数据信息的形式，将数据用二维、三维的图像、曲线等形式显示出来，并对数据模式和相互关系进行了可视化分析，以最直观的方式展示了数据和数据间的紧密结构关系。数据可视化技术借助图形化手段，对信息进行清晰的传达和沟通，给人们提供一种直觉式、交互式的对数据反应灵敏的环境。国外的数据可视化技术始于世纪年代末。起初，可视化技术研究多服务于核武器、磁聚变和生命环境科学领域如今，数据可视化的研究己经在自然科学、工程技术、金融、通信和商业等领域取得了很大进展。我国的可视化技术研究肝始于世纪年代。开始阶段，数据可视化的研究仅在国家级研究中心、高水平的大学和大公司的研发中心进行。近年来，数据可视化技术己扩展到工程、军事、医学、经济等各个领域。可视化数据展示技术

2、隧道检测数据的三维可视化

传统检查的结果通常以填写病害调查表、绘制展示图等方式在现场进行记录，检查结果文档提交归档或录入相应的数据管理系统。此种方式主要基于纸质化文档的模式进行，隧道检测结果展示方式的可视化、信息化程度低，导致数据查阅不便、利用效率也较低。可视化数据展示技术可视化数据展示技术传统的隧道数据展示方式

相比于BIM技术应用逐渐成熟的建筑业,铁路行业的BIM技术应用还处于探索、发展阶段,而铁路工程相比于民建工程,体量更大、工艺更为复杂、专业更多,对BIM技术的需求也更加迫切。随着铁路BIM联盟陆续推出《铁路工程信息模型交付标准》、《铁路工程信息模型表达标准》、《基于信息模型的铁路工程施工图设计文件编制办法》等标准与办法，BIM技术在铁路工程应用中的标准与规范也日臻完善,铁路工程信息模型在建设、传递和使用的过程中更加有据可依。今后的工程设计将逐步过渡到使用信息模型替代传统二维图纸，BIM技术在将来铁路工程中必将占据举足轻重的地位。

以隧道为例，将隧道模型建模参数信息和隧道衬砌质量信息数据的整合统一并以BIM形式进行展示如下图所示。可视化数据展示技术可视化数据展示技术隧道及检测数据的三维可视化

并且，在可视化系统中能够实现一键展示整段隧道检测缺陷统计信息（测线总长、缺陷总数、缺陷类型等）；可实现隧道结构缺陷位置点击展示点击缺陷位置信息独立信息（测线位置、缺陷类型、里程起点、里程终点、检测结果等）。可视化数据展示技术可视化数据展示技术隧道数据的统计展示4人工智能机器学习神经元网络人工智能在桥隧检测中的应用人工智能在桥隧检测中的应用

人工智能是一门专门探究如何让计算机模仿或者实现人类的学习行为，使得计算机拥有获取某个领域的新知识的能力，并在此基础上不断更新已有的知识结构使其本身能不断进化升级的性能的学科。先在已经被广泛应用于DNA序列分析、电力系统负荷预测、证券市场分析等。人工智能技术在发展了几十年以后被应用在了很多领域，但是并没有完美地解决很多问题，例如图像识别、视频识别、语音识别、自然语言处理等。

人工智能技术

机器学习(MachineLearning)是人工智能中一个重要的研究领域，被认为是人工智能的基础。机器学习牵涉的面很宽，因此本章只是对它的一些基本概念和方语作一简要讨论。1、基本概念

机器学习的核心是“学习”，关于学习一般的定义认为：学习是一个有特定目的的知识获取过程，其内在行为是获取知识、积累经验、发现规律；外部表现是改进性能、适应环境、实现系统的自我完善。

2、机器学习所谓机器学习（MachineLearning，简称ML），就是要使计算机能模拟人的学习行为，自动地通过学习获取知识和技能，不断改善性能，实现自我完善，其为人工智能的主要研究领域之一。

3、学习系统为了使计算机系统具有某种程度的学习能力，使它能通过学习增长知识、改善性能、提高智能水平，需要为它建立相应的学习系统。一个学习系统应具有如下条件和能力：具有适当的学习环境；具有一定的学习能力；能应用学到的知识求解问题；能提高系统的性能

机器学习

随着人们对大脑的不断认知以及脑科学的不断发展，人们开始幻想在计算机中模拟人脑的思维模型，构建了相关的数学模型，这就是最初的神经网络模型。人工神经网络主要是模拟人类大脑神经元中信息处理的过程，并且实现相互连接组成复杂网络以更好的模拟人脑的功能。从数学角度来讲，就是实现复杂的逻辑运算，构建复杂的非线性系统，以实现某些特定的功能。1、人工神经元

人工神经网络的最基本单元是神经元，多个神经元组合起来就可以构成一个复杂的神经网络。神经元通常是一个多输入、多输出的非线性元件，一个神经元的输出要受到输入信号和神经元内部相关因素等的影响。建立神经元模型时常会加上一个额外的输入信号作为偏差（bias），称其为阈值。一个人工神经网络的神经元模型实际上是描述了一个数学的计算过程，这个过程就是在描述一个网络如何将其输入信号转化为输出信号的完整过程。人工神经网络本质上体现以网络输入信号和输出信号之间的一种映射关系。神经元网络

在一个神经元中是包含一种特定的激活函数在内的，通过选择不同的模型结构，就可得到功能各异的人工神经网络和与之相应的输入输出关系式，以满足设计要求，实现期望的计算功能。

单个神经元示意图神经元网络

2、单层神经元网络

单层神经元网络由两个以上（含两个）简单神经元并联组合而成的，包括输入层在内，只有两层，神经元具有相同输入矢量P，且都会产生输出。下图即为单层神经元网络模型示意图。单层神经元网络神经元网络

3、多层神经元网络

多层神经网络是指将两个以上（含两个）单层神经网络连接而成的神经网络。多层神经网络处理问题的能力更加强大，非线性拟合效果也更好。但是，计算效率上会稍微降低一点。且每层网络都有权值矩阵W、偏差矢量B和输出矢量A。多层神经元网络神经元网络

要想使神经网络发挥出其作用，都必须对神经网络训练，对神经网络的训练就涉及到训练样本。对神经网络进行训练，实际上就是让网络输出和期望输出向量之间的均方根误差达到目标要求，而这个过程的实现就是通过在训练中不断地修正网络的权值和阈值来完成的。神经元网络

在桥隧检测中，许多时候检测精度高度依赖于操作人员的判断水平，为检测结果的客观性、一致性等带来不利影响，也增加了操作人员的负担。为此，基于AI(机器学习)的辅助判定手段应运而生，以提高检测精度和降低作业难度。同样，我们可以应用其机器学习领域对检测数据进行处理，包括分类、回归及聚类等功能，其主要对象有：1）分类：内部缺陷(有无、大小)的识别2）回归：数值指标，如厚度、深度、强度、弹性模量等的回归3）聚类：结构损伤程度的划分等相比单纯的人工分析，采用机器学习的方法具有以下优点：1）适合于多参数分析。机器学习可以同时分析出多参数联合变化的规律即多参数联合分析。而人脑只能同时分析判别少数联动的参数。因此，在边界条件复杂、分析参数较多时，基于机器学习的方法具有很大的优势。人工智能在隧检测中的应用桥

检测原理可简单理解为：将检测信号通过若干特征值进行表示，当检测部位存在缺陷时，这些特征值会存在差异，这种差异可能表现在单个特征值上也可能表现为多个特征值的组合上，人工针对单个特征值的差异具备一定的分辨能力，比如传统的人工判别就是针对波速延迟这一特征，但很多时候这一特征并不明显，人工判定就会比较困难。机器学习就是专门解决这种问题，AI的智能特性就是体现在学习上，通过学习已有的数据，总结数据变化的规律从而具备分辨的能力。2）客观性强，精度(误差)稳定性好

由于基于机器学习的无损检测分析是建立在较多数量的训练集的基础上的，因此，其预测精度相对比较稳定、可靠。3）精度可不断提高

随着训练(验证)数据的不断积累，预测精度也会随之不断提高。同时，训练模型还可以传承。利用AI(机器学习)来提高检测精度，需要注意的是：1）学习(训练)数据人工智能在隧检测中的应用桥1）学习(训练)数据

人工智能学习数据的好坏直接影响机器判定的准确性，如果在学习的时候数据都存在严重的问题，那么学习的结果也不会好，因此，训练集的好坏就决定了模型准确率的上限，后期的所有工作只是在逼近这个上限。2）特征值和参数

在采用浅层学习方法时，需要自定义特征值(参数)。因此，特征值的选取，也至关重要，所选特征值必须能区分开检测好与坏的具体情况。3）模型的选取和训练

如前所述，机器学习方法众多，各方法特点不同，应根据检测对象选取。针对选取好的方法，采用准备好的学习数据进行训练，得到相应的参数，即建立了检测用的模型。4）模型的评估

评价模型的优劣最直接的办法是拿着这个模型去做实际的判断，比如内部缺陷的人工智能模型，人工智能在隧检测中的应用桥我们将检测数据输入给模型，让它判断是否有内部缺陷，然后看看有多少比例是正确的，多少比例是错误的。这就是精度和错误率，是最直接的一种评估方式。需要说明的是，我们能选择作为验证的样本集是有限的，因此，在实际计算的时候选择样本集以及如何计算又会有许多不同的方法。当要解决一个实际问题时，我们要考虑：①如何知道我们所设计的模型是有用的或者较好的？②当模型应用的不理想时，我们应该从哪些方面进行改进？③如何针对具体问题选择学习模型5）实际应用在AI实际的应用中，主要有边缘(EdgeComputing)计算和远程计算(remoteaccesscomputingsystem，简称RAC)模式。其中，边缘计算就是在靠近数据源头的一侧，采用检测人员的计算机或者是监测节点（远程控制节点RTU）上运行训练好的AI模型进行分析。远程访问计算是利用通信线路，远距离提交任务并执