CN109255743A - 养护综合管理系统 - Google Patents

Abstract

养护综合管理系统以庞大的数据库为支撑，立足大数据，充分吸收物联网、地理信息系统(GIS)、北斗导航系统、人工智能、AR/VR/MR等前沿技术，融入区块链理念与技术，建立包括数据采集、效能分析评价、机械物资管理和智能决策的大型养护综合信息平台，使管养精细化、逻辑化、智能化。系统是多层次、多维度的，其体系架构主要分为感知层、思维层、表达层、拓展层四个层面。感知层借助于物联网技术，构建一个无处不在的感知网，对设施进行状态监测及数据采集；思维层对多源数据进行预处理并存储；表达层通过多种先进技术对设施状态变化进行可视化展示，形成直观具体，数据驱动的养护综合管理系统；拓展层是系统拓展应用的展望。

Description

养护综合管理系统

养护综合管理系统从道路管养的迫切需求出发，以庞大的数据库为支撑，立足于大数据，充分吸收物联网、地理信息系统(GIS)、北斗导航系统、人工智能、AR/VR/MR等前沿技术，融入区块链理念与技术，建立一个包括数据采集、效能分析评价、机械物资管理和智能决策的大型养护综合信息平台，真正意义上做到管养工作的精细化、逻辑化、智能化。新一代路面管养平台是多层次、多维度的，其体系架构主要分为感知层、思维层、表达层和拓展层四个层面。

感知层由各种传感器、智能终端等数据采集设备构成的无处不在的感知网，负责对物理世界的特征感知。

思维层主要包括移动通信网络、智能数据中心、云计算平台等智能的数据与决策中心，负责数据传输、存储和分析决策等功能；

表达层是管理系统的可视化呈现，通过丰富多样的数据呈现方式，将感知网采集的、思维层分析产生的高维数据，用最直观的方式表达出来，有助于管养人员对管养现状有更加深刻的认识，并作出最优化决策。

拓展层是通过应用互联网、区块链、ArcGIS等技术，形成路网级和区域间的互联、互通、互享，并扩展至所有市政、建筑、公用事业及跨界运用。

·无处不在的感知网

主要借助于物联网技术，构建一个无处不在的感知网。

物联网也叫传感网，是“物物相连”的一种网络，是将诸如红外感应器、射频识别装置和北斗导航系统等各种传感设备与互联网相结合形成的一个巨大网络。通过指纹识别和赋予物体电子标签或二维码来进行人的识别与物体标识，并通过相关中间件与无线网络进行连接，从而实现人与物、物与物的互联和回话。按照既定的相关协议，进行大量的信息通讯与交换，从而实现智能化的识别、定位、监督及管理。

在日常管养工作中，管理系统中的感知层在数据采集方面往往不是使用单一设备，而是多种设备协同合作，针对不同的管养内容，在空间和时间上分别使用不同仪器设备采集数据。不同设备得到的数据在形式上有所区别，采用物联网技术能够实现人与设备之间的互联、设备之间数据的互联，从而统一数据标准。

物联网下的综合管养平台应该具备如下特点：

全面、大范围的感知，覆盖面广。在物联网体系中，一切设备都可以连接在一起，设备之间实现信息的互联互通，实现对物理世界大范围的信息进行全面感知。

实时化的信息传递。通过网络技术可以为物联网的信息数据提供高效、稳定、及时、安全地传输。

智能化处理和自动化控制，物联网的应用可提高对物联网设备的控制管理效率，减少人力消耗。

其中，图像识别技术将大有作为。图像识别是计算机应用领域中利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术。其主要过程是对经过预处理后的图像进行识别和分类，最终确定类别名称的过程。首先要选择需要提取的特征，对其中某些参数进行处理和测量，再提取这些特征，最后进行识别和分类。通过对图像进行整体结构上的分析和描述，可以加强对图像的理解，提高图像识别的准确度。在实际道路管养工作时，通过安装在机动车辆上的摄像机采集道路病害图像，对图像进行图像理解、病害检测与识别，最后将识别结果告知管理员。在图像数据库足够大的情况下，可建立图像库，包括各种特征的病害图像与对应的处理方案。对于新得到的路面病害图像，通过过往病害处理经验，与图像库进行比对，管养系统自动推荐处理方案，实现管养系统从病害识别到处理方案决策的全自动化和智能化。

近几年，物联网技术得到了飞速的发展，然而现有的物联网弊端也日益显现。表现在：

中心控制的高成本

目前的物联网架构中,普遍存在这一种僵化现象:数据汇总到单一的中心控制系统,导致中心服务器在能耗和企业成本支出方面存在巨大压力。而且,随着当下终端的低成本的普及,未来物联网设备将呈几何级数増长,这个压力可能变得难以承受。

隐私保护难度随着规模扩大而变大

中心化的管理架构存在无法自证清白的可题,也即不管你是否窃取了参与方的隐私,都容易被怀疑, 没有理性的方式可以证明你的清白,完全靠相互的自觉与信任。以第三方视频监控设备为例，由于数据上传到了第三方服务器，用户数据有没有被第三方获取，这是用户购买此类设备和服务的一大顾忌。

个体入网后更容易被攻击

如果不参与物联网,设备也许相安无事,但入网后难免成为系统性网络攻击的炮灰。

多主体的高协同成本

物联网的参与者通常不完全被发起方所掌控,如如何让合作方更好的参与,面临极为复杂的协同成本。以道路设施监控设备为例，每个管养片区都建立了自己的监控设备，但是不同管养单位之间的信息很难共享。同一行业尚且如此，不同行业之间的数据共享就更加艰难。这就不可避免的导致设备设施重复建设，浪费财力物力的情况。

区块链技术的出现，将完美的解决上述困境。区块链技术是利用块链式数据结构来验证与存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的方式保证数据传输和访问的安全、利用由自动化脚本代码组成的智能合约来编程和操作数据的一种全新的分布式基础架构与计算方式。区块链技术起源于金融领域，但它的出现将不仅深刻地影响和改变金融行业，在物联网领域也将起到革命性的作用。区块链技术为物联网提供了点对点直接互联的方式进行数据传输，整个物联网解决方案不需要引入大型数据中心进行数据同步和管理控制，包括数据采集、指令发送和软件更新等操作都可以通过区块链的网络进行传输，这将极大的降低物联网的运营成本。通过区块链的数据加密技术和P2P互联网络，信任问题可以迎刃而解，不同信任域下物联网节点的互通性安全问题也将不再存在。通过区块链技术，将建立一个规模可以不断拓展的通用物联网，同时保证隐私、安全，使参与者无需建立信任便可以进行交易，设备共享，资源共享将给社会带来巨大效益。因此，综合管养系统引入区块链技术将极大的提高感知层的数据获取能力与效率。

具体实施：

1、设备应用

基于机器视觉的路面性能监测设备，主要通过定期图像数据采集于分析对路面性能进行长期监测。

道路设施与环境车载三维激光扫描仪，主要获取道路设施与环境的点云数据，用于对养护作业区内场景的三维模型建立

无人机检测设备，对于人无法到达的区域，可通过操控无人机对设施进行图像采集，比如说桥梁的检测，可通过操控无人机对桥梁下方设施进行检测。

管道机器人，针对城市地下管道空间狭小光线阴暗等特点，通过管道机器人来采集与管道相关的数据。

车载式路面视频病害破损检测系统，可识别沥青、水泥混凝土及沙石路面所有病害类型，检测路面破损率DR、路面损坏状况指数PCI、RQI、RDI等多种路面性能指标。

绿化环境感应器

窨井盖感应器

2、数据获取与传输

养护作业过程中的数据主要分为两部分，一是养护作业过程中的工单数据，包括维修养护历史，养护位置和图片留存等，这部分数据主要由养护作业单位提供；另一部分是养护作业设备与养护过程数据，包括安全、市政、机械设备和水务工作的属性数据，这部分数据需要通过早先安装布设好的设备进行采集，主要可分为以下几部分。

用路面性能监测设备对选定路段和桥梁区域定期进行拍照监测，采集路面和桥梁图像。

对于安全、绿化、市政和水务工作中的机械设备，其属性值是静态的，通过赋予机械设备电子标签来实现对物体的标识。工作人员只需通过手机等智能设备对电子标签进行识别判定就能对设备的使用情况和使用说明进行一个追溯，做到设备管理的实时性和精准性。

对于安全工作，每次出班前，通过管理系统可获得道班长扫描二维码，打开文字、语言、图片和视频等记录数据，完成交底工作。对数据进行汇总分析后得到交底展示与跟踪，并输出标准报表。

对于市政工作中道路与桥梁病害的检测，可通过激光设备或者双目扫描仪进行扫描，获取点云数据，一些手持设备难以到达的区域可通过无人机拍摄照片进行检测。道路与桥梁病害的监测通过在指定区域内布设摄像头，一定频率下对路面和桥梁进行拍照。监测虽不像检测那样全面立体具体，但监测数据有时序属性，对路面和桥梁病害的演化机理研究有重要意义。

对于机械设备中的车辆方面，通过获得车辆出班时间位置，行驶轨迹，运转记录和返回时间位置等数据建立驾驶员信息、车辆信息数据库。然后将采集得到的数据上传到数据仓库中。

对于水务工作，因为水务工作中管道位置较为复杂，设备以人工方式难以到达，可通过管道机器人或者无人机等智能采集设备进行数据采集检测工作。

养护工作中对路面性能的评价主要可分为定期检测和长期监测。定期检测主要采用车载式路面视频病害破损检测系统采集路面图像信息，长期性能的监测采用基于机器视觉的路面性能监测设备进行定时拍照录像。

见附图1：感知层图示

·智能的数据与决策中心

智能数据与决策中心依托于海量数据存储技术以及人工智能分析技术。在综合管理系统中，智能数据与决策中心属于整个管理系统中的思维层，属于管养系统中的大脑，负责对感知层采集得到的数据进行分析处理以及做出决策。感知层采集得到的数据是多源数据，数据格式、数据来源和数据的时空属性都不同，智能数据中心对属性不同的数据实施并行处理，最后以分布式的方式存储在数据仓库。通过对感知层的数据交换及对数据的并行处理，通过智能决策中心进行养护预测及方案决策，并对行为层发出响应。并特别体现在：

机器学习助力实时数据分析决策

决策在通常意义上指为了达到某种具体目标，使用相应的数学或管理学手段，对多个备选方案进行比选，并从中选择出最优方案的过程。在道路养护中，由于路面状况较为复杂，病害类型多样，若依照传统的养护方式，会存在信息更新不及时，路面病害无法得到及时处理，在发生重大病害时会对路面交通的正常运行造成不利影响，也给养护工作带来很大压力。

利用机器学习能够通过总结人类概念的形成步骤，并将其内在思维过程通过数学方法表述出来，从而构建一种具有节点和网络的数学模型。其理论核心是通过节点间的连接关系达到决策的目标。其具有良好的集体运算能力，又有着强大的自适应能力及容错性，从理论上其可以拟合出任何非线性的曲线，故可以利用机器学习中来构建整个养护系统的智能决策支持模块，从而可以对数据进行分析，从客观、系统的层面对道路养护工程进行辅助决策支持，实现智能决策，建立完善的道路养护决策体系。

以日常巡检为例，在巡检人员发现路面病害并将具体情况通过app上报时，系统通过对病害详细信息的分析，对病害的严重程度进行自动分级。若情况不是十分严重，就会根据智能决策支持模块的推理功能，结合病害所处地区的病害状况，分析出整条道路现在的情况，产生科学、有效与合理的处置方案，再结合数据仓库中储存的施工队以及施工设备的所处位置，推理出最适合解决病害的维修单位，并自动生成维修任务的工单，发送到维修单位，使路面病害能够得到及时处理。若通过系统判断，认为路面破损状况十分严重，便会通知养护单位管理者，并将系统分析后得出的事件处置方案以多种可视化方式形象、直观地呈现出来，为管理者提供决策支持，从而使其在最短时间内决定事件的处置方案，就能最快限度地降低路面病害的影响，提高养护部门的应急能力。

人工神经网络建立自适应道路性能预测模型

随着行车荷载和外部环境的长期作用，路面品质会逐渐下降，如果不进行合理养护，便会影响其使用性能。若是能提前知道当前路面的服务水平，就能做出更好的养护决策，合理利用资金。也就是说，只有科学预测了未来道路服务性能发展的走向，才能更好地为养护决策提供依据，从而更大地发挥经济效益和社会效益。

正确地养护决策，是建立在准确预测的基础上的，合理的、科学的模型是符合路面衰变规律的，我们应当在了解正确的衰变规律的前提下，选择合适的养护措施。由于路面性能衰减的影响因素众多，同时又是一个动态的过程，所以它的范围广泛而且关系复杂。神经网络学习算法是通过大量的处理部件，采用人工方式构造的一种复杂网络计算系统。它具有一套完整的学习方法则与之配合，因此能实现自适应、自组织和自学习的能力，由此便可以满足建立自适应道路性能预测模型的需求。与此同时，过往的道路病害历史资料和养护信息正好可以为模型提供很好的学习材料，使模型可以利用人工神经网络算法对过往的道路性能发展状况进行不断的分析和推演，从而得到此地区道路性能发展规律，进而可以进一步地预测今后道路性能的发展状况，推断出养护的最佳时机并提供最适合的养护方案。随着系统的不断使用，养护数据的不断累积，模型也会逐渐完善，预测的准确性也会随之不断提高，从而真正实现全寿命周期的养护流程。

具体实施：

1、数据上传与存储

感知层采集得到的数据是多源数据，数据格式、数据来源和数据的时空属性都不同，思维层中智能数据中心对属性不同的数据按照属性进行分类，最后以分布式的方式存储在数据仓库。按照采集数据的不同属性将数据按相应类别上传到服务器，比如说，图像类数据可通过建立图像库的方式进行数据管理。

2、参数提取与数据预处理

精准的数据是分析的准确性的基础，为了对养护作业进行精准评估，数据的精确性显得尤其重要。

一方面，我们即需要直接获得的一手数据，也需要从未经处理过的数据中提取出对我们评价预测有用的间接指标，比如说病害统计中病害数量的增长率，变化量等间接数据指标。

另一方面，原始数据作为一种动态数据，由于受到采集设备精度、灵敏度，传输线路故障以及外界环境干扰等多种因素的影响，其数据往往存在无效、冗余、错误、丢失、噪声、时间点偏移等现象，为了避免这些存在质量问题的数据直接进入后续的养护评估，影响养护状态分析预测及实施效果，需要对这些数据进行消除噪声、修正错误信息、约简冗余数据、推导计算丢失数据等预处理工作。

3、数据分析评价

病害图像划分与病害状态判定

对于采集得到的路面病害图像，根据图像特征和图片实际采集环境，进行病害种类和严重程度的分级工作，分级工作有多种方式，可针对图像单一参数进行划分，也可以基于多参数进行划分，但是这两种方法对图像划分的界限比较分明，具有“非此即彼”的性质。事实上，道路病害具有较强的随机性和模糊性，基于确定的单一参数或者多参数的分级方法无法对道路病害进行精确划分，在此提出基于模糊推理的图像病害识别技术，能够更加准确合理地确定病害类别。

道路病害的判定，就是在病害图像分级的基础上，根据模式识别原理，判断样本点所属的病害状态类型。

对于一张采集得到的病害图像，最终的目标是在对其进行病害判定后，需要自动得出相应的处理方案以及与该方案相对应的维修参数，包括维修面积、维修类型、维修时间和材料等一系列参数。为了达成这一目标，我们需要建立相应病害与处理方案的对应关系，并将这种对应关系梳理成库，以便后续图像对照尽快做出决策。

总体来说，此阶段主要工作是系统通过对病害详细信息的分析，对病害的严重程度进行自动分级。若情况不是十分严重，就会根据智能决策支持模块的推理功能，结合病害所处地区的病害状况，分析出整条道路现在的情况，产生科学、有效与合理的处置方案，再结合数据仓库中储存的施工队以及施工设备的所处位置，推理出最适合解决病害的维修单位，并自动生成维修任务的工单，发送到维修单位，使路面病害能够得到及时处理。若通过系统判断，认为路面破损状况十分严重，便会通知养护单位管理者，并将系统分析后得出的事件处置方案以多种可视化方式形象、直观地呈现出来，为管理者提供决策支持，从而使其在最短时间内决定事件的处置方案，就能最快限度地降低路面病害的影响，提高养护部门的应急能力。

时序动态分析

养护数据的动态性是指养护作业过程中相关设施的参数随时间变化的一种属性，以时间尺度作为划分依据，并对不同养护时间段内的设施相关参数值做分析，可以寻找养护不同阶段设施属性值的动态分布规律，进而对未来的养护决策做出评估。时序动态分析主要包括养护数据时序的统计特征分析、周期性分析、趋势性分析、混沌性分析和突变性分析。

关联分析

养护管理系统是一个含有诸多变量的复杂系统，表现其特征的养护作业相关参数也是一个多维的时空序列，受众多因素的影响，且各种因素之间存在着复杂多变的相互影响关系，养护作业参数之间或多或少存在着相关性。具体到道路养护作业的病害检测中，其关联分析主要是测定不同道路病害之间和同一病害在不同时序下的相关程度，计算不同病害之间的关联度，给出相应的定量化度量，并获取它们之间存在的规律性，提取交通状态时序的关联模式。其关联程度可以从关联度的定性分析、不确定性和延迟性几方面进行分析。

4、养护决策及预测

在养护作业过程中，由于路面性能衰减的影响因素众多，同时又是一个动态的过程，所以它的范围广泛而且关系复杂。神经网络学习算法是通过大量的处理部件，采用人工方式构造的一种复杂网络计算系统。它具有一套完整的学习方法与之配合，能实现自适应、自组织和自学习的能力，由此便可以满足建立自适应道路性能预测模型的需求。

见附图2：思维层图示

·高维数据可视化表达

世界是三维的，随着计算机、测绘、地理信息技术的发展，从三维角度看世界正不断成为主流。可视化的最终目的不仅仅只是展现物理世界，它还要提供所需的空间位置数据，利用真实世界的各种数据实现虚拟现实系统，客观、真实地建设管理世界。

北斗卫星导航定位系统、三维激光扫描、倾斜摄影测量、虚拟现实(VR)、地理信息系统(GIS)和 BIM等技术的发展为公路管养的空间可视化提供了技术保障，加快了管养系统朝着三维立体的方向努力。

其中，三维激光扫描技术通过获得被测物体的表面上大量点云数据，进一步处理后能实现测量对象的三维模型重建。倾斜摄影实质是在同一飞行平台上搭载多个传感器，同时从多个角度对地物进行拍摄，从垂直、前方、后方、左侧、右侧五个不同的角度采集影像，使得获取的地物信息更完整、更全面，获取的倾斜摄影影像经过影像处理之后，利用建模软件可生成倾斜摄影三维模型。

ArcGIS是全球地理信息系统领域领导者Esri公司的主要产品。作为地理信息系统行业领头羊，其在地图呈现、地图分析等多个领域不断升级换代。最新发布的ArcGIS提供了新一代的GIS技术，为组织机构内部各岗位以及机构之间的连接和协同提供了更加高效、易用的环境；可以非常方便地与物联网进行连接高效地获取、处理和展示来自物联网各类传感设施的实时数据；对时空大数据的处理、分析和动态可视化能力取得了巨大提升。在新体系架构和应用模式的支撑下，组织机构中更多的，甚至所有的岗位都能够更好地进行工作协同，各种数据的潜能和价值通过高效的分析和可视化展示将得以更好地发掘。特别是在三维方面，ArcGIS集成了非常强大的建模与呈现功能，有ArcGIS的支撑，我们的综合管养系统将不断处于领先水平，不断探索新的管养模式。

虚拟现实技术(VR)是采用计算机技术模拟生成一个三维、逼真的，能够提供给用户关于视觉、听觉、触觉等一体化感官模拟的虚拟环境，用户可以借助外置装备，以自然的方式与虚拟环境进行交互，并相互影响，从而产生身临其境，获得等用于真实环境的感受和体验的技术。增强现实(AR)是在虚拟现实的基础上发展起来的，能将真实世界信息和虚拟世界信息进行“无缝”集成的一种新技术，借助计算机图形图像学和可视化技术，将虚拟的信息应用到真实世界。通过将计算机生成的虚拟对象、场景或者系统提示信息，借助显示设备准确叠加在真实环境中，从而实现虚拟世界与真实环境的融合，给用户一个感官效果真实的新环境。而混合现实(MR)是虚拟现实技术的进一步发展，该技术通过在虚拟环境中引入现实场景信息，在虚拟世界、现实世界和用户之间搭起一个交互反馈的信息回路，以增强用户体验的真实感。将VR/AR/MR技术运用于日常管养，我们将拥有更多数据表示与呈现的手段。比如，对于管养片区来说，可通过使用高精度三维激光扫描车在片区内道路跑一遍，建立管养片区范围内的道路模型、绿化模型和道路沿线设施等场景。对于片区内的管道模型和一些激光扫描车辆无法到达的区域，可通过无人机进行倾斜摄影成像，建立测量对象的三维模型。对于养护规划中已经有想法，但实际还未施工的项目，可通过VR 技术按照意愿进行虚拟建模，展示模型效果图。管养区域内模型建立后，通过GIS技术增加模型的空间属性信息，以三维加数据信息的思想对片区内设施进行管理，利用AR/MR实现视觉上三维和设施时空信息相结合多维度的展示方式，为后期决策分析提供支持。

具体实施：

1、高维数据展示

基于三维激光扫描仪得到实际场景三维点云数据，经过处理建立实际场景的三维模型，后期加上时间维参数，实现养护作业的三维场景加时间序列的展示。在此基础上，借助GIS技术增加模型的属性数据信息，包括模型的静态属性数据和随养护作业过程变化而变化的动态数据信息，以BIM的思想来落实管理工作，最终实现视觉上可立体、时间上可回溯、属性数据可追踪的高维场景数据展现。

2、MR技术与人机交互

借助MR技术，基于全景照相三维场景的搭建，人们可借助智能眼镜在虚拟的三维世界中漫游，能与虚拟世界中的物体进行交互，增强用户的体验和真实感，做到对养护作业区内物体信息的全方位展示和调取展示。

见附图3：表达层图示

·拓展层是通过应用互联网、区块链、ArcGIS等技术，形成路网级和区域间的互联、互通、互享，并扩展至所有市政、建筑、公用事业及跨界运用。

附图说明

附图1：感知层结构图

附图2：思维层结构图

附图3：表达层结构图。

Claims (5)

1.整个综合管理系统的构思、架构、模块、模型，相互间逻辑、关联、相容、相融。

2.感知层由各种传感器、智能终端等数据采集设备构成的无处不在的感知网，负责对物理世界的特征感知。主要技术：物联网技术、图像识别、区块链技术。

3.思维层主要包括移动通信网络、智能数据中心、云计算平台等智能的数据与决策中心，负责数据传输存储和分析决策等功能。主要技术：机器学习助力实时数据分析决策、人工神经网络建立自适应道路性能预测模型。

4.表达层是管理系统的可视化呈现，通过丰富多样的数据呈现方式，将感知网采集的、思维层分析产生的高维数据，用最直观的方式表达出来。高维数据可视化表达，北斗卫星导航定位系统、三维激光扫描、倾斜摄影测量、虚拟现实(VR)、地理信息系统(GIS)和BIM等技术。管养区域内模型建立后，通过GIS技术增加模型的空间属性信息，以三维加数据信息的思想对片区内设施进行管理，利用AR/MR实现视觉上三维和设施时空信息相结合多维度的展示方式，为后期决策分析提供支持。在三维方面，ArcGIS集成了非常强大的建模与呈现功能，有ArcGIS的支撑，我们的综合管养系统将不断处于领先水平，不断探索新的管养模式。

5.拓展层是通过应用互联网、区块链、ArcGIS等技术，形成路网级和区域间的互联、互通、互享，并扩展至所有市政、建筑、公用事业及跨界运用。