CN108629144B - 一种桥梁健康评估方法 - Google Patents

一种桥梁健康评估方法 Download PDF

Info

Publication number
CN108629144B
CN108629144B CN201810596394.XA CN201810596394A CN108629144B CN 108629144 B CN108629144 B CN 108629144B CN 201810596394 A CN201810596394 A CN 201810596394A CN 108629144 B CN108629144 B CN 108629144B
Authority
CN
China
Prior art keywords
bridge health
neural network
training
bridge
network model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810596394.XA
Other languages
English (en)
Other versions
CN108629144A (zh
Inventor
林杰
郭爱平
姜阿娟
万和安
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei Communications Investment Intelligent Detection Co ltd
Original Assignee
Hubei Communications Investment Intelligent Detection Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hubei Communications Investment Intelligent Detection Co ltd filed Critical Hubei Communications Investment Intelligent Detection Co ltd
Priority to CN201810596394.XA priority Critical patent/CN108629144B/zh
Publication of CN108629144A publication Critical patent/CN108629144A/zh
Application granted granted Critical
Publication of CN108629144B publication Critical patent/CN108629144B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种桥梁健康评估方法，涉及桥梁技术领域。桥梁健康评估方法包括以下步骤：从桥梁健康评估系统中获取基于时序的桥梁健康监测数据，并基于预先划分的桥梁健康状态级别生成训练样本集；使用训练样本集训练得到神经网络模型；将新采集的桥梁健康监测数据输入神经网络模型，输出预测的桥梁健康状态级别。本发明将新采集的桥梁健康监测数据输入神经网络模型，输出预测的桥梁健康状态级别，实现对桥梁健康状态的有效评估和预测。

Description

一种桥梁健康评估方法
技术领域
本发明涉及桥梁技术领域，具体是涉及一种桥梁健康评估方法。
背景技术
桥梁是交通基础设施的生命线节点工程，随着我国桥梁建设的深入，如何在运营期通过有效的管理和养护工作，有效保障桥梁的服役安全和使用性能是21世纪桥梁的重要挑战。传统的桥梁评估是通过简单的人工手段进行桥梁监测和监测，然后给出相关的加固和维护建议，这种方法在数据采集、系统分析和优化管理方面还存在明显的不足和缺陷，不仅难以有效地防范突发事件的发生，达到目前桥梁养护的要求，而且不能很好地满足高效化、智能化的需求。
近年来，我国的桥梁健康监测技术也有了很大发展，大部分大跨度桥梁都建立了健康评估系统。为了对健康评估系统产生的大量数据进行分析与处理，需要通过数据中心对不同桥梁的健康评估系统集中管理，提供决策支持，因此，迫切需要通过大量数据的分析与处理，对桥梁健康状态进行综合性评估预测的有效方法。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种桥梁健康评估方法，将新采集的桥梁健康监测数据输入神经网络模型，输出预测的桥梁健康状态级别，实现对桥梁健康状态的有效评估和预测。
本发明提供一种桥梁健康评估方法，其包括以下步骤：
从桥梁健康评估系统中获取基于时序的桥梁健康监测数据，并基于预先划分的桥梁健康状态级别生成训练样本集；
使用训练样本集训练得到神经网络模型；
将新采集的桥梁健康监测数据输入神经网络模型，输出预测的桥梁健康状态级别。
在上述技术方案的基础上，所述训练样本集包括多个基于时序的训练样本，每个训练样本包括一组所述桥梁健康监测数据以及对应的所述桥梁健康状态级别。
在上述技术方案的基础上，所述神经网络模型的训练过程包括：
将所述训练样本中的所述桥梁健康监测数据作为输入，对应的所述桥梁健康状态级别作为输出，对初始化的所述神经网络模型进行训练，计算所述神经网络模型的损失函数并更新参数矩阵，直到预测误差满足终止条件。
在上述技术方案的基础上，所述训练样本集为
Figure BDA0001691634510000021
其中，
Figure BDA0001691634510000022
表示tk时刻的所述训练样本，
Figure BDA0001691634510000023
为n+1维特征向量，
Figure BDA0001691634510000024
Figure BDA0001691634510000025
x0＝1，x1，…，xn为所述桥梁健康监测数据，n≥1，
Figure BDA0001691634510000026
是
Figure BDA0001691634510000027
所对应的所述桥梁健康状态级别，所述桥梁健康状态级别的集合为y∈{a1,a2,…,aN}，a1,a2,…,aN均为不同的数值，N≥2。
在上述技术方案的基础上，所述神经网络模型是基于时序的门控循环单元GRU网络模型。
在上述技术方案的基础上，所述神经网络模型为基于注意力机制的门控循环单元GRU网络。
在上述技术方案的基础上，所述方法还包括：在所述门控循环单元GRU网络中，每层神经网络层的输入向量都进行归一化处理。
在上述技术方案的基础上，所述神经网络模型的训练过程包括：
初始化GRU网络；
生成注意力Attention模型，对上下文信息进行评分；
使用所述训练样本对每层神经元进行归一化处理；
计算损失函数，更新GRU网络的参数矩阵；
判断预测误差是否满足终止条件，若否，回转执行生成注意力模型；若是，更新所述参数矩阵；
训练结束，得到所述神经网络模型。
在上述技术方案的基础上，初始化GRU网络包括：
定义n层的门控循环单元GRU网络{l1,l2,…,ln}，t时刻的输入包括ht-1和输入向量xt，输出为激活单元ht，ht-1为t-1时刻的激活单元，t＝t1,t2,…,tk,…,tm，1≤k≤m，当t＝tk时，t-1＝tk-1，
Figure BDA0001691634510000031
第i层神经网络层的输出函数表示为Oi(x)＝g(θixi)，其中，g表示非线性激活函数，不同神经网络层的激活函数相同或者不同，xi表示第i层每个神经元的输入向量，θi表示权重矩阵，即输入向量xi的权重参数，1≤i≤n，当i＝1时，即输入层l1的输入向量x1为x1＝xt；
初始化更新门zt和重置门rt。
在上述技术方案的基础上，生成注意力Attention模型，对上下文信息进行评分包括：
在t时刻，所述输入向量xt通过编码器后生成结构化的表示h(*)＝{h(1),h(2),h(3),...,h(m)}，其中，h(k)与所述GRU网络中t-1时刻的所述激活单元ht-1进行匹配，计算每个h(k)与ht-1的相似度ct′；
对所有ct′的集合c′＝{c′1,c′2,...,c′m}进行softmax归一化处理后，得到t时刻的h(k)与ht-1之间的相关程度，即注意力Attention值
Figure BDA0001691634510000041
以及所述输入向量xt与ht-1相关性的权重
Figure BDA0001691634510000042
Figure BDA0001691634510000043
并计算得到t时刻的输入为
Figure BDA0001691634510000044
经过Attention模型处理后的上下文信息，即为t时刻所述编码器的输入信息为
Figure BDA0001691634510000045
x′T为所有输入x′t的集合。
在上述技术方案的基础上，使用所述训练样本对每层神经元进行归一化处理包括：
计算t时刻的第i层所有神经元的所述输入向量xi的平均值
Figure BDA0001691634510000046
其中，q是当前层神经元的总数，1≤i'≤q；
计算所述输入向量xi的均方差
Figure BDA0001691634510000047
对所述Attention模型处理后的输入向量x′t进行归一化处理，得到当前层的归一化输入向量
Figure BDA0001691634510000048
其中，ε表示一个趋于0的正实数，ε→0,ε∈R+；
将当前层的归一化输入向量设为
Figure BDA0001691634510000049
其中γ和β都是学习参数。
在上述技术方案的基础上，计算损失函数，更新GRU网络的参数矩阵包括：
在t时刻，所述更新门和重置门分别设为rt＝σ(Wr[ht-1,xt])和zt＝σ(Wz[ht-1,xt])，候选单元为
Figure BDA00016916345100000410
输入单元为
Figure BDA00016916345100000411
其中，[ ]表示两个向量相连接，*表示矩阵元素相乘，Wr、Wz、
Figure BDA00016916345100000412
和Wo为参数矩阵；
初始化学习参数矩阵Wr、Wz、
Figure BDA0001691634510000051
和Wo，其中前三个权重参数矩阵分别分解成Wr＝Wrz+Wrh，Wz＝Wzx+Wzh和
Figure BDA0001691634510000052
设t时刻的损失函数为
Figure BDA0001691634510000053
其中y为桥梁健康状态实际值，yt为桥梁健康状态的预测值；
综合所述归一化输入向量
Figure BDA0001691634510000054
以及损失函数，结合Adam算法更新学习率ηt、Wrz、Wrh、Wzx、Wzh、
Figure BDA0001691634510000055
和Wo权重参数矩阵，直到所述预测误差减少到设定的允许范围内，训练完毕。
与现有技术相比，本发明的优点如下：
(1)将新采集的桥梁健康监测数据输入神经网络模型，输出预测的桥梁健康状态级别，实现了对桥梁健康状态的有效评估和预测。
(2)基于Attention机制及GRU网络的桥梁健康评估方法，使用LN(Layernormalization)对输入向量进行归一化处理，有效避免了传统RNN(Recurrent neuralNetwork)中梯度消失或梯度爆炸等问题，并且打破了传统编码器-解码器结构在编解码时都依赖于内部一个固定长度向量的限制，缓解了深度神经网络中训练速度过慢的问题。
附图说明
图1是本发明实施例桥梁健康评估方法流程图；
图2是本发明实施例桥梁健康评估方法流程图；
图3是GRU网络模型示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细描述。
本发明实施例提供一种桥梁健康评估方法，其包括以下步骤：
S1.从桥梁健康评估系统中获取基于时序的桥梁健康监测数据，并基于预先划分的桥梁健康状态级别生成训练样本集。
训练样本集包括多个基于时序的训练样本，每个训练样本包括一组桥梁健康监测数据以及对应的桥梁健康状态级别。
具体的，训练样本集为
Figure BDA0001691634510000061
其中，
Figure BDA0001691634510000062
表示tk时刻的训练样本，
Figure BDA0001691634510000063
为n+1维特征向量，
Figure BDA0001691634510000064
x0＝1，x1，…，xn为桥梁健康监测数据，n≥1，
Figure BDA0001691634510000065
是
Figure BDA0001691634510000066
所对应的桥梁健康状态级别，桥梁健康状态级别的集合为y∈{a1,a2,…,aN}，a1,a2,…,aN均为不同的数值，N≥2。
以
Figure BDA0001691634510000067
为例，其中的x1，…，xn基于不同特征进行分类，包括检测装置如传感器等在t＝tk时刻检测到的压力、温度、应变及挠度等桥梁健康监测数据或者数据的组合。t＝t1,t2,…,tk,…,tm，1≤k≤m，当t＝tk时，t-1＝tk-1，
Figure BDA0001691634510000068
不同时刻的n+1维特征向量通常据桥梁的使用情况和维修情况而随时间变化，而且x1，…，xn中的一些参数可能存在相互依赖关系。
预先划分的桥梁健康状态级别依据健康状态对桥梁进行状态分级并用数值表示，例如分为四级：健康[0]良好[1]，不健康[2]和危急[4]，用数据表示分别为y∈{0,1,2,3}，此处健康状态分级视为样例，具体健康状态应针对具体桥梁及相关标准而定。
S2.使用训练样本集训练得到神经网络模型。
由于桥梁健康监测数据是基于时序的，神经网络模型是基于时序的门控循环单元GRU网络模型。
在步骤S2中，神经网络模型的训练过程包括：
将训练样本中的桥梁健康监测数据作为输入，对应的桥梁健康状态级别作为输出，对初始化的神经网络模型进行训练，计算神经网络模型的损失函数并更新参数矩阵，直到预测误差满足终止条件。
具体的，神经网络模型为基于注意力Attention机制的门控循环单元GRU网络。在门控循环单元GRU网络中，每层神经网络层的输入向量都进行归一化处理。
Attention机制结合GRU网络模型，融合Layer Normalization技术，有效避免了传统RNN(Recurrent neural Network)梯度消失或梯度爆炸等问题，并且打破了传统编码器-解码器结构在编解码时都依赖于内部一个固定长度向量的限制，同时缓解了深度神经网络中训练速度过慢的问题，可以有效应用于桥梁健康的评估与预测。
S3.将新采集的桥梁健康监测数据输入神经网络模型，输出预测的桥梁健康状态级别。
本发明实施例以深度学习为技术支撑，将新采集的桥梁健康监测数据输入神经网络模型，输出预测的桥梁健康状态级别，应用于桥梁健康的评估和预测，实现了对桥梁健康状态的有效评估和预测，有效提高了桥梁健康的监测质量，弥补了传统桥梁健康评估方法中的不足，同时对系统产生的大量数据进行分析与处理，为桥梁养护提供了决策支持。
参见图2所示，以下对神经网络模型的训练过程进行具体说明，其步骤包括：
S210初始化GRU网络。具体包括以下步骤：
S211定义n层的门控循环单元GRU网络{l1,l2,…,ln}，t时刻的输入包括ht-1和输入向量xt，输出为激活单元ht，ht-1为t-1时刻的激活单元，t＝t1,t2,…,tk,…,tm，1≤k≤m，当t＝tk时，t-1＝tk-1，
Figure BDA0001691634510000071
S212第i层神经网络层的输出函数表示为Oi(x)＝g(θixi)，其中，g表示非线性激活函数，不同神经网络层的激活函数相同或者不同，xi表示第i层每个神经元的输入向量，θi表示权重矩阵，即输入向量xi的权重参数，1≤i≤n，当i＝1时，即输入层l1的输入向量x1为x1＝xt；
S213初始化更新门zt和重置门rt。其中zt更新门用于控制前一时刻的桥梁状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的桥梁状态信息带入越多。重置门rt用于控制忽略前一时刻的桥梁状态信息的程度，重置门的值越小说明忽略得越多。桥梁状态信息即桥梁健康监测数据。
S220生成注意力Attention模型，对上下文(context)信息进行评分。
具体包括以下步骤：
S221在t时刻，输入向量xt通过编码器后生成结构化的表示h(*)＝{h(1),h(2),h(3),...,h(m)}，其中，h(k)与GRU网络中t-1时刻的激活单元ht-1进行匹配，计算每个h(k)与ht-1的相似度ct′。
S222对所有ct′的集合c′＝{c′1,c′2,...,c′m}进行softmax归一化处理后，得到t时刻的h(k)与ht-1之间的相关程度，即注意力Attention值
Figure BDA0001691634510000081
以及输入向量xt与ht-1相关性的权重
Figure BDA0001691634510000082
Figure BDA0001691634510000083
并计算得到t时刻的输入为
Figure BDA0001691634510000084
上下文表示当前输出与上一个输出的相关性，即得到t时刻的h(k)与ht-1之间的相关程度。
S223经过Attention模型处理后的上下文信息，即为t时刻编码器的输入信息为
Figure BDA0001691634510000085
x′T为所有输入x′t的集合。
S230使用训练样本对每层神经元进行归一化处理。
S231计算t时刻的第i层所有神经元的输入向量xi的平均值
Figure BDA0001691634510000091
其中，q是当前层神经元的总数，1≤i'≤q。
S232计算输入向量xi的均方差
Figure BDA0001691634510000092
S233对Attention模型处理后的输入向量x′t进行归一化处理，得到当前层的归一化输入向量
Figure BDA0001691634510000093
其中，ε表示一个趋于0的正实数，ε→0,ε∈R+。
S234将当前层的归一化输入向量设为
Figure BDA0001691634510000094
其中γ和β都是学习参数，初始值可人为确定。
Attention机制对输入向量的重要程度进行限定，但是输入向量本身是需要归一化的(即步骤S222中softmax计算归一化相似度)，这里每层的输入向量xi都要被归一化，
Figure BDA0001691634510000095
S240计算损失函数，更新GRU网络的参数矩阵。
在t时刻，更新门和重置门分别设为rt＝σ(Wr[ht-1,xt])和zt＝σ(Wz[ht-1,xt])，候选单元为
Figure BDA0001691634510000096
输入单元为
Figure BDA0001691634510000097
其中，[ ]表示两个向量相连接，*表示矩阵元素相乘，Wr、Wz、
Figure BDA0001691634510000098
和Wo为参数矩阵；
初始化学习参数矩阵Wr、Wz、
Figure BDA0001691634510000099
和Wo，其中前三个权重参数矩阵分别分解成Wr＝Wrz+Wrh，Wz＝Wzx+Wzh和
Figure BDA00016916345100000910
设t时刻的损失函数为
Figure BDA00016916345100000911
其中y为桥梁健康状态实际值，yt为桥梁健康状态的预测值。
S250判断预测误差是否满足终止条件，若否，进入步骤S220；若是，进入步骤S260。
综合归一化输入向量
Figure BDA0001691634510000101
以及损失函数，结合Adam算法更新学习率ηt、Wrz、Wrh、Wzx、Wzh、
Figure BDA0001691634510000102
和Wo权重参数矩阵，判断预测误差是否满足终止条件，若否，进入步骤S220；若是，进入步骤S260。
允许范围是人为设定，例如设置预测正确率需达到90％以上认为神经网络模型可以达到预测要求。即根据训练样本中桥梁健康监测数据以及对应的桥梁健康状态级别，得到的预测正确结果超过90％正确，认为可以接受，如果低于90％，认为神经网络模型还需继续训练，以上的训练过程主要是为了更新各种参数矩阵和学习参数，直到找到预测误差是否满足终止条件的参数矩阵和学习参数为止。
S260更新参数矩阵和学习参数，训练结束，得到神经网络模型。
本发明不局限于上述实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (5)

1.一种桥梁健康评估方法，其特征在于，其包括以下步骤：
从桥梁健康评估系统中获取基于时序的桥梁健康监测数据，并基于预先划分的桥梁健康状态级别生成训练样本集；
使用训练样本集训练得到神经网络模型；
将新采集的桥梁健康监测数据输入神经网络模型，输出预测的桥梁健康状态级别；
所述训练样本集包括多个基于时序的训练样本，每个训练样本包括一组所述桥梁健康监测数据以及对应的所述桥梁健康状态级别；
所述训练样本集为
Figure DEST_PATH_IMAGE001
，其中，
Figure 592970DEST_PATH_IMAGE002
表示
Figure DEST_PATH_IMAGE003
时刻的所述训练样本，
Figure 956956DEST_PATH_IMAGE004
为n+1维特征向量，
Figure DEST_PATH_IMAGE005
，
Figure 379847DEST_PATH_IMAGE006
，为所述桥梁健康监测数据，
Figure DEST_PATH_IMAGE007
所对应的所述桥梁健康状态级别，所述桥梁健康状态级别的集合为
Figure 333677DEST_PATH_IMAGE008
均为不同的数值，
Figure DEST_PATH_IMAGE009
；
所述神经网络模型是基于时序的门控循环单元GRU网络模型；
所述神经网络模型为基于注意力机制的门控循环单元GRU网络；
所述神经网络模型的训练过程包括：
初始化GRU网络；
生成注意力Attention模型，对上下文信息进行评分；
使用所述训练样本对每层神经元进行归一化处理；
计算损失函数，更新GRU网络的参数矩阵；
判断预测误差是否满足终止条件，若否，回转执行生成注意力模型；若是，更新所述参数矩阵，训练结束，得到所述神经网络模型；
生成注意力Attention模型，对上下文信息进行评分包括：
在
Figure 906741DEST_PATH_IMAGE010
时刻，输入向量
Figure DEST_PATH_IMAGE011
通过编码器后生成结构化的表示
Figure 859653DEST_PATH_IMAGE012
，其中，
Figure DEST_PATH_IMAGE013
与所述GRU网络中
Figure 984604DEST_PATH_IMAGE014
时刻的激活单元
Figure DEST_PATH_IMAGE015
进行匹配，计算每个
Figure 655757DEST_PATH_IMAGE016
；
对所有
Figure DEST_PATH_IMAGE017
进行softmax归一化处理后，得到
Figure 658610DEST_PATH_IMAGE018
时刻的
Figure DEST_PATH_IMAGE019
之间的相关程度，即注意力Attention 值
Figure 731609DEST_PATH_IMAGE020
，以及所述输入向量
Figure 168406DEST_PATH_IMAGE021
相关性的权重
Figure 858013DEST_PATH_IMAGE022
，并计算得到
Figure 38459DEST_PATH_IMAGE018
时刻的输入为
Figure 762701DEST_PATH_IMAGE023
；
经过Attention模型处理后的上下文信息，即为t时刻所述编码器的输入信息为
Figure 370400DEST_PATH_IMAGE024
，
Figure 45839DEST_PATH_IMAGE025
的集合；
使用所述训练样本对每层神经元进行归一化处理包括：
计算
Figure 764396DEST_PATH_IMAGE018
时刻的第i层所有神经元的输入向量
Figure 343145DEST_PATH_IMAGE026
的平均值
Figure 387324DEST_PATH_IMAGE027
，其中，
Figure 926890DEST_PATH_IMAGE028
是当前层神经元的总数，
Figure 573772DEST_PATH_IMAGE029
；
计算所述输入向量
Figure 882394DEST_PATH_IMAGE026
的均方差
Figure 956529DEST_PATH_IMAGE030
；
对所述Attention模型处理后的输入向量
Figure 983391DEST_PATH_IMAGE031
进行归一化处理，得到当前层的归一化输入向量
Figure 935429DEST_PATH_IMAGE032
，其中，
Figure 98557DEST_PATH_IMAGE033
表示一个趋于0的正实数，
Figure 343593DEST_PATH_IMAGE034
；
将当前层的归一化输入向量设为
Figure 857751DEST_PATH_IMAGE035
，其中
Figure 846436DEST_PATH_IMAGE036
都是学习参数。
2.如权利要求1所述的桥梁健康评估方法，其特征在于，所述神经网络模型的训练过程包括：
将所述训练样本中的所述桥梁健康监测数据作为输入，对应的所述桥梁健康状态级别作为输出，对初始化的所述神经网络模型进行训练，计算所述神经网络模型的损失函数并更新参数矩阵，直到预测误差满足终止条件。
3.如权利要求1所述的桥梁健康评估方法，其特征在于，所述方法还包括：在所述门控循环单元GRU网络中，每层神经网络层的输入向量都进行归一化处理。
4.如权利要求1所述的桥梁健康评估方法，其特征在于，初始化GRU网络包括：
定义j层的门控循环单元GRU网络
Figure 129650DEST_PATH_IMAGE037
，
Figure 686533DEST_PATH_IMAGE018
时刻的输入包括
Figure 547041DEST_PATH_IMAGE038
，输出为激活单元，
Figure DEST_PATH_IMAGE039
时刻的激活单元，
Figure 300934DEST_PATH_IMAGE040
，
Figure 10000158137597
Figure 438655DEST_PATH_IMAGE041
；
第i层神经网络层的输出函数表示为
Figure 291073DEST_PATH_IMAGE042
，其中，g表示非线性激活函数，不同神经网络层的激活函数相同或者不同，
Figure DEST_PATH_IMAGE043
表示第i层每个神经元的输入向量，
Figure 107719DEST_PATH_IMAGE044
表示权重矩阵，即输入向量
Figure 579152DEST_PATH_IMAGE043
的权重参数，
Figure DEST_PATH_IMAGE045
，
Figure 164854DEST_PATH_IMAGE046
；
初始化更新门
Figure DEST_PATH_IMAGE047
。
5.如权利要求4所述的桥梁健康评估方法，其特征在于，计算损失函数，更新GRU网络的参数矩阵包括：
在t时刻，所述更新门和重置门分别设为
Figure 158480DEST_PATH_IMAGE048
和
Figure 868947DEST_PATH_IMAGE049
，候选单元为
Figure 3125DEST_PATH_IMAGE050
，输入单元为
Figure DEST_PATH_IMAGE051
，其中，[ ]表示两个向量相连接，*表示矩阵元素相乘，
Figure 708913DEST_PATH_IMAGE052
为参数矩阵；
初始化学习参数矩阵
Figure 512921DEST_PATH_IMAGE052
，其中前三个权重参数矩阵分别分解成
Figure 835318DEST_PATH_IMAGE053
；设t时刻的损失函数为
Figure 648553DEST_PATH_IMAGE054
，其中y为桥梁健康状态实际值，
Figure 615372DEST_PATH_IMAGE055
为桥梁健康状态的预测值；
综合所述归一化输入向量
Figure 213450DEST_PATH_IMAGE056
以及损失函数，结合Adam算法更新学习率
Figure DEST_PATH_IMAGE057
权重参数矩阵，直到所述预测误差减少到设定的允许范围内，训练完毕。
CN201810596394.XA 2018-06-11 2018-06-11 一种桥梁健康评估方法 Active CN108629144B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810596394.XA CN108629144B (zh) 2018-06-11 2018-06-11 一种桥梁健康评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810596394.XA CN108629144B (zh) 2018-06-11 2018-06-11 一种桥梁健康评估方法

Publications (2)

Publication Number Publication Date
CN108629144A CN108629144A (zh) 2018-10-09
CN108629144B true CN108629144B (zh) 2022-06-17

Family

ID=63691588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810596394.XA Active CN108629144B (zh) 2018-06-11 2018-06-11 一种桥梁健康评估方法

Country Status (1)

Country Link
CN (1) CN108629144B (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109522600B (zh) * 2018-10-16 2020-10-16 浙江大学 基于组合深度神经网络的复杂装备剩余使用寿命预测方法
CN109556897A (zh) * 2018-11-16 2019-04-02 王玉波 一种桥梁工程领域的桥梁施工系统
CN109583570B (zh) * 2018-11-30 2022-11-29 重庆大学 基于深度学习确定桥梁健康监测系统异常数据来源的方法
CN109902344B (zh) * 2019-01-23 2023-06-27 同济大学 中小跨径桥梁群结构性能预测装置及系统
CN109902752B (zh) * 2019-03-04 2022-11-15 长沙理工大学 基于病害信息大数据的桥梁定检分类方法、装置及设备
CN110852610A (zh) * 2019-11-08 2020-02-28 上海市城市建设设计研究总院（集团）有限公司 基于马尔科夫模型的路桥隧健康状态与养护费用测算方法
CN110956148B (zh) * 2019-12-05 2024-01-23 上海舵敏智能科技有限公司 无人车的自主避障方法及装置、电子设备、可读存储介质
CN111143932A (zh) * 2019-12-26 2020-05-12 杭州鲁尔物联科技有限公司 一种桥梁健康状态的评估方法、装置、系统和设备
CN111222798B (zh) * 2020-01-13 2023-04-07 湖南师范大学 一种复杂工业过程关键性指标软测量方法
CN111637956B (zh) * 2020-05-25 2021-11-16 湖北交投智能检测股份有限公司 基于偏振光的桥跨的监测系统及监测方法
CN111667203B (zh) * 2020-07-17 2023-08-29 冯星星 基于深度神经网络的城市桥况等级实时划分方法及装置
CN112613224A (zh) * 2020-11-25 2021-04-06 西人马联合测控（泉州）科技有限公司 桥梁结构检测模型的训练方法、检测方法、装置、设备
CN113011763A (zh) * 2021-03-29 2021-06-22 华南理工大学 一种基于时空图卷积注意力的桥梁损伤识别方法
CN113570111B (zh) * 2021-06-29 2023-08-29 中北大学 基于轻量化网络的桥梁健康状态片上监测方法
CN114036258B (zh) * 2021-10-19 2022-06-24 东南大学 一种基于自然语言处理的桥梁技术状况等级快速识别方法
CN114357594B (zh) * 2022-03-08 2022-08-23 深圳市城市交通规划设计研究中心股份有限公司 一种基于sca-gru的桥梁异常监测方法、系统、设备及存储介质
CN114775457A (zh) * 2022-03-16 2022-07-22 浙江广厦建设职业技术大学 一种古建桥梁修复用检测装置及其检测方法
CN114757395B (zh) * 2022-03-22 2023-06-16 欧亚高科数字技术有限公司 一种基于智能物联网的危房监测方法
CN115063040B (zh) * 2022-07-28 2022-11-08 湖南工商大学 一种用于房屋建筑结构健康协同评估与预测的方法及系统
CN117216701B (zh) * 2023-09-13 2024-03-15 华夏安信物联网技术有限公司 智慧桥梁监测预警方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107871161A (zh) * 2017-11-07 2018-04-03 中国铁道科学研究院铁道建筑研究所 一种基于神经网络的桥梁整体损伤预警方法
CN107909421A (zh) * 2017-09-29 2018-04-13 中国船舶重工集团公司第七0九研究所 一种基于用户空间的多gru层神经网络的隐含反馈推荐方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8572009B2 (en) * 2011-08-16 2013-10-29 The Boeing Company Evaluating the health status of a system using groups of vibration data including images of the vibrations of the system
CN102663264B (zh) * 2012-04-28 2015-02-25 北京工商大学 桥梁结构健康监测静态参数的半监督协同评估方法
CN106529145A (zh) * 2016-10-27 2017-03-22 浙江工业大学 一种基于arima‑bp神经网络的桥梁监测数据预测方法
CN108133070A (zh) * 2017-09-19 2018-06-08 广州市建筑科学研究院有限公司 一种基于径向基函数神经网络的桥梁健康状况的评估方法和系统
CN108021616B (zh) * 2017-11-06 2020-08-14 大连理工大学 一种基于循环神经网络的社区问答专家推荐方法
CN108108449A (zh) * 2017-12-27 2018-06-01 哈尔滨福满科技有限责任公司 一种面向医疗领域的基于多源异构数据问答系统及该系统的实现方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909421A (zh) * 2017-09-29 2018-04-13 中国船舶重工集团公司第七0九研究所 一种基于用户空间的多gru层神经网络的隐含反馈推荐方法及系统
CN107871161A (zh) * 2017-11-07 2018-04-03 中国铁道科学研究院铁道建筑研究所 一种基于神经网络的桥梁整体损伤预警方法

Also Published As

Publication number Publication date
CN108629144A (zh) 2018-10-09

Similar Documents

Publication Publication Date Title
CN108629144B (zh) 一种桥梁健康评估方法
CN110580496A (zh) 一种基于熵最小化的深度迁移学习系统及方法
CN109101584B (zh) 一种将深度学习与数学分析相结合的句子分类改进方法
CN109472088B (zh) 一种页岩气调产井生产压力动态预测方法
CN112270355B (zh) 基于大数据技术与sae-gru的主动安全预测方法
CN110571792A (zh) 一种电网调控系统运行状态的分析评估方法及系统
CN111553535B (zh) 一种基于ae-lstm-bo车流量预测的导航参考方法
CN112000015A (zh) 一种基于lstm和生物激励神经网络的重型燃机控制系统控制器模块智能bit设计方法
CN113420509A (zh) 一种风电机组状态评价方法、装置及存储介质
CN111917785A (zh) 一种基于de-gwo-svr的工业互联网安全态势预测方法
Suryo et al. Improved time series prediction using LSTM neural network for smart agriculture application
CN115329799A (zh) 桥梁安全状态监测方法、装置、计算机设备和存储介质
CN112766603A (zh) 一种交通流量预测方法、系统、计算机设备及存储介质
CN113095443A (zh) 基于lstm-dnn网络模型的实时天气预测算法
Bi et al. An improved attention-based LSTM for multi-step dissolved oxygen prediction in water environment
CN115759461A (zh) 一种面向物联网的多元时间序列预测方法及系统
CN112329974A (zh) 基于lstm-rnn的民航安保事件行为主体识别与预测方法及系统
CN116665483A (zh) 一种新的预测剩余停车位的方法
CN114596726A (zh) 基于可解释时空注意力机制的停车泊位预测方法
CN107480786B (zh) 基于输出状态限制的循环神经网络轨迹似然概率计算方法
CN112765894A (zh) 一种基于k-lstm的铝电解槽状态预测方法
CN112927507A (zh) 一种基于LSTM-Attention的交通流量预测方法
CN111066562A (zh) 一种葡萄霜霉病预测方法及系统
CN116070508A (zh) 一种桥梁健康状态预测预警方法
CN115496384A (zh) 工业设备的监控管理方法、装置和计算机设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Lin Jie

Inventor after: Guo Aiping

Inventor after: Jiang Ajuan

Inventor after: Wan Hean

Inventor before: Guo Aiping

Inventor before: Jiang Ajuan

Inventor before: Lin Jie

Inventor before: Wan Hean

GR01 Patent grant
GR01 Patent grant