[发明专利]一种基于多源异构数据融合的地下管廊监测方法和系统

权利要求书

1.一种基于多源异构数据融合的地下管廊监测方法，其特征是，包括：

实时采集获取综合管廊监测相关数据，所述监测相关数据包括结构化数据和非结构化数据；

对所述监测相关数据进行预处理；

对预处理后的结构化数据进行特征值提取；

将预处理后的非结构化数据作为预先构建的第一深度学习神经网络的输入；

将提取出的结构化数据特征值，以及第一深度学习神经网络的输出，作为预先构建的第二深度学习神经网络的输入；

根据所述第二深度学习神经网络的输出确定综合管廊是否存在异常；

实时输出异常判断结果信息。

2.根据权利要求1所述的基于多源异构数据融合的地下管廊监测方法，其特征是，还包括：根据当前电力舱通道断面异常判断结果信息进行故障预判，并输出故障预判结果信息。

3.根据权利要求1所述的基于多源异构数据融合的地下管廊监测方法，其特征是，所述综合管廊监测相关数据包括：管廊内线路及设备运行状态数据，管廊内温湿度和气体浓度数据，管廊内环境图像数据，以及管廊所在地的地形、地理空间数据。

4.根据权利要求1所述的基于多源异构数据融合的地下管廊监测方法，其特征是，所述预处理包括：提取数据，确定数据类型，对非结构化数据进行规范化处理，对数值型数据进行归一化处理，以及数据去噪；所述非结构化数据包括视频图像、红外图像和局部放电图谱。

5.根据权利要求1所述的基于多源异构数据融合的地下管廊监测方法，其特征是，所述第一深度学习神经网络采用Faster-RCNN神经网络，其输出表征的信息包括管廊状态信息以及隐患信息。

6.根据权利要求1所述的基于多源异构数据融合的地下管廊监测方法，其特征是，所述第二深度学习神经网络采用RBF神经网络。

7.根据权利要求1所述的基于多源异构数据融合的地下管廊监测方法，其特征是，所述第二深度学习神经网络的输出表征的识别结果信息即异常判断结果信息包括以下任一或多个：廊道是否开裂、廊道内部是否积水、廊道火灾情况、廊内设备是否正常、廊道内人员状态、廊道内管线温度是否异常，以及廊道内是否异物堆积。

8.一种基于多源异构数据融合的地下管廊监测系统，其特征是，包括：

数据采集模块，用于实时采集获取综合管廊监测相关数据，所述监测相关数据包括结构化数据和非结构化数据；

数据预处理模块，用于对所述监测相关数据进行预处理；

特征值提取模块，用于对预处理后的结构化数据进行特征值提取；

非结构化数据识别模块，用于将预处理后的非结构化数据作为预先构建的第一深度学习神经网络的输入；

综合识别模块，用于将提取出的结构化数据特征值，以及第一深度学习神经网络的输出，作为预先构建的第二深度学习神经网络的输入；

异常判断模块，用于根据所述第二深度学习神经网络的输出确定综合管廊是否存在异常；

以及结果输出模块，用于实时输出异常判断结果信息。