CN116958933A - 一种多车道荷载识别方法、系统、电子设备及存储介质 - Google Patents

一种多车道荷载识别方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN116958933A
CN116958933A CN202310920643.7A CN202310920643A CN116958933A CN 116958933 A CN116958933 A CN 116958933A CN 202310920643 A CN202310920643 A CN 202310920643A CN 116958933 A CN116958933 A CN 116958933A
Authority
CN
China
Prior art keywords
vehicle
bridge
strain
lane
load
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
Application number
CN202310920643.7A
Other languages
English (en)
Inventor
张青青
袁会钧
李锐骁
金志廷
朱占元
袁书成
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.)
Sichuan Agricultural University
Original Assignee
Sichuan Agricultural University
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 Sichuan Agricultural University filed Critical Sichuan Agricultural University
Priority to CN202310920643.7A priority Critical patent/CN116958933A/zh
Publication of CN116958933A publication Critical patent/CN116958933A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
    • G01G19/02—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles
    • G01G19/03—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles for weighing during motion
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • 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
    • G06V10/70—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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开一种多车道荷载识别方法、系统、电子设备及存储介质，涉及桥梁监测技术领域。所述方法包括：获取车辆在桥梁多个车道行驶时的车辆拍摄图像和桥梁振动数据；利用YOLO V4算法，对车辆拍摄图像进行识别，确定车轴信息；利用切比雪夫滤波器，对桥梁振动数据进行滤波，得到车辆荷载作用下的准静态应变响应数据；根据拍摄时刻和车辆速度确定车辆位置，以及准静态应变响应数据，确定车辆在各车道行驶时产生的应变影响线的纵坐标值；根据应变与轴重的映射关系公式、车辆总重计算公式、车轴信息和应变影响线的纵坐标值，确定待测桥梁上各车道的车辆荷载。本发明能够对车辆进行实时追踪，根据应变与轴重的映射关系，提高车辆荷载识别精度。

Description

一种多车道荷载识别方法、系统、电子设备及存储介质
技术领域
本发明涉及桥梁监测技术领域，特别是涉及一种多车道荷载识别方法、系统、电子设备及存储介质。
背景技术
桥梁工程已成为交通基础建设不可缺少的一环。在服役期间受到外界的作用、材料性能的影响，势必会对桥梁造成一定的损伤，因此对桥梁的结构健康监测变得必不可少。
近年来，由于车辆的急剧增加和超载等问题，部分桥梁的承载能力明显不足，极大地制约着桥梁的健康发展。桥梁动态称重(BWIM)技术能有效制止车辆超载，目前已开发的BWIM方法大多被验证能够有效识别车辆荷载。但这些方法大多局限于单车道荷载工况，实际桥梁在复杂交通环境下，现有的车轴信息识别方法对各车辆的车轴信息识别难度大、精度低，这也是造成现有移动车辆荷载识别结果误差较大的主要原因之一，还难以实现交通实况中时空分布的车辆荷载信息识别。
发明内容
本发明的目的是提供一种多车道荷载识别方法、系统、电子设备及存储介质，能够对车辆进行实时追踪，剖析桥梁应变响应与桥梁上运行车辆的复杂映射关系，提高车辆荷载识别精确度。
为实现上述目的，本发明提供了如下方案：
一种多车道荷载识别方法，包括：
获取车辆在桥梁多个车道行驶时的车辆拍摄图像和桥梁振动数据；
利用YOLO V4算法，对所述车辆拍摄图像进行识别，确定车轴信息；
利用切比雪夫滤波器，对所述桥梁振动数据进行滤波，消除由桥梁自振引起的应变数据，得到车辆荷载作用下的准静态应变响应数据；
根据所述车辆拍摄图像对应的拍摄时刻和车辆速度确定车辆位置，并根据所述车辆位置和所述准静态应变响应数据，确定车辆在各所述车道行驶时产生的应变影响线的纵坐标值；
根据应变与轴重的映射关系公式、车辆总重计算公式、所述车轴信息和所述应变影响线的纵坐标值，确定待测桥梁上各所述车道的车辆荷载。
可选地，所述利用YOLO V4算法，对所述车辆拍摄图像进行识别，得到车轴信息，具体包括：
将所述车辆拍摄图像的尺寸调整为416×416；
将尺寸调整后的图像分别划分为13×13、26×26和52×52的网格，并根据各所述网格分别对图中的目标物进行检测，得到三个预测框；每个所述预测框均包括4个坐标信息、置信度和目标物属于每个设定种类的概率值；
根据各所述网格对应的预测框确定车轴信息。
可选地，所述利用切比雪夫滤波器，对所述桥梁振动数据进行滤波，消除由桥梁自振引起的应变数据，得到车辆荷载作用下的准静态应变响应数据，具体包括：
采用6阶切比雪夫滤波器对不同车辆速度下对应的所述桥梁振动数据进行滤波处理，消除由桥梁自振引起的应变数据，得到车辆荷载作用下的准静态应变响应数据。
可选地，所述应变与轴重的映射关系公式，具体为：
{εt}＝[IL]×{A}
其中，εt表示梁底的实测应变；I表示应变影响线的纵坐标值；L表示L曲线算法；A表示车辆的车轴轴重。
可选地，还包括：在每个所述车道对应的桥梁结构的梁底下选取靠近桥梁跨中截面附近的两个横断面布置传感器。
本发明还提供了一种多车道荷载识别系统，包括：
数据采集模块，用于获取车辆在桥梁多个车道行驶时的车辆拍摄图像和桥梁振动数据；
识别模块，用于利用YOLO V4算法，对所述车辆拍摄图像进行识别，确定车轴信息；
滤波模块，用于利用切比雪夫滤波器，对所述桥梁振动数据进行滤波，消除由桥梁自振引起的应变数据，得到车辆荷载作用下的准静态应变响应数据；
应变曲线确定模块，用于根据所述车辆拍摄图像对应的拍摄时刻和车辆速度确定车辆位置，并根据所述车辆位置和所述准静态应变响应数据，确定车辆在各所述车道行驶时产生的应变影响线的纵坐标值；
载荷计算模块，用于根据应变与轴重的映射关系公式、车辆总重计算公式、所述车轴信息和所述应变影响线的纵坐标值，确定待测桥梁上各所述车道的车辆荷载。
本发明还提供了一种电子设备，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根据上述的多车道荷载识别方法。
本发明还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的多车道荷载识别方法。
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：
本发明公开了一种多车道荷载识别方法、系统、电子设备及存储介质，所述方法包括获取车辆在桥梁多个车道行驶时的车辆拍摄图像和桥梁振动数据；利用YOLO V4算法，对车辆拍摄图像进行识别，确定车轴信息；利用切比雪夫滤波器，对桥梁振动数据进行滤波，得到车辆荷载作用下的准静态应变响应数据；根据拍摄时刻和车辆速度确定车辆位置，以及准静态应变响应数据，确定车辆在各车道行驶时产生的应变影响线的纵坐标值；根据应变与轴重的映射关系公式、车辆总重计算公式、车轴信息和应变影响线的纵坐标值，确定待测桥梁上各车道的车辆荷载。本发明能够通过上述方法对车辆进行实时追踪，根据应变与轴重的映射关系，提高车辆荷载识别精确度。
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为本发明多车道荷载识别方法的流程示意图；
图2为本实施例中YOLO v4网络结构图；
图3为本实施例中车道及车辆编号示意图；
图4为本实施例中桥梁布置图；
图5为本实施例中车辆在一车道对一车道影响面示意图；
图6为本实施例中车辆在一车道对二车道影响面示意图；
图7为本实施例中车辆在一车道对三车道影响面示意图；
图8为本实施例中车辆在二车道对一车道影响面示意图；
图9为本实施例中车辆在二车道对二车道影响面示意图；
图10为本实施例中车辆在二车道对三车道影响面示意图；
图11为本实施例中车辆在三车道对一车道影响面示意图；
图12为本实施例中车辆在三车道对二车道影响面示意图；
图13为本实施例中车辆在三车道对三车道影响面示意图；
图14为本实施例中多车道两车辆各工况设置图；其中，(a)部分为工况一设置示意图；(b)部分为工况二设置示意图；(c)部分为工况三设置示意图；(d)部分为工况四设置示意图；
图15为本实施例中多车道两车辆不同工况下的桥梁应变响应重构结果示意图；其中，(a)部分为工况一结果示意图；(b)部分为工况二结果示意图；(c)部分为工况三结果示意图；(d)部分为工况四结果示意图；
图16为本实施例中多车道多车辆各工况设置图；其中，(a)部分为工况一设置示意图；(b)部分为工况二设置示意图；(c)部分为工况三设置示意图；(d)部分为工况四设置示意图；
图17为本实施例中多车道多车辆复杂工况下的桥梁应变响应重构结果示意图；其中，(a)部分为工况一结果示意图；(b)部分为工况二结果示意图；(c)部分为工况三结果示意图；(d)部分为工况四结果示意图。
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。
本发明的目的是提供一种多车道荷载识别方法、系统、电子设备及存储介质，能够对车辆进行实时追踪，剖析桥梁应变响应与桥梁上运行车辆的复杂映射关系，提高车辆荷载识别精确度。
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。
如图1所示，本发明提供了一种多车道荷载识别方法，包括：
步骤100：获取车辆在桥梁多个车道行驶时的车辆拍摄图像和桥梁振动数据。
步骤200：利用YOLO V4算法，对所述车辆拍摄图像进行识别，确定车轴信息。具体包括：
将所述车辆拍摄图像的尺寸调整为416×416；将尺寸调整后的图像分别划分为13×13、26×26和52×52的网格，并根据各所述网格分别对图中的目标物进行检测，得到三个预测框；每个所述预测框均包括4个坐标信息、置信度和目标物属于每个设定种类的概率值；根据各所述网格对应的预测框确定车轴信息。
步骤300：利用切比雪夫滤波器，对所述桥梁振动数据进行滤波，消除由桥梁自振引起的应变数据，得到车辆荷载作用下的准静态应变响应数据。具体包括：
采用6阶切比雪夫滤波器对不同车辆速度下对应的所述桥梁振动数据进行滤波处理，消除由桥梁自振引起的应变数据，得到车辆荷载作用下的准静态应变响应数据。
步骤400：根据所述车辆拍摄图像对应的拍摄时刻和车辆速度确定车辆位置，并根据所述车辆位置和所述准静态应变响应数据，确定车辆在各所述车道行驶时产生的应变影响线的纵坐标值。
步骤500：根据应变与轴重的映射关系公式、车辆总重计算公式、所述车轴信息和所述应变影响线的纵坐标值，确定待测桥梁上各所述车道的车辆荷载。
其中，所述应变与轴重的映射关系公式，具体为：
{εt}＝[IL]×{A}
其中，εt表示梁底的实测应变；I表示应变影响线的纵坐标值；L表示L曲线算法；A表示车辆的车轴轴重。
此外，还包括：在每个所述车道对应的桥梁结构的梁底下选取靠近桥梁跨中截面附近的两个横断面布置传感器。
根据上述技术方案，提供如下所示实施例。
基于耦合响应监测的多车道荷载信息识别理论的有效性在数值模拟中得到了验证。为了验证本研究所提出理论的适用性和应用性，并将本研究所提出的新方法推广到现场工程实际应用，因此在实验室对本文所提出的新方法进行了模型试验。试验主要内容有:首先制作桥梁模型、车辆模型和加速装置。选定有机玻璃制作与数值模拟几何尺寸为1:20的T梁桥缩尺模型；选用角钢、弹簧和橡胶车轮在实验室焊接小车模型。
视觉传感技术的车轴信息识别：
目标检测方法中的YOLO V4模型，其网络结构如下图2所示。利用YOLO V4算法识别车辆信息首先把检测图像的大小调整成416×416，然后把图像分别划分为13×13、26×26和52×52的网格,最后通过每个网格来对该单元格中的待检测物体进行分别检测,如果某个物体的中心落在这个网格中，则这个网格负责预测这个物体。每个网格使用先验框得到3个预测框，每个预测框包含(4+1+N)三部分预测信息，第一部分是预测框的4个坐标信息；第二部分是置信度；第三部分是目标属于每个种类的概率值。因此，需要设定一个阈值来去除置信度较低的预测框，最后通过非极大抑制算法从置信度高于阈值的边界框中筛选出最佳边界框。置信度可反映出预测框含有目标的概率，其公式如下：
其中，Pr(object)表示网格中是否存在目标，如果存在目标，该值为1，不存在目标，该值为0，IOU为真实框与预测框的交并比。
应变影响线校准：
车辆在桥上行驶(仅考虑力而不考虑其质量)，假定桥梁正在做自由振动，那么桥梁跨中梁底的应变成分可以分成两部分，第一部分即由桥梁自振引起的应变，第二部分即由移动车辆荷载引起的应变。第一部分应变的频率是与桥梁结构的自振周期相对应的，将其作为截至频率进行滤波处理得到准静态应变。
切比雪夫滤波器是现代信号处理中的经典滤波器,是在通带或阻带上频率响应幅度等波纹波动的滤波器。其特点是：误差值在规定的频段上等波纹变化。切比雪夫滤波器的振幅平方函数为：
式中，Ωc表示有效通带期望截止频率；ε表示与通带波纹有关的参量，ε越大，波纹大，0<ε<1；表示N阶切比雪夫多项式；|Hα(jΩ)|2表示滤波器的振幅平方函数。
滤波器的阶数是指在滤波器的传递函数中有几个极点。阶数同时也决定了转折区的下降速度。可通过设计的6阶切比雪夫滤波器滤波处理不同速度下的应变响应从而得到车辆荷载作用下的准静态应变响应。
当标定车辆行使到桥上某个位置时，测点截面k时刻的理论弯矩和实测弯矩/>为同一时刻、同一测点位置处纵向弯矩的两种表达形式，理论上它们等量关系如下：
式中，E和Z分别表示该截面某测点位置的弹性模量和抗弯截面模量，为k时刻该截面某一测点位置处梁底的实测应变，Ai表示车辆第i个车轴的轴重，/>表示k时刻第i个车轴位置处对应的应变影响线的纵坐标值，N表示车辆的车轴数。v是标定车的车速；Di是第i个车轴与第1个车轴的距离；Ci为监测系统所采集的Di数据集(其中，C1＝0)。
对于某时刻，由标定车标定得到的桥梁某截面测点位置处理论应变影响线的纵坐标值和桥梁同位置处实际测得到的应变值/>理论上应是一致的。然而，由于实际中不可避免的影响因素，如车桥耦合振动、采集数据的误差等，两者之间会有一定的误差，因此理论应变和实测应变之间可能会有一定的差异。应使两者之间的误差最小，利用最小二乘法的原理，构造理论应变值和实测应变值之间的误差函数ER。
上式中G为采样点总数。由微积分原理可知，通过公式的偏微分为零，就可以得到应变影响线的纵坐标值。在误差函数中，只有项与IR相关，因此误差函数ER对IR求偏微分可表示为：
为直观表达，简化后：
式中WR，R与分别为：
进而由误差函数ER对IR求偏微分的公式从而可得出影响线表达式：
{I}＝[W]-1×{ε}
式中，{I}代表影响线纵坐标值，[W]是一个与轴重有关的稀疏对称矩阵，{ε}为一个实际测量应变和轴重乘积的和的向量。
应变影响面构建方法：
通过不同横向位置的影响线构建每个车道的影响面，在标定过程中按车辆离每车道边缘线由近及远各横桥向位置分为x1，x2，…，xi，…，xg；通过标定横桥向位置xi沿桥向的影响线，将具有代表性的横桥向位置标定后，即可得到影响线矩阵。通过任意时间步o沿横桥向线性插值，得到：
通过线性插值可得到任意时刻o横桥向其他位置的影响线竖标值：
若沿桥向弯矩影响线沿横向位置最小间隔为h，则在标定车标定的相邻横桥向位置Xi-1和Xi之间插值次数ds为：
令将i＝2，3，…，g；o＝2，3，…，G-CN及x＝xi-1+h*e，e＝1，2，3，…，ds代入[I]的计算公式中求解，得到该时间步经线性插值拟合后车道所有位置的影响线数值，即可得车道的应变影响面。
多车道荷载识别理论：
假设某桥梁结构的桥面上车道划分为X个车道，车道上分别加载一辆N轴车，其中车道1加载车辆1，各个车轴依次记为车道2加载车辆2，各个车轴依次记为车道X加载车辆n，各个车轴依次记为/>如图3所示。在每个车道对应得桥梁结构的梁底下选取靠近桥梁跨中截面附近的两个横断面布置传感器，进而进行多车道荷载识别。
测点位置S1处的混合应变响应是车辆1和车辆2以及车辆n对该测点的作用产生的应变响应共同叠加得到的，该应变响应可由车辆1的第一个车轴轴重/>乘以其对应的影响线的标值/>和第二个车轴轴重/>乘以其对应影响线的纵坐标值/>以及第N个车轴轴重/>乘以其对应影响线的纵坐标值/>叠加得到。通过标定车标定可以得到测点位置S1处的应变影响面，由于/>在同一车道上，但由于车辆的车轴上桥的时刻点不一样，而测点位置S1处的应变影响面是固定的，因此各个车轴通过测点位置时，每个车轴所对应的影响线纵坐标值为在第一个车轴所对应的影响线纵坐标值的基础上，向后移轴距相对应距离后的影响线纵坐标值,计为/>相应地，车测点位置S1处作用产生的应变响应可由车辆2的第一个车轴的轴重/>、第二个车轴的轴重/>、第N个车轴的轴重乘以各自所对应的影响线纵坐标/>得到，同理推广到第X车道上，车辆n对测点位置S1处作用产生的应变响应可由车辆n的第一个车轴的轴重/>、第二个车轴的轴重/>、第N个车轴的轴重/>乘以各自所对应的影响线纵坐标/>得到。其原理表示为：
类比推理得测点位置S2x处的混合应变响应可以表示为：
式中，[2x]：测点位置总数量，N：车辆的轴数，下标1表示在测点位置S1处，上标N1表示车辆1的第N个车轴对相应测点位置的影响，相对应地应变影响线的纵坐标值下标2x表示在测点位置S2x处，上标Nn表示车辆n的第N个车轴对测点位置S2x的影响，相对应的应变影响线的纵坐标值/>
此时是可以通过连续高速的数据采集系统实际采集得到的，测点处的应变影响线纵坐标向量也可通过标定车在桥梁上运行标定得到，因此联立求解方程组便可把求解出来。上式/>的应变影响线纵坐标数值我们可以取混合应变响应最大值附近某个区间所对应的应变影响线纵坐标数值分别计算后取平均值，求解过程只需确定该时刻各车辆轴重所对应得应变影响线的纵坐标数值，而这个值是可以通过车辆上桥的时刻点和车辆运行速度推算车辆所在位置确定的，因此可推导处应变与轴重的映射关系，从而求出各轴的轴重，将其求和便可得到车辆总重GVW。得到多车道多车辆荷载识别的一般式：
{εt}＝[IL]×{A}
在荷载识别的反卷积过程中，由于环境噪声和测量误差等原因，Tikhonov正则化方法被引入来解决病态问题，尤其在车轴间距较小的情况下，联立方程组求解车轴轴重可能无解或结果没有意义。Tikhonov正则化方法是一种解决不适定性问题的方法，在病态方程求解中被广泛应用。Tikhonov正则化方法原理是在病态问题中加入解的先验信息，Tikhonov正则化方法主要基于变分原理，通过引入稳定泛函来构造正则化算子。对于车轴相距较近的情况，可将Tikhonov正则化方法引入轴重识别中。对上述提出的误差函数ER公式添加正则化项在此基础上进行线性组合最小化，令的偏导等于零可得：
式中，λ＝αT×α非负正则化参数，[[IL]T×[IL]+λ×[E]]-1×[IL]T为Tikhonov正则化算子，[E]为矩阵。
对于每一个不同的λ都可以得到一个轴重解，为了寻求最优解，选择利用L曲线法，是由坐标为的点形成的一条曲线。
实施例一
本研究选取一座48米的等截面T型简支梁建立桥梁有限元模型，实际桥梁参数如下:混凝土材料选用C55，单片T梁横截面面积A＝1.313m2，横截面惯性矩Iy＝1.23m4，单片T梁高2.75米，宽2.64米，桥梁行车面横向宽度为10.8m，两侧人行道及护栏宽度为1.2m，全桥宽度为13.2米，梁高2.75m，中性轴到T梁顶面距离为1.796m，到底面的距离为0.954m。桥梁传感器布置图如图4所示。
标定得到各车道影响面：
在荷载识别前首先选用具有代表性车辆进行各车道影响线的标定，再采用本文中的标定弯矩影响面方法，应用线性内插法，将桥梁的插值区间取得足够小，即可得到桥梁上任意点的弯矩影响线竖标值。本研究在纵桥向每隔0.2米以及横桥向每隔0.1m取一个弯矩影响线竖标值组成如图5-图13所示的标定车作用在第一车道时跨中截面第一车道的弯矩影响面，可见，用该方法标定的弯矩影响面中任意纵桥向弯矩影响线都有波峰的抛物线线型，符合简支梁桥跨中弯矩影响线的变化规律。
通过影响面可以看出：
(1)弯矩影响面沿横桥方向的任意横向弯矩影响线，关于桥梁中心线对称，通过结构力学的对称性分析可知，这样的影响线亦符合简支梁桥的设定。
(2)弯矩影响面沿桥方向的任意沿桥向弯矩影响线，都是有波峰的抛物线线型，这符合简支梁桥的跨中弯矩影响线的规律。
(3)影响面整体形状反映了单车在不同位置过桥时的弯矩数值大小，由图可知在纵向位置相同的情况下，影响线沿横桥向的数值大小不一。这说明车辆的横向位置对本桥梁产生的弯矩是较为敏感的，对于每车道不同横向位置标定是很有必要的，而这样的敏感性对于多车的识别是非常关键的。
多车道两车辆工况：
多车道两车辆过桥的情况本节通过四个工况进行讨论，设车辆一到车辆三编号依次为A-C，第一车道到第三车道编号依次设为CD1-CD3。车辆加载在车道中心线的位置记为ZX，加载位置在车道中心线向左偏离0.6米的位置记为ZP，在车道中心线向右偏离0.6米的位置记为YP，车辆从桥头行驶到桥尾记为正向、从桥尾行驶到桥头负向。工况设置如图14所示，工况一：两车辆为两轴车,前后相距两米；工况二：两车辆为两轴车,都处于中心位置；工况三：两车辆为两轴车，都处于右偏位置；工况四：两车辆为两轴车,一辆处于左偏，一辆处于右偏。
结果验证：
各个工况下通过识别出的轴重与标定得到的影响面数据进行桥梁应变响应重构情况如图15所示：其中的(a)、(b)、(c)、(d)部分分别对应多车道两车辆四种工况作用下的桥梁应变响应重构结果.图形显示，四种工况下桥梁应变重构结果的计算值与实际值均具有较高的吻合度。由图4与图5的荷载识别误差结果可知：车辆A的前轴轴重识别误差有效值范围为0.1％～1.06％，后轴为0.58％～1.08％，车辆总重为0.12％～1.07％。车辆B的前轴轴重识别误差有效值范围为0.43％～2.36％，后轴为0.27％～1.15％，车辆总重为0.17％～0.49％。当车辆行驶在桥梁中心线时，荷载识别误差相对较小，而当车辆偏离中心线0.6米(车道边缘)时，荷载识别误差相对较大，但仍可作为有效数据。当车辆在车道边缘作用时，荷载识别误差较小，因此无论车辆在何处作用都能实现高精度荷载识别。工况一的分析表明，当两辆车前后相距较远时，车辆轴重及总重识别误差偏大，原因是检测区域长度较短，导致后车未通过检测区域时前车已通过，造成识别误差偏大。从工况二到工况四可以得出：在桥上多车道情况下，无论车辆是否在车道中心线，车辆轴重越大，则识别轴重误差越小，总重误差则与总重大小成正比关系。同时对比工况三、工况四可以得出：靠近桥梁边缘的车辆轴重识别误差较大，但总重误差较小。该文算法可靠，还需要进行多车道多车辆复杂工况下的荷载识别以验证其精度和稳定性。
多车道多车辆复杂工况：
为探究多车道多车辆随机作用在各车道时的识别效果，本部分通过四个工况进行讨论，工况设置如图16所示。各个工况下通过识别出的轴重与标定得到的影响面数据进行桥梁应变响应重构情况如图17所示：
分析工况一到工况四的结果表明，车辆长度越长、轴数越多、后轴轴重越大等因素都会导致轴重识别误差增大。在三车道中，中间车道的车辆总重识别精度相对较高。同时，无论同向还是相向，两边车道上的车辆轴重识别误差都相对更大。
通过上述各个工况的识别结果也可以看出本文算法比较稳定，不会因为车辆的数目不同和横向位置的变化而产生较大的波动，识别结果与真实结果较为接近。从三车识别结果也可以看出，车辆质量的不同对荷载识别精度也有一定的影响，整体呈现出车辆轴重越大，则识别轴重误差越小的情况，对于总重而言，则存在着总重越大的车辆识别误差有效值越大。
此外，本发明还提供了一种多车道荷载识别系统，包括：
数据采集模块，用于获取车辆在桥梁多个车道行驶时的车辆拍摄图像和桥梁振动数据；
识别模块，用于利用YOLO V4算法，对所述车辆拍摄图像进行识别，确定车轴信息；
滤波模块，用于利用切比雪夫滤波器对所述桥梁振动数据进行滤波，消除由桥梁自振引起的应变数据，得到车辆荷载作用下准静态应变响应数据；
应变曲线确定模块，用于根据所述车辆拍摄图像对应的拍摄时刻和车辆速度确定车辆位置，并根据所述车辆位置和所述准静态应变响应数据，确定车辆在各所述车道行驶时产生的应变影响线的纵坐标值；
载荷计算模块，用于根据应变与轴重的映射关系公式、车辆总重计算公式、所述车轴信息和所述应变影响线的纵坐标值，确定待测桥梁上各所述车道的车辆荷载。
本发明还提供了一种电子设备，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根据上述的多车道荷载识别方法。
本发明还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的多车道荷载识别方法。
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 (8)

1.一种多车道荷载识别方法，其特征在于，包括：
获取车辆在桥梁多个车道行驶时的车辆拍摄图像和桥梁振动数据；
利用YOLO V4算法，对所述车辆拍摄图像进行识别，确定车轴信息；
利用切比雪夫滤波器，对所述桥梁振动数据进行滤波，消除由桥梁自振引起的应变数据，得到车辆荷载作用下的准静态应变响应数据；
根据所述车辆拍摄图像对应的拍摄时刻和车辆速度确定车辆位置，并根据所述车辆位置和所述准静态应变响应数据，确定车辆在各所述车道行驶时产生的应变影响线的纵坐标值；
根据应变与轴重的映射关系公式、车辆总重计算公式、所述车轴信息和所述应变影响线的纵坐标值，确定待测桥梁上各所述车道的车辆荷载。
2.根据权利要求1所述的多车道荷载识别方法，其特征在于，所述利用YOLO V4算法，对所述车辆拍摄图像进行识别，得到车轴信息，具体包括：
将所述车辆拍摄图像的尺寸调整为416×416；
将尺寸调整后的图像分别划分为13×13、26×26和52×52的网格，并根据各所述网格分别对图中的目标物进行检测，得到三个预测框；每个所述预测框均包括4个坐标信息、置信度和目标物属于每个设定种类的概率值；
根据各所述网格对应的预测框确定车轴信息。
3.根据权利要求1所述的多车道荷载识别方法，其特征在于，所述利用切比雪夫滤波器，对所述桥梁振动数据进行滤波，消除由桥梁自振引起的应变数据，得到车辆荷载作用下的准静态应变响应数据，具体包括：
采用6阶切比雪夫滤波器对不同车辆速度下对应的所述桥梁振动数据进行滤波处理，消除由桥梁自振引起的应变数据，得到车辆荷载作用下的准静态应变响应数据。
4.根据权利要求1所述的多车道荷载识别方法，其特征在于，所述应变与轴重的映射关系公式，具体为：
{εt}＝[IL]×{A}，
其中，εt表示梁底的实测应变；I表示应变影响线的纵坐标值；L表示L曲线算法；A表示车辆的车轴轴重。
5.根据权利要求1所述的多车道荷载识别方法，其特征在于，还包括：在每个所述车道对应的桥梁结构的梁底下选取靠近桥梁跨中截面附近的两个横断面布置传感器。
6.一种多车道荷载识别系统，其特征在于，包括：
数据采集模块，用于获取车辆在桥梁多个车道行驶时的车辆拍摄图像和桥梁振动数据；
识别模块，用于利用YOLO V4算法，对所述车辆拍摄图像进行识别，确定车轴信息；
滤波模块，用于利用切比雪夫滤波器，对所述桥梁振动数据进行滤波，消除由桥梁自振引起的应变数据，得到车辆荷载作用下的准静态应变响应数据；
应变曲线确定模块，用于根据所述车辆拍摄图像对应的拍摄时刻和车辆速度确定车辆位置，并根据所述车辆位置和所述准静态应变响应数据，确定车辆在各所述车道行驶时产生的应变影响线的纵坐标值；
载荷计算模块，用于根据应变与轴重的映射关系公式、车辆总重计算公式、所述车轴信息和所述应变影响线的纵坐标值，确定待测桥梁上各所述车道的车辆荷载。
7.一种电子设备，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根据权利要求1-5中所述的多车道荷载识别方法。
8.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-5中所述的多车道荷载识别方法。
CN202310920643.7A 2023-07-25 2023-07-25 一种多车道荷载识别方法、系统、电子设备及存储介质 Pending CN116958933A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310920643.7A CN116958933A (zh) 2023-07-25 2023-07-25 一种多车道荷载识别方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310920643.7A CN116958933A (zh) 2023-07-25 2023-07-25 一种多车道荷载识别方法、系统、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116958933A true CN116958933A (zh) 2023-10-27

Family

ID=88461499

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310920643.7A Pending CN116958933A (zh) 2023-07-25 2023-07-25 一种多车道荷载识别方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116958933A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117557570A (zh) * 2024-01-12 2024-02-13 中数智科(杭州)科技有限公司 一种轨道车辆异常检测方法及系统
CN117633984A (zh) * 2023-12-01 2024-03-01 四川农业大学 基于弯曲应变和剪切应变的车辆时空分布信息识别方法
CN117723243A (zh) * 2023-12-21 2024-03-19 石家庄铁道大学 车-路-桥耦合振动实验平台

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117633984A (zh) * 2023-12-01 2024-03-01 四川农业大学 基于弯曲应变和剪切应变的车辆时空分布信息识别方法
CN117723243A (zh) * 2023-12-21 2024-03-19 石家庄铁道大学 车-路-桥耦合振动实验平台
CN117557570A (zh) * 2024-01-12 2024-02-13 中数智科(杭州)科技有限公司 一种轨道车辆异常检测方法及系统
CN117557570B (zh) * 2024-01-12 2024-05-24 中数智科(杭州)科技有限公司 一种轨道车辆异常检测方法及系统

Similar Documents

Publication Publication Date Title
CN116958933A (zh) 一种多车道荷载识别方法、系统、电子设备及存储介质
Zheng et al. Development of bridge influence line identification methods based on direct measurement data: A comprehensive review and comparison
CN112179467B (zh) 一种基于视频测量动挠度的桥梁动态称重方法和系统
Nguyen et al. Damage detection in girder bridges using modal curvatures gapped smoothing method and Convolutional Neural Network: Application to Bo Nghi bridge
CN110781607B (zh) 一种考虑车辆轮载空间分布的桥梁影响面识别方法
CN106295505A (zh) 路面使用过程中的状态测定系统
Martinez et al. Bridge health monitoring using deflection measurements under random traffic
CN110319990B (zh) 基于倾角仪优化布置的桥梁动挠度监测方法
CN117291072B (zh) 一种桥梁损伤识别方法
CN101831862A (zh) 路面弯沉激光高速检测系统
Ge et al. Intelligent simulation method of bridge traffic flow load combining machine vision and weigh-in-motion monitoring
Krishnanunni et al. Sensitivity-based damage detection algorithm for structures using vibration data
Xue et al. Monitoring the speed, configurations, and weight of vehicles using an in-situ wireless sensing network
KR101247542B1 (ko) 속도 및 차선의 변경을 고려한 주행 차량의 무게 측정 시스템 및 그 측정 방법
CN112816043B (zh) 一种确定车辆的车型的方法及系统
CN112781702B (zh) 一种对车辆称重的方法及系统
CN109406076A (zh) 一种利用位移传感器列阵输出的移动主成分进行梁桥结构损伤定位的方法
CN116127583B (zh) 一种用于桥梁结构抗弯刚度重构的逆单位荷载法
Peng et al. Computer vision-based displacement identification and its application to bridge condition assessment under operational conditions
US20230341255A1 (en) Measurement Method, Measurement Device, Measurement System, And Non-Transitory Computer-Readable Storage Medium Storing Measurement Program
US20230341289A1 (en) Measurement Method, Measurement Device, Measurement System, And Non-Transitory Computer-Readable Storage Medium Storing Measurement Program
Jian et al. A robust bridge weigh‐in‐motion algorithm based on regularized total least squares with axle constraints
Bahrami et al. A sequence-to-sequence model for joint bridge response forecasting
Zhang et al. Reconstruction of the Regional Response of a Bridge Deck Based on Finite-Element Analysis
CN113834875A (zh) 基于三维六方体测线布置的弹性波层析成像检测方法及系统

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