CN111144039A - 一种基于深度学习的列车动态称重系统及称重方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的列车动态称重系统及称重方法。该方法基于实测桥梁结构响应信息，实时修正桥梁有限元模型。考虑车‑轨‑桥耦合作用及桥梁温度场，计算不同列车荷载作用下的桥梁结构响应数据。然后，以响应数据和车速作为输入数据，列车车重、轴重、轴距作为输出数据，训练神经网络模型，并基于已知列车荷载作用下的桥梁结构响应数据，验证训练结果的准确性。最后，依据桥梁两端的图像采集仪，基于多目标追踪算法，实时识别列车车速和结构响应，并将车速和结构响应输入神经网络模型，计算其余列车荷载参数。本方法能够快速有效地识别列车荷载参数，为铁路桥梁运营管理提供参考。

Description

一种基于深度学习的列车动态称重系统及称重方法

技术领域：

本发明涉及一种利用神经网络的列车荷载智能识别方法，适用于基于铁路桥梁结构响应的移动列车荷载参数自动识别，具体涉及一种基于深度学习的列车动态称重系统及称重方法。

背景技术：

铁路是我国综合交通运输体系的骨干和主要交通方式之一，铁路桥梁尤其是大跨度铁路桥梁作为铁路线上的关键节点工程，是铁路建设的核心所在，是促进南北沟通、东西部均衡发展的重要纽带，在促进国民经济的协调、快速发展中起着极其重要的作用。但值得注意的是，我国铁路桥梁的建设始于二十世纪五十年代，其中一大部分桥梁正在或即将面临运营时间长、使用功能（承载能力和耐久性）快速退化等问题，南京长江大桥更是于2016年迎来了长达27个月的封闭式加固维修。另一方面，我国迎来了高速铁路的快速发展时期，高速铁路的发展突飞猛进，取得了令世人瞩目的成就。沪通长江大桥、安庆长江大桥、大胜关长江大桥等大跨度桥梁是完善高速铁路网的咽喉所在。这些铁路桥梁具有跨度大、结构形式复杂、动力敏感性强等特点，在列车荷载作用下的结构动力响应机理复杂、构件损伤概率大幅提升。并且，列车荷载持久反复作用于沿线桥梁，导致桥梁的动力疲劳，严重时还会引起桥梁的整体破坏或者局部失稳。此外，铁路桥梁在移动列车荷载作用下振动比较剧烈，不仅对桥梁本身可能造成危害，还会影响列车过桥的平稳性。因此，实时了解移动列车荷载对铁路桥梁性能评估具有重要意义，可为相关部门管理的养护决策提供科学依据，具有重要的社会效益和经济价值。

移动列车荷载识别属于多体动力学问题，涉及到车辆、轮轨、桥梁等多个系统，多个系统相互耦合，难以直接求出解析解。国内外学者通常依据多条实测数据，根据不同的桥梁类型、轨道参数、车辆参数建立精确模型的方法进行研究，该方法需要精确模拟列车、轨道和桥梁，计算量较大，难以实现移动列车荷载参数的实时识别。

此外，温度作用对铁路桥梁动力响应影响显著，使得基于桥梁结构响应的移动列车荷载识别难度增大。比利时鲁汶大学的Peeters和De Roeck对瑞士的Z24桥进行了长达1年的连续监测，发现该桥结构的前4阶频率改变了14%~16%。并且，温度对不同类型的桥梁有不同程度的影响：在对大多数的梁式桥、拱桥、斜拉桥、悬索桥及实验室模型等的研究中，均得到了“模态频率随温度升高而降低”的结论；但部分桥梁结构也发现了“模态频率随温度升高而升高”的现象。

神经网络由大量的、简单的处理单元广泛地互相连接而形成的复杂网络系统，是一种高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学习的能力，适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络的基础在于神经元，神经元是以生物神经系统的神经细胞为基础的生物模型。大量的形式相同的神经元连结在—起就组成了神经网络。神经网络是一个高度非线性动力学系统，能有效建立各变量之间的复杂非线性关系。

因此，针对移动列车荷载实时识别困难、环境影响因素多等特点，基于神经网络技术建立桥梁结构响应和列车荷载参数之间的复杂非线性关系，实现基于桥梁结构响应的列车荷载参数实时识别。

发明内容

本发明针对移动列车荷载实时识别困难、环境影响因素多等特点，提出一种基于深度学习的列车动态称重系统及称重方法，本发明采用神经网络建立桥梁温度场、移动列车荷载参数和桥梁响应之间的复杂非线性关系。并采用多目标追踪算法采集移动列车荷载作用下的桥梁结构响应数据，避免了传统传感器安装时损伤铁路桥梁。此外，采用触发式传感器激活动态称重系统，避免了超清高速图像采集设备记录过多冗余信息，造成数据灾难。本方法能够在不损伤铁路桥梁的情况下，快速有效地识别移动列车荷载参数，为相关部门管理的养护决策提供科学依据，具有重要的社会效益和经济价值。

上述的目的通过以下技术方案实现：

一种基于深度学习的列车动态称重系统，包括布置在桥梁特征点上的明显标志、安装在桥梁两侧固定位置的图像采集仪、安装在主桥和引桥交界处的触发式传感器、安装在桥梁各类构件阴面和阳面的温度传感器、以及控制系统；

所述图像采集仪用于采集桥梁图像，并将实测桥梁图像发送给控制系统；所述桥梁特征点上的明显标志用于目标追踪；所述触发式传感器记录列车激励下的桥梁响应，响应超过阈值时，向控制系统发送信号，控制系统启动图像采集仪和神经网络预测阶段；所述温度传感器用于测试桥梁各类构件的温度分布。

利用上述列车动态称重系统进行列车动态称重的方法包括如下步骤：

第一步：传感器布置。触发式传感器采集桥梁响应数据，当列车经过桥梁时，触发图像采集仪采集桥梁结构响应，包括位移响应和应变响应；温度传感器测试各类构件的温度分布；

第二步：建立桥梁有限元模型。依据铁路桥梁设计信息，建立铁路桥梁精细化有限元模型，并进行参数敏感性分析，分析桥梁模态参数的主要影响因素，然后，基于实测铁路桥梁模态参数，修正铁路桥梁有限元模型；

第三步：计算复杂荷载作用下桥梁结构响应。随机生成列车荷载参数，包括车速、车重、轴重、轴距，同时随机生成桥梁温度场数据；然后考虑车-轨-桥耦合作用及桥梁温度场的影响，计算各组列车荷载参数和桥梁温度场作用下的桥梁结构响应；

第四步：训练神经网络模型。以第三步中随机生成的列车车速和桥梁温度场数据、计算得到的桥梁结构响应数据作为输入数据，列车车重、轴重、轴距作为输出数据，训练一个五层的神经网络模型；

第五步：验证神经网络模型。采用荷载参数已知的列车驶过铁路桥梁，基于图像采集仪记录的桥梁结构响应数据和列车车速数据，验证第四步中训练完成神经网络模型的有效性，若识别误差不满足要求，则返回第二步，修正桥梁有限元模型和车-轨-桥耦合作用计算算法；若识别误差满足要求，则将训练完成的神经网络模型用于后续的列车荷载参数识别；

第六步：数据采集。触发式传感器测试到列车激励时，触发图像采集仪和神经网络预测阶段，依据桥梁两端的图像采集仪，采用多目标追踪算法，实时识别列车行驶速度，并识别桥梁结构响应，同时，温度传感器采集桥梁温度场数据；

第七步：识别列车荷载参数。以第六步中识别得到的铁路桥梁结构响应、列车时变行驶速度和桥梁温度场作为输入，基于第四步中训练完成的神经网络模型，识别列车车重、轴重、轴距。

所述的基于深度学习的列车动态称重方法，第一步中所述的温度传感器测试各类构件温度分布的具体方法是：依据桥梁构件信息，包括桥梁构件的截面尺寸、材料特性、安装角度，对桥梁构件进行分类，选取各类中的代表性构件，在构件的阴面和阳面安装温度传感器。

所述的基于深度学习的列车动态称重方法，第一步中利用所述图像采集仪采集的桥梁结构响应，基于多目标追踪算法，识别得到铁路桥梁结构响应，进而采用桥梁模态参数动态追踪算法，实时追踪铁路桥梁的模态参数变化规律。

所述的基于深度学习的列车动态称重方法，第二步的具体方法是：依据桥梁设计参数，在有限元软件中建立桥梁有限元模型，计算桥梁模态参数，并逐一改变桥梁各设计参数，建立各设计参数与桥梁模态参数之间的变化关系；然后，根据实测桥梁位移响应，采用随机子空间方法绘制模态参数稳定图，基于聚类分析方法识别稳定图中的结构模态参数，进而，依据识别得到的桥梁模态参数，修正有限元模型中的各设计参数，使有限元计算得到的模态参数与实测模态参数相吻合，完成桥梁有限元模型修正。

所述的基于深度学习的列车动态称重方法，第三步的具体方法是：依据现有的列车荷载参数统计模型，随机生成100组列车荷载参数，同时，随机生成100组各构件的温度场数据，在第二步修正后的桥梁有限元模型上设置温度场参数，同时考虑车-轨-桥耦合作用，计算不同列车荷载和不同温度场作用下的桥梁结构响应。

所述的基于深度学习的列车动态称重方法，第四步的具体方法是：以第三步中的桥梁温度场数据、列车车速数据和计算得到的桥梁结构响应作为输入数据，第三步中的其余列车荷载参数数据作为输出数据。训练一个五层的神经网络模型，训练完成后，随机生成新的10组列车荷载参数和10组各构件的温度场数据，基于第二步修正后的桥梁有限元模型，计算桥梁结构响应，将新生成的10组数据作为验证数据，验证神经网络模型的准确性。

所述的基于深度学习的列车动态称重方法，第五步的具体方法是：测量某列车的各轴轴重、列车车重及各轴轴距，该列车以随机速度驶过桥梁，共计10次，图像采集仪和温度传感器记录10组数据，基于图像采集仪记录的图像数据，匹配图像中目标点的相关性，识别目标点和列车在每帧图像中的位置，进而追踪目标点的位移变化规律及列车车速，同时，追踪目标点处各像素点位置的变化规律，识别目标点处的应变响应，基于识别得到的桥梁结构响应，验证训练完成神经网络模型的准确性，若识别误差满足要求，则采用训练完成的神经网络模型进行后续预测，若识别误差不满足要求，则返回第二步，修正桥梁有限元模型和车-轨-桥耦合作用计算算法。

所述的基于深度学习的列车动态称重方法，第六步的具体方法是：设定合适阈值，当列车经过桥梁时，触发式传感器的响应超过阈值，启动图像采集仪和神经网络预测程序，图像采集仪采集桥梁运动图像，通过匹配图像中目标点的相关性，识别目标点在每帧图像中的位置，进而追踪目标点的位移变化规律。通过追踪目标点处各像素点位置的变化规律，识别目标点处的应变响应，同时，通过匹配每帧图像中的列车位置，计算每帧图像中的列车位移，进而实时识别列车车速。

所述的基于深度学习的列车动态称重方法，第七步的具体方法是：采用第六步中识别得到的列车车速、桥梁位移响应、桥梁应变响应和实测桥梁温度场作为输入参数，输入到第四步中训练完成的神经网络模型，计算得到列车车重、轴重和轴距。

有益效果：

1. 本发明基于深度学习的列车动态称重方法，通过建立精细化桥梁有限元模型、列车模型和车-轨-桥耦合分析程序，同时考虑结构温度场变化规律，计算移动列车荷载作用下的铁路桥梁结构响应，保证神经网络模型训练过程中有充足的样本。

2. 本发明基于深度学习的列车动态称重方法，为尽可能减少温度传感器的数量，并减小桥梁温度场实时采集的数据，进而减小训练和预测过程中的计算量，将桥梁结构构件进行分类，测试各类构件中代表性构件的温度分布。

3. 本发明基于深度学习的列车动态称重方法，为准确掌握桥梁温度场，温度传感器安装在构件的阳面和阴面，准确测量各代表性构件的温度分布。

4. 本发明基于深度学习的列车动态称重方法，利用神经网络适用于解决复杂非线性系统建模问题的优点。综合考虑多种影响因素，建立移动列车荷载参数、桥梁温度场与桥梁结构响应之间的复杂非线性关系，精确反映桥梁应变响应与各影响因素间的复杂关系。

5. 本发明基于深度学习的列车动态称重方法，利用图像采集系统实时记录的列车激励下铁路桥梁结构响应数据，具有快速准确、对桥梁无损害的特点。

6. 本发明基于深度学习的列车动态称重方法，考虑了时变列车车速对铁路桥梁结构响应的影响，进而提升了基于铁路桥梁结构响应的移动列车荷载参数识别结果的准确性。

附图说明

图1为传感器安装示意图；

图2为基于深度学习的列车动态称重方法的训练流程图；

图3为基于深度学习的列车动态称重方法的预测流程图。

具体实施方式

列车荷载识别涉及到车辆、轮轨、铁路桥梁等多个系统，多个系统相互耦合。针对移动列车荷载参数实时识别困难、环境影响因素多的特点，本发明提出了一种基于深度学习的列车动态称重方法，实现铁路桥梁结构响应、桥梁温度场与列车荷载参数的复杂非线性建模，进而基于列车荷载作用下的铁路桥梁结构响应实时识别列车荷载参数。

本发明提出的基于深度学习的列车动态称重方法主要包括传感器系统、训练阶段和预测阶段，如图1-3所示。传感器系统包括触发式传感器、超清高速图像采集系统和桥梁温度采集系统，如图1所示；训练阶段以桥梁结构响应数据、桥梁温度场和列车车速作为输入数据，列车轴重、轴距和车重作为输出数据，训练反映列车荷载参数与桥梁结构响应之间关系的神经网络。建立列车荷载参数（车速、车重、轴重、轴距）与桥梁结构响应、桥梁温度场之间的复杂非线性关系。为解决训练过程中的小样本问题，采用数值模拟计算结果扩展训练样本。随机生成列车荷载参数，包括时变列车车速、列车车重、轴重和轴距，同时随机生成桥梁温度场。考虑车-轨-桥耦合作用，计算各组列车荷载和桥梁温度场作用下的铁路桥梁结构响应，如图2所示；预测阶段根据图像采集仪记录的桥梁位移响应和应变响应，将桥梁结构响应、桥梁温度场、列车时变车速作为输入，识别列车轴重、轴距和车重，如图3所示。基于图2和图3所示的流程，本发明方法一种基于深度学习的列车动态称重方法包括以下八个步骤：

第一步：为准确采集桥梁结构响应，并避免损伤桥梁，在桥梁特征点处粘贴明显标志，并在桥梁两侧布置四个超清高速图像采集仪，图像采集仪分别安装在固定位置，如图1所示，图像采集仪采集桥梁运动视频，根据采样时间点，将视频分成各帧图像。在第一帧图像中标定各目标点位置。然后在其他图像中的目标点附近，依据相关性匹配算法，寻找各帧图像中目标点的位置，依据两幅图像中目标点间的像素点数，计算各目标点的位移变化，进而得到各目标点的位移变化规律。同时，依据各目标点处像素点排列方式的变化，计算各目标点处的应变变化规律。此外，为减小桥梁温度场对铁路桥梁结构动力响应的影响，考虑铁路桥梁温度分布，依据桥梁构件信息，相同截面尺寸、材料特性、安装角度的构件分为一类，选取各类中构件中的代表性构件，在构件的阴面和阳面安装温度传感器，测试构件温度梯度，得到该类构件的温度梯度分布，进而得到桥梁温度场。同时，为避免采集过多环境激励下的桥梁结构响应，引起数据存储困难，主桥与引桥连接处安装触发式传感器，如图1所示，当列车经过时，触发式传感器触发图像采集仪和神经网络预测阶段；

第二步：采用多目标追踪算法，基于无列车经过时图像采集仪记录的桥梁结构响应，采用桥梁模态参数动态追踪算法，实时追踪铁路桥梁模态参数，如图2所示；

第三步：依据桥梁设计信息，建立桥梁精细化有限元模型，并进行参数敏感性分析。基于实测铁路桥梁模态参数，修正桥梁有限元模型，如图2所示。同时，为保证修正后有限元模型的准确性，保证后续桥梁结构响应计算结果的正确性，基于环境激励下的桥梁结构响应数据，验证桥梁有限元模型的正确性；具体做法是，依据桥梁设计参数（构件尺寸、材料特性、温度特性、节点参数等），在有限元软件中建立桥梁有限元模型，计算桥梁模态参数。并逐一改变桥梁设计参数，建立各设计参数与模态参数之间的变化关系模型；然后，依据实测桥梁位移响应，采用随机子空间方法（SSI）绘制模态参数稳定图，基于聚类分析方法识别稳定图中的结构模态参数。进而，依据识别得到的模态参数，修正有限元中的各设计参数。使有限元计算得到的模态参数与实测模态参数相吻合。

第四步：为解决训练过程中的小样本问题，采用数值模拟计算结果扩展训练样本。依据现有的列车荷载参数（包括车速、车重、轴重、轴距）统计模型，随机生成100组列车荷载参数。同时，随机生成100组桥梁各构件的温度场数据（各类构件的阳面温度和阴面温度）。在第二步修正后的桥梁有限元模型上设置温度场参数，考虑车-轨-桥耦合作用，即考虑轮轨横向接触力和竖向接触力，计算不同列车荷载和不同温度场作用下的铁路桥梁结构响应（包括桥梁位移和应变响应）。以第三步中的桥梁温度场数据、列车车速数据和计算得到的桥梁结构响应作为输入数据，第三步中的其余列车荷载参数数据（包括车重、轴重、轴距）作为输出数据。训练一个五层的神经网络模型。训练完成后，随机生成新的10组列车荷载参数和10组桥梁各构件的温度场数据，基于第二步修正后的桥梁有限元模型，计算桥梁结构响应。将新生成的10组数据作为验证数据，验证神经网络模型的准确性。如图2所示；

第五步：建立列车荷载参数（车速、车重、轴重、轴距）与桥梁结构响应、桥梁温度场之间的复杂非线性关系，如图2所示；

第六步：为保证神经网络模型训练结果的准确性，采用荷载信息已知的列车行驶过桥梁，采用图像采集仪实时记录的桥梁结构响应数据，温度传感器实时记录的桥梁温度场数据。将响应数据、温度数据和列车车速输入训练完成的神经网络模型，对比计算结果和输入列车荷载参数，若误差较大，则返回第二步，细化桥梁有限元模型，修正车-轨-桥耦合分析程序，并增加训练样本；具体做法是测量某列车的各轴轴重、列车车重及各轴轴距，该列车以随机速度驶过桥梁，共计10次，图像采集仪和温度传感器记录10组数据，基于图像采集仪记录的图像数据，匹配图像中目标点的相关性，识别目标点和列车在每帧图像中的位置，进而追踪目标点位移变化规律以及列车车速，同时，追踪目标点处各像素点位置的变化规律，识别目标点处的应变响应，基于识别得到的桥梁结构响应，验证训练完成神经网络模型的准确性，若识别误差满足要求，则应用训练完成的神经网络模型进行后续预测，若识别误差不满足要求，则返回第二步，修正桥梁有限元模型和车-轨-桥耦合作用计算算法。

第七步：列车经过桥梁时，触发式传感器发出触发信号，启动超清高速图像采集系统、桥梁温度采集系统和列车荷载参数识别算法。然后，基于多目标追踪算法，实时追踪列车位置，进而结合图像时间序列，识别时变列车行驶速度，如图3所示；具体做法是，设定合适阈值，当列车经过桥梁，触发式传感器响应超过阈值，触发图像采集仪和神经网络预测程序，图像采集仪采集桥梁运动图像，通过匹配图像中目标点的相关性，识别目标点在每帧图像中的位置，进而追踪目标点的位移变化规律。通过追踪目标点处各像素点位置的变化，识别目标点处的应变响应，同时，通过匹配每帧图像中的列车位置，计算每帧图像中的列车位移，进而实时识别列车车速。

第八步：根据图像采集仪记录的铁路桥梁响应信息，基于多目标追踪算法，识别桥梁特征点处的位移响应和应变响应。然后，将桥梁结构响应、桥梁温度场、列车时变车速作为输入，识别列车轴重、轴距和车重。具体做法是，采用识别得到的列车车速、桥梁位移响应、桥梁应变响应和实测桥梁温度场作为输入参数，输入到训练完成的神经网络模型，计算得到列车车重、轴重和轴距。如图3所示。

本实施方案中需要注意以下几个方面：

一、测试铁路桥梁温度场时，应尽可能全面地了解铁路桥梁温度场的变化规律，将相似构件进行分类，采集各类构件中代表性构件的温度分布。

二、利用超清高速图像采集仪识别铁路桥梁工作状态时，尽量采集铁路桥梁全桥影像，选择清晰度相对较高的视频资料，保证铁路桥梁结构响应识别结果的准确度。

三、利用超清高速图像采集仪识别铁路桥梁工作状态时，尽量采集铁路桥梁响应较大处的图像数据，提升列车荷载参数的识别精度。

四、识别移动列车荷载参数时，应保证超清高速图像采集仪的采样频率，以保证列车车速和铁路桥梁结构响应的识别精度，进而保证列车荷载参数的识别精度。

五、基于图像匹配技术识别铁路桥梁结构响应和列车行驶车速时，各图像采集仪的数据采集时刻应保持一致。

以上所述尽是本发明的优选实施方式，应指出：对于该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依旧可以做出若干改进，这些改进亦应视为本发明的保护范围。

Claims (10)

1.一种基于深度学习的列车动态称重系统，其特征在于：所述称重系统包括布置在桥梁特征点上的明显标志、安装在桥梁两侧固定位置的图像采集仪、安装在主桥和引桥交界处的触发式传感器、安装在桥梁各类构件阴面和阳面的温度传感器、以及控制系统；

所述图像采集仪用于采集桥梁图像，并将实测桥梁图像发送给控制系统；所述桥梁特征点上的明显标志用于目标追踪；所述触发式传感器用于记录列车激励下的桥梁响应，响应超过阈值时，向控制系统发送信号，控制系统启动图像采集仪和神经网络预测阶段；所述温度传感器用于测试桥梁各类构件的温度分布。

2.一种利用上述列车动态称重系统进行列车称重的方法，其特征在于该方法包括如下步骤：

第一步：传感器布置：

触发式传感器采集桥梁结构响应，当列车经过桥梁时，触发图像采集仪采集桥梁结构响应，包括桥梁位移响应和应变响应；温度传感器测试各类构件的温度分布；

第二步：建立桥梁有限元模型：

依据铁路桥梁设计信息，建立铁路桥梁精细化有限元模型，并进行参数敏感性分析，分析桥梁模态参数的主要影响因素，然后，基于实测铁路桥梁模态参数，修正桥梁有限元模型；

第三步：计算复杂荷载作用下桥梁结构响应：

随机生成列车荷载参数，包括车速、车重、轴重、轴距，同时随机生成桥梁温度场数据；然后考虑车-轨-桥耦合作用及桥梁温度场的影响，计算各组列车荷载和桥梁温度场作用下的桥梁结构响应；

第四步：训练神经网络模型：

以第三步中随机生成的列车车速和桥梁温度场数据、计算得到的桥梁结构响应作为输入数据，列车车重、轴重、轴距作为输出数据，训练一个五层的神经网络模型；

第五步：验证神经网络模型：

采用荷载参数已知的列车驶过铁路桥梁，基于图像采集仪记录的桥梁结构响应数据和时变列车车速数据，验证第四步中训练完成神经网络模型的有效性，若识别误差不满足要求，则返回第二步，修正结构有限元模型和车-轨-桥耦合作用计算算法；若识别误差满足要求，则将该神经网络模型应用于后续的列车荷载参数识别；

第六步：数据采集：

触发式传感器测试到列车激励时，触发图像采集仪和神经网络预测阶段，依据桥梁两端的图像采集仪记录的图像，采用多目标追踪算法，实时识别列车行驶速度，并识别桥梁结构响应，同时，温度传感器采集桥梁温度场数据；

第七步：识别列车荷载参数：

以第六步中识别得到的铁路桥梁结构响应、列车时变速度和桥梁温度场作为输入，基于第四步中训练完成的神经网络模型，识别列车车重、轴重、轴距。

3.根据权利要求2所述的基于深度学习的列车动态称重方法，其特征在于：第一步中所述温度传感器测试各类构件温度分布，依据桥梁构件信息，包括桥梁构件的截面尺寸、材料特性、安装角度，对桥梁构件进行聚类分析，选取各类构件中的代表性构件，在构件的阴面和阳面安装温度传感器。

4.根据权利要求2所述的基于深度学习的列车动态称重方法，其特征在于：第一步中所述图像采集仪采集桥梁结构响应，基于多目标追踪算法，识别铁路桥梁结构响应，采用结构模态参数动态追踪算法，实时追踪铁路桥梁模态参数。

5.根据权利要求2所述的基于深度学习的列车动态称重方法，其特征在于：第二步的具体方法是，依据桥梁设计参数，在有限元软件中建立桥梁有限元模型，计算桥梁模态参数，并逐一改变桥梁设计参数，建立各设计参数与桥梁模态参数之间的变化关系模型；然后，根据实测桥梁位移响应，采用随机子空间方法绘制模态参数稳定图，基于聚类分析方法识别稳定图中的结构模态参数，进而，依据识别得到的桥梁模态参数，修正有限元中的各设计参数，使有限元计算得到的模态参数与实测模态参数相吻合，完成有限元模型修正。

6.根据权利要求2所述的基于深度学习的列车动态称重方法，其特征在于：第三步的具体方法是，依据现有的列车荷载参数统计模型，随机生成100组列车荷载参数，同时，随机生成100组桥梁各构件的温度分布数据，在第二步修正后的桥梁有限元模型上设置温度场参数，同时考虑车-轨-桥耦合作用，计算不同列车荷载和不同温度场作用下的铁路桥梁结构响应。

7.根据权利要求2所述的基于深度学习的列车动态称重方法，其特征在于：第四步的具体方法是，以第三步中的桥梁温度场数据、列车车速数据和计算得到的桥梁响应作为输入数据，第三步中的其余列车荷载参数作为输出数据；

训练一个五层的神经网络模型，训练完成后，随机生成新的10组列车荷载参数和10组桥梁各构件的温度场数据，基于第二步修正后的桥梁有限元模型，计算桥梁响应，将新生成的10组数据作为验证数据，验证神经网络模型的准确性。

8.根据权利要求2所述的基于深度学习的列车动态称重方法，其特征在于：第五步的具体方法是，测量某列车的各轴轴重、列车车重及各轴轴距，该列车以随机速度驶过桥梁，共计10次，图像采集仪和温度传感器记录10组数据，基于图像采集仪记录的图像数据，匹配图像中目标点的相关性，识别目标点和列车在每帧图像中的位置，进而追踪目标点位移变化规律以及列车车速，同时，追踪目标点处各像素点位置的变化规律，识别目标点处的应变响应，基于识别得到的桥梁结构响应，验证训练完成的神经网络模型的准确性，若识别误差满足要求，则采用训练完成的神经网络模型进行后续预测，若识别误差不满足要求，则返回第二步，修正桥梁有限元模型和车-轨-桥耦合作用计算算法。

9.根据权利要求2所述的基于深度学习的列车动态称重方法，其特征在于：第六步的具体方法是，设定合适阈值，当列车经过桥梁，触发式传感器采集的响应超过阈值，触发图像采集仪和神经网络预测程序，图像采集仪采集桥梁结构运动图像，通过匹配图像中目标点的相关性，识别目标点在每帧图像中的位置，进而追踪目标点的位移变化规律；

通过追踪目标点处各像素点位置的变化规律，识别目标点处的应变响应，同时，通过匹配每帧图像中的列车位置，计算每帧图像中的列车位移，进而识别列车车速。

10.根据权利要求2所述的基于深度学习的列车动态称重方法，其特征在于：第七步的具体方法是，采用第六步中识别得到的列车车速、桥梁位移响应、桥梁应变响应和实测桥梁温度场作为输入参数，输入到第四步训练完成的神经网络模型，计算得到列车车重、轴重和轴距。

Images