一种基于温/湿度传感器的桥面结冰预警系统

文/马晓东 李晨晨 段肖 陈湘军

1 引言

气象灾害是交通事故主要诱因，冬季道路结冰异常危险，由此引发的交通事故层出不穷。道路结冰主要出现在冬季和早春季节，当地面温度处于零下并且潮湿或积水时，极易造成该路段结冰打滑。而相较于地面道路实体地基，桥梁大多采用悬空高架结构，没有土壤提供地热，一旦降温，便很快消耗完所有热量导致结冰。公路管理部门日常通过天气预报、视频监控等多种手段进行结冰检测和预测，采取除冰和道路管控预警等措施预防道路事故。由于微冰的视觉特性，肉眼和监控视频往往难以观测出桥面的初期结冰，难以准确判断桥面结冰状态，影响后续融冰排险作业。

桥面结冰是多种因素综合作用的结果，包括地面温度、大气温度、空气湿度、风速、降水、降雪等多种外界条件。保广裕等对青海省的道路结冰情况进行深入分析，探讨了温度、积雪深度以及地面最高温度与桥面结冰的关系，并建立了地温与积雪深度预报模型，对道路结冰进行预警，白永清等研究温度与桥面结冰的关系，并根据实验结论建立了基于Logistic回归的道路结冰温度条件风险概率模型，资葵等研究温度、风速、降雨量对结冰的影响，建立了多变量多项式模型。

目前桥面结冰检测的手段很多，结冰传感器是较稳定的检测器之一，其包括接触式传感器和非接触式传感器两类。接触式传感器大多是单点结构，误差相对较大，成本高，安装和维护困难；以苑会珍等实现了非接触式结冰检测，该方法使用近红外石英卤钨灯照明，旋转偏振片采集4个偏振方向分量图片，计算线偏振度识别桥面状态，谭舒亚等利用多种传感器结合的方法来判断道路是否结冰，准确度更高。李颀，季雨薇等对通过视频监控检测桥面的方法进行优化，以边缘检测和二值形态学对图像进行分割，通过自适应小波去噪方法提高图像识别准确率，提取道路图像特征值并通过SVM（支持向量机，Support Vector Machine）分类器进行结冰识别，由于微冰状态的视觉特性，使用图像检测方法检测早期桥面结冰的准确率较低。

图1：基于温/湿度的结冰预警系统架构图

需要说明的是，根据经验数据分析，不同地区、不同气象条件、不同外场环境均会干扰结冰状态，因此针对某种场景训练的单一模型并不能普遍适应其他场景的结冰检测任务。鉴于视觉方法结冰检测准确率低，结冰传感器成本高等局限，本文采用利用温度、湿度两个主要结冰参数，使用SVM以少量历史数据进行，针对单个断面学习结冰检测模型，实现桥面结冰自动检测预警。

图2：温/湿度传感器与串口转换器

2 系统架构

本文构建了基于温度、湿度和结冰历史数据的桥面结冰预警系统，系统架构图如图1所示。系统自底向上共分三层：

（1）传感层，该层位于系统底部，使用多个湿度、湿度传感器采集监控点的温度与湿度数据，用于结冰检测模型训练的结冰状态标签可用结冰传感器或人工标注方式采集。传感层数据通过Modbus/TCP协议转换器转换，经转换器远程TCP发送至中心机房，节省下位工控机的开销。

（2）数据处理层，该层包括温度、湿度传感器数据，结冰历史数据，以及监测点位基础信息。结冰检测模型在结冰历史数据库与温/湿度数据库基础上训练而成，用以预测新温度、湿度条件下的结冰状态。由于采集和标注结冰数据成本较高，系统中设计了结冰历史数据库的上下层双向交互关系，下层由结冰传感器采集或人工标注数据，存入结冰历史数据库中，用以训练模型，同时将模型新预测结冰状态数据，经过上级应用层人工交互确认后，存入结冰历史数据库中，扩展训练集后自动更新模型，提高模型精度，使模型具备自动学习和性能不断提升的功能。

（3）应用层，该层包括实时和历史数据报表，桥面结冰预警，结冰消息报警，数据人工交互等功能模块，实现检测点的实时和历史数据查询，基于温度、湿度传感器的桥面结冰预警以及消息报警，人工交互界面提供远程监控视频确认和预测数据校准功能。

图3：温/湿度数据监测与历史报表

图4：系统结冰报警界面

湿度、湿度传感器采用TH10S-B温湿度变送器，支持Modbus协议，每个监测点安装4组，其中2组铺设于桥面沥青面以下并做好排水处理，2组安装于桥梁护栏外侧。为节约成本，系统使用传感器接串口转换器代替下位机，对温度、湿度传感器的RS485接口进行转换，实现TCP/IP通信。TH10S-B温湿度变送器和ZLAN5143串口转换器如图2 a和图2 b所示。

3 SVM桥面结冰预测

支持向量机SVM定义为特征空间上间隔最大的线性分类器，最终目的是寻求一个最大间隔的超平面。对于线性可分情况，可由式（1）所示的超平面函数对数据进行分类，最终分类的准确度可以用超平面与数据点之间的间隔来度量，间隔越大准确率越高。

分类平面的最大几何间隔由表达式如式（2）所示：

其中x0是x垂直投影到超平面上的点，w则是垂直于该超平面的向量。令f(x0)=0，得令为几何间隔，即其中为函数间隔。再令f(x)=1，由此确定最大间隔的目标函数为问题转化为在此约束条件下求的最小值问题，这是一个凸二次规划求解问题，通过拉格朗日对偶性变换到对偶变量的优化问题，如式（3）所示：

其中a为拉格朗日乘子，p*为问题的最优值，将其转化为对偶问题d*进行求解。

对于非线性可分，SVM的解决办法是利用核函数将数据点由原始空间映射至高维空间。此时的分类函数为式（7）所示：

其中φ是原始空间到某一特征空间的映射，核函数实现在特征空间计算内积，如式（8）：

为了适应实际应用中的场景泛化，可允许部分测试数据点偏离SVM超平面，此时目标函数转化为式（9）：

其中C为惩罚系数，ξ为需要优化的参数，损失函数如式（10）所示：

对偶求解如式（11）所示：

本文基于Python和Scikit-learn，采用非线性核函数，实现了基于温度、湿度和结冰数据的模型训练与预测，训练数据集中包括路面地表和悬空的两组温度、湿度传感器数据，其中X={xT1,xH1,xT2,xH1,xID},y={0,1}，考虑每个监测点的条件参数均会导致不同的结冰状态，将训练数据编号作为输入参数之一，以区分每个点的不同环境，xID，xT和xH，分别代表监测点编号，温度与湿度数据，y对应的结冰状态标签0表示未结冰，1表示结冰。

4 实验效果与系统实现

系统在常州市公路网实地安装2组桥面监测点，自2018年12月起每5分钟采集一次监测点的温/湿度数据，共收集传感器数据约5000条，实时数据和历史数据报表如图3 a和图3 b所示。

训练集使用2019年1月5日前1953条传感器数据，清理传感器异常数据后，有效数据1856条，按7:3的比例划分训练集和测试集。1296条作为训练数据，560条用于测试。结冰状态标注数据使用北京杰公司的JCI-1600结冰传感器和人工确定方式完成，训练数据中0℃的以下训练数据占据总数的83.8%，由于湿度及其他条件的综合作用，温度介于-2～0℃的结冰数据36条，介于-3～0℃的未结冰数据38条。使用SVM迭代训练1000次，生成结冰检测模型。

使用训练好的数据进行桥面结冰预测，SVM分类器输出为1的，在数据库中标注为结冰状态，反之标注为未结冰状态。在实际现场应用中，温度、湿度，传感器布设位置等多种因素均影响结冰状态，为扩充训练集和提高模型精度，在系统运行初期，采用人工交互方式校验预测结果，并累加到训练集中进行自动增量训练。

为保证应系统架构的灵活性，将SVM结冰预测模块封装成独立的服务接口，在数据库之间和应用系统之间采用JSon消息进行数据交换。

系统自2018年1月10日试运行后，对常州公路网中的“S239抚申运河”和“S240钟楼大桥”两个断面进行桥面结冰检测试验。共检测到“S239抚申运河”桥面结冰险情7次，正检率100%，漏检率0%，检测结果表明系统已达到基于温/湿度数据预测桥面结冰状态的目的。系统检测到桥面结冰后，联动网点监控摄像机，自动截取保留桥面照片，以便人工确认，桥面结冰报警界面如图4所示。

5 结论

由于桥面结冰在视觉具有一定隐匿性，且常发生在夜间，难以使用监控视频或实地巡查方式检测桥面结冰，目前普遍凭天气预报和经验提前撒道路除冰剂，作业效率低且易造成环境污染。结冰传感器造价高，单断面铺设成本到数万元，准确率偏低。本文使用温/湿度传感器数据和少量的结冰状态标注数据，利用SVM训练，针对单一断面训练结冰检测模型，并在运行初期以人工交互方式反馈数据，保证模型的自动更新和精度提升，实现了高准确率、低成本的桥面结冰检测预警，系统通过报表和监控截图，提供可视化管理界面，已实际应用于常州市域路网桥面结冰预警管理。