CN111523572A - 实时桥梁结构损伤状态识别方法及系统 - Google Patents
实时桥梁结构损伤状态识别方法及系统 Download PDFInfo
- Publication number
- CN111523572A CN111523572A CN202010282966.4A CN202010282966A CN111523572A CN 111523572 A CN111523572 A CN 111523572A CN 202010282966 A CN202010282966 A CN 202010282966A CN 111523572 A CN111523572 A CN 111523572A
- Authority
- CN
- China
- Prior art keywords
- data
- classification
- bridge structure
- compressed data
- compression ratio
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种实时桥梁结构损伤状态识别方法及系统。包括:S1,获取待测试数据;S2,以第一压缩比对待测试数据进行压缩获第一压缩数据并利用第一分类算法对该压缩数据进行分类获第一分类结果,若第一分类结果为损伤,进入S3;S3,以第二压缩比对待测试数据进行压缩获第二压缩数据并利用第二分类算法对该压缩数据进行分类获第二分类结果。或方法包括S1、S2、S3和S4;S4,以第三压缩比对待测试数据进行压缩并利用第三分类算法对该压缩数据进行分类获第三分类结果,第二压缩比大于第三压缩比但小于第一压缩比。相较于传统方法,能更高效、灵活,可更好地分析海量高维桥梁监测时序数据,实时评估桥梁损伤状态。
Description
技术领域
本发明涉及桥梁监测领域,特别是涉及一种实时桥梁结构损伤状态识别方法及系统。
背景技术
随着大型桥梁结构数目与日俱增,以及大型桥梁结构健康监测系统的广泛应用,桥梁结构健康监测时序数据呈现数据量巨大、种类多、增长快等显著的“大数据”特征,数据存储传输成本高,使得计算效率和准确度较低。桥梁结构健康监测数据作为一种高维的数值型时间序列数据,存储在本地则存在着存储成本较高的问题,若远程传输存储在数据中心,则无法及时高效地进行数据分析。传统的基于时间序列分析的桥梁结构损伤状态识别方法多是基于统计模型,如ARIMA模型、ARMA模型等,对桥梁结构健康时间序列的总体特征实用统计模型进行分析处理,结合相关机器学习方法评估桥梁结构状态。传统的基于统计模型的桥梁结构损伤状态识别方法算法复杂,时空消耗度较大,往往只能判断桥梁是否出现损伤,无法量化桥梁结构损伤程度,无法做到及时有效的分析数据,不能及时预警,导致灾难的发生,如何高效处理桥梁结构健康监测时序数据、实时识别桥梁结构状态是需要解决的重要问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题,特别创新地提出了一种实时桥梁结构损伤状态识别方法及系统。
为了实现本发明的上述目的,根据本发明的第一个方面,本发明提供了一种实时桥梁结构损伤状态识别方法,所述方法包括:步骤S1,获取监测桥梁结构损伤状态的待测试数据;步骤S2,以第一压缩比对待测试数据进行压缩处理获得第一压缩数据,利用第一分类算法对第一压缩数据进行分类获得第一分类结果,所述第一分类结果为损伤或健康,若第一分类结果为损伤,进入步骤S3,若第一分类结果为健康,结束;步骤S3,以第二压缩比对待测试数据进行压缩处理获得第二压缩数据,利用第二分类算法对第二压缩数据进行分类获得第二分类结果,所述第二分类结果为不同的损伤程度等级;或者所述方法包括所述步骤S1、所述步骤S2、所述步骤S3,以及步骤S4;所述步骤S4为:以第三压缩比对待测试数据进行压缩处理获得第三压缩数据,利用第三分类算法对第三压缩数据进行分类获得第三分类结果,所述第三分类结果为不同的损伤程度子等级;所述第一压缩比大于第二压缩比和第三压缩比,第二压缩比大于第三压缩比。
上述技术方案的有益效果为:通过压缩处理可灵活的对监测桥梁结构损伤状态的时间序列数据进行压缩,极大地减少了数据量,降低了数据的存储成本;不同桥梁状态的数据选择不同的压缩比,对第一分类结果为健康的桥梁结构监测数据采用较大的压缩比,然后远程传输至数据存储中心存储备用,对于第一分类结果为损伤的桥梁结构监测数据则使用较小的压缩比进一步识别损伤等级,或者还对识别出损伤程度等级的数据使用更小的压缩比进一步识别出损伤程度子等级,对桥梁损伤状态进行分步识别,使得本方法更加高效,极大地减少了桥梁损伤状态的识别时间;本方法相较于传统方法,能够更加高效、灵活,可更好地分析海量的高维桥梁监测时序数据,实时评估桥梁结构损伤状态。
在本发明的一种优选实施方式中,在所述步骤S1中,还包括对待测试数据进行预处理的步骤,所述预处理包括数据清洗、数据集成、数据规约和数据变换。
上述技术方案的有益效果为:解决了现实中桥梁结构监测数据的数据噪声较多,数据质量较低的问题,提升了数据质量,有利于提高后续损伤识别的效率和准确率。
在本发明的一种优选实施方式中,所述第一分类算法的过程包括:将第一压缩数据输入训练好的第一分类模型,获得第一分类结果;所述第二分类算法的过程包括:将第二压缩数据输入训练好的第二分类模型,获得第二分类结果;所述第三分类算法的过程包括:将第三压缩数据输入训练好的第三分类模型,获得第三分类结果。
上述技术方案的有益效果为:第一分类模型、第二分类模型和第三分类模型采用深度学习模型,提高了本方法的自动化程度,减少人工参与。
在本发明的一种优选实施方式中,第一分类模型、第二分类模型和第三分类模型的训练过程包括:步骤A,获取多个监测桥梁结构损伤状态的原始数据作为训练集,并对训练集样本进行聚类优化处理,通过第一压缩比对聚类优化处理后的训练集进行压缩处理获得第一原始压缩数据;利用第一原始压缩数据对数据分类模型进行训练,获得第一分类模型;步骤B,将聚类优化处理后的训练集以第二压缩比进行压缩处理获得第二原始压缩数据,利用第二原始压缩数据对数据分类模型进行训练,获得第二分类模型;步骤C,将聚类优化处理后的训练集以第三压缩比进行压缩处理获得第三原始压缩数据,利用第三原始压缩数据对数据分类模型进行训练,获得第三分类模型。上述技术方案的有益效果为:对训练集的聚类优化处理可以有效缩减训练集的规模,减少了训练时间成本,提升了分类模型对桥梁结构损伤识别的正确率,提高了损伤识别效率。
在本发明的一种优选实施方式中,所述聚类优化处理的步骤包括:步骤a,在训练集中选取k个训练样本作为初始聚类中心,k为大于等于2的正整数;步骤b,计算训练集中其它训练样本分别与k个聚类中心的距离,将其它训练样本分别分配给距离最近的聚类;步骤c,重新获取k个聚类的聚类中心,若标准测度函数收敛,聚类结束,将训练样本数量最多的聚类作为优化后的训练集,若标准测度函数没有收敛,返回步骤b。
上述技术方案的有益效果为:该聚类优化处理步骤中进行了多次聚类取优,降低了聚类优化结果对初始聚类中心选择的依赖性,提高了聚类效果,该步骤易实施。
在本发明的一种优选实施方式中,所述聚类优化的步骤包括:步骤I,设置k个高斯模型,一个高斯模型代表一个类别,将训练集中的训练样本在每个高斯模型上进行投影找到使对数似然函数最大的高斯模型参数,利用获取的高斯模型参数根据高斯分布函数得到训练样本属于每个类别的概率,选取概率最大的类别作为训练样本的类别;步骤II,将训练样本数量最多的类别作为优化后的训练集;通过如下公式计算对数似然函数值:
其中,zki表示第i个训练样本xi是否属于第k个高斯模型分布的变量,K表示混合成分的数量;σp表示第p个属性的方差;μk′p表示第k′个混合成分第p个属性的均值;P表示属性的数量;πk′表示第k′个混合成分的先验概率;xip表示第i个样本的第p个属性值;Lc(Θ)表示似然函数;n表示样本的数量。
上述技术方案的有益效果为:该聚类优化步骤得到每个训练样本属于各聚类的概率,有利于多模型的融合。
在本发明的一种优选实施方式中,第一分类算法、第二分类算法和第二分类算法三者中全部或部分为K最近邻分类方法。
上述技术方案的有益效果为:算法简单易实施,可依据有限的邻近的样本确定待分类数据的类别,可有效的应用于重叠较多的待分类样本集。
在本发明的一种优选实施方式中,所述压缩处理的过程包括:
步骤一,对待压缩处理的数据进行Z-score标准化处理,将标准正态分布区间划分为a个等概率的子区间,a为大于1的正整数;步骤二,在压缩处理的数据中,将长度为m的时间序列C=c1,c2,...,cm用长度为w的空间向量表示,空间向量中第q个元素为:其中,cj表示时间序列C的第j个元素;w=m,定义为压缩比;步骤三,将空间向量中分布在同一子区间的元素用相同的字符表示,获得字符串序列
上述技术方案的有益效果为:降低了数据存储成本,很好的保留了原始时间序列的特征,提升桥梁结构损伤状态识别的效率。
为了实现本发明的上述目的,根据本发明的第二个方面,本发明提供了一种桥梁结构损伤状态识别系统,
包括位于桥梁侧获取桥梁结构健康监测数据的数据获取单元和第一处理单元,以及位于远端的第二处理单元;所述第一处理单元以第一压缩比对桥梁结构健康监测数据进行压缩处理获得第一压缩数据,利用第一分类算法对第一压缩数据进行分类获得第一分类结果,若第一分类结果为损伤,传送桥梁结构健康监测数据至第二处理单元,若第一分类结果为健康,结束;所述第二处理单元接收桥梁结构健康监测数据,以第二压缩比对桥梁结构健康监测数据进行压缩处理获得第二压缩数据,利用第二分类算法对第二压缩数据进行分类获得桥梁损伤程度等级。
上述技术方案的有益效果为:该系统能够对桥梁损伤状态进行分步分地点识别,使得更加高效,极大地减少了桥梁损伤状态的识别时间,降低了海量数据的传输成本;相较于传统方法,能够更加高效、灵活,可更好地分析海量的高维桥梁监测时序数据,实时评估桥梁结构损伤状态。
为了实现本发明的上述目的,根据本发明的第三个方面,本发明提供了一种桥梁结构损伤状态识别系统,包括位于桥梁侧获取桥梁结构健康监测数据的数据获取单元和第一处理单元,边缘计算节点,以及位于远端的第二处理单元;所述第一处理单元以第一压缩比对桥梁结构健康监测数据进行压缩处理获得第一压缩数据,利用第一分类算法对第一压缩数据进行分类获得第一分类结果,若第一分类结果为损伤,传送桥梁结构健康监测数据至边缘计算节点,若第一分类结果为健康,结束;所述边缘计算节点接收桥梁结构健康监测数据,以第二压缩比对桥梁结构健康监测数据进行压缩处理获得第二压缩数据,利用第二分类算法对第二压缩数据进行分类获得桥梁损伤程度等级,传送桥梁结构健康监测数据至第二处理单元;所述第二处理单元接收桥梁结构健康监测数据,以第三压缩比对桥梁结构健康监测数据进行压缩处理获得第三压缩数据,利用第三分类算法对第三压缩数据进行分类获得桥梁损伤程度子等级。
上述技术方案的有益效果为:该系统能够对桥梁损伤状态进行分步分地点识别,使得更加高效,极大地减少了桥梁损伤状态的识别时间,降低了海量数据的传输成本;相较于传统方法,能够更加高效、灵活,可更好地分析海量的高维桥梁监测时序数据,实时评估桥梁结构损伤状态。
附图说明
图1是本发明一具体实施方式中桥梁结构损伤状态识别方法的流程示意图;
图2是本发明一具体实施方式中预处理流程示意图;
图3是本发明另一具体实施方式中桥梁结构损伤状态识别方法的流程示意图;
图4是本发明一具体实施方式中桥梁结构损伤状态识别系统的结构框图;
图5是本发明另一具体实施方式中桥梁结构损伤状态识别系统的结构框图;
图6是本发明另一具体实施方式中桥梁结构损伤状态识别方法的流程示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,除非另有规定和限定,需要说明的是,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是机械连接或电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
本发明公开了一种实时桥梁结构损伤状态识别方法,在一种优选实施方式中,如图1和图3所示,所示,该方法包括:
步骤S1,获取监测桥梁结构损伤状态的待测试数据;
步骤S2,以第一压缩比对待测试数据进行压缩处理获得第一压缩数据,利用第一分类算法对第一压缩数据进行分类获得第一分类结果,第一分类结果为损伤或健康,若第一分类结果为损伤,进入步骤S3,若第一分类结果为健康,结束;
步骤S3,以第二压缩比对待测试数据进行压缩处理获得第二压缩数据,利用第二分类算法对第二压缩数据进行分类获得第二分类结果,第二分类结果为不同的损伤程度等级;
或者如图6所示,该方法包括步骤S1、步骤S2、步骤S3,以及步骤S4;
步骤S4为:以第三压缩比对待测试数据进行压缩处理获得第三压缩数据,利用第三分类算法对第三压缩数据进行分类获得第三分类结果,所述第三分类结果为不同的损伤程度子等级;
第一压缩比大于第二压缩比和第三压缩比,第二压缩比大于第三压缩比。
在本实施方式中,优选的,当需要对第三分类结果进一步细分时,可以采用比第三压缩比更小的压缩比对待测试数据进行压缩处理,并对压缩后的数据进行进一步的分类;依此类推,为获得更细致的分类结果,可以采用比前一次压缩比更小的压缩比对待测试数据进行压缩处理,并对压缩后的数据进行进一步的分类。
在本实施方式中,压缩处理的方法优选但不限于为分段聚合近似(PAA)、奇异值分解(SVD)等。
在本实施方式中,待测试数据优选但不限于为布设与桥梁多处的多个传感器输出的时间序列数据,传感器优选但不限于为加速度传感器。
在本实施方式中,第一分类算法、第二分类算法和第三分类算法可为相同的算法,也可为不同的算法。优选的,第一分类算法可选择分类速度较快并不精确的算法,第二分类算法和/或第三分类算法选择分类速度较慢但精确分类的算法,这样就能实现分类速度和分类精度的优化。
在本实施方式中,优选的,第一分类算法、第二分类算法和第三分类算法可选择为二分类算法,如K最近邻分类方法或支持向量机算法等,这样便于提高分类速度。
在本实施方式中,通过调节压缩比大小,使压缩数据展现的特征层次不同,进而可以分步识别桥梁损伤状态,提高了识别效率,降低了对分类算法的要求,可使用较为简单的分类算法达到识别出桥梁结构损伤程度等级的有益效果。
在一种优选实施方式中,在步骤S1中,还包括对待测试数据进行预处理的步骤,预处理包括数据清洗、数据集成、数据规约和数据变换。
在本实施方式中,预处理的过程示意图如图2所示。
在本实施方式中,数据清洗主要处理的是缺失值、异常值等问题,筛选与挖掘主题无关的数据,解决数据不一致的问题,优选但不限于采用均值/众数插补法,或者滑动窗口插补法等。数据集成是将不同数据源的数据集成到一个统一的数据仓储中的过程,使得数据挖掘的工作更加方便。数据规约期望得到数据量较少,但近似等效于原始数据集的新数据集,以提升时序数据挖掘效率。数据规约优选但不限于为维数规约,如主成分分析等方法降低数据维数,提升挖掘效率。数据变换则是将数据转化为适当的形式,从而适用于时间序列数据挖掘算法的需求。数据变换优选但不限于为0-1标准化或Z-score标准化等。
在一种优选实施方式中,第一分类算法的过程包括:
将第一压缩数据输入训练好的第一分类模型,获得第一分类结果;
第二分类算法的过程包括:
将第二压缩数据输入训练好的第二分类模型,获得第二分类结果;
第三分类算法的过程包括:
将第三压缩数据输入训练好的第三分类模型,获得第三分类结果。
在一种优选实施方式中,如图3所示,第一分类模型和第二分类模型的训练过程包括:
步骤A,获取多个监测桥梁结构损伤状态的原始数据作为训练集,并对训练集样本进行聚类优化处理,通过第一压缩比对聚类优化处理后的训练集进行压缩处理获得第一原始压缩数据;利用第一原始压缩数据对数据分类模型进行训练,获得第一分类模型;
步骤B,将聚类优化处理后的训练集以第二压缩比进行压缩处理获得第二原始压缩数据,利用第二原始压缩数据对数据分类模型进行训练,获得第二分类模型;
步骤C,将聚类优化处理后的训练集以第三压缩比进行压缩处理获得第三原始压缩数据,利用第三原始压缩数据对数据分类模型进行训练,获得第三分类模型。
在本实施方式中,每个原始数据中包含了桥梁上各传感器的测试数据,以及该测试数据对应的实际桥梁结构的状态。
在一种优选实施方式中,第一种聚类优化处理的步骤包括:
步骤a,在训练集中选取k个训练样本作为初始聚类中心,k为大于等于2的正整数;
步骤b,计算训练集中其它训练样本分别与k个聚类中心的距离,将其它训练样本分别分配给距离最近的聚类;
步骤c,重新获取k个聚类的聚类中心,若标准测度函数收敛,聚类结束,将训练样本数量最多的聚类作为优化后的训练集,若标准测度函数没有收敛,返回步骤b。
在本实施方式中,步骤a中的初始聚类中心可随机选择。
在本实施方式中,优选但不限于采用欧式距离计算公式或者MINDIST函数计算训练集中其它训练样本与k个聚类中心的距离。
在一种优选实施方式中,第二种聚类优化的步骤包括:
步骤I,设置k个高斯模型,一个高斯模型代表一个类别,将训练集中的训练样本在每个高斯模型上进行投影找到使对数似然函数最大的高斯模型参数,利用获取的高斯模型参数根据高斯分布函数得到训练样本属于每个类别的概率,选取概率最大的类别作为训练样本的类别;
步骤II,将训练样本数量最多的类别作为优化后的训练集。
通过如下公式计算对数似然函数值:
其中,zki表示第i个训练样本xi是否属于第k个高斯模型分布的变量,K表示混合成分的数量;σp表示第p个属性的方差;μk′p表示第k′个混合成分第p个属性的均值;P表示属性的数量;πk′表示第k′个混合成分的先验概率;xip表示第i个样本的第p个属性值;Lc(Θ)表示似然函数;n表示样本的数量。
在本发明一种训练集优化的应用场景中,对ASCE Benchmark数据集进行聚类优化。ASCE Benchmark数据集由国际结构控制协会与美国土木工程学会提供的一个经典的结构数据集,Benchmark试验结构隶属于加拿大英属哥伦比亚大学的地震工程研究实验室,本应用场景选取损伤程度依次加重的4种工况时间序列数据进行聚类优化处理。
在本应用场景中,对选取的数据进行Z-score标准化处理后,首先将不同损伤程度的损伤数据合并为一个新的损伤数据集,再随机选择健康与损伤状态的数据集中3/4的数据作为训练集,其余的作为测试集。然后,使用聚类算法对训练集分别进行优化,聚类数目设置为2(即k为2),选择类中数据量较多的一类作为优化后的训练集,至此,便完成了训练集优化过程。
在本应用场景中,在原始训练集样本数量为7104的情况下,采用第一种聚类优化处理步骤,优化后训练集样本数目为4149,缩减比例为41.6%;采用第二种聚类优化处理步骤,优化后训练集样本数目为4441,缩减比例为37.5%。为证明优化后的训练集不仅减少了训练集中样本的数目,且有效提升了训练集的质量,分别使用原始训练集以及优化后的训练集训练分类模型后,对测试集中的数据进行分类,发现使用原始训练集训练的分类模型,对测试集分类的平均正确率为81.3%,平均时间消耗为15分57秒;使用第一种聚类优化处理步骤获得训练集训练的分类模型,对测试集分类的平均正确率为81.7%,平均时间消耗为6分11秒;使用第二种聚类优化处理步骤获得训练集训练的分类模型,对测试集分类的平均正确率为82.5%,平均时间消耗为8分42秒;可见,对训练集进行聚类优化处理,在时间成本与评估效率上都胜于无训练集优化的桥梁结构损伤状态识别方法。
在一种优选实施方式中,第一分类算法、第二分类算法和第二分类算法三者中全部或部分为K最近邻分类方法。
在一种优选实施方式中,压缩处理的过程包括:
步骤一,对待压缩处理的数据进行Z-score标准化处理,将标准正态分布区间划分为a个等概率的子区间,a为大于1的正整数;
在本发明桥梁结构损伤状态识别方法的一种应用场景中,利用哈尔滨工业大学结构监测与控制研究中心(SMC)提供的桥梁结构健康监测数据集进行实验,SMC桥梁数据集是对桥长510m,桥面宽11m,主跨为260m的预应力混凝土双塔斜拉桥进行了约半年的健康监测采集获取的,该桥梁健康监测系统在桥梁表面安装了14个单轴加速度传感器,在桥梁南塔顶端安装了一个双轴加速度传感器以获取环境及荷载激励下的结构响应数据。SMC桥梁数据集提供了结构健康监测系统于2008年1.1、1.17、2.3、3.19、3.30、4.9、5.5、5.18、5.31、6.7、6.16、7.31监测收集到的共12天的全天24小时的加速度数据,加速度信息采样频率为100Hz,展现了桥梁结构状态由无损转变为有损的一个过程,1.1的数据作为无损状态数据,4.9采集的数据作为轻度损伤数据,7.31数据为重度损伤数据进行实验。
在本应用场景中,首先使用Z-score标准化处理实验数据。对于经过标准化后的加速度数据,首先随机选择健康与损伤状态的数据集中2/3的数据作为训练集,将不同损伤程度的损伤数据合并为一个新的损伤数据集;对数据集进行压缩处理,在该次压缩处理中,压缩比设置为40,w为15,符号数据(即a)为15;使用聚类优化步骤对压缩后的训练集进行优化,聚类数目设置为2(即k为2),选择聚类中样本数目较多的一类作为优化后的训练集,至此,便完成了训练集优化过程;利用优化后的训练集训练获得第一分类模型。
在本应用场景中,将其余的1/3的健康与损伤数据合并后随机排序作为测试集,输入训练后的第一分类模型,获得第一分类结果,若第一分类结果为损伤,选择较小的压缩比重新压缩原始桥梁结构加速度时序数据,故对第一步中选出的训练集以及被判定为损伤的数据重新压缩,此次压缩比设置为30,w为20,符号数据(即a)为15,利用新的训练集训练获得第二分类模型,获得第二分类结果。第一分类模型和第二分类模型可为支持向量机模型。
在本应用场景中,与原始的桥梁结构健康监测加速度时间序列进行对比,基于压缩的识别方法相较于原始数据,桥梁结构损伤状态平均识别准确率提升了近6%,所消耗的时间却由原本的85分钟降至26秒,效率提升约99.5%,可见,基于压缩的结构损伤识别方法在实桥应用上有着良好表现,有助于实时识别桥梁结构健康状态的实现。
在本应用场景中,与未经过训练集优化,直接使用原始训练集完成的基于压缩时序数据的结构损伤识别进行对比,若选择第一种聚类优化步骤,优化后训练集缩减比例约为35.7%,平均正确率提升4.02%,平均时间提升了99.7%。
在本应用场景中,为进一步证明实时桥梁结构损伤状态识别方法的有效性,首先,同样将原始数据集划分为训练集与测试集两部分,对训练集(包含无损伤状态、轻度损伤状态和重度损伤状态样本)进行聚类优化处理,然后压缩后直接使用支持向量机方法对测试集数据进行分类。实验结果为:一步识别的平均正确率为73.79%,平均时间消耗为19.23秒,分步识别的平均正确率为82.30%,平均时间消耗为26.12%。可见,相比于一步识别,分步识别方法虽然时间消耗略有增加,但是识别准确率却大有提升,此外,分步识别方法更加灵活,可将数据按照不同的压缩比转化表达形式。
本发明还公开一种桥梁结构损伤状态识别系统,在一种优选实施方式中,如图4所示,该系统包括包括位于桥梁侧获取桥梁结构健康监测数据的数据获取单元和第一处理单元,以及位于远端的第二处理单元;
第一处理单元以第一压缩比对桥梁结构健康监测数据进行压缩处理获得第一压缩数据,利用第一分类算法对第一压缩数据进行分类获得第一分类结果,若第一分类结果为损伤,传送桥梁结构健康监测数据至第二处理单元,若第一分类结果为健康,结束;
第二处理单元接收桥梁结构健康监测数据,以第二压缩比对桥梁结构健康监测数据进行压缩处理获得第二压缩数据,利用第二分类算法对第二压缩数据进行分类获得桥梁损伤程度等级。
在本实施方式中,数据获取单元优选但不限于为安装在桥梁上的多个传感器,如加速度传感器等,或者采集桥梁上各传感器输出数据的数据采集卡,数据采集卡分别与桥梁上的各传感器连接。数据处理单元与第一处理单元有线或无线通信连接,第一处理单元与第二处理单元有线或无线连接。第一处理单元可为大型计算机,第二处理单元优选但不不限于为云服务器,能够避免远距离传输大量数据。
本发明还公开一种桥梁结构损伤状态识别系统,在一种优选实施方式中,如图5所示,包括位于桥梁侧获取桥梁结构健康监测数据的数据获取单元和第一处理单元,边缘计算节点,以及位于远端的第二处理单元;
第一处理单元以第一压缩比对桥梁结构健康监测数据进行压缩处理获得第一压缩数据,利用第一分类算法对第一压缩数据进行分类获得第一分类结果,若第一分类结果为损伤,传送桥梁结构健康监测数据至边缘计算节点,若第一分类结果为健康,结束;
边缘计算节点接收桥梁结构健康监测数据,以第二压缩比对桥梁结构健康监测数据进行压缩处理获得第二压缩数据,利用第二分类算法对第二压缩数据进行分类获得桥梁损伤程度等级,传送桥梁结构健康监测数据至第二处理单元;
第二处理单元接收桥梁结构健康监测数据,以第三压缩比对桥梁结构健康监测数据进行压缩处理获得第三压缩数据,利用第三分类算法对第三压缩数据进行分类获得桥梁损伤程度子等级。
在本实施方式中,边缘计算节点可位于桥梁端也可位于远端(可为云端),或者可位于桥梁和远端(可为云端)之间的某处。边缘计算节点优选但不限于为计算机,其分别与第一处理单元和第二处理单元有线或无线连接通信。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种实时桥梁结构损伤状态识别方法,其特征在于,所述方法包括:
步骤S1,获取监测桥梁结构损伤状态的待测试数据;
步骤S2,以第一压缩比对待测试数据进行压缩处理获得第一压缩数据,利用第一分类算法对第一压缩数据进行分类获得第一分类结果,所述第一分类结果为损伤或健康,若第一分类结果为损伤,进入步骤S3,若第一分类结果为健康,结束;
步骤S3,以第二压缩比对待测试数据进行压缩处理获得第二压缩数据,利用第二分类算法对第二压缩数据进行分类获得第二分类结果,所述第二分类结果为不同的损伤程度等级;
或者所述方法包括所述步骤S1、所述步骤S2、所述步骤S3,以及步骤S4;
所述步骤S4为:以第三压缩比对待测试数据进行压缩处理获得第三压缩数据,利用第三分类算法对第三压缩数据进行分类获得第三分类结果,所述第三分类结果为不同的损伤程度子等级;
所述第一压缩比大于第二压缩比和第三压缩比,第二压缩比大于第三压缩比。
2.如权利要求1所述的实时桥梁结构损伤状态识别方法,其特征在于,在所述步骤S1中,还包括对待测试数据进行预处理的步骤,所述预处理包括数据清洗、数据集成、数据规约和数据变换。
3.如权利要求1所述的实时桥梁结构损伤状态识别方法,其特征在于,所述第一分类算法的过程包括:
将第一压缩数据输入训练好的第一分类模型,获得第一分类结果;
所述第二分类算法的过程包括:
将第二压缩数据输入训练好的第二分类模型,获得第二分类结果;
所述第三分类算法的过程包括:
将第三压缩数据输入训练好的第三分类模型,获得第三分类结果。
4.如权利要求3所述的实时桥梁结构损伤状态识别方法,其特征在于,第一分类模型、第二分类模型和第三分类模型的训练过程包括:
步骤A,获取多个监测桥梁结构损伤状态的原始数据作为训练集,并对训练集样本进行聚类优化处理,通过第一压缩比对聚类优化处理后的训练集进行压缩处理获得第一原始压缩数据;利用第一原始压缩数据对数据分类模型进行训练,获得第一分类模型;
步骤B,将聚类优化处理后的训练集以第二压缩比进行压缩处理获得第二原始压缩数据,利用第二原始压缩数据对数据分类模型进行训练,获得第二分类模型;
步骤C,将聚类优化处理后的训练集以第三压缩比进行压缩处理获得第三原始压缩数据,利用第三原始压缩数据对数据分类模型进行训练,获得第三分类模型。
5.如权利要求4所述的实时桥梁结构损伤状态识别方法,其特征在于,所述聚类优化处理的步骤包括:
步骤a,在训练集中选取k个训练样本作为初始聚类中心,k为大于等于2的正整数;
步骤b,计算训练集中其它训练样本分别与k个聚类中心的距离,将其它训练样本分别分配给距离最近的聚类;
步骤c,重新获取k个聚类的聚类中心,若标准测度函数收敛,聚类结束,将训练样本数量最多的聚类作为优化后的训练集,若标准测度函数没有收敛,返回步骤b。
6.如权利要求4所述的实时桥梁结构损伤状态识别方法,其特征在于,所述聚类优化的步骤包括:
步骤I,设置k个高斯模型,一个高斯模型代表一个类别,将训练集中的训练样本在每个高斯模型上进行投影找到使对数似然函数最大的高斯模型参数,利用获取的高斯模型参数根据高斯分布函数得到训练样本属于每个类别的概率,选取概率最大的类别作为训练样本的类别;
步骤II,将训练样本数量最多的类别作为优化后的训练集;
通过如下公式计算对数似然函数值:
7.如权利要求1所述的实时桥梁结构损伤状态识别方法,其特征在于,第一分类算法、第二分类算法和第二分类算法三者中全部或部分为K最近邻分类万法。
9.一种基于权利要求1-8之一所述方法进行桥梁结构损伤状态识别的系统,其特征在于,包括位于桥梁侧获取桥梁结构健康监测数据的数据获取单元和第一处理单元,以及位于远端的第二处理单元;
所述第一处理单元以第一压缩比对桥梁结构健康监测数据进行压缩处理获得第一压缩数据,利用第一分类算法对第一压缩数据进行分类获得第一分类结果,若第一分类结果为损伤,传送桥梁结构健康监测数据至第二处理单元,若第一分类结果为健康,结束;
所述第二处理单元接收桥梁结构健康监测数据,以第二压缩比对桥梁结构健康监测数据进行压缩处理获得第二压缩数据,利用第二分类算法对第二压缩数据进行分类获得桥梁损伤程度等级。
10.一种基于权利要求1-8之一所述方法进行桥梁结构损伤状态识别的系统,其特征在于,包括位于桥梁侧获取桥梁结构健康监测数据的数据获取单元和第一处理单元,边缘计算节点,以及位于远端的第二处理单元;
所述第一处理单元以第一压缩比对桥梁结构健康监测数据进行压缩处理获得第一压缩数据,利用第一分类算法对第一压缩数据进行分类获得第一分类结果,若第一分类结果为损伤,传送桥梁结构健康监测数据至边缘计算节点,若第一分类结果为健康,结束;
所述边缘计算节点接收桥梁结构健康监测数据,以第二压缩比对桥梁结构健康监测数据进行压缩处理获得第二压缩数据,利用第二分类算法对第二压缩数据进行分类获得桥梁损伤程度等级,传送桥梁结构健康监测数据至第二处理单元;
所述第二处理单元接收桥梁结构健康监测数据,以第三压缩比对桥梁结构健康监测数据进行压缩处理获得第三压缩数据,利用第三分类算法对第三压缩数据进行分类获得桥梁损伤程度子等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010282966.4A CN111523572A (zh) | 2020-04-10 | 2020-04-10 | 实时桥梁结构损伤状态识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010282966.4A CN111523572A (zh) | 2020-04-10 | 2020-04-10 | 实时桥梁结构损伤状态识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111523572A true CN111523572A (zh) | 2020-08-11 |
Family
ID=71911541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010282966.4A Pending CN111523572A (zh) | 2020-04-10 | 2020-04-10 | 实时桥梁结构损伤状态识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523572A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487157A (zh) * | 2021-06-30 | 2021-10-08 | 四川交达预应力工程检测科技有限公司 | 基于云技术的预应力施工质量无人化监管平台及方法 |
CN113722996A (zh) * | 2021-08-31 | 2021-11-30 | 重庆大学 | 基于k近邻算法的桥梁损伤诊断方法 |
CN114925518A (zh) * | 2022-05-17 | 2022-08-19 | 重庆大学 | 一种基于时间序列和多传感器融合的桥梁健康预警方法 |
CN115357646A (zh) * | 2022-10-17 | 2022-11-18 | 南昌工程学院 | 一种桥梁状态监测方法及系统 |
-
2020
- 2020-04-10 CN CN202010282966.4A patent/CN111523572A/zh active Pending
Non-Patent Citations (1)
Title |
---|
马小洁: "基于时序符号化的桥梁结构损伤状态分步识别方法" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487157A (zh) * | 2021-06-30 | 2021-10-08 | 四川交达预应力工程检测科技有限公司 | 基于云技术的预应力施工质量无人化监管平台及方法 |
CN113487157B (zh) * | 2021-06-30 | 2023-12-15 | 四川交达预应力工程检测科技有限公司 | 基于云技术的预应力施工质量无人化监管平台及方法 |
CN113722996A (zh) * | 2021-08-31 | 2021-11-30 | 重庆大学 | 基于k近邻算法的桥梁损伤诊断方法 |
CN114925518A (zh) * | 2022-05-17 | 2022-08-19 | 重庆大学 | 一种基于时间序列和多传感器融合的桥梁健康预警方法 |
CN114925518B (zh) * | 2022-05-17 | 2024-04-26 | 重庆大学 | 一种基于时间序列和多传感器融合的桥梁健康预警方法 |
CN115357646A (zh) * | 2022-10-17 | 2022-11-18 | 南昌工程学院 | 一种桥梁状态监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523572A (zh) | 实时桥梁结构损伤状态识别方法及系统 | |
Casati et al. | Forecast verification: current status and future directions | |
CN112101480B (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
CN108873859B (zh) | 基于改进关联规则的桥式抓斗卸船机故障预测模型方法 | |
CN105677791A (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
CN117172509B (zh) | 基于装修施工进度分析的施工项目分配系统 | |
CN111209968A (zh) | 基于深度学习的多气象因子模式预报温度订正方法及系统 | |
CN112836720A (zh) | 建筑运维设备异常诊断方法、系统及计算机可读存储介质 | |
CN113468473B (zh) | 户外固定大型机械设备的运行状态实时评估方法及系统 | |
CN117782198A (zh) | 一种基于云边端架构的公路机电设备运行监测方法及系统 | |
CN117421994A (zh) | 一种边缘应用健康度的监测方法和监测系统 | |
CN112885080B (zh) | 一种新能源汽车的行驶工况构建方法 | |
CN115619013A (zh) | 多传感器信息融合火灾预测算法、系统、电子设备及介质 | |
CN115062686A (zh) | 基于多角度特征的多元kpi时序异常检测方法和系统 | |
CN114880954A (zh) | 一种基于机器学习的滑坡敏感性的评估方法 | |
CN113190537A (zh) | 一种用于监控区域内应急抢修现场的数据表征方法 | |
CN111353523A (zh) | 一种对铁路客户进行分类的方法 | |
CN114963408B (zh) | 一种基于数据和特征增强的空调系统非均衡故障诊断方法 | |
CN113393169B (zh) | 基于大数据技术的金融行业交易系统性能指标分析方法 | |
CN116701912B (zh) | 基于一维卷积神经网络的轴承故障诊断方法及系统 | |
CN117151948B (zh) | 一种高校学生外出签到综合管理方法及系统 | |
Li | Energy consumption prediction of public buildings based on PCA-RF-AdaBoost | |
CN113420387B (zh) | 一种压实机械滚动轴承的迁移诊断方法和系统 | |
CN115099332A (zh) | 一种基于混合森林的雷达数据实时处理方法及系统 | |
CN107563017B (zh) | 一种油色谱在线监测数据最优长度选择方法 |
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 |