文/馬曉東 李晨晨 段肖 陳湘軍
氣象災(zāi)害是交通事故主要誘因,冬季道路結(jié)冰異常危險(xiǎn),由此引發(fā)的交通事故層出不窮。道路結(jié)冰主要出現(xiàn)在冬季和早春季節(jié),當(dāng)?shù)孛鏈囟忍幱诹阆虏⑶页睗窕蚍e水時(shí),極易造成該路段結(jié)冰打滑。而相較于地面道路實(shí)體地基,橋梁大多采用懸空高架結(jié)構(gòu),沒有土壤提供地?zé)?,一旦降溫,便很快消耗完所有熱量?dǎo)致結(jié)冰。公路管理部門日常通過天氣預(yù)報(bào)、視頻監(jiān)控等多種手段進(jìn)行結(jié)冰檢測(cè)和預(yù)測(cè),采取除冰和道路管控預(yù)警等措施預(yù)防道路事故。由于微冰的視覺特性,肉眼和監(jiān)控視頻往往難以觀測(cè)出橋面的初期結(jié)冰,難以準(zhǔn)確判斷橋面結(jié)冰狀態(tài),影響后續(xù)融冰排險(xiǎn)作業(yè)。
橋面結(jié)冰是多種因素綜合作用的結(jié)果,包括地面溫度、大氣溫度、空氣濕度、風(fēng)速、降水、降雪等多種外界條件。保廣裕等對(duì)青海省的道路結(jié)冰情況進(jìn)行深入分析,探討了溫度、積雪深度以及地面最高溫度與橋面結(jié)冰的關(guān)系,并建立了地溫與積雪深度預(yù)報(bào)模型,對(duì)道路結(jié)冰進(jìn)行預(yù)警,白永清等研究溫度與橋面結(jié)冰的關(guān)系,并根據(jù)實(shí)驗(yàn)結(jié)論建立了基于Logistic回歸的道路結(jié)冰溫度條件風(fēng)險(xiǎn)概率模型,資葵等研究溫度、風(fēng)速、降雨量對(duì)結(jié)冰的影響,建立了多變量多項(xiàng)式模型。
目前橋面結(jié)冰檢測(cè)的手段很多,結(jié)冰傳感器是較穩(wěn)定的檢測(cè)器之一,其包括接觸式傳感器和非接觸式傳感器兩類。接觸式傳感器大多是單點(diǎn)結(jié)構(gòu),誤差相對(duì)較大,成本高,安裝和維護(hù)困難;以苑會(huì)珍等實(shí)現(xiàn)了非接觸式結(jié)冰檢測(cè),該方法使用近紅外石英鹵鎢燈照明,旋轉(zhuǎn)偏振片采集4個(gè)偏振方向分量圖片,計(jì)算線偏振度識(shí)別橋面狀態(tài),譚舒亞等利用多種傳感器結(jié)合的方法來判斷道路是否結(jié)冰,準(zhǔn)確度更高。李頎,季雨薇等對(duì)通過視頻監(jiān)控檢測(cè)橋面的方法進(jìn)行優(yōu)化,以邊緣檢測(cè)和二值形態(tài)學(xué)對(duì)圖像進(jìn)行分割,通過自適應(yīng)小波去噪方法提高圖像識(shí)別準(zhǔn)確率,提取道路圖像特征值并通過SVM(支持向量機(jī),Support Vector Machine)分類器進(jìn)行結(jié)冰識(shí)別,由于微冰狀態(tài)的視覺特性,使用圖像檢測(cè)方法檢測(cè)早期橋面結(jié)冰的準(zhǔn)確率較低。
圖1:基于溫/濕度的結(jié)冰預(yù)警系統(tǒng)架構(gòu)圖
需要說明的是,根據(jù)經(jīng)驗(yàn)數(shù)據(jù)分析,不同地區(qū)、不同氣象條件、不同外場(chǎng)環(huán)境均會(huì)干擾結(jié)冰狀態(tài),因此針對(duì)某種場(chǎng)景訓(xùn)練的單一模型并不能普遍適應(yīng)其他場(chǎng)景的結(jié)冰檢測(cè)任務(wù)。鑒于視覺方法結(jié)冰檢測(cè)準(zhǔn)確率低,結(jié)冰傳感器成本高等局限,本文采用利用溫度、濕度兩個(gè)主要結(jié)冰參數(shù),使用SVM以少量歷史數(shù)據(jù)進(jìn)行,針對(duì)單個(gè)斷面學(xué)習(xí)結(jié)冰檢測(cè)模型,實(shí)現(xiàn)橋面結(jié)冰自動(dòng)檢測(cè)預(yù)警。
圖2:溫/濕度傳感器與串口轉(zhuǎn)換器
本文構(gòu)建了基于溫度、濕度和結(jié)冰歷史數(shù)據(jù)的橋面結(jié)冰預(yù)警系統(tǒng),系統(tǒng)架構(gòu)圖如圖1所示。系統(tǒng)自底向上共分三層:
(1)傳感層,該層位于系統(tǒng)底部,使用多個(gè)濕度、濕度傳感器采集監(jiān)控點(diǎn)的溫度與濕度數(shù)據(jù),用于結(jié)冰檢測(cè)模型訓(xùn)練的結(jié)冰狀態(tài)標(biāo)簽可用結(jié)冰傳感器或人工標(biāo)注方式采集。傳感層數(shù)據(jù)通過Modbus/TCP協(xié)議轉(zhuǎn)換器轉(zhuǎn)換,經(jīng)轉(zhuǎn)換器遠(yuǎn)程TCP發(fā)送至中心機(jī)房,節(jié)省下位工控機(jī)的開銷。
(2)數(shù)據(jù)處理層,該層包括溫度、濕度傳感器數(shù)據(jù),結(jié)冰歷史數(shù)據(jù),以及監(jiān)測(cè)點(diǎn)位基礎(chǔ)信息。結(jié)冰檢測(cè)模型在結(jié)冰歷史數(shù)據(jù)庫與溫/濕度數(shù)據(jù)庫基礎(chǔ)上訓(xùn)練而成,用以預(yù)測(cè)新溫度、濕度條件下的結(jié)冰狀態(tài)。由于采集和標(biāo)注結(jié)冰數(shù)據(jù)成本較高,系統(tǒng)中設(shè)計(jì)了結(jié)冰歷史數(shù)據(jù)庫的上下層雙向交互關(guān)系,下層由結(jié)冰傳感器采集或人工標(biāo)注數(shù)據(jù),存入結(jié)冰歷史數(shù)據(jù)庫中,用以訓(xùn)練模型,同時(shí)將模型新預(yù)測(cè)結(jié)冰狀態(tài)數(shù)據(jù),經(jīng)過上級(jí)應(yīng)用層人工交互確認(rèn)后,存入結(jié)冰歷史數(shù)據(jù)庫中,擴(kuò)展訓(xùn)練集后自動(dòng)更新模型,提高模型精度,使模型具備自動(dòng)學(xué)習(xí)和性能不斷提升的功能。
(3)應(yīng)用層,該層包括實(shí)時(shí)和歷史數(shù)據(jù)報(bào)表,橋面結(jié)冰預(yù)警,結(jié)冰消息報(bào)警,數(shù)據(jù)人工交互等功能模塊,實(shí)現(xiàn)檢測(cè)點(diǎn)的實(shí)時(shí)和歷史數(shù)據(jù)查詢,基于溫度、濕度傳感器的橋面結(jié)冰預(yù)警以及消息報(bào)警,人工交互界面提供遠(yuǎn)程監(jiān)控視頻確認(rèn)和預(yù)測(cè)數(shù)據(jù)校準(zhǔn)功能。
圖3:溫/濕度數(shù)據(jù)監(jiān)測(cè)與歷史報(bào)表
圖4:系統(tǒng)結(jié)冰報(bào)警界面
濕度、濕度傳感器采用TH10S-B溫濕度變送器,支持Modbus協(xié)議,每個(gè)監(jiān)測(cè)點(diǎn)安裝4組,其中2組鋪設(shè)于橋面瀝青面以下并做好排水處理,2組安裝于橋梁護(hù)欄外側(cè)。為節(jié)約成本,系統(tǒng)使用傳感器接串口轉(zhuǎn)換器代替下位機(jī),對(duì)溫度、濕度傳感器的RS485接口進(jìn)行轉(zhuǎn)換,實(shí)現(xiàn)TCP/IP通信。TH10S-B溫濕度變送器和ZLAN5143串口轉(zhuǎn)換器如圖2 a和圖2 b所示。
支持向量機(jī)SVM定義為特征空間上間隔最大的線性分類器,最終目的是尋求一個(gè)最大間隔的超平面。對(duì)于線性可分情況,可由式(1)所示的超平面函數(shù)對(duì)數(shù)據(jù)進(jìn)行分類,最終分類的準(zhǔn)確度可以用超平面與數(shù)據(jù)點(diǎn)之間的間隔來度量,間隔越大準(zhǔn)確率越高。
分類平面的最大幾何間隔由表達(dá)式如式(2)所示:
其中x0是x垂直投影到超平面上的點(diǎn),w則是垂直于該超平面的向量。令f(x0)=0,得令為幾何間隔,即其中為函數(shù)間隔。再令f(x)=1,由此確定最大間隔的目標(biāo)函數(shù)為問題轉(zhuǎn)化為在此約束條件下求的最小值問題,這是一個(gè)凸二次規(guī)劃求解問題,通過拉格朗日對(duì)偶性變換到對(duì)偶變量的優(yōu)化問題,如式(3)所示:
其中a為拉格朗日乘子,p*為問題的最優(yōu)值,將其轉(zhuǎn)化為對(duì)偶問題d*進(jìn)行求解。
對(duì)于非線性可分,SVM的解決辦法是利用核函數(shù)將數(shù)據(jù)點(diǎn)由原始空間映射至高維空間。此時(shí)的分類函數(shù)為式(7)所示:
其中φ是原始空間到某一特征空間的映射,核函數(shù)實(shí)現(xiàn)在特征空間計(jì)算內(nèi)積,如式(8):
為了適應(yīng)實(shí)際應(yīng)用中的場(chǎng)景泛化,可允許部分測(cè)試數(shù)據(jù)點(diǎn)偏離SVM超平面,此時(shí)目標(biāo)函數(shù)轉(zhuǎn)化為式(9):
其中C為懲罰系數(shù),ξ為需要優(yōu)化的參數(shù),損失函數(shù)如式(10)所示:
對(duì)偶求解如式(11)所示:
本文基于Python和Scikit-learn,采用非線性核函數(shù),實(shí)現(xiàn)了基于溫度、濕度和結(jié)冰數(shù)據(jù)的模型訓(xùn)練與預(yù)測(cè),訓(xùn)練數(shù)據(jù)集中包括路面地表和懸空的兩組溫度、濕度傳感器數(shù)據(jù),其中X={xT1,xH1,xT2,xH1,xID},y={0,1},考慮每個(gè)監(jiān)測(cè)點(diǎn)的條件參數(shù)均會(huì)導(dǎo)致不同的結(jié)冰狀態(tài),將訓(xùn)練數(shù)據(jù)編號(hào)作為輸入?yún)?shù)之一,以區(qū)分每個(gè)點(diǎn)的不同環(huán)境,xID,xT和xH,分別代表監(jiān)測(cè)點(diǎn)編號(hào),溫度與濕度數(shù)據(jù),y對(duì)應(yīng)的結(jié)冰狀態(tài)標(biāo)簽0表示未結(jié)冰,1表示結(jié)冰。
系統(tǒng)在常州市公路網(wǎng)實(shí)地安裝2組橋面監(jiān)測(cè)點(diǎn),自2018年12月起每5分鐘采集一次監(jiān)測(cè)點(diǎn)的溫/濕度數(shù)據(jù),共收集傳感器數(shù)據(jù)約5000條,實(shí)時(shí)數(shù)據(jù)和歷史數(shù)據(jù)報(bào)表如圖3 a和圖3 b所示。
訓(xùn)練集使用2019年1月5日前1953條傳感器數(shù)據(jù),清理傳感器異常數(shù)據(jù)后,有效數(shù)據(jù)1856條,按7:3的比例劃分訓(xùn)練集和測(cè)試集。1296條作為訓(xùn)練數(shù)據(jù),560條用于測(cè)試。結(jié)冰狀態(tài)標(biāo)注數(shù)據(jù)使用北京杰公司的JCI-1600結(jié)冰傳感器和人工確定方式完成,訓(xùn)練數(shù)據(jù)中0℃的以下訓(xùn)練數(shù)據(jù)占據(jù)總數(shù)的83.8%,由于濕度及其他條件的綜合作用,溫度介于-2~0℃的結(jié)冰數(shù)據(jù)36條,介于-3~0℃的未結(jié)冰數(shù)據(jù)38條。使用SVM迭代訓(xùn)練1000次,生成結(jié)冰檢測(cè)模型。
使用訓(xùn)練好的數(shù)據(jù)進(jìn)行橋面結(jié)冰預(yù)測(cè),SVM分類器輸出為1的,在數(shù)據(jù)庫中標(biāo)注為結(jié)冰狀態(tài),反之標(biāo)注為未結(jié)冰狀態(tài)。在實(shí)際現(xiàn)場(chǎng)應(yīng)用中,溫度、濕度,傳感器布設(shè)位置等多種因素均影響結(jié)冰狀態(tài),為擴(kuò)充訓(xùn)練集和提高模型精度,在系統(tǒng)運(yùn)行初期,采用人工交互方式校驗(yàn)預(yù)測(cè)結(jié)果,并累加到訓(xùn)練集中進(jìn)行自動(dòng)增量訓(xùn)練。
為保證應(yīng)系統(tǒng)架構(gòu)的靈活性,將SVM結(jié)冰預(yù)測(cè)模塊封裝成獨(dú)立的服務(wù)接口,在數(shù)據(jù)庫之間和應(yīng)用系統(tǒng)之間采用JSon消息進(jìn)行數(shù)據(jù)交換。
系統(tǒng)自2018年1月10日試運(yùn)行后,對(duì)常州公路網(wǎng)中的“S239撫申運(yùn)河”和“S240鐘樓大橋”兩個(gè)斷面進(jìn)行橋面結(jié)冰檢測(cè)試驗(yàn)。共檢測(cè)到“S239撫申運(yùn)河”橋面結(jié)冰險(xiǎn)情7次,正檢率100%,漏檢率0%,檢測(cè)結(jié)果表明系統(tǒng)已達(dá)到基于溫/濕度數(shù)據(jù)預(yù)測(cè)橋面結(jié)冰狀態(tài)的目的。系統(tǒng)檢測(cè)到橋面結(jié)冰后,聯(lián)動(dòng)網(wǎng)點(diǎn)監(jiān)控?cái)z像機(jī),自動(dòng)截取保留橋面照片,以便人工確認(rèn),橋面結(jié)冰報(bào)警界面如圖4所示。
由于橋面結(jié)冰在視覺具有一定隱匿性,且常發(fā)生在夜間,難以使用監(jiān)控視頻或?qū)嵉匮膊榉绞綑z測(cè)橋面結(jié)冰,目前普遍憑天氣預(yù)報(bào)和經(jīng)驗(yàn)提前撒道路除冰劑,作業(yè)效率低且易造成環(huán)境污染。結(jié)冰傳感器造價(jià)高,單斷面鋪設(shè)成本到數(shù)萬元,準(zhǔn)確率偏低。本文使用溫/濕度傳感器數(shù)據(jù)和少量的結(jié)冰狀態(tài)標(biāo)注數(shù)據(jù),利用SVM訓(xùn)練,針對(duì)單一斷面訓(xùn)練結(jié)冰檢測(cè)模型,并在運(yùn)行初期以人工交互方式反饋數(shù)據(jù),保證模型的自動(dòng)更新和精度提升,實(shí)現(xiàn)了高準(zhǔn)確率、低成本的橋面結(jié)冰檢測(cè)預(yù)警,系統(tǒng)通過報(bào)表和監(jiān)控截圖,提供可視化管理界面,已實(shí)際應(yīng)用于常州市域路網(wǎng)橋面結(jié)冰預(yù)警管理。