基于神经网络的可扩展至多桥的动态称重方法及系统

本发明涉及桥梁动态称重以及车辆荷载监测领域，尤其涉及一种基于神经网络的可扩展至多桥的动态称重方法及系统。

背景技术：

ⅰ、车辆称重方法：

现有车辆称重方式主要有静态称重和动态称重，静态称重主要以地磅为代表，动态称重分为路面式动态称重和桥梁动态称重。其中动态称重解决了静态称重车辆需停车或以极低车速行驶造成称重效率低的缺点。桥梁动态称重解决了道路动态称重安装时需开挖路面，中断交通，耐久性差的缺点。

、桥梁动态称重算法的现状：

桥梁动态称重算法的主要目的是获取车辆轴数、速度和轴重等信息，一般先获得车辆的轴数、轴距和速度，再利用轴数，轴距和速度信息以及相应的算法求出车辆的轴重。

（1）获得轴数、轴距和速度：

现下很多相关研究或商用桥梁动态称重系统常将检测车辆轴距、轴数等信息的传感器安装在桥面板下方，此做法精度受车辆横向位置影响较大，且由于需要安装在桥面板下方，该类技术在板桥等桥梁上具有安装困难，更适用于箱梁桥、t梁桥等。

神经网络可以从数据中“学习”输入参数和输出参数的关系，同时还具有较好的容错能力。故有研究人员将神经网络应用于获得车辆轴数、速度和车辆的横向位置上，利用卷积神经网络（cnn）结合桥面板应变信号获得了车辆的轴数和速度，但在实际使用过程中需要其他信息如梁底应变信号来求得车重，这意味着可能需要安装更多应变传感器，且该技术在不同的桥梁上使用前都需要获取该桥的实测数据进行耗时的神经网络训练工作，这些将极大的提高桥梁动态称重系统的成本和消耗大量的时间。

（2）计算轴重：

也有学者利用人工神经网络（ann）来求解车辆的轴重，通过应变信息结合车辆速度、轴距等已知条件求解车辆的总重和轴重分配系数，轴重由总重和轴重分配系数相乘得到。该方法将应变信息的峰值和车速、轴距等数据输入神经网络，这忽略了应变信号中隐含的丰富的与车辆轴重、轴数和轴距相关的信息，且使用总重和轴重分配系数来求解轴重的做法将增大轴重求解的误差，也降低了算法的稳定性。同样的，该方法在不同的桥梁上使用时需要重新获取训练数据，重新训练神经网络。

技术实现要素：

本发明提供了一种基于神经网络的可扩展至多桥的动态称重方法及系统，用以解决现有的神经网络解算轴重的方法信号利用度低且在不同桥梁上算法的移植成本过大的问题。

为解决上述技术问题，本发明提出的技术方案为：

一种基于神经网络的可扩展至多桥的动态称重方法，包括以下步骤：

续测量获取车辆过桥时桥梁的梁底响应曲线，作为第一卷积神经网络模型的输入，通过第一卷积神经网络模型根据过桥车辆的轴数对梁底响应曲线进行分类，输出过桥车辆的车辆轴数；

将梁底响应曲线作为与车辆轴数对应的第二卷积神经网络模型的输入，将车辆通过桥梁的时间作为第二卷积神经网络模型的输出；根据车辆通过桥梁的时间，以及桥梁长度和车辆轴距计算得到在过桥时车辆行驶的速度；

根据车辆行驶的速度将梁底响应曲线由时域坐标转化为位置坐标后，与预先标定的影响线函数一起输入第三卷积神经网络模型，输出车辆静止状态下各轴轴重；或者，将车辆行驶的速度、轴距与预先标定的影响线函数组合成轴加载矩阵；根据车辆行驶的速度将梁底响应曲线由时域坐标转化为位置坐标后，与轴加载矩阵一起输入第四卷积神经网络模型，输出车辆静止状态下的各轴轴重。

优选地，第一卷积神经网络模型、第二卷积神经网络模型、第三卷积神经网络模型以及第四卷积神经网络模型均为预先根据训练数据样本训练得到；

训练第三卷积神经网络模型时，对于不同类型的桥梁分别完成训练；不同类型的桥梁包括t形、箱形和矩形梁桥；

训练第一卷积神经网络模型、第二卷积神经网络模型和第四卷积神经网络模型时，任选一种类型的桥梁完成训练。

优选地，车轴分类为按照车轴数进行的分类，至少包括：二轴车、三轴车、四轴车、五轴车和六轴车。

优选地，根据车辆通过桥梁的时间，以及桥梁长度和车辆轴距计算得到在过桥时车辆行驶的速度，计算方式如下：

其中，为车辆过桥的时间，为车辆轴数，车辆轴距，表示车辆第一个轴到最后一个轴的距离。

优选地，第一卷积神经网络模型、第二卷积神经网络模型、第三卷积神经网络模型以及第四卷积神经网络模型均为预先根据测量的数据样本训练得到，且均包括一个以上的卷积层。

优选地，一个以上的卷积层中每层或每两个以上的一组卷积层后连接有对应的一个池化层，最后一个池化层后通过全连接层输出数据。

优选地，各个卷积神经网络的卷积层和全连接层的激活函数可以选为sigmod函数、tanh函数、relu函数leakyrelu函数及这些函数的变式。

优选地，第一卷积神经网络的损伤函数可以是神经网络中分类任务常用的损伤函数，包括交叉熵损伤函数、二进制交叉熵损伤函数和多类别分类的hinge损伤函数及其变式。第二、三和四卷积神经网络的损伤函数可以是神经网络中回归任务常用的损伤函数，包括l1和l2范数损伤函数、均方误差损伤函数、kl散度损伤函数和平均绝对误差损伤函数及其变式。

优选地，第三卷积神经网络模型，用于将输入的影响线函数，以及根据车辆行驶的速度将梁底响应曲线由时域坐标转化为位置坐标后，进行最小误差和“反卷积”操作拟合实测弯矩、单条影响线函数和各轴轴重之间的关系，从而输出各轴轴重；

第四卷积神经网络模型，用于将输入的轴加载矩阵，以及根据车辆行驶的速度将梁底响应曲线由时域坐标转化为位置坐标后，进行最小误差和“矩阵运算”操作拟合实测弯矩、轴加载矩阵和各轴轴重之间的关系，从而输出各轴轴重。

优选地，在连续测量获取车辆过桥时桥梁的梁底响应曲线之前，完成以下步骤：

将传感器和数据采集系统安装在桥梁上，标定桥梁的影响线函数，其中为车辆行驶方向上的长度；

获得行驶车辆的轴距，记为，表示车辆第个轴和第个轴的距离；以及

获取桥梁长度。

优选地，连续测量获取车辆过桥时桥梁的梁底响应曲线，是通过将多个传感器贴于桥梁任意处来获取桥梁正应变、桥梁正应力、弯矩、支座反力、剪应力、剪应变、剪力或具有吊索结构的桥梁的索力，或使用摄像头和红外传感器通过算法间接获取的桥梁挠度、正应变和正应力，从而得到车辆过桥时桥梁的梁底响应曲线；

桥梁任意处满足荷载纵向作用位置改变时，其位置的桥梁响应大小并不总是保持不变，包括桥梁主梁、桥面板，支座和吊索结构的锚固点。

本发明还提供一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一方法的步骤。

本发明具有以下有益效果：

1、本发明的基于神经网络的可扩展至多桥的动态称重方法及系统，不需要通过其他方式得到轴数，直接使用卷积神经网络处理梁底的应变信号获取车辆的轴重，且通过将影响线加入到卷积神经网络的输入中使得训练过的卷积神经网络模型可不需再训练而直接适用于其他桥梁，大大节约了基于卷积神经网络的桥梁动态称重系统的成本。

2、本发明基于神经网络的可扩展至多桥的动态称重方法及系统，仅需满足桥梁主梁或横梁在车辆荷载作用下主要受弯矩作用的条件，相对于以往求解车辆轴重神经网络算法只取峰值点等几个有限数据，忽略了实测信号和车辆参数相关的大量细节信息，本发明直接使用实测信号曲线（梁底响应曲线）得到车辆参数，避免了丢失与车辆参数相关的有效信息，具有更大的实现更高精度的潜力。

除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照附图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明优选实施例的基于神经网络的可扩展至多桥的动态称重方法的流程示意图；

图2是本发明优选实施例的第一卷积神经网络模型的结构示意图；

图3是本发明优选实施例的第二卷积神经网络模型的结构示意图；

图4是本发明优选实施例的第三卷积神经网络模型的结构示意图；

图5是本发明优选实施例的第四卷积神经网络模型的结构示意图。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

本发明是一种适用于桥梁动态称重系统的卷积神经网络方法。

参见图1，本发明的基于神经网络的可扩展至多桥的动态称重方法，包括以下步骤：

s1、连续测量获取车辆过桥时桥梁的梁底响应曲线，作为第一卷积神经网络模型的输入，通过第一卷积神经网络模型根据过桥车辆轴数对响应曲线进行分类，输出过桥车辆的车辆分类，对应的即为车辆轴数；

s2、将梁底响应曲线作为与车轴分类对应的第二卷积神经网络模型的输入，将车辆通过桥梁的时间作为第二卷积神经网络模型的输出；根据车辆通过桥梁的时间，以及桥梁长度和车辆轴距计算得到在过桥时车辆行驶的速度；

s3、根据车辆行驶的速度将梁底响应曲线由时域坐标转化为位置坐标后，与预先标定的影响线函数一起输入第三卷积神经网络模型，输出车辆静止状态下各轴轴重；或者，将车辆行驶的速度、轴距与预先标定的影响线函数组合成轴加载矩阵；根据车辆行驶的速度将梁底响应曲线由时域坐标转化为位置坐标后，与轴加载矩阵一起输入第四卷积神经网络模型，输出车辆静止状态下的各轴轴重。

通过上述步骤，不需要通过其他方式得到轴数和速度，直接使用卷积神经网络通过梁底的应变传感器连续测量得到的梁底响应曲线（本实施例中将梁底响应曲线转化为弯矩响应作为输入，弯矩响应与梁底响应曲线之间为线性关系，线性关系的系数值因具体的桥梁有所变化），且通过将影响线加入到卷积神经网络的输入中，获得车辆的轴数和速度，且训练过的卷积神经网络模型可不需再训练而直接适用于其他桥梁，大大节约了卷积神经网络使用在动态称重系统上的成本。

在实际实施时，第一卷积神经网络模型、第二卷积神经网络模型、第三卷积神经网络模型以及第四卷积神经网络模型均为预先根据不同桥梁类型的测量的训练数据样本训练得到。训练所述第一卷积神经网络模型、第二卷积神经网络模型和第四卷积神经网络模型时，由于该三种模型可以直接适用于各种类型的桥梁，故可任选一种类型如t梁桥。训练所述第三卷积神经网络模型时，对于不同类型的桥梁如t形、箱形和矩形梁桥应分别训练。

本实施例中，第一卷积神经网络模型为车辆轴数分类模型。

大量研究证明，卷积神经网络能够很好的对输入数据进行分类，故本发明将车辆过桥时弯矩响应曲线作为卷积神经网络的输入，通过卷积神经网络对实际中常见的2、3、4、5和6轴车的弯矩响应曲线进行分类，判断输入梁底响应曲线对应的车辆轴数，神经网络的架构如图2所示。

本实施例中，第二卷积神经网络模型为速度求解模型。

为了使求解速度的神经网络模型能够适用于不同类型的桥梁，本发明将车辆过桥信号曲线作为输入数据，将车辆通过桥梁的时间作为神经网络的输出，得到车辆通过桥梁时间后通过桥梁长度和车辆长度得到车辆行驶的速度。故需要预先知道车辆轴距和桥长。神经网络模型架构如图3所示。

本实施例中，第三卷积神经网络模型和第四卷积神经网络模型为轴重求解模型。

（i）输入影响线和弯矩响应曲线：

第三卷积神经网络模型，用于将输入的单条影响线函数，以及根据车辆行驶的速度将弯矩响应曲线由时域坐标转化为位置坐标后，进行最小误差和“反卷积”操作拟合实测弯矩、影响线函数和各轴轴重之间的关系，从而输出静载状态下的各轴轴重。

记车辆轴载向量为，代表轴数，记为采样时间点的序列号，通过影响线函数和轴重向量可得理论弯矩为：

（1）

式中星号“*”表示卷积。

车辆在桥梁上行驶的实测弯矩理论上应等于理论弯矩，但实际情况存在路面粗糙度等条件造成二者不一致，故将实测弯矩和影响线函数作为卷积神经网络的两个输入，轴重向量作为输出数据，通过卷积神经网络完成最小误差和“反卷积”的操作拟合弯矩、影响线和轴重之间的关系。如图4所示。桥梁的弯矩和正应变大致呈线性关系，故本发明还可以用应变来识别轴重。

（ii）输入轴加载矩阵：

第四卷积神经网络模型，用于将输入的轴加载矩阵，以及根据车辆行驶的速度将梁底响应曲线由时域坐标转化为位置坐标后所得的实测弯矩，进行最小误差和“矩阵运算”操作拟合实测弯矩、轴加载矩阵和各轴轴重之间的关系，从而输出静载状态下的各轴轴重。

将式（1）展开可得：

其中，是影响线函数，是车辆行驶速度，是第个采样点的时间，是第个轴相对于第一个轴的距离，是第个轴的轴重，是采样时间点的序列号。对于采样的个时间点，将式（2）中写成矩阵形式，代表所测得时间步的总数，其中的元素表示在时刻第个荷载处桥梁弯矩影响线的值：

其中，

则式（1）可以写成如下形式：

其中，t代表矩阵的转置。由上式，可将矩阵作为神经网络的一个输入数据，实测弯矩作为神经网络的另一个输入数据，将轴重向量作为输出数据，通过卷积神经网络完成最小误差和“矩阵运算”的操作拟合三者之间的关系。如图5所示。

由图2-5可知，本发明的第一卷积神经网络模型、第二卷积神经网络模型、第三卷积神经网络模型以及第四卷积神经网络模型均包括一个以上的卷积层。各个卷积神经网络模型中卷积层的数目取正整数，一般而言，拟合问题的复杂度越高，层数越多。实际实施时，卷积层后可以根据实际情况添加池化层，如在每两个卷积层（或者多个卷积层）后添加一个池化层。最后一个池化层后通过全连接层输出数据。各个卷积神经网络模型中全连接层也取正整数，但根据现有的研究，也可以不加全连接层，如直接使最终卷积层计算结果的长宽为1，深度为要求解的轴数。

实施时，卷积神经网络的卷积层和全连接层的激活函数可以选为sigmod函数、tanh函数、relu函数leakyrelu函数及这些函数的变式；第一卷积神经网络的损伤函数可以是神经网络中分类任务常用的损伤函数，包括交叉熵损伤函数、二进制交叉熵损伤函数和多类别分类的hinge损伤函数及其变式；第二、三和四卷积神经网络模型的损伤函数可以是神经网络中回归任务常用的损伤函数，包括l1和l2范数损伤函数、均方误差损伤函数、kl散度损伤函数和平均绝对误差损伤函数及其变式。

实施时，在连续测量获取车辆过桥时桥梁的梁底响应曲线之前，完成以下步骤：

将传感器和数据采集系统安装在桥梁上，标定桥梁的影响线函数，其中为车辆行驶方向上的长度；获得行驶车辆的轴距，记为，表示车辆第个轴和第个轴的距离；以及获取桥梁长度。然后获取输入数据和输出数据训练神经网络模型。

其中，标定桥梁影响线的具体做法为：先用一辆已知轴重和轴距的车辆以预先确定的速度通过选定车道；获取车辆通过时该车道下方的梁底应变响应曲线；利用车辆的轴重，轴距和速度以及梁底应变响应曲线反算出桥梁该车道的影响线；值得注意的是，对于不同的车道，应当分别标定不同车道的影响线。

实施时，根据车辆通过桥梁的时间，以及桥梁长度和车辆轴距计算得到在过桥时车辆行驶的速度，计算方式如下：

其中，为车辆过桥的时间，为车辆轴数，车辆轴距，表示车辆第一个轴到最后一个轴的距离。

实施时，连续测量获取车辆过桥时桥梁的梁底响应曲线，是通过将多个应变传感器贴于桥梁跨中来获取桥梁正应变，从而得到车辆过桥时桥梁的梁底响应曲线。一般来说，桥梁的弯矩和正应变大致呈线性关系。因此上述方法既可以使用桥梁正应变进行识别，也可以使用弯矩进行识别。

用其他方式获取车辆轴距和桥梁长度后，可将应变片贴于桥梁跨中来获取桥梁正应变，得到桥梁跨中应变信号后代入卷积神经网络中进行车辆轴数、速度和轴重的识别。其中，连续测量获取车辆过桥时桥梁的梁底响应曲线，是通过将多个传感器贴于桥梁任意处来获取桥梁正应变、桥梁正应力、弯矩、支座反力、剪应力、剪应变、剪力或具有吊索结构的桥梁的索力，或使用摄像头和红外传感器通过算法间接获取的桥梁挠度、正应变和正应力，从而得到车辆过桥时桥梁的梁底响应曲线；桥梁任意处满足荷载纵向作用位置改变时，其位置的桥梁响应大小并不总是保持不变，包括桥梁主梁、桥面板，支座和吊索结构的锚固点。

本发明还提供一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一实施例的步骤。

综上可知，本发明适用于各种类型的桥梁，仅需满足桥梁主梁或横梁在车辆荷载作用下主要受弯矩作用的条件。相对于以往的桥梁动态称重使用的卷积神经网络算法，本发明提出的卷积神经网络模型能够适用于不同的桥梁，大大节约了卷积神经网络在动态称重系统上应用的成本。相比以往求解车辆轴重神经网络算法只取峰值点等几个有限数据，忽略了实测信号和车辆参数相关的大量细节信息的缺点，本发明直接使用实测信号曲线得到车辆参数，避免了丢失和车辆参数相关的有效信息，具有更大的实现更高精度的潜力。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。