CN112458890B - 一种桥梁伸缩装置及支座远程实时监测系统及方法 - Google Patents

Abstract

本发明属于桥梁监测技术领域，具体涉及一种桥梁伸缩装置及支座远程实时监测系统及方法。其技术方案为：一种桥梁伸缩装置及支座远程实时监测系统，包括设置在伸缩装置和支座上的若干应变传感器、位移传感器、温度传感器和摄像机；还包括数据采集模块、预处理模块和终端数据处理中心，终端数据处理中心可求解车载总重。一种桥梁伸缩装置及支座远程实时监测方法，包括如下步骤：S1：实时应变值、位移值、温度值；S2：在线设置应变阈值，求解车载总重；S3：反映和监视伸缩装置的运行动态并实时对前后图片进行智能相似度对比鉴别。本发明提供了可计算和记录重载车辆信息、且能对桥梁伸缩装置及支座健康状况进行远程实时监测的系统及方法。

Description

一种桥梁伸缩装置及支座远程实时监测系统及方法

技术领域

本发明属于桥梁监测技术领域，具体涉及一种桥梁伸缩装置及支座远程实时监测系统及方法。

背景技术

随着桥梁建造技术的进步和高速公路通车里程的跨越式发展，我国已一跃成为桥梁大国。加之我国地貌的多样化，悬索桥、斜拉桥的跨径不断突破设计上限。对桥梁体系的主缆、吊杆和斜拉索及大位移量伸缩装置、桥梁支座等关键受力构件的实际工况的实时监控显得愈发突出。这些节点的受力大小及分布变化直接地反映大桥结构的健康状况,而由于桥梁的特殊性，许多重要的监测点人工是不易抵达的，有效的检测制度难以形成和得到保障。因此，对这些构件的受力状况的自动监测及在此基础上运用海量数据的安全评估、分析对于大桥的安全、可靠地运行就具有重大和现实的意义了。

桥梁伸缩装置和桥梁支座作为桥梁的重要基础组件，有着通前彻后，承上启下的作用。由于其特殊性，设计上难以做到与桥梁主体结构同寿命，而其健康的工况直接影响到桥梁的运行，一旦工作异常，轻则活载通过的舒适性和通行效率将受到影响，重则将导致交通阻断或造成人身及财产损失，这在大桥实际的运行中已屡次得到应验。因此，防患于未然，把事故控制在萌发状态，避免因早期局部零部件的失效，打破了力的平衡与分配，从而引起“链式”的恶性循环，造成不可逆转的后果。及时有效地把控设备的实际工作状态，实时地介入人工干预与处理已是一件事在必行的工作。

发明内容

为了解决现有技术存在的上述问题，本发明目的在于提供可计算和记录重载车辆信息、且能对桥梁进行健康状况监测的桥梁伸缩装置及支座远程实时监测系统及方法。

本发明所采用的技术方案为：

一种桥梁伸缩装置及支座远程实时监测系统，包括设置在伸缩装置和支座上的若干应变传感器、位移传感器、温度传感器和摄像机；还包括数据采集模块、预处理模块和终端数据处理中心，应变传感器、位移传感器和温度传感器均与数据采集模块电连接，数据采集模块和数据预处理模块用于在线设置应变阈值而做预处理，预处理模块分别与数据采集模块、设置在被测装置处的若干摄像机以及远程的终端数据处理中心通信连接，摄像机用于定时或受阈值触发时发送图片或视频到远程终端数据处理中心，终端数据处理中心用于根据轴重应变值与对应的即时速度、采用数据拟合方式、通过标定由典型车重和速度而建立的函数方程式计算求解车载总重。

应变传感器能检测梁伸缩装置及支座各个位置的应变情况，位移传感器能记录梁伸缩装置及支座的位移信息，温度传感器能检测梁伸缩装置及支座的实时温度，并可由温度对时间的定积分求得缝宽或位移。通过应变可求得被测装置的应力、弯矩、挠度，综合位移、温度，可判断被测装置的运行状况。

当预处理模块检测到应变超过设定的阈值时，预处理模块触发车辆数据计算模块和摄像机，则车辆数据可通过解析建立的高次多项式方程式计算车重，摄像机拍摄车辆的图像，并记录时间信息。掌握获取的车重、速度、车辆图像等信息后，桥梁管理者能及时发现并引导重载车辆进入管理区域，影像记录系统将备份数据，以供日后的调用。

摄像机在应变超过阈值时也将发送实时图像、图片，且连续定时发送视频或图片到终端数据处理中心。保证终端数据处理中心实时监控桥梁状态。在应变、位移、温度等无法判断桥梁状况时，图像或图片资料能作为补充，便于管理者对桥梁状况进行综合判断。

作为本发明的优选方案，所述车辆数据还用于计算车流量(统计各车辆数的和)、车重、速度，通过时刻。车重、速度、通过时刻的计算方法分别为：通过解析建立的高次多项式方程式计算；由前后两应变传感器的距离与对应轮压产生的两应变传感器峰值时间间隔相除的商求得；由车轴应变值触发阈值产生的采集数据时刻标记计算。终端数据处理中心还能分别计算车流量、车重、速度、通过时间、装置受力、挠度、缝宽、位移等，全面记录车载信息。

作为本发明的优选方案，所述终端数据处理中心安装通过编制的人机显示界面管理软件，用于反映和监视伸缩装置的运行动态并实时对前后图片进行智能相似度对比鉴别；所述终端数据处理中心通过神经网络算法的模式识别技术，判别被检测对象与标准样本的差异性来监测对象。

作为本发明的优选方案，还包括报警装置，报警装置用于当人机显示界面管理软件鉴别的差异率超出设定值时，进行报警。

作为本发明的优选方案，所述应变传感器为电阻应变片式传感器或压电传感器；所述位移传感器为拉绳传感器或磁致伸缩传感器。

作为本发明的优选方案，还包括低通滤波器和高通滤波，低通滤波器和高通滤波均与数据采集模块电连接。

一种桥梁伸缩装置及支座远程实时监测方法，包括如下步骤：

S1：实时采集伸缩装置和支座的应变值、位移值、温度值；

S2：在线设置应变阈值，应变值超过阈值时，摄像机被触发向终端数据处理中心发送图片或视频，且终端数据处理中心根据轴重应变值与对应的即时速度、采用数据拟合方式、通过标定由典型车重和速度而建立的函数方程式计算求解车载总重；

S3：反映和监视伸缩装置的运行动态并实时对前后图片进行智能相似度对比鉴别，判定被测对象健康状况。

作为本发明的优选方案，在步骤S2中，终端数据处理中心还进行以下计算：

通过前后两应变传感器的距离与对应轮压产生的两应变传感器峰值时间间隔相除的商计算求得车速；

通过时刻由应变传感器轮载峰值产生时的时间标记获得通过时刻；

由应变产生的结构计算弯矩或力，结合材料计算求得被检测对象的受力及形变；

通过计算装置处温度对时间的定积分或位移传感器实现缝宽和支座位移量计算。

作为本发明的优选方案，在步骤S3中，通过神经网络算法或哈希算法判别被检测对象与标准样本的差异性来监测对象。

作为本发明的优选方案，所述神经网络包括卷积层、池化层、全连接网络层、损失函数；在卷积层中，使用了N*N的卷积核对数据提取特征，对于当前层经过滤波后的数据，采用非线性激活函数以增加神经网络的非线性；激活函数将从ReLU、LreLU、Logistic、LreLU、PreLU、SReLU和 EReLU中挑选，数学表达为

其中，

表示在l层的第j 个特征图，f(·)为激活函数，M_j表示输入图像的特征量，

为卷积核，

为偏置项；每1至5层相连的卷积层后，一层池化层将被周期性地插入用于逐渐降低数据体的空间尺寸；全连接网络层用于最后的1～3层，用于在提取的高层特征向量上进行线性组合并且输出特征向量；损失函数用于对比当前图像与正常状态图像的特征向量的差异程度；

所述哈希算法基于模式识别技术，由被检测对象与标准样本差异性判别来监测对象；将检测图像缩小图片分辨率；再将其转为灰度图，并计算所有像素的灰度平均值；将每个像素的灰度与平均值进行比较，大于或等于平均值记为1，小于平均值记为0；随后将上一步的结果组合成N*N长度的整数；最后将检测图片的对应整数与标准图片进行对比得到其汉明距离；如果大于预先设定的阈值则认为差异过大。

本发明的有益效果为：

1.本发明的应变传感器能检测梁伸缩装置及支座各个位置的应力情况，位移传感器能记录梁伸缩装置及支座的位移信息，温度传感器能检测梁伸缩装置及支座的实时温度。从而通过应力、位移、温度，可综合判断桥梁的健康状况。

2.当预处理模块检测到应变超过设定的阈值时，预处理模块触发摄像机，并向终端数据处理中心传输图像和诸传感器数据，则终端数据处理中心计算车辆总重，摄像机拍摄重载车辆的图像，并记录时间信息。当获取车辆总重、车辆图像等信息后，桥梁管理者能及时发现并引导重载车辆进入管理区域，影像记录系统将备份数据，以供日后的调用。

3.本发明通过反映和监视伸缩装置及支座的运行动态，并实时对前后图片进行智能相似度对比鉴别，可判定被测对象健康状况。通过神经网络算法或哈希算法可判断实时图像与标准图像的差异程度，则可根据该差异程度准确判断桥梁健康情况。

附图说明

图1是本发明的结构示意图；

图2是本发明的方法流程图。

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。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

实施例1：

如图1所示，本实施例的桥梁伸缩装置及支座远程实时监测系统，包括设置在伸缩装置和支座上的若干应变传感器、位移传感器、温度传感器和摄像机；还包括数据采集模块、预处理模块和终端数据处理中心，应变传感器、位移传感器和温度传感器均与数据采集模块电连接，数据采集模块和数据预处理模块用于在线设置应变阈值并做预处理，预处理模块分别与数据采集模块、设置在被测装置处的若干摄像机以及远程的终端数据处理中心通信连接，摄像机用于定时或受阈值触发时发送图片或视频到远程终端数据处理中心，终端数据处理中心用于根据轴重应变值与对应的即时速度、采用数据拟合方式、通过标定由典型车重和速度而建立的函数方程式计算求解车载总重。

车载总重由轴重应变值与对应的即时速度，采用数据拟合方式，通过标定由典型车重和速度而建立的函数方程式计算求解。采用最小二乘法的曲面拟合方式，解析建立的高次曲面方程：

式中：W为车重；P为轴重产生的应变；V为即时车速；c_i,j-i为待定参数。

n次曲面方程有(n+1)(n+2)/2个待定参数c_i,j-i。通过超过 (n+1)(n+2)/2数量的真值可求解待定参数。如，当n＝3时，用最小二乘法求解可得10个c_i,j-i待定参数。

有高次多项式方程:

W＝C₃₀V³+C₂₁V²P+C₁₂VP²+C₀₃P³+C₂₀V²+C₁₁VP+C₀₂P²+C₁₀V+C₀₁P+C₀₀

即，上述高次方程代表了W＝f(P,V)的函数表达关系。将多组真值带入上述方程即可求出Ci,j待定参数。

也可用直线或曲线拟合的方法，如，以V为纵坐标,P为横坐标，分别以已知重量的轻、中、重车，按低、中、高速的典型速度标定若干点，这样在上述坐标系中可得三个数据条带，视数据特点，以直线或曲线拟合，也可得三条W与P,V的直线或曲线函数关系式，由带入的P,V值的点距这三条的距离判断是那类型的车载，是轻车、中重车或是重车。

所述车辆数据还用于计算车流量(统计各车辆数的和)、车重、速度，通过时刻。车重、速度、通过时刻的计算方法分别为：通过解析建立的高次多项式方程式计算；由前后两应变传感器的距离与对应轮压产生的两应变传感器峰值时间间隔相除的商求得；由车轴应变值触发阈值产生的采集数据时刻标记计算。终端数据处理中心还能分别计算车流量、车重、速度、通过时间、装置受力、挠度、缝宽、位移等，全面记录车载信息。

应变传感器能检测梁伸缩装置及支座各个位置的应力情况，位移传感器能记录梁伸缩装置及支座的位移信息，温度传感器能检测梁伸缩装置及支座的实时温度。从而通过应力、位移、温度，可综合判断被测对象的健康状况。用于伸缩装置及支座远程实时数据采集及监控系统的应变传感器诸元，将针对桥梁结构布设在伸缩装置及支座的特征部位，如，伸缩装置大横梁或上部异形钢对应行车道轮胎踏面处，或支座特征受力部位。布设在这些特征部位的应变传感器测量值可以直接地监测伸缩装置、支座的各项力能参数，如，主要零部件应力、压力、形变、位移、危险截面最大挠度、最大缝宽、最小缝宽等，并实时过载报警。这些数据的实时采集和处理可直观、及时地反映伸缩装置及支座的实际工况。

当预处理模块检测到应变超过设定的阈值时，预处理模块触发车辆数据计算模块和摄像机，则车辆数据可通过解析建立的高次多项式方程式计算车重，摄像机拍摄车辆的图像，并记录时间信息。掌握获取的车重、速度、车辆图像等信息后，桥梁管理者能及时发现并引导重载车辆进入管理区域，影像记录系统将备份数据，以供日后的调用。

摄像机在应变超过阈值时也将发送实时图像、图片，且连续定时发送视频或图片到终端数据处理中心。保证终端数据处理中心实时监控桥梁状态。在应变、位移、温度等无法判断桥梁状况时，图像或图片资料能作为补充，便于管理者对桥梁状况进行综合判断。

当超过设定阈值的重载车通辆过桥梁伸缩装置时，会产生大的结构冲击力能峰值响应，这将触发监控系统，通过对应变峰值的监测可以实时计算重载车的总重、轴重、速度。所述预处理模块还通信连接有终端数据中心。终端数据中心能记录预处理模块发送的车辆数据计算模块的计算数据和摄像机拍摄图像信息。主控室的HMI(人机界面)将实时显示监控信息，并预留桥面即时影像记录系统，可将该时刻拍摄的重载车辆的图像、时间信息，存储备查。

监控系统将桥中心侧和桥护栏侧的伸缩装置行车道下部的边侧、中间、边侧的缝作为特征位置监测点，在两位移箱中央的异形钢下缘设置应变传感器(含温度补偿)组成的全电桥作为力学数据采集输入端；以直线型位移传感器或温度传感器(以温度对时间的积分，建立伸缩装置位移量对应模型函数)作为位移数据采集输入端；二者测量信号由前端数据采集并预处理后发送(无线或经光纤传送)至后方终端，以实现待检测的各模拟量的实时测量与监视。

更进一步地，所述摄像机定时发送图片或视频到终端数据处理中心。摄像机在应变超过阈值时也将被触发发送实时图像，以保证终端数据处理中心实时监控桥梁车载状态。在应变、位移、温度等无法判断桥梁被测装置状况时，图像资料能作为补充，便于管理者对桥梁各被测装置状况进行综合判断。

当采用光纤传输时，实时信号的监测传输距离通常以5-10Km计，采用 4G/5G无线传输时各路信号传输至桥梁伸缩装置所在前端无线路由器，通过无线网络传至后方。摄像头采用带有可见光及红外功能的，红外功能为夜间及光照度不足时用。每桥台两侧设置伸缩装置视频监控摄像机4-6台，视现场工况以“左右幅各二，上一下一”(桥上一及桥下一)或“左右幅各三，上一下二”(桥上一及桥下二)配置，对伸缩装置上下进行定点监视，支座视频监控可调定摄像机云台角度实现，云台功能也可作为人工远程巡检时运用。典型分辨率在1027x786(彩色),输出为RJ45端子。由于伸缩装置及(滑动)支座的运动极其缓慢，伸缩装置下的摄像头将采用分段采样的方式来处理数据，并以图片为主，视频为辅。每5分钟或10分钟(时间间隔可调定)巡检采一次样，依次循环，以减少数据传输量，减少设备投入、维护、使用费用。

更进一步，所述终端数据处理中心通过编制的人机显示界面管理软件，可反映和监视被检对象的运行动态并实时对前后图片进行相似度智能对比鉴别。通过图片对比研判，可及时、智能地发现被检对象的工作状况。当人机显示界面管理软件的专家系统鉴别的差异率超出设定值时，以声、光、图的报警形式输出。

当远程的终端数据处理中心接收到通过4G/5G或有线网络的，来自前端发送的车载数据和图片时，将处理已满足车辆轴重应变阈值和行车道条件的数据，并将已打上设备节点ID号(行车道传感器编号)和时间戳的轴重应变数据作为一组关联数据包，从基础数据求中间变量，再按已标定车重、应变、速度关系的函数式或力学模型解析出最终结果，如，速度、缝宽、车重、应力、挠度等。为实现高效稳定地长距离传送数据，有条件的地方，所有信号可通过前端交换机整合后由光纤网络传输，经光纤传送至远端的主控室，如距离过大，可采用中继接力的方法延长通讯距离。在接收端将光纤网络将信号送至主控室上位机处理，最终在HMI(人机界面)显示。以反映和监视前端设备的运行动态，组态软件将设定反映各设备实时运行参数，如应变、压力、缝宽、缝间最大、最小缝差、最大绕度处应力值和应力幅值，阈值设定、过载报警等，并可用智能专家系统对装置工作状态进行评估、研判，报警将以声、光、图的形式输出，数据和影像记录系统将备份数据，以供日后的调用。

考虑到用户的不同需求和系统运行的经济型，活载所带来的应力触发阈值可预先或在线设定，以便灵活地适用于各种不同的工况应用场景。监控系统前端传感器的采样频率决定于活载的最大变化速率。通常情况下，典型值设定为1000Hz。

其中，所述应变传感器为电阻应变片式传感器或压电传感器；所述位移传感器为拉绳传感器或磁致伸缩传感器。本发明还包括低通滤波器和高通滤波，低通滤波器和高通滤波器设置在数据采集模块、预处理模块内。低通滤波去掉不利的高频信号，留下低频信号。高通滤波去掉不利低频信号，留下高频信号，使取得的信号在合理的频段。

更进一步，考虑到业主或有设置大桥主监控室的计划，在方案设定时，可将伸缩装置远程实时监控系统一并纳入其计划，因两者有许多硬件、软件可一并考虑，一台上位机可同时或分屏显示、监控大桥的各个部位、部件，如箱梁、缆索、桥面、伸缩装置、支座、阻尼器等，在HMI(人机界面) 中用“菜单”切换即可，光纤、电缆槽等的设计、敷设、施工等也可统筹考虑，故，设计系统时，将留有相应的预留接口。

大位移伸缩装置上引入的在线实时监控系统，其系统监控摄像头可支持100-130万像素采样及红外。通过内置4G/5G无线发射模块连入互联网，可定时发送图片至制定的FTP服务器传送至远端的主控室，也可通过手机、电脑查看各摄像点的实时图像及数据。在终端，通过编制的HMI(人机显示界面管理软件)可反映和监视伸缩装置的运行动态并实时对前后图片进行智能相似度对比鉴别，当差异率超出设定值时系统会认为监测对象有大的变化(如极端工况下的零部件断裂、脱落等)而进行声光图报警。HMI管理软件可对历史数据进行排序、筛查、寻找等管理，使得大桥的管理者对伸缩装置的运行状态高效地实时监控，实现远端的无人值守，降低了人工的主观误判及劳动强度。系统还考虑了扩展接口，为下一步进行监测伸缩装置的各项力能参数，如，应力、应变、形变、危险截面最大挠度、最大缝宽、最小缝宽、过载报警、车流量统计等。这些数据的实时采集和处理可直观、及时地反映伸缩装置的实际工况。

更进一步，各力能信号形式通常为350欧姆，全桥电阻应变仪，桥压 4-9V,数量:左半幅3-4路，右半幅3-4路，共6-8路。

伸缩装置上部梁的受力受车载影响最大，缝宽的主运动受温度的变化影响最大，因此温度对时间的积分可计算伸缩装置缝宽。温度传感器为热敏电阻器，常温型，阻值选5K欧姆，数量:左半幅1路，右半幅1路，共2 路。温度传感器一路在设计上做成与力能数据兼容的。即，此路既可作温度传感用，也可作力能数据传输用，二选一。

数据预处理：设定各路力能传感器及各参数的阈值点或取值范围，此阈值点可预先人工设定或在线实时更改，当触发此阈值时，连同即时的时间戳(某时某刻)、节点ID号(每台传感器的编号，以便识别)向终端传输数据。温度传感器不设阈值，按一定时间间隔传输即可(间隔初定120S)。数据的传输方式以整合各路数据后打包，分批发送。

鉴于设备布置在桥梁的左右半幅，相隔十余米，视不同的桥型和行车道，检测信号的总路数在8-10。做成4+1路(4路力能+1路温度)的单元组合式装置，左右半幅各用一组(4+1路)。如今后检测信号总路数增加，可像搭积木的方式一样增加一个或数个单元组合。这样可使得信号馈线尽可能短，引线就进接驳，减少信号噪声。既有适应各种桥型的灵活性，也兼顾了经济性。

传输方式按无线和有线两种：

无线时，力能、温度为一路。视频、图片为一路。预处理后的8-10路力能、温度信号由有线以太网汇总至前端带4G/5G的无线路由器向终端传送数据。视频、图片一路也由有线以太网汇总至前端带4G/5G的无线路由器。考虑到在桥面进行现场数据采集的可能性，选用具有WiFi功能的无线路由器。

有线时，各路信号汇总至前端交换机，再由有线网络统一回传数据。无线和有线两种传输方式的选择视不同的应用条件而定。

考虑到前端设备的易维护性，设备具有断电后恢复供电时的自动重启功能和人工在线重启功能。设备具有传感器实时数据显示，以便现场调试。这种显示可以在独立的装置上,也可以在汇总多路后的前端设备屏上显示。

本发明的基础应用工况条件如下表所示：

实施例2：

如图2所示，本实施例的桥梁伸缩装置及支座远程实时监测方法，包括如下步骤：

S1：实时采集伸缩装置和支座的应变值、位移值、温度值。

S2：在线设置应变阈值，应变值超过阈值时，摄像机被触发向终端数据处理中心发送图片或视频，且终端数据处理中心根据轴重应变值与对应的即时速度、采用数据拟合方式、通过标定由典型车重和速度而建立的函数方程式计算求解车载总重；

通过前后两应变传感器的距离与对应轮压产生的两应变传感器峰值时间间隔相除的商计算求得车速；

通过时刻由应变传感器轮载峰值产生时的时间标记获得；

由应变产生的结构计算弯矩或力，结合材料计算求得被检测对象的受力及形变；

通过计算装置处温度对时间的定积分或位移传感器实现缝宽和支座位移量计算。

S3：反映和监视伸缩装置的运行动态并实时对前后图片进行智能相似度对比鉴别，判定被测对象健康状况；通过神经网络算法或哈希算法判别被检测对象与标准样本的差异性来监测对象。

具体地，所述神经网络包括卷积层、池化层、全连接网络层、损失函数；在卷积层中，使用了N*N的卷积核对数据提取特征，对于当前层经过滤波后的数据，采用非线性激活函数以增加神经网络的非线性；激活函数将从ReLU、LreLU、Logistic、PreLU、SReLU和EReLU中挑选，数学表达为

其中，

表示在l层的第j个特征图，f(·)为激活函数，M_j表示输入图像的特征量，

为卷积核，

为偏置项；每1至5 层相连的卷积层后，一层池化层将被周期性地插入用于逐渐降低数据体的空间尺寸；全连接网络层用于最后的1～3层，用于在提取的高层特征向量上进行线性组合并且输出特征向量；损失函数用于对比当前图像与正常状态图像的特征向量的差异程度；

所述哈希算法基于模式识别技术，由被检测对象与标准样本差异性判别来监测对象；将检测图像缩小图片分辨率；再将其转为灰度图，并计算所有像素的灰度平均值；将每个像素的灰度与平均值进行比较，大于或等于平均值记为1，小于平均值记为0；随后将上一步的结果组合成N*N长度的整数；最后将检测图片的对应整数与标准图片进行对比得到其汉明距离；如果大于预先设定的阈值则认为差异过大。

本发明通过反映和监视伸缩装置及支座的运行动态，并实时对前后图片进行智能相似度对比鉴别，可判定被测对象健康状况。通过神经网络算法或哈希算法可判断实时图像与标准图像的差异程度，则可根据该差异程度准确判断被检测对象的健康情况。

本发明不局限于上述可选实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是落入本发明权利要求界定范围内的技术方案，均落在本发明的保护范围之内。

Claims (8)

1.一种桥梁伸缩装置及支座远程实时监测系统，其特征在于，包括设置在伸缩装置和支座上的若干应变传感器、位移传感器、温度传感器和摄像机；还包括数据采集模块、预处理模块和终端数据处理中心，应变传感器、位移传感器和温度传感器均与数据采集模块电连接，数据采集模块和数据预处理模块用于在线设置应变阈值并做预处理，预处理模块分别与数据采集模块、设置在被测装置处的若干摄像机以及远程的终端数据处理中心通信连接，摄像机用于定时或受阈值触发时发送图片或视频到远程终端数据处理中心，终端数据处理中心用于根据轴重应变值与对应的即时速度、采用数据拟合方式、通过标定由典型车重和速度而建立的函数方程式计算求解车载总重；所述终端数据处理中心还用于计算车速、通过时刻、被检测对象的受力及形变、缝宽和支座位移量；其中，车速由前后两应变传感器的距离与对应轮压产生的两应变传感器峰值时间间隔相除的商计算求得；通过时刻由应变传感器轮载峰值产生时的时间标记获得；被检测对象的受力及形变由应变产生的结构计算弯矩或力，结合材料计算求得；缝宽和支座位移量由计算装置处温度对时间的定积分或位移传感器实现。

2.根据权利要求1所述的一种桥梁伸缩装置及支座远程实时监测系统，其特征在于，所述终端数据处理中心安装通过编制的人机显示界面管理软件，用于反映和监视伸缩装置及支座的运行动态并实时对前后图片进行智能相似度对比鉴别；所述终端数据处理中心通过神经网络算法的模式识别技术，判别被检测对象与标准样本的差异性来监测对象。

3.根据权利要求1所述的一种桥梁伸缩装置及支座远程实时监测系统，其特征在于，还包括报警装置，报警装置用于当人机显示界面管理软件鉴别的差异率超出设定值时，进行报警。

4.根据权利要求1所述的一种桥梁伸缩装置及支座远程实时监测系统，其特征在于，所述应变传感器为电阻应变片式传感器或压电传感器；所述位移传感器为拉绳传感器或磁致伸缩传感器。

5.根据权利要求1～4任意一项所述的一种桥梁伸缩装置及支座远程实时监测系统，其特征在于，还包括低通滤波器和高通滤波，低通滤波器和高通滤波均与数据采集模块电连接。

6.一种桥梁伸缩装置及支座远程实时监测方法，其特征在于，包括如下步骤：

S1：实时采集伸缩装置和支座的应变值、位移值、温度值；

S2：在线设置应变阈值，应变值超过阈值时，摄像机被触发向终端数据处理中心发送图片或视频，且终端数据处理中心根据轴重应变值与对应的即时速度、采用数据拟合方式、通过标定由典型车重和速度而建立的函数方程式计算求解车载总重；

S3：反映和监视伸缩装置的运行动态并实时对前后图片进行智能相似度对比鉴别，判定被测对象健康状况；

在步骤S2中，终端数据处理中心还进行以下计算：

通过前后两应变传感器的距离与对应轮压产生的两应变传感器峰值时间间隔相除的商计算求得车速；

通过时刻由应变传感器轮载峰值产生时的时间标记获得；

由应变产生的结构计算弯矩或力，结合材料计算求得被检测对象的受力及形变；

通过计算装置处温度对时间的定积分或位移传感器实现缝宽和支座位移量计算。

7.根据权利要求6所述的一种桥梁伸缩装置及支座远程实时监测方法，其特征在于，在步骤S3中，通过神经网络算法或哈希算法判别被检测对象与标准样本的差异性来监测对象。

8.根据权利要求7所述的一种桥梁伸缩装置及支座远程实时监测方法，其特征在于，所述神经网络包括卷积层、池化层、全连接网络层、损失函数；在卷积层中，使用了N*N的卷积核对数据提取特征，对于当前层经过滤波后的数据，采用非线性激活函数以增加神经网络的非线性；激活函数将从ReLU、LreLU、Logistic、PreLU、SReLU和EReLU中挑选，数学表达为

其中，

表示在l层的第j个特征图，f(·)为激活函数，M_j表示输入图像的特征量，

为卷积核，

为偏置项；每1至5层相连的卷积层后，一层池化层将被周期性地插入用于逐渐降低数据体的空间尺寸；全连接网络层用于最后的1～3层，用于在提取的高层特征向量上进行线性组合并且输出特征向量；损失函数用于对比当前图像与正常状态图像的特征向量的差异程度；

所述哈希算法基于模式识别技术，由被检测对象与标准样本差异性判别来监测对象；将检测图像缩小图片分辨率；再将其转为灰度图，并计算所有像素的灰度平均值；将每个像素的灰度与平均值进行比较，大于或等于平均值记为1，小于平均值记为0；随后将上一步的结果组合成N*N长度的整数；最后将检测图片的对应整数与标准图片进行对比得到其汉明距离；如果大于预先设定的阈值则认为差异过大。

Images