CN115687983B - 一种桥梁健康状态监测方法、系统及电子设备 - Google Patents
一种桥梁健康状态监测方法、系统及电子设备 Download PDFInfo
- Publication number
- CN115687983B CN115687983B CN202211712378.5A CN202211712378A CN115687983B CN 115687983 B CN115687983 B CN 115687983B CN 202211712378 A CN202211712378 A CN 202211712378A CN 115687983 B CN115687983 B CN 115687983B
- Authority
- CN
- China
- Prior art keywords
- data
- bridge
- prediction
- source
- matrix
- 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.)
- Active
Links
- 230000036541 health Effects 0.000 title claims abstract description 56
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 63
- 238000004088 simulation Methods 0.000 claims description 29
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 230000003862 health status Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 description 35
- 230000008859 change Effects 0.000 description 9
- 238000013461 design Methods 0.000 description 9
- 238000013507 mapping Methods 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种桥梁健康状态监测方法、系统及电子设备,属于桥梁监测领域,桥梁健康状态监测方法包括:获取设定时段内桥梁的多源异构数据集;对多源异构数据集进行异常值剔除得到标准数据集;基于模拟工况数据集及标准数据集建立数字孪生系统;基于数字孪生系统对未来设定时段内各时刻的桥梁数据进行预测,得到预测数据集;根据预测数据集建立各预测数据的多维数据矩阵;多维数据矩阵中包括对应的预测数据、预测数据的权重及预测数据与各参考预测数据的关联因子;根据各预测数据的多维数据矩阵及各预测数据的权重确定未来设定时段内桥梁的健康状态值。提高了桥梁健康状态监测的精度及效率。
Description
技术领域
本发明涉及桥梁监测领域,特别是涉及一种桥梁健康状态监测方法、系统及电子设备。
背景技术
当前对桥梁的监测主要采用人工监测方式为主,采用人力实地监测数据,周期长,成本高,并且依赖监测人员的技术水平和单次监测使用的设备,对于不同数据源、不同时间获取的数据难以进行融合处理,无法及时获取全面的桥梁健康状态数据。
发明内容
本发明的目的是提供一种桥梁健康状态监测方法、系统及电子设备,可提高桥梁健康状态数据的全面性,提高监测精度及效率。
为实现上述目的,本发明提供了如下方案:
一种桥梁健康状态监测方法,包括:
获取设定时段内桥梁的多源异构数据集;所述多源异构数据集中包括多个数据源数据,每个数据源数据中包括对应数据源在设定时段内各时刻采集的桥梁数据;每个数据源采集的桥梁数据的类型不同;
对所述多源异构数据集进行异常值剔除,得到标准数据集;
基于模拟工况数据集及所述标准数据集建立数字孪生系统;所述模拟工况数据集中包括多个模拟数据,每个模拟数据中包括设定时段内各时刻模拟得到的桥梁数据;各模拟数据中桥梁数据的类型与各数据源采集的桥梁数据的类型对应;
基于所述数字孪生系统对未来设定时段内各时刻的桥梁数据进行预测,得到预测数据集;所述预测数据集中包括多个预测数据,每个预测数据包括未来设定时段内各时刻的桥梁数据;各预测数据中桥梁数据的类型与各数据源采集的桥梁数据的类型对应;
根据所述预测数据集建立各预测数据的多维数据矩阵;多维数据矩阵中包括对应的预测数据、预测数据的权重及预测数据与各参考预测数据的关联因子,所述参考预测数据为所述预测数据集中除所述预测数据以外的任一预测数据;
根据各预测数据的多维数据矩阵及各预测数据的权重,确定未来设定时段内桥梁的健康状态值。
可选地,所述获取设定时段内桥梁的多源异构数据集,具体包括:
通过设置在桥梁上不同位置处不同类型的传感器采集设定时段内的桥梁状态模拟信号;
针对任一传感器,将所述传感器采集的桥梁状态模拟信号转换为数字信号,得到桥梁状态数字信号,并对所述桥梁状态数字信号的格式进行标准化处理,得到桥梁状态标准数据;
将各桥梁状态标准数据的时间颗粒度统一,得到对应的多个数据源数据。
可选地,对所述多源异构数据集进行异常值剔除,具体包括:
针对任一数据源数据中的任一桥梁数据,判断所述桥梁数据是否大于对应的数据源的超量程数值,若是,则将所述桥梁数据剔除;
根据各目标桥梁数据,以时间轴为横坐标,以目标桥梁数据为纵坐标,在笛卡尔坐标系下建立对应所述桥梁数据的数据曲线;所述目标桥梁数据为所述数据源数据中除所述桥梁数据以外的桥梁数据;
根据所述桥梁数据在笛卡尔坐标系中的坐标,计算所述桥梁数据与对应所述桥梁数据的数据曲线之间的距离;
判断所述桥梁数据与对应所述桥梁数据的数据曲线之间的距离是否大于距离异常值,若是,则将所述桥梁数据剔除,以得到标准数据集。
可选地,采用以下公式计算桥梁数据p与对应桥梁数据p的数据曲线之间的距离:
;
其中,B data 为桥梁数据p与对应桥梁数据p的数据曲线之间的距离,(x p ,y p )为桥梁数据p在笛卡尔坐标系中的坐标,(x 0,y 0)为对应桥梁数据p的数据曲线中距离桥梁数据p最近的点的坐标。
可选地,对所述多源异构数据集进行异常值剔除,还包括:
根据各桥梁数据与各桥梁数据对应的数据曲线之间的距离,得到距离集合;
计算所述距离集合的标准差;所述距离异常值为所述标准差的3倍。
可选地,基于模拟工况数据集及所述标准数据集建立数字孪生系统,具体包括:
根据所述模拟工况数据集及所述标准数据集,对深度神经网络进行迭代训练,直至深度神经网络的误差小于预设差值时,得到数字孪生系统。
可选地,根据所述预测数据集建立各预测数据的多维数据矩阵,具体包括:
针对所述预测数据集中的任一预测数据,计算所述预测数据与各参考预测数据的关联因子;所述参考预测数据为所述预测数据集中除所述预测数据以外的任一预测数据;
根据所述预测数据、所述预测数据的权重及所述预测数据与各参考预测数据的关联因子,建立所述预测数据的多维数据矩阵。
可选地,采用以下公式计算桥梁的健康状态值:
;
其中,M q 为桥梁的健康状态值,n为预测数据的总数,α i 为预测数据i的权重,M(D i )为预测数据i的多维数据矩阵。
为实现上述目的,本发明还提供了如下方案:
一种桥梁健康状态监测系统,包括:
数据获取单元,用于获取设定时段内桥梁的多源异构数据集;所述多源异构数据集中包括多个数据源数据,每个数据源数据中包括对应数据源在设定时段内各时刻采集的桥梁数据;每个数据源采集的桥梁数据的类型不同;
异常值剔除单元,与所述数据获取单元连接,用于对所述多源异构数据集进行异常值剔除,得到标准数据集;
数字孪生单元,与所述异常值剔除单元连接,用于基于模拟工况数据集及所述标准数据集建立数字孪生系统;所述模拟工况数据集中包括多个模拟数据,每个模拟数据中包括设定时段内各时刻模拟得到的桥梁数据;各模拟数据中桥梁数据的类型与各数据源采集的桥梁数据的类型对应;
预测单元,与所述数字孪生单元连接,用于基于所述数字孪生系统对未来设定时段内各时刻的桥梁数据进行预测,得到预测数据集;所述预测数据集中包括多个预测数据,每个预测数据包括未来设定时段内各时刻的桥梁数据;各预测数据中桥梁数据的类型与各数据源采集的桥梁数据的类型对应;
矩阵建立单元,与所述预测单元连接,用于根据所述预测数据集建立各预测数据的多维数据矩阵;多维数据矩阵中包括对应的预测数据、预测数据的权重及预测数据与各参考预测数据的关联因子,所述参考预测数据为所述预测数据集中除所述预测数据以外的任一预测数据;
健康状态确定单元,与所述矩阵建立单元连接,用于根据各预测数据的多维数据矩阵及各预测数据的权重,确定未来设定时段内桥梁的健康状态值。
为实现上述目的,本发明还提供了如下方案:
一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的桥梁健康状态监测方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
获取设定时段内桥梁的多源异构数据集,对多源异构数据集进行异常值剔除,得到标准数据集,基于模拟工况数据集及标准数据集建立数字孪生系统,基于数字孪生系统对未来设定时段内各时刻的桥梁数据进行预测,得到预测数据集,根据预测数据集建立各预测数据的多维数据矩阵,其中,多维数据矩阵中包括对应的预测数据、预测数据的权重及预测数据与各参考预测数据的关联因子,参考预测数据为预测数据集中除所述预测数据以外的任一预测数据,根据各预测数据的多维数据矩阵及各预测数据的权重,确定未来设定时段内桥梁的健康状态值。通过多源异构数据建立数字孪生系统,采集的数据更全面,提高了桥梁健康状态监测的精度,并且自动实现多源异构数据的融合,无需人工监测,提高了桥梁健康状态监测的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明桥梁健康状态监测方法的流程图;
图2为本发明桥梁健康状态监测系统的模块示意图。
符号说明:
数据获取单元-1,异常值剔除单元-2,数字孪生单元-3,预测单元-4,矩阵建立单元-5,健康状态确定单元-6。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种桥梁健康状态监测方法、系统及电子设备通过对多源异构数据融合,建立数字孪生系统,可用于对桥梁状态的监测、判断和预测,能够便捷、快速、全面的评估桥梁健康状态。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示,本实施例提供一种桥梁健康状态监测方法,包括:
S1:获取设定时段内桥梁的多源异构数据集。所述多源异构数据集中包括多个数据源数据,每个数据源数据中包括对应数据源在设定时段内各时刻采集的桥梁数据。每个数据源采集的桥梁数据的类型不同。
进一步地,步骤S1包括:
S11:通过设置在桥梁上不同位置处不同类型的传感器采集设定时段内的桥梁状态模拟信号。在本实施例中,数据源即为传感器。通过传感器得到多源异构数据包括但不限于:表征桥梁梁体挠度的应变数据,表征桥梁受力状态的受力数据,表征桥梁倾斜状态的倾角数据,表征桥梁振动状态的振动加速度数据,表征环境温度的温度数据等。
传感器的布设位置和数量依据监测的物理量和实际工况需求而定。如:针对桥梁支座承载力的监测,布设在桥梁支座位置;针对梁体倾斜角度的监测,可布设在梁体下方,考虑到实际布设复杂度,可选择与梁体紧密锚固连接的桥梁支座上支座板作为布设地点;针对桥梁挠度监测,可选用应变传感器,布设在梁体下表面。
S12:针对任一传感器,将所述传感器采集的桥梁状态模拟信号转换为数字信号,得到桥梁状态数字信号,并对所述桥梁状态数字信号的格式进行标准化处理,得到桥梁状态标准数据。具体地,根据国标和桥梁设计规范标准,按照各数据所表征的物理量的规范要求,结合传感器自身精度,分别处理精度和有效数字位数。例如,对于受力,以千牛(kN)为单位时,保留3位有效数字,以达到N精度;对于振动加速度,以g为单位时,保留6位有效数字,以达到μg精度。
S13:将各桥梁状态标准数据的时间颗粒度统一,得到对应的多个数据源数据。为了确定数据完整度,即多个数据源的数据是否有同样的样本数量和维度,对于原本时间颗粒度不满足要求的,采用样条插值法或牛顿插值法补充缺失数据。
此外,为了明确具体的时间点与时序一致性,本发明还对每一条数据增加时间戳。
步骤S1通过对多源异构数据进行预处理,得到时序和逻辑一致、置信度和精度较高的桥梁状态实测数据,即多个数据源数据。
S2:对所述多源异构数据集进行异常值剔除,得到标准数据集。
数据异常值的来源包括:传感器采集异常、数据传输过程异常等,不属于桥梁等被测物体本身的异常;剔除异常值包括两个层面的含义,一方面由于客观采集误差的存在,出现了本不可能出现的“超量程”数据,但是由于实际采样数据可能本身就超过设计量程,因此需要对“超量程数据”进行统一处理。同时,由于时序上先后出现的连续数据之间,应当有一致性和逻辑规律,因此需要对超出“逻辑规律”的数据进行处理。此处明确了数据边界,即合理的“超量程数据”。
进一步地,步骤S2包括:
S21:针对任一数据源数据中的任一桥梁数据,判断所述桥梁数据是否大于对应的数据源的超量程数值,若是,则将所述桥梁数据剔除。具体地,若D>β*α*F,则桥梁数据D属于异常值,将其剔除,其中,β*α*F是超量程数据,F为额定满量程,α为规范允许的误差范围设定的超量程系数,β为异常系数。
例如,对于设计承载力为500T(F=500T)的支座,允许出现150%(α=1.5)的受力,即750T以内为允许的超量程数值,异常系数β=1.5,如果存在超过1.5*1.5*500T=1125T,即认为是异常值。对于500T以内,属于满足设计承载力需要,对于500-750,属于满足超量程使用需要,对于750-1125T,属于“不健康数据”,可用于分析当前桥梁健康状态以及支座实际受力状态,对于1125T以上,属于“异常值”,不应再继续纳入数据矩阵进行分析。
对于有预估量程的数据,允许其存在超过满量程的数值存在,但是不能超过一定范围,此处的“一定范围”是指符合客观物理规律和桥梁相关构件设计方案的取值范围。
S22:根据各目标桥梁数据,以时间轴为横坐标,以目标桥梁数据为纵坐标,在笛卡尔坐标系下建立对应所述桥梁数据的数据曲线。所述目标桥梁数据为所述数据源数据中除所述桥梁数据以外的桥梁数据。具体地,对每个桥梁数据进行计算时,剩余的桥梁数据自动组成“当前的”数据曲线。数据曲线为二维曲线,曲线构成方式为平滑函数衔接。
S23:根据所述桥梁数据在笛卡尔坐标系中的坐标,计算所述桥梁数据与对应所述桥梁数据的数据曲线之间的距离。
具体地,采用以下公式计算桥梁数据p与对应桥梁数据p的数据曲线之间的距离:
;
其中,B data 为桥梁数据p与对应桥梁数据p的数据曲线之间的距离,(x p ,y p )为桥梁数据p在笛卡尔坐标系中的坐标,(x 0,y 0)为对应桥梁数据p的数据曲线中距离桥梁数据p最近的点的坐标。
S24:判断所述桥梁数据与对应所述桥梁数据的数据曲线之间的距离是否大于距离异常值,若是,则将所述桥梁数据剔除,以得到标准数据集。
在本实施例中,根据各桥梁数据与各桥梁数据对应的数据曲线之间的距离,得到距离集合。计算所述距离集合的标准差。所述距离异常值为所述标准差的3倍。具体地,对于任意的数据点(x p ,y p ),根据上述公式可以计算出其点线距离,统计全体点线距离,此距离形成的数据集合{B data }可以认为符合正态分布。计算{B data }的平均数及标准差,根据正态分布的数学规律,集合中某个点的数值超过3倍标准差的可视为小概率事件。在本次计算中,某数据点的点线距离B data 超出3倍标准差的,认为此点超过了异常值标准,视为“异常点”。
本发明在步骤S2和步骤S3之间还包括:根据标准数据集建立二维数据矩阵。确定任意两个数据源数据之间的关联因子,并将关联因子纳入对应的数据源数据的二维数据矩阵,形成多维数据矩阵。
多维数据矩阵的表达式为:M(D a ,t a ,α a ,B (a,p),r (a,b))。其中,D a 为第a个数据源数据,t a 为第a个数据源数据的采集时刻,α a 为第a个数据源数据的权重系数,B (a,p)为第a个数据源数据中第p个桥梁数据的数据距离,r (a,b)为第a个数据源数据与第b个数据源数据的关联因子。
关联因子的取值范围为[-1,1]的闭区间。取值方式如下:对于相互之间无关联的数据源数据,其关联因子为0。对于相互之间为强关联的数据源数据,如成正比或反比的两个数据源数据,其关联因子为1或-1。对于关联性介于无关联和强关联之间的数据源数据,取值在(-1,0)(0,1)之间。
多源数据间存在关联关系,原本的多维数据矩阵仅仅客观反映数据的数值属性,时间戳也仅仅是同步的时间属性,但是数据所代表的物理量与物理量之间的关系未能进行妥善处理和反映。比如,温度升高会导致应变变大,表明两者有内在关联性,应当以“关联因子”标注其关联程度,作为后续处理的依据之一。
通过步骤S1中数据预处理后,数据具备“统一的数据格式、统一的时间颗粒度、统一的时序一致性、统一的频率”。处理后的这些数据均属于表征桥梁健康状态的数据,这些数据共同组成多维矩阵,矩阵中各数据具有一一对应关系,以确保时序一致性。
通过多维数据矩阵明确多数据源之间的直接或间接联系,以及不同数据源之间变化规律的依存性,如由于温度升降对倾角、挠度等物理量感知造成影响,如受力方向改变时,结构倾角相应变化等。
对第a个数据源数据D a 进行权重赋值α a ,得到映射模型M q :
其中,c为数据源数据的总数,M(D a )为第a个数据源数据的多维数据矩阵。
映射模型为逻辑概念,指对数据之间的相互关系建立逻辑体系,反映背后的物理规律,并应用于数据展示环节。举例:发现挠度变化时,代表桥梁结构有变化;发现多点受力不一致时,代表桥梁受力不均匀,可能有脱空情况存在。权重参数处理是为了描述多源数据反映的客观物理规律,代表了桥梁健康状态的影响程度。例如,当桥梁梁体本身的挠度产生变化,对于综合健康状态评判的权重赋值参数为r1,代表着挠度变化1%,对应的健康状态评价结果变化r1*1%。
本步骤的主要目的是建立多源异构数据与桥梁状态之间的映射关系,通过对关系型数据库增加权重参数模型的方式,实现桥梁数字设计、物理规律和感知数据的连接,让矩阵中的数据与现实中物理量产生联系,即将数据矩阵改造为映射模型。
由于桥梁自身存在多个物理量,每个物理量对于表述“桥梁当前健康状态”的影响因子不同,因此需要引入权重参数,以表明不同数据源所代表的物理量,对桥梁健康状态的反映水平。
步骤S2将预处理后的数据进行进一步关联,建立多维数据矩阵,矩阵内部的多源数据间进行关联关系处理,以获得时序和逻辑一致、置信度和精度较高的桥梁状态实测数据。
映射模型仅仅反映了已有的数据和已知的桥梁健康状态的映射关系。但是对于桥梁服役期的健康状态进行预测,需要建立可靠、可信的数字孪生系统。本发明建立数字孪生系统的过程主要通过神经网络训练方式,找到误差值最小的数学模型(状态转移矩阵),并以此数学模型为基础建立孪生系统,覆盖全部数据取值范围。
S3:基于模拟工况数据集及所述标准数据集建立数字孪生系统。
其中,模拟工况数据集中包括多个模拟数据,每个模拟数据中包括设定时段内各时刻模拟得到的桥梁数据。各模拟数据中桥梁数据的类型与各数据源采集的桥梁数据的类型对应。模拟工况数据集通过实验室环境模拟获得,以已知的外部工况(如倾角、振动、受力、温度等)。与实际传感器的数据的物理类型一致。对于工况缺失或因其他原因无法直接获得的感知数据,采用牛顿插值法等方法进行数据拟合,拟合后的工况数据作为深度神经网络的第一输入数据。
具体地,根据所述模拟工况数据集及所述标准数据集,对深度神经网络进行迭代训练,直至深度神经网络的误差小于预设差值时,得到数字孪生系统。
在本实施例中,训练深度神经网络的方法如下:
以已知的外部工况(如倾角、振动、受力、温度等)为基础作为第一输入数据,标准数据集中的数据作为第二输入数据;利用神经网络训练数据修正模型拟合第一输入数据与第二输入数据之间的偏差。将经过偏差修正后的数据重新录入映射模型,并重复上述步骤。
具体过程如下:
1)选定时间周期为t的第一输入数据作为对比数据,变形成第一数据集D 1(t);
2)将标准数据集中的相应数据,随时间t的变化,形成第二数据集D 2(t);
3)对任意时刻t k ,计算两者的综合偏差diff(t k ):
;
其中,H为第二数据集中的数据源数据总数,D 1,h (t k )为第一数据集中第的h个数据在t k 时刻的取值,D 2,h (t k )为第二数据集中的第h个数据源数据中第t k 时刻的桥梁数据。
判断diff(t k )是否小于预设差值δ diff ;若diff(t k )小于预设差值δ diff ,则更新迭代停止。此处δ diff 的取值为5‰,或根据专家经验修改。若diff(t k )大于或等于预设差值δ diff ,则时间挪至下一时刻,第一数据集更新至D 1(t k+1),第二数据集更新为D 2(t k+1):D 2(t k+1)=D 2(t k )+diff(t k )。
diff(t k )即为神经网络训练中需要观察的偏差数据,训练经过多次迭代,直至此数据收敛至一稳定值。更新完毕的第二数据集即为数字孪生系统的数学表达,数字孪生系统构建完成。
S4:基于所述数字孪生系统对未来设定时段内各时刻的桥梁数据进行预测,得到预测数据集。所述预测数据集中包括多个预测数据,每个预测数据包括未来设定时段内各时刻的桥梁数据。各预测数据中桥梁数据的类型与各数据源采集的桥梁数据的类型对应。
具体地,采用数字孪生系统对桥梁整体结构进行模拟和估算,并以此时的模拟结果进行状态预测。预测的基本流程是以环境数据和时间段为输入条件,依据数字孪生(映射模型)对多源数据的变化进行预测,输出对应时间点的预测值。
数字孪生系统中,给定特定的环境条件(输入条件,外部条件),可以直接给出对应的数据和变化规律,因此可以预测;比如明天开始,持续降温一个月,最低到达XX摄氏度,则桥梁健康状态将会变化为XX。预测过程如下:
1)首先在数字孪生系统中,设定预测的时间段,如基于当前时间点的未来一段时间(未来一个月或一年或十年)。
2)根据预测时间段,推演环境数据变化规律。
3)根据环境数据变化和时间因素变化,推演桥梁健康状态数据的变化。
4)输出对应数据的预测值。
5)根据输出的预测值,进行预警评价。评价基本原则按照阈值法,即设定m个层级的预警阈值δ n ,每达到一个阈值即意味着进入更高等级的预警级别。一般原则下,可设置m=4,同时每层级的预警阈值δ n 分别为满量程F.S.的30%、50%、70%、90%。
S5:根据所述预测数据集建立各预测数据的多维数据矩阵。多维数据矩阵中包括对应的预测数据、预测数据的权重及预测数据与各参考预测数据的关联因子,所述参考预测数据为所述预测数据集中除所述预测数据以外的任一预测数据。
进一步地,步骤S5包括:
S51:针对所述预测数据集中的任一预测数据,计算所述预测数据与各参考预测数据的关联因子。所述参考预测数据为所述预测数据集中除所述预测数据以外的任一预测数据。
S52:根据所述预测数据、所述预测数据的权重及所述预测数据与各参考预测数据的关联因子,建立所述预测数据的多维数据矩阵。
S6:根据各预测数据的多维数据矩阵及各预测数据的权重,确定未来设定时段内桥梁的健康状态值。
具体地,采用以下公式计算桥梁的健康状态值:
;
其中,M q 为桥梁的健康状态值,n为预测数据的总数,α i 为预测数据i的权重,M(D i )为预测数据i的多维数据矩阵。
本发明将表征物理量、数值变化范围、时间颗粒度、置信度不同的多源异构桥梁健康状态监测数据,以保持数据逻辑、时序、时间颗粒度和精度一致性为原则,进行数据预处理;结合桥梁数字设计、物理规律和专家经验,修正数据异常值,得到时序和逻辑一致、置信度和精度较高的桥梁状态实测数据,并建立多维数据矩阵;利用深度神经网络对多维数据矩阵进行训练,提高拟合度,修正数据偏差,依据物理规律和桥梁设计规范、设计图纸等设计输入,补充实测无法覆盖的数据节点,共同建立映射数据模型;以此模型为基础,构建数字孪生系统,加入权重参数用于预测,并将数字孪生系统预测规律与实测数据进行相互校正,共同进行桥梁状态判断和预测。
实施例二
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供一种桥梁健康状态监测系统。
如图2所示,本实施例提供的桥梁健康状态监测系统包括:数据获取单元1、异常值剔除单元2、数字孪生单元3、预测单元4、矩阵建立单元5及健康状态确定单元6。
其中,数据获取单元1用于获取设定时段内桥梁的多源异构数据集。所述多源异构数据集中包括多个数据源数据,每个数据源数据中包括对应数据源在设定时段内各时刻采集的桥梁数据。每个数据源采集的桥梁数据的类型不同。
异常值剔除单元2与所述数据获取单元1连接,异常值剔除单元2用于对所述多源异构数据集进行异常值剔除,得到标准数据集。
数字孪生单元3与所述异常值剔除单元2连接,数字孪生单元3用于基于模拟工况数据集及所述标准数据集建立数字孪生系统。所述模拟工况数据集中包括多个模拟数据,每个模拟数据中包括设定时段内各时刻模拟得到的桥梁数据。各模拟数据中桥梁数据的类型与各数据源采集的桥梁数据的类型对应。
预测单元4与所述数字孪生单元3连接,预测单元4用于基于所述数字孪生系统对未来设定时段内各时刻的桥梁数据进行预测,得到预测数据集。所述预测数据集中包括多个预测数据,每个预测数据包括未来设定时段内各时刻的桥梁数据。各预测数据中桥梁数据的类型与各数据源采集的桥梁数据的类型对应。
矩阵建立单元5与所述预测单元4连接,矩阵建立单元5用于根据所述预测数据集建立各预测数据的多维数据矩阵。多维数据矩阵中包括对应的预测数据、预测数据的权重及预测数据与各参考预测数据的关联因子,所述参考预测数据为所述预测数据集中除所述预测数据以外的任一预测数据。
健康状态确定单元6与所述矩阵建立单元5连接,健康状态确定单元6用于根据各预测数据的多维数据矩阵及各预测数据的权重,确定未来设定时段内桥梁的健康状态值。
相对于现有技术,本实施例提供的桥梁健康状态监测系统与实施例一提供的桥梁健康状态监测方法的有益效果相同,在此不再赘述。
实施例三
本实施例提供一种电子设备,包括存储器及处理器,存储器用于存储计算机程序,处理器运行计算机程序以使电子设备执行实施例一的桥梁健康状态监测方法。
可选地,上述电子设备可以是服务器。
另外,本发明实施例还提供一种计算机可读存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现实施例一的桥梁健康状态监测方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种桥梁健康状态监测方法,其特征在于,所述桥梁健康状态监测方法包括:
获取设定时段内桥梁的多源异构数据集;所述多源异构数据集中包括多个数据源数据,每个数据源数据中包括对应数据源在设定时段内各时刻采集的桥梁数据;每个数据源采集的桥梁数据的类型不同;
对所述多源异构数据集进行异常值剔除,得到标准数据集;
根据标准数据集建立二维数据矩阵;确定任意两个数据源数据之间的关联因子,并将关联因子纳入对应的数据源数据的二维数据矩阵,形成多维数据矩阵;多维数据矩阵的表达式为:M(D a ,t a ,α a ,B(a,p),r(a,b));其中,D a 为第a个数据源数据,t a 为第a个数据源数据的采集时刻,α a 为第a个数据源数据的权重系数,B(a,p)为第a个数据源数据中第p个桥梁数据的数据距离,r(a,b)为第a个数据源数据与第b个数据源数据的关联因子;
基于模拟工况数据集及所述标准数据集建立数字孪生系统;所述模拟工况数据集中包括多个模拟数据,每个模拟数据中包括设定时段内各时刻模拟得到的桥梁数据;各模拟数据中桥梁数据的类型与各数据源采集的桥梁数据的类型对应;
基于所述数字孪生系统对未来设定时段内各时刻的桥梁数据进行预测,得到预测数据集;所述预测数据集中包括多个预测数据,每个预测数据包括未来设定时段内各时刻的桥梁数据;各预测数据中桥梁数据的类型与各数据源采集的桥梁数据的类型对应;
根据所述预测数据集建立各预测数据的多维数据矩阵,具体包括:针对所述预测数据集中的任一预测数据,计算所述预测数据与各参考预测数据的关联因子;根据所述预测数据、所述预测数据的权重及所述预测数据与各参考预测数据的关联因子,建立所述预测数据的多维数据矩阵;关联因子的取值范围为[-1,1]的闭区间;多维数据矩阵中包括对应的预测数据、预测数据的权重及预测数据与各参考预测数据的关联因子,所述参考预测数据为所述预测数据集中除所述预测数据以外的任一预测数据;
根据各预测数据的多维数据矩阵及各预测数据的权重,确定未来设定时段内桥梁的健康状态值。
2.根据权利要求1所述的桥梁健康状态监测方法,其特征在于,所述获取设定时段内桥梁的多源异构数据集,具体包括:
通过设置在桥梁上不同位置处不同类型的传感器采集设定时段内的桥梁状态模拟信号;
针对任一传感器,将所述传感器采集的桥梁状态模拟信号转换为数字信号,得到桥梁状态数字信号,并对所述桥梁状态数字信号的格式进行标准化处理,得到桥梁状态标准数据;
将各桥梁状态标准数据的时间颗粒度统一,得到对应的多个数据源数据。
3.根据权利要求1所述的桥梁健康状态监测方法,其特征在于,对所述多源异构数据集进行异常值剔除,具体包括:
针对任一数据源数据中的任一桥梁数据,判断所述桥梁数据是否大于对应的数据源的超量程数值,若是,则将所述桥梁数据剔除;
根据各目标桥梁数据,以时间轴为横坐标,以目标桥梁数据为纵坐标,在笛卡尔坐标系下建立对应所述桥梁数据的数据曲线;所述目标桥梁数据为所述数据源数据中除所述桥梁数据以外的桥梁数据;
根据所述桥梁数据在笛卡尔坐标系中的坐标,计算所述桥梁数据与对应所述桥梁数据的数据曲线之间的距离;
判断所述桥梁数据与对应所述桥梁数据的数据曲线之间的距离是否大于距离异常值,若是,则将所述桥梁数据剔除,以得到标准数据集。
4.根据权利要求3所述的桥梁健康状态监测方法,其特征在于,采用以下公式计算桥梁数据p与对应桥梁数据p的数据曲线之间的距离:
;
其中,B data 为桥梁数据p与对应桥梁数据p的数据曲线之间的距离,(x p ,y p )为桥梁数据p在笛卡尔坐标系中的坐标,(x 0,y 0)为对应桥梁数据p的数据曲线中距离桥梁数据p最近的点的坐标。
5.根据权利要求3所述的桥梁健康状态监测方法,其特征在于,对所述多源异构数据集进行异常值剔除,还包括:
根据各桥梁数据与各桥梁数据对应的数据曲线之间的距离,得到距离集合;
计算所述距离集合的标准差;所述距离异常值为所述标准差的3倍。
6.根据权利要求1所述的桥梁健康状态监测方法,其特征在于,基于模拟工况数据集及所述标准数据集建立数字孪生系统,具体包括:
根据所述模拟工况数据集及所述标准数据集,对深度神经网络进行迭代训练,直至深度神经网络的误差小于预设差值时,得到数字孪生系统。
7.根据权利要求1所述的桥梁健康状态监测方法,其特征在于,采用以下公式计算桥梁的健康状态值:
;
其中,M q 为桥梁的健康状态值,n为预测数据的总数,α i 为预测数据i的权重,M(D i )为预测数据i的多维数据矩阵。
8.一种桥梁健康状态监测系统,其特征在于,所述桥梁健康状态监测系统包括:
数据获取单元,用于获取设定时段内桥梁的多源异构数据集;所述多源异构数据集中包括多个数据源数据,每个数据源数据中包括对应数据源在设定时段内各时刻采集的桥梁数据;每个数据源采集的桥梁数据的类型不同;
异常值剔除单元,与所述数据获取单元连接,用于对所述多源异构数据集进行异常值剔除,得到标准数据集;根据标准数据集建立二维数据矩阵;确定任意两个数据源数据之间的关联因子,并将关联因子纳入对应的数据源数据的二维数据矩阵,形成多维数据矩阵;多维数据矩阵的表达式为:M(D a ,t a ,α a ,B(a,p),r(a,b));其中,D a 为第a个数据源数据,t a 为第a个数据源数据的采集时刻,α a 为第a个数据源数据的权重系数,B(a,p)为第a个数据源数据中第p个桥梁数据的数据距离,r(a,b)为第a个数据源数据与第b个数据源数据的关联因子;
数字孪生单元,与所述异常值剔除单元连接,用于基于模拟工况数据集及所述标准数据集建立数字孪生系统;所述模拟工况数据集中包括多个模拟数据,每个模拟数据中包括设定时段内各时刻模拟得到的桥梁数据;各模拟数据中桥梁数据的类型与各数据源采集的桥梁数据的类型对应;
预测单元,与所述数字孪生单元连接,用于基于所述数字孪生系统对未来设定时段内各时刻的桥梁数据进行预测,得到预测数据集;所述预测数据集中包括多个预测数据,每个预测数据包括未来设定时段内各时刻的桥梁数据;各预测数据中桥梁数据的类型与各数据源采集的桥梁数据的类型对应;
矩阵建立单元,与所述预测单元连接,用于根据所述预测数据集建立各预测数据的多维数据矩阵,具体包括:针对所述预测数据集中的任一预测数据,计算所述预测数据与各参考预测数据的关联因子;根据所述预测数据、所述预测数据的权重及所述预测数据与各参考预测数据的关联因子,建立所述预测数据的多维数据矩阵;关联因子的取值范围为[-1,1]的闭区间;多维数据矩阵中包括对应的预测数据、预测数据的权重及预测数据与各参考预测数据的关联因子,所述参考预测数据为所述预测数据集中除所述预测数据以外的任一预测数据;
健康状态确定单元,与所述矩阵建立单元连接,用于根据各预测数据的多维数据矩阵及各预测数据的权重,确定未来设定时段内桥梁的健康状态值。
9.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至7中任一项所述的桥梁健康状态监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211712378.5A CN115687983B (zh) | 2022-12-30 | 2022-12-30 | 一种桥梁健康状态监测方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211712378.5A CN115687983B (zh) | 2022-12-30 | 2022-12-30 | 一种桥梁健康状态监测方法、系统及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115687983A CN115687983A (zh) | 2023-02-03 |
CN115687983B true CN115687983B (zh) | 2023-07-18 |
Family
ID=85055722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211712378.5A Active CN115687983B (zh) | 2022-12-30 | 2022-12-30 | 一种桥梁健康状态监测方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115687983B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116773238B (zh) * | 2023-06-16 | 2024-01-19 | 南方电网调峰调频发电有限公司检修试验分公司 | 一种基于工业数据的故障监测方法及系统 |
CN117076928A (zh) * | 2023-08-25 | 2023-11-17 | 中交路桥科技有限公司 | 一种桥梁健康状态监测方法、装置、系统及电子设备 |
CN117669394B (zh) * | 2024-02-02 | 2024-04-12 | 贵州交通建设集团有限公司 | 一种山区峡谷桥梁长期性能综合评估方法及系统 |
CN117852774B (zh) * | 2024-03-05 | 2024-05-14 | 贵州交通建设集团有限公司 | 一种山区峡谷桥梁长期性能数据采集方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418451A (zh) * | 2020-11-05 | 2021-02-26 | 武汉大学 | 基于数字孪生的变压器故障诊断定位系统 |
CN114444366A (zh) * | 2022-04-08 | 2022-05-06 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于有限元仿真的桥梁数字孪生模型更新方法及装置 |
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 |
-
2022
- 2022-12-30 CN CN202211712378.5A patent/CN115687983B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115687983A (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115687983B (zh) | 一种桥梁健康状态监测方法、系统及电子设备 | |
CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
CN112904266B (zh) | 一种电能表寿命预测方法及装置 | |
CN110400231B (zh) | 一种加权非线性贝叶斯的电能计量设备失效率预估方法 | |
CN111680398B (zh) | 一种基于Holt-Winters模型的单机性能退化预测方法 | |
CN114936504A (zh) | 基于贝叶斯多源数据融合的设备剩余寿命预测方法及系统 | |
CN114234831B (zh) | 一种曲面铸钢件的应变监测方法、系统和可读存储介质 | |
CN110414086B (zh) | 一种基于灵敏度的综合应力加速因子计算方法 | |
CN114862267A (zh) | 一种输油气管道报警管理体系的评价方法及系统 | |
CN108108839B (zh) | 基于逆向模糊层次分析的电网信息系统设备状态预警方法 | |
CN116522096B (zh) | 基于动作捕捉的三维数字孪生内容智能制作方法 | |
CN114202141A (zh) | 一种基于边云协同的计量设备检定线运行状态评估方法 | |
JP2003270004A (ja) | 検出器ドリフトの推定装置、それの推定方法、及び、検出器の監視システム | |
WO2022012416A1 (en) | Method and system for eccentric load error correction | |
CN113468693A (zh) | 一种基于大数据的压力传感器采集系统 | |
CN115841446A (zh) | 一种太阳能集热场故障风险快速检测系统及方法 | |
CN109753018B (zh) | 一种基于云端智能的误差补偿系统及动态补偿方法 | |
CN108614547B (zh) | 一种基于削减因子的工业控制协议安全评估方法 | |
CN106874557B (zh) | 一种基于比例分布的风速预测校正方法 | |
CN116308293B (zh) | 一种基于数字化平台的农业设备智能管理系统及方法 | |
Zhongyi et al. | Health index construction and remaining useful lifetime prediction of aviation products based on multi-source degradation data fusion | |
CN116028757B (zh) | 一种基于多源信息融合的最优软测量模型生成方法及系统 | |
CN106918365B (zh) | 一种可靠性高的大坝安全监测系统 | |
CN106651038A (zh) | 一种社会经济指标集合预测方法 | |
CN116992234A (zh) | 一种基于卷积神经网络的桥梁健康状态监测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |