CN115855399A - 一种基于人工智能的大型桥梁健康监测方法 - Google Patents
一种基于人工智能的大型桥梁健康监测方法 Download PDFInfo
- Publication number
- CN115855399A CN115855399A CN202211603283.XA CN202211603283A CN115855399A CN 115855399 A CN115855399 A CN 115855399A CN 202211603283 A CN202211603283 A CN 202211603283A CN 115855399 A CN115855399 A CN 115855399A
- Authority
- CN
- China
- Prior art keywords
- bridge
- artificial intelligence
- monitoring
- monitoring method
- method based
- 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
Images
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于人工智能的大型桥梁健康监测方法，所搭大型桥梁智能化监测平台，开发长期在线的高精度监测装备，并研究相应的预警和评估技术，全天候不间断地监测桥梁荷载与环境作用、结构局部和整体响应，全寿命监测建模荷载与环境作用、推断或在识别结构损伤和性能退化。并在此基础上，实时、定期或特殊极端事件下修正服役结构的计算模型、分析和定量评定结构的服役安全状况、预测结构剩余寿命，把握和预警结构安全和寿命状况，实时动态并准确把握大型桥梁服役期间结构状态与损伤演化趋势，实现大型桥梁的智能化监测，科学地支撑桥梁结构安全寿命的管养维护与维修加固。
Description
技术领域
本发明涉及桥梁监测技术领域，具体为一种基于人工智能的大型桥梁健康监测方法。
背景技术
城市快速路大型、特大型桥梁在建造和使用过程中，由于受到环境、有害物质的侵蚀，车辆、风、地震、疲劳、人为因素等作用，以及材料自身性能的不断退化，导致结构各部分在远没有达到设计年限前就产生不同程度的损伤和劣化，这些损伤如果不能及时得到检测和维修轻则影响行车安全和缩短桥梁使用寿命，重则导致桥梁突然破坏和倒塌，随着时间的迁移，城市快速路桥梁结构的健康问题将会凸显出来。如何做到结构隐患早发现，早排除，这不仅关系到人民群众的生命财产安全，而且还能为挽回巨大的财产损失。目前多座城市快速路大跨度桥梁均建立了健康监测系统，早期的桥梁健康监测技术虽然取得了一系列的成果，但这些健康监测系统的设计理念侧重于为桥梁的养护管理提供支撑，偏重监测内容和技术而轻视测试数据处理和评价的设计，而且监测设备精度低、寿命短、后期维护困难、预警不可靠、评估不准确等，健康监测系统所采用的传感器、数据采集仪和传输系统在实时监测过程中故障率和损坏情况也较高，传统的桥梁健康监测系统服务质量一般、传感器的型号和种类不满足《公路桥梁结构监测技术规范》(JT/T1037-2022)规范要求，旧系统平台不能有效的预警、预测和评估等，且不能按照交通运输部和省交通运输厅的要求将监测数据有效上传到交通部部级平台和省交通厅的省级监测平台。城市快速路桥梁结构状态评估系统和评估软件又处于较低的水平，为养护管理单位在桥梁结构状况分析时带来了大量工作和困难。
发明内容
本发明解决的技术问题在于克服现有技术的缺陷，提供一种基于人工智能的大型桥梁健康监测方法。
为实现上述目的，本发明提供如下技术方案：一种基于人工智能的大型桥梁健康监测方法，包括以下步骤：
S1：各种传感器设备的选择，并将传感器安装与大型桥梁上的合适结构位置处及监测系统平台的建立；
S2：基于北斗卫星导航系统的RTK智能监测设备的桥塔高精度动态变位监测；
S3：基于微波雷达的挠度动态高精度测量监测；
S4：基于多指标联动分析的桥梁在线预警；
S5：基于时空深度学习的桥梁多尺度响应预测与状态评估；
S6：特殊事件下基于数字孪生的桥梁响应分析与评估。
优选的，所述步骤1中监测系统包括结构监测子系统、智能评估子系统和其它子系统组成。
优选的，所述步骤2中的具体步骤为：
S21：硬件系统方案设计与硬件电路设计；
S22：北斗RTK高精度定位算法研究；
S23：基于Linux的嵌入式系统开发；
S24：WEB用户交互系统开发。
优选的，所述步骤3中的具体步骤为：
S31：硬件系统方案设计；
S32：射频前端系统硬件电路设计；
S33：信号处理系统硬件电路设计；
S34：控制系统硬件电路设计；
S35：高精度测距算法研究；
S36：嵌入式软件系统开发。
优选的，所述步骤4中的具体步骤为：
S41：监测数据异常信号的智能清洗和修复；
S42：桥梁关联测点选取方式；
S43：基于多指标联动分析的桥梁在线预警。
优选的，所述步骤5中包括基于监测数据的桥梁响应预测深度学习网络和深度机器学习模型与多尺度递归模块联合应用两个方面组成。
优选的，所述步骤6中具体步骤为：
S61：桥梁响应数据特征参数的自适应快速提取；
S62：桥梁响应数据特征值的时空分布数字孪生模型开发；
S63：极端环境和特殊事件下桥梁状态评估和性能预测。
优选的，所述本监测方法就是基于市场调研和文献调研的基础上开展。
与现有技术相比，本发明的有益效果是：
1、本发明主要融合了BIM(建筑信息模型)、GIS(地理信息系统)、IoT(物联网)、移动互联网、云计算、大数据、人工智能、数字孪生等新一代信息技术，它们互相独立又互相联系，共同构成了大型桥梁运营期智能化、智慧化健康监测技术；所搭大型桥梁智能化监测平台，开发长期在线的高精度监测装备，并研究相应的预警和评估技术，全天候不间断地监测桥梁荷载与环境作用、结构局部和整体响应，全寿命监测建模荷载与环境作用、推断或在识别结构损伤和性能退化。并在此基础上，实时、定期或特殊极端事件下修正服役结构的计算模型、分析和定量评定结构的服役安全状况、预测结构剩余寿命，把握和预警结构安全和寿命状况，实时动态并准确把握大型桥梁服役期间结构状态与损伤演化趋势，实现大型桥梁的智能化监测，科学地支撑桥梁结构安全寿命的管养维护与维修加固。
2、将多指标联动分析用于桥梁的在线预警中，减少由于传感器故障或其他原因造成单指标分析时不预警乱预警问题，提高预警可靠性。
3、将深度机器学习模型嵌入多尺度递归模块，对桥梁监测大数据进行训练、建模，用于桥梁响应的时间多尺度预测，形成基于时空深度学习的桥梁多尺度响应预测与状态评定方法。
4、将数字孪生模型用于特殊事件下桥梁的响应与评估，通过环境数据和桥梁响应数据，结合特殊事件的荷载分布规律，建立桥梁的时空分布数字孪生模型，并与监测量比较，完成桥梁状态评估。
附图说明
图1为本发明监测方法的流程图；
图2为本发明基于北斗的高精度动态变位监测装备路线图；
图3为本发明基于微波雷达的挠度动态高精度测量装备路线图；
图4为本发明基于多指标联动分析的桥梁在线预警技术的路线图；
图5为本发明特殊事件下基于数字孪生的桥梁响应分析与评估技术的路线图。
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。
请参阅图1-5，本发明提供一种技术方案：一种基于人工智能的大型桥梁健康监测方法，包括以下步骤：
S1：各种传感器设备的选择，并将传感器安装与大型桥梁上的合适结构位置处及监测系统平台的建立，监测系统包括结构监测子系统、智能评估子系统和其它子系统组成，其中其它子系统包括主动防船撞预警系统、称重系统和视频检测模块；
S2：基于北斗卫星导航系统的RTK智能监测设备的桥塔高精度动态变位监测，采用北斗定位技术，通过集成高精度北斗定位器件，设计功能扩展电路，开发一套基于北斗的高精度测量装备；优化基于整周模糊度单历元的动态求解算法，配套高精度测量装备实现实时桥塔的高精度动态变位监测，通过微波调频技术发送和接收调频连续波信号、利用微波干涉测量技术和信号分析与处理技术对发送和接收到的调频连续波的频率提取、相位计算和解缠，通过相位测距技术实现动挠度的监测，具体步骤为：
S21：硬件系统方案设计与硬件电路设计；
S22：北斗RTK高精度定位算法研究；
S23：基于Linux的嵌入式系统开发；
S24：WEB用户交互系统开发。
S3：基于微波雷达的挠度动态高精度测量监测，实现桥梁结构挠度全天候动态监测，拟利用微波调频技术、微波干涉测量技术、信号分析与处理技术、相位测距技术，开发一套基于微波雷达的挠度动态高精度测量装备，通过微波调频技术发送和接收调频连续波信号、利用微波干涉测量技术和信号分析与处理技术对发送和接收到的调频连续波的频率提取、相位计算和解缠，通过相位测距技术实现动挠度的监测，具体步骤为：
S31：硬件系统方案设计；
S32：射频前端系统硬件电路设计；
S33：信号处理系统硬件电路设计；
S34：控制系统硬件电路设计；
S35：高精度测距算法研究；
S36：嵌入式软件系统开发。；
S4：基于多指标联动分析的桥梁在线预警，当前桥梁运营监测系统存在由于预警指标敏感性不高、监测数据挖掘深度不够等原因导致出现不预警乱预警问题，拟采用以时域分析、频域分析以及深度学习等技术为基础，考虑不同类型监测数据的空间特征和时间特征，开展基于多指标联动分析在线预警技术研究，充分掌握桥梁受力状况，有效避免误判、漏判等问题，准确反映在役桥梁结构运营状态，具体步骤为：
S41：监测数据异常信号的智能清洗和修复，针对多种类型传感器的时序、图像观测数据信号特征，对各类异常信号的智能识别、分类、标记；基于既有观测数据建立各类时序、图像数据的异常信号样本库；研发基于多种机器学习、信号解析、数据重构等方法的异常信号智能在线清洗、修复与替换技术，并对既有和在线观测数据进行处理，记录信号异常率和修复情况；
S42：桥梁关联测点选取方式，以真实桥梁结构为参考建立有限元分析模型，仿真布设常规运营监测测点并模拟结构故障；通过考察桥梁模型不同工况下多个测点采集到的综合响应情况，发现不同空间位置、不同类型测点间的关联特性，进而确定多指标联动分析技术中关联测点的选取方式；
S43：基于多指标联动分析的桥梁在线预警，采用日变异系数分析、日极差分析、快速傅里叶变化、多组分信号频域分离等技术构建特征指标，对于能够直观反映出相关测点变化的特征指标，直接得出关联分析结论；而当数据特征差异并不明显时，采用机器学习方法对降维后的低维样本数据进行深度学习，找出蕴含其中的隐藏的、不易发现的关系、表征形式等，构建新的预警指标，实现对城区道路大型桥梁异常的高可靠性在线预警。
S5：基于时空深度学习的桥梁多尺度响应预测与状态评估，桥梁监测数据具有很强的空间时序特性，适合采用具有时间和空间学习功能的神经网络，包括基于监测数据的桥梁响应预测深度学习网络，因卷积模块可以有效地构建空间相关性，计划将卷积算子(ConvolutionalOperator)引入LSTM深度网络，从而形成卷积递归神经网络(ConvLSTM)，在此基础上，优化网络参数，最终提出适用于桥梁监测数据挖掘分析的深度学习网络结构，用于桥梁响应预测深度机器学习模型与多尺度递归模块联合应用，基于上步构建的ConvLSTM神经网络模型，理论上仅适用于短时长(如数分钟或数小时)的结构响应预测；当应用于长时间段内(如十小时以上或数天)结构响应预测，会出现精度和稳定性大幅下降的问题，不利于结构状态评估和桥梁健康管理，因此，将深度机器学习模型嵌入多尺度递归模块，实现监测数据在训练过程中进行跨时间尺度信息传递，从而实现桥梁响应的时间多尺度预测；
S6：特殊事件下基于数字孪生的桥梁响应分析与评估，现有特殊事件的处理方法大多是通过记录事件发生时间、等级和桥梁最大响应来进行状态评估，没有充分考虑事件历程和大量的监测数据。因此，本技术方案拟通过监测数据和物理模型，融合数字孪生技术、人工智能技术、时域融合分析方法、DOE方法、响应面方法、代理模型方法，探究桥梁响应、环境数据、特殊事件的多尺度关系，提出适宜于桥梁响应数据特征值时空分布数字孪生模型，具体步骤为：
S61：桥梁响应数据特征参数的自适应快速提取，根据多种类型传感器的时序、图像数据信号特征以及相应的荷载-响应力学作用原理，研发各类特征参数的自适应优化识别与提取算法，进一步将监测数据的特征参数提取值独立建库并存储；
S62：桥梁响应数据特征值的时空分布数字孪生模型开发，结合桥梁周边环境(如风荷载、温度变化等)、重载车辆过桥和潜在的船只碰撞桥梁的风险，将风速、温湿度计、车辆称重系统得到的监测数据接入监测平台，并通过长期累积数据探究桥梁荷载-响应空间分布的演化过程，依据桥梁结构监测数据的特征提取结果得到城区道路大型桥梁的荷载、响应特征空间分布规律，并建立相应的数字孪生模型；
S63：极端环境和特殊事件下桥梁状态评估和性能预测，结合极端环境和特殊事件下荷载作用的机理，分析各监测量的最大效应和变化趋势，并与基于数字孪生模型计算的桥梁效应结果比较，分析事件前后桥梁状态的变化，同时，根据数据分析的方法和结果，进一步调整监测数据的采集频率、采集精度和数据存储量。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于人工智能的大型桥梁健康监测方法，包括以下步骤,其特征在于：
S1：各种传感器设备的选择，并将传感器安装与大型桥梁上的合适结构位置处及监测系统平台的建立；
S2：基于北斗卫星导航系统的RTK智能监测设备的桥塔高精度动态变位监测；
S3：基于微波雷达的挠度动态高精度测量监测；
S4：基于多指标联动分析的桥梁在线预警；
S5：基于时空深度学习的桥梁多尺度响应预测与状态评估；
S6：特殊事件下基于数字孪生的桥梁响应分析与评估。
2.根据权利要求1所述的一种基于人工智能的大型桥梁健康监测方法，其特征在于：所述步骤1中监测系统包括结构监测子系统、智能评估子系统和其它子系统组成。
3.根据权利要求1所述的一种基于人工智能的大型桥梁健康监测方法，其特征在于：所述步骤2中的具体步骤为：
S21：硬件系统方案设计与硬件电路设计；
S22：北斗RTK高精度定位算法研究；
S23：基于Linux的嵌入式系统开发；
S24：WEB用户交互系统开发。
4.根据权利要求1所述的一种基于人工智能的大型桥梁健康监测方法，其特征在于：所述步骤3中的具体步骤为：
S31：硬件系统方案设计；
S32：射频前端系统硬件电路设计；
S33：信号处理系统硬件电路设计；
S34：控制系统硬件电路设计；
S35：高精度测距算法研究；
S36：嵌入式软件系统开发。
5.根据权利要求1所述的一种基于人工智能的大型桥梁健康监测方法，其特征在于：所述步骤4中的具体步骤为：
S41：监测数据异常信号的智能清洗和修复；
S42：桥梁关联测点选取方式；
S43：基于多指标联动分析的桥梁在线预警。
6.根据权利要求1所述的一种基于人工智能的大型桥梁健康监测方法，其特征在于：所述步骤5中包括基于监测数据的桥梁响应预测深度学习网络和深度机器学习模型与多尺度递归模块联合应用两个方面组成。
7.根据权利要求1所述的一种基于人工智能的大型桥梁健康监测方法，其特征在于：所述步骤6中具体步骤为：
S61：桥梁响应数据特征参数的自适应快速提取；
S62：桥梁响应数据特征值的时空分布数字孪生模型开发；
S63：极端环境和特殊事件下桥梁状态评估和性能预测。
8.根据权利要求1所述的一种基于人工智能的大型桥梁健康监测方法，其特征在于：所述本监测方法就是基于市场调研和文献调研的基础上开展。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211603283.XA CN115855399A (zh) | 2022-12-13 | 2022-12-13 | 一种基于人工智能的大型桥梁健康监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211603283.XA CN115855399A (zh) | 2022-12-13 | 2022-12-13 | 一种基于人工智能的大型桥梁健康监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115855399A true CN115855399A (zh) | 2023-03-28 |
Family
ID=85672680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211603283.XA Pending CN115855399A (zh) | 2022-12-13 | 2022-12-13 | 一种基于人工智能的大型桥梁健康监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115855399A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116737797A (zh) * | 2023-06-14 | 2023-09-12 | 西南交通大学 | 一种基于高性能时序数据库的桥梁在线健康监测系统 |
| CN116792155A (zh) * | 2023-06-26 | 2023-09-22 | 华南理工大学 | 一种基于分布式光纤传感的隧道健康状态监测预警方法 |
-
2022
- 2022-12-13 CN CN202211603283.XA patent/CN115855399A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116737797A (zh) * | 2023-06-14 | 2023-09-12 | 西南交通大学 | 一种基于高性能时序数据库的桥梁在线健康监测系统 |
| CN116737797B (zh) * | 2023-06-14 | 2024-03-22 | 西南交通大学 | 一种基于高性能时序数据库的桥梁在线健康监测系统 |
| CN116792155A (zh) * | 2023-06-26 | 2023-09-22 | 华南理工大学 | 一种基于分布式光纤传感的隧道健康状态监测预警方法 |
| CN116792155B (zh) * | 2023-06-26 | 2024-06-07 | 华南理工大学 | 一种基于分布式光纤传感的隧道健康状态监测预警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| He et al. | Integrated structural health monitoring in bridge engineering | |
| Achillopoulou et al. | Monitoring of transport infrastructure exposed to multiple hazards: A roadmap for building resilience | |
| CN115855399A (zh) | 一种基于人工智能的大型桥梁健康监测方法 | |
| CN111623722B (zh) | 一种基于多传感器的边坡变形立体监测系统和方法 | |
| CN111551147B (zh) | 基于gnss与测量机器人融合的拱坝表面变形监测系统 | |
| CN111191880B (zh) | 一种基于数字化映射的边坡全生命周期安全管理方法 | |
| CN114005278B (zh) | 一种高速公路基础设施群智能监测与预警系统及方法 | |
| CN114611778B (zh) | 一种基于入库流量的水库水位预警方法及系统 | |
| CN109886456B (zh) | 基于pca与混合核函数lssvr的泥石流预测方法 | |
| CN116580532A (zh) | 一种基于雷达遥感技术的地质灾害预警系统 | |
| Pumo et al. | The SESAMO early warning system for rainfall-triggered landslides | |
| CN112528507B (zh) | 地形结构稳定性预测方法、装置，电子设备及存储介质 | |
| CN116167498A (zh) | 一种基于多源数据融合的区域降雨型滑坡监测预警方法 | |
| CN115980745A (zh) | 地下开采沉陷区智能识别方法、装置、电子设备及存储介质 | |
| CN117275209A (zh) | 一种基于分布式光纤声波传感的监测预警方法以及相关装置 | |
| CN116738681A (zh) | 一种面向涉水桥墩的仿真模拟方法及系统 | |
| CN113744888B (zh) | 区域流行病趋势预测预警方法及系统 | |
| Xu et al. | Internet-based centralized remote real-time long-span bridge health monitoring system | |
| CN117648873B (zh) | 地面沉降预测方法、训练方法、装置、设备 | |
| Quqa et al. | Damage index based on the strain‐to‐displacement relation for health monitoring of railway bridges | |
| Limongelli et al. | Experimental Vibration Analysis for Civil Engineering Structures: EVACES 2023-Volume 2 | |
| Nguyen et al. | Application of Artificial Neural Network for Recovering GPS—RTK Data in the Monitoring of Cable-Stayed Bridge Deformation | |
| CN117520718B (zh) | 一种感潮河流水文数据的处理方法及系统 | |
| Uma et al. | Developments in seismic instrumentation and health monitoring of structures in New Zealand | |
| Ni | Structural health monitoring for civil infrastructure systems: from research to application |
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 |