CN114580493A - 基于ai的重载铁路桥梁健康监测方法 - Google Patents
基于ai的重载铁路桥梁健康监测方法 Download PDFInfo
- Publication number
- CN114580493A CN114580493A CN202111633793.7A CN202111633793A CN114580493A CN 114580493 A CN114580493 A CN 114580493A CN 202111633793 A CN202111633793 A CN 202111633793A CN 114580493 A CN114580493 A CN 114580493A
- Authority
- CN
- China
- Prior art keywords
- data
- bridge
- monitoring
- static
- dynamic
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000036541 health Effects 0.000 title claims abstract description 43
- 238000011161 development Methods 0.000 claims abstract description 55
- 230000003068 static effect Effects 0.000 claims abstract description 53
- 238000010801 machine learning Methods 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 25
- 230000000694 effects Effects 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 16
- 238000000611 regression analysis Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 11
- 230000006378 damage Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013016 damping Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 abstract description 3
- 230000018109 developmental process Effects 0.000 description 38
- 230000035882 stress Effects 0.000 description 19
- 238000012423 maintenance Methods 0.000 description 12
- 238000007689 inspection Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 231100000279 safety data Toxicity 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241001310793 Podium Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请涉及一种基于AI的重载铁路桥梁健康监测方法，其方法包括获取监测模块对桥梁的监测数据；若监测数据中包含静态数据，得到所述静态数据所处的安全等级；若监测数据中包含动态数据，得到动态数据所处的安全等级；生成当前桥梁健康信息；将静态数据、动态数据分别经过深度机器学习进行预测并依次得到静态发展数据、动态发展数据；依次得出所述静态发展数据的安全等级、动态发展数据的安全等级；生成发展桥梁健康信息；若反映出桥梁结构异常，则向终端模块发送报警指令。本申请对监测数据进行处理及预测，当根据监测数据判断出桥梁存在结构异常时，向终端模块发送报警指令，实现了桥梁潜在安全隐患的预测预警，提高了行车的安全性。
Description
技术领域
本申请涉及铁路桥梁监测的技术领域，尤其是涉及一种基于AI的重载铁路桥梁健康监测方法。
背景技术
随着国民经济不断的发展，对交通运输的需求不断增大，由于我国地理特征复杂，交通线路往往跨越高山、平原、江河湖泊等，桥梁作为一种主要的跨越设施被广泛应用在交通建设中。
铁路桥梁作为一种大型结构物，其生命周期遵循着设计施工、建成使用、渐趋老化、维修加固、重建或消亡的过程。
针对上述中的相关技术，发明人认为随着铁路桥梁服役时间的延长，铁路桥梁的服役状态发生退化，这将导致铁路桥梁承载力下降，影响行车安全。
发明内容
为了降低桥梁承载力下降对行车安全的影响，提高行车的安全性，本申请提供一种基于AI的重载铁路桥梁健康监测方法。
第一方面，本申请提供一种基于AI的重载铁路桥梁健康监测方法，采用如下的技术方案：
一种基于AI的重载铁路桥梁健康监测方法，包括：
获取监测模块对桥梁的监测数据，所述监测数据包括桥梁的环境数据和结构数据；
若所述监测数据中包含静态数据，则将所述静态数据直接与预设的其对应的安全等级中的预警值进行对比，得到所述静态数据所处的安全等级；
若所述监测数据中包含动态数据，则将所述动态数据经过处理后与预设的其对应的安全等级中的预警值进行对比，得到所述动态数据所处的安全等级；
基于所述静态数据的安全等级以及动态数据的安全等级生成当前桥梁健康信息；
将所述静态数据、动态数据分别经过深度机器学习进行预测并依次得到静态发展数据、动态发展数据；
将所述静态发展数据、动态发展数据分别与对应的安全等级中的预警值进行对比，并依次得出所述静态发展数据的安全等级、动态发展数据的安全等级；
基于所述静态发展数据的安全等级以及动态发展数据的安全等级生成发展桥梁健康信息；若桥梁健康信息和/或发展桥梁健康信息反映出桥梁结构异常，则向终端模块发送报警指令。
通过采用上述技术方案，监测模块对桥梁结构进行实时监测，并基于监测数据生成发展数据对桥梁结构进行预测，当根据监测数据判断出桥梁存在结构异常时，向控制中心发送报警指令，实现了对桥梁潜在安全隐患的监测、预警，提高了行车的安全性。将发展数据与安全等级相结合去评价桥梁的安全性，使得桥梁安全性的评价更加客观、可靠。
优选的，所述动态数据为应力数据时，所述若监测数据中包含动态数据还包括：
基于应力数据生成基线数据；
将所述基线数据通过分离提取得到响应数据；
所述生成基线数据包括：获取具有n个应力数据样本量的事件序列{x1，x2，…，xn}，
构建秩序列
(k＝2，3，K，n)；
其中，
(j＝1,2,K,i)；
在时间序列定义为随机的假定下，定义统计量
(k＝1,2,K,n)；
其中，UF1＝0，E(sk)和Var(sk)分别为sk的均值和方差，且x1，x2，…，xn互相独立时，
通过正态分布表得到给定的显著水平α对应的临界值Uα，若UFk>Uα则表明时间序列存在明显的趋势变化；
基于时间序列的逆序(xn，xn-1，…，x1)，重复上述过程，并且令UBk>-UFk(k＝n，n-1，…，1)，UB1＝0。
通过采用上述技术方案，在基线处理过程中进行校正，经过基线校正的响应数据更接近真实的响应数据，提高了安全等级评价的准确性、客观性。
优选的，所述监测数据为波动数据时，在所述获取监测模块对桥梁的监测数据之后还包括：
基于监测数据生成检测曲线；
将所述检测曲线分解成有荷载作用准静态桥梁变形曲线、波动曲线；
获取准静态桥梁变形曲线、波动曲线的差值，所述差值为动力系数。
通过采用上述技术方案，对二者进行分离继而进行车辆作用效应的深化分析，便于实现不同类别车辆状态评价的规范要求。
优选的，所述将所述检测曲线分解成有荷载作用准静态桥梁变形曲线、波动曲线包括：
对所述监测数据进行稳健回归分析；
获取所述监测数据作为输入序列按顺序滤波的第一次滤波结果；
将第一次滤波结果逆转后反向通过滤波器，获取第二次滤波结果，将所述第二次滤波结果逆转后输出。
通过采用上述技术方案，稳健回归分析后降低了随机车辆对分析结果的影响，采用双平方加权方式进行消除，以实现回归分析的稳健性。实现了准静态桥梁变形曲线、波动曲线零相位差快速分离。
优选的，所述对所述监测数据进行稳健回归分析包括：
采用迭代加权最小二乘法来估计回归系数，并根据残差确定权重；
目标函数J为：
式中，yi为因变量，ti为自变量，p为自变量的个数， m为所监测分析时间段的数据总量，ai为位置的回归系数，ci为权重系数；
选取Bisquare权函数
式中，e为监测值与回归计算值的残差， kB为阈值、取kB＝4.685[16]。
通过采用上述技术方案，对监测数据进行稳健回归分析，便于寻找潜在规律和变化趋势。
优选的，在基于监测数据生成检测曲线之前还包括：
对监测数据进行预处理，过滤噪音数据；
所述过滤噪音数据包括：
基于五点三次多项式中心移动平滑公式对监测数据进行修正；
基于回归分析法研究监测数据中环境因子与结构状态因子之间的关系，并将环境因子进行剔除，其中，回归分析法有一元线性回归分析和多元线性回归分析。
通过采用上述技术方案，对监测数据进行预处理，降低了噪音数据的影响。
优选的，所述监测数据包括振动数据，在所述获取监测模块对桥梁的监测数据之后还包括：
基于所述振动数据通过进行时域、频域模态分析得出桥梁的动力特性；
基于所述振动数据通过进行时域模态分析包括：
基于所述振动数据构造得到Hankel矩阵；
基于所述Hankel矩阵计算得到Toeplitz矩阵；
基于所述Toeplitz矩阵辨识出桥梁结构的模态参数。
通过采用上述技术方案，提高了时域模态分析的计算效率。
优选的，所述辨识出桥梁结构的模态参数包括：
计算模态参数第i阶固有频率fi、阻尼比ξi以及振型Φi分别为：
其中：λiλi系统特征时，λi与
互为共轭，Ψ是以特征向量为列向量组成的n阶矩阵。
优选的，基于有限元仿真模拟获得大量损伤样本；
基于所述损伤样本通过机器学习训练得到桥梁损伤的有限元力学模型；
对所述有限元力学模型进行有限元网格剖分；
将所述监测数据输入有限元网格剖分后的有限元力学模型得到桥梁整体仿真模型。
通过采用上述技术方案，由有限监测点的数据反演出桥梁整体结构力学仿真模型，从而得到整个监测桥梁的位移和受力等情况，实现由点到面，从局部到整体的结构健康监测。基于桥梁整体结构力学仿真模型得到桥梁结构关键构件截面受力情况以及容易发生损伤的部位，基于截面受力情况以及容易发生损伤的部位对监测点的布置、人工巡检的重点关注部位进行指导。根据桥梁整体结构力学仿真模型给监测点的布置方案和人工巡检的重点关注部位的调整提供科学的指导建议，使得桥梁监测的结果更加客观、可靠。
优选的，所述将所述静态数据、动态数据分别经过深度机器学习进行预测并依次得到静态发展数据、动态发展数据包括：
获取时间范围内的静态数据、动态数据，构建体现预测效应的时空信息矩阵；
对所述时空信息矩阵进行训练数据集及测试数据集划分，并分别进行标准化操作；
将训练数据集输入作为Bi-LSTM网络模型的输入构建基于特征提取的Bi-LSTM网络模型；将测试数据集输入所述Bi-LSTM网络模型进行模型评价。
附图说明
图1是本申请其中一实施例的基于AI的重载铁路桥梁健康监测系统的结构框图。
图2是本申请其中一实施例的基于AI的重载铁路桥梁健康监测方法的流程示意图。
图3是本申请其中一实施例的基于AI的重载铁路桥梁健康监测装置的结构框图。
图中，1、监测模块；2、数据采集模块；3、通讯模块；4、云平台；5、服务器；6、终端模块；7、养护管理模块；8、电源模块。
具体实施方式
以下结合附图对本申请作进一步详细说明。
本具体实施例仅仅是对本申请的解释，其并不是对本申请的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本申请的权利要求范围内都受到专利法的保护。
本申请实施例提供一种基于AI的重载铁路桥梁健康监测系统，参照图1，包括监测模1、数据采集模块2、通讯模块3、云平台4、服务器5、终端模块6。
监测模块1包括对桥梁的结构振动进行监测的振动传感器、对桥梁的结构变形监测的位移传感器、对桥梁的结构受力监测的应力传感器、加速度计等，监测模块1的传感器均与数据采集模块2电连接，数据采集模块2通过通讯模块3与云平台4进行数据交互。
云平台4与服务器5、终端模块6无线连接，云平台4用于对数据采集模块2传输的数据进行处理和分析，监测数据包括静态数据、动态数据和振动数据，通过云平台4能够将静态数据、动态数据经过预测后得出发展数据。终端模块6包括手机和电脑，电脑设置在监控中心。
云平台4内还预设有桥梁安全等级以及预警值信息，当云平台4对静态数据、动态数据和振动数据进行处理分析后监测出桥梁健康状态出现问题或云平台4对静态数据、动态数据进行预测后得出的发展数据反映桥梁健康状态出现问题时，云平台4通过服务器5向管理人员手机、监控中心的电脑发送报警信息，管理人员能够通过手机接收的短信及时获知，监控中心的电脑接收到报警指令后进行声、光报警。
云平台4还电连接有养护管理模块7，养护管理模块7包括用户输入端，通过养护管理子模块实现对桥梁日常检查、定期检查、特殊检测、荷载试验结果以及桥梁维修、保养资料的录入。
重载桥梁健康监测及预警系统还包括用于向系统内各个模块供电的电源模块8，本实施例中，电源模块8为太阳能供电模块，通过太阳能供电模块向各个模块供电。
本申请实施例公开了一种基于AI的重载铁路桥梁健康监测方法，执行主体可以为云平台，包括：
步骤S101：获取监测模块对桥梁的监测数据，监测数据包括桥梁的环境数据和结构数据；其中，结构数据包括桥梁振动数据、位移数据、应力数据和波动数据等。
结构数据包括用来反映桥梁局部应力效应的波动数据，监测数据为波动数据时，运营车辆荷载作用下引起的桥梁结构作用效应由自重影响下的准静态效应和车辆影响下的波动响应，需要对二者进行分离继而进行车辆作用效应的深化分析，准静态效应通过准静态桥梁变形曲线反映，波动响应通过波动曲线反映。在获取监测模块对桥梁的监测数据之后还包括：
对监测数据进行预处理，过滤噪音数据；
本实施例中，过滤噪音数据包括：
基于五点三次多项式中心移动平滑公式对监测数据进行修正；
基于回归分析法研究监测数据中环境因子与结构状态因子之间的关系，并将环境因子进行剔除，其中，回归分析法有一元线性回归分析和多元线性回归分析。
基于监测数据生成检测曲线；
将检测曲线分解成有荷载作用准静态桥梁变形曲线、波动曲线；
本实施例中，将检测曲线分解成有荷载作用准静态桥梁变形曲线、波动曲线包括：
对监测数据进行稳健回归分析；
本实施例中，对监测数据进行稳健回归分析包括：
采用迭代加权最小二乘法来估计回归系数，并根据残差确定权重；
目标函数J为：
式中，yi为因变量，ti为自变量，p为自变量的个数， m为所监测分析时间段的数据总量，ai为位置的回归系数，ci为权重系数；
选取Bisquare权函数
式中，e为监测值与回归计算值的残差， kB为阈值、取kB＝4.685[16]。
获取监测数据作为输入序列按顺序滤波的第一次滤波结果；
将第一次滤波结果逆转后反向通过滤波器，获取第二次滤波结果，将第二次滤波结果逆转后输出。
滤波的时域描述可由下式表示。
y1(n)＝x(n)*h(n)
y2(n)＝y1(N-1-n)
y3(n)＝y2(n)*h(n)
y(n)＝y3(N-1-n)
其中，x(n)表示输入序列；
h(n)为所用数字滤波器冲激响应序列；
y(n)为第二次滤波结果的逆转序列，亦即FRR滤波输出序列。
滤波的频域描述由式表示：
Y1(ejw)＝X(ejw)H(ejw)
Y2(ejw)＝e-jw(N-1)Y1(e-jw)
Y3(ejw)＝Y2(ejw)H(ejw)
Y(ejw)＝e-jw(N-1)Y31(e-jw)
根据上式可得：
Y(ejw)＝X(ejw)|H(ejw)|2
输出的Y(ejw)和输入的X(ejw)不存在附加相位。
将滤波器H(ejw)连同该方法看作组成某一系统的构件与逻辑，那么这一系统的频率响应即为：
Hv(ejw)＝|H(ejw)|2
零相位滤波只需考虑H(ejw)的幅频特性要求。
获取准静态桥梁变形曲线、波动曲线的差值，差值为动力系数。
将动力系数与对应安全等级中的预警值进行对比。
若动力系数超过安全等级中的预警值，则说明桥梁健康状况存在结构风险，所以此时桥梁安全等级低。
振动数据用来反映桥梁整体结构动力特性的，振动数据通过安装在桥梁上的加速度计监测所得，在步骤S100之后还包括：
基于振动数据通过进行时域、频域模态分析得出桥梁的动力特性；
本实施例中，基于振动数据通过进行时域模态分析包括以下步骤：
基于振动数据构造得到Hankel矩阵；
Hankel矩阵行块数2i和列数j的确定是非常重要的，它直接影响着识别的精度，甚至可能根本识别不出结构的部分模态参数。参数j一般是越大越好，因为它确保给出系统离散状态矩阵A和输出矩阵C的一致估计，因此实际操作中应使矩阵列数j>20i。
基于Hankel矩阵计算得到Toeplitz矩阵；
Toeplitz矩阵的秩就是非零奇异值的数量，也是系统的阶次，随机子空间识别系统的重点和难点也是系统的阶次确定。利用奇异值的跳跃来确定系统的阶次，每两个奇异值对应于一阶系统模态，所以，系统的阶次就是奇异值跳跃点之前的所有奇异值个数的二分之一。
基于Toeplitz矩阵辨识出桥梁结构的模态参数。
基于Toeplitz矩阵通过奇异值分解技术和相关运算后辨识出桥梁结构的模态参数。由于系统状态向量不一定有特定的物理意义，因此状态空间模型的特征向量重必须转化为结构的振型。
辨识出桥梁结构的模态参数包括：
计算模态参数第i阶固有频率fi、阻尼比ξi以及振型Φi分别为：
其中：λiλi系统特征时，λi与
互为共轭，Ψ是以特征向量为列向量组成的n阶矩阵。
获取桥梁自身的固有特性，固有特性包括桥梁振动振幅、频率及阻尼等；
将动力特性与桥梁自身的固有特性进行对比，得到振动数据所处的安全等级。
若动力特性相较于固有特性有恶化趋势，则桥梁安全等级低。
步骤S102：若监测数据中包含静态数据，则将静态数据直接与预设的其对应的安全等级中的预警值进行对比，其中静态数据为采样频率小于1HZ的数据，得到静态数据所处的安全等级；
本实施例中，每项监测数据均对应有多个安全等级，多个安全等级代表该项监测数据反映的桥梁结构的健康程度，预警值信息为每个安全等级对应的临界值。
步骤S103：若监测数据中包含动态数据，则将动态数据经过处理后与预设的其对应的安全等级中的预警值进行对比，其中动态数据为采样频率大于1HZ的数据，得到动态数据所处的安全等级；
动态数据为应力数据时：
基于应力数据生成基线数据；
监测模块中监测采集频率高的监测数据做基线校正，降低了由于传感器自身原因或者环境等噪声影响造成数据有漂移偏离真实值的可能性。
将基线数据通过分离提取得到响应数据；
基线数据与应力数据的差值数据为响应数据，将响应数据与理论数据进行对比，对比后的差值与应力数据对应安全等级中的预警值进行对比。
工程结构长期监测中，感知设备回传数据是由长期效应和短时效应两部分组成，短时效应是反映桥梁结构状态突变的主因，本实施例中，响应数据用以表示短时效应，使得短时效应能够根据监测数据实时自动提取。
获取桥梁在荷载作用下的应力的理论数据，将响应数据与理论数据进行对比。
若响应数据大于理论数据，则说明桥梁健康状况存在结构风险，所以此时应力数据对应的安全等级较低。
生成基线数据包括：获取具有n个应力数据样本量的事件序列{x1，x2，…，xn}，构建秩序列
(k＝2，3，K，n)；
其中，
(j＝1,2,K,i)；
在时间序列定义为随机的假定下，定义统计量
(k＝1,2,K,n)；
其中，UF1＝0，E(sk)和Var(sk)分别为sk的均值和方差，且x1，x2，…，xn互相独立时，
通过正态分布表得到给定的显著水平α对应的临界值Uα，若UFk>Uα则表明时间序列存在明显的趋势变化；
基于时间序列的逆序(xn，xn-1，…，x1)，重复上述过程，并且令UBk>-UFk(k＝n，n-1，…，1)，UB1＝0。
通过上述步骤在基线处理过程中进行校正，经过基线校正的响应数据更接近真实的响应数据，提高了安全等级评价的准确性、客观性。
步骤S104：基于静态数据的安全等级以及动态数据的安全等级生成当前桥梁健康信息；
桥梁健康信息包括反映桥梁状态的预警级别，在生成桥梁健康信息之前，还包括：
建立预警数据库，预警数据库包括预警级别以及对预警级别进行划分的划分信息；
划分信息包括监测数据的安全等级以及按照对桥梁结构影响程度进行划分的监测数据的数据类别，例如数据类别可以包括主要安全数据和次要安全数据，其中主要安全数据对应结构数据，次要安全数据对应环境数据。
将获取的监测数据中的信息与预警级别的划分信息进行对比，得到桥梁对应的预警级别。
监测数据的信息包括每项监测数据对应的安全等级信息以及每项监测数据的数据类别。
其中，建立预警数据库还包括以下步骤：
收集养护管理模块内存储的桥梁基本状态数据、维修历史数据，桥梁基本状态数据包括桥梁设计、施工等数据；
基于监测数据、桥梁基本状态数据和维修历史数据建立预警数据库。
桥梁基本状态数据包括桥梁设计、施工等数据，维修历史数据为桥梁的维修数据。通过将监测数据与桥梁基本状态数据对比能够预测出结构安全性能退化程度、退化速率。
预警级别可通过参照相关规范和项目研究进行划分。本实施例中，预警级别包括绿色状态、黄色预警、橙色预警和红色预警，绿色状态为各项监测数据对应的安去等级均处于正常情况下的状态；黄色预警为桥梁某项监测数据出现某些异常，因而影响桥梁正常使用的状态；橙色预警为桥梁多项监测数据不能完全满足设计要求，不经过处理很可能造成安全事故的状态；红色预警为桥梁已经出现危及安全的严重缺陷，或环境数据中某些危及安全的因素(如不可抗外力、自然灾害等)正在加剧，或主要安全数据对应的监测数据出现较大异常，按设计条件继续运行将出现大事故的状态。
步骤S105：将静态数据、动态数据分别经过深度机器学习进行预测并依次得到静态发展数据、动态发展数据；
面对海量的监测数据、针对含有诸多不确定性特征数据的作用效应，采用在大量样本的技术通过神经网络训练进行作用效应预测。基于监测数据预测得出发展数据还包括以下步骤：
获取时间范围内的静态数据、动态数据，构建体现预测效应的时空信息矩阵；
对时空信息矩阵进行训练数据集及测试数据集划分，并分别进行标准化操作；
将训练数据集输入作为Bi-LSTM网络模型的输入构建基于特征提取的Bi-LSTM网络模型；将测试数据集输入所述Bi-LSTM网络模型进行模型评价。
将训练数据集输入基于Bi-LSTM网络模型，定义模型损失函数，并设置只保留最优模型的回调函数，以最小化模型损失函数为目的，利用反向传播算法循环迭代，最终保存最优的基于特征提取的Bi-LSTM网络模型，并将测试数据集输入该模型进行模型评价。
通过监测数据进行预测，得到监测数据对应的发展数据，从而提高了对重载铁路桥梁进行监测的智能性。
对有限力学模型进行有限元网格剖分，基于有限元法、力学仿真模型结合结构数据完成由有限监测点的数据反演出桥梁整体结构力学仿真模型，从而得到整个监测桥梁的位移和受力等情况，实现由点到面，从局部到整体的结构健康监测。
基于桥梁整体结构力学仿真模型得到桥梁结构关键构件截面受力情况以及容易发生损伤的部位，基于截面受力情况以及容易发生损伤的部位对监测点的布置、人工巡检的重点关注部位进行指导。
根据桥梁整体结构力学仿真模型给监测点的布置方案和人工巡检的重点关注部位的调整提供科学的指导建议，使得桥梁监测的结果更加客观、可靠。
步骤S106：将静态发展数据、动态发展数据分别与对应的安全等级中的预警值进行对比，并依次得出静态发展数据的安全等级、动态发展数据的安全等级；
步骤S107：基于静态发展数据的安全等级以及动态发展数据的安全等级生成发展桥梁健康信息；
步骤S108：若桥梁健康信息和/或发展桥梁健康信息反映出桥梁结构异常，则向终端模块发送报警指令。
参照图3，本申请实施例提供一种基于AI的重载铁路桥梁健康监测系统200，包括：获取模块201，用于获取监测模块对桥梁的监测数据，监测数据包括桥梁的环境数据和结构数据；
第一对比模块202，用于在监测数据中包含静态数据时，将静态数据直接与预设的其对应的安全等级中的预警值进行对比，得到静态数据所处的安全等级；
第二对比模块203，用于在监测数据中包含动态数据时，将动态数据经过处理后与预设的其对应的安全等级中的预警值进行对比，得到动态数据所处的安全等级；
第一生成模块204，用于基于静态数据的安全等级以及动态数据的安全等级生成当前桥梁健康信息；
学习模块205，用于将静态数据、动态数据分别经过深度机器学习进行预测并依次得到静态发展数据、动态发展数据；
第三对比模块206，用于将静态发展数据、动态发展数据分别与对应的安全等级中的预警值进行对比，并依次得出静态发展数据的安全等级、动态发展数据的安全等级；
第二生成模块207，用于基于静态发展数据的安全等级以及动态发展数据的安全等级生成发展桥梁健康信息；
报警模块208，用于在桥梁健康信息和/或发展桥梁健康信息反映出桥梁结构异常时，向终端模块发送报警指令。
申请实施例提供一种计算机可读存储介质，存储有能够被处理器加载并执行如上述实施例提供的基于AI的重载铁路桥梁健康监测方法的计算机程序。
本实施例中，计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。具体的，计算机可读存储介质可以是便携式计算机盘、硬盘、U盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、讲台随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、光盘、磁碟、机械编码设备以及上述任意组合。
本实施例中的计算机程序包含程序代码，程序代码可包括对应执行上述实施例提供的方法步骤对应的指令。计算机程序可从计算机可读存储介质下载到各个计算/处理设备，或者通过网络(例如因特网、局域网、广域网和/或无线网)下载到外部计算机或外部存储设备。计算机程序可完全地在用户计算机上执行、作为一个独立的软件包执行。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
Claims (10)
1.一种基于AI的重载铁路桥梁健康监测方法，其特征在于，包括：
获取监测模块对桥梁的监测数据，所述监测数据包括桥梁的环境数据和结构数据；
若所述监测数据中包含静态数据，则将所述静态数据直接与预设的其对应的安全等级中的预警值进行对比，得到所述静态数据所处的安全等级；
若所述监测数据中包含动态数据，则将所述动态数据经过处理后与预设的其对应的安全等级中的预警值进行对比，得到所述动态数据所处的安全等级；
基于所述静态数据的安全等级以及动态数据的安全等级生成当前桥梁健康信息；
将所述静态数据、动态数据分别经过深度机器学习进行预测并依次得到静态发展数据、动态发展数据；
将所述静态发展数据、动态发展数据分别与对应的安全等级中的预警值进行对比，并依次得出所述静态发展数据的安全等级、动态发展数据的安全等级；
基于所述静态发展数据的安全等级以及动态发展数据的安全等级生成发展桥梁健康信息；
若桥梁健康信息和/或发展桥梁健康信息反映出桥梁结构异常，则向终端模块发送报警指令。
2.根据权利要求1所述的方法，其特征在于，所述动态数据为应力数据时，所述若监测数据中包含动态数据还包括：
基于应力数据生成基线数据；
将所述基线数据通过分离提取得到响应数据；
所述生成基线数据包括：获取具有n个应力数据样本量的事件序列{x1，x2，...，xn}，
构建秩序列
其中，
在时间序列定义为随机的假定下，定义统计量
其中，UF1＝0，E(sk)和Var(sk)分别为sk的均值和方差，且x1，x2，…，xn互相独立时，
通过正态分布表得到给定的显著水平α对应的临界值Uα，若UFk>Uα则表明时间序列存在明显的趋势变化；
基于时间序列的逆序(xn，xn-1，…，x1)，重复上述过程，并且令UBk>-UFk(k＝n，n-1，…，1)，UB1＝0。
3.根据权利要求1所述的方法，其特征在于，所述监测数据为波动数据时，在所述获取监测模块对桥梁的监测数据之后还包括：
基于监测数据生成检测曲线；
将所述检测曲线分解成有荷载作用准静态桥梁变形曲线、波动曲线；
获取准静态桥梁变形曲线、波动曲线的差值，所述差值为动力系数。
4.根据权利要求3所述的方法，其特征在于，所述将所述检测曲线分解成有荷载作用准静态桥梁变形曲线、波动曲线包括：
对所述监测数据进行稳健回归分析；
获取所述监测数据作为输入序列按顺序滤波的第一次滤波结果；
将第一次滤波结果逆转后反向通过滤波器，获取第二次滤波结果，将所述第二次滤波结果逆转后输出。
5.根据权利要求4所述的方法，其特征在于，所述对所述监测数据进行稳健回归分析包括：
采用迭代加权最小二乘法来估计回归系数，并根据残差确定权重；
目标函数J为：
式中，yi为因变量，ti为自变量，p为自变量的个数，m为所监测分析时间段的数据总量，ai为位置的回归系数，ci为权重系数；
选取Bisquare权函数
式中，e为监测值与回归计算值的残差，kB为阈值、取kB＝4.685[16]。
6.根据权利要求4所述的方法，其特征在于，在基于监测数据生成检测曲线之前还包括：对监测数据进行预处理，过滤噪音数据；
所述过滤噪音数据包括：
基于五点三次多项式中心移动平滑公式对监测数据进行修正；
基于回归分析法研究监测数据中环境因子与结构状态因子之间的关系，并将环境因子进行剔除，其中，回归分析法有一元线性回归分析和多元线性回归分析。
7.根据权利要求1所述的方法，其特征在于，所述监测数据包括振动数据，在所述获取监测模块对桥梁的监测数据之后还包括：
基于所述振动数据通过进行时域、频域模态分析得出桥梁的动力特性；
基于所述振动数据通过进行时域模态分析包括：
基于所述振动数据构造得到Hankel矩阵；
基于所述Hankel矩阵计算得到Toeplitz矩阵；
基于所述Toeplitz矩阵辨识出桥梁结构的模态参数。
8.根据权利要求7所述的方法，其特征在于，所述辨识出桥梁结构的模态参数包括：
计算模态参数第i阶固有频率fi、阻尼比ξi以及振型Φi分别为：
其中：λiλi系统特征时，λi与
互为共轭，Ψ是以特征向量为列向量组成的n阶矩阵。
9.根据权利要求1所述的方法，其特征在于，还包括：
基于有限元仿真模拟获得大量损伤样本；
基于所述损伤样本通过机器学习训练得到桥梁损伤的有限元力学模型；
对所述有限元力学模型进行有限元网格剖分；
将所述监测数据输入有限元网格剖分后的有限元力学模型得到桥梁整体仿真模型。
10.根据权利要求1所述的方法，其特征在于，所述将所述静态数据、动态数据分别经过深度机器学习进行预测并依次得到静态发展数据、动态发展数据包括：
获取时间范围内的静态数据、动态数据，构建体现预测效应的时空信息矩阵；
对所述时空信息矩阵进行训练数据集及测试数据集划分，并分别进行标准化操作；
将训练数据集输入作为Bi-LSTM网络模型的输入构建基于特征提取的Bi-LSTM网络模型；
将测试数据集输入所述Bi-LSTM网络模型进行模型评价。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111633793.7A CN114580493B (zh) | 2021-12-28 | 2021-12-28 | 基于ai的重载铁路桥梁健康监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111633793.7A CN114580493B (zh) | 2021-12-28 | 2021-12-28 | 基于ai的重载铁路桥梁健康监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114580493A true CN114580493A (zh) | 2022-06-03 |
| CN114580493B CN114580493B (zh) | 2023-06-20 |
Family
ID=81772180
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111633793.7A Active CN114580493B (zh) | 2021-12-28 | 2021-12-28 | 基于ai的重载铁路桥梁健康监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114580493B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220205929A1 (en) * | 2019-04-01 | 2022-06-30 | Geo Search Co., Ltd. | Steel deck bridge evaluation device, steel deck bridge evaluation method, and program |
| CN115329812A (zh) * | 2022-08-10 | 2022-11-11 | 贵州桥梁建设集团有限责任公司 | 一种基于人工智能的道路基础设施异常监测方法 |
| CN115685323A (zh) * | 2023-01-01 | 2023-02-03 | 北京云庐科技有限公司 | 基于地震荷载监测的桥梁在线实时仿真计算系统 |
| CN115828393A (zh) * | 2022-12-21 | 2023-03-21 | 广西北投公路建设投资集团有限公司 | 一种桥梁信息化管理方法、系统、电子设备及介质 |
| 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 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100242609A1 (en) * | 2009-03-26 | 2010-09-30 | Wei-Feng Lee | Bridge monitoring and safety evaluation method using a vibration technique |
| US20130216089A1 (en) * | 2010-04-22 | 2013-08-22 | The University Of North Carolina At Charlotte | Method and System for Remotely Inspecting Bridges and Other Structures |
| CN105241660A (zh) * | 2015-11-09 | 2016-01-13 | 西南交通大学 | 基于健康监测数据的高铁大型桥梁性能评定方法 |
| CN109918726A (zh) * | 2019-01-30 | 2019-06-21 | 郑州大学 | 一种力学结构异常状态快速识别方法、存储介质 |
| CN112785458A (zh) * | 2019-11-04 | 2021-05-11 | 广西飞熊科技有限公司 | 一种桥梁健康大数据智能管养系统 |
| CN114458967A (zh) * | 2020-10-22 | 2022-05-10 | 中国石油化工股份有限公司 | 存储器、油气管道监测预警方法、装置和设备 |
-
2021
- 2021-12-28 CN CN202111633793.7A patent/CN114580493B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100242609A1 (en) * | 2009-03-26 | 2010-09-30 | Wei-Feng Lee | Bridge monitoring and safety evaluation method using a vibration technique |
| US20130216089A1 (en) * | 2010-04-22 | 2013-08-22 | The University Of North Carolina At Charlotte | Method and System for Remotely Inspecting Bridges and Other Structures |
| CN105241660A (zh) * | 2015-11-09 | 2016-01-13 | 西南交通大学 | 基于健康监测数据的高铁大型桥梁性能评定方法 |
| CN109918726A (zh) * | 2019-01-30 | 2019-06-21 | 郑州大学 | 一种力学结构异常状态快速识别方法、存储介质 |
| CN112785458A (zh) * | 2019-11-04 | 2021-05-11 | 广西飞熊科技有限公司 | 一种桥梁健康大数据智能管养系统 |
| CN114458967A (zh) * | 2020-10-22 | 2022-05-10 | 中国石油化工股份有限公司 | 存储器、油气管道监测预警方法、装置和设备 |
Non-Patent Citations (6)
| Title |
|---|
| 匿名: "桥梁群结构监测及其数据分系统（BGSS2.0）正式上线！", 《云庐科技》 * |
| 匿名: "桥梁群结构监测及其数据分系统（BGSS2.0）正式上线！", 《云庐科技》, 8 March 2021 (2021-03-08), pages 1 - 11 * |
| 张石磊: "基于正分析模型修正的桥梁安全评定若干关键问题研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
| 张石磊: "基于正分析模型修正的桥梁安全评定若干关键问题研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》, 15 April 2014 (2014-04-15) * |
| 殷华 等: "基于奇异滤波及稳健回归的轨道曲线主点定位方法研究", 《铁道标准设计》 * |
| 殷华 等: "基于奇异滤波及稳健回归的轨道曲线主点定位方法研究", 《铁道标准设计》, 16 January 2017 (2017-01-16) * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220205929A1 (en) * | 2019-04-01 | 2022-06-30 | Geo Search Co., Ltd. | Steel deck bridge evaluation device, steel deck bridge evaluation method, and program |
| US12050186B2 (en) * | 2019-04-01 | 2024-07-30 | Geo Search Co., Ltd. | Steel deck bridge evaluation device, steel deck bridge evaluation method, and program |
| CN115329812A (zh) * | 2022-08-10 | 2022-11-11 | 贵州桥梁建设集团有限责任公司 | 一种基于人工智能的道路基础设施异常监测方法 |
| CN115828393A (zh) * | 2022-12-21 | 2023-03-21 | 广西北投公路建设投资集团有限公司 | 一种桥梁信息化管理方法、系统、电子设备及介质 |
| CN115828393B (zh) * | 2022-12-21 | 2023-07-28 | 广西北投公路建设投资集团有限公司 | 一种桥梁信息化管理方法、系统、电子设备及介质 |
| CN115685323A (zh) * | 2023-01-01 | 2023-02-03 | 北京云庐科技有限公司 | 基于地震荷载监测的桥梁在线实时仿真计算系统 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114580493B (zh) | 2023-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114580493B (zh) | 基于ai的重载铁路桥梁健康监测方法 | |
| US20220283576A1 (en) | Automatic diagnosis method, system and storage medium for equipment | |
| CN106951984B (zh) | 一种系统健康度动态分析预测方法及装置 | |
| CN110008301B (zh) | 基于机器学习的区域性地质灾害易发性预测方法及装置 | |
| CN105300692B (zh) | 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法 | |
| CN109684310A (zh) | 一种基于大数据分析的信息系统性能态势感知方法 | |
| CN110008096B (zh) | 数据监测方法、装置、电子设备及计算机可读存储介质 | |
| CN113379238A (zh) | 风险评估方法、装置及电子设备 | |
| CN115729761B (zh) | 一种硬盘故障预测方法、系统、设备及介质 | |
| CN111179591A (zh) | 一种路网交通时序特征数据质量诊断与修复方法 | |
| CN113742993B (zh) | 干式变压器寿命损失预测方法、装置、设备及存储介质 | |
| CN110703743A (zh) | 设备故障预测与检测系统和方法 | |
| CN117390938B (zh) | 一种高桩码头运维期结构健康监测方法及系统 | |
| CN117514649B (zh) | 一种风电机组健康状态监测方法及装置 | |
| CN115392089A (zh) | 一种智能预警方法 | |
| Segura et al. | Expected seismic performance of gravity dams using machine learning techniques | |
| CN105184496A (zh) | 矿井通风系统健康指数综合评价方法 | |
| CN115146715B (zh) | 用电安全隐患诊断方法、装置、设备及存储介质 | |
| CN116149895A (zh) | 大数据集群性能预测方法、装置和计算机设备 | |
| CN115169650A (zh) | 一种大数据分析的装备健康预测方法 | |
| CN114254904A (zh) | 一种风电机组机舱运行健康度评价方法及装置 | |
| Galatro et al. | Data Analytics for Process Engineers: Prediction, Control and Optimization | |
| Li et al. | Mechanics-Informed Autoencoder Enables Automated Detection and Localization of Unforeseen Structural Damage | |
| Fazlollahtabar et al. | Selection of optimum maintenance strategies in a virtual learning environment based on analytic hierarchy process | |
| CN117574303B (zh) | 施工状况的监测预警方法、装置、设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |