CN117688480A - 一种基于损伤频率全景图与随机森林的桥梁损伤识别方法 - Google Patents

Abstract

本发明公开了一种基于损伤频率全景图与随机森林的桥梁损伤识别方法，属于桥梁结构领域，包括：根据桥梁的原始响应数据，并进行标记和预处理，得到标记的原始响应数据和预处理的原始响应数据，并建立桥梁的频率全景图，得到桥梁的损伤位置和程度，并用于对随机森林模型进行训练，利用训练好的随机森林模型对新的桥梁进行损伤识别，得到可视化的桥梁损伤识别结果。本发明能够根据桥梁的原始响应数据、损伤频率全景图和随机森林机器学习模型，对桥梁的损伤位置和损伤程度进行自动化识别和预测，具有准确定位损伤位置和程度的能力、具有更高的识别准确性和可靠性、更强的泛化能力、还能够提供预测结果的不确定性，为桥梁维护和保养提供有效的支持。

Description

一种基于损伤频率全景图与随机森林的桥梁损伤识别方法

技术领域

本发明属于桥梁结构领域，具体涉及一种基于损伤频率全景图与随机森林的桥梁损伤识别方法。

背景技术

桥梁是现代社会不可或缺的基础设施之一，对交通和经济发展起着至关重要的作用，桥梁的安全性和可靠性一直是工程领域的重要关注点。桥梁的损伤识别对于确保其正常运行、延长使用寿命以及预防事故具有极其重要的意义。桥梁损伤的累积和未被察觉的损伤可能导致桥梁的结构性能下降，增加了事故的风险。通过及时识别损伤，采取必要的维修和保养措施，延长桥梁的寿命，减少了维修成本和交通中断的风险，减少事故发生的可能性，保障行车安全。

通过桥梁损伤识别能够便于安排桥梁定期的维护和修复，可以防止小问题变成大问题，延长桥梁的寿命，减少了维修成本和交通中断的风险，对于基础设施投资具有长期经济效益，桥梁损伤识别不仅关乎公共安全和基础设施的可持续性，还关系到经济和社会的发展，因此，发展和应用高效的桥梁损伤识别技术是当前工程领域的紧迫任务，能够显著提高桥梁的安全性、可用性和经济性。

传统的桥梁损伤识别方法，通常需要人工经验或局部监测，存在着识别效率低、可靠性不高等问题，同时人工监测成本高，使得桥梁维护的成本效益低，因此，发展和应用高效的桥梁损伤识别技术是当前工程领域的紧迫任务，能够显著提高桥梁的安全性、可用性和经济性。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于损伤频率全景图与随机森林的桥梁损伤识别方法，能够准确定位桥梁损伤位置和程度，具有更高的识别准确性、可靠性和泛化能力，为桥梁维护和保养提供有效的支持。

为了达到上述发明目的，本发明采用的技术方案为：一种基于损伤频率全景图与随机森林的桥梁损伤识别方法，包括以下步骤：

S1：获取桥梁的原始响应数据，并进行标记，得到已标记的原始响应数据；

S2：对桥梁的原始响应数据进行预处理，得到预处理后的原始响应数据；

S3：根据预处理后的原始响应数据，建立桥梁的频率全景图，得到桥梁的损伤位置和程度；

S4：构建随机森林模型，并利用桥梁的原始响应数据、已标记的原始响应数据以及桥梁的损伤位置和程度对其进行训练，得到已训练的随机森林模型；

S5：利用训练好的随机森林模型对新的桥梁进行损伤识别，得到损伤位置和损伤程度的预测结果，并对损伤位置和损伤程度的预测结果进行评估，得到评估结果；

S6：根据所述损伤位置的预测结果、损伤程度的预测结果和评估结果，得到可视化的桥梁损伤识别结果。

本发明的有益效果为：本发明提供了一种基于损伤频率全景图与随机森林的桥梁损伤识别方法，能够根据桥梁振动频率、加速度和形变，结合损伤频率全景图和随机森林机器学习模型，对桥梁的损伤位置和损伤程度进行自动化识别和概率预测，具有准确定位损伤位置和程度的能力、具有更高的识别准确性和可靠性、更强的泛化能力、还能够提供预测结果的不确定性，为桥梁维护和保养提供有效的支持。

进一步地：所述S3的具体步骤如下：

S301：根据桥梁振动频率，计算桥梁振动频率与桥梁损伤位置的相关性；

S302：根据桥梁振动频率，计算桥梁振动频率对桥梁损伤位置的信息增益和桥梁振动频率对桥梁损伤程度的信息增益；

S303：根据所述相关性和所述信息增益，得到损伤频率等高带和损伤频率等高线，并投影至二维平面，建立桥梁的频率全景图，得到桥梁的损伤位置和损伤程度。

上述进一步方案的有益效果为：本发明通过建立桥梁的频率全景图，便于对损伤位置和损伤程度进行定位和识别，能够更加准确地展示桥梁的结构健康状况，并识别潜在的结构损伤。

进一步地：所述S4的具体步骤如下：

S401：利用随机森林算法，建立随机森林模型；

S402：将桥梁的原始响应数据作为特征集，将桥梁的损伤位置和程度作为标签；

S403：对已标记的原始响应数据进行划分，得到训练集和验证集；

S404：根据特征集、标签和训练集对随机森林模型进行训练；

S405：根据交叉验证方法，判断随机森林模型在验证集上是否存在过度拟合，若是，则停止训练，得到已训练的随机森林模型，否则，对随机森林模型的参数进行调整，并返回S404。

上述进一步方案的有益效果为：本发明通过随机森林模型，识别和预测桥梁的损伤位置和损伤程度，能够额外提供概率信息，提高损伤识别的准确性和可靠性。

进一步地：所述S5的具体步骤如下：

S501：获取新的桥梁振动频率、桥梁加速度和桥梁形变；

S502：根据S501获取的数据，利用已训练的随机森林模型建立桥梁的频率全景图并进行预测，分别得到损伤位置的预测结果、损伤位置的概率信息、损伤程度的预测结果和损伤程度的概率信息；

S503：根据损伤位置的概率信息和损伤程度的概率信息，对损伤位置和损伤程度的预测结果进行评估，得到评估结果。

上述进一步方案的有益效果为：根据损伤位置的预测结果、损伤位置的概率信息、损伤程度的预测结果和损伤程度的概率信息，便于后续转化为可视化的损伤识别结果。

附图说明

图1为一种基于损伤频率全景图与随机森林的桥梁损伤识别方法的流程图；

图2为桥梁的损伤频率全景图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，一种基于损伤频率全景图与随机森林的桥梁损伤识别方法，包括以下步骤：

S1：获取桥梁的原始响应数据，并进行标记，得到已标记的原始响应数据；

S2：对桥梁的原始响应数据进行预处理，得到预处理后的原始响应数据；

S3：根据预处理后的原始响应数据，建立桥梁的频率全景图，得到桥梁的损伤位置和程度；

S4：构建随机森林模型，并利用桥梁的原始响应数据、已标记的原始响应数据以及桥梁的损伤位置和程度对其进行训练，得到已训练的随机森林模型；

S5：利用训练好的随机森林模型对新的桥梁进行损伤识别，得到损伤位置和损伤程度的预测结果，并对损伤位置和损伤程度的预测结果进行评估，得到评估结果；

S6：根据所述损伤位置的预测结果、损伤程度的预测结果和评估结果，得到可视化的桥梁损伤识别结果。

在本发明的一个实施例中，S1中通过安装在桥梁上的传感器和监测系统采集桥梁的振动频率、桥梁的加速度和桥梁的形变，作为原始响应数据，并进行准确标记，将损伤位置和损伤程度均与原始响应数据进行关联；根据原始响应数据，采用去噪、滤波、归一化、采样率调整、异常值检测与处理、数据插值、特征提取和数据标准化进行预处理，得到质量更高、可用性更强的预处理后的原始响应数据。

其中，S3的具体步骤如下：

S301：根据桥梁振动频率，计算桥梁振动频率与桥梁损伤位置的相关性；

S302：根据桥梁振动频率，计算桥梁振动频率对桥梁损伤位置的信息增益和桥梁振动频率对桥梁损伤程度的信息增益；

S303：根据所述相关性和所述信息增益，得到损伤频率等高带和损伤频率等高线，并投影至二维平面，建立桥梁的频率全景图，得到桥梁的损伤位置和损伤程度。

在本发明的一个实施例中，S301中可通过计算皮尔逊相关系数表示桥梁振动频率与桥梁损伤位置的相关性，皮尔逊相关系数的表达式如下：

其中，为皮尔逊相关系数，/>为第/>个桥梁振动频率数据，/>为第/>个桥梁损伤位置，/>为桥梁振动频率的平均值，/>为桥梁损伤位置的平均值，/>为数据的数量。

在本发明的一个实施例中，S302中可通过熵和条件熵的差值表示桥梁振动频率对桥梁损伤位置的信息增益和桥梁振动频率对桥梁损伤程度的信息增益，信息增益的表达式如下：

其中，为桥梁振动频率，/>为已知桥梁损伤位置，/>为桥梁振动频率的熵，为在已知桥梁损伤位置条件下桥梁振动频率的条件熵，/>为熵和条件熵的差值。

上述熵和条件熵的差值的表达式中，能够衡量了振动频率的不确定性，其值越大，表示振动频率的变化越不规律，信息量越大；/>能够衡量在已知损伤位置的情况下振动频率的不确定性，其值越大，表示在已知损伤位置的情况下，振动频率的变化越不规律，信息量越大；/>能够衡量在已知桥梁损伤位置的情况下，桥梁振动频率提供了多少额外的信息，其值越大，表示桥梁振动频率对损伤位置的预测具有更高的信息量。

在本发明的一个实施例中，使用数据可视化工具可建立桥梁的损伤频率全景图，如图2所示，其中，横坐标为桥梁的振动频率，单位为Hz，纵坐标为桥梁的损伤程度，实线为损伤等高线，虚线为损伤频率，根据桥梁的损伤频率全景图，可对桥梁的损伤位置和损伤程度进行确定。

其中，S4的具体步骤如下：

S401：利用随机森林算法，建立随机森林模型，其中，随机森林通过对原始响应数据进行自助采样和随机选择特征子集来建立多个决策树；

S402：将桥梁的原始响应数据作为特征集，并选择最具有区分性和相关性的特征作为输入特征，将桥梁的损伤位置和程度作为标签；

S403：对已标记的原始响应数据进行划分，得到训练集和验证集；

S404：根据特征集、标签和训练集对随机森林模型进行训练；

S405：根据交叉验证方法，判断随机森林模型在验证集上是否存在过度拟合，若是，则停止训练，得到已训练的随机森林模型，否则，对随机森林模型的参数进行调整，并返回S404。

在本发明的一个实施例中，S405中对随机森林模型的参数进行调整时，可通过调整随机森林模型的参数和超参数，比如随机森林模型中树的数量、树的深度、特征选择的阈值和随机性控制参数等参数，对随机森林模型进行优化，提高损伤识别结果的准确性和可靠性；

其中，树的数量，表示在随机森林中包含的决策树的数量，增加树的数量通常能够提高模型的性能，但也会增加计算成本，需要找到一个合适的数量，在性能和效率之间取得平衡；

树的深度，表示每棵决策树的最大深度，树的深度越大，拟合训练数据的效果越好，但深度过大会导致过拟合，需要控制树的深度，避免随机森林模型过于复杂；

特征选择的阈值，表示在每次分裂节点时要考虑的特征数量，可以是一个整数（表示要考虑的特征数）或一个浮点数（表示要考虑的特征比例），通过限制每次分裂考虑的特征数量，可以增加随机森林模型的多样性；

随机性控制参数，可通过控制随机性控制参数来改变模型的性能，例如，可以设置种子以确保结果的可重复性，使用随机子样本来构建每棵树。

其中，S5的具体步骤如下：

S501：获取新的桥梁的振动频率、加速度和形变；

S502：根据S501获取的数据，利用训练好的随机森林模型建立桥梁的频率全景图并进行预测，分别得到损伤位置的预测结果、损伤位置的概率信息、损伤程度的预测结果和损伤程度的概率信息；

S503：根据损伤位置的概率信息和损伤程度的概率信息，对损伤位置和损伤程度的预测结果进行评估，得到评估结果。

在本发明的一个实施例中，S6中可识别的桥梁损伤识别结果，包括损伤位置的分布区域和损伤程度的预测范围，具体可转化为可视化的结果，比如损伤热图、损伤等高带图和损伤等高线图，能够直观地显示桥梁上的损伤位置和损伤程度分布，便于专业人员更好地理解桥梁的具体健康情况。

在本发明的一个实施例中，对得到的可视化的桥梁损伤识别结果进行验证，将模型的输出与实际损伤情况进行对比和分析，本发明可采用以下方式进行验证：

实地检查：专业人员在现场检查桥梁的损伤情况，将实际损伤情况与本发明的预测结果进行比较，验证本发明预测的损伤识别结果的准确性；

结构评估：专业人员对桥梁结构进行评估，评估本发明预测的损伤识别结果是否与实际桥梁结构状况一致；

性能指标：使用性能指标如准确性、召回率、F1分数等来定量评估模型性能。

本发明的有益效果为：本发明提供了一种基于损伤频率全景图与随机森林的桥梁损伤识别方法，能够根据桥梁振动频率、加速度和形变，结合损伤频率全景图和随机森林机器学习模型，对桥梁的损伤位置和损伤程度进行自动化识别和概率预测，具有准确定位损伤位置和程度的能力、具有更高的识别准确性和可靠性、更强的泛化能力、还能够提供预测结果的不确定性，为桥梁维护和保养提供有效的支持。

Claims (5)

1.一种基于损伤频率全景图与随机森林的桥梁损伤识别方法，其特征在于，包括以下步骤：

S1：获取桥梁的原始响应数据，并进行标记，得到已标记的原始响应数据；

S2：对桥梁的原始响应数据进行预处理，得到预处理后的原始响应数据；

S3：根据预处理后的原始响应数据，建立桥梁的频率全景图，得到桥梁的损伤位置和程度；

S4：构建随机森林模型，并利用桥梁的原始响应数据、已标记的原始响应数据以及桥梁的损伤位置和程度对其进行训练，得到已训练的随机森林模型；

S5：利用训练好的随机森林模型对新的桥梁进行损伤识别，得到损伤位置和损伤程度的预测结果，并对损伤位置和损伤程度的预测结果进行评估，得到评估结果；

S6：根据所述损伤位置的预测结果、损伤程度的预测结果和评估结果，得到可视化的桥梁损伤识别结果。

2.根据权利要求1所述的基于损伤频率全景图与随机森林的桥梁损伤识别方法，其特征在于，所述S2中预处理后的原始响应数据包括：桥梁振动频率、桥梁加速度和桥梁形变。

3.根据权利要求2所述的基于损伤频率全景图与随机森林的桥梁损伤识别方法，其特征在于，所述S3的具体步骤如下：

S301：根据桥梁振动频率，计算桥梁振动频率与桥梁损伤位置的相关性；

S302：根据桥梁振动频率，计算桥梁振动频率对桥梁损伤位置的信息增益和桥梁振动频率对桥梁损伤程度的信息增益；

S303：根据所述相关性和所述信息增益，得到损伤频率等高带和损伤频率等高线，并投影至二维平面，建立桥梁的频率全景图，得到桥梁的损伤位置和损伤程度。

4.根据权利要求1所述的基于损伤频率全景图与随机森林的桥梁损伤识别方法，其特征在于，所述S4的具体步骤如下：

S401：利用随机森林算法，建立随机森林模型；

S402：将桥梁的原始响应数据作为特征集，将桥梁的损伤位置和程度作为标签；

S403：对已标记的原始响应数据进行划分，得到训练集和验证集；

S404：根据特征集、标签和训练集对随机森林模型进行训练；

S405：根据交叉验证方法，判断随机森林模型在验证集上是否存在过度拟合，若是，则停止训练，得到已训练的随机森林模型，否则，对随机森林模型的参数进行调整，并返回S404。

5.根据权利要求1所述的基于损伤频率全景图与随机森林的桥梁损伤识别方法，其特征在于，所述S5的具体步骤如下：

S501：获取新的桥梁振动频率、桥梁加速度和桥梁形变；

S502：根据S501获取的数据，利用已训练的随机森林模型建立桥梁的频率全景图并进行预测，分别得到损伤位置的预测结果、损伤位置的概率信息、损伤程度的预测结果和损伤程度的概率信息；

S503：根据损伤位置的概率信息和损伤程度的概率信息，对损伤位置和损伤程度的预测结果进行评估，得到评估结果。