CN119442926A 一种基于深度学习的通信塔风险监测方法及系统 （通号通信信息集团有限公司）

一种基于深度学习的通信塔风险监测方法是涉及一种基于深度学习的通信塔风险监测方滞后性带来的铁路通信塔倾斜风险的短时快速2根据所述结构特征信息集和所述动态变化特征信息集，对所述分析所述通信塔安装信息，提取每一安装节点对应的关键安装基于所述通信塔材料信息，分析所述连接节点位置集合和所述连基于所述通信塔结构无向图，根据所述关键安装节点深度、所述安装将所述结构性静态特征向量集作为所述结构特征分析所述连接节点位置集合和所述连接组件角度集合，;个连接节点之间的所述连接关系指向值；基于所述连接关系矩阵，根据所述连接节点位置集合和所述连接组3基于所述空间坐标，根据所述关键安装节点深度、所述安装;基于所述连接关系矩阵，根据所述结构特征矩阵，确定每一连根据每一连接节点对应的所述连接组件强度集合，确定每一连接基于所述连接路径数量，根据所述连接关系矩阵和所述结构特征;其中，为第i个连接节点对应的所述聚合特征向量，d为第i个连接节点对应的连接路径数量，n为所述连接节点数量，为第i个连接节点与第j个连接节点之4通过预设循环神经网络模型，对所述动态变化特征信息内的各动基于所述动态时序特征向量集，根据所述结构性静态特征向量集，不同动态特征对每一连接节点对应所述结构特征向量的基于所述结构性静态特征向量集，根据所述融合影响因子，确;点t下的对应的向量值，为当前对应的预设特征影响系数。;R(t)为时间点t下对应的所述综合倾斜风险，为预设风险转换系数，n为i模型构建模块，用于根据所述结构特征信息集和所述动态变化5[0003]现有铁路通信塔倾斜风险监测方法依赖于布设在铁路通信塔上的无线传感器提斜状态，但上述方式难以避免维护工作滞后性带来的铁路通信塔倾斜风险的短时快速递6基于所述通信塔材料信息，分析所述连接节点位置集合和所述连接组件角度集将所述结构性静态特征向量集作为所述结构特征;A为所述连接关系矩阵，n为所述连接节点数量，ay代表第i个连接节基于所述连接关系矩阵，根据所述连接节点位置集合和所述连接组件角度集合，7;其中，为所述结构特征矩阵，fin为第n个所述连接节点的结构特征向量，;j个连接节点8点下不同动态特征对每一连接节点对应所述结构特;所述连接节点的所述结构特征向量，wixe为所述动态时序特征向量集内第k个动态特征在时间点t下的对应的向量值，为当前对应的预设特征影响系数。9;其中，R(t)为时间点t下对应的所述综合倾斜风险，为预设风险转换系数，为所述融合影响因子。述结构特征信息集和所述动态变化特征信息集进行融合优化分析，构建倾斜风险预测模图2为本申请一实施例提供的一种基于深度学习的通信塔风险监测方法的流程图3为本申请一实施例提供的一种基于深度学习的通信塔风险监测系统的结构示[0029]现有铁路通信塔倾斜风险监测方法依赖于布设在铁路通信塔上的无线传感器提斜状态，但上述方式难以避免维护工作滞后性带来的铁路通信塔倾斜风险的短时快速递[0034]图2为本申请一实施例提供的一种基于深度学习的通信塔风险监测方法的流程[0035]结构性静态参数集可以是与铁路通信塔的物理结构相关的固定参数集合，如高[0036]结构特征信息集可以是由静态参数集派生出的关于塔体结构的重要特征信息集[0037]具体的，铁路通信塔的倾斜风险主要受到其自身结构和来自外部动态因素的影[0039]环境因素信息集可以是环境因素信息集是指影响铁路通信塔稳定性的外部动态铁路通信塔周围的不同类型的若干无线环境参数监测传[0040]动态变化特征信息集可以是基于环境因素信息集分析后获得的关于这些环境因证后续引入了动态环境因素的倾斜风险预测过征信息集训练得到的用于预测铁路通信塔倾斜风险变化[0046]倾斜风险变化信息可以是基于倾斜风险预测模型得到的不同时间点下对应的铁而通过人机交互设备将对应可视化数据提供给铁路[0050]结构性静态参数集包括通信塔结构扫描信息、通信塔安装信息和通信塔材料信[0052]通信塔安装信息可以是铁路通信塔结构内部与其他物体或地面存在硬连接以实[0056]通信塔结构无向图可以是基于无向图这一数据结构，将[0057]安装节点可以是铁路通信塔内用于保持铁路通信塔安装稳定性的部分特殊连接[0059]安装节点相对距离集合可以是一个安装节点分别与其他安装节点间对应的相对[0061]连接组件强度集合可以是一个连接点对应的与其他存在连接关系的连接点间的[0062]结构性静态特征向量集可以是包含能够反映铁路通信塔一系列静态结构特征的是铁路通信塔本身的几何结构进行抽象，其二是在此抽象结构上分析其结构稳定性表现，连接组件在不同连接角度下的强度测试数据，拟合得到不同连接角度对强度的影响比例，进而根据通信塔材料信息和连接组件角度集合中所体现的当前连接组件材料和对应连接i[0069]连接关系矩阵可以是包含通信塔内任意两个连接点之间连接关系特征的数学矩个连接节点的横坐标，h为第n个连接节点的纵坐标，zn为第n个连接节点的高度坐反映连接节点在不同连接关系影响下其结构特征的稳定性表现的结构聚j个连接节点之间的连[0080]连接路径数量可以是一个连接节点和与其存在连接关系的其他连接节点之间的风力变化信息可以是铁路通信塔所处区域内风速随时间[0086]气象携带物变化信息可以是铁路通信塔所处区域内由气象变化引发的空气内多[0087]土壤承载变化信息可以是通信塔塔基处土壤能够支撑上部结构施加的荷载而不[0088]振动传导变化信息可以是地面或地下振动传导至通信塔塔基处的强度随时间变对通信塔倾斜风险的全方位预测提供科学的数[0093]预设循环神经网络模型可以是预设的用于对输入数据进行时间序列分析的数学[0095]动态时序特征向量集可以是动态时序特征向量集是通过对动态变化特征进行时到能够在充足时间余量内对铁路通信塔倾斜风险进行预测的倾斜风险征影响系数可以通过专家经验或对历史数据的回归分析进行初始设定，并在模型训练阶R(t)为时间点t下对应的综合倾斜风险，为预设风险转换系数，n为[0108]预设风险转换系数可以是用于调整预测倾斜风险与实际倾斜风险之间映射关系的转换系数，可以根据以往的历史数据或行业标准为预设风险转换系数设置一个初始值，风险的贡献进行叠加处理，进而将每个连接节点的局部特征变化汇总成整体的风险评估，[0111]图3为本申请一实施例提供的一种基于深度学习的通信塔风险监测系统的结构示基于所述通信塔材料信息，分析所述连接节点位置集合和所述连接组件角度集将所述结构性静态特征向量集作为所述结构特征[0114]可选的，所述结构分析模块301在根据所述连接节点位置集合和所述连接组件角;a为所述连接关系矩阵，n为所述连接节点数量，ay代表第i个连接节基于所述连接关系矩阵，根据所述连接节点位置集合和所述连接组件角度集合，;其中，为所述结构特征矩阵，fin为第n个所述连接节点的结构特征向量，为第n个所述连接节点的横坐标，Jn为第n个所述连接节点[0116]可选的，所述结构分析模块301在基于所述连接关系矩阵，根据所述结构特征矩;j个连接节点