CN113468635A - 一种基于振动信号和循环神经网络的斜拉索索力识别方法 - Google Patents

一种基于振动信号和循环神经网络的斜拉索索力识别方法 Download PDF

Info

Publication number
CN113468635A
CN113468635A CN202110638031.XA CN202110638031A CN113468635A CN 113468635 A CN113468635 A CN 113468635A CN 202110638031 A CN202110638031 A CN 202110638031A CN 113468635 A CN113468635 A CN 113468635A
Authority
CN
China
Prior art keywords
neural network
cable force
cable
vibration
data
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Withdrawn
Application number
CN202110638031.XA
Other languages
English (en)
Inventor
王延伟
吴雨佼
朱万旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guilin University of Technology
Original Assignee
Guilin University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guilin University of Technology filed Critical Guilin University of Technology
Priority to CN202110638031.XA priority Critical patent/CN113468635A/zh
Publication of CN113468635A publication Critical patent/CN113468635A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bridges Or Land Bridges (AREA)

Abstract

本发明公开了一种基于振动信号和循环神经网络的斜拉索索力识别方法，包括以下步骤：持续采集斜拉索的振动信号，每当缓冲4096个振动数据，对4096个索力值进行归一化处理(采用线性归一化方法)；将归一化处理后的4096个缓冲数据输入到训练后的循环神经网络中，循环神经网络经过计算后，给出索力值；循环神经网络具有1层输入层，1层全连接输出层和3层隐藏层(LSTM和Dropout)；通过持续更新缓冲的4096个振动数据，实现斜拉索索力的持续更新计算。本发明方法以端到端的方式实现索力识别，避免了振动频域法的各阶基频识别和索力计算简化，可以给出更为准确的索力值，适用于实际工程的斜拉索索力的在线识别。

Description

一种基于振动信号和循环神经网络的斜拉索索力识别方法
技术领域
本发明涉及一种基于振动信号和循环神经网络的斜拉索索力识别方法，主要用于利用斜拉索的振动信号识别索力。
背景技术
斜拉桥作为一种大跨度桥型，在其承受荷载的传力过程中，主梁、斜拉索和主塔组成了主要的传力构件，其中斜拉索承担索塔和主梁之间的荷载传递，一旦斜拉索的荷载传递失效，将会带来灾难性的后果，造成巨大的生命财产损失，因此，需要在整个桥梁的运营期内准确掌握斜拉索的受力状态。在桥梁的复杂运营环境中，仅依靠人工巡检难以确保斜拉索具有良好的受力状态，基于多种类型传感器的斜拉索索力监测是评估斜拉索受力状态的主要方法。目前，已经开发了多种传感监测技术用于斜拉索索力监测，主要包括应变式传感器的索力监测(基于电阻或光纤光栅的应变测量)、基于磁性传感器的索力监测和基于振动传感器的索力监测。其中，基于振动传感器的索力监测，因振动传感器现场安装的简单快速，计算方法简单，而受到广泛的关注。目前，主要采用振动频域法来从振动信号中确定索力，振动频率法的基本原理是通过斜拉索的振动信号识别出斜拉索的各阶基频，再将基频代入钢弦振动方程求解索力。然而，振动频率法的计算精度却难以得到保证，一方面是因为拉索的振动环境复杂，从振动信号中识别出各阶基频的准确性难以得到保证；另一方面是因为它在计算过程中采用了多个假设条件，包括不考虑拉索的自重，简化拉索两端连接，无阻尼的振动等，这些假设条件在工程中是很难满足的。
循环神经网络是一种处理时序型数据的典型神经网络，以端到端(end-to-end)的方式进行时序数据的处理，基于循环神经网络的这一特性，拟采用循环神经网络实现振动信号和索力之间的直接计算，避免振动频率法的前述不足。
发明内容
针对基于振动频域方法识别索力的上述不足，本发明提供了一种基于振动信号和循环神经网络的斜拉索索力识别方法，在该方法中，将实测拉索的振动信号作为循环神经网络的输入，拉索的索力作为循环神经网络的输出，输入和输出之间是多层隐藏层。利用实测的振动信号和索力建立数据集，数据集按比例划分为训练数据集、验证数据集和测试数据集，循环神经网络的架构和超参数由训练数据集和验证数据集来确定，循环神经网络识别索力的准确性由测试数据集进行验证。本发明方法仅根据斜拉索的振动信号数据，便可给出较为准确的拉索索力，可用于斜拉桥拉索索力的在线识别。
本发明为实现上述目的所采用的技术方案是：
1)数据集的生成：调整拉索索力时，利用振动传感器(加速度传感器或者速度传感器)获取振动信号，每4096个数据点(采样频率为100次/秒)划分为一次样本数据并进行归一化，将实测索力数据作为本次样本的标记，通过持续测量，生成大量的带标记的样本数据，将样本数据划分为训练数据集(60％)，验证数据集(20％)和测试数据集(20％)。
2)优化循环神经网络模型：4096个振动信号数据点作为循环神经网络输入层；循环神经神经网络包括3层隐含层，每层包括1个LSTM(激活函数relu)和1个Dropout(舍弃率为0.2)；全连接层(激活函数linear)为输出层，输出的数值(1维)作为索力值；通过对循环神经网络进行反复的训练和验证，确定最优的模型架构和超参数。
3)循环神经网络模型持续计算：缓冲振动传感器的持续测量数据，当数据点数量达到4096个时，将缓冲的振动数据输入到循环神经网络模型中，循环神经网络模型计算后给出1个索力值，不断重复这一过程，实现拉索索力的持续更新计算。
本发明方法的优点：
1)本发明方法直接利用拉索振动信号计算索力，避免了振动频域法的各阶基频识别和索力计算简化，可以给出更为准确的索力值。
2)本发明方法实现了端到端(end-to-end)索力识别，除了适用于斜拉桥拉的斜拉索，也适用于其它建筑结构中拉索索力的识别，具有较好的通用性。
3)本发明方法采用标准的循环神经网络实现，计算方法简单，程序实现容易，计算速度快，可用于斜拉桥拉索索力的在线识别。
附图说明
图1为一种基于振动信号和循环神经网络的斜拉索索力识别方法的网络模型。
图2为一种基于振动信号和循环神经网络的斜拉索索力识别方法的实施流程。
具体实施方式
实施例：
下面结合实施例对本发明做进一步说明，但本发明并不限于以下实施例。
本发明所提供的基于振动信号和循环神经网络的索力识别方法的具体实施流程如下：
1)持续采集斜拉索的振动信号，每当缓冲4096个振动数据(采样频率为100次/秒)，对4096个索力值进行归一化处理(采用线性归一化方法(x-min(x))/(max(x)-min(x)))。
2)将归一化处理后的4096个缓冲数据输入到训练后的循环神经网络中，循环神经网络经过计算后，给出索力值。
3)当采集到新的4096个振动数据，用新数据替换掉缓冲的4096个振动数据，利用循环神经网络进行索力计算。
4)反复执行2)和步骤3)，实现斜拉索索力的持续更新计算。

Claims (1)

1.一种基于振动信号和循环神经网络的斜拉索索力识别方法，其特征在于具体步骤为：
1)数据集的生成：调整拉索索力时，利用振动传感器(加速度传感器或者速度传感器)获取振动信号，每4096个数据点(采样频率为100次/秒)划分为一次样本数据并进行归一化，将实测索力数据作为本次样本的标记，通过持续测量，生成大量的带标记的样本数据，将样本数据划分为训练数据集(60％)，验证数据集(20％)和测试数据集(20％)；
2)优化循环神经网络模型：4096个振动信号数据点作为循环神经网络输入层；循环神经神经网络包括3层隐含层，每层包括1个LSTM(激活函数relu)和1个Dropout(舍弃率为0.2)；全连接层(激活函数linear)为输出层，输出的数值(1维)作为索力值；通过对循环神经网络进行反复的训练和验证，确定最优的模型架构和超参数；
3)循环神经网络模型持续计算：缓冲振动传感器的持续测量数据，当数据点数量达到4096个时，将缓冲的振动数据输入到循环神经网络模型中，循环神经网络模型计算后给出1个索力值，不断重复这一过程，实现拉索索力的持续更新计算。
CN202110638031.XA 2021-06-08 2021-06-08 一种基于振动信号和循环神经网络的斜拉索索力识别方法 Withdrawn CN113468635A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110638031.XA CN113468635A (zh) 2021-06-08 2021-06-08 一种基于振动信号和循环神经网络的斜拉索索力识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110638031.XA CN113468635A (zh) 2021-06-08 2021-06-08 一种基于振动信号和循环神经网络的斜拉索索力识别方法

Publications (1)

Publication Number Publication Date
CN113468635A true CN113468635A (zh) 2021-10-01

Family

ID=77869209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110638031.XA Withdrawn CN113468635A (zh) 2021-06-08 2021-06-08 一种基于振动信号和循环神经网络的斜拉索索力识别方法

Country Status (1)

Country Link
CN (1) CN113468635A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114169374A (zh) * 2021-12-10 2022-03-11 湖南工商大学 一种斜拉桥斜拉索损伤识别方法及电子设备
CN115407666A (zh) * 2022-11-02 2022-11-29 中南大学 基于lstm逆向模型的半主动控制方法、装置、设备和存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114169374A (zh) * 2021-12-10 2022-03-11 湖南工商大学 一种斜拉桥斜拉索损伤识别方法及电子设备
CN114169374B (zh) * 2021-12-10 2024-02-20 湖南工商大学 一种斜拉桥斜拉索损伤识别方法及电子设备
CN115407666A (zh) * 2022-11-02 2022-11-29 中南大学 基于lstm逆向模型的半主动控制方法、装置、设备和存储介质
CN115407666B (zh) * 2022-11-02 2023-01-24 中南大学 基于lstm逆向模型的半主动控制方法、装置、设备和存储介质

Similar Documents

Publication Publication Date Title
CN108226399B (zh) 一种基于模态参数的张弦结构损伤组合识别方法
CN101477340B (zh) 基于索力监测的索结构中索系统的递进式健康监测方法
CN101893497B (zh) 测试平面索杆系索力的平面外频率法
CN113468635A (zh) 一种基于振动信号和循环神经网络的斜拉索索力识别方法
US11703405B2 (en) Damage identification method based on cable force tests of cable system and test error self-adaptive analysis
CN101504333B (zh) 基于应变监测的索结构中索系统的递进式健康监测方法
CN105956216A (zh) 大跨钢桥基于均匀温度响应监测值的有限元模型修正方法
CN106932135B (zh) 一种基于加权窄带搜峰法识别振动频率的柔性拉索索力测试方法
CN101762347B (zh) 一种用半波法测量多跨钢拉索索力的方法
CN109211299B (zh) 桥梁监测传感器的在线校准方法及系统
CN108280294B (zh) 一种基于模态参数的索拱结构损伤组合识别方法
CN103940903B (zh) 一种桁架结构节点损伤检测系统及其方法
Wang et al. Establishment and application of the wind and structural health monitoring system for the Runyang Yangtze River Bridge
CN110285909A (zh) 基于同步压缩变换的索承桥梁瞬时索力计算方法
CN112729370A (zh) 桥梁动态应变监测系统校准方法
Martín-Sanz et al. Monitoring of the UHPFRC strengthened Chillon viaduct under environmental and operational variability
CN101539493A (zh) 用于结构损伤诊断的对称信号方法
CN107300432A (zh) 一种用于实现现场自适应索力测量的方法和装置
CN105158300A (zh) 一种桥梁线状钢构件检测方法
CN107664489A (zh) 一种桥梁应变和变形的测量方法
CN101782944B (zh) 有支座沉降时空间坐标监测的索系统的递进式健康监测方法
CN107421672A (zh) 一种基于振动频率全域搜峰的加权索力计算方法
CN101782473A (zh) 有支座沉降时基于角度监测的索系统的递进式健康监测方法
CN102323086A (zh) 基于应变监测识别受损索支座广义位移的递进式方法
He et al. Finite element model updating of existing steel bridge based on structural health monitoring

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20211001