CN111460729A - 一种桥梁变形智能检测系统 - Google Patents
一种桥梁变形智能检测系统 Download PDFInfo
- Publication number
- CN111460729A CN111460729A CN202010201082.1A CN202010201082A CN111460729A CN 111460729 A CN111460729 A CN 111460729A CN 202010201082 A CN202010201082 A CN 202010201082A CN 111460729 A CN111460729 A CN 111460729A
- Authority
- CN
- China
- Prior art keywords
- bridge
- settlement
- interval
- detection
- deformation
- 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.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 230
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000013528 artificial neural network Methods 0.000 claims description 85
- 230000004927 fusion Effects 0.000 claims description 69
- 238000003062 neural network model Methods 0.000 claims description 50
- 238000012843 least square support vector machine Methods 0.000 claims description 44
- 230000000306 recurrent effect Effects 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 18
- 238000013461 design Methods 0.000 description 14
- 230000006872 improvement Effects 0.000 description 11
- 238000000034 method Methods 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 7
- 230000015654 memory Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004062 sedimentation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005428 wave function Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000000857 visual cortex Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/32—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring the deformation in a solid
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Abstract
本发明公开了一种桥梁变形智能检测系统，其特征在于：所述系统基于CAN总线的桥梁变形参数采集平台和桥梁变形预警系统两部分组成，基于CAN总线的桥梁变形参数采集平台实现对桥梁变形参数进行检测和数据预处理，桥梁变形预警系统由桥梁沉降检测模块、桥梁倾侧角度检测模块、桥梁挠度检测模块和区间数模糊最小二乘支持向量机桥梁变形分类器组成；本发明有效解决了现有桥梁监测系统没有根据桥梁沉降、挠度和倾侧角度变化的非线性、大滞后和桥梁变形变化复杂等特点，对影响桥梁变形的参数进行精确检测，从而极大的影响桥梁变形检测的精确性和可靠性。
Description
技术领域
本发明涉及桥梁变形自动化检测装备的技术领域，具体涉及一种桥梁变形智能检测系统。
背景技术
随着交通行业的发展，桥梁作为道路交通的枢纽，作用越来越重要。然而随着使用年限的增加和外界参数的干扰，桥梁会受到不同程度的损伤产生安全隐患。为了确保桥梁的安全运营，需要对在役桥梁进行定期变形监测，并根据长期桥梁检测结果做出合理的分析、预测和预警。本发明根据工程实践对桥梁变形监测的实践需要发明一种桥梁变形智能检测系统。
发明内容
本发明提供了一种桥梁变形智能检测系统，本发明有效解决了现有桥梁监测系统没有根据桥梁沉降、挠度和倾侧角度变化的非线性、大滞后和桥梁变形变化复杂等特点，对影响桥梁变形的参数进行精确检测，从而极大的影响桥梁变形检测的精确性和可靠性。
本发明通过以下技术方案实现：
一种桥梁变形智能检测系统，其特征在于：所述系统基于CAN总线的桥梁变形参数采集平台和桥梁变形预警系统两部分组成，基于CAN总线的桥梁变形参数采集平台实现对桥梁变形参数进行检测和数据预处理，桥梁变形预警系统由桥梁沉降检测模块、桥梁倾侧角度检测模块、桥梁挠度检测模块和区间数模糊最小二乘支持向量机桥梁变形分类器组成，桥梁沉降检测模块、桥梁倾侧角度检测模块、桥梁挠度检测模块的输出是区间数模糊最小二乘支持向量机桥梁变形分类器的输入，区间数模糊最小二乘支持向量机桥梁变形分类器的输出为代表桥梁变形等级的区间数，桥梁变形预警系统实现对被检测桥梁的变形进行检测、预测和预警。
本发明进一步技术改进方案是：
所述桥梁沉降检测模块包括多个沉降传感器、多个桥梁沉降区间数神经网络模型、桥梁沉降多点检测融合模型和沉降区间数预测模型组成，多个沉降传感器的输出作为对应的多个沉降区间数神经网络模型的输入，多个沉降区间数神经网络模型的输出作为桥梁沉降多点检测融合模型的输入，桥梁沉降多点检测融合模型的输出作为沉降区间数预测模型的输入，沉降区间数预测模型的输出作为桥梁沉降检测模块的输出；
所述区间数模糊最小二乘支持向量机桥梁变形分类器为区间数模糊最小二乘支持向量机，桥梁沉降检测模块、桥梁倾侧角度检测模块、桥梁挠度检测模块的输出作为区间数模糊最小二乘支持向量机桥梁变形分类器的输入，区间数模糊最小二乘支持向量机桥梁变形分类器的输出为代表被检测桥梁变形等级的区间数；根据桥梁变形发生的工程实践、《公路桥梁技术状况评定标准》(JTG/TH21-2011)和《工程测量规范》(GB50026-2007)，区间数模糊最小二乘支持向量机桥梁变形分类器构建区间数模糊最小二乘支持向量机桥梁变形分类器输出的5个区间数与桥梁变形的5种桥梁变形等级的对应关系表，桥梁变形分为正常状态、轻微变形、较大变形、危险变形和很危险变形5种桥梁变形等级，计算区间数模糊最小二乘支持向量机桥梁变形分类器输出的区间数与代表桥梁变形5种桥梁变形等级对应5个区间数的相似度，其中相似度最大的区间数对应的桥梁变形等级确定为该桥梁变形等级。
本发明进一步技术改进方案是：
所述桥梁沉降区间数神经网络模型由RR时间递归神经网络、区间数脊波神经网络模型和3个按拍延迟线TDL(Tapped Delay Line)组成，区间数数脊神经网络模型把一段时间桥梁沉降传感器感知被测量桥梁沉降量转换为桥梁沉降的动态区间数值，桥梁沉降传感器的输出作为RR时间递归神经网络的输入，RR时间递归神经网络的输出作为对应的1个按拍延迟线TDL的输入，3个按拍延迟线TDL的输出为区间数脊波神经网络模型的输入，区间数脊波神经网络模型的输出为代表一段时间内桥梁沉降大小的上下限值构成的区间数和桥梁沉降区间数神经网络模型的输出，区间数脊波神经网络模型输出区间数的上下限值分别作为2个对应的按拍延迟线TDL的输入。
本发明进一步技术改进方案是：
所述桥梁沉降多点检测融合模型根据一段时间多个检测点的沉降区间数神经网络模型输出的桥梁沉降区间数值构成时间序列桥梁沉降区间数阵列，确定时间序列桥梁沉降区间数阵列的正负理想值，分别计算每个检测点的时间序列桥梁沉降区间数值与时间序列桥梁沉降区间数阵列的正负理想值的距离和相似度；每个检测点的时间序列桥梁沉降区间数值的负理想值距离除以每个检测点的时间序列桥梁沉降区间数值的负理想值距离与每个检测点的时间序列桥梁沉降区间数值的正理想值距离的和得到的商为每个检测点的时间序列桥梁沉降区间数值的距离相对贴近度，每个检测点的时间序列桥梁沉降区间数值的距离相对贴近度除以所有检测点的时间序列桥梁沉降区间数值的距离相对贴近度的和得到的商为每个检测点的时间序列桥梁沉降区间数值的距离融合权重；每个检测点的时间序列桥梁沉降区间数值的正理想值相似度除以每个检测点的时间序列桥梁沉降区间数值的负理想值相似度与每个检测点的时间序列桥梁沉降区间数值的正理想值相似度的和得到的商为每个检测点的时间序列桥梁沉降区间数值的相似度相对贴近度，每个检测点的时间序列桥梁沉降区间数值的相似度相对贴近度除以所有检测点的时间序列桥梁沉降区间数值的相似度相对贴近度的和得到的商为每个检测点的时间序列桥梁沉降区间数值的相似度融合权重。
本发明进一步技术改进方案是：
所述每个检测点的时间序列桥梁沉降区间数值的距离融合权重和相似度融合权重积的均方根占整个所有检测点的时间序列桥梁沉降区间数值的距离融合权重和相似度融合权重积的均方根和的比为该检测点的时间序列桥梁沉降区间数值融合的均方根组合权重；
所述每个检测点的时间序列桥梁沉降区间数值的距离融合权重和相似度融合权的线性组合为该检测点的时间序列桥梁沉降区间数值融合的线性组合权重，每个检测点的时间序列桥梁沉降区间数值融合的均方根组合权重与线性组合权重构成该检测点的时间序列桥梁沉降区间数值融合的区间数融合权重，每个检测点的时间序列桥梁沉降区间数值与该检测点的时间序列桥梁沉降区间数值的区间数融合权重的积相加得到的和为桥梁沉降检测点的时间序列区间数值的融合值，桥梁沉降检测点的时间序列区间数值的融合值为桥梁沉降多点检测融合模型的输出。
本发明进一步技术改进方案是：
所述沉降区间数预测模型由2个时延Jordan神经网络沉降预测模型、2个NARX神经网络沉降预测模型和2个LSTM神经网络沉降预测模型组成，桥梁沉降多点检测融合模型输出的一段时间沉降区间数的上下限值分别为2个对应的时延Jordan神经网络沉降预测模型的输入、2个对应的NARX神经网络沉降预测模型的输入和2个对应的LSTM神经网络沉降预测模型的输入，2个时延Jordan神经网络沉降预测模型的输出、2个NARX神经网络沉降预测模型的输出和2个LSTM神经网络沉降预测模型的输出作为桥梁沉降检测模块的输出和区间数模糊最小二乘支持向量机桥梁变形分类器的输入。
本发明进一步技术改进方案是：
所述基于CAN总线的桥梁变形参数采集平台由检测节点、控制节点和现场监控端组成，通过CAN总线实现检测节点、控制节点和现场监控端之间的通信，检测节点分别由传感器组模块、单片机和通信接口组成，传感器组模块负责检测桥梁参数的沉降、挠度、倾侧角度和平移桥梁变形参数，由单片机控制采样间隔并通过通信模块发送给现场监控端；控制节点实现对桥梁参数参数的调节设备进行控制；现场监控端由一台工业控制计算机和RS232/CAN通信模块组成，实现对检测节点检测桥梁参数进行管理和对桥梁参数进行融合与预测。
本发明进一步技术改进方案是：
所述桥梁倾侧角度检测模块包括多个倾侧角度传感器、多个倾侧角度区间数神经网络模型、桥梁倾侧角度多点检测融合模型和倾侧角度区间数预测模型组成。
本发明进一步技术改进方案是：
所述桥梁挠度检测模块包括多个挠度传感器、多个挠度区间数神经网络模型、桥梁挠度多点检测融合模型和挠度区间数预测模型组成。
本发明进一步技术改进方案是：
桥梁倾侧角度检测模块、桥梁挠度检测模块与桥梁沉降检测模块有相同的结构功能特征。
本发明与现有技术相比，具有以下明显优点：
一、本发明针对桥梁沉降量、倾侧角度和挠度大小参数测量过程中，传感器精度误差、干扰和测量沉降量异常等问题存在的不确定性和随机性，本发明专利将桥梁沉降、倾侧角度和挠度传感器测量的参数值通过区间数神经网络模型转化为区间数形式表示，有效地处理了桥梁沉降量、倾侧角度和挠度量传感器测量参数的模糊性、动态性和不确定性，提高了桥梁沉降量、倾侧角度和挠度量传感器传感器值检测参数的客观性和可信度。
二、本发明RNN时间递归神经网络是一种用于处理桥梁沉降量、倾侧角度和挠度大小的时序数据的神经网络。在该网络中，循环结构会保留当前时刻隐藏神经元的状态值，并将其作为下一次循环输入的一部分输入信号输入到下一时刻的隐藏层神经元中。RNN的输入信号采取的是桥梁沉降量、倾侧角度和挠度大小时序输入，每输入一步，每一层都共享网络权重和偏置，大大减少了网络中需要学习的参数，降低了网络的复杂度。
三、本发明RNN时间递归神经网络充分利用基于桥梁沉降量、倾侧角度和挠度时间序列数据之间的相关性，是一种在隐含层内部加入了定向循环结构的神经网络，其特殊的结构能够较好地处理基于时间序列桥梁沉降量、倾侧角度和挠度大小数据的问题，通过表征输入桥梁沉降、倾侧角度和挠度大小数据的分布式表示，展现出较强的学习桥梁沉降、倾侧角度和挠度大小数据集的本质特征的能力，实现复杂函数的逼近，更好地刻画出桥梁沉降、倾侧角度和挠度大小数据的丰富内在信息，具有较强的泛化能力，提高计算桥梁沉降量、倾侧角度和挠度大小大小的准确性和可靠性。
四、本发明RNN时间递归神经网络是一种引入了“时序”概念的神经网络，其具有反馈机制，广泛应用于桥梁沉降量、倾侧角度和挠度时间序列数据建模。RNN可以使学习到的信息在网络内储存，使模型能够学习到当前时刻与过去信息的依赖关系。给定一输入序列，RNN时间递归神经网络在任意时刻t，的隐藏层状态ht均是基于当前时刻的桥梁沉降、倾侧角度和挠度大小输入Xt以及过去时刻的隐藏层状态ht－1映射得到的，且RNN时间递归神经网络可以将每个时刻的隐藏层状态输出传入下一时刻；最终RNN时间递归神经网络通过输出层将一段时间桥梁沉降、倾侧角度和挠度大小映射得到桥梁沉降、倾侧角度和挠度大小的输出量。
五、本发明桥梁沉降多点检测融合模型通过构建区间数融合权重把多个检测点的区间数神经网络模型输出融合起来得到被检测桥梁的沉降、挠度和平移输出提高检测的精确度；沉降区间数预测模型由2个时延Jordan神经网络沉降预测模型，2个NARX神经网络沉降预测模型和2个LSTM神经网络沉降预测模型组成，采用三个动态神经网络对桥梁沉降多点检测融合模型的输出进行并行动态预测，提高预测的精确度和鲁棒性。
六、本发明的区间数脊波神经网络模型模拟人脑的视觉皮层，该区域的神经元可接收特定的方向信息，即对特定的桥梁变形方向上的目标有最佳反应。与传统神经网络相比，脊波神经的神经元具有方向性，使脊波神经网络具有更多的桥梁变形多维数信息，能处理更高数据，对非线性高维函数逼近有很好的效果。区间数脊波神经网络模型隐含层激励函数为脊波函数，对非线性高维函数的逼近有很好的效果，区间数脊波神经网络预测模型的输入为一段时间桥梁沉降、倾侧角度和挠度大小区间数的上下限值，输出为代表桥梁沉降、倾侧角度和挠度大小预测区间数，提高了准确地动态地预测的桥梁沉降、倾侧角度和挠度大小的动态性能与可靠性。
七、本发明桥梁变形危险等级分类的科学性和可靠性，根据桥梁变形发生的工程实践经验、《公路桥梁技术状况评定标准》(JTG/TH21-2011)和《工程测量规范》(GB50026-2007)，区间数模糊最小二乘支持向量机变形分类器将被检测桥梁的沉降、倾侧角度和挠度大小区间数的预测值大小对桥梁安全影响的动态程度量化为桥梁变形和运行发生的危险度，区间数模糊最小二乘支持向量机分类器输出的区间数表示桥梁变形的危险程度，5种桥梁变形程度分别为正常状态、轻微变形、较大变形、危险变形和很危险变形，区间数模糊最小二乘支持向量机变形分类器构建5种区间数与桥梁变形发生的5种桥梁变程度等级的对应关系表，计算每个检测点区间数模糊最小二乘支持向量机变形分类器输出的区间数与代表5种桥梁变程度等级的5个区间数的相似度，其中相似度最大的区间数对应的桥梁变形等级确定为该检测点桥梁变形等级，实现对桥梁变形程度等级分类的动态性能和科学分类。
附图说明
图1为本发明基于CAN总线的桥梁变形参数采集平台；
图2为本发明桥梁变形预警系统；
图3为本发明检测节点功能图；
图4为本发明控制节点功能图；
图5为本发明现场监控端软件功能图；
图6为本发明桥梁沉降区间数神经网络模型。
具体实施方式
结合附图1-6，对本发明技术方案作进一步描述：
1、系统总体功能的设计
本发明实现对桥梁变形参数进行检测和影响桥梁变形参数智能预测，该系统由基于CAN总线的桥梁变形参数采集平台和桥梁变形预警系统2部分组成。基于CAN总线的桥梁变形采集平台包括桥梁变形参数的检测节点1和调节桥梁变形参数的控制节点2，通过CAN总线方式构建成测控网络来实现检测节点1、控制节点2和现场监控端3之间的现场通信；检测节点1将检测的桥梁变形参数发送给现场监控端3并对传感器数据进行初步处理；现场监控端3把控制信息传输到检测节点1和控制节点2。整个系统结构见图1所示。
2、检测节点的设计
本发明采用基于CAN总线的检测节点1作为桥梁变形参数感知终端，检测节点1和控制节点2通过CAN总线方式实现与现场监控端3之间的信息相互交互。检测节点1包括采集桥梁变形参数的沉降、挠度、倾侧角度和位移的传感器和对应的信号调理电路、C8051F040微处理器；检测节点的软件主要实现现场总线通信和桥梁变形环境参数的采集与预处理。软件采用C语言程序设计，兼容程度高，大大提高了软件设计开发的工作效率，增强了程序代码的可靠性、可读性和可移植性。检测节点结构见图3。
3、控制节点
控制节点2在输出通路设计了4路D/A转换电路实现对沉降、挠度、倾侧角度和位移的调节输出量的数模转换、C8051F040微处理器和CAN总线通信模块接口，实现对桥梁变形环境控制设备进行控制，控制节点见图4。
4、现场监控端软件
现场监控端3是一台工业控制计算机，现场监控端3主要实现对桥梁变形参数进行采集和影响桥梁变形参数沉降、挠度、倾侧角度智能预测，实现与检测节点1与控制节点2的信息交互，现场监控端3主要功能为通信参数设置、数据分析与数据管理和桥梁变形预警系统。管理软件选择了Microsoft Visual++6.0作为开发工具，调用系统的Mscomm通信控件来设计通讯程序，现场监控端软件功能见图5，桥梁变形预警系统由桥梁沉降检测模块、桥梁倾侧角度检测模块、桥梁挠度检测模块和区间数模糊最小二乘支持向量机桥梁变形分类器组成，桥梁沉降检测模块、桥梁倾侧角度检测模块、桥梁挠度检测模块的输出是区间数模糊最小二乘支持向量机桥梁变形分类器的输入，区间数模糊最小二乘支持向量机桥梁变形分类器的输出为代表桥梁变形大小的区间数，桥梁变形预警系统实现对被检测桥梁的沉降、倾侧、挠度和变形进行检测、预测和预警；桥梁倾侧角度检测模块与桥梁挠度检测模块和桥梁沉降检测模块有相同的结构功能特征，它们的设计方法参照桥梁沉降检测模块，桥梁变形预警系统功能结构见图2；桥梁沉降检测模块和区间数模糊最小二乘支持向量机桥梁变形分类器的功能特征如下：
(1)、桥梁沉降检测模块设计
桥梁沉降检测模块包括多个沉降传感器、多个沉降区间数神经网络模型、桥梁沉降多点检测融合模型和沉降区间数预测模型组成，设计过程如下：
A、桥梁沉降区间数神经网络模型设计
桥梁沉降区间数神经网络模型RR时间递归神经网络、区间数脊波神经网络模型和3个按拍延迟线TDL(Tapped Delay Line)组成，区间数神经网络模型是基于桥梁沉降传感器感知被检测桥梁沉降量大小的动态性和模糊性，把一段时间桥梁沉降传感器感知被测量桥梁沉降量转换为桥梁沉降的动态区间数值，桥梁沉降传感器的输出为RR时间递归神经网络的输入，RR时间递归神经网络的输出为对应的1个按拍延迟线TDL的输入，3个按拍延迟线TDL的输出为区间数脊波神经网络模型的输入，区间数脊波神经网络模型的输出为u1 (k)和u2 (k)，u1 (k)和u2 (k)分别作为对应的2个按拍延迟线TDL的输入，u1 (k)和u2 (k)分别代表桥梁沉降区间数值神经网络模型输出区间数的上限值和下限值，构成桥梁沉降传感器在一段时间内被检测桥梁沉降量的输出区间数值为[u2,u1]，桥梁沉降区间数值神经网络模型结构如图6所示，X(k-l)，…，X(k–m)为RR时间递归神经网络输出的历史数据，U1(k-1)，…，U1(k–d)为桥梁沉降区间数值神经网络模型输出值的上限值的历史数据，U2(k-1)，…，U2(k–d)为桥梁沉降区间数值神经网络模型输出值的下限值的历史数据，u1 (k)和u2 (k)为区间数脊波神经网络模型的输出值代表桥梁沉降区间数值神经网络模型的输出，k表示当前时刻，m和d分别表示X与U的滞后点，桥梁沉降区间数值神经网络模型可以描述为：
U(k)＝[u2 (k),u1 (k)]＝F[X(k),X(k-1),…,X(k-m)；u1 (k),…,u1 (k-d)；u2 (k),…,u2 (k -d)] (1)
RNN时间递归神经网络可以处理桥梁沉降量大小的顺序信息，RNN时间递归神经网络使用桥梁沉降量大小的前一状态的输出作为预测后一沉降量大小输入的一部分，具备一般意义上的“记忆”桥梁沉降量大小的功能。RNN时间递归神经网络可以保留前一序列桥梁沉降量作为输出，下一序列的桥梁沉降量输入和保留的前一序列沉降量输出共同计算得到下一序列的桥梁沉降量输出。U是连接输入层和隐藏层的权重，W是连接上一时刻隐藏层与当前时刻隐藏层的权重，V是连接隐藏层和输出层的权重，bh是隐藏层的偏差，σ是隐藏层的激活函数，by是输出层的偏差，θ是输出层的激活函数，end是输入数据时间序列的长度。xt是t时刻的输入，st表示网络的记忆单元t时刻的状态，st通过前一步的状态st-1以及当前时刻的输入xt共同计算得到：
st＝f(Uxt+Wst-1) (2)
激励函数f是RNN神经网络中非线性函数tanh，通常第一个隐藏状态st-1的值会用0进行初始化，但实际使用极小值进行初始化会使梯度下降的更快。ot是t时刻的输出,通常是由归一化指数函数计算出的概率向量：
ot＝softmax(Vst) (3)
区间数脊波神经网络模型具有m×p×2三层结构，m表示区间数脊波神经网络模型输入层节点个数，p表示脊波神经网络隐含层节点个数，2表示输出层节点个数，将脊波函数作为隐含层激励函数的神经网络为脊波神经网络，X＝[x1,x2,…,xm]表示区间数脊波神经网络模型的输入量，y表示区间数脊波神经网络模型的输出量，U＝[u1,u2,… up]表示脊波神经网络的方向矩阵，其中Ui＝[ui1,ui2,… uim]表示第i个隐含层神经元对应的脊波方向向量，a＝[a1,a2,… ap]表示脊波神经网络的脊波尺度向量，b＝[b1,b2,… bp]表示脊波神经网络的脊波位置向量，w＝[w1,w2,… wp]表示隐含层和输出层之间的连接权值向量。区间数脊波神经网络模型输出表示为：
其中i为2,代表输出两个节点组成区间数为区间数脊波神经网络模型输出区间数，
为第j个隐含层神经元的输出，其表达式为：
一段时间RNN时间递归神经网络的输出作为区间数脊波神经网络的输入，区间数脊波神经网络模型的输出为桥梁沉降量大小的区间数，建筑物沉降传感器在一段时间内检测建筑物沉降量的输出区间数值为[u2,u1]。
B、桥梁沉降多点检测融合模型设计
①、构建沉降传感器的时间序列区间数值阵列
一段时间多个参数检测点的沉降传感器的区间数值值构成沉降时间序列区间数值阵列，设有n个检测点和m个时刻的nm个参数检测点的区间数值构成n行和m列的沉降时间序列区间数阵列，设不同时刻不同参数检测点的沉降的区间数值为Aij (t),Aij (t+1),…,Aij (m)，则时间序列区间桥梁沉降数阵列为：
②、计算沉降区间数值的正负理想值的距离融合权重
同一时刻所有检测单元桥梁沉降的区间数值的平均值构成时间序列区间桥梁沉降数阵列的正理想值，时间序列区间数值正理想值为：
同一时刻检测单元桥梁沉降的区间数值与正理想值的距离最大的区间数值构成时间序列区间桥梁沉降数阵列的负理想值，时间序列区间数值负理想值为：
每个检测点的时间序列区间数值与时间序列区间桥梁沉降数阵列的正理想值距离为：
每个检测点的时间序列区间数值与时间序列区间桥梁沉降数阵列的负理想值距离为：
每个检测点的时间序列区间数值的负理想值的距离除以每个检测点的时间序列区间数值的负理想值距离与每个检测点的时间序列区间数值的正理想值距离的和得到的商为每个检测点的时间序列区间数值的距离相对贴近度为：
通过(11)公式计算可以知道，每个检测点的时间序列沉降区间数值与时间序列区间桥梁沉降数阵列的正负理想值距离相对贴近度越大，则该检测单元的时间序列沉降区间数值离正理想值相对就越接近，否则该检测点的时间序列沉降区间数值离正理想值相对就越接远离，根据这个原理确定每个检测点的时间序列沉降区间数值的距离相对贴近度除以所有检测单元的时间序列沉降区间数值的距离相对贴近度的和得到的商为每个检测点的时间序列沉降区间数值的距离融合权重为：
③、计算沉降区间数值的正负理想值的相似度融合权重
由于检测桥梁沉降受多种因素干扰的随机性，对第i个桥梁沉降传感器不同时刻连续测量沉降值为Ai1 (t),Ai2 (t+1)…Aim (m)，定义一段时间内第i个桥梁沉降检测点连续测量沉降的区间数值与正理想值的相似度为
根据下面公式区间数相似度计算方法，则
的表达形式如下：
其中α＞0是支持度系数，通过适当调整支持度系数提高相似度的识别率；
是两个传感器在同一时刻检测被测量桥梁沉降值之间的距离；如果两个值相等，则两个区间数的相似度为1。
定义一段时间内第i个沉降检测点连续测量桥梁沉降的区间数值与负理想值的相似度为
根据下面公式区间数相似度计算方法，则
的表达形式如下：
每个检测点的时间序列沉降区间数值的正理想值相似度除以每个检测点的时间序列沉降区间数值的正理想值相似度与每个检测点的时间序列沉降区间数值的负理想值相似度的和得到的商为每个检测点的时间序列区间数值的相似度相对贴近度为：
通过(15)公式计算可以知道，每个检测点的时间序列沉降区间数值与时间序列区间桥梁沉降数阵列的正负理想值相似度相对贴近度越大，则该检测单元的时间序列沉降区间数值与正理想值的形状越相似，否则该检测点的时间序列沉降区间数值与正理想值的形状差距越大，根据这个原理确定每个检测点的时间序列沉降区间数值的相似度相对贴近度除以所有检测单元的时间序列沉降区间数值的相似度相对贴近度的和得到的商为每个检测点的时间序列沉降区间数值的相似度融合权重为：
④、计算多个检测点的桥梁沉降区间数值的融合值
根据确定不同检测点沉降传感器检测区间值与正负理想值之间的距离和相似度求取得距离融合权重αi和相似度融合权重βi，求取均方根组合权重λi，显然λi与αi、βi和都应尽可能接近，根据最小相对信息熵原理有：
用拉格朗日乘子法解上述优化问题得：
根据公式(18)可以知每个检测点沉降传感器检测区间值的距离融合权重和相似度融合权重积的均方根占整个检测参数沉降传感器检测区间值的距离融合权重和相似度融合权重积的均方根和的比为该检测点沉降传感器检测区间值融合的均方根组合权重。
根据确定不同检测点沉降传感器检测值与正负理想值之间的距离和相似度求取得距离融合权重αi和相似度融合权重βi进行线性组合得到该检测点沉降传感器检测区间值融合的线性组合权重θi，公式为：
θi＝ααi+ββi (19)
根据公式(18)和公式(19)得到区间数融合权重为wi：
wi＝[min(θi,λi),max(θi,λi)] (20)
从公式(20)可以知每个检测点的沉降传感器检测区间值融合的均方根组合权重与线性组合权重组成该检测点的沉降传感器检测区间值融合的区间数融合权重。
⑤、计算多个检测点的沉降区间数融合值
根据各个检测点的时间序列区间数值与该检测点的时间序列区间数的区间数融合权重的积相加得到的和为多个检测点的时间序列沉降区间数融合值为：
C、沉降区间数预测模型设计
沉降区间数预测模型由2个时延Jordan神经网络沉降预测模型，2个NARX神经网络沉降预测模型和2个LSTM神经网络沉降预测模型组成，桥梁沉降多点检测融合模型输出的沉降区间数的上下限值分别为2个对应的时延Jordan神经网络沉降预测模型的输入、2个对应的NARX神经网络沉降预测模型的输入和2个对应的LSTM神经网络沉降预测模型的输入；2个时延Jordan神经网络沉降预测模型的输出、2个NARX神经网络沉降预测模型的输出和2个LSTM神经网络沉降预测模型的输出作为桥梁沉降检测模块的输出和区间数模糊最小二乘支持向量机桥梁变形分类器的输入；
①、时延Jordan神经网络沉降预测模型设计
桥梁沉降检测模块输出桥梁沉降区间数的一段上下限值分别作为2个时延Jordan神经网络沉降预测模型的输入，2个时延Jordan神经网络沉降预测模型输出分别为桥梁沉降检测模块输出桥梁沉降区间数的上下限值的预测值；时延Jordan神经网络沉降预测模型除了输入层、隐层和输出层外，还有一个用来记忆系统前一时刻输出值的特殊单元层，可以认为是时延算子，并将隐层状态反馈；时延Jordan神经网络沉降预测模型具有输出反馈环节，可以反映系统的输出特性，通过将隐层的状态反馈，使其能够反映状态特性，这样使得时延Jordan神经网络沉降预测模型具有更丰富的性质，适用范围更广泛，更适于动态系统辨识，相对于前向网络具有明显的优势。时延Jordan神经网络沉降预测模型的输入层有n个节点，隐层有m个节点，数出层有1个节点，时延Jordan神经网络沉降预测模型的隐含层和目标层的输出为：
ot＝f(xi(k)-θi) (23)
其中f是sigmoid函数，是阈值。其中：
②、2个NARX神经网络沉降预测模型设计
桥梁沉降检测模块输出桥梁沉降区间数的一段上下限值分别作为2个NARX神经网络沉降预测模型的输入，2个NARX神经网络沉降预测模型输出分别为桥梁沉降检测模块输出桥梁沉降区间数的上下限值的预测值；NARX神经网络沉降预测模型是一种带输出反馈连接的动态递归神经网络，在拓扑连接关系上可等效为有输入时延的BP神经网络加上输出到输入的时延反馈连接，其结构由输入层、时延层、隐层和输出层构成，其中输入层节点用于信号输入，时延层节点用于输入信号和输出反馈信号的时间延迟，隐层节点利用激活函数对时延后的信号做非线性运算，输出层节点则用于将隐层输出做线性加权获得最终网络输出。NARX神经网络沉降预测模型第i个隐层节点的输出hi为：
NARX神经网络沉降预测模型第j个输出层节点输出oj为：
本发明专利的2个NARX神经网络沉降预测模型的输入层、时延层、隐层和输出层分别为9-19-10-1个节点。
③、2个LSTM神经网络沉降预测模型设计
桥梁沉降检测模块输出桥梁沉降区间数的一段上下限值分别作为2个LSTM神经网络沉降预测模型的输入，2个LSTM神经网络沉降预测模型分别为桥梁沉降检测模块输出桥梁沉降区间数的上下限值的预测值；LSTM神经网络沉降预测模型由长短期记忆(LSTM)单元组成的时间递归神经网络(RNN)称为LSTM时间递归神经网络，通常也被称为LSTM网络。LSTM神经网络沉降预测模型引入了记忆单元(Memory Cell)和隐藏层状态(Cell State)的机制来控制隐藏层之间的信息传递。一个LSTM神经网络的记忆单元内有3个门(Gates)计算结构分别是输入门(Input Gate)、遗忘门(Forget Gate)和输出门(Output Gate)。其中，输入门能控制新信息的加入或滤出；遗忘门能忘记需要丢掉的信息以及保留过去有用的信息；输出门能使记忆单元只输出与当前时间步相关的信息。这3个门结构在记忆单元中进行矩阵乘法和非线性求和等运算，使得记忆在不断的迭代中仍然不会衰减。长短期记忆单元(LSTM)结构单元由单元(Cell)，输入门(Input Gate)，输出门(Output Gate)和忘记门(Forget Gate)组成。单元负责在任意时间间隔内记住值，三个门均可以被认为是传统的人工神经元，用于计算激活函数的加权总和。LSTM神经网络沉降预测模型是可以持续较长时间短期记忆的模型，适合用于分类，预测时间序列等工作，LSTM有效防止了RNN训练时的梯度消失，长短期记忆(LSTM)网络是一种特殊的RNN。该模型可以学习长期的依赖信息，同时避免梯度消失问题。LSTM在神经元内部结构RNN的隐藏层的神经节点中，增加了一种被称为记忆单元(Memory Cell)的结构用来记忆过去的信息，并增加了三种门(Input、Forget、Output)结构来控制历史信息的使用。设输入数据序列为(x1,x2,…,xT)，隐含层状态为(h1,h2,…,hT)，则t时刻有：
it＝sigmoid(Whiht-1+WxiXt) (27)
ft＝sigmoid(Whfht-1+WhfXt) (28)
ct＝ft⊙ct-1+it⊙tanh(Whcht-1+WxcXt) (29)
ot＝sigmoid(Whoht-1+WhxXt+Wcoct) (30)
ht＝ot⊙tanh(ct) (31)
其中it、ft、ot代表input门、forget门和output门，ct代表cell单元，Wh代表递归连接的权重，Wx代表输入层到隐含层的权重，sigmoid与tanh为两种激活函数。使用长短期记忆的LSTM神经网络预测模型来对桥梁沉降上下限值进行预测，该方法首先建立LSTM神经网络模型，利用预处理的桥梁沉降上下限值建立训练集并对模型进行训练，LSTM神经网络沉降预测模型考虑了桥梁沉降上下限值预测值数据的时序性和非线性，具有较高的预测精度。
(2)区间数模糊最小二乘支持向量机桥梁变形分类器设计
区间数糊最小二乘支持向量机桥梁变形分类器为区间数模糊最小二乘支持向量机，桥梁沉降检测模块、桥梁倾侧角度检测模块、桥梁挠度检测模块的输出作为区间数模糊最小二乘支持向量机桥梁变形分类器的输入，区间数模糊最小二乘支持向量机桥梁变形分类器的输出为代表被检测桥梁变形等级的区间数；根据桥梁变形发生的工程实践、《公路桥梁技术状况评定标准》(JTG/TH21-2011)和《工程测量规范》(GB50026-2007)，区间数模糊最小二乘支持向量机桥梁变形分类器构建区间数模糊最小二乘支持向量机桥梁变形分类器输出的5个区间数与桥梁变形的5种桥梁变形等级的对应关系表1，5种桥梁变形等级分别为正常状态、轻微变形、较大变形、危险变形和很危险变形，计算区间数模糊最小二乘支持向量机桥梁变形分类器输出的区间数与代表桥梁变形的5种桥梁变形等级对应5个区间数的相似度，其中相似度最大的区间数对应的桥梁变形等级确定为该桥梁变形等级。
表1桥梁变形等级与区间数数对应关系表
| 序号 | 变形等级 | 区间数 |
| 1 | 正常状态 | [0.00，0.20] |
| 2 | 轻微变形 | [0.20，0.40] |
| 3 | 较大变形 | [0.40，0.60] |
| 4 | 危险变形 | [0.60，0.80] |
| 5 | 很危险变形 | [0.80，1.0] |
区间数模糊最小二乘支持向量机桥梁变形分类器的模糊隶属度u(xi,x)的度量是一个非常重要的问题，它往往直接影响到模糊最小二乘支持向量机的桥梁变形分类器的准确度，隶属度大小确定的依据是其在类中的相对重要性，本专利是基于样本到类中心的距离来度量其隶属度大小，样本离类中心越近，隶属度越大，反之则越小，即隶属度函数为：
其中：nj为属于第j类样本点的个数，δ＞0防止隶属函数值为零。在区间数模糊最小二乘支持向量机桥梁变形分类器中，0＜μ(xk)≤1表示了桥梁变形特征参数模糊化后的模糊预选规则，度量了样本隶属某类别的可靠程度；同时在最小二乘支持向量机的训练过程中，说明每个训练数据对最小二乘支持向量机学习所起的权重作用是不同的。通过模糊隶属度，则区间数模糊最小二乘支持向量机桥梁变形分类器输出值yj为：
其中x＝[x1,x2,… x6]，
σ为核参数，j为2代表输出节点为2个组成区间数作为模糊最小二乘支持向量机桥梁变形分类器输出代表桥梁变形等级的区间数。
5、基于CAN总线的桥梁变形参数采集平台的设计举例
根据桥梁变形参数的状况，系统设计检测节点1和控制节点2和现场监控端3的平面布置安装图，其中检测节点1均衡布置在被检测桥梁上，通过该系统实现对桥梁变形参数的采集与桥梁变形智能化预测。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，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。
Claims (8)
1.一种桥梁变形智能检测系统，其特征在于：所述系统基于CAN总线的桥梁变形参数采集平台和桥梁变形预警系统两部分组成，基于CAN总线的桥梁变形参数采集平台实现对桥梁变形参数进行检测和数据预处理，桥梁变形预警系统由桥梁沉降检测模块、桥梁倾侧角度检测模块、桥梁挠度检测模块和区间数模糊最小二乘支持向量机桥梁变形分类器组成，桥梁沉降检测模块、桥梁倾侧角度检测模块、桥梁挠度检测模块的输出是区间数模糊最小二乘支持向量机桥梁变形分类器的输入，区间数模糊最小二乘支持向量机桥梁变形分类器的输出为代表桥梁变形等级的区间数，桥梁变形预警系统实现对被检测桥梁的变形进行检测、预测和预警；
所述桥梁沉降检测模块包括多个沉降传感器、多个桥梁沉降区间数神经网络模型、桥梁沉降多点检测融合模型和沉降区间数预测模型组成，多个沉降传感器的输出作为对应的多个沉降区间数神经网络模型的输入，多个沉降区间数神经网络模型的输出作为桥梁沉降多点检测融合模型的输入，桥梁沉降多点检测融合模型的输出作为沉降区间数预测模型的输入，沉降区间数预测模型的输出作为桥梁沉降检测模块的输出；
所述区间数模糊最小二乘支持向量机桥梁变形分类器为区间数模糊最小二乘支持向量机，桥梁沉降检测模块、桥梁倾侧角度检测模块、桥梁挠度检测模块的输出作为区间数模糊最小二乘支持向量机桥梁变形分类器的输入，区间数模糊最小二乘支持向量机桥梁变形分类器的输出为代表被检测桥梁变形等级的区间数；根据桥梁变形发生的工程实践和国家关于桥梁测量维护认定标准，区间数模糊最小二乘支持向量机桥梁变形分类器构建区间数模糊最小二乘支持向量机桥梁变形分类器输出的5个区间数与桥梁变形的5种桥梁变形等级的对应关系表，桥梁变形分为正常状态、轻微变形、较大变形、危险变形和很危险变形5种桥梁变形等级，计算区间数模糊最小二乘支持向量机桥梁变形分类器输出的区间数与代表桥梁变形5种桥梁变形等级对应5个区间数的相似度，其中相似度最大的区间数对应的桥梁变形等级确定为该桥梁变形等级。
2.根据权利要求1所述的一种桥梁变形智能检测系统，其特征在于：所述桥梁沉降区间数神经网络模型由RR时间递归神经网络、区间数脊波神经网络模型和3个按拍延迟线TDL(Tapped Delay Line)组成，区间数数脊神经网络模型把一段时间桥梁沉降传感器感知被测量桥梁沉降量转换为桥梁沉降的动态区间数值，桥梁沉降传感器的输出作为RR时间递归神经网络的输入，RR时间递归神经网络的输出作为对应的1个按拍延迟线TDL的输入，3个按拍延迟线TDL的输出为区间数脊波神经网络模型的输入，区间数脊波神经网络模型的输出为代表一段时间内桥梁沉降大小的上下限值构成的区间数和桥梁沉降区间数神经网络模型的输出，区间数脊波神经网络模型输出区间数的上下限值分别作为2个对应的按拍延迟线TDL的输入。
3.根据权利要求1所述的一种建筑物能耗智能检测系统，其特征在于：所述桥梁沉降多点检测融合模型根据一段时间多个检测点的沉降区间数神经网络模型输出的桥梁沉降区间数值构成时间序列桥梁沉降区间数阵列，确定时间序列桥梁沉降区间数阵列的正负理想值，分别计算每个检测点的时间序列桥梁沉降区间数值与时间序列桥梁沉降区间数阵列的正负理想值的距离和相似度；每个检测点的时间序列桥梁沉降区间数值的负理想值距离除以每个检测点的时间序列桥梁沉降区间数值的负理想值距离与每个检测点的时间序列桥梁沉降区间数值的正理想值距离的和得到的商为每个检测点的时间序列桥梁沉降区间数值的距离相对贴近度，每个检测点的时间序列桥梁沉降区间数值的距离相对贴近度除以所有检测点的时间序列桥梁沉降区间数值的距离相对贴近度的和得到的商为每个检测点的时间序列桥梁沉降区间数值的距离融合权重；每个检测点的时间序列桥梁沉降区间数值的正理想值相似度除以每个检测点的时间序列桥梁沉降区间数值的负理想值相似度与每个检测点的时间序列桥梁沉降区间数值的正理想值相似度的和得到的商为每个检测点的时间序列桥梁沉降区间数值的相似度相对贴近度，每个检测点的时间序列桥梁沉降区间数值的相似度相对贴近度除以所有检测点的时间序列桥梁沉降区间数值的相似度相对贴近度的和得到的商为每个检测点的时间序列桥梁沉降区间数值的相似度融合权重。
4.根据权利要求3所述的一种桥梁变形智能检测系统，其特征在于：所述每个检测点的时间序列桥梁沉降区间数值的距离融合权重和相似度融合权重积的均方根占整个所有检测点的时间序列桥梁沉降区间数值的距离融合权重和相似度融合权重积的均方根和的比为该检测点的时间序列桥梁沉降区间数值融合的均方根组合权重；
所述每个检测点的时间序列桥梁沉降区间数值的距离融合权重和相似度融合权的线性组合为该检测点的时间序列桥梁沉降区间数值融合的线性组合权重，每个检测点的时间序列桥梁沉降区间数值融合的均方根组合权重与线性组合权重构成该检测点的时间序列桥梁沉降区间数值融合的区间数融合权重，每个检测点的时间序列桥梁沉降区间数值与该检测点的时间序列桥梁沉降区间数值的区间数融合权重的积相加得到的和为桥梁沉降检测点的时间序列区间数值的融合值，桥梁沉降检测点的时间序列区间数值的融合值为桥梁沉降多点检测融合模型的输出。
5.根据权利要求1所述的一种桥梁变形智能检测系统，其特征在于：所述沉降区间数预测模型由2个时延Jordan神经网络沉降预测模型、2个NARX神经网络沉降预测模型和2个LSTM神经网络沉降预测模型组成，桥梁沉降多点检测融合模型输出的一段时间沉降区间数的上下限值分别为2个对应的时延Jordan神经网络沉降预测模型的输入、2个对应的NARX神经网络沉降预测模型的输入和2个对应的LSTM神经网络沉降预测模型的输入，2个时延Jordan神经网络沉降预测模型的输出、2个NARX神经网络沉降预测模型的输出和2个LSTM神经网络沉降预测模型的输出作为桥梁沉降检测模块的输出和区间数模糊最小二乘支持向量机桥梁变形分类器的输入。
6.根据权利要求1所述的一种桥梁变形智能检测系统，其特征在于：所述基于CAN总线的桥梁变形参数采集平台由检测节点、控制节点和现场监控端组成，通过CAN总线实现检测节点、控制节点和现场监控端之间的通信，检测节点分别由传感器组模块、单片机和通信接口组成，传感器组模块负责检测桥梁参数的沉降、挠度、倾侧角度和平移桥梁变形参数，由单片机控制采样间隔并通过通信模块发送给现场监控端；控制节点实现对桥梁参数参数的调节设备进行控制；现场监控端由一台工业控制计算机和RS232/CAN通信模块组成，实现对检测节点检测桥梁参数进行管理和对桥梁参数进行融合与预测。
7.根据权利要求1所述的一种桥梁变形智能检测系统，其特征在于：所述桥梁倾侧角度检测模块包括多个倾侧角度传感器、多个倾侧角度区间数神经网络模型、桥梁倾侧角度多点检测融合模型和倾侧角度区间数预测模型组成。
8.根据权利要求1所述的一种桥梁变形智能检测系统，其特征在于：所述桥梁挠度检测模块包括多个挠度传感器、多个挠度区间数神经网络模型、桥梁挠度多点检测融合模型和挠度区间数预测模型组成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010201082.1A CN111460729A (zh) | 2020-03-20 | 2020-03-20 | 一种桥梁变形智能检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010201082.1A CN111460729A (zh) | 2020-03-20 | 2020-03-20 | 一种桥梁变形智能检测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111460729A true CN111460729A (zh) | 2020-07-28 |
Family
ID=71685678
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010201082.1A Withdrawn CN111460729A (zh) | 2020-03-20 | 2020-03-20 | 一种桥梁变形智能检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111460729A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112904756A (zh) * | 2021-01-13 | 2021-06-04 | 淮阴工学院 | 一种管网大数据检测系统 |
| CN113505630A (zh) * | 2021-04-13 | 2021-10-15 | 新希望六和股份有限公司 | 猪场监控模型训练方法、装置、计算机设备和存储介质 |
| CN116029555A (zh) * | 2023-03-22 | 2023-04-28 | 西南科技大学 | 基于轻量化神经网络的桥梁风险识别预警系统及应用方法 |
| CN116046303A (zh) * | 2023-03-30 | 2023-05-02 | 辽宁省交通规划设计院有限责任公司 | 一种挠度智能检测系统、方法及装置 |
| CN116448062A (zh) * | 2023-06-20 | 2023-07-18 | 中鲁检测技术(山东)有限公司 | 一种桥梁沉降变形检测方法、装置、计算机及存储介质 |
| CN117216701A (zh) * | 2023-09-13 | 2023-12-12 | 广州桐富科技发展有限公司 | 智慧桥梁监测预警方法及系统 |
-
2020
- 2020-03-20 CN CN202010201082.1A patent/CN111460729A/zh not_active Withdrawn
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112904756A (zh) * | 2021-01-13 | 2021-06-04 | 淮阴工学院 | 一种管网大数据检测系统 |
| CN113505630A (zh) * | 2021-04-13 | 2021-10-15 | 新希望六和股份有限公司 | 猪场监控模型训练方法、装置、计算机设备和存储介质 |
| CN116029555A (zh) * | 2023-03-22 | 2023-04-28 | 西南科技大学 | 基于轻量化神经网络的桥梁风险识别预警系统及应用方法 |
| CN116029555B (zh) * | 2023-03-22 | 2023-06-13 | 西南科技大学 | 基于轻量化神经网络的桥梁风险识别预警系统及应用方法 |
| CN116046303A (zh) * | 2023-03-30 | 2023-05-02 | 辽宁省交通规划设计院有限责任公司 | 一种挠度智能检测系统、方法及装置 |
| CN116448062A (zh) * | 2023-06-20 | 2023-07-18 | 中鲁检测技术(山东)有限公司 | 一种桥梁沉降变形检测方法、装置、计算机及存储介质 |
| CN116448062B (zh) * | 2023-06-20 | 2023-09-12 | 中鲁检测技术(山东)有限公司 | 一种桥梁沉降变形检测方法、装置、计算机及存储介质 |
| CN117216701A (zh) * | 2023-09-13 | 2023-12-12 | 广州桐富科技发展有限公司 | 智慧桥梁监测预警方法及系统 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111460729A (zh) | 一种桥梁变形智能检测系统 | |
| CN110580021B (zh) | 一种基于现场总线的粮仓环境安全智能监测系统 | |
| CN111444947B (zh) | 一种桥梁沉降智能检测系统 | |
| CN111429718B (zh) | 一种公路交通安全智能检测系统 | |
| CN110705757B (zh) | 一种基于现场总线网络的多点温度传感器智能监测系统 | |
| CN110647979B (zh) | 一种基于物联网的温室环境多参数智能化监测系统 | |
| CN110766132B (zh) | 一种基于物联网的果园产量智能预测系统 | |
| CN106055918A (zh) | 一种电力系统负荷数据辨识及修复方法 | |
| CN111461187B (zh) | 一种建筑物沉降智能检测系统 | |
| CN110702852B (zh) | 一种基于物联网的多油气浓度传感器的智能监测系统 | |
| CN111476278B (zh) | 一种气体浓度智能化检测系统 | |
| CN114397043B (zh) | 多点温度智能检测系统 | |
| CN112665656B (zh) | 一种农产品生长环境大数据检测系统 | |
| CN110716012B (zh) | 一种基于现场总线网络的油气浓度智能监测系统 | |
| CN111426344B (zh) | 一种建筑物能耗智能检测系统 | |
| CN111474094B (zh) | 一种粉尘浓度智能化检测系统 | |
| CN111476463A (zh) | 一种公路气象参数与路面湿滑智能化检测系统 | |
| CN102496062B (zh) | 一种基于Spiking神经网络的人员信息融合方法 | |
| CN114386672B (zh) | 环境大数据物联网智能检测系统 | |
| CN111473768B (zh) | 一种建筑物安全智能检测系统 | |
| CN114399024B (zh) | 油气浓度大数据智能检测系统 | |
| Huisken | Soft-computing techniques applied to short-term traffic flow forecasting | |
| CN111461413B (zh) | 一种公路路面使用性能检测系统 | |
| CN113973403A (zh) | 基于结构离散测点拓扑的温致应变场重分布智能感知方法 | |
| CN111461413A (zh) | 一种公路路面使用性能检测系统 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200728 |
|
| WW01 | Invention patent application withdrawn after publication |