CN110533007A - 一种桥梁车载应变影响线特征智能识别与提取方法 - Google Patents

Abstract

本发明公开了一种桥梁车载应变影响线特征智能识别与提取方法，包括如下步骤：采用多层小波变换将应变测试信号分解并提取其中的高频（车辆导致）成分；在人工判定和监督下将车致应变信号中的平稳段（无车时）和非平稳段（有车时）截取并标记，形成训练集与检验集；设计长短期记忆分类网络，采用训练集数据对神经网络进行训练学习，并采用检验集数据检验已训练神经网络的分类预测准确度；采用滑动窗口对在线分解得到的车致应变信号进行实时截取，并使用训练合格的分类网络对实时截取信号进行分类预测和标记，最后提取所识别的非平稳信号（即车载应变影响线）特征值。与现有技术相比，本发明方法逻辑严密，物理意义明确，实施有章可循。

Description

一种桥梁车载应变影响线特征智能识别与提取方法

技术领域

本发明属于既有桥梁结构性能监测、检测、预警与评估领域，是一种桥梁车载应变影响线特征智能识别与提取方法，具体来说，涉及一种基于人工神经网络的桥梁结构车载应变影响线的智能识别与特征提取方法。

背景技术

桥梁是中国交通运输网络中的重要组成部分，车辆荷载是桥梁结构服役过程中所受到的主要活荷载。车载应变影响线是评判桥梁结构当前状态的主要指标之一。随着测试技术的发展，采集大量的桥梁应变响应已然不是难事。然而，随着数据的积累，从应变监测数据中提取车载应变影响线(即车致应变信号的非平稳信号)却成了重复枯燥却不得不做的工作。人工智能与神经网络技术的发展与繁荣使得采用电子计算机代替人工进行车载应变影响线的智能识别与特征提取成为可能。

目前，土木、交通领域对基于测试数据识别应变影响线特征参数的方法较少，采用人工神经网络进行无需人工操作的相关方法则更少。常用的方法有以下几种：(1)基于专家的人工判定与提取：该方法是根据桥梁设计者、管理者或相关学者的力学知识与管养经验，人工地对应变信号的车载影响线进行判别与提取，此方法需要从业者有一定的力学知识与管理经验，且只适用于数据量极小的情况下由人工操作完成，故无法在监测、检测大数据时代推广应用；(2)基于经验阈值的自动识别与提取：该方法是根据专家对车载应变影响线极值(如极大值、幅值等)所处的通常范围给定一个经验阈值，当车致应变信号的极值大于等于该阈值时，则判定该段信号为车载应变影响线信号，然而此方法过于依赖阈值的选取，阈值取大了容易忽略较小车载应变影响线，阈值取小了又容易混入噪声，难以为工程从业人员所掌握与应用。

因此，有必要研发一种具有物理意义、能用计算机代替人工操作、应用范围广泛且可与大数据时代相契合的方法，以实现桥梁车载应变影响线特征的智能识别与提取。

发明内容

本发明所要解决的技术问题是：提供一种桥梁车载应变影响线特征智能识别与提取方法，该方法可以实现既有桥梁在服役过程中的车载应变影响线的智能化识别与在线特征提取。

为解决上述技术问题，本发明采用的技术方案是：一种桥梁车载应变影响线特征智能识别与提取方法，包括如下步骤：

(1)根据温度数据的频谱分析结果确定多层小波变换的分解尺度，采用多层小波变换将应变测试信号分解成高频(车辆导致)成分信号与低频(温度导致)成分信号；

(2)在具有专业知识的技术人员判定和监督下，人工地将车致应变信号中的平稳段(无车通过时)和非平稳段(有车通过时)截取并标记，并形成同时包含平稳段与非平稳段的训练数据集与检验数据集；

(3)设计双向长短期记忆(BiLSTM，bidirectional Long Short-Term Memory)分类网络，采用已标记的训练集数据对神经网络进行训练学习，并用已标记的训练集数据对训练后的神经网络进行分类准确度检验；如达不到理想准确度或达到理想准确度的训练时间过长，则调整网络参数与训练参数重新训练，直到训练得到合格的BiLSTM分类网络为止；

(4)采用滑动窗口对多层小波变换在线分解得到的车致应变信号进行实时(准实时)截取，并使用训练合格的BiLSTM分类网络对实时截取信号进行分类预测和标记，被标记为非平稳车致应变的信号可进一步提取其特征值(极大值、极小值、幅值等)。

作为本发明的优选，所述步骤(1)的具体步骤为：

(1.1)对桥梁应变测点附近的结构温度或大气温度数据进行频谱分析，得到温度数据的主要频率的频带[0,f_t]；

(1.2)选用N尺度多层小波变换将应变进行分解，其中第N层第0个分解序列的频带为[0,f_s/2^N+1]，故N的选取条件需使得f_s/2^N+1略大于f_t而f_s/2^N+2小于f_t；

(1.3)将第N层第0个分解序列作为温致应变信号，将应变测试信号减去温致应变信号的结果作为结构车致应变信号。

作为本发明的优选，所述步骤(2)的具体步骤为：

(2.1)基于具有专业知识的技术人员判断，将一段已有的测试数据人工地截取成包含每次过车应变信号非平稳段和其间平稳段；

(2.2)将非平稳段数据和平稳段数据进行标记，并将标记后的数据一部分存储为训练数据集，另一部分存储为检验数据集，训练集和检验集都应同时包含非平稳段与平稳段数据。

作为本发明的优选，所述步骤(3)中的BiLSTM分类网络至少包括序列输入层(sequence input layer)，BiLSTM隐层(BiLSTM hidden layer)，全连接层(fullyconnected layer),Softmax层(softmax layer)，分类输出层(classification outputlayer)。

作为本发明的优选，所述步骤(4)的具体步骤为：

(4.1)在应用阶段，对多层小波变换在线分解得到的车致应变信号进行即时截取，截取手段采用滑动窗口沿信号时程实施截取工作；

(4.2)使用训练合格的BiLSTM分类网络对实时截取信号进行分类预测和标记，并记录信号对应的时间坐标；

(4.3)被标记为非平稳车致应变的信号将被进一步提取特征值，如果几个相邻的非平稳标记信号具有重复的极值点，则仅记录这几个信号按时间顺序的中间那个信号。

与现有技术相比，本发明具有以下有益效果：

(1)本发明首先采用多层小波变换分解应变测试信号，排除了环境温度对结构应变响应的干扰；而后采用人工标定的数据训练BiLSTM分类网络，使其能够识别车致应变信号的非平稳段；最后采用训练后的分类网络对在线信号进行非平稳段的识别，完成特征提取，方法层次递进，相关人员可逐步参照执行，不容易出错。

(2)本发明基于桥梁监测、监测等大量测试数据训练人工神经网络(分类)模型，使得分类网络学习该共性特征，实现车载应变影响线的智能识别，方法拥有明确的物理意义，便于桥梁管理维护人员理解与实施。

(3)本发明实施过程基本都建立在测试数据的处理与计算之上，经验因素少，任何拥有一定数学、计算机基础的技术人员都能依照本专利实现桥梁车载应变影响线特征的智能识别与提取。方法可行性强，便于广泛推广和应用。

附图说明

图1为本发明方法的流程图。

图2为多层小波变换分解原理示意图。

图3为应用示例中所设计BiLSTM分类网络结构示意图。

图4为典型桥梁箱梁底板纵向车载应变影响线示意图。

具体实施方式

下面将参照附图，对本发明的技术方案进行详细的说明。

如图1所示，本发明实施例公开一种桥梁车载应变影响线特征智能识别与提取方法，主要包括如下步骤：

步骤10)：对桥梁应变测点附近的结构温度或大气温度数据进行频谱分析，得到温度数据的主要频率的频带[0,f_t]；选用N尺度多层小波变换将应变进行分解，其中第N层第0个分解序列的频带为[0,f_s/2^N+1]，故N的选取条件需使得f_s/2^N+1略大于f_t而f_s/2^N+2小于f_t；将第N层第0个分解序列作为温致应变信号，将应变测试信号减去温致应变信号的结果作为结构车致应变信号。

步骤20)：基于具有专业知识的技术人员判断，将一段已有的测试数据人工地截取成包含每次过车应变信号非平稳段和其间平稳段；将非平稳段数据和平稳段数据进行标记，并将标记后的数据一部分存储为训练数据集，另一部分存储为检验数据集，训练集和检验集都应同时包含非平稳段与平稳段数据。

步骤30)：设计BiLSTM分类网络，网络应至少包含：序列输入层，BiLSTM隐层，全连接层,Softmax层，分类输出层；采用已标记的训练集数据训练BiLSTM分类网络；采用检验集数据对已训练的网络进行准确度校验，如准确度达不到期望值或达到期望值的训练时间过长，则调整网络参数与训练参数重新训练，直到训练得到合格的BiLSTM分类网络为止。

步骤40)：在应用阶段，对多层小波变换在线分解得到的车致应变信号进行即时截取，截取手段采用滑动窗口沿信号时程实施截取工作；使用训练合格的BiLSTM分类网络对实时截取信号进行分类预测和标记，并记录信号对应的时间坐标；被标记为非平稳车致应变的信号将被进一步提取特征值，如果几个相邻的非平稳标记信号具有重复的极值点，则仅记录这几个信号按时间顺序的中间那个信号。

实施例1：

下面以江苏省烈士河大桥某跨的25米预应力混凝土组合箱梁桥健康监测系统在某箱梁底板的纵向应变长期测试数据为例，说明本发明的具体实施过程。

(1)对所分析的应变测点附近的结构温度数据进行频谱分析，得到温度数据的主要频率的频带[0,0.021]；应变数据的采样分析频率f_s为50Hz，选用10尺度多层小波变换将应变进行分解(分解原理如图2)，其中第10层第0个分解序列的频带为[0,f_s/2¹¹]，选择使得50/2¹¹略大于0.021而50/2¹²小于0.021，并将第10层第0个分解序列作为温致应变信号，进一步将应变测试信号减去温致应变信号的结果作为结构车致应变信号。

(2)基于专利发明人的判断，将一段45日内的车致应变数据人工地截取成包含每次过车应变信号非平稳段和其间平稳段(共约248317段)；将非平稳段数据和平稳段数据进行标记，并将标记后的数据一部分存储为训练数据集(约153742段)，另一部分存储为检验数据集(约94575段)，训练集和检验集都应同时包含非平稳段与平稳段数据。

(3)设计BiLSTM分类网络(如图3所示)，网络应包含：序列输入层，BiLSTM隐层，全连接层,Softmax层，分类输出层；采用已标记的训练集数据训练BiLSTM分类网络；采用检验集数据对已训练的网络进行准确度校验，如准确度达不到期望值(本例为99％以上)或达到期望值的训练时间过长，则调整网络参数与训练参数重新训练，最终得到合格的BiLSTM分类网络；训练网络的最优参数为：BiLSTM隐层单元数为20，网络训练的最大epoch为300，网络训练的minimum batch size为200；合格网络的检验准确率为99.16％。

(4)在应用阶段，对多层小波变换在线分解得到的车致应变信号采用滑动窗口沿信号时程进行即时截取；使用训练合格的BiLSTM分类网络对实时截取信号进行分类预测和标记，并记录信号对应的时间坐标；被标记为非平稳车致应变的信号将被进一步提取极大值和幅值(极大值减极小值)，如果几个相邻的非平稳标记信号具有重复的极大值点，则仅记录这几个信号按时间顺序的中间那个信号。图4为所识别的典型桥梁箱梁底板纵向车致应变非平稳段(即车载应变影响线)。

以上实施例仅是对本发明方案的进一步具体说明，在阅读了本发明实施例之后，本领域普通技术人员对本发明的各种等同形式的修改和替换均属于本发明申请权利要求所限定的保护的范围。

Claims (5)

1.一种桥梁车载应变影响线特征智能识别与提取方法，其特征在于，包括如下步骤：

(1)根据温度数据的频谱分析结果确定多层小波变换的分解尺度，采用多层小波变换将应变测试信号分解成高频成分信号与低频成分信号；

(2)将车致应变信号中的平稳段和非平稳段截取并标记，并形成同时包含平稳段与非平稳段的训练数据集与检验数据集；

(3)设计双向长短期记忆分类网络BiLSTM，采用已标记的训练集数据对神经网络进行训练学习，并用已标记的训练集数据对训练后的神经网络进行分类准确度检验；如达不到理想准确度或达到理想准确度的训练时间过长，则调整网络参数与训练参数重新训练，直到训练得到合格的BiLSTM分类网络为止；

(4)采用滑动窗口对多层小波变换在线分解得到的车致应变信号进行实时截取，并使用训练合格的BiLSTM分类网络对实时截取信号进行分类预测和标记，对被标记为非平稳车致应变的信号进行进一步提取其特征值。

2.根据权利要求1所述的桥梁车载应变影响线特征智能识别与提取方法，所述步骤(1)具体步骤为：

(1.1)对桥梁应变测点附近的结构温度或大气温度数据进行频谱分析，得到温度数据的主要频率的频带[0,f_t]；

(1.2)选用N尺度多层小波变换将应变进行分解，其中第N层第0个分解序列的频带为[0,f_s/2^N+1]，故N的选取条件需使得f_s/2^N+1略大于f_t而f_s/2^N+2小于f_t；

(1.3)将第N层第0个分解序列作为温致应变信号，将应变测试信号减去温致应变信号的结果作为结构车致应变信号。

3.根据权利要求1所述的桥梁车载应变影响线特征智能识别与提取方法，所述步骤(2)的具体步骤为：

(2.1)将一段已有的测试数据人工地截取成包含每次过车应变信号非平稳段和其间平稳段；

(2.2)将非平稳段数据和平稳段数据进行标记，并将标记后的数据一部分存储为训练数据集，另一部分存储为检验数据集，训练集和检验集都应同时包含非平稳段与平稳段数据。

4.根据权利要求1所述的桥梁车载应变影响线特征智能识别与提取方法，所述步骤(3)中的BiLSTM分类网络至少包含：序列输入层，BiLSTM隐层，全连接层,Softmax层，分类输出层。

5.根据权利要求1所述的桥梁车载应变影响线特征智能识别与提取方法，所述步骤(4)的具体步骤为：

(4.1)在应用阶段，对多层小波变换在线分解得到的车致应变信号进行即时截取，截取手段采用滑动窗口沿信号时程实施截取工作；

(4.2)使用训练合格的BiLSTM分类网络对实时截取信号进行分类预测和标记，并记录信号对应的时间坐标；

(4.3)被标记为非平稳车致应变的信号将被进一步提取特征值，如果几个相邻的非平稳标记信号具有重复的极值点，则仅记录这几个信号按时间顺序的中间那个信号。