本发明涉及桥梁监测,特别是涉及一种基于卷积神经网络的桥梁健康状态监测方法。
背景技术:
1、随着社会经济的不断发展以及我国公路交通运输量的不断增加,桥梁在公路交通运输中的作用越重要,是加快我省城市化建设的基础,是保障公路交通安全通畅的关键。
2、目前,对桥梁的监测采用人工监测方式为主,采用人力实地监测数据,周期长,成本高,并且依赖监测人员的技术水平和单次监测使用的设备,对于不同数据源、不同时间获取的数据难以进行融合处理,无法及时获取全面的桥梁健康状态数据。
3、现有技术中还公开了利用轻量化网络进行桥梁健康监测,但其监测精度不高,得到的健康评估值可信度较差,使得桥梁健康监测技术并不能成熟的应用在各个桥梁上。
技术实现思路
1、为了克服现有技术的不足,本发明的目的是提供一种基于卷积神经网络的桥梁健康状态监测方法。
2、为实现上述目的,本发明提供了如下方案:
3、一种基于卷积神经网络的桥梁健康状态监测方法,包括:
4、在待测桥梁上设置多个监测点位,并在每个所述监测点位处采集桥梁特征信息;
5、对所述桥梁特征信息进行预处理,得到处理后的特征信息;
6、将所述特征信息作为多输入多输出的卷积神经网络的输入数据,通过所述特征信息训练所述卷积神经网络,得到训练好的桥梁健康状态监测模型;
7、将监测点的实际监测数据输入至所述训练好的桥梁健康状态监测模型,得到模型预测结果,以监测桥梁健康状态;
8、根据桥梁动态特性健康度评价方法计算桥梁健康指数,以评估桥梁运行健康度。
9、优选地,所述监测点处设置有多个监控单元;所述监控单元用于分别监控多源的所述桥梁特征信息。
10、优选地,对所述桥梁特征信息进行预处理,得到处理后的特征信息,包括:
11、根据各个所述监控单元之间的空间距离构建联系度模型;
12、利用所述联系度模型构建特征去噪函数;
13、利用所述特征去噪函数去除各个监测点位中桥梁特征信息的异常值,生成去噪后的特征数据;
14、将相邻预设范围内的各个监测点位的去噪后的特征数据进行融合,得到监测点位融合后的所述特征信息。
15、优选地,所述联系度模型的公式为:其中,σ表示历史时间段内在m点的监控单元与在n点的监控单元之间压力差的平均值,表示在m点的监控单元与在n点的监控单元之间的空间距离,r表示预设参数。
16、优选地,利用所述联系度模型构建特征去噪函数,包括:
17、利用每个监测点位特征数据的加权值构建去噪阈值;所述去噪阈值的公式为:其中,yi表示监控单元采集的第i个桥梁特征的特征值,wi表示yi的加权值;
18、基于去噪阈值和联系度模型构建所述特征去噪函数。
19、优选地,所述特征去噪函数的公式为:
20、
21、其中,表示t时刻相应监测点位去噪后的特征信息,x(m,t)表示t时刻在m点监控单元的测量值,x(n,t)表示t时刻在n点监控单元的测量值,ρ表示可调阈值,nm表示在同一个监测点位中监控单元的个数,
22、优选地,将所述特征信息作为多输入多输出的卷积神经网络的输入数据,通过所述特征信息训练所述卷积神经网络,得到训练好的桥梁健康状态监测模型,包括:
23、构建多输入多输出的卷积神经网络,模型输入为差分向量的输入,输入同时考虑差分向量输入输出动态特性延迟阶次,输出为分解提取的特征数据;
24、采用重构后的特征信息的训练集训练模型并使用k折交叉验证保证模型训练效果,以得到训练好的桥梁健康状态监测模型。
25、根据本发明提供的具体实施例,本发明公开了以下技术效果:
26、本发明提供了一种基于卷积神经网络的桥梁健康状态监测方法,包括:在待测桥梁上设置多个监测点位,并在每个所述监测点位处采集桥梁特征信息;对所述桥梁特征信息进行预处理,得到处理后的特征信息;将所述特征信息作为多输入多输出的卷积神经网络的输入数据,通过所述特征信息训练所述卷积神经网络,得到训练好的桥梁健康状态监测模型;将监测点的实际监测数据输入至所述训练好的桥梁健康状态监测模型,得到模型预测结果,以监测桥梁健康状态;根据桥梁动态特性健康度评价方法计算桥梁健康指数,以评估桥梁运行健康度。本发明能够根据桥梁特征信息进行健康状态的综合判断,能够有效提高桥面监测和预警的效率。
1.一种基于卷积神经网络的桥梁健康状态监测方法,其特征在于,包括:
2.根据权利要求1所述的基于卷积神经网络的桥梁健康状态监测方法,其特征在于,所述监测点处设置有多个监控单元;所述监控单元用于分别监控多源的所述桥梁特征信息。
3.根据权利要求2所述的基于卷积神经网络的桥梁健康状态监测方法,其特征在于,对所述桥梁特征信息进行预处理,得到处理后的特征信息,包括:
4.根据权利要求3所述的基于卷积神经网络的桥梁健康状态监测方法,其特征在于,所述联系度模型的公式为:其中,σ表示历史时间段内在m点的监控单元与在n点的监控单元之间压力差的平均值,表示在m点的监控单元与在n点的监控单元之间的空间距离,r表示预设参数。
5.根据权利要求3所述的基于卷积神经网络的桥梁健康状态监测方法,其特征在于,利用所述联系度模型构建特征去噪函数,包括:
6.根据权利要求5所述的基于卷积神经网络的桥梁健康状态监测方法,其特征在于,所述特征去噪函数的公式为:
7.根据权利要求3所述的基于卷积神经网络的桥梁健康状态监测方法,其特征在于,将所述特征信息作为多输入多输出的卷积神经网络的输入数据,通过所述特征信息训练所述卷积神经网络,得到训练好的桥梁健康状态监测模型,包括: