桥梁安全状态监测方法、装置、计算机设备和存储介质

1.本技术涉及结构安全监测技术领域，特别是涉及一种桥梁安全状态监测方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.桥梁是重要的交通基础设施，为人民生活提供了极大的便利，为社会经济发展提供了强大的支撑，因而保障桥梁设施的安全运行具有重大意义。自结构安全监测提出以来，涌现了许多关于结构损伤检测的方法，但是对于损伤发生时刻的研究并不多，及时地发现损伤发生时刻可以为后续决策处理、事故处置争取宝贵的时间。
3.在传统桥梁结构健康监测及损伤识别方法中，一般需要以桥梁初始状态的无损数据作为基准数据进行对比来实现监测。但许多桥梁已建成并投入使用多年，初始状态数据大多已缺失，无法实现有效监测。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够实现有效监测的桥梁安全状态监测方法、装置、计算机设备、存储介质和计算机程序产品。
5.第一方面，本技术提供了一种桥梁安全状态监测方法。所述方法包括：
6.获取桥梁的振动信号；所述振动信号由两个以上相同的振动传感器设置于所述桥梁的预设位置采集后处理得到；
7.对所述振动信号采用两个相邻的移动时间窗口进行截取，得到第一窗口信号与第二窗口信号；
8.将所述第一窗口信号输入预设的第一特征提取模型，得到第一特征向量，将所述第二窗口信号输入预设的第二特征提取模型，得到第二特征向量；所述预设的第一特征提取模型与所述预设的第二特征提取模型为参数共享的两个特征提取模型，均基于所述桥梁的振动信号训练得到；
9.根据所述第一特征向量与所述第二特征向量进行分析，得到桥梁安全状态评估结果；所述桥梁安全状态评估结果用于表征所述桥梁的安全状态。
10.在其中一个实施例中，所述两个相邻的时间窗口的窗口长度相同，所述窗口长度的确定过程包括：
11.根据所述桥梁的结构基频与所述振动传感器的采样频率分析得到窗口长度范围；
12.根据并行化计算要求在所述窗口长度范围中进行筛选，确定所述窗口长度。
13.在其中一个实施例中，所述预设的第一特征提取模型与所述预设的第二特征提取模型的训练过程包括：
14.将所述桥梁的振动信号分为训练信号与测试信号；
15.将所述训练信号采用所述两个相邻的移动时间窗口进行截取，得到第一窗口训练信号与第二窗口训练信号，并将所述测试信号采用所述两个相邻的移动时间窗口进行截
取，得到第一窗口测试信号与第二窗口测试信号；
16.将所述第一窗口训练信号输入至第一卷积自编码器进行训练，得到初步的第一特征提取模型，将所述第二窗口训练信号输入至第二卷积自编码器进行训练，得到初步的第二特征提取模型；其中，所述第一卷积自编码器与所述第二卷积自编码器为两个参数共享的卷积自编码器；
17.将所述第一窗口测试信号输入所述初步的第一特征提取模型进行测试验证，得到预设的第一特征提取模型，将所述第二窗口测试信号输入所述初步的第二特征提取模型进行测试验证，得到预设的第二特征提取模型。
18.在其中一个实施例中，所述第一卷积自编码器与所述第二卷积自编码器训练时，均采用rmsprop优化算法进行优化，使用缩放指数线性单元作为激活函数。
19.在其中一个实施例中，所述根据所述第一特征向量与所述第二特征向量进行分析，得到桥梁安全状态评估结果，包括：
20.计算所述第一特征向量与所述第二特征向量之间的距离；
21.根据所述距离得到桥梁安全状态评估结果。
22.在其中一个实施例中，在所述获取桥梁的振动信号之后，在所述对所述振动信号采用两个相邻的移动时间窗口进行截取，得到第一窗口信号与第二窗口信号之前，所述方法还包括：
23.对所述振动信号进行归一化处理，得到归一化后的振动信号。
24.第二方面，本技术还提供了一种桥梁安全状态监测装置。所述装置包括：
25.数据获取模块，用于获取桥梁的振动信号；所述振动信号由两个以上相同的振动传感器设置于所述桥梁的预设位置采集后处理得到；
26.信号截取模块，用于对所述振动信号采用两个相邻的移动时间窗口进行截取，得到第一窗口信号与第二窗口信号；
27.特征提取模块，用于将所述第一窗口信号输入预设的第一特征提取模型，得到第一特征向量，将所述第二窗口信号输入预设的第二特征提取模型，得到第二特征向量；所述预设的第一特征提取模型与所述预设的第二特征提取模型为参数共享的两个特征提取模型，均基于所述桥梁的振动信号训练得到；
28.状态评估模块，用于根据所述第一特征向量与所述第二特征向量进行分析，得到桥梁安全状态评估结果；所述桥梁安全状态评估结果用于表征所述桥梁的安全状态。
29.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：
30.获取桥梁的振动信号；所述振动信号由两个以上相同的振动传感器设置于所述桥梁的预设位置采集后处理得到；
31.对所述振动信号采用两个相邻的移动时间窗口进行截取，得到第一窗口信号与第二窗口信号；
32.将所述第一窗口信号输入预设的第一特征提取模型，得到第一特征向量，将所述第二窗口信号输入预设的第二特征提取模型，得到第二特征向量；所述预设的第一特征提取模型与所述预设的第二特征提取模型为参数共享的两个特征提取模型，均基于所述桥梁
的振动信号训练得到；
33.根据所述第一特征向量与所述第二特征向量进行分析，得到桥梁安全状态评估结果；所述桥梁安全状态评估结果用于表征所述桥梁的安全状态。
34.第四方面，本技术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，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现以下步骤：
35.获取桥梁的振动信号；所述振动信号由两个以上相同的振动传感器设置于所述桥梁的预设位置采集后处理得到；
36.对所述振动信号采用两个相邻的移动时间窗口进行截取，得到第一窗口信号与第二窗口信号；
37.将所述第一窗口信号输入预设的第一特征提取模型，得到第一特征向量，将所述第二窗口信号输入预设的第二特征提取模型，得到第二特征向量；所述预设的第一特征提取模型与所述预设的第二特征提取模型为参数共享的两个特征提取模型，均基于所述桥梁的振动信号训练得到；
38.根据所述第一特征向量与所述第二特征向量进行分析，得到桥梁安全状态评估结果；所述桥梁安全状态评估结果用于表征所述桥梁的安全状态。
39.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现以下步骤：
40.获取桥梁的振动信号；所述振动信号由两个以上相同的振动传感器设置于所述桥梁的预设位置采集后处理得到；
41.对所述振动信号采用两个相邻的移动时间窗口进行截取，得到第一窗口信号与第二窗口信号；
42.将所述第一窗口信号输入预设的第一特征提取模型，得到第一特征向量，将所述第二窗口信号输入预设的第二特征提取模型，得到第二特征向量；所述预设的第一特征提取模型与所述预设的第二特征提取模型为参数共享的两个特征提取模型，均基于所述桥梁的振动信号训练得到；
43.根据所述第一特征向量与所述第二特征向量进行分析，得到桥梁安全状态评估结果；所述桥梁安全状态评估结果用于表征所述桥梁的安全状态。
44.上述桥梁安全状态监测方法，通过获取设置于桥梁的振动传感器采集的振动信号，采用两个相邻的移动时间窗口截取得到的振动信号片段，并直接从振动信号片段中进行特征提取，判断得到桥梁安全状态评估结果，无需标签与初始状态下的无损数据，也无需结构精确的有限元模型为基准作为对比，可便捷高效的实现桥梁安全状态监测。
附图说明
45.图1为一个实施例中桥梁安全状态监测方法的应用环境图；
46.图2为一个实施例中桥梁安全状态监测方法的流程示意图；
47.图3为一个实施例中在桥梁上设置振动传感器的示意图；
48.图4为一个实施例中得到桥梁安全状态评估结果步骤的流程示意图；
49.图5为一个实施例中确定移动时间窗口的窗口长度步骤的流程示意图；
50.图6为一个实施例中特征提取模型训练步骤的流程示意图；
51.图7为另一个实施例中特征提取模型训练步骤的流程示意图；
52.图8为一个实施例中测试用钢桥的结构示意图；
53.图9为一个实施例中卷积自编码器的网络架构图；
54.图10为一个实施例中di时间序列的曲线趋势图；
55.图11为另一个实施例中卷积自编码器的网络架构图；
56.图12为一个实施例中振动传感器测得的加速度响应时间序列的示意图；
57.图13为另一个实施例中di时间序列的曲线趋势图；
58.图14为一个实施例中桥梁安全状态监测装置的结构框图；
59.图15为一个实施例中计算机设备的内部结构图。
具体实施方式
60.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
61.如背景技术所述，桥梁是重要的交通基础设施，对桥梁结构的健康监测及损伤识别、保障桥梁设施的安全运行具有重大意义。在传统桥梁结构健康监测及损伤识别方法中，传统需要有限元模型的方法在实际工程应用中困难重重，复杂桥梁如大跨度悬索桥、斜拉桥和刚桁架桥，建模本身就是一个难题，模型必定会与实际结构有较大的偏差。而各种模型修正方法需要大量的迭代计算，特别是大型复杂桥梁，耗时太长，无法达到实时效果。而当前已有烟酒的神经网络的方法一般都是有监督学习，需要以桥梁初始状态的无损数据作为基准数据进行对比来实现监测。但目前许多桥梁已建成并投入使用多年，初始状态数据大多已缺失，无法实现有效监测。
62.基于此，本技术提供一种桥梁安全状态监测方法，通过获取设置于桥梁的振动传感器采集的振动信号，采用两个相邻的移动时间窗口截取得到的振动信号片段，并直接从振动信号片段中进行特征提取，判断得到桥梁安全状态评估结果，无需标签与初始状态下的无损数据，也无需结构精确的有限元模型为基准作为对比，可便捷高效的实现桥梁安全状态监测。
63.本技术实施例提供的桥梁安全状态监测方法，可以应用于如图1所示的应用环境中。其中，振动传感器102通过网络与计算机设备104进行通信。计算机设备104可以是服务器，数据存储系统可以存储计算机设备104需要处理的数据。数据存储系统可以集成在计算机设备104上，也可以放在云上或其他网络服务器上。具体地，计算机设备104通过振动传感器102获取桥梁的振动信号，对振动信号采用两个相邻的移动时间窗口进行截取，得到第一窗口信号与第二窗口信号；将第一窗口信号输入预设的第一特征提取模型，得到第一特征向量，将第二窗口信号输入预设的第二特征提取模型，得到第二特征向量；预设的第一特征提取模型与预设的第二特征提取模型为参数共享的两个特征提取模型，均基于桥梁的振动信号训练得到；根据第一特征向量与第二特征向量进行分析，得到桥梁安全状态评估结果；桥梁安全状态评估结果用于表征桥梁的安全状态。其中，计算机设备104可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手
表、智能手环、头戴设备等。计算机设备104为服务器时，也可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
64.在一个实施例中，如图2所示，提供了一种桥梁安全状态监测方法，以该方法应用于图1中的计算机设备104为例进行说明，包括步骤102至步骤108，其中：
65.步骤102：获取桥梁的振动信号；振动信号由两个以上相同的振动传感器设置于桥梁的预设位置采集后处理得到。
66.其中，振动信号由桥梁上设置的两个以上的相同振动传感器采集得到。振动传感器的设置数量与方式，可根据桥梁的长度、使用情况以及具体监测需要进行设定。例如，可设置于桥梁的主要承重位置，也可以采用均匀设置，每个设置点位也可以设置多个方向感应的振动传感器。例如，如图3所示的某一桥梁的实时监测中，在桥梁的不同位置安装了24个传感器，箭头表示测量方向。
67.本技术实施例中所采用的振动传感器均为加速度振动传感器，采集的数据为加速度响应时间序列。多个振动传感器采集得到的加速度响应时间序列，可通过按时间顺序合并处理为一个振动信号矩阵，即得到桥梁整体的振动信号。振动信号x可表达为：
[0068][0069]
其中，n为振动传感器个数，r为用于检测时每个振动传感器测得的加速度数据个数。
[0070]
步骤104：对振动信号采用两个相邻的移动时间窗口进行截取，得到第一窗口信号与第二窗口信号。
[0071]
为了提升桥梁安全状态的判断准确性，本技术将对某个点的监测扩大至包含这个点的一段监测时段，用区间来进行安全状态监测的方式。具体的方式并不唯一，可以是通过直接将振动信号按预设时间间隔进行划分的方式，得到多个振动信号片段。也可以是采用移动时间窗口将振动信号截取成多个振动信号片段。本技术采用能保留更多数据在时序上的信息的移动时间窗口的方式。其中，移动时间窗口的窗口长度l并不固定，可根据振动传感器的采样频率以及桥梁的结构基频进行设定。另外，移动时间窗口的移动步长s也并不固定，可根据振动传感器的采样频率进行设定，移动步长的合理设置可在保证高运算效率的同时有效监测到桥梁的安全状态。
[0072]
其中，两个相邻的移动时间窗口指的是时序上相邻，第一移动时间窗口截取出来的结尾加速度数据与第二移动时间窗口截取出来的开头加速度数据，为时序上连续的两个加速度数据。对振动信号采用两个相邻的移动时间窗口进行截取，得到第一移动时间窗口对应的多个振动信号片段组合为第一窗口信号，得到第二移动时间窗口对应的多个振动信号片段组合为第二窗口信号。第一窗口信号与第二窗口信号可用于进行特征提取后对比分析，得到对应前后两个监测时段之间安全状态的变化情况。可以理解，两个相邻的移动时间窗口所采用的窗口长度l与移动步长s均一致，因此得到的第一窗口信号与第二窗口信号
中，每个振动信号片段的维度均为(l，n)。
[0073]
步骤106：将第一窗口信号输入预设的第一特征提取模型，得到第一特征向量，将第二窗口信号输入预设的第二特征提取模型，得到第二特征向量；预设的第一特征提取模型与预设的第二特征提取模型为参数共享的两个特征提取模型，均基于桥梁的振动信号训练得到。
[0074]
其中，预设的第一特征提取模型与预设的第二特征提取模型为参数共享的两个特征提取模型，两个模型的参数共享保证了对第一窗口信号与第二窗口信号的特征提取一致，具有可对比性，得到对应前后两个时间段之间安全状态的变化情况。预设的第一特征提取模型与预设的第二特征提取模型均基于桥梁上采集得到的大量的振动信号，经过移动时间窗口截取后，输入至特征提取神经网络模型进行训练、调参以及验证后，得到的两个能进行高效降维的特征提取模型。其中，本实施例所采用的特征提取神经网络模型为可用于高效降维的无监督学习方法卷积自编码器。
[0075]
具体地，按时序将第一窗口信号中振动信号片段依次输入至预设的第一特征提取模型，得到每个振动信号片段对应的特征向量组合为第一特征向量。按时序将第二窗口信号中振动信号片段依次输入至预设的第二特征提取模型，得到每个振动信号片段对应的特征向量组合为第二特征向量。
[0076]
步骤108：根据第一特征向量与第二特征向量进行分析，得到桥梁安全状态评估结果；桥梁安全状态评估结果用于表征桥梁的安全状态。
[0077]
可以理解，第一特征向量中的每一特征向量，可用于表征桥梁在前一监测时段的安全状态，第二特征向量中的每一特征向量，可用于表征桥梁在后一监测时段的所有安全状态。对应地，可根据第一特征向量与第二特征向量之间的相似度，即距离来表示桥梁在前后两个监测时段之间安全状态的变化情况。
[0078]
在一个实施例中，如图4所示，步骤108的根据第一特征向量与第二特征向量进行分析，得到桥梁安全状态评估结果，可包括步骤202至步骤204，其中：
[0079]
步骤202：计算第一特征向量与第二特征向量之间的距离。
[0080]
具体地，将第一特征向量中特征向量与第二特征向量中的特征向量，按时序一一对应计算得到距离。其中计算距离的方式并不唯一，可以是采用欧式距离对两者之间的相似度进行计算，可以是采用布雷柯蒂斯距离对两者之间的相似度进行计算。在本实施例中，采用余弦距离进行计算：
[0081]
dii＝cos(z
i1
,z
i2
)
[0082]
其中，z
i1
为第一特征向量中特征向量，z
i2
为第二特征向量中特征向量。
[0083]
步骤204：根据距离得到桥梁安全状态评估结果。
[0084]
具体地，dii为两个相邻的移动时间窗口截取到的第一个振动信号片段计算得到的桥梁安全状态数据，该指标取值范围为0到1，理想状态下，1代表完全没有损伤，指标越小代表桥梁损伤情况越严重。依次将第一特征向量中特征向量与第二特征向量中特征向量进行距离计算，得到di(桥梁安全状态数据)的时间序列。
[0085]
其中，判断得到桥梁安全状态评估结果的方式并不唯一，可以是通过每次计算得到的di(桥梁安全状态数据)与预设阈值进行比较判断得到。在计算得到的di(桥梁安全状态数据)大于预设阈值时，判断桥梁处于安全状态；在计算得到的di(桥梁安全状态数据)小
于或等于预设阈值时，判断桥梁处于损伤状态，需要进行及时检修处理。也可以是通过前后两次计算得到的di(桥梁安全状态数据)的差值与预设阈值进行比较，判断是否存在突变。在前后两次计算得到的di(桥梁安全状态数据)的差值大于或等于预设阈值时，判断存在突变情况，需要进行及时检修处理；在前后两次计算得到的di(桥梁安全状态数据)的差值小于预设阈值时，判断桥梁处于安全状态。预设阈值的设定以及判断方式可根据实际监测情况确定。还可根据di的时间序列按时序绘制得到di曲线，通过di曲线可更直观的看到是否存在突变，而出现的尖峰变化，进而察觉桥梁的安全状态变化情况。
[0086]
上述桥梁安全状态监测方法，通过获取设置于桥梁的振动传感器采集的振动信号，采用两个相邻的移动时间窗口截取得到的振动信号片段，并直接从振动信号片段中进行特征提取，判断得到桥梁安全状态评估结果，无需标签与初始状态下的无损数据，也无需结构精确的有限元模型为基准作为对比，可便捷高效的实现桥梁安全状态监测。
[0087]
在一个实施例中，在步骤102之后，在步骤104之前，上述桥梁安全状态监测方法还包括：步骤103：对振动信号进行归一化处理，得到归一化后的振动信号。
[0088]
具体地，采用z-score标准化方法将桥梁的振动信号做归一化处理，过程如下式所示：
[0089][0090]
其中，x代表每一振动传感器采集得到的加速度响应时间序列，μ代表x的均值，σ代表x的标准差，代表归一化之后的每一振动传感器采集得到的加速度响应时间序列。
[0091]
在本实施例中，对振动信号进行归一化处理能够使数据集归一化成零均值和单位标准差的分布，可以使后续的特征提取模型的迭代速度加快，提高求解过程的稳定性，更快地收敛到全局最优解上。
[0092]
在一个实施例中，如图5所示，两个相邻的移动时间窗口的窗口长度的确定过程包括：
[0093]
步骤302：根据桥梁的结构基频与振动传感器的采样频率分析得到窗口长度范围。
[0094]
具体地，可基于香农采样定理，根据桥梁的结构基频与振动传感器的采样频率计算得到窗口长度范围，具体为：
[0095][0096]
其中，l代表移动窗口长度，fs代表的是振动传感器的采样频率，f1代表的是桥梁的结构基频。
[0097]
步骤304：根据并行化计算要求在窗口长度范围中进行筛选，确定窗口长度。
[0098]
进一步地，因为计算机设备是采用二进制来储存和处理信息的，将输入数据长度取为2的幂次数符合cpu、gpu的内存要求，且利于并行化计算，使神经网络计算速度加快。此外，这样的窗口长度还方便于调整特征提取模型的卷积核数量、池化步长等网络参数。因此，将从窗口长度范围中选取大于香农采样定理所建议的窗口长度的第一个2的幂次数作为窗口长度。
[0099]
在一个实施例中，如图6所示，预设的第一特征提取模型与预设的第二特征提取模
型的训练过程包括：
[0100]
步骤402：将桥梁的振动信号分为训练信号与测试信号。
[0101]
具体地，将采用振动传感器采集的桥梁的振动信号分为训练信号与测试信号。其中，如图7所示，训练信号用来输入卷积自编码器进行训练，构建初步特征提取模型，测试信号用于调整初步分类模型的超参数，形成能准确对振动信号进行特征提取的模型，进一步得到用于监测桥梁的安全状态的桥梁安全状态评估结果。
[0102]
可以理解，用来划分训练信号与测试信号的振动信号采集于桥梁，但采集的时间并不唯一，可以是离线保存的历史采集数据，也可以采用在线的方式采集的数据。例如，可以是训练信号与测试信号均采用历史采集的振动信号，在构建完成一个具有很好特征提取能力的特征提取模型后运用于桥梁的安全状态监测场景中，也可以是先采用历史采集的振动信号作为训练信号得到初步特征提取模型，再采用在线采集的振动信号对初步特征提取模型进行验证调参得到最终的特征提取模型，再运用于桥梁的安全状态监测场景中。
[0103]
步骤404：将训练信号采用两个相邻的移动时间窗口进行截取，得到第一窗口训练信号与第二窗口训练信号，并将测试信号采用两个相邻的移动时间窗口进行截取，得到第一窗口测试信号与第二窗口测试信号。
[0104]
对训练信号采用两个相邻的移动时间窗口进行截取，得到第一移动时间窗口对应的多个训练信号片段组合为第一窗口训练信号，得到第二移动时间窗口对应的多个训练信号片段组合为第二窗口训练信号。对测试信号采用同样两个相邻的移动时间窗口进行截取，得到第一移动时间窗口对应的多个测试信号片段组合为第一窗口测试信号，得到第二移动时间窗口对应的多个测试信号片段组合为第二窗口测试信号。可以理解，两个相邻的移动时间窗口所采用的窗口长度l与移动步长s均一致，因此得到的第一窗口训练/测试信号与第二窗口训练/测试信号中，每个训练/测试信号片段的维度均为(l，n)。
[0105]
步骤406：将第一窗口训练信号输入至第一卷积自编码器进行训练，得到初步的第一特征提取模型，将第二窗口训练信号输入至第二卷积自编码器进行训练，得到初步的第二特征提取模型；其中，第一卷积自编码器与第二卷积自编码器为两个参数共享的卷积自编码器。
[0106]
其中，卷积自编码器的网络分为输入层、编码器和解码器。其中，编码器均可由多个卷积层与最大池化层组成，用于将输入向量进行特征提取，得到特征向量。解码器可由多个卷积层、上采样层与输出层组成，用于对特征向量进行重构输入，利用反向传播不断迭代训练，直至用解码器对特征向量进行重构输出的数据与输入数据越接近。则可以理解，解码器的输出层输出的向量维度大小与输入层一致。
[0107]
具体地，按时序将第一窗口训练信号中训练信号片段依次输入至第一卷积自编码器的编码器，得到每个训练信号片段对应的特征向量组合为第一训练特征向量。再将第一训练特征向量输入至第一卷积自编码器的解码器，得到第一训练重构输入。然后根据编码器与解码器对应定义的损失项定义第一卷积自编码器的损失函数，对第一训练特征向量与第一训练重构输入进行迭代训练，不断调整模型参数，直至损失函数收敛至较小值且保持稳定，将此时的第一卷积自编码器确定为初步的第一特征提取模型。
[0108]
其中，第一卷积自编码器的解码器的重构损失项为：
[0109][0110]
其中，l
mse
为重构损失项，n为输入数据矩阵的数量，xi为编码器的输入，xi'为解码器的输出。第一卷积自编码器的编码器的特征损失项为：
[0111]
l
cos
＝1-cos(zi,z
i+1
)
[0112]
其中：l
cos
为特征损失项，zi,z
i+1
分别是第i，i+1个窗口的数据矩阵经过卷积自编码器提取到的特征向量。则最终，第一卷积自编码器的损失函数定义为：
[0113]
l
ae
＝l
mse
+λ
·
l
cos
[0114]
其中，l
ae
为损失函数，为λ为损失项权重参数，用于调整不同损失项之间的比例关系。
[0115]
对应地，与上述过程相同，可按时序将第二训练窗口信号中训练信号片段依次输入至第二卷积自编码器，得到每个训练信号片段对应的特征向量组合为第二训练特征向量。进一步地，通过与第一卷积自编码器参数共享以及同样的损失函数定义，对第二卷积自编码器进行训练，直至第二卷积自编码器的损失函数收敛至较小值且保持稳定，将此时的第二卷积自编码器确定为初步的第二特征提取模型。
[0116]
在其中一个实施例中，第一卷积自编码器与第二卷积自编码器训练时，均采用rmsprop优化算法进行优化，使用缩放指数线性单元作为激活函数。
[0117]
其中，利用训练集数据对卷积自编码器进行训练，目标是使损失函数达到最小，采用rmsprop优化算法，在每次迭代中更新神经网络的权值逐步使损失函数达到收敛。rmsprop算法是一种自适应优化算法，通过引入优化过程中参数变化的历史信息，使用衰减系数控制参数的梯度方向，使神经网络参数优化过程更为平滑，更快速地收敛到全局最优处。rmsprop算法只需要在训练开始时设定初始学习率，即可在训练过程中自动调整不同参数的学习率。各个公式如下所示：
[0118][0119][0120]wt+1
＝w
t
+δw
t
[0121]
其中η为初始学习率；v为梯度方向的指数平均值；w为参数；δw为参数变化量；g
t
为时间梯度；
ò
为一个很小的正数。与经典随机梯度下降(sgd)优化算法对比，rmsprop优化算法可以避免梯度锯齿形下降，使得神经网络的训练速度大大加快。
[0122]
进一步地，使用缩放指数线性单元(scaled exponential linear units，selu)作为激活函数：
[0123][0124]
另外，在对第一卷积自编码器与第二卷积自编码器的训练过程中，还用dropout方法防止深度神经网络过拟合。即在神经网络训练的过程中，每次更新参数都随机地使一定
比例的神经元暂时失活。这种训练方式可以减少特征检测器(隐层节点)间的相互作用，强迫网络学习更有效的数据特征，从而减少过拟合现象、加强网络的泛化能力。本实施例dropout方法中的dropout的概率设置为0.2，即每批次训练中有20％神经元将不参与本次训练。
[0125]
步骤408：将第一窗口测试信号输入初步的第一特征提取模型进行测试验证，得到预设的第一特征提取模型，将第二窗口测试信号输入初步的第二特征提取模型进行测试验证，得到预设的第二特征提取模型。
[0126]
具体地，在得到初步的第一特征提取模型后，按时序将第一窗口测试信号中测试信号片段依次输入至初步的第一特征提取模型的编码器部分，得到每个测试信号片段对应的特征向量组合为第一测试特征向量。再将第一测试特征向量输入至初步的第一特征提取模型的解码器部分，得到第一测试重构输入。若根据第一窗口测试信号、第一测试特征向量与第一测试重构输入计算得到初步的第一特征提取模型的损失函数满足收敛要求，则可将初步的第一特征提取模型确定为预设的第一特征提取模型。
[0127]
进一步地，在得到初步的第二特征提取模型后，按时序将第二窗口测试信号中测试信号片段依次输入至初步的第二特征提取模型的编码器部分，得到每个测试信号片段对应的特征向量组合为第二测试特征向量。再将第二测试特征向量输入至初步的第二特征提取模型的解码器部分，得到第二测试重构输入。若根据第二窗口测试信号、第二测试特征向量与第二测试重构输入计算得到初步的第二特征提取模型的损失函数满足收敛要求，则可将初步的第二特征提取模型确定为预设的第二特征提取模型。
[0128]
在一个实施例中，以对图8所示的钢桥模型的安全状态进行监测为例进行解释说明。其中，模型梁长l为20m，损伤位置在梁长0.4l处。钢桥上均匀安装了9个加速度传感器，采样频率fs为200hz。通过改变钢桥的损伤位置的损伤程度的方式得到损伤工况的振动信号，并用于安全状态监测。分别对钢桥的损伤位置按0、2/15、3/15、4/15与6/15的截面损失率进行设置，同一振动传感器的单种工况的测试时间为10秒，重复10次。然后将钢桥损伤程度分别为0、2/15、3/15、4/15、6/15(截面损失率)的振动信号照损伤程度由小到大依次拼接，每种工况数据都从原始的10组数据中随机选取出4组合得到钢桥的振动信号。可以理解，拼接完成的振动信号中，2/15、3/15、4/15与6/15工况对应地最后监测时刻分别为40秒、80秒、120秒与160秒。将振动信号做归一化处理，定义两个相邻的移动时间窗口，通过随机取窗截取信号，作为两个参数共享的卷积自编码器的训练集。
[0129]
由于钢桥结构在无损状态和损伤工况4(截面损失率为6/15)状态下的基频分别为1.17hz与1.14hz，变化率仅为2.11％，可知仅凭结构固有频率的变化无法判断结构损伤的发生。在实际情况下，由环境因素引起固有频率的变化也可能远大于此。结构损伤前后固有频率变化甚小，故直接采用无损状态下的结构固有频率计算移动时间窗口的窗口长度，计算如下：
[0130][0131]
根据确定窗口长度的方法，选择与340最接近且大于340的2的幂次方数作为窗口长度为最佳，其值为512。需要注意的是，所有振动传感器测得的加速度响应时间序列均会
用作网络训练，则卷积自编码器的输入维度为(512,9)。
[0132]
按如图9所示的网络架构设计卷积自编码器的编码器部分与解码器部分，然后通过计算损失函数进行训练，训练可分为三个阶段。在第一个阶段，训练的前几个回合，重构损失函数与特征损失函数同步快速下降。在第二个阶段，随着训练回合数增加，重构损失函数占据了主导地位，此时重构损失函数继续下降，而特征损失函数呈现不断震荡的现象，不过值得注意的是此时总的损失函数仍在下降，神经网络仍然在持续学习到数据特征。在第三个阶段，约100个训练回合数之后，两个损失函数都缓慢都收敛到最小值。整个过程中两个损失函数呈现交替下降的趋势，当其中一个损失函数不断下降时，另一个损失函数保持平稳或略微上升，随着训练回合数增加都收敛到了最小值。这说明神经网络学习到了训练数据的共性特征。总损失函数初期下降较快，随着训练回合数增加下降速率逐渐降低最终收敛到较小值且保持稳定，表明神经网络训练过程稳定，没有出现过拟合或欠拟合的情况，训练效果良好。
[0133]
同样对钢桥的损伤位置按0、2/15、3/15、4/15与6/15的截面损失率进行设置，采集得到测试振动信号，并将钢桥的无损伤时的振动信号与各工况下的振动信号数据，通过定义的两个相邻的移动时间窗口，随机取窗截取信号得到测试集，输入训练好的两个参数共享得钢桥的特征提取模型，并计算得到对应的di时间序列，如图10所示，可明显监测到每一工况的变化过程。
[0134]
在一个实施例中，以采用本技术的方法对图3所示的一实际大跨度悬索桥的安全状态进行监测为例进行解释说明，在桥梁的不同位置安装了24个振动传感器，采样频率fs为200hz。经过计算，所有振动传感器测得的桥梁的结构基频最小值为f1＝0.076hz，则对应可计算得到来年两个相邻的移动时间窗口的窗口长度为：
[0135][0136]
按照窗口长度的确定规则，移动窗口的长度设定为4096。在损伤识别的阶段，移动时间窗口的移动步长s＝200，与所安装的振动传感器采样频率相同，也就是说每1s将会计算得到一个桥梁安全状态数据di。按如图11所示的网络架构设计卷积自编码器的编码器部分与解码器部分，然后通过该实际大跨度悬索桥采集得到的振动信号计算损失函数进行训练，得到训练好的两个参数共享的特征提取模型，以应用于该实际大跨度悬索桥的安全状态监测。
[0137]
具体地，某天早上8点钟，桥梁主跨钢箱梁底部被一沙船桅杆轻微剐蹭，桥梁振动发生异常行为，但振动传感器测量得到的加速度响应时间序列并没有任何异样，如图12所示的跨中测点19测得的加速度响应时间序列。而运用在本技术方法中，得到如图13所示的di曲线，可以看出在8点左右明显监测到曲线的突变。
[0138]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这
些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0139]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的桥梁安全状态监测方法的桥梁安全状态监测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个桥梁安全状态监测装置实施例中的具体限定可以参见上文中对于桥梁安全状态监测方法的限定，在此不再赘述。
[0140]
在一个实施例中，如图14所示，提供了一种桥梁安全状态监测装置，包括：数据获取模块510、信号截取模块520、特征提取模块530和状态评估模块540，其中：
[0141]
数据获取模块510，用于获取桥梁的振动信号；振动信号由两个以上相同的振动传感器设置于桥梁的预设位置采集后处理得到；
[0142]
信号截取模块520，用于对振动信号采用两个相邻的移动时间窗口进行截取，得到第一窗口信号与第二窗口信号；
[0143]
特征提取模块530，用于将第一窗口信号输入预设的第一特征提取模型，得到第一特征向量，将第二窗口信号输入预设的第二特征提取模型，得到第二特征向量；预设的第一特征提取模型与预设的第二特征提取模型为参数共享的两个特征提取模型，均基于桥梁的振动信号训练得到；
[0144]
状态评估模块540，用于根据第一特征向量与第二特征向量进行分析，得到桥梁安全状态评估结果；桥梁安全状态评估结果用于表征桥梁的安全状态。
[0145]
在一个实施例中，信号截取模块520，还用于根据桥梁的结构基频与振动传感器的采样频率分析得到窗口长度范围；根据并行化计算要求在窗口长度范围中进行筛选，确定窗口长度。
[0146]
在一个实施例中，特征提取模块530，还用于将桥梁的振动信号分为训练信号与测试信号；将训练信号采用两个相邻的移动时间窗口进行截取，得到第一窗口训练信号与第二窗口训练信号，并将测试信号采用两个相邻的移动时间窗口进行截取，得到第一窗口测试信号与第二窗口测试信号；将第一窗口训练信号输入至第一卷积自编码器进行训练，得到初步的第一特征提取模型，将第二窗口训练信号输入至第二卷积自编码器进行训练，得到初步的第二特征提取模型；其中，第一卷积自编码器与第二卷积自编码器为两个参数共享的卷积自编码器；将第一窗口测试信号输入初步的第一特征提取模型进行测试验证，得到预设的第一特征提取模型，将第二窗口测试信号输入初步的第二特征提取模型进行测试验证，得到预设的第二特征提取模型。
[0147]
在一个实施例中，特征提取模块530，还用于在第一卷积自编码器与第二卷积自编码器训练时，均采用rmsprop优化算法进行优化，使用缩放指数线性单元作为激活函数。
[0148]
在一个实施例中，状态评估模块540，还用于计算第一特征向量与第二特征向量之间的距离，根据距离得到桥梁安全状态评估结果。
[0149]
在一个实施例中，上述桥梁安全状态监测装置还包括数据处理模块550，用于对振动信号进行归一化处理，得到归一化后的振动信号。
[0150]
上述桥梁安全状态监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操
作。
[0151]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图15所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储桥梁的振动信号以及得到的桥梁安全状态评估结果等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种桥梁安全状态监测方法。
[0152]
本领域技术人员可以理解，图15中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0153]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
[0154]
获取桥梁的振动信号；振动信号由两个以上相同的振动传感器设置于桥梁的预设位置采集后处理得到；
[0155]
对振动信号采用两个相邻的移动时间窗口进行截取，得到第一窗口信号与第二窗口信号；
[0156]
将第一窗口信号输入预设的第一特征提取模型，得到第一特征向量，将第二窗口信号输入预设的第二特征提取模型，得到第二特征向量；预设的第一特征提取模型与预设的第二特征提取模型为参数共享的两个特征提取模型，均基于桥梁的振动信号训练得到；
[0157]
根据第一特征向量与第二特征向量进行分析，得到桥梁安全状态评估结果；桥梁安全状态评估结果用于表征桥梁的安全状态。
[0158]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0159]
获取桥梁的振动信号；振动信号由两个以上相同的振动传感器设置于桥梁的预设位置采集后处理得到；
[0160]
对振动信号采用两个相邻的移动时间窗口进行截取，得到第一窗口信号与第二窗口信号；
[0161]
将第一窗口信号输入预设的第一特征提取模型，得到第一特征向量，将第二窗口信号输入预设的第二特征提取模型，得到第二特征向量；预设的第一特征提取模型与预设的第二特征提取模型为参数共享的两个特征提取模型，均基于桥梁的振动信号训练得到；
[0162]
根据第一特征向量与第二特征向量进行分析，得到桥梁安全状态评估结果；桥梁安全状态评估结果用于表征桥梁的安全状态。
[0163]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
[0164]
获取桥梁的振动信号；振动信号由两个以上相同的振动传感器设置于桥梁的预设位置采集后处理得到；
[0165]
对振动信号采用两个相邻的移动时间窗口进行截取，得到第一窗口信号与第二窗
口信号；
[0166]
将第一窗口信号输入预设的第一特征提取模型，得到第一特征向量，将第二窗口信号输入预设的第二特征提取模型，得到第二特征向量；预设的第一特征提取模型与预设的第二特征提取模型为参数共享的两个特征提取模型，均基于桥梁的振动信号训练得到；
[0167]
根据第一特征向量与第二特征向量进行分析，得到桥梁安全状态评估结果；桥梁安全状态评估结果用于表征桥梁的安全状态。
[0168]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
[0169]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0170]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0171]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。