CN115311246A - 一种基于大数据的桥梁安全管理方法和系统 - Google Patents
一种基于大数据的桥梁安全管理方法和系统 Download PDFInfo
- Publication number
- CN115311246A CN115311246A CN202211017027.2A CN202211017027A CN115311246A CN 115311246 A CN115311246 A CN 115311246A CN 202211017027 A CN202211017027 A CN 202211017027A CN 115311246 A CN115311246 A CN 115311246A
- Authority
- CN
- China
- Prior art keywords
- bridge
- vehicle
- strain stress
- crack
- stress
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 26
- 230000008859 change Effects 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012544 monitoring process Methods 0.000 claims abstract description 45
- 238000003062 neural network model Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 39
- 238000006073 displacement reaction Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 16
- 238000011160 research Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000008878 coupling Effects 0.000 claims description 11
- 238000010168 coupling process Methods 0.000 claims description 11
- 238000005859 coupling reaction Methods 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000003064 k means clustering Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000035882 stress Effects 0.000 description 133
- 238000001514 detection method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 3
- 241000282693 Cercopithecidae Species 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 210000000857 visual cortex Anatomy 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/007—Subject matter not provided for in other groups of this subclass by applying a load, e.g. for resistance or wear testing
-
- 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]
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提出一种基于大数据的桥梁安全管理方法,包括,获取桥梁裂缝图像,根据桥梁裂缝图像识别算法识别桥梁裂纹,并得出桥梁裂纹长度;采用有限元方法,根据桥梁裂纹长度,确定当前桥梁的可承受应变应力;获取车辆载荷数据与车载致应变应力的关系;训练长短时记忆神经网络模型;实时监测车载载荷数据,根据得到的车辆载荷数据与车载致应变应力的关系,得到车载致应变应力,并根据训练好的长短时记忆神经网络模型,得出车载致应变应力变化部分;比对车载致应变应力变化部分的阈值和当前桥梁的可承受应变应力,当车载致应变应力变化部分的阈值和当前桥梁的可承受应变应力时,进行报警。本发明提出方法,能够对桥梁安全进行及时有效的管理。
Description
技术领域
本发明涉及桥梁安全领域,特别是指一种基于大数据的桥梁安全管理方法和系统。
背景技术
由于大型桥梁工程在运营期间会收到气候、氧化、腐蚀或老化即突发性事件等因素的影响,以及长期在恒载和活载的作用下会产生各种损伤或裂缝,其强度和刚度会随时间而降低,这不仅影响了安全行车,更会使其使用寿命缩短。因此在目前养护资金紧缺,缺乏有效管理的情况下,需要对桥梁结构进行有效的检测与评估、监测与预警,以降低运营成本,延长桥梁使用寿命,保障交通流畅。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷,提出一种基于大数据的桥梁安全管理方法和系统,能够基于桥梁当前的损伤情况进行桥梁荷载的评估,实时监测车载载荷数据确定是否超出桥梁当前可承受的值,并及时做出预警,能够对桥梁安全进行及时有效的管理。
本发明技术方案:
一种基于大数据的桥梁安全管理方法,包括如下步骤:
获取桥梁裂缝图像,根据桥梁裂缝图像识别算法识别桥梁裂纹,并得出桥梁裂纹长度;
采用有限元方法,根据桥梁裂纹长度,确定当前桥梁的可承受应变应力;
获取历史车辆载荷数据以及历史车辆载荷数据情况下的历史桥梁实时应变应力监测数据,利用小波包分解得出应变监测数据中的车载致应变应力,得到车辆载荷数据与车载致应变应力的关系;
构建长短时记忆神经网络模型,将车载致应变标记为车载致应变变化部分与平稳部分,建立样本训练集与测试集进行长短时记忆神经网络模型的训练,得到训练好的长短时记忆神经网络模型;
实时监测车载载荷数据,根据得到的车辆载荷数据与车载致应变应力的关系,得到车载致应变应力,并根据训练好的长短时记忆神经网络模型,得出车载致应变应力变化部分;
比对车载致应变应力变化部分的阈值和当前桥梁的可承受应变应力,当车载致应变应力变化部分的阈值和当前桥梁的可承受应变应力时,进行报警。
具体地,获取桥梁裂缝图像,根据桥梁裂缝图像识别算法识别桥梁裂纹,并得出桥梁裂纹长度,具体包括:
基于Gabor滤波获取桥梁裂缝识别的有效区域;
将获取桥梁裂缝识别的有效区域再进行高斯滤波以平滑处理,得到平滑处理后的图像;
将平滑处理后的图像进行主成分分析,得到降维后的图像;
将降维后的图像进行K-means聚类获取桥梁裂缝区域;
利用改进后的脉冲耦合神经网络进行桥梁裂缝识别;
获取桥梁裂纹长度。
具体地,采用有限元方法,根据桥梁裂纹的数据,确定当前桥梁的可承受应变应力;具体为:
首先建立桥梁的结构图;
将桥梁裂纹的数据作为边界条件;
得出当前桥梁的可应变应力;
将研究域Ω嵌入到无限大含裂纹的区域中,其中区域含裂纹长度为2a,在研究域Ω外作虚拟边界S,并在其上分布密度未知的虚拟荷载X(l),其中,l=1,2;根据叠加原理,在真实荷载F(l)和虚拟荷载X(l)的共同作用下,无限域内任意一点z=x+iy处的位移或应力为:
其中,zS∈S,zΩ∈Ω,其边界为L,其中F(1)为水平方向的域内体力,F(2)为垂直方向的域内体力;X(1)为水平方向的虚拟荷载,X(2)为垂直方向的虚拟荷载;σx为X方向应力,σy为Y方向应力,τxy为应力转角,u为X方向应变位移,v为Y方向应变位移。
具体地,利用小波包分解得出应变监测数据中的车载致应变应力,具体包括:
根据温度致应变应力的变化频率以及车载致应变应力的变化频率,确定小波包的分解频率范围,所述应变应力监测数据包括温度致应变应力和车载致应变应力;
根据采样频率以及小波包的分解频率范围,确定小波包的分解层数;
将应变应力监测数据进行小波包分解,得到车载致应变应力。
本发明实施例另一方面提供一种基于大数据的桥梁安全管理系统,包括:
裂缝图像获取单元:获取桥梁裂缝图像,根据桥梁裂缝图像识别算法识别桥梁裂纹,并得出桥梁裂纹长度;
可承受应变应力获取单元:采用有限元方法,根据桥梁裂纹长度,确定当前桥梁的可承受应变应力;
载荷应变应力关系获取单元:获取历史车辆载荷数据以及历史车辆载荷数据情况下的历史桥梁实时应变应力监测数据,利用小波包分解得出应变监测数据中的车载致应变应力,得到车辆载荷数据与车载致应变应力的关系;
模型训练单元:构建长短时记忆神经网络模型,将车载致应变标记为车载致应变变化部分与平稳部分,建立样本训练集与测试集进行长短时记忆神经网络模型的训练,得到训练好的长短时记忆神经网络模型;
计算单元:实时监测车载载荷数据,根据得到的车辆载荷数据与车载致应变应力的关系,得到车载致应变应力,并根据训练好的长短时记忆神经网络模型,得出车载致应变应力变化部分;
比对报警单元:比对车载致应变应力变化部分的阈值和当前桥梁的可承受应变应力,当车载致应变应力变化部分的阈值和当前桥梁的可承受应变应力时,进行报警。
具体地,裂缝图像获取单元中,获取桥梁裂缝图像,根据桥梁裂缝图像识别算法识别桥梁裂纹,并得出桥梁裂纹长度,具体包括:
基于Gabor滤波获取桥梁裂缝识别的有效区域;
将获取桥梁裂缝识别的有效区域再进行高斯滤波以平滑处理,得到平滑处理后的图像;
将平滑处理后的图像进行主成分分析,得到降维后的图像;
将降维后的图像进行K-means聚类获取桥梁裂缝区域;
利用改进后的脉冲耦合神经网络进行桥梁裂缝识别;
获取桥梁裂纹长度。
具体地,可承受应变应力获取单元中,采用有限元方法,根据桥梁裂纹的数据,确定当前桥梁的可承受应变应力;具体为:
首先建立桥梁的结构图;
将桥梁裂纹的数据作为边界条件;
得出当前桥梁的可应变应力;
将研究域Ω嵌入到无限大含裂纹的区域中,其中区域含裂纹长度为2a,在研究域Ω外作虚拟边界S,并在其上分布密度未知的虚拟荷载X(l),其中,l=1,2;根据叠加原理,在真实荷载F(l)和虚拟荷载X(l)的共同作用下,无限域内任意一点z=x+iy处的位移或应力为:
其中,zS∈S,zΩ∈Ω,其边界为L,其中F(1)为水平方向的域内体力,F(2)为垂直方向的域内体力;X(1)为水平方向的虚拟荷载,X(2)为垂直方向的虚拟荷载;σx为X方向应力,σy为Y方向应力,τxy为应力转角,u为X方向应变位移,v为Y方向应变位移。
具体地,载荷应变应力关系获取单元,利用小波包分解得出应变监测数据中的车载致应变应力,具体包括:
根据温度致应变应力的变化频率以及车载致应变应力的变化频率,确定小波包的分解频率范围,所述应变应力监测数据包括温度致应变应力和车载致应变应力;
根据采样频率以及小波包的分解频率范围,确定小波包的分解层数;
将应变应力监测数据进行小波包分解,得到车载致应变应力。
本发明再一实施例提供一种电子设备,包括:存储器,处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现上述一种基于大数据的桥梁安全管理方法步骤。
本发明又一实施例提供一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述一种基于大数据的桥梁安全管理方法步骤。
由上述对本发明的描述可知,与现有技术相比,本发明具有如下有益效果:
本发明提出一种基于大数据的桥梁安全管理方法,包括,获取桥梁裂缝图像,根据桥梁裂缝图像识别算法识别桥梁裂纹,并得出桥梁裂纹长度;采用有限元方法,根据桥梁裂纹长度,确定当前桥梁的可承受应变应力;获取历史车辆载荷数据以及历史车辆载荷数据情况下的历史桥梁实时应变应力监测数据,利用小波包分解得出应变监测数据中的车载致应变应力,得到车辆载荷数据与车载致应变应力的关系;构建长短时记忆神经网络模型,将车载致应变标记为车载致应变变化部分与平稳部分,建立样本训练集与测试集进行长短时记忆神经网络模型的训练,得到训练好的长短时记忆神经网络模型;实时监测车载载荷数据,根据得到的车辆载荷数据与车载致应变应力的关系,得到车载致应变应力,并根据训练好的长短时记忆神经网络模型,得出车载致应变应力变化部分;比对车载致应变应力变化部分的阈值和当前桥梁的可承受应变应力,当车载致应变应力变化部分的阈值和当前桥梁的可承受应变应力时,进行报警。本发明提出方法,能够基于桥梁当前的损伤情况进行桥梁荷载的评估,实时监测车载载荷数据确定是否超出桥梁当前可承受的值,并及时做出预警,能够对桥梁安全进行及时有效的管理。
附图说明
图1本发明实施例提供的一种基于大数据的桥梁安全管理方法流程图;
图2本发明实施例提供的一种基于大数据的桥梁安全管理系统框架图;
图3本发明实施例提供的一种电子设备的实施例示意图;
图4本发明实施例提供的一种计算机可读存储介质的实施例示意图。
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
本发明提出一种基于大数据的桥梁安全管理方法和系统,能够基于桥梁当前的损伤情况进行桥梁荷载的评估,实时监测车载载荷数据确定是否超出桥梁当前可承受的值,并及时做出预警,能够对桥梁安全进行及时有效的管理。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
如图1,为本发明实施例提供的一种基于大数据的桥梁安全管理方法,包括如下步骤:
S101:获取桥梁裂缝图像,根据桥梁裂缝图像识别算法识别桥梁裂纹,并得出桥梁裂纹长度;
具体地,获取桥梁裂缝图像,根据桥梁裂缝图像识别算法识别桥梁裂纹,并得出桥梁裂纹长度,具体包括:
S1011:基于Gabor滤波获取桥梁裂缝识别的有效区域;
Gabor滤波提供不同的频率和尺度,对旋转具有不变性,可以对细小特征进行捕捉,即便是特征不是很丰富的图像,也可以提取出很多特征。
具体有效区域:
其中I(i,j)为桥梁裂缝图像,表示卷积算子,Gabor滤波器的尺度和方向,x,y分别表示Gabor滤波器窗口长和宽,Gabor滤波器的相位偏移,Gabor滤波器的标准偏差,Gabor滤波器的长宽比;
S1012:将获取桥梁裂缝识别的有效区域再进行高斯滤波以平滑处理,得到平滑处理后的图像;
经过高斯滤波,明显地扩大了裂缝的可取范围,扩大了有效区域,避免桥梁裂缝的漏检,进一步提高桥梁裂缝的检测效率。
S1013:将平滑处理后的图像进行主成分分析,得到降维后的图像;
为了减少不必要的冗余信息,使用主成分分析,最终将每个像素对应的特征减少为3个,经过降维后的图像可以对应三类,颜色最亮的和颜色最黑的这两类对应桥梁裂缝区域,剩下的灰色区域为背景区域。
S1014:将降维后的图像进行K-means聚类获取桥梁裂缝区域;
S1015:利用改进后的脉冲耦合神经网络进行桥梁裂缝识别;
脉冲耦合神经网络是根据猫、猴等动物的大脑视觉皮层上的同步脉冲发放现象提出的。本发明实施例对脉冲耦合神经网络脉冲耦合神经网络进行了简化和改进;使得需要调节的参数变少,且存在较低的漏检率和较高的检测正确率,具有一定的鲁棒性和抗噪声干扰能力。
S1016:获取桥梁裂纹长度。
S102:采用有限元方法,根据桥梁裂纹长度,确定当前桥梁的可承受应变应力;
具体地,采用有限元方法,根据桥梁裂纹的数据,确定当前桥梁的可承受应变应力;具体为:
首先建立桥梁的结构图;
将桥梁裂纹的数据作为边界条件;
得出当前桥梁的可应变应力;
将研究域Ω嵌入到无限大含裂纹的区域中,其中区域含裂纹长度为2a,在研究域Ω外作虚拟边界S,并在其上分布密度未知的虚拟荷载X(l),其中,l=1,2;根据叠加原理,在真实荷载F(l)和虚拟荷载X(l)的共同作用下,无限域内任意一点z=x+iy处的位移或应力为:
其中,zS∈S,zΩ∈Ω,其边界为L,其中F(1)为水平方向的域内体力,F(2)为垂直方向的域内体力;X(1)为水平方向的虚拟荷载,X(2)为垂直方向的虚拟荷载;σx为X方向应力,σy为Y方向应力,τxy为应力转角,u为X方向应变位移,v为Y方向应变位移。
S103:获取历史车辆载荷数据以及历史车辆载荷数据情况下的历史桥梁实时应变应力监测数据,利用小波包分解得出应变监测数据中的车载致应变应力,得到车辆载荷数据与车载致应变应力的关系;
具体地,利用小波包分解得出应变监测数据中的车载致应变应力,具体包括:
根据温度致应变应力的变化频率以及车载致应变应力的变化频率,确定小波包的分解频率范围,所述应变应力监测数据包括温度致应变应力和车载致应变应力;
根据采样频率以及小波包的分解频率范围,确定小波包的分解层数;
将应变应力监测数据进行小波包分解,得到车载致应变应力。
温度数据主要集中[0,2×10-3]Hz范围内(即ft=2×10-3Hz),即受温度影响所产生的温致应变其频率也集中在该范围内,即采样频率为50Hz。根据采样定理,奈奎斯特采样频率为25Hz(即fs=25Hz),使用n尺度小波包的第n层的第一分解序列所属频率范围为[0,fs/2n+1]。可以通过选择合适的数据n来确定小波包分解的最佳尺度,即使fs/2n+1稍大于ft即可,计算得出n=13。将应变数据进行13层小波包分解,运用第13层系数进行重构得到温致应变,原始应变应力与温度致应变应力的差即为车辆致应变应力。
S104:构建长短时记忆神经网络模型,将车载致应变标记为车载致应变变化部分与平稳部分,建立样本训练集与测试集进行长短时记忆神经网络模型的训练,得到训练好的长短时记忆神经网络模型;
平稳部分反映出当前时刻无车辆经过应变传感器所在界面,变化部分反映出当前时刻有车辆经过该截面,其不同的波动情况反映出不同类型车辆荷载作用的效果,车载致应变变化部分才是真正的由于车辆荷载导致的桥梁应变应力变化部分。
S105:实时监测车载载荷数据,根据得到的车辆载荷数据与车载致应变应力的关系,得到车载致应变应力,并根据训练好的长短时记忆神经网络模型,得出车载致应变应力变化部分;
S106:比对车载致应变应力变化部分的阈值和当前桥梁的可承受应变应力,当车载致应变应力变化部分的阈值和当前桥梁的可承受应变应力时,进行报警。
如图2,本发明实施例另一方面提供一种基于大数据的桥梁安全管理系统,包括:
裂缝图像获取单元201:获取桥梁裂缝图像,根据桥梁裂缝图像识别算法识别桥梁裂纹,并得出桥梁裂纹长度;
具体地,获取桥梁裂缝图像,根据桥梁裂缝图像识别算法识别桥梁裂纹,并得出桥梁裂纹长度,具体包括:
S1011:基于Gabor滤波获取桥梁裂缝识别的有效区域;
Gabor滤波提供不同的频率和尺度,对旋转具有不变性,可以对细小特征进行捕捉,即便是特征不是很丰富的图像,也可以提取出很多特征。
具体有效区域:
其中I(i,j)为桥梁裂缝图像,表示卷积算子,Gabor滤波器的尺度和方向,x,y分别表示Gabor滤波器窗口长和宽,Gabor滤波器的相位偏移,Gabor滤波器的标准偏差,Gabor滤波器的长宽比;
S1012:将获取桥梁裂缝识别的有效区域再进行高斯滤波以平滑处理,得到平滑处理后的图像;
经过高斯滤波,明显地扩大了裂缝的可取范围,扩大了有效区域,避免桥梁裂缝的漏检,进一步提高桥梁裂缝的检测效率。
S1013:将平滑处理后的图像进行主成分分析,得到降维后的图像;
为了减少不必要的冗余信息,使用主成分分析,最终将每个像素对应的特征减少为3个,经过降维后的图像可以对应三类,颜色最亮的和颜色最黑的这两类对应桥梁裂缝区域,剩下的灰色区域为背景区域。
S1014:将降维后的图像进行K-means聚类获取桥梁裂缝区域;
S1015:利用改进后的脉冲耦合神经网络进行桥梁裂缝识别;
脉冲耦合神经网络是根据猫、猴等动物的大脑视觉皮层上的同步脉冲发放现象提出的。本发明实施例对脉冲耦合神经网络脉冲耦合神经网络进行了简化和改进,使得需要调节的参数变少,且存在较低的漏检率和较高的检测正确率,具有一定的鲁棒性和抗噪声干扰能力。
S1016:获取桥梁裂纹长度。
可承受应变应力获取单元202:采用有限元方法,根据桥梁裂纹长度,确定当前桥梁的可承受应变应力;
具体地,采用有限元方法,根据桥梁裂纹的数据,确定当前桥梁的可承受应变应力;具体为:
首先建立桥梁的结构图;
将桥梁裂纹的数据作为边界条件;
得出当前桥梁的可应变应力;
将研究域Ω嵌入到无限大含裂纹的区域中,其中区域含裂纹长度为2a,在研究域Ω外作虚拟边界S,并在其上分布密度未知的虚拟荷载X(l),其中,l=1,2;根据叠加原理,在真实荷载F(l)和虚拟荷载X(l)的共同作用下,无限域内任意一点z=x+iy处的位移或应力为:
其中,zS∈S,zΩ∈Ω,其边界为L,其中F(1)为水平方向的域内体力,F(2)为垂直方向的域内体力;X(1)为水平方向的虚拟荷载,X(2)为垂直方向的虚拟荷载;σx为X方向应力,σy为Y方向应力,τxy为应力转角,u为X方向应变位移,v为Y方向应变位移。
载荷应变应力关系获取单元203:获取历史车辆载荷数据以及历史车辆载荷数据情况下的历史桥梁实时应变应力监测数据,利用小波包分解得出应变监测数据中的车载致应变应力,得到车辆载荷数据与车载致应变应力的关系;
具体地,利用小波包分解得出应变监测数据中的车载致应变应力,具体包括:
根据温度致应变应力的变化频率以及车载致应变应力的变化频率,确定小波包的分解频率范围,所述应变应力监测数据包括温度致应变应力和车载致应变应力;
根据采样频率以及小波包的分解频率范围,确定小波包的分解层数;
将应变应力监测数据进行小波包分解,得到车载致应变应力。
温度数据主要集中[0,2×10-3]Hz范围内(即ft=2×10-3Hz),即受温度影响所产生的温致应变其频率也集中在该范围内,即采样频率为50Hz。根据采样定理,奈奎斯特采样频率为25Hz(即fs=25Hz),使用n尺度小波包的第n层的第一分解序列所属频率范围为[0,fs/2n+1]。可以通过选择合适的数据n来确定小波包分解的最佳尺度,即使fs/2n+1稍大于ft即可,计算得出n=13。将应变数据进行13层小波包分解,运用第13层系数进行重构得到温致应变,原始应变应力与温度致应变应力的差即为车辆致应变应力。
模型训练单元204:构建长短时记忆神经网络模型,将车载致应变标记为车载致应变变化部分与平稳部分,建立样本训练集与测试集进行长短时记忆神经网络模型的训练,得到训练好的长短时记忆神经网络模型;
平稳部分反映出当前时刻无车辆经过应变传感器所在界面,变化部分反映出当前时刻有车辆经过该截面,其不同的波动情况反映出不同类型车辆荷载作用的效果,车载致应变变化部分才是真正的由于车辆荷载导致的桥梁应变应力变化部分。
计算单元205:实时监测车载载荷数据,根据得到的车辆载荷数据与车载致应变应力的关系,得到车载致应变应力,并根据训练好的长短时记忆神经网络模型,得出车载致应变应力变化部分;
比对报警单元206:比对车载致应变应力变化部分的阈值和当前桥梁的可承受应变应力,当车载致应变应力变化部分的阈值和当前桥梁的可承受应变应力时,进行报警。
如图3所示,本发明实施例提供了一种电子设备300,包括存储器310、处理器320及存储在存储器310上并可在处理器320上运行的计算机程序311,处理器320执行计算机程序311时实现本发明实施例提供的一种基于深度学习的信息推送方法。
在具体实施过程中,处理器320执行计算机程序311时,可以实现图1对应的实施例中任一实施方式。
由于本实施例所介绍的电子设备为实施本发明实施例中一种数据处理装置所采用的设备,故而基于本发明实施例中所介绍的方法,本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式,所以在此对于该电子设备如何实现本发明实施例中的方法不再详细介绍,只要本领域所属技术人员实施本发明实施例中的方法所采用的设备,都属于本发明所欲保护的范围。
请参阅图4,图4为本发明实施例提供的一种计算机可读存储介质的实施例示意图。
如图4所示,本实施例提供了一种计算机可读存储介质400,其上存储有计算机程序401,该计算机程序401被处理器执行时实现本发明实施例提供的一种基于深度学习的信息推送方法;
在具体实施过程中,该计算机程序401被处理器执行时可以实现图1对应的实施例中任一实施方式。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明提出一种基于大数据的桥梁安全管理方法,包括,获取桥梁裂缝图像,根据桥梁裂缝图像识别算法识别桥梁裂纹,并得出桥梁裂纹长度;采用有限元方法,根据桥梁裂纹长度,确定当前桥梁的可承受应变应力;获取历史车辆载荷数据以及历史车辆载荷数据情况下的历史桥梁实时应变应力监测数据,利用小波包分解得出应变监测数据中的车载致应变应力,得到车辆载荷数据与车载致应变应力的关系;构建长短时记忆神经网络模型,将车载致应变标记为车载致应变变化部分与平稳部分,建立样本训练集与测试集进行长短时记忆神经网络模型的训练,得到训练好的长短时记忆神经网络模型;实时监测车载载荷数据,根据得到的车辆载荷数据与车载致应变应力的关系,得到车载致应变应力,并根据训练好的长短时记忆神经网络模型,得出车载致应变应力变化部分;比对车载致应变应力变化部分的阈值和当前桥梁的可承受应变应力,当车载致应变应力变化部分的阈值和当前桥梁的可承受应变应力时,进行报警。本发明提出方法,能够基于桥梁当前的损伤情况进行桥梁荷载的评估,实时监测车载载荷数据确定是否超出桥梁当前可承受的值,并及时做出预警,能够对桥梁安全进行及时有效的管理。
上述仅为本发明的具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均属于侵犯本发明保护范围的行为。
Claims (10)
1.一种基于大数据的桥梁安全管理方法,其特征在于,包括如下步骤:
获取桥梁裂缝图像,根据桥梁裂缝图像识别算法识别桥梁裂纹,并得出桥梁裂纹长度;
采用有限元方法,根据桥梁裂纹长度,确定当前桥梁的可承受应变应力;
获取历史车辆载荷数据以及历史车辆载荷数据情况下的历史桥梁实时应变应力监测数据,利用小波包分解得出应变监测数据中的车载致应变应力,得到车辆载荷数据与车载致应变应力的关系;
构建长短时记忆神经网络模型,将车载致应变标记为车载致应变变化部分与平稳部分,建立样本训练集与测试集进行长短时记忆神经网络模型的训练,得到训练好的长短时记忆神经网络模型;
实时监测车载载荷数据,根据得到的车辆载荷数据与车载致应变应力的关系,得到车载致应变应力,并根据训练好的长短时记忆神经网络模型,得出车载致应变应力变化部分;
比对车载致应变应力变化部分的阈值和当前桥梁的可承受应变应力,当车载致应变应力变化部分的阈值和当前桥梁的可承受应变应力时,进行报警。
2.根据权利要求1所述的一种基于大数据的桥梁安全管理方法,其特征在于,获取桥梁裂缝图像,根据桥梁裂缝图像识别算法识别桥梁裂纹,并得出桥梁裂纹长度,具体包括:
基于Gabor滤波获取桥梁裂缝识别的有效区域;
将获取桥梁裂缝识别的有效区域再进行高斯滤波以平滑处理,得到平滑处理后的图像;
将平滑处理后的图像进行主成分分析,得到降维后的图像;
将降维后的图像进行K-means聚类获取桥梁裂缝区域;
利用改进后的脉冲耦合神经网络进行桥梁裂缝识别;
获取桥梁裂纹长度。
3.根据权利要求1所述的一种基于大数据的桥梁安全管理方法,其特征在于,采用有限元方法,根据桥梁裂纹的数据,确定当前桥梁的可承受应变应力;具体为:
首先建立桥梁的结构图;
将桥梁裂纹的数据作为边界条件;
得出当前桥梁的可应变应力;
将研究域Ω嵌入到无限大含裂纹的区域中,其中区域含裂纹长度为2a,在研究域Ω外作虚拟边界S,并在其上分布密度未知的虚拟荷载X(l),其中,l=1,2;根据叠加原理,在真实荷载F(l)和虚拟荷载X(l)的共同作用下,无限域内任意一点z=x+iy处的位移或应力为:
其中,zS∈S,zΩ∈Ω,其边界为L,其中F(1)为水平方向的域内体力,F(2)为垂直方向的域内体力;X(1)为水平方向的虚拟荷载,X(2)为垂直方向的虚拟荷载;σx为x方向应力,σy为Y方向应力,τxy为应力转角,u为X方向应变位移,V为Y方向应变位移。
4.根据权利要求1所述的一种基于大数据的桥梁安全管理方法,其特征在于,利用小波包分解得出应变监测数据中的车载致应变应力,具体包括:
根据温度致应变应力的变化频率以及车载致应变应力的变化频率,确定小波包的分解频率范围,所述应变应力监测数据包括温度致应变应力和车载致应变应力;
根据采样频率以及小波包的分解频率范围,确定小波包的分解层数;
将应变应力监测数据进行小波包分解,得到车载致应变应力。
5.一种基于大数据的桥梁安全管理系统,其特征在于,包括:
裂缝图像获取单元:获取桥梁裂缝图像,根据桥梁裂缝图像识别算法识别桥梁裂纹,并得出桥梁裂纹长度;
可承受应变应力获取单元:采用有限元方法,根据桥梁裂纹长度,确定当前桥梁的可承受应变应力;
载荷应变应力关系获取单元:获取历史车辆载荷数据以及历史车辆载荷数据情况下的历史桥梁实时应变应力监测数据,利用小波包分解得出应变监测数据中的车载致应变应力,得到车辆载荷数据与车载致应变应力的关系;
模型训练单元:构建长短时记忆神经网络模型,将车载致应变标记为车载致应变变化部分与平稳部分,建立样本训练集与测试集进行长短时记忆神经网络模型的训练,得到训练好的长短时记忆神经网络模型;
计算单元:实时监测车载载荷数据,根据得到的车辆载荷数据与车载致应变应力的关系,得到车载致应变应力,并根据训练好的长短时记忆神经网络模型,得出车载致应变应力变化部分;
比对报警单元:比对车载致应变应力变化部分的阈值和当前桥梁的可承受应变应力,当车载致应变应力变化部分的阈值和当前桥梁的可承受应变应力时,进行报警。
6.根据权利要求5所述的一种基于大数据的桥梁安全管理系统,其特征在于,裂缝图像获取单元中,获取桥梁裂缝图像,根据桥梁裂缝图像识别算法识别桥梁裂纹,并得出桥梁裂纹长度,具体包括:
基于Gabor滤波获取桥梁裂缝识别的有效区域;
将获取桥梁裂缝识别的有效区域再进行高斯滤波以平滑处理,得到平滑处理后的图像;
将平滑处理后的图像进行主成分分析,得到降维后的图像;
将降维后的图像进行K-means聚类获取桥梁裂缝区域;
利用改进后的脉冲耦合神经网络进行桥梁裂缝识别;
获取桥梁裂纹长度。
7.根据权利要求5所述的一种基于大数据的桥梁安全管理系统,其特征在于,可承受应变应力获取单元中,采用有限元方法,根据桥梁裂纹的数据,确定当前桥梁的可承受应变应力;具体为:
首先建立桥梁的结构图;
将桥梁裂纹的数据作为边界条件;
得出当前桥梁的可应变应力;
将研究域Ω嵌入到无限大含裂纹的区域中,其中区域含裂纹长度为2a,在研究域Ω外作虚拟边界S,并在其上分布密度未知的虚拟荷载X(l),其中,l=1,2;根据叠加原理,在真实荷载F(l)和虚拟荷载X(l)的共同作用下,无限域内任意一点z=x+iy处的位移或应力为:
其中,zS∈S,zΩ∈Ω,其边界为L,其中F(1)为水平方向的域内体力,F(2)为垂直方向的域内体力;X(1)为水平方向的虚拟荷载,X(2)为垂直方向的虚拟荷载;σx为X方向应力,σy为Y方向应力,τxy为应力转角,u为X方向应变位移,V为Y方向应变位移。
8.根据权利要求5所述的一种基于大数据的桥梁安全管理系统,其特征在于,载荷应变应力关系获取单元,利用小波包分解得出应变监测数据中的车载致应变应力,具体包括:
根据温度致应变应力的变化频率以及车载致应变应力的变化频率,确定小波包的分解频率范围,所述应变应力监测数据包括温度致应变应力和车载致应变应力;
根据采样频率以及小波包的分解频率范围,确定小波包的分解层数;
将应变应力监测数据进行小波包分解,得到车载致应变应力。
9.一种电子设备,其特征在于,包括:存储器,处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现权利要求1-4任一所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-4任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211017027.2A CN115311246A (zh) | 2022-08-23 | 2022-08-23 | 一种基于大数据的桥梁安全管理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211017027.2A CN115311246A (zh) | 2022-08-23 | 2022-08-23 | 一种基于大数据的桥梁安全管理方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115311246A true CN115311246A (zh) | 2022-11-08 |
Family
ID=83863740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211017027.2A Pending CN115311246A (zh) | 2022-08-23 | 2022-08-23 | 一种基于大数据的桥梁安全管理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115311246A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128380A (zh) * | 2023-04-13 | 2023-05-16 | 沧州路桥工程有限责任公司 | 一种桥梁健康监测方法、装置、电子设备及存储介质 |
CN116542146A (zh) * | 2023-01-06 | 2023-08-04 | 中路高科交通检测检验认证有限公司 | 桥梁监测温度场-应变场时空相关模型及健康诊断方法 |
CN116975989A (zh) * | 2023-09-25 | 2023-10-31 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于有限元引导深度学习代理模型评估桥梁运行状态方法 |
CN117992810A (zh) * | 2024-04-02 | 2024-05-07 | 洛阳鹏飞建设工程有限公司 | 一种道路桥梁强度检测装置 |
CN117992810B (zh) * | 2024-04-02 | 2024-06-04 | 洛阳鹏飞建设工程有限公司 | 一种道路桥梁强度检测装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537221A (zh) * | 2018-03-29 | 2018-09-14 | 陕西师范大学 | 基于兴趣区域的桥梁或路面裂缝检测方法和评价方法 |
CN108763763A (zh) * | 2018-05-28 | 2018-11-06 | 东南大学 | 一种桥梁结构应变响应异常预警方法 |
CN109992827A (zh) * | 2019-02-20 | 2019-07-09 | 深圳高速工程顾问有限公司 | 桥梁结构预警方法、装置、计算机设备和存储介质 |
CN110533007A (zh) * | 2019-09-13 | 2019-12-03 | 东南大学 | 一种桥梁车载应变影响线特征智能识别与提取方法 |
CN110852001A (zh) * | 2018-07-25 | 2020-02-28 | 浙江大学 | 一种基于图像处理的桥梁结构安全评估方法 |
CN111241658A (zh) * | 2019-12-30 | 2020-06-05 | 浙江大学 | 基于lstm神经网络模型的梁式桥移动荷载识别方法 |
-
2022
- 2022-08-23 CN CN202211017027.2A patent/CN115311246A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537221A (zh) * | 2018-03-29 | 2018-09-14 | 陕西师范大学 | 基于兴趣区域的桥梁或路面裂缝检测方法和评价方法 |
CN108763763A (zh) * | 2018-05-28 | 2018-11-06 | 东南大学 | 一种桥梁结构应变响应异常预警方法 |
CN110852001A (zh) * | 2018-07-25 | 2020-02-28 | 浙江大学 | 一种基于图像处理的桥梁结构安全评估方法 |
CN109992827A (zh) * | 2019-02-20 | 2019-07-09 | 深圳高速工程顾问有限公司 | 桥梁结构预警方法、装置、计算机设备和存储介质 |
CN110533007A (zh) * | 2019-09-13 | 2019-12-03 | 东南大学 | 一种桥梁车载应变影响线特征智能识别与提取方法 |
CN111241658A (zh) * | 2019-12-30 | 2020-06-05 | 浙江大学 | 基于lstm神经网络模型的梁式桥移动荷载识别方法 |
Non-Patent Citations (1)
Title |
---|
刘祖岩, 孙宇: "材料变形力学基础及有限元原理和软件使用", 31 May 2021, 哈尔滨工业大学出版社, pages: 82 - 85 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542146A (zh) * | 2023-01-06 | 2023-08-04 | 中路高科交通检测检验认证有限公司 | 桥梁监测温度场-应变场时空相关模型及健康诊断方法 |
CN116128380A (zh) * | 2023-04-13 | 2023-05-16 | 沧州路桥工程有限责任公司 | 一种桥梁健康监测方法、装置、电子设备及存储介质 |
CN116128380B (zh) * | 2023-04-13 | 2023-06-30 | 沧州路桥工程有限责任公司 | 一种桥梁健康监测方法、装置、电子设备及存储介质 |
CN116975989A (zh) * | 2023-09-25 | 2023-10-31 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于有限元引导深度学习代理模型评估桥梁运行状态方法 |
CN116975989B (zh) * | 2023-09-25 | 2024-02-27 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于有限元引导深度学习代理模型评估桥梁运行状态方法 |
CN117992810A (zh) * | 2024-04-02 | 2024-05-07 | 洛阳鹏飞建设工程有限公司 | 一种道路桥梁强度检测装置 |
CN117992810B (zh) * | 2024-04-02 | 2024-06-04 | 洛阳鹏飞建设工程有限公司 | 一种道路桥梁强度检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115311246A (zh) | 一种基于大数据的桥梁安全管理方法和系统 | |
Rafiei et al. | A novel unsupervised deep learning model for global and local health condition assessment of structures | |
Feng et al. | A kNN algorithm for locating and quantifying stiffness loss in a bridge from the forced vibration due to a truck crossing at low speed | |
CN108444662B (zh) | 一种基于日温度效应的桥梁损伤在线监测方法 | |
CN110706213B (zh) | 基于应变响应累积分布函数差的桥梁集群结构损伤判别方法 | |
Cheung et al. | The application of statistical pattern recognition methods for damage detection to field data | |
CN112967252B (zh) | 一种轨道车辆机感吊架组装螺栓丢失检测方法 | |
Yue et al. | A Bayesian wavelet packet denoising criterion for mechanical signal with non-Gaussian characteristic | |
CN111170103B (zh) | 设备故障识别方法 | |
CN112411371A (zh) | 基于移动传感和视觉的公路桥梁综合检测方法和系统 | |
CN105626502A (zh) | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 | |
CN116881819B (zh) | 一种基于孤立森林的斜拉索工作状态监测方法 | |
CN115014617B (zh) | 一种基于地基雷达的斜拉桥拉索索力同步监测方法 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
Ribeiro et al. | Statistical methodologies for removing the operational effects from the dynamic responses of a high‐rise telecommunications tower | |
Lu et al. | Early fault warning and identification in condition monitoring of bearing via wavelet packet decomposition coupled with graph | |
CN115169650B (zh) | 一种大数据分析的装备健康预测方法 | |
CN115187048B (zh) | 轨道线路多域限界异物侵限事件状况识别方法及系统 | |
Yang et al. | A deep learning-based framework for damage detection with time series | |
CN115452282A (zh) | 一种基于数据融合的铁路桥梁结构健康监测方法 | |
CN112229800A (zh) | 非接触式铁路桥梁状况综合检测方法和系统 | |
Liu et al. | Research on online monitoring technology for transmission tower bolt looseness | |
Gorantiwar et al. | Fiber Optic Sensor System for Defect Classification using Novel Physics based Modelling and Data Driven Approach | |
CN116910879A (zh) | 一种随机车载作用下桥梁斜拉索的索力异常诊断方法及装置 | |
CN117725558A (zh) | 一种结构在线损伤识别方法及装置 |
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 |