基于深度学习的智慧隧道机电设备自适应综合管控方法与流程

本发明涉及机电设备管控，具体涉及基于深度学习的智慧隧道机电设备自适应综合管控方法。

背景技术：

1、我国目前隧道机电设备自适应综合管控存在问题主要为系统化、智能化及信息化管控技术相对落后，重建轻养的观念导致现有机电设备配置不能满足隧道安全管控需求，导致隧道管养智能化水平较低，并且信息数据处理手段较低、养护依赖人员操作性高等，亟需提升运维故障处理响应效率，实现日常维护管养无纸化、可追溯。

2、将建筑信息模型（building informationmodeling，bim）、物联网等现代信息技术应用于公路隧道机电设备的综合管控过程，打造可视化、信息化、智能化的绿色智慧隧道，将有效提高隧道管养质量，提升隧道管养效率。

3、智慧隧道机电设备自适应综合管控方法是指利用深度学习等先进的人工智能技术，对隧道内的机电设备进行实时监控、智能分析和自动控制，以实现设备运行的高效性、安全性和节能性；目前这种方法根据监控隧道内的机电设备实时运行状况、隧道能耗状态，实现自动调整机电设备的工作模式，从而达到优化隧道运行管理的目的较为困难。

技术实现思路

1、本发明的目的在于提供基于深度学习的智慧隧道机电设备自适应综合管控方法，解决以下技术问题：

2、怎样智能化实现隧道机电设备的自适应调整，提高隧道安全运维效率和降低安全事故风险。

3、本发明的目的可以通过以下技术方案实现：

4、基于深度学习的智慧隧道机电设备自适应综合管控方法，方法包括：

5、步骤一、通过智能物联传感器采集获取机电设备初始运行状态数据和机电设备位置图像信息；

6、步骤二、将机电设备位置图像信息和其初始运行状态数据导入当前模型中进行训练构建运维bim模型；

7、步骤三、基于深度学习技术将目标机电设备位置图像信息和其对应位置的机电设备实时运行状态数据进行匹配获取运维样本，将运维样本导入运维bim模型中进行机器学习获取机电设备巡检任务并输出运维信号参数；

8、步骤四、对不同机电设备对应的运维信号参数进行巡检分析，根据巡检分析结果判断当前是否符合巡检路线要求：

9、若否，则调整当前巡检路线；

10、若是，则进行下一步骤；

11、步骤五、对符合巡检路线的机电设备对应的运维信号参数进行故障分析，根据故障分析结果判断是否出现机电设备故障：

12、若是，则发出故障告警信号；

13、若否，则继续进行机电设备巡检。

14、优选地，步骤三中目标机电设备位置图像信息包括目标机电设备位置的分布图像和隧道能耗显示图像；基于历史机电设备隧道能耗数据库，结合目标机电设备位置的分布图像和隧道能耗显示图像匹配确定历史隧道能耗参数；

15、运维信号参数的获取方式为：

16、s1、采集目标机电设备位置处若干时间点的历史隧道能耗参数和目标机电设备的历史运行状态数据；

17、s2、选取各项隧道能耗参数及其对应时间点相关联运行项的运行状态数据，生成运维样本；

18、s3、通过将实时获取各项隧道能耗参数的运维样本导入运维bim模型进行训练，获取各项隧道能耗参数的巡检任务。

19、优选地，巡检任务的获取方式为：

20、采集目标机电设备位置的分布图像和隧道能耗显示图像及历史运行状态数据输入运维bim模型中，获得运维风险节点及其运维节点隧道能耗参数；

21、根据运维节点隧道能耗的状况和是否存在节点处机电设备运维风险进行任务安排：

22、若运维节点隧道能耗异常且节点处存在机电设备运维风险，则立即生成运维指令并根据运维节点隧道能耗显示图像定位异常机电设备位置；

23、若运维节点隧道能耗异常但节点不存在处机电设备运维风险，则立即生成运维指令并根据运维节点隧道能耗显示图像定位异常机电设备位置，并将当前的运行状态数据作为运维样本输入运维bim模型进行训练；

24、若运维节点隧道能耗正常但节点处存在机电设备运维风险，则立即生成运维指令，输出实时运维信号参数。

25、优选地，步骤四中巡检分析方法为：

26、通过公式获取节点处所有机电设备第项运维风险类型的巡检系数；其中，为当前节点第个机电设备第项运维风险类型的关联性系数；为当前节点第个机电设备的运维信号参数；为当前节点第个机电设备的标准运维信号参数；为同类型机电设备的预设运维信号参数偏差值；为第个机电设备运维风险类型出现次数。

27、优选地，巡检分析结果为：

28、将运维风险类型的巡检系数与限定标准阈值区间进行比对：

29、若∈，则第项运维风险类型的路线巡检频率符合要求，进行故障分析；

30、若＜，则第项运维风险类型的路线巡检频率低，提高巡检路线数量和巡检次数；

31、若＞，则第项运维风险类型的路线巡检频率高，降低巡检路线数量和巡检次数。

32、优选地，步骤五故障分析方法为：

33、通过公式计算获取第个机电设备运维故障系数；其中，、均为预设巡检故障影响权重系数，且、均大于0；，其中为预设时间段，为当前时间，为根据当前时间推导出的历史变化时间；为第个机电设备的巡检周期数。

34、优选地，故障分析结果为：

35、将运维故障系数与预设阈值进行比对：

36、若小于预设阈值，则判断机电设备正常，继续进行机电设备巡检；

37、若大于预设阈值，则判断机电设备异常，判断出现机电设备故障，发出故障告警信号。

38、优选地，步骤二中运维bim模型的建立过程包括：

39、获取机电设备位置图像信息和其历史运行状态数据：

40、根据机电设备位置图像信息的隧道能耗显示获取正常历史运行状态数据和异常历史运行状态数据，分别建立正样本集和负样本集；

41、将正样本集和负样本集以及其分别机电设备位置的隧道能耗显示图像输入初始bim模型构建运维bim模型，并对运维bim模型建立反馈学习机制，输出可视化的图表信息。

42、本发明的有益效果：

43、（1）本发明通过智能物联传感器结合物联网技术获取机电设备初始运行状态数据和机电设备位置图像信息，并结合初始bim模型和基于深度学习技术将目标机电设备位置图像信息和其对应位置的机电设备实时运行状态数据进行匹配获取运维样本；实现对隧道机电设备进行监控和运行数据进行可视化处理。

44、（2）本发明通过将运维样本导入运维bim模型中进行机器学习获取机电设备巡检任务并输出运维信号参数；对不同机电设备对应的运维信号参数进行运维分析获取不同机电设备运维风险节点的能耗信息，并通过巡检分析计算的结果对于需要调整的巡维路线提供提高或者降低巡检路线数量和巡检次数；实现实时的机电设备信息化安全巡检及巡检维护过程。

45、（3）本发明还通过故障分析计算对于不需要进行巡维路线调整的机电设备的运维信号的故障分析结果进行判断，保证机电安全巡检过程的进行并提前对出现设备故障的情况进行预警和检修处理，通过对隧道机电设备进行监控和运行数据的智能化分析，实现对机电设备运维状况的全面监控和安全巡检过程，为机电设备提供简化后的巡检故障判断的流程。

46、当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。