物联网通信技术第9章 异构网络协同通信

本文探讨了物联网异构网络中的关键技术,包括异构网络模型、资源管理策略及协同数据传输方法。重点介绍了接入控制、网络选择算法、垂直切换过程,并分析了协同通信技术在提升网络性能方面的应用。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

目录

9.1 异构网络模型

9.2 异构网络资源管理

9.2.1 接入控制

9.2.2 网络选择

9.2.3 垂直切换

9.3 协同通信技术

9.3.2 中继协同通信系统

9.3.3 基站协同通信系统

9.4 异构网络中的协同数据传输

9.4.1 队列调度

9.4.2 自适应功率调整

9.4.3 接入子网网内协同通信

小结

作业


9.1 异构网络模型

发展趋势 :用户对数据业务和移动业务的需求日渐增加,使用户需求呈现个性化、多样化等特点。 在异构多模式网络系统中,移动用户可以通过多模式多接口特性连接任一种网络。

异构网络: 指两个或以上的无线通信系统采用了不同的接入技术,或者是采用相同的无线接入技术网络设备在网络带宽、存储/计算/处理等资源上有明显差别。 异构终端协同自组的方式密集部署而形成异构网络,同时多种异构网络也以协同自组的方式进行互联。

泛在网络: 泛在网络来源于拉丁语Ubiquitous,从字面上看就是广泛存在的,无所不在的网络。 也就是人置身于无所不在的网络之中,实现人在任何时间、地点,使用任何网络与任何人与物的信息交换,基于个人和社会的需求,利用现有网络技术和新的网络技术,为个人和社会提供泛在的,无所不含的信息服务和应用。 与传统电信网络相比,泛在网络有三条显著区别:从人和人之间的网络到人和物、物和物之间的网络;从有许可的网络到无许可的网络;从单一的网络到融合的网络。

泛在网络 vs 物联网:泛在网可以看成互联网与物联网的结合,利用物联网的相关技术如通讯技术、大数据技术、云计算技术等,可以实现人与人沟通、人与物的沟通以及物与物的沟通,使得沟通不受时间、地点、自然环境等其他因素干扰,可以随时随地进行通信。泛在网范围比物联网大得多,其包含了物联网、互联网、传感网的所有内容,以及人工智能等智能控制部分。

9.2 异构网络资源管理

在异构物联网系统网络中,无线资源管理的目标包括接入控制、负载均衡、功率控制、信道分配,以及为用户提供无处不在的服务和进行无缝切换,并提高无线资源的利用率

异构网络中无线资源管理是传统无线资源管理的一种扩充

9.2.1 接入控制

接入控制机制就是合理控制是否允许新的用户的接入请求,以保障整个网络系统资源有效利用。

衡量接入控制算法的指标:呼叫阻塞率(CBP)、呼叫掉线率(CDP)、带宽利用率(BU)

在异构网络中,不仅仅要考虑各个网络的接入机制,更需要全局考虑,当一个网络不满足用户接入情况的时候,需要考虑另一网络是否满足,因此联合接入控制机制是十分重要的。

9.2.2 网络选择

(1)基于接收信号强度的网络选择算法

利用多项式回归算法对接收信号的强度进行预测

利用模糊神经网络来对接收信号强度进行预测

利用最小二乘算法(LMS)对接收信号强度进行预测

(2)基于历史信息的网络选择算法

利用用户连接信息(User Connection Profile,UCP)数据库用来存储以前的网络选择事件

终端需要执行垂直切换时:检查数据库中是否存在相同的网络选择记录、检查切换到该网络的持续服务时间和距离该网络的最后一次阻塞时间间隔

(3)基于模糊逻辑和神经网络的网络选择算法

 由于用户对网络参数的判断往往是模糊的,而不是确切的概念,所以通常采用模糊逻辑对参数进行定量分析,将其应用到网络选择中显得更加合理。

□ 模糊系统由3个部分:模糊化、模糊推理、去模糊化组成

□ 模糊逻辑与神经网络是相互结合起来应用的,通过模糊逻辑系统的推理规则,对神经网络进行训练,得到训练好的神经网络。

□ 在垂直切换的判决时,利用训练好的神经网络,输入相应网络属性参数,选择最适合网络接入

(4)基于博弈论的网络选择算法

□ 在实际的异构网络场景下,用户和服务提供商SPs之间可以利用博弈模型来表示。

□ 物联网系统通过竞价机制来进行异构网络资源的管理                                                                  这里将业务分成两种类型:基本业务、类似高质量业务

□ 基本业务的价格是固定的,而高质量业务的价格是动态变化的,它是随着服务提供商的竞争和合作而变化的。因此这里从合作博弈和非合作博弈两方面来讨论定价机制。

(5)基于优化理论的网络选择算法

□ 网络选择算法往往是一种多目标决策,对于多目标决策算法,通常是不可能使得每个目标同时达到最优,通常的做法有:
     ① 把一些目标函数转化为限制条件,从而减少目标函数数目;
     ② 将不同的目标函数规范化后,将规范化后的目标函数相加,得到一个目标函数,这样就可以利用最优化的方法,得到最优问题的解;
      ③ 将两者结合起来使用。

例如,可以通过限制系统的带宽,最大化网络内的所有用户的手机使用时间,即将部分目标函数转化为限制条件。

(6)基于策略的网络选择算法

□ 基于策略的网络选择指的是按照预先规定好的策略进行相应的网络操作。

□ 在网络选择中,通常需要考虑网络负荷终端的移动性业务特性等因素。                                     对于车载用户通常选择覆盖范围大的无线网络,如WCDMA、WiMAX等;
   对于实时性要求不高的业务,并且非车载用户通常选择WLAN接入。

9.2.3 垂直切换

□ 切换是指移动终端之间的连接从一个信道转移到另一个信道的过程。在由多种无线接入技术构成的异构无线网络中,存在着不同结构的网络之间的切换——垂直切换

垂直切换的三个阶段
切换发起阶段:发现现终端所处环境下可接入的网络是切换发起阶段的主要任务。为了减少网络发现过程中的能量消耗,通常采用的方法是周期性的扫描获取周围网络的信号强度值等信息。
② 切换判断阶段:切换的判决阶段要完成的任务是让用户在合适的时间选择最合适的网络进行接入。 在垂直切换判决过程中,需要综合权衡各个备选接入网络的状况、用户所使用的业务的QoS需求以及MT的状态和用户的喜好等因素,进行判决。
③ 切换执行阶段:切换的执行过程中涉及了多种不同的接入网络技术,执行一个特定的换向开关控制协议,将当前的通信在从切换前的网络接入点转移到目标网络上的访问点。

9.3 协同通信技术

9.3.2 中继协同通信系统

□ 中继协同通信系统的工作模式是基站与中继之间通过协同的方式为目的节点服务,其中中继节点起到了对来自基站的信号进行接力或者放大的作用。

□ 根据中继节点的处理方式不同,中继系统可以分为放大转发AF (Amplify-and-Forward)、 压缩转发CF (Compress-and-Forward)和译码转发DF(Decode-and-Forward)等三种。

□ 按照源节点与目的节点交互信息的方式,中继系统可以分为单向中继系统和双向中继系统。

9.3.3 基站协同通信系统

□ 按照基站间协同的程度来划分,将用户数据信息存在于所有协同基站的场景称为“多基站联合发送" ,并将用户信息只存在于该用户的当前基站协同基站之间不进行用户数据的交互只进行必要的信道信息交互的场景称为“多基站协同传输"

□ 在干扰广播信道的协同信号处理技术中,协同的思想主要体现在两个方面: .
多个基站统筹考虑预编码的设计问题,例如在用户的预编码矩阵的时候,需要用到该基站和其他基站的用户之间的信道信息,而这是用户首先将需要的信道信息反馈至它所在的基站,然后通过协同基站之间的回路链路(Backhaul) 来实现信道状态信息的共享。
在存在有限反馈的情况下,用户可根据来自各个基站信号的强度或者时延大小来进行自适应的反馈比分配,从而提升自己乃至整个系统的性能。

□ 协同通信本质:通过协作引入一个新的信号处理维度并以此为代价提升待定用户的通信质量。

9.4 异构网络中的协同数据传输

□ 在系统中移动用户会有一个或者多个协作伙伴,多个用户之间不进行数据的交互,只进行必要的信道信息交互的场景称为“协同数据传输”。

9.4.1 队列调度

□ 队列调度算法运行在网络节点中发生拥塞现象,需要采用调度策略之处,它的任务是按照一定的服务规则对交换节点的不同输入业务流分别进行调度和服务,从多个队列中选择出下一个需要传输的分组,使所有的输入业务流能按预定的方式共享交换节点链路带宽

□ 队列调度算法性能评价指标:包括资源利用率延迟特性、公平性、复杂性等。                     

而公平队列调度协议可以根据不同的公平指数分为五种类型。依据公平性从最大公平到最小公平依次是:硬公平调度、最大.最小公平调度、比例公平调度、混合公平调度和最大吞吐量调度。

分期协同调度的分布式公平队列机制:通过建立分期协同调度模型,引入数据发送的补偿机制,将节点数据传输过程分解为发送、补偿、休眠三个时期,根据调度模型参数设计时限约束函数,限定各时期的执行时间长度,各节点根据调度模型制定的协同调度规则,从而保证数据传输的实时性要求,并实现数据包的公平传输

9.4.2 自适应功率调整

□ 正常情况下,网络设备通过逐跳方式上传/转发数据。为减少对邻居节点的干扰同时也节省能耗,网络设备使用较低的传输功率,使得至少有一个邻居节点(网络设备),且链路质量较稳定

□ 对于多个邻居节点的情况,选择距离最远链路质量较稳定的节点做为转发节点,这样就能减少到达接入网关的跳数提高端端吞吐率

□ 当某网络设备失效而导致某些数据传输失败时,受到影响的该失效网络设备相邻设备可以通过增大传输功率跨过失效节点找到前面的节点作为邻居节点。当失效节点恢复工作后,相邻的节点就降低发送功率

9.4.3 接入子网网内协同通信

□ 物联网各接入子网需要子网内部各个网络设备之间能够进行协同通信。协同能够提供数据路径建立功能,以支持事件信息从用户终端设备传输到感知/响应设备直至网络接入设备,协同也有助于感知/响应设备的优化部署与配置,协同还可以应用于动态任务分配选择最佳感知/响应设备来响应事件,实现感知/响应设备最优分布边界覆盖容错响应等。

□ 根据网络设备在网内数据传输过程中是否有层次结构、作用是否有差异,物联网路由协议可以分为平面路由协议和分层路由协议。                                                                                                  ① 平面路由协议中,所有网络设备具有相同的地位和功能,网络设备间协同完成感知任务。简单,健壮性好,但建立、维护路由的开销大,适合小规模接入子网。                                              ② 分层路由协议中,网络通常被划分成多个簇或层次,根据网络中异构网络设备在能力上的差异,对不同类型的节点分配不同的角色。扩展性好,适应大规模接入子网。

□ 以数据为中心的路由协议                                                                                                             ① 汇聚节点进行事件查询时,直接将对关心事件的查询命令发送到某个区域,而不是发送到该区域内的某个确定编号的节点。
 ② 以数据本身作为查询传输线索的思想更接近于自然语言交流的习惯。查询命令可以通过高层的具有说明性的查询语言来表达。

□ 分层路由协议   

□ 基于位置信息的路由协议

① 利用节点的地理位置信息,这些路由协议能够向特定的区域或者方向传送数据,而不像以往的路由协议需要进行全网广播,根据源节点和目的节点的位置信息计算出两节点间的距离,从而可以根据通信距离调节适当的发射功率并估算出数据传输的能量消耗。
② 物联网接入子网利用GPS、粗粒度连通性、三边测量、四边测距、声源多模感知等技术对网络中设备进行定位。
③ 接入网关根据网内设备位置信息向特定区域内的感知/执行设备发布兴趣消息。

□ 多路径路由协议

① 多径路由通过利用多条路径同时参与数据传输,可以获得更大的联合带宽以及更小的端到端延时,从而满足视频监控等有高带宽低延时要求的物联网应用。
② 源节点和目的节点之间存在多条路径,分为链路不相交多路径(link-disjoint multipath)、节点不相交多路径(node- disjoint multipath)和缠绕多路径(braided multipath)三类。
③ 多径路由对于网络性能的改善主要体现在提高数据传输可靠性、增加网络吞吐量、实现网络负载平衡三个方面。


小结

本章针对物联网异构网络协同通信相关技术,从异构网络体系结构开始介绍了物联网异构网络系统的网络模型;
然后介绍物联网异构网络的资源管技术;S
最后介绍了异构网络中的协同数据传输技术。

作业

P317  T1. 什么是自组织网络?它有何特点? (第七章知识点)

           T5. 什么是MIMO?(第七章知识点)

           该题答案见物联网通信技术第七章笔记

P341 T3. 什么是网络选择?介绍几种典型的网络选择方案

          该题答案见上文9.2.2 网络选择

### 基于全局车流优化的高速公路硬路肩动态开放联控方案实现步骤 高速公路硬路肩动态开放方案是一种智能交通管理策略,旨在通过实时开放路肩(硬路肩)作为临时车道,缓解交通拥堵、提高通行效率。该方案基于全局车流优化,通过数据驱动和协同控制实现动态决策。以下是详细的实现步骤,包括数据采集、车流建模、协同控制和决策模型等关键技术环节。整个方案依赖于车路协同(V2X)技术,结合实时数据采集和优化算法,确保安全性和效率。参考相关高速公路示范项目,如延崇高速和京雄高速的车路协同系统,这些项目已展示了类似技术的应用潜力。 #### 1. **数据采集** 数据采集是方案的基础,涉及实时收集高速公路的多源交通数据,用于监测车流状态和预测需求。关键数据源包括: - **传感器数据**:部署在路侧的雷达、摄像头和线圈检测器,用于获取车辆速度、流量、密度和位置信息。例如,速度数据可表示为$v_i(t)$(第$i$辆车在时间$t$的速度)。 - **车载设备数据**:通过车联网(V2X)技术,从车辆收集GPS轨迹、加速度和车距数据,支持全局视图。 - **环境数据**:天气、光照和路面状况信息,影响路肩开放的安全性。 - **基础设施数据**:包括路段长度、坡度、出入口位置等,用于建模约束。 数据采集需高频率(如每秒更新)和高精度,确保实时性。参考延崇高速项目,其车路协同系统集成了多模态感知技术,实现了大规模数据融合。数据处理后存储在云端或边缘服务器,为后续建模提供输入。 #### 2. **车流建模** 车流建模基于采集的数据,构建数学描述车流行为的模型,用于预测拥堵和优化决策。核心模型包括: - **宏观模型**:使用Lighthill-Whitham-Richards (LWR) 方程描述车流密度$\rho(x,t)$和流量$q(x,t)$的关系: $$ \frac{\partial \rho}{\partial t} + \frac{\partial q}{\partial x} = 0 $$ 其中$q = \rho v$,$v$是平均速度。该模型预测路段拥堵演变。 - **微观模型**:如跟驰模型(Car-Following Model),描述个体车辆行为: $$ a_i(t) = f(v_i(t), \Delta x_i(t), \Delta v_i(t)) $$ 其中$a_i$是加速度,$\Delta x_i$是车距,$\Delta v_i$是相对速度。这些模型模拟车流动态,支持拥堵预测。 - **优化目标**:建模以最小化总旅行时间或最大化通行能力,例如目标函数为: $$ \min \sum_{t} \int_{0}^{L} \rho(x,t) \, dx $$ 其中$L$是路段长度。模型需结合历史数据和实时更新,精度依赖于数据质量。参考全球示范项目,车流建模常与自动驾驶技术集成,提升预测准确性。 #### 3. **协同控制** 协同控制涉及协调路侧设备、车辆和中心系统,实现路肩的动态开放和执行。关键环节包括: - **通信框架**:使用车路协同(V2X)协议(如DSRC或C-V2X),实现车辆与基础设施(V2I)的实时数据交换。例如,控制信号通过$ \text{V2I} $广播,确保所有参与者同步。 - **执行机制**:路侧单元(RSU)控制可变信息标志(VMS)和信号灯,动态开关路肩。当模型预测拥堵时,RSU发送开放指令;同时,车辆通过$ \text{ADAS} $系统接收指令,调整行驶策略。 - **安全机制**:集成碰撞避免算法,例如基于距离约束$ d_{\text{safe}} \geq v \cdot t_{\text{reaction}} $的实时监控,确保路肩开放时的安全间距。 协同控制需低延迟(<100ms)和高可靠性。参考京雄高速项目,其车路云一体化系统实现了多设备协同,优化了交通流。 #### 4. **决策模型** 决策模型基于车流建模输出,应用优化算法生成动态开放策略。核心步骤包括: - **优化问题**:将路肩开放建模为混合整数线性规划(MILP)问题: $$ \begin{aligned} \min & \quad c^T x \\ \text{s.t.} & \quad A x \leq b \\ & \quad x_j \in \{0,1\} \quad \text{(开放决策变量)} \end{aligned} $$ 其中$c$是成本向量(如拥堵成本),$A$和$b$是约束矩阵(基于安全阈值和流量上限)。 - **实时决策**:使用动态规划或强化学习算法,根据实时数据更新决策。例如,Q-learning算法学习最优策略: $$ Q(s,a) \leftarrow Q(s,a) + \alpha [r + \gamma \max_{a&#39;} Q(s&#39;,a&#39;) - Q(s,a)] $$ 其中$s$是状态(如车流密度),$a$是动作(开放或关闭),$r$是奖励(如减少的延误)。 - **全局优化**:结合边缘计算和云计算,中心服务器协调多个路段,实现网络级优化。决策输出为控制指令,指导协同控制环节。 模型需在线运行,处理延迟是关键。参考自动驾驶论坛讨论的L3/L4技术,决策模型常集成AI以提升鲁棒性。 #### 其他关键技术环节 - **通信技术**:5G或专用短程通信(DSRC)确保低延迟数据传输。 - **边缘计算**:在路侧部署边缘节点,减少云端处理延迟。 - **安全与冗余**:包括故障检测机制和备份系统,防止误操作。 - **系统集成**:与现有交通管理系统(如ETC)融合,支持大规模部署。这些技术在车路协同示范项目中已得到验证,如杭绍甬高速的智慧改造。 总之,该方案通过数据采集、建模、控制和决策的闭环,实现高效、安全的硬路肩动态开放。参考行业实践,如2025年自动驾驶论坛的讨论,方案可结合端到端解决方案进一步提升。实施中需注意标准化和成本控制,以促进推广应用。以上是技术表述一;### **基于全局车流优化的高速公路硬路肩动态开放联控方案** --- #### **一、核心目标** 1. **全局拥堵最小化**:通过动态开放硬路肩平衡路网流量,避免局部优化导致下游拥堵。 2. **协同决策**:结合下一路段硬路肩状态及车流预测,防止开放后引发连锁拥堵。 3. **安全优先**:确保应急车辆通行权,符合法规要求。 --- ### **二、系统架构与多层级逻辑** #### **1. 数据感知层** - **智能锥桶集群**: - **功能**: - 实时检测本路段车流密度、速度(毫米波雷达+激光雷达)。 - 通过V2X与相邻路段锥桶共享数据(如下游500米处占有率)。 - **专利技术适配**: - 点云配准(专利CN 119846608 A)确保检测精度,剔除异常数据(如施工干扰)。 - **路侧设备**: - 激光雷达:全局扫描,识别合流冲突点。 - 气象传感器:检测雨雾天气,动态调整开放策略(如雨天缩短开放时长)。 #### **2. 决策优化层** - **全局优化逻辑**: - **输入**: - 当前路段车流(流量\(Q\)、速度\(v\)、密度\(ρ\))。 - 下游路段硬路肩状态(开放/关闭/不可用)。 - 预测模型输出(如未来5分钟车流变化)。 - **优化模型**: - **目标函数**: \[ \min \sum_{i=1}^{n} (w_1 \cdot \text{Congestion}_i + w_2 \cdot \text{EmergencyRisk}_i) \] - \( \text{Congestion}_i \):路段\(i\)的拥堵指数(基于密度与速度)。 - \( \text{EmergencyRisk}_i \):应急车道占用风险(专利中的匹配得分\(M\)校验)。 - **约束条件**: 1. 下游路段无硬路肩时,当前路段开放需确保车流可被主线吸收。 2. 开放后下游密度增量\( \Delta ρ < \text{阈值} \)(如15辆车/公里)。 - **动态信号控制**: - **红绿灯映射规则**: | **信号** | **硬路肩状态** | **联动动作** | |----------|-------------------------|---------------------------------------| | **绿灯** | 开放通行 | 锥桶移位,LED绿箭头,VMS提示“允许驶入” | | **黄灯** | 预关闭(清空) | 锥桶黄闪,上游匝道信号灯延长红灯 | | **红灯** | 关闭(仅应急) | 锥桶复位,电子围栏激活 | - **SCATS/SCOOT适配**: - **SCATS式占有率控制**: - 开放条件:\( ρ_{\text{当前}} > 80\% \) **且** \( ρ_{\text{下游}} < 60\% \)。 - **SCOOT式周期优化**: - 根据车流波速(\( v_{\text{wave}} = \frac{Q_{\text{in}} - Q_{\text{out}}}{ρ_{\text{in}} - ρ_{\text{out}}} \))调整开放时长。 #### **3. 执行与反馈层** - **智能锥桶执行**: - **开放阶段**: 1. AGV底盘横向移动1.5米扩展车道。 2. 激光雷达验证合流安全(专利中的方向激活值\(H_t\)校验)。 - **关闭阶段**: 1. 通过匹配得分\(M\)确认车辆清空。 2. 若检测到滞留车辆,联动路侧机器人牵引至应急区。 - **全局协同**: - 与相邻路段控制中心共享决策,避免“开放-关闭”振荡。 --- ### **三、关键技术创新** #### **1. 下游拥堵预防机制** - **逻辑**: - 若下游无硬路肩或\( ρ_{\text{下游}} > 70\% \),即使当前路段拥堵也不开放。 - **替代方案**:触发上游匝道管控(如匝道信号灯红灯限流)。 - **专利技术支撑**: - 多锥桶数据融合(专利中的传感器权重\(w_i\))提升下游检测可靠性。 #### **2. 动态优先级调整** - **应急车辆优先**: - 检测到救护车/消防车时,强制切换红灯并清空硬路肩(专利中的异常点剔除算法)。 - **货车限制**: - 摄像头识别货车,禁止其驶入硬路肩(避免低速阻塞)。 #### **3. 强化学习优化** - **模型训练**: - 历史数据训练DQN模型,优化开放时长与匝道控制策略。 - **实时决策**: - 输入当前车流状态,输出动作(开放/关闭/匝道调节)。 --- ### **四、应用案例** #### **场景:连续路段协同控制** 1. **检测**: - 当前路段(A)密度85%,下游路段(B)密度50%且有硬路肩。 2. **决策**: - 开放A段硬路肩,同步缩短B段绿灯时长(减少合流冲突)。 3. **执行**: - A段锥桶绿灯开放,B段锥桶黄灯预警。 4. **反馈**: - 监测B段密度,若10分钟内升至65%,则关闭A段硬路肩。 --- ### **五、优势对比** | **指标** | 传统局部控制 | 本方案(全局优化) | |------------------|--------------------------|-------------------------------| | **拥堵传递风险** | 高(下游易连锁拥堵) | 低(下游状态约束) | | **应急响应** | 手动切换 | 自动优先清空(专利匹配得分) | | **资源利用率** | 硬路肩利用率≤60% | 利用率>90%(强化学习优化) | --- ### **六、总结** 本方案通过**全局车流建模 + 多路段协同决策 + 智能锥桶精准控制**,实现了硬路肩动态开放的全局最优: 1. **拥堵最小化**:结合下游状态与预测模型,避免局部解引发全局问题。 2. **安全合规**:专利技术保障应急功能,AI识别规避高风险操作。 3. **扩展性**:可集成至城市快速路、隧道等复杂场景,形成标准化联控协议。 **未来方向**:与高精地图、自动驾驶系统深度耦合,实现“车道级”动态资源分配。以上是技术表述2,.一种用于桥梁安全预警的代理模型与有限元融合方法,其特征在于,包括以下步骤:步骤一,采用结构多尺度的有限元模型模拟桥梁真实载荷以计算桥梁结构响应,并基于真实载荷和结构响应构建数据集;步骤二,构建有限元代理模型,并采用数据集训练所述有限元代理模型,以提取神经网络的权值矩阵分析与输出项目之间的关系;步骤三,采用现场监测的结构损伤信息直接修正有限元模型,以进行损伤修正;步骤四,采用训练的有限元代理模型分析现场监测的激励监测点信号与响应监测点信号,得到基于数据分析的模型修正参数;步骤五,根据损伤修正和数据分析的模型修正参数得到修正的多尺度有限元模型;步骤六,采用修正的多尺度有限元模型生成用于训练并更新所述有限元代理模型的数据集。2.根据权利要求1所述的一种用于桥梁安全预警的代理模型与有限元融合方法,其特征在于,步骤一包括以下步骤:根据传感器布置位置与结构的构件划分建立精细化的构件模型,根据传感器网络和结构的关键监测点位划分需要建立精细化模型的部分,分析模型不同部位、不同材料选用的退化模型,然后基于桥梁设计图纸建立结构多尺度有限元模型;通过对多尺度有限元模型施加激励信号或者生成的模拟激励,生成用于训练神经网络的、包含激励监测点与响应监测点信号的数据集。3.根据权利要求1所述的一种用于桥梁安全预警的代理模型与有限元融合方法,其特征在于,步骤二中,所述有限元代理模型为多项式响应面、BP神经网络、径向基函数、Kriging模型中的任意一种。4.根据权利要求3所述的一种用于桥梁安全预警的代理模型与有限元融合方法,其特征在于,步骤二中,所述有限元代理模型中,损失函数部分使用虚功原理方程作为物理约束:,式中,表示总虚功的变分,,分别为在i方向上的应力张量分量与体力密度分量,为在i方向上单位面积的表面力,为待求单元i端的方向向量,为i端的应变分量,V为做体力积分的单元的体积,S为做面力积分的单元的面积;所述损失函数还包括:,式中,,,,是结构空间结点的加速度、速度、位移和外力时间序列,M,C,K为系统的质量、阻尼、刚度分布。5.根据权利要求1所述的一种用于桥梁安全预警的代理模型与有限元融合方法,其特征在于,步骤三中,根据结构的损伤类型对有限元模型进行损伤修正,具体包括:若结构损伤为混凝土部分的裂缝,则通过增加有限元模型的结点数量、修改边界条件来对有限元模型进行损伤修正,并需要重新计算增减结点的整体结构计算参数影响矩阵aij;权 利 要 求 书1/3页2CN 119720691 A2 若结构损伤为材料性质的劣化,则通过传感器信号分析得到的等效性质修正参数计算获得模型修正参数后作为神经网络的物理约束,直接对有限元模型进行损伤修正;若结构损伤为结构几何参数的变化,则重新计算结构的相关截面性质参数,计算获得模型修正参数后作为神经网络的物理约束,直接对有限元模型进行损伤修正。6.根据权利要求1所述的一种用于桥梁安全预警的代理模型与有限元融合方法,其特征在于,步骤四中,采用训练的有限元代理模型分析现场监测的激励监测点信号与响应监测点信号,通过将每个结点的神经网络计算参数与初始模型的计算参数相比,得到基于数据分析的模型修正参数β:,式中,表示现时状态下结构的模型参数,表示初始状态桥梁结构的模型参数,为结构在传感器数据计算下的模型参数。7.根据权利要求1所述的一种用于桥梁安全预警的代理模型与有限元融合方法,其特征在于,步骤五具体包括以下步骤:若模型修正参数与模型修正参数β修正目标一致但是修正时间不一致,则直接采用模型修正参数作为物理约束对神经网络进行训练;若模型在此时完成健康监测,通过监测直接获得的模型修正参数能说明结构的状态,则模型修正参数代表精细化构件调整参数γ;如果模型修正参数会产生整体模型的调整,或者此时监测桥梁结构产生新的物理约束,则采用模型修正参数β和模型修正参数构建精细化构件调整参数γ,并采用精细化构件调整参数γ完成有限元模型更新,以得到修正的多尺度有限元模型。8.根据权利要求7所述的一种用于桥梁安全预警的代理模型与有限元融合方法,其特征在于,所述精细化构件调整参数γ的计算过程如下所示:若直接修正对象可以通过数据分析求解,现阶段未通过试验获得,则=;若修正对象既完成试验,获得可以直接用于修正的精确数据,则=;若通过现场试验或直接监测获得的数据无法完全描述结构状态,则=;其中,,分别为模型j结点位置直接通过现场监测损伤的模型修正参数和通过代理模型计算数据获得的模型修正参数,为用于j结点有限元模型的精细化构件调整参数,是模型i结点位置直接通过现场监测损伤的模型修正参数和通过代理模型计算数据获得的模型修正参数,aij是结构i结点相关模型计算参数发生变化后所有结点计算参数变化的影响矩阵。9.根据权利要求7所述的一种用于桥梁安全预警的代理模型与有限元融合方法,还包括采用更新后的多尺度有限元模型进行桥梁安全预警。10.一种基于代理模型与有限元融合的桥梁安全预警系统,其特征在于,包括:第一主控模块,用于采用结构多尺度的有限元模型模拟桥梁真实载荷以计算桥梁结构响应,并基于真实载荷和结构响应构建数据集;第二主控模块,用于构建有限元代理模型,并采用数据集训练所述有限元代理模型,以提取神经网络的权值矩阵分析与输出项目之间的关系;以上是技术表述3,融合三个技术表述,形成一篇用于高速公路硬路肩动态开放的智能锥桶联控方法的实现方案和思路
最新发布
07-23
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值