CN102663264A - 桥梁结构健康监测静态参数的半监督协同评估方法 - Google Patents

Abstract

一种桥梁结构健康监测静态参数的半监督协同评估方法。实时采集的桥梁结构健康静态数据经过预处理形成桥梁结构特征样本集。其中的已标记样本集经自助采样得到三个已标记样本子集，利用三个样本子集训练出三个基于不同监督学习算法的初始基分类器，然后通过三个分类器之间的协同作用来实现对特征样本集中未标记样本的标记，并同时更新分类器。协同训练迭代结束后，三个基分类器通过将各自对测试样本的标记结果进行加权投票来得到最终的分类结果。本发明既可以减少对于桥梁结构健康数据的大量标注需求，降低人工标记成本，又可以提高桥梁结构健康数据的分类准确率，通过桥梁结构健康数据的分类结果来实现对桥梁结构健康状况的分析与评估。

Description

桥梁结构健康监测静态参数的半监督协同评估方法

技术领域

本发明提供一种桥梁结构健康监测静态数据的分析评估方法，具体涉及一种利用少量已标记和大量未标记的桥梁结构静态数据的半监督协同方法，属于桥梁结构健康评估分析领域。 

背景技术

桥梁结构健康监测系统一般安装于重要的独立大桥或者健康等级较低具有一定危险性的桥梁，通过监测、分析不同的参数可以判断桥梁整体损伤和局部损伤状况以评估桥梁的结构健康状态。桥梁结构健康监测系统主要由传感器子系统、数据采集子系统、数据通信与传输子系统、数据分析和处理子系统、状态评估与预测等子系统构成。桥梁结构健康监测系统主要对两大类桥梁结构参数进行监测：一类是包括桥梁关键控制截面的应变、变形等结构静态响应参数的监测；另一类是包括振动频率、模态特性、疲劳特性等动力特性参数的分析。 

目前，已有的基于模式识别的桥梁结构健康监测数据分析评估方法，主要是利用监督学习算法，通过对大量的桥梁结构数据已标记样本建立桥梁结构健康监测分类模型并对测试数据进行分类预测，进一步评估判断桥梁结构的健康状况。随着现代桥梁设计理论和施工技术的提高，考虑到桥梁结构的安全性和稳定性，监测点部署的传感器数量有了大幅度增加，使得单一参数单位工作日内采集数据的数量级已经超过10³。在这种情况下，利用传统的监督学习方法对桥梁结构参数的数据进行分类和评估，需要大量的标记样本来进行模型的训练。但是标记对桥梁结构健康数据需要耗费很大的人力和物力。此外由于数据更新速度快，且更新数量大，即使花费大量的精力来标记一定数量的数据作为已标记样本，采集到的新数据不一定与原始标记样本具有相同的分布特点，这会使得模型的分类性能并不理想；倘若使用新的数据来更新已有模型，势必花费更多的精力来对新数据进行标记，且会因无法对静态结构参数数据做出及时的分类，影响模型的实时性和有效性。由于桥梁结构健康数据已标记样本中的标记代表样本类别，且该类别反映的是样本采集时刻桥梁结构健康程度，若想及时了解整个桥梁的运行状态及其结构健康状况，必须采用半监督学习来充分利用最新的未标记数据辅助已标记数据训练分类模型，以便做出合理的判断和决策。 

发明内容

本发明的目的是提供一种桥梁结构健康监测静态参数数据的半监督协同方法，通过利用 少量的已标记静态数据和大量的未标记静态数据建立起桥梁结构健康半监督模型，既解决了桥梁结构数据的大量人工标记问题，又有效地保证了分类的准确率，通过桥梁结构健康数据的警戒状态分类来对桥梁结构健康状况进行分析与评估。 

本发明的原理是：实时采集的桥梁结构健康静态数据如变形、静应变、裂缝的参数的原始数据文件经过预处理形成桥梁结构特征样本集。特征样本集中的已标记样本集经自助采样得到三个已标记样本子集，利用三个样本子集训练出三个基于不同监督学习算法的初始基分类器，然后通过三个分类器之间的协同作用来实现对特征样本集中未标记样本的标记，并同时不断更新分类器。协同训练迭代结束后，三个基分类器通过将各自对测试样本的标记结果进行加权投票来得到最终的分类结果，分类结果可分为正常状态、预警状态、报警状态和极值状态，后三种作为异常状态(警示状态)处理。样本的分类结果即为对样本采集时刻的桥梁结构健康状态的评估结果。模型工作流程如图1所示。 

本发明提供的技术方案如下： 

一种桥梁结构健康监测静态参数的半监督协同评估方法，包括如下步骤： 

1)输入桥梁结构的静态数据，对之进行属性量化预处理，形成桥梁结构健康监测静态样本集，其中包含已标记样本集L和未标记样本集U； 

2)通过对已标记样本集L进行自助采样(Booststrap)产生S₁、S₂和S₃三个子集，在此基础上，选择三种不同的监督学习算法进行训练，建立初始分类器h₁、h₂和h₃； 

3)分别对三个分类器进行训练，每个分类器训练数据集中的新标记样本由其它两个分类器协同提供，并通过模型更新策略进行模型更新； 

4)采用基于标记准确率的加权投票法对三个分类器进行集成，从而建立分类器模型来对测试样本集进行预测； 

5)利用建立的分类器模型对桥梁结构健康数据进行分类，分类结果分别对应于桥梁结构健康的四种不同状态，即正常状态、预警状态、报警状态和极值状态，后三种作为警示状态处理； 

6)如果出现警示状态，说明桥梁结构健康状况异常，需进行桥梁诊断或维护处理。 

所述的桥梁结构健康监测静态参数的半监督协同评估方法，其特征是，步骤1)所述桥梁结构的静态数据包括桥梁的变形、静应变、裂缝等数据。 

所述的桥梁结构健康监测静态参数的半监督协同评估方法，其特征是，步骤2)中所述三种不同的监督学习算法为：基于决策树理论的J48、基于神经网络理论的RBF和基于概率 的NaiveBayes三种算法。 

所述的桥梁结构健康监测静态参数的半监督协同评估方法，其特征是，步骤3)所述模型更新策略如下： 

用e^t表示分类器在第t轮迭代的分类错误率，L^t表示第t轮迭代时分类器的已标记样本集，|L^t|表示L^t的容量大小； 

a)对已标记样本集L进行标记，计算本轮的样本标记错误率e^t； 

b)比较本轮与上一轮的样本标记错误率e^t-1的大小，若e^t＞e^t-1，该分类器更新结束；否则转向c)； 

c)判断本轮与上一轮新标记的样本容量的大小，若|L^t|≤|L^t-1|，该分类器更新结束；否则转向d)； 

d)若e^t|L^t|＜e^t-1|L^t-1|，则将新标记的样本集L^t与已标记样本集L一起加入到分类器的训练集中来对分类器进行训练，更新模型；否则转向e)； 

e)对Lt进行分层抽样，产生样本子集L^t _sub，使其满足e^t|L^t _sub|＜e^t-1|L^t-1|，将新标记样本子集L^t _sub与已标记样本集L一起加入到分类器的训练集中来对分类器进行训练，更新模型。 

所述的桥梁结构健康监测静态参数的半监督协同评估方法，其特征是，步骤e)所述分层抽样的方法为：对于已标记样本集L和抽样子集的样本容量n_s： 

统计已标记样本集L中的标记类别数量H；将L分为H层；对于样本集中的每一层： 

根据该层的样本数量N_i计算抽样数量 

从该层随机抽取n_i个样本形成子集S_i， 

将S_i添加到S中；S即为从L中得到的抽样子集。 

所述的桥梁结构健康监测静态参数的半监督协同评估方法，其特征是，步骤4)中，利用权重生成策略为分类器赋权，三个分类器分别赋予不同的决策权值形成半监督协同分类器； 

对于各分类器的权重分配采用基于标记准确率的加权投票法：利用三个分类器h₁，h₂，h₃分别对已标记样本集L进行分类，计算得到分类错误率e₁，e₂，e₃；则分类器权重 

其中i＝1，2，3；这样分类错误率低的分类器得到了较高的权值，分类错误率高的得到了较低的权值。 

本发明同时提供一种基于静态数据的桥梁结构健康监测方法，其特征是，步骤5)中，当分类结果为正常状态时，认为桥梁结构健康状态良好。当分类结果为警示状态时，应予以重视，并针对不同情况做出不同的处理。当处于预警或报警状态时，应采用仪器设备进行细 致的桥梁诊断，找出具体影响因素。当分类结果为极值状态时，应对桥梁的使用进行限制，如有需要甚至可停用以进行全面检测。 

所述的桥梁结构健康监测方法，其特征是，监测的静态数据包括桥梁的变形、静应变、裂缝等。 

本发明的有益效果：利用本发明提供的技术方案，可以有效地利用未标记数据辅助有标记数据建立桥梁结构静态参数的数据分类模型，既可以减少对于桥梁结构健康数据的标注需求，降低人工标记成本，又可以提高桥梁结构健康数据的分类准确率，通过桥梁结构健康数据的警戒状态分类结果达到对桥梁结构健康状况的分析与评估。 

附图说明

图1桥梁结构健康监测静态参数数据半监督协同分类模型工作流程图 

图2半监督协同方法基本流程图 

图3半监督协同方法样本标记策略 

图4单分类器模型更新策略 

图5杭州湾跨海大桥北航道桥变形监测点分布示意图 

图6与监督学习模型相比平均分类性能提高比率统计图 

具体实施方式

1.输入桥梁结构的静态数据，对之进行属性量化预处理，形成桥梁结构健康监测静态样本集，其中包含已标记样本集L和未标记样本集U； 

属性量化的方法为：根据监测位置和时间特征的分布对称性，将具有相似性位置特征和时间特征的数据进行聚类分组，得到的分组结果进行数值量化作为样本集，其中已标记样本集L是已有人工标记的样本集，未标记样本集U是没有进行标记的样本集。 

2.通过对已标记样本集L进行自助采样(Booststrap)产生S₁、S₂和S₃三个子集，在此基础上，选择三种不同的监督学习算法进行训练建立初始分类器h₁、h₂和h₃。三种监督学习算法分别采用J48、RBF和NaiveBayes算法。该算法中的三种分类器可任意选择，只需保证三个分类器不同即可，但上述三种是经实验验证对比得到的最好组合。 

3.在协同训练过程中，每个分类器训练数据集中的新标记样本由其它两个分类器协同提供，并通过模型更新策略进行分类器更新或迭代终止。 

以分类器h₁的样本标记过程为例，半监督协同方法的样本标记策略如图3，其中U_i为分类 器h_i(i＝1，2，3)的未标记样本集，标记步骤如下： 

1)从未标记样本集U_i中取未标记样本x，x∈U₁； 

2)用分类器h₂和h₃分别对x∈U₁进行标记，得到h₂(x)，h₃(x)； 

3)判断标记的一致性：若h₂(x)≠h₃(x)，转回步骤1)；否则转步骤4)； 

4)将新标记样本(x，h_j(x))加入已标记样本集L：L＝L U{(x，h_j(x))}(i＝2或3)； 

5)将x从未标记样本集U₁中移除：U₁＝U₁-{(x，h₁(x))}。 

同样以分类器h₁为例，模型更新策略如下： 

用e^t和e^t-1分别表示分类器在第t轮和第t-1轮迭代的分类错误率，L^t表示第t轮迭代时分类器的已标记样本集，|L^t|和|L^t-1|分别为在第t轮和第t-1轮迭代时分类器的已标记样本集容量大小。 

1)对已标记样本集L进行标记，计算本轮的样本标记错误率e^t； 

2)比较本轮与上一轮的样本标记错误率e^t-1的大小，若e^t＞e^t-1，该分类器更新结束；否则转向3)； 

3)判断本轮与上一轮新标记的样本容量的大小，若|L^t|≤|L^t-1|，该分类器更新结束；否则转向4)； 

4)若e^t|L^t|＜e^t-1|L^t-1|，则将新标记的样本集L^t与已标记样本集L一起加入分类器训练，更新模型；否则转向5)； 

5)对Lt进行基于标记类别的分层抽样，产生样本子集L^t _sub，使其满足e^t|L^t _sub|＜e^t-1|L^t-1|，将新标记样本子集L^t _sub与已标记样本集L一起加入分类器训练，更新模型； 

其中，基于标记类别的分层样本抽样方法过程如下： 

4.采用基于标记准确率的加权投票法对三个分类器进行集成，从而建立分类器模型来实现对未标记样本的类别预测； 

该方法中，利用权重生成策略为分类器赋权，三个分类器分别赋予不同的决策权值形成半监督协同分类器。本发明中对于各分类器的权重分配采用基于标记准确率的加权投票法。方法是：三个分类器h₁，h₂，h₃分别对于已标记样本集L进行分类，计算得到分类错误率e₁，e₂，e₃。分类器权重 

其中i＝1，2，3。这样分类错误率低的赋予较高的权值，分类错误率高的赋予低的权值。 

5.利用建立的分类器模型对桥梁结构健康数据进行分类，结果类别分别对应了桥梁结构健康的四种不同状态，即正常状态、预警状态、报警状态和极值状态。 

根据权值分配策略计算三分类器的权值w₁，w₂，w₃，利用三个分类器对未标记样本进行标记，标记结果为y₁，y₂，y₃，则未标记样本的最终标记y根据式y＝sign(w₁y₁+w₂y₂+w₃y₃)计算(其中sign(x)为符号函数)。 

6.当出现预警和报警状态时，利用仪器设备进行桥梁诊断，找出导致桥梁结构健康异常的关键因素，进行桥梁维修和改善；当出现极值状态时，需对该情况给予高度重视，对桥梁的使用进行限制，严重时甚至可停用以作全面的维护处理。 

下面通过实例对本发明做进一步的说明。 

选用的桥梁结构健康静态参数数据来源于杭州湾大桥北航道桥2010年10月的实测的变形数据。原始数据文件经过数据预处理、数据量化等构成特征属性样本集。通过实测桥梁特征属性样本集样本容量的变化、样本未标记率的变化综合验证基于该算法的桥梁结构变形数据分类模型的适用性和有效性。 

样本容量依次划分为500、1000、2000、3000、4000和5000。并在每个样本容量下，选用25％的数据作为测试样本集，剩余的75％的数据作为训练样本集，其中，未标记样本(Unlabeled Sample)的比例依次选用20％，40％，60％，80％。半监督协同分类器中三个基分类器分别选用了基于决策树理论的J48(C4.5)、基于神经网络理论的RBF和基于概率的NaiveBayes三种算法来生成基分类器，此外，分别用这三种监督学习算法建立分类模型，以便与本发明中的模型结果进行对比。 

表3是半监督协同方法和监督学习方法对于桥梁结构健康变形数据的分类错误率对比，说明本专利中的方法应用于桥梁结构健康静态响应参数数据分类的适用性和可行性。图6是 本专利中的方法与监督学习方法相比平均分类性能提高比率统计图，从统计数据上可以看出本方法能够有效的利用桥梁结构的未标记样本，通过协同训练过程更新和完善了分类模型，并最终在分类性能上相对于监督学习方法有明显的提高。根据准确的样本分类结果，能得到更可靠的关于桥梁结构健康状态的结论。样本的类别分别对应正常状态、预警状态、报警状态和警戒状态，根据桥梁结构健康所处的不同状态，采取不同的方案进行处理。这进一步证明了在桥梁结构健康监测中，引入对于未标记样本的利用，能够更充分的利用采集信息，可以更好的实现数据分析和桥梁评估，从而进行推理决策，这体现了本专利的应用价值。 

表1杭州湾跨海大桥北航道桥变形监测点分组 

分组编号	监测点编号
		1	1，28
2	2，27
		3	3，26
4	4，25
		5	5，6，7，11，12，17，18，22，23，24
6	8，10，19，21
		7	9，20(基点)
8	13，16
		9	14，15

表2监测时间分类

表3半监督协同方法和监督学习方法的分类错误率对比 

。

Claims (8)

1.一种桥梁结构健康监测静态参数的半监督协同评估方法，包括如下步骤：

1)输入桥梁结构的静态数据，并对之进行属性量化预处理，形成桥梁结构健康监测静态样本集，其中包含已标记样本集L和未标记样本集U；

2)通过对已标记样本集L进行自助采样产生S₁、S₂和S₃三个子集，在此基础上，选择三种不同的监督学习算法进行训练，建立初始分类器h₁、h₂和h₃；

3)分别对三个分类器进行训练，每个分类器训练数据集中的新标记样本由其它两个分类器协同提供，并通过模型更新策略进行模型更新；

4)采用基于标记准确率的加权投票法对三个分类器进行集成，从而建立分类器模型来对测试样本集进行预测；

5)利用建立的分类器模型对桥梁结构健康数据进行分类，分类结果分别对应于桥梁结构健康的四种不同状态，即正常状态、预警状态、报警状态和极值状态，后三种作为警示状态处理；

6)如果出现警示状态，说明桥梁结构健康状况异常，需进行桥梁诊断或维护处理。

2.如权利要求1所述的桥梁结构健康监测静态参数的半监督协同评估方法，其特征是，步骤2)中所述三种不同的监督学习算法为：基于决策树理论的J48、基于神经网络理论的RBF和基于概率的NaiveBayes三种算法。

3.如权利要求1所述的桥梁结构健康监测静态参数的半监督协同评估方法，其特征是，步骤3)所述模型更新策略如下：

用e^t表示分类器在第t轮迭代的分类错误率，L^t表示第t轮迭代时分类器的已标记样本集，|L^t|表示L^t的容量大小；

a)对已标记样本集L进行标记，计算本轮的样本标记错误率e^t；

b)比较本轮与上一轮的样本标记错误率e^t-1的大小，若e^t＞e^t-1，该分类器更新结束；否则转向c)；

c)判断本轮与上一轮新标记的样本容量的大小，若|L^t|≤|L^t-1|，该分类器更新结束；否则转向d)；

d)若e^t|L^t|＜e^t-1|L^t-1|，则将新标记的样本集L^t与已标记样本集L一起加入到分类器的训练集中来对分类器进行训练，更新模型；否则转向e)；

e)对Lt进行分层抽样，产生样本子集L^t _sub，使其满足e^t|L^t _sub|＜e^t-1|L^t-1|，将新标记样本子集L^t _sub与已标记样本集L一起加入到分类器的训练集中来对分类器进行训练，更新模型。

4.如权利要求3所述的桥梁结构健康监测静态参数的半监督协同评估方法，其特征是，步骤e)所述分层抽样的方法为：对于已标记样本集L和抽样子集的样本容量n_s：

统计已标记样本集L中的标记类别数量H；将L分为H层；对于样本集中的每一层：

根据该层的样本数量N_i计算抽样数量从该层随机抽取n_i个样本形成子集S_i，

将S_i添加到S中；S即为从L中得到的抽样子集。

5.如权利要求1所述的桥梁结构健康监测静态参数的半监督协同评估方法，其特征是，步骤1)所述桥梁结构的静态数据包括桥梁的变形、静应变、裂缝数据。

6.如权利要求1所述的桥梁结构健康监测静态参数的半监督协同评估方法，其特征是，步骤4)中，利用权重生成策略为分类器赋权，三个分类器分别赋予不同的决策权值形成半监督协同分类器；

对于各分类器的权重分配采用基于标记准确率的加权投票法：利用三个分类器h₁，h₂，h₃分别对于已标记样本集L进行分类，计算得到分类错误率e₁，e₂，e₃；则分类器权重

其中i＝1，2，3；这样分类错误率低的分类器得到了较高的权值，分类错误率高的得到了较低的权值。

7.一种基于静态数据的桥梁结构健康监测方法，其特征是，权利要求1所述的步骤5)中，当分类结果为正常状态时，认为桥梁结构健康状态良好；当分类结果为警示状态时，需针对不同情况做出不同的处理：当处于预警或报警状态时，应采用仪器设备进行细致的桥梁诊断，找出具体影响因素；当分类结果为极值状态时，应对桥梁的使用进行限制或停用以进行全面检测。

8.如权利要求7所述的桥梁结构健康监测方法，其特征是，所述静态数据包括桥梁的变形、静应变、裂缝数据。

Images