本发明涉及涵管监测，尤其涉及一种涵管运行监测方法、装置、电子设备及存储介质。
背景技术：
1、涵管是一种用于水利工程、市政工程、道路工程等领域的建筑材料，它通常指一种埋设于地表以下的管道，涵管的主要作用是作为涵洞、排水系统、输送系统等工程项目中的组成部分，用于构建排水系统，保证水能够顺利排除，同时具有耐腐蚀、耐高温、耐磨损的特点。
2、目前，涵管运行监测方法主要依赖于单一压力测试和简单形变阈值比较，这种方法通过在涵管内部施加压力，然后测量涵管的形变或压力响应。具体操作是使用压力计或相应的传感器测量涵管在一定压力下的表现，将这些数据与预设的阈值进行比较。如果测得的压力或形变数据超过了这些阈值，表明涵管可能存在结构完整性问题，如裂纹、腐蚀或其他物理损伤，这种情况下涵管被判定为异常需要进一步的检查或维修。
3、现有技术由于依赖于单一压力测试和简单形变阈值比较，监测精度不高，不能敏感的发现涵管的潜在问题。
技术实现思路
1、本发明提供了一种涵管运行监测方法、装置、电子设备及存储介质，以实现提高检测的精确性，在涵管问题变得严重之前及时发现潜在故障和异常。
2、第一方面，为了解决上述技术问题，本发明提供了一种涵管运行监测方法，由处理器执行，包括：
3、获取形变传感器检测到的实时压力下待测涵管的当前形变数据；
4、对所述当前形变数据进行预处理，得到当前形变向量；
5、将所述当前形变向量输入到预先训练的深度学习模型之中，得到重构误差；
6、将所述重构误差与预设的误差阈值比较，当所述重构误差小于所述误差阈值时，判断涵管工作正常；当所述重构误差大于所述误差阈值时，判断涵管工作异常；
7、其中，所述深度学习模型的训练过程包括：
8、获取第一样本形变数据集和第二样本形变数据集；
9、对所述第一样本形变数据集和第二样本形变数据集进行预处理，得到第一样本向量集和形变第二样本向量集；
10、将所述第一样本向量集输入到初始深度学习模型中，对所述初始深度学习模型进行训练；
11、将所述第二样本向量集输入到初始深度学习模型中，对模型进行评估，得到综合评价指标，当所述综合评价指标满足预设的评价指标时，得到训练后的深度学习模型。
12、优选地，所述获取形变传感器检测到的实时压力下待测涵管的当前形变数据，包括：
13、接收形变传感器发送的编码后的待测涵管的形变实时量，对编码后的待测涵管的形变实时量解码，得到待测涵管对应的当前形变数据；
14、其中，形变传感器检测涵管形变的实时量，将涵管形变实时量进行编码，并将编码后涵管形变实时量传送给处理器。
15、优选地，所述实时压力是施加在涵管管顶处的压力值根据时间以正弦或余弦规律变化的压力，周期为t。
16、优选地，所述形变传感器包括两个应变片传感器，两个应变片传感器分别布置在涵管的管顶和管底，用于测量管顶应变值和管底环向应力应变值；
17、其中，当前形变数据为管顶应变值和管底应变值的绝对值均值。
18、优选地，所述对所述当前形变数据进行预处理，得到当前形变向量，包括：
19、构建平面直角坐标系，以当前形变数据为纵轴，以时间为横轴，绘制得到当前形变数据随时间变化的应变曲线，其中，横轴的0点为开始施加周期变化压力的时刻；
20、在所述平面直角坐标系的0-t时间内均匀取出若干个特征点，基于所述应变曲线得到各个所述特征点对应的当前形变数据；
21、根据所有所述当前形变数据构建成得到当前形变向量。
22、优选地，所述第一样本形变数据集和第二样本形变数据集具体为：
23、第一样本形变数据集是预先从一批正常工作的涵管上测量得到；
24、第二样本形变数据集是预先从一批包含正常工作涵管和异常工作涵管的涵管上测量得到，其中，每个涵管的实际工作状况都已预先获得并标注。
25、优选地，所述将所述第二样本向量集输入到初始深度学习模型中，对模型进行评估，得到综合评价指标，当所述综合评价指标满足预设的评价指标时，得到训练后的深度学习模型,包括：
26、将第二样本向量集输入到初始深度学习模型中进行检测，得到第二样本向量集所对应的每个涵管对应的重构误差；
27、将所述重构误差与误差阈值比较，判断涵管是否工作正常；
28、将判断结果与涵管实际工作状况进行比较，计算将正常涵管判断为正常涵管的数量tp、将正常涵管识判断异常涵管的数量fn、将异常涵管判断为正常涵管的数量fp；
29、将综合评价指标与预设的标准评价指标比较，若综合评价指标大于所述标准评价指标，代表模型完成工作正常涵管的特征学习，得到训练后的深度学习模型，若综合评价指标小于阈值，代表模型未完成工作正常涵管的特征学习，需要重新采集样本向量集输入到模型进行训练；
30、其中计算综合评价指标计算过程包括：
31、
32、
33、
34、其中，f1是综合评价指标，f1的范围是0到1，1表示完美性能，0表示最差性能,p是精准率，r是召回率。
35、第二方面，本发明提供了一种涵管运行监测装置，包括：
36、数据采集模块，获取形变传感器检测到的实时压力下待测涵管的当前形变数据；
37、数据预处理模块，对所述当前形变数据进行预处理，得到当前形变向量；
38、误差计算模块，将所述当前形变向量输入到预先训练的深度学习模型之中，得到重构误差；
39、状况判别模块，将所述重构误差与预设的误差阈值比较，当所述重构误差小于所述误差阈值时，判断涵管工作正常；当所述重构误差大于所述误差阈值时，判断涵管工作异常；
40、模型训练模块，获取第一样本形变数据集和第二样本形变数据集； 对所述第一样本形变数据集和第二样本形变数据集进行预处理，得到第一样本向量集和形变第二样本向量集；将所述第一样本向量集输入到初始深度学习模型中，对所述初始深度学习模型进行训练；将所述第二样本向量集输入到初始深度学习模型中，对模型进行评估，得到综合评价指标，当所述综合评价指标满足预设的评价指标时，得到训练后的深度学习模型。
41、第三方面，本发明还提供了一种电子设备，包括处理器、存储器以及存储在所述存储器中且被训练为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述中任意一项所述的涵管运行监测方法。
42、第四方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的涵管运行监测方法。
43、相比于现有技术，本发明具有如下有益效果：本发明提供了一种涵管运行监测方法、装置、电子设备及存储介质，方法由处理器执行，包括获取形变传感器检测到的实时压力下待测涵管的当前形变数据；对所述当前形变数据进行预处理，得到当前形变向量；将所述当前形变向量输入到预先训练的深度学习模型之中，得到重构误差；将所述重构误差与预设的误差阈值比较，当所述重构误差小于所述误差阈值时，判断涵管工作正常；当所述重构误差大于所述误差阈值时，判断涵管工作异常；其中，所述深度学习模型的训练过程包括：获取第一样本形变数据集和第二样本形变数据集； 对所述第一样本形变数据集和第二样本形变数据集进行预处理，得到第一样本向量集和形变第二样本向量集；将所述第一样本向量集输入到初始深度学习模型中，对所述初始深度学习模型进行训练；将所述第二样本向量集输入到初始深度学习模型中，对模型进行评估，得到综合评价指标，当所述综合评价指标满足预设的评价指标时，得到训练后的深度学习模型。本方法通过深度学习模型学习涵管在压力变化下形变数据的特征，能够识别出与正常涵管形变不一致的数据，提高了检测的精确性，能实现在涵管问题变得严重之前及时发现潜在的故障和异常。
1.一种涵管运行监测方法，其特征在于，由处理器执行，包括：
2.根据权利要求1所述的涵管运行监测方法，其特征在于，所述获取形变传感器检测到的实时压力下待测涵管的当前形变数据，包括：
3.根据权利要求2所述的涵管运行监测方法，其特征在于，所述实时压力是施加在涵管管顶处的压力值根据时间以正弦或余弦规律变化的压力，周期为t。
4.根据权利要求2所述的涵管运行监测方法，其特征在于，所述形变传感器包括两个应变片传感器，两个应变片传感器分别布置在涵管的管顶和管底，用于测量管顶应变值和管底环向应力应变值；
5.根据权利要求2所述的涵管运行监测方法，其特征在于，所述对所述当前形变数据进行预处理，得到当前形变向量，包括：
6.根据权利要求2所述的涵管运行监测方法，其特征在于，所述第一样本形变数据集和第二样本形变数据集具体为：
7.根据权利要求2所述的涵管运行监测方法，其特征在于，所述将所述第二样本向量集输入到初始深度学习模型中，对模型进行评估，得到综合评价指标，当所述综合评价指标满足预设的评价指标时，得到训练后的深度学习模型,包括：
8.一种涵管运行监测装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的涵管运行监测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的涵管运行监测方法。
