一種基于溫/濕度傳感器的橋面結冰預警系統

文/馬曉東 李晨晨 段肖 陳湘軍

1 引言

氣象災害是交通事故主要誘因，冬季道路結冰異常危險，由此引發的交通事故層出不窮。道路結冰主要出現在冬季和早春季節，當地面溫度處于零下并且潮濕或積水時，極易造成該路段結冰打滑。而相較于地面道路實體地基，橋梁大多采用懸空高架結構，沒有土壤提供地熱，一旦降溫，便很快消耗完所有熱量導致結冰。公路管理部門日常通過天氣預報、視頻監控等多種手段進行結冰檢測和預測，采取除冰和道路管控預警等措施預防道路事故。由于微冰的視覺特性，肉眼和監控視頻往往難以觀測出橋面的初期結冰，難以準確判斷橋面結冰狀態，影響后續融冰排險作業。

橋面結冰是多種因素綜合作用的結果，包括地面溫度、大氣溫度、空氣濕度、風速、降水、降雪等多種外界條件。保廣裕等對青海省的道路結冰情況進行深入分析，探討了溫度、積雪深度以及地面最高溫度與橋面結冰的關系，并建立了地溫與積雪深度預報模型，對道路結冰進行預警，白永清等研究溫度與橋面結冰的關系，并根據實驗結論建立了基于Logistic回歸的道路結冰溫度條件風險概率模型，資葵等研究溫度、風速、降雨量對結冰的影響，建立了多變量多項式模型。

目前橋面結冰檢測的手段很多，結冰傳感器是較穩定的檢測器之一，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結構，誤差相對較大，成本高，安裝和維護困難；以苑會珍等實現了非接觸式結冰檢測，該方法使用近紅外石英鹵鎢燈照明，旋轉偏振片采集4個偏振方向分量圖片，計算線偏振度識別橋面狀態，譚舒亞等利用多種傳感器結合的方法來判斷道路是否結冰，準確度更高。李頎，季雨薇等對通過視頻監控檢測橋面的方法進行優化，以邊緣檢測和二值形態學對圖像進行分割，通過自適應小波去噪方法提高圖像識別準確率，提取道路圖像特征值并通過SVM（支持向量機，Support Vector Machine）分類器進行結冰識別，由于微冰狀態的視覺特性，使用圖像檢測方法檢測早期橋面結冰的準確率較低。

圖1：基于溫/濕度的結冰預警系統架構圖

需要說明的是，根據經驗數據分析，不同地區、不同氣象條件、不同外場環境均會干擾結冰狀態，因此針對某種場景訓練的單一模型并不能普遍適應其他場景的結冰檢測任務。鑒于視覺方法結冰檢測準確率低，結冰傳感器成本高等局限，本文采用利用溫度、濕度兩個主要結冰參數，使用SVM以少量歷史數據進行，針對單個斷面學習結冰檢測模型，實現橋面結冰自動檢測預警。

圖2：溫/濕度傳感器與串口轉換器

2 系統架構

本文構建了基于溫度、濕度和結冰歷史數據的橋面結冰預警系統，系統架構圖如圖1所示。系統自底向上共分三層：

（1）傳感層，該層位于系統底部，使用多個濕度、濕度傳感器采集監控點的溫度與濕度數據，用于結冰檢測模型訓練的結冰狀態標簽可用結冰傳感器或人工標注方式采集。傳感層數據通過Modbus/TCP協議轉換器轉換，經轉換器遠程TCP發送至中心機房，節省下位工控機的開銷。

（2）數據處理層，該層包括溫度、濕度傳感器數據，結冰歷史數據，以及監測點位基礎信息。結冰檢測模型在結冰歷史數據庫與溫/濕度數據庫基礎上訓練而成，用以預測新溫度、濕度條件下的結冰狀態。由于采集和標注結冰數據成本較高，系統中設計了結冰歷史數據庫的上下層雙向交互關系，下層由結冰傳感器采集或人工標注數據，存入結冰歷史數據庫中，用以訓練模型，同時將模型新預測結冰狀態數據，經過上級應用層人工交互確認后，存入結冰歷史數據庫中，擴展訓練集后自動更新模型，提高模型精度，使模型具備自動學習和性能不斷提升的功能。

（3）應用層，該層包括實時和歷史數據報表，橋面結冰預警，結冰消息報警，數據人工交互等功能模塊，實現檢測點的實時和歷史數據查詢，基于溫度、濕度傳感器的橋面結冰預警以及消息報警，人工交互界面提供遠程監控視頻確認和預測數據校準功能。

圖3：溫/濕度數據監測與歷史報表

圖4：系統結冰報警界面

濕度、濕度傳感器采用TH10S-B溫濕度變送器，支持Modbus協議，每個監測點安裝4組，其中2組鋪設于橋面瀝青面以下并做好排水處理，2組安裝于橋梁護欄外側。為節約成本，系統使用傳感器接串口轉換器代替下位機，對溫度、濕度傳感器的RS485接口進行轉換，實現TCP/IP通信。TH10S-B溫濕度變送器和ZLAN5143串口轉換器如圖2 a和圖2 b所示。

3 SVM橋面結冰預測

支持向量機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最大間隔的超平面。對于線性可分情況，可由式（1）所示的超平面函數對數據進行分類，最終分類的準確度可以用超平面與數據點之間的間隔來度量，間隔越大準確率越高。

分類平面的最大幾何間隔由表達式如式（2）所示：

其中x0是x垂直投影到超平面上的點，w則是垂直于該超平面的向量。令f(x0)=0，得令為幾何間隔，即其中為函數間隔。再令f(x)=1，由此確定最大間隔的目標函數為問題轉化為在此約束條件下求的最小值問題，這是一個凸二次規劃求解問題，通過拉格朗日對偶性變換到對偶變量的優化問題，如式（3）所示：

其中a為拉格朗日乘子，p*為問題的最優值，將其轉化為對偶問題d*進行求解。

對于非線性可分，SVM的解決辦法是利用核函數將數據點由原始空間映射至高維空間。此時的分類函數為式（7）所示：

其中φ是原始空間到某一特征空間的映射，核函數實現在特征空間計算內積，如式（8）：

為了適應實際應用中的場景泛化，可允許部分測試數據點偏離SVM超平面，此時目標函數轉化為式（9）：

其中C為懲罰系數，ξ為需要優化的參數，損失函數如式（10）所示：

對偶求解如式（11）所示：

本文基于Python和Scikit-learn，采用非線性核函數，實現了基于溫度、濕度和結冰數據的模型訓練與預測，訓練數據集中包括路面地表和懸空的兩組溫度、濕度傳感器數據，其中X={xT1,xH1,xT2,xH1,xID},y={0,1}，考慮每個監測點的條件參數均會導致不同的結冰狀態，將訓練數據編號作為輸入參數之一，以區分每個點的不同環境，xID，xT和xH，分別代表監測點編號，溫度與濕度數據，y對應的結冰狀態標簽0表示未結冰，1表示結冰。

4 實驗效果與系統實現

系統在常州市公路網實地安裝2組橋面監測點，自2018年12月起每5分鐘采集一次監測點的溫/濕度數據，共收集傳感器數據約5000條，實時數據和歷史數據報表如圖3 a和圖3 b所示。

訓練集使用2019年1月5日前1953條傳感器數據，清理傳感器異常數據后，有效數據1856條，按7:3的比例劃分訓練集和測試集。1296條作為訓練數據，560條用于測試。結冰狀態標注數據使用北京杰公司的JCI-1600結冰傳感器和人工確定方式完成，訓練數據中0℃的以下訓練數據占據總數的83.8%，由于濕度及其他條件的綜合作用，溫度介于-2～0℃的結冰數據36條，介于-3～0℃的未結冰數據38條。使用SVM迭代訓練1000次，生成結冰檢測模型。

使用訓練好的數據進行橋面結冰預測，SVM分類器輸出為1的，在數據庫中標注為結冰狀態，反之標注為未結冰狀態。在實際現場應用中，溫度、濕度，傳感器布設位置等多種因素均影響結冰狀態，為擴充訓練集和提高模型精度，在系統運行初期，采用人工交互方式校驗預測結果，并累加到訓練集中進行自動增量訓練。

為保證應系統架構的靈活性，將SVM結冰預測模塊封裝成獨立的服務接口，在數據庫之間和應用系統之間采用JSon消息進行數據交換。

系統自2018年1月10日試運行后，對常州公路網中的“S239撫申運河”和“S240鐘樓大橋”兩個斷面進行橋面結冰檢測試驗。共檢測到“S239撫申運河”橋面結冰險情7次，正檢率100%，漏檢率0%，檢測結果表明系統已達到基于溫/濕度數據預測橋面結冰狀態的目的。系統檢測到橋面結冰后，聯動網點監控攝像機，自動截取保留橋面照片，以便人工確認，橋面結冰報警界面如圖4所示。

5 結論

由于橋面結冰在視覺具有一定隱匿性，且常發生在夜間，難以使用監控視頻或實地巡查方式檢測橋面結冰，目前普遍憑天氣預報和經驗提前撒道路除冰劑，作業效率低且易造成環境污染。結冰傳感器造價高，單斷面鋪設成本到數萬元，準確率偏低。本文使用溫/濕度傳感器數據和少量的結冰狀態標注數據，利用SVM訓練，針對單一斷面訓練結冰檢測模型，并在運行初期以人工交互方式反饋數據，保證模型的自動更新和精度提升，實現了高準確率、低成本的橋面結冰檢測預警，系統通過報表和監控截圖，提供可視化管理界面，已實際應用于常州市域路網橋面結冰預警管理。