一种面向5G高铁的智慧化地质灾害预警方法及系统

技术领域

本发明涉及地质灾害预警领域，具体是一种面向5G高铁的智慧化地质灾害预警方法及系统。

背景技术

随着5G和物联网技术的发展，使用地质灾害监测设备可以实现对灾害过程的智能化监测和预测预警。但由于端边设备计算能力有限，无法直接在设备上运行复杂的机器学习模型。为解决这一问题，可以采用端边云架构，在网络边缘侧置边缘计算服务器，端边设备将采集到的数据传输到边缘服务器，由边缘服务器负责运行机器学习模型进行分析预测，再传输结果到云端，这种架构减轻了端边设备的工作负载。现有的端边云架构主要侧重服务器端，对于边缘设备的资源短缺问题研究还不够，需要深入研究在计算能力受限的边缘设备条件下，如何实现高效的端边云协同，以支持地质灾害预警等关键任务。

随着地震监测网络的发展，使用模板匹配等基于波形相似性的方法已经成为地震检测的重要手段之一，这类方法通过匹配连续波形数据与已有地震事件的波形模板，可以大幅提高地震检测的灵敏度和数量。但是，基于模板匹配的检测只能检测到与已有模板相似的已知地震情况，而对未知的地区等完全不同的新事件束手无策。为实现无盲区的全面地震监测，需要开发新型的广泛可检地震相位识别方法。近年来，深度学习技术在计算机视觉等领域取得重大进展，其出色的模式识别能力也为地震信号分析带来新的机遇。相比于模板匹配等基于匹配的检测，深度神经网络可以通过学习广义的特征表示，实现对新颖未知模式的可靠预测。因此，使用深度学习实现地震波形的端到端建模，可以大幅提高地震监测水平。

发明内容

本发明为解决上述技术问题，采用以下技术方案：

一种面向5G高铁的智慧化地质灾害预警方法，包括以下步骤：

S1：数据采集：高铁铁路沿线布设多个传感监测设备，设备采集地震波形时域信号并上传至边缘服务器；

S2：数据预处理：边缘服务器从铁路预警控制中心下载预训练模型，并对传感监测设备实时采集的数据进行预处理，预处理后的数据输入至预训练模型中，得出预测结果，并传输至铁路预警控制中心；

S3：预警判断：铁路预警控制中心基于干涉测量技术的合成孔径雷达，获取滑坡区域位移时间序列，判断滑坡分布区域，并根据收到的预测结果作预警判断，对高铁运行状态进行即时控制；

所述传感监测设备，边缘服务器，以及铁路预警控制中心之间通过5G进行通信。

进一步的，步骤S1中，所述地震波形时域信号包含三个正交分量的波形时域信号：垂直向分量Z(t)、东西向分量E(t)、南北向分量N(t)。

进一步的，步骤S2中，数据预处理是对垂直向分量Z(t)、东西向分量E(t)、南北向分量N(t)三个分量信号进行处理，具体步骤为：

A1、去趋势处理，消除直流分量；

A2、2Hz以上高通滤波，过滤微震噪声；

A3、重新采样，采样频率f

A4、得到地震信号矩阵

进一步的，步骤S2中，所述的预训练模型基于广义相位检测方法生成，具体步骤为：

B1、从中国地震台网的波形归档中，提取过去M年发生在100公里范围内、震级在-0.8至5.7之间的地震记录，选取纵波和横波波形，共提取150万个纵波样本和150万个横波样本，同时随机选取150万个背景噪声波形作为负样本，对选取的波形进行预处理；

B2、使用滑动窗口技术切分每个预处理后的波形信号，设置滑动窗口的长度Δt，从信号开始位置截取Δt长度的信号片段，作为第一个窗口w(t

B3、W(t)作为输入传递给神经网络模型，模型输出为W(t)中每个窗口的预测概率结果[P

P

P

P

重复步骤c，对所有窗口的预测结果进行判断。

进一步的，所述神经网络模型为基于ConvNet一维卷积神经网络，使用的模型架构包括4个卷积层和2个全连接层，在每一层上使用整流线性单元ReLU作为激活函数，每个卷积层后面连接一个池化层，采用最大池化，用于从信号中学习抽取时序上的特征，第一卷积层的卷积核尺寸11×1，卷积核数量24，步长为1，padding设置为VALID，即在图像边界内填充；第一池化层采用最大池化，池化核尺寸2×1，步长为2；第二卷积层的卷积核尺寸5×1，卷积核数量48，步长为1，padding设置为VALID；第二池化层采用最大池化，池化核尺寸2×1，步长为2；第三卷积层的卷积核尺寸3×1，卷积核数量48，步长为1，padding设置为VALID；第三池化层采用最大池化，池化核尺寸2×1，步长为2；第四卷积层的卷积核尺寸3×1，卷积核数量64，步长为1，padding设置为VALID；第四池化层采用最大池化，池化核尺寸2×1，步长为2；展平层将特征展平为一维向量；第一全连接层的节点数100，激活函数为ReLU；第二全连接层的节点数3，激活函数为Softmax，

训练目标为最小化交叉熵损失函数：

其中，y

进一步的，步骤S3中，所述铁路预警控制中心根据收到的预测结果作预警判断，多个传感监测设备实时采集数据上传至边缘服务器，利用预训练模型进行预测，当某个边缘服务器检测到可能的地震波形，即P

基于不同站点的波形出现时间差进行全息关联，通过L1范数最小化优化方法，确定地震事件的最佳点源位置、经纬度、发生时间t

根据震源与铁路的相对位置并且参考理论传播速度，推算地震波到达时间，结合滑坡分布区域，确定需要预警的区间，对预警区域运行的列车进行控制，同时发布预警信息，提示司乘人员做好防护准备。

更进一步的，步骤S3中，所述滑坡分布区域判断步骤为：

C1、使用合成孔径雷达对同一区域进行h时相(h≥2)的采集，然后进行干涉处理，得到干涉相位

C2、根据公式

C3、利用星基增强系统SBAS进一步得到校正后精度和可靠性更优的位移时间序列

C4、如果D'(t)＞D

一种面向5G高铁的智慧化地质灾害预警系统，包括传感检测设备、边缘服务器和铁路预警控制中心，

多个所述传感检测设备布设于高铁铁路沿线，用于采集地震波形时域信号并上传至边缘服务器；

所述边缘服务器对传感检测设备实时采集的数据进行预处理，预处理后的数据输入预训练模型中，得出预测结果；

所述铁路预警控制中心基于干涉测量技术的合成孔径雷达，获取滑坡区域位移时间序列，判断滑坡分布区域，并根据收到的预测结果作预警判断，对高铁运行状态进行即时控制；

所述传感监测设备、边缘服务器以及铁路预警控制中心之间通过5G进行通信。

与现有技术相比，本发明的有益效果为：

本发明在高铁铁路沿线布设多个传感检测设备，采集地震波形时域信号并上传至边缘服务器，边缘服务器对传感检测设备实时采集的数据进行预处理，预处理后的数据输入预训练模型中，得出预测结果；

预训练模型基于广义相位检测方法生成，能够可靠地检测极小到极大地震的纵波和横波，并使用滑动窗口技术获得每个预处理后的信号波形窗口时间序列，并输入至神经网络模型，实现对新颖未知模式的可靠预测；

铁路预警控制中心基于干涉测量技术的合成孔径雷达，获取滑坡区域位移时间序列，判断滑坡分布区域，并根据收到的预测结果作预警判断，对高铁运行状态进行即时控制；

本发明能够可靠地检测极小到极大地震的纵波和横波，不需要明确的波形模板，实现无盲区的全面地质监测和及时预警。

附图说明

图1为本发明中的一种面向5G高铁的智慧化地质灾害预警系统架构图；

图2为发明中的一种面向5G高铁的智慧化地质灾害预警方法的流程图；

图3为本发明的步骤S2中，基于广义相位检测方法的神经网络架构图；

图4为本发明实施例提供的训练损失和训练轮次关系图；

图5为本发明实施例提供的测试准确率和训练轮次关系图。

实施例

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。

如图2所示，一种面向5G高铁的智慧化地质灾害预警方法，包括以下步骤：

S1：数据采集：高铁铁路沿线布设多个传感监测设备，设备采集地震波形时域信号并上传至边缘服务器；

S2：数据预处理：边缘服务器从铁路预警控制中心下载预训练模型，并对传感监测设备实时采集的数据进行预处理，预处理后的数据输入至预训练模型中，得出预测结果，并传输至铁路预警控制中心；

S3：预警判断：铁路预警控制中心基于干涉测量技术的合成孔径雷达，获取滑坡区域位移时间序列，判断滑坡分布区域，并根据收到的预测结果作预警判断，对高铁运行状态进行即时控制；

传感监测设备，边缘服务器，以及铁路预警控制中心之间通过5G进行通信。

步骤S1中，地震波形时域信号包含三个正交分量的波形时域信号：垂直向分量Z(t)、东西向分量E(t)、南北向分量N(t)。

步骤S2中，数据预处理是对垂直向分量Z(t)、东西向分量E(t)、南北向分量N(t)三个分量信号进行处理，具体步骤为：

A1、去趋势处理，消除直流分量；

A2、2Hz以上高通滤波，过滤微震噪声；

A3、重新采样，采样频率f

A4、得到地震信号矩阵

步骤S2中，的预训练模型基于广义相位检测方法生成，具体步骤为：

B1、从中国地震台网的波形归档中，提取过去M年发生在100公里范围内、震级在-0.8至5.7之间的地震记录，选取纵波和横波波形，共提取150万个纵波样本和150万个横波样本，同时随机选取150万个背景噪声波形作为负样本，对选取的波形进行预处理；

B2、使用滑动窗口技术切分每个预处理后的波形信号，设置滑动窗口的长度Δt，从信号开始位置截取Δt长度的信号片段，作为第一个窗口w(t

B3、W(t)作为输入传递给神经网络模型，模型输出为W(t)中每个窗口的预测概率结果[P

P

P

P

重复步骤c，对所有窗口的预测结果进行判断。

如图3所示，神经网络模型为基于ConvNet一维卷积神经网络，使用的模型架构包括4个卷积层和2个全连接层，在每一层上使用整流线性单元ReLU作为激活函数，每个卷积层后面连接一个池化层，采用最大池化，用于从信号中学习抽取时序上的特征，第一卷积层的卷积核尺寸11×1，卷积核数量24，步长为1，padding设置为VALID，即在图像边界内填充；第一池化层采用最大池化，池化核尺寸2×1，步长为2；第二卷积层的卷积核尺寸5×1，卷积核数量48，步长为1，padding设置为VALID；第二池化层采用最大池化，池化核尺寸2×1，步长为2；第三卷积层的卷积核尺寸3×1，卷积核数量48，步长为1，padding设置为VALID；第三池化层采用最大池化，池化核尺寸2×1，步长为2；第四卷积层的卷积核尺寸3×1，卷积核数量64，步长为1，padding设置为VALID；第四池化层采用最大池化，池化核尺寸2×1，步长为2；展平层将特征展平为一维向量；第一全连接层的节点数100，激活函数为ReLU；第二全连接层的节点数3，激活函数为Softmax，

训练目标为最小化交叉熵损失函数：

其中，y

步骤S3中，铁路预警控制中心根据收到的预测结果作预警判断，多个传感监测设备实时采集数据上传至边缘服务器，利用预训练模型进行预测，当某个边缘服务器检测到可能的地震波形，即P

基于不同站点的波形出现时间差进行全息关联，通过L1范数最小化优化方法，确定地震事件的最佳点源位置、经纬度、发生时间t

根据震源与铁路的相对位置并且参考理论传播速度，推算地震波到达时间，结合滑坡分布区域，确定需要预警的区间，对预警区域运行的列车进行控制，同时发布预警信息，提示司乘人员做好防护准备。

步骤S3中，滑坡分布区域判断步骤为：

C1、使用合成孔径雷达对同一区域进行h时相(h≥2)的采集，然后进行干涉处理，得到干涉相位

C2、根据公式

C3、利用星基增强系统SBAS进一步得到校正后精度和可靠性更优的位移时间序列

C4、如果D'(t)＞D

如图1所示，一种面向5G高铁的智慧化地质灾害预警系统，包括传感检测设备、边缘服务器和铁路预警控制中心，

多个传感检测设备布设于高铁铁路沿线，用于采集地震波形时域信号并上传至边缘服务器；

边缘服务器对传感检测设备实时采集的数据进行预处理，预处理后的数据输入预训练模型中，得出预测结果；

铁路预警控制中心基于干涉测量技术的合成孔径雷达，获取滑坡区域位移时间序列，判断滑坡分布区域，并根据收到的预测结果作预警判断，对高铁运行状态进行即时控制；

传感监测设备、边缘服务器以及铁路预警控制中心之间通过5G进行通信。

下面通过具体实施例对本发明提供的技术方案进一步阐述。实验环境为windows操作系统，TensorFlow和keras深度学习开发框架，使用Python作为开发语言。实验采用的CPU为Intel酷睿i7-8550U，GPU为3个NVIDIA GTX 1060。在训练过程中，batchsize设置为1000*3，初始学习率设定为0.001，epoch为480。

算法运行在python 3.7环境中，具体如下表所示：

在虚拟环境中安装所需依赖库，将地震图随机分为训练集(75％)和验证集(25％)。然后，使用交叉熵损失函数和ADAM优化算法对模型进行训练，并使用3个NVIDIAGTX 1060图形处理单元以480条记录的小批量方式进行训练。我们将训练过程编程为当验证损失在超过5个时期(数据集的完整迭代)内没有减少时终止，并且验证集上损失值最低的时期被选为最佳模型。最终生成三个分量迹线的图、绘制拾取以及纵波和横波概率流的图。

图4和图5给出了训练损失(Loss)和测试准确率(Accuracy)关于训练轮次(Epochs)的变化趋势。我们可以看出本发明提出的一种广义相位检测方法和基准算法相比性能更优，这一结果说明了我们所提方案的有效性。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围内。