CN117992810B - 一种道路桥梁强度检测装置 - Google Patents

Abstract

本发明涉及施加载荷检测技术领域，具体涉及一种道路桥梁强度检测装置，逐渐增加载荷，获取道路桥梁的实时的应变数据和对应的应变数据局部段；根据相邻的两个应变数据局部段的层次聚类树的相似度和层次聚类树之间不同层节点的相似度，确定层次变化率；结合实时的应变数据序列与历史应变数据类别中历史应变数据序列、层次变化率的相似情况，确定出实时的应变数据序列的所属类别；根据所属类别内的历史应变数据序列的强度值，得到道路桥梁的预测强度；将得到的道路桥梁的预测强度和实际的应变数据序列输入训练好的神经网络，输出道路桥梁的最终预测强度。本发明预测出最终预测强度，避免由于过渡增加载荷导致对道路桥梁产生较大的损害。

Description

一种道路桥梁强度检测装置

技术领域

本发明涉及施加载荷检测技术领域，具体涉及一种道路桥梁强度检测装置。

背景技术

随着经济建设发展的步伐，交通事业也在快速发展，道路和桥梁是道路交通网络中的重要组成部分，承担着承载车辆和行人的重要任务。经过一段时间的使用，道路桥梁可能会出现疲劳、腐蚀、变形等问题，影响其结构强度和稳定性。通过定期检测，可以及时发现这些问题并采取修复或加固措施，延长桥梁的使用寿命，减少维修和更换的成本。如果桥梁的强度不足或存在结构缺陷，可能会导致桥梁倒塌或发生严重事故，威胁人们的生命财产安全。因此，定期对道路和桥梁进行强度检测是确保道路交通安全的重要手段。

目前，常见的对道路桥梁强度进行检测，是通过逐渐施加载荷，对应变曲线进行分析，进而得到桥梁的强度数据，但该方法可能由于施加载荷的不合适，当检测到较为真实的强度时，已经对桥梁造成了较大的损害，其通过直接检测到的数据对桥梁的强度进行分析，对桥梁造成的损害更大，其无法实现在预测到桥梁强度之后，提前停止对桥梁施加载荷。故本发明实施例在逐渐施加载荷对桥梁的强度数据进行分析的基础上通过对桥梁的应变数据的分析，实现提前停止对桥梁施加载荷，根据历史数据分析得到道路桥梁的预测强度，将其输入训练好的神经网络输出更优的预测强度。

发明内容

为了解决在通过施加载荷对桥梁进行强度检测时，会对桥梁造成较大的损害，无法提前停止对桥梁施加载荷的技术问题，本发明的目的在于提供一种道路桥梁强度检测装置，所采用的技术方案具体如下：

本发明一个实施例提供了一种道路桥梁强度检测装置，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令以实现如下监测过程：

获取道路桥梁的实时的应变数据；

对应变数据序列按照时间顺序进行划分，得到应变数据局部段；构建每个应变数据局部段的层次聚类树，根据时序上相邻的两个应变数据局部段的层次聚类树的相似度和层次聚类树之间不同层节点的相似度，确定时序上相邻的两个应变数据局部段的层次变化率；

结合实时的应变数据序列与历史应变数据类别中历史应变数据序列的相似情况、实时的应变数据序列与历史应变数据类别中历史应变数据序列对应的层次变化率的相似情况，确定出实时的应变数据序列的所属类别；根据所属类别内的历史应变数据序列的强度值，得到实时的应变数据序列对应的道路桥梁的预测强度；将得到的道路桥梁的预测强度和实际的应变数据序列输入训练好的神经网络，输出道路桥梁的最终预测强度。

优选的，所述根据时序上相邻的两个应变数据局部段的层次聚类树的相似度和层次聚类树之间不同层节点的相似度，确定时序上相邻的两个应变数据局部段的层次变化率，包括：

根据时序上相邻的两个应变数据局部段的层次聚类树的相似度，确定第一聚类程度；

根据时序上相邻的两个应变数据局部段的层次聚类树之间不同层节点的相似度，确定第二聚类程度；

将所述第一聚类程度和所述第二聚类程度乘积的负相关值，作为时序上相邻的两个应变数据局部段的层次变化率。

优选的，所述根据时序上相邻的两个应变数据局部段的层次聚类树的相似度，确定第一聚类程度，包括：

获取应变数据局部段对应的层次聚类树中每一层的节点数量，构建节点数量序列；

对所述节点数量序列进行曲线拟合，得到对应的节点数量曲线；

获取时序上相邻的两个应变数据局部段对应的节点数量曲线中各匹配路径的斜率值；将连续游程数最大的斜率值作为第一斜率值，由第一斜率值分别在两个节点数量曲线上所对应的节点数量构成第一节点局部序列和第二节点局部序列；

将第一节点局部序列和第二节点局部序列的余弦相似度作为第一聚类程度。

优选的，所述根据时序上相邻的两个应变数据局部段的层次聚类树之间不同层节点的相似度，确定第二聚类程度，包括：

每个第一斜率值对应一对匹配层对，其中，匹配层对中有两层，分别属于时序上相邻的两个应变数据局部段的层次聚类树；

对匹配层对中两层的所有节点进行KM匹配，将KM匹配值作为初始聚类程度；

将第一斜率值对应的匹配层对的初始聚类程度的均值，作为第二聚类程度。

优选的，所述结合实时的应变数据序列与历史应变数据类别中历史应变数据序列的相似情况、实时的应变数据序列与历史应变数据类别中历史应变数据序列对应的层次变化率的相似情况，确定出实时的应变数据序列的所属类别，包括：

结合实时的应变数据序列与历史应变数据类别中历史应变数据序列的相似情况、实时的应变数据序列与历史应变数据类别中历史应变数据序列对应的层次变化率的相似情况，确定类别相似值；

当实时的应变数据序列与历史应变数据类别的类别相似值大于预设停止阈值时，将最大的类别相似值对应的历史应变数据类别，作为实时的应变数据序列的所属类别。

优选的，所述结合实时的应变数据序列与历史应变数据类别中历史应变数据序列的相似情况、实时的应变数据序列与历史应变数据类别中历史应变数据序列对应的层次变化率的相似情况，确定类别相似值，包括：

所述类别相似值的计算公式为：

；

其中，为实时的应变数据序列与第i个历史应变数据类别的类别相似值；/>为第i个历史应变数据类别的层次变化率权重；/>为第i个历史应变数据类别中与实时的应变数据序列的长度相同的历史应变数据序列，与实时的应变数据序列的层次变化率的相似度的均值；/>为第i个历史应变数据类别中与实时的应变数据序列的长度相同的历史应变数据序列，与实时的应变数据序列的相似度的均值。

优选的，所述历史应变数据类别的层次变化率权重的获取方法为：

由历史应变数据类别中历史应变数据序列的层次变化率序列构成曲线，作为变化率曲线；将变化率曲线中属于历史应变数据且对应斜率值最大的点作为转折点；

将历史应变数据类别中所有历史应变数据序列的转折点对应的时间点的方差，作为第一调整系数；

由每个转折点所对应的斜率值构成转折斜率序列；以所述转折斜率序列中任意斜率值为目标斜率值，计算所述转折斜率序列中目标斜率值与其他所有斜率值的差值绝对值之和；将转折斜率序列的最小差值绝对值之和所对应的斜率值的归一化值作为第二调整系数；

根据所述第一调整系数和所述第二调整系数，确定历史应变数据类别的层次变化率权重。

优选的，所述根据所述第一调整系数和所述第二调整系数，确定历史应变数据类别的层次变化率权重，包括：

；

其中，为层次变化率权重；e为自然常数；/>为第一调整系数；/>为第二调整系数。

优选的，所述根据所属类别内的历史应变数据序列的强度值，得到实时的应变数据序列对应的道路桥梁的预测强度，包括：

将所属类别内所有历史应变数据序列的平均强度值，作为实时的应变数据序列对应的道路桥梁的预测强度。

一种道路桥梁强度检测装置，包括桥梁检测机构，所述桥梁检测机构包括载荷传感器和显示屏，所述道路桥梁强度检测装置还包括强度检测装置，所述强度检测装置包括数据采集器和控制器，所述数据采集器信号连接所述控制器，所述数据采集器用于获取由载荷传感器采集到的道路桥梁的实时的应变数据序列，所述控制器用于对应变数据序列按照时间顺序进行划分，得到应变数据局部段；构建每个应变数据局部段的层次聚类树，根据时序上相邻的两个应变数据局部段的层次聚类树的相似度和层次聚类树之间不同层节点的相似度，确定时序上相邻的两个应变数据局部段的层次变化率；

结合实时的应变数据序列与历史应变数据类别中历史应变数据序列的相似情况、实时的应变数据序列与历史应变数据类别中历史应变数据序列对应的层次变化率的相似情况，确定出实时的应变数据序列的所属类别；根据所属类别内的历史应变数据序列的强度值，得到实时的应变数据序列对应的道路桥梁的预测强度；将得到的道路桥梁的预测强度和实际的应变数据序列输入训练好的神经网络，输出道路桥梁的最终预测强度。

本发明实施例至少具有如下有益效果：

本发明逐渐增加载荷获得道路桥梁的实时的应变数据，通过对实时的应变数据进行分析，通过结合层次聚类中的层次关系使得聚类后的类别更加精准，随着对道路桥梁施加的载荷的增加，应变数据序列也随之变化，进而数据之间的层次关系也随之变化，将层次关系参与到强度检测过程中，可以提前检测到实时的应变数据的异常，实现对道路桥梁的强度预测。对于每条由应变数据序列构成的应变数据曲线而言，随着载荷的增加，越来越接近桥梁极限，层次结果刚开始较为稳定，当载荷越来越接近桥梁极限时，当前的层次结构也越来越接近桥梁极限的层次结构，通过层次结构分析确定应变数据序列所对应的层次变化率，比较应变数据序列与划分好的历史应变数据类别中的历史应变序列的压变数据和层次变化率的相似情况，根据历史应变数据序列确定出当前的道路桥梁的预测强度，提前预测出道路桥梁的预测强度；但是由于预测强度是通过对与历史数据的相似特征进行分析计算得到的，而当前桥梁的建筑结构、建筑材料不一定与历史数据中的某个道路桥梁完全相同，故当前计算得到的道路桥梁的预测强度存在一定的误差，故进一步训练神经网络，使得输入实际的应变数据序列和预测强度，训练好的神经网络能够输出更优的最终预测强度，避免由于增加载荷检测导致对道路桥梁产生较大的损害。

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和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种道路桥梁强度检测装置中的数据处理过程的方法流程图；

图2为本发明一个实施例所提供的一种层次变化率的获取过程的方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种道路桥梁强度检测装置，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

本发明实施例提供一种道路桥梁强度检测装置，包括桥梁检测机构，桥梁检测机构为常规的桥梁强度检测设备。在本发明实施例中桥梁检测机构包括载荷传感器和显示屏，载荷传感器用于检测桥梁所承受的载荷，显示屏用于显示数据信息。应当理解，桥梁检测机构还包括相关的控制设备，用于控制对道路桥梁增加负载或者停止对道路桥梁增加负载。在实际应用中还可以使得当车辆通过道路或桥梁时，道路或桥梁所受的载荷由载荷传感器检测并转换为电信号。其中，以往通过施加载荷的方法获得的每条道路或桥梁的应变数据均作为历史应变数据。

道路桥梁强度检测装置还包括强度检测装置，所述强度检测装置包括数据采集器和控制器，所述数据采集器信号连接所述控制器，所述数据采集器用于获取由载荷传感器采集到的道路桥梁的实时的应变数据，更具体的数据采集器用于获取由载荷传感器转换产生的电信号，并将得到的电信号发送至控制器中。将由载荷传感器转换产生的电信号作为应变数据。控制器通过对应变数据的分析处理，得到道路桥梁的预测强度，并输出至显示屏，由显示屏显示出道路桥梁的预测强度。

控制器可以为CPU、MCU等数据处理芯片，或者如电脑主机等数据处理设备。数据采集器信号连接控制器，两者可以通过数据传输线路实现有线连接，也可以通过蓝牙、WiFi等无线通信方式实现无线连接。另外，数据采集器和控制器还可以集成化设置，构成一个集数据采集和数据处理功能于一体的设备。

在载荷传感器的检测下，检测出桥梁所受的载荷，并将载荷信号转换为电信号，输出至数据采集器作为实时的应变数据。数据采集器将获取到的实时的应变数据输出至控制器，如图1所示，下面结合附图具体的说明本发明所提供的一种道路桥梁强度检测装置的具体方案。

一种道路桥梁强度检测装置实施例一：

请参阅图1，其示出了本发明一个实施例提供的一种道路桥梁强度检测装置的步骤流程图，该方法包括以下步骤：

步骤S100，对应变数据序列按照时间顺序进行划分，得到应变数据局部段；构建每个应变数据局部段的层次聚类树，根据时序上相邻的两个应变数据局部段的层次聚类树的相似度和层次聚类树之间不同层节点的相似度，确定时序上相邻的两个应变数据局部段的层次变化率。

目前常见的，对道路桥梁强度进行检测的方法为：通过逐渐增加载荷来对道路桥梁强度进行检测，但是该方法容易导致对桥梁造成损害。但需要说明的是，施加载荷对桥梁进行强度检测会对桥梁造成损害，但通过合理的规划、监测和操作，这种影响通常是可控的，其往往小于桥梁正常使用和环境因素带来的影响，在目前工程实践中，通常是通过加载荷测试来评估桥梁强度和结构健康状况。本发明实施例是在现有的加载荷测试的基础上，更快的得到桥梁强度信息，避免可能会对桥梁造成的损害，减小风险。

在本发明实施例中，通过逐渐增加载荷得到的道路桥梁的实时应变数据与历史应变数据进行匹配，以实现对道路桥梁的强度的预测。

本发明通过对历史应变数据序列进行分析，得到多个类别，进而通过实时应变数据序列与每个历史应变数据类别的关系，得到实时应变数据序列的所属类别。需要说明的是，历史应变数据序列是以往通过施加载荷方法得到的每条道路桥梁的序列，其中，每个采样时刻对应一个应变数据，随着载荷施加进行过程中的所有应变数据按照时间顺序，形成历史应变数据序列。需要说明的是，对于实时应变数据序列和历史应变数据序列均可按照时间顺序进行划分，进而得到实时的应变数据局部段和历史的应变数据局部段。

目前常见的判断实时应变数据序列属于哪个历史应变数据类别的方法为，通过相似度聚类，例如，k-means或密度聚类的方法来对应变曲线进行聚类，受到k值和噪声影响较大，容易导致聚类结果存在较大误差。需要说明的是，应变数据序列是由应变数据构成的序列，应变曲线是由应变数据拟合而成的曲线。

故本发明实施例通过结合层次聚类中的层次关系使得聚类后得到的类别更加准确，这是由于随着载荷增加，应变数据也随之变化，数据之间的层次关系也随之变化，进而将层次关系参与到强度检测过程中，有助于提前检测到实际应变曲线的异常，进而得到实际道路桥梁的强度信息。

首先，对应变数据序列按照时间顺序进行划分，得到应变数据局部段，具体的：按照预设时间段的大小，根据时间顺序对应变数据序列进行划分，得到多个长度相同的应变数据局部段。在本发明实施例中预设时间段的取值为3分钟。例如，采集9分钟的应变数据序列，将前3分钟的应变数据划分至同一应变数据局部段内，将第4-6分钟的应变数据划分至同一应变数据局部段内，将第7-9分钟的应变数据划分至同一应变数据局部段内。

对每个应变数据局部段内的数据，通过层次聚类算法，构建每个应变数据局部段的层次聚类树，层次聚类树中每个节点是一个数据点集合，层次聚类树中越靠近上层的节点中，每个节点中包含的数据点的数量越多，反映了其是在越宽松的聚类条件下得到的类别。

需要说明的是，对于每条应变曲线而言，随着载荷增加，越来越接近桥梁极限，层次结构刚开始较为稳定，然后当载荷越来越接近桥梁极限时，层次结构也越来越接近桥梁极限的层次结构，即桥梁极限的层次结构方向变化。

以一个应变数据序列为例，通过相邻应变数据局部段的层次聚类树，计算得到相邻时间段的层次变化率。具体的，根据时序上相邻的两个应变数据局部段的层次聚类树的相似度和层次聚类树之间不同层节点的相似度，确定时序上相邻的两个应变数据局部段的层次变化率。请参阅图2，图2为层次变化率的获取过程的方法流程图，层次变化率的获取包括以下步骤：

步骤S111，根据时序上相邻的两个应变数据局部段的层次聚类树的相似度，确定第一聚类程度。

首先，获取应变数据局部段对应的层次聚类树中每一层的节点数量，构建节点数量序列。层次聚类树的根节点层的节点数量为1，也即第一层的节点数量为1，然后获取第二层的节点数量，第三层的节点数量，……，所有层的节点数量，进而构成了层次聚类树的节点数量序列。

由于不同桥梁达到接近最大载荷的所需时间不同，即使最大载荷相近的桥梁，起始载荷不同，其也会导致层次聚类树存在较大误差，本发明实施例中需要分析的是在远没达到最大载荷和接近最大载荷时这段时间的层次结构的相似度，进而避免起始载荷的不同造成的相似度计算的影响，因此需要找到层次聚类树A的节点数量序列和层次聚类树B的节点数量序列中相似度最大的一段。

对所述节点数量序列进行曲线拟合，得到对应的节点数量曲线；也即对层次聚类树A的节点数量序列和层次聚类树B的节点数量序列分别进行拟合，得到各自对应的节点数量曲线。

基于DTW算法，获取时序上相邻的两个应变数据局部段对应的节点数量曲线上节点数量之间各匹配路径的斜率值；也即计算层次聚类树A的节点数量序列形成的节点数量曲线和层次聚类树B的节点数量序列形成的节点数量曲线的DTW距离，得到层次聚类树A构成的节点数量曲线上每个节点与层次聚类树B构成的节点数量曲线上每个节点的匹配关系和对应的匹配路径，进而可以得到每个匹配路径的斜率值。

将连续游程数最大的斜率值作为第一斜率值，由第一斜率值分别在两个节点数量曲线上所对应的节点数量构成第一节点局部序列和第二节点局部序列；将第一节点局部序列和第二节点局部序列的余弦相似度作为第一聚类程度。也即将斜率值连续存在最长时的斜率值作为第一斜率值，将第一斜率值对应的在层次聚类树A上的点形成的节点数量序列记为第一节点局部序列，将第一斜率值对应的在层次聚类树B上的点形成的节点数量序列记为第二节点局部序列，将第一节点局部序列与第二节点局部序列的余弦相似度记为第一聚类程度s1。

步骤S112，根据时序上相邻的两个应变数据局部段的层次聚类树之间不同层节点的相似度，确定第二聚类程度。

由于第一节点局部序列和第二节点局部序列中每个元素值分别对应层次聚类树中的某一层，因此可以得到层次聚类树A与层次聚类树B的层之间的对应关系，记为匹配层对，即得到了多个匹配层对。获取每个第一斜率值对应的匹配层对，其中，匹配层对中有两层，分别属于时序上相邻的两个应变数据局部段的层次聚类树，即在例子中匹配层对中有两层，分别属于层次聚类树A与层次聚类树B。

对匹配层对中两层的所有节点进行KM匹配，将KM匹配值作为第二聚类程度。更具体的：对于层次聚类树A的层a与层次聚类树B的层b形成的匹配层对，对层a中所有节点与层b中所有节点进行KM匹配。

其中，由于每个节点均是一个数据点集合，故先对层次聚类树中匹配层对中两个节点对应的数据点集合进行KM匹配，并将得到的KM匹配值作为两个层次聚类树中层a与层b中节点之间的边权值。

对层次聚类树中匹配层对中任意两个节点对应的数据点集合进行KM匹配的步骤为：对于层次聚类树A的层a中的任意节点a1与层次聚类树B的层b中的任意节点b1，将层次聚类树A的层a中的节点a1对应的数据点作为KM匹配时的左侧节点，将层次聚类树B的层b中的节点b1对应的数据点作为KM匹配时的右侧节点，两侧节点之间的边权值为两个数据点中最小值与最大值的比值，进而得到KM匹配值c1；将该KM匹配值c1作为层次聚类树A的层a中的节点a1与层次聚类树B的层b中的节点b1的边权值。

按照同样的方法实现对层次聚类树中匹配层对中两个节点对应的数据点集合进行KM匹配，得到层次聚类树中匹配层对中任意两个节点对应的边权值。

进一步的，对于层次聚类树A的层a与层次聚类树B的层b形成的匹配层对，对层a中所有节点与层b中所有节点进行KM匹配，具体的：将层a中所有节点作为左侧节点，将层b中所有节点作为右侧节点，获取到的两个节点对应的边权值，计算出KM匹配值d，将该KM匹配值d作为匹配层对中层a与层b的相似度，记为初始聚类程度。进一步的，计算第一斜率值对应的匹配层对的初始聚类程度的均值，作为第二聚类程度。

步骤S113，将所述第一聚类程度和所述第二聚类程度乘积的负相关值，作为时序上相邻的两个应变数据局部段的层次变化率。

在得到第一聚类程度和第二聚类程度之后，将所述第一聚类程度和所述第二聚类程度乘积的负相关值，作为时序上相邻的两个应变数据局部段的层次变化率。在本发明实施例中通过预设常数减去第一聚类程度和第二聚类程度乘积，以实现对该乘积的负相关处理，其中，预设常数的取值为1，在其他实施例中由实施者根据实际情况调整该取值。

该层次变化率的计算公式为：

；

其中，为层次变化率；/>为第一聚类程度；/>为第二聚类程度。

进而通过计算可以得到任意两个在时序上相邻的应变数据局部段的层次变化率。

步骤S200，结合实时的应变数据序列与历史应变数据类别中历史应变数据序列的相似情况、实时的应变数据序列与历史应变数据类别中历史应变数据序列对应的层次变化率的相似情况，确定出实时的应变数据序列的所属类别；根据所属类别内的历史应变数据序列的强度值，得到实时的应变数据序列对应的道路桥梁的预测强度；将得到的道路桥梁的预测强度和实际的应变数据序列输入训练好的神经网络，输出道路桥梁的最终预测强度。

应变曲线对应多个应变数据局部段，相邻两个应变数据局部段得到一个层次变化率，进而可以形成层次变化率序列。

在本发明实施例中历史应变数据类别的获取方法为：对于先前采集到的多个历史应变数据构成的历史应变曲线，根据强度值对历史应变曲线进行分类，需要说明的是，每个历史应变曲线都有各自对应的强度值，该强度值可以是人为赋予的也可以是通过检测得到的，这里的历史应变曲线和对应的强度值均是作为样本存在的。将各历史应变曲线的强度值按照从小到大的顺序排列，得到升序序列，通过otsu多阈值分割的方法，得到多个强度类别，每个类别内有至少一个历史应变曲线。将同一强度类别中每个强度值对应的历史应变曲线划分至同一历史应变数据类别中。

在本发明实施例中通过实际应变数据序列与每个类别的历史应变数据序列的层次变化率相似度和曲线相似度的加权求和来实现对桥梁强度的预测。

首先由于不同的历史应变数据类别中历史应变数据序列对应的应变数据局部段的层次变化率的变化存在差异，对每个历史应变数据类别确定对应的权重，具体的：

由历史应变数据类别中历史应变数据序列的层次变化率序列构成曲线，作为变化率曲线；将变化率曲线中属于历史应变数据且对应斜率值最大的点作为转折点；将历史应变数据类别中所有历史应变数据序列的转折点对应的时间点的方差，作为第一调整系数。需要说明的是，需要将不同应变数据序列的开始时间设置为0，也即每个应变数据序列对应的开始施加载荷的时间点设置为0，进而统一各个应变数据序列的时间信息。需要说明的是，实时应变数据序列和历史应变数据序列的层次变化率的获取方法相同，均可通过步骤S100中给出的层次变化率的方法获得，故对应的在对应变数据序列按照时间顺序进行划分时，是指对两种应变数据序列均可按照该方法进行划分以及后续步骤的操作。

该第一调整系数反映了每个类别中层次变化率的转折点的位置一致性，该第一调整系数越大，则反映该历史应变数据类别内的层次变化率越不一致，历史应变数据类别的可信度越低；反之，第一调整系数越小，则反映该历史应变数据类别内的层次变化率越一致，历史应变数据类别的可信度越高。

在施加载荷过程中，当载荷远远小于或还没达到极限载荷时，应变数据曲线上的数据点的分布情况相近，记为第一种情况；当载荷接近最大载荷时，应变数据曲线上的数据点的分布情况接近于最大载荷下的数据点分布情况，记为第二种情况；第一种情况和第二种情况不同，数据点分布情况不同。例如，极限载荷是1000，施加载荷为1-10的数据，则对于1000而言较小，因此相对而言，1-10的数据变化相较于1000而言，可以认为是一致的；当施加载荷为：900-999时，接近最大载荷，此时相较于1000而言，施加载荷很接近最大载荷，可以认为是一致的。转折程度越大，说明对于这个桥梁而言，常态下的负载和接近极限的负载时，在层次关系上的表现差异越大，因此越可以用层次关系的变化来表示快接近另一个状态，通过赋予越大权重实现。

然后由每个转折点所对应的斜率值构成转折斜率序列；以所述转折斜率序列中任意斜率值为目标斜率值，计算所述转折斜率序列中目标斜率值与其他所有斜率值的差值绝对值之和；将转折斜率序列的最小差值绝对值之和所对应的斜率值的归一化值作为第二调整系数。层次数据的变化越大，则层次数据越可以用来表示两个状态的变化信息，赋予越大的权重，该转折性越大，则对应的权重越大。

在得到第一调整系数和第二调整系数之后，根据第一调整系数和第二调整系数，确定历史应变数据类别的层次变化率权重。

该层次变化率权重的计算公式为：

；

其中，为层次变化率权重；e为自然常数；/>为第一调整系数；/>为第二调整系数。

进而实现了根据历史应变数据类别内的特征进行分析，获取不同的历史应变数据类别的层次变化率权重。进一步的，结合实时的应变数据序列与历史应变数据类别中历史应变数据序列的相似情况、实时的应变数据序列与历史应变数据类别中历史应变数据序列对应的层次变化率的相似情况，确定出实时的应变数据序列的所属类别，具体的：首先结合实时的应变数据序列与历史应变数据类别中历史应变数据序列的相似情况、实时的应变数据序列与历史应变数据类别中历史应变数据序列对应的层次变化率的相似情况，确定类别相似值；将最大的类别相似值对应的历史应变数据类别，作为实时的应变数据序列的所属类别。

其中，类别相似值的计算公式为：

；

其中，为实时的应变数据序列与第i个历史应变数据类别的类别相似值；/>为第i个历史应变数据类别的层次变化率权重；/>为第i个历史应变数据类别中与实时的应变数据序列的长度相同的历史应变数据序列，与实时的应变数据序列的层次变化率的相似度的均值；/>为第i个历史应变数据类别中与实时的应变数据序列的长度相同的历史应变数据序列，与实时的应变数据序列的相似度的均值。

更具体的：为第i个历史应变数据类别中与实时的应变数据序列的长度相同的多个历史应变数据序列，与实时的应变数据序列的层次变化率的余弦相似度的均值；/>为第i个历史应变数据类别中与实时的应变数据序列的长度相同的多个历史应变数据序列，与实时的应变数据序列的余弦相似度的均值。

将最大的类别相似值对应的历史应变数据类别，作为实时的应变数据序列的所属类别。

随着采集到的实时的应变数据越多，实时的应变数据序列越长，每采集一次实时的应变数据，就计算一次当前时刻下实时的应变数据序列，当实时的应变数据序列与历史应变数据类别对应的类别相似值大于预设停止阈值时，停止增加负载，将最大类别相似值对应的历史应变数据类别作为实时的应变数据序列的所属类别。

根据所属类别内的历史应变数据序列的强度值，得到实时的应变数据序列对应的道路桥梁的预测强度，具体的：将所属类别内所有历史应变数据序列的平均强度值，作为实时的应变数据序列对应的道路桥梁的预测强度。将实时的应变数据序列对应的所属类别内所有历史应变数据序列的平均强度值作为当前桥梁的强度值是因为平均强度可以去除较大、较小值等值的影响，可以更好表示当前预测的桥梁强度值。需要说明的是，历史应变数据序列是由历史应变数据构建的，每个历史应变数据类别中包括至少一个历史应变数据序列。

需要说明的是，由于桥梁强度受很多因素影响，比如桥梁设计结构、施工材料类型等等，仅仅通过应变数据这一参数难以得到准确的结果，因此本实施例中在根据应变数据与历史数据的分析得到预测强度后，实际的研究人员结合本实施例中的预测强度和桥梁设计结构、施工材料类型等方面的信息，进一步得到更为真实的最终的桥梁强度。

由于当前计算得到的道路桥梁的预测强度是通过对与历史数据的相似特征进行分析计算得到的，而当前桥梁的建筑结构、建筑材料不一定与历史数据中的某个道路桥梁完全相同，故当前计算得到的道路桥梁的预测强度存在一定的误差，故训练神经网络，通过历史的预测强度、应变数据以及对应的实际强度训练神经网络，使得神经网络能够输出更优的预测值。

故更进一步的，将得到的道路桥梁的预测强度和实际的应变数据序列作为神经网络输入，输出道路桥梁的最终预测强度，也即将得到的道路桥梁的预测强度和实际的应变数据序列输入训练好的神经网络，得到道路桥梁的最终预测强度。需要说明的是，由不同采集时刻采集到的实时的应变数据构成实际的应变数据序列，例如由最近的采集时间段内采集到的应变数据构成实际的应变数据序列，其中，采集时间段的长度可由实施者根据实际情况进行设定。

该神经网络的训练过程为：将除了当前输入的数据之外的所有历史数据作为神经网络的训练集，并通过本发明实施例步骤S100~步骤S200中的获取预测强度的方法，确定训练集中每个历史应变数据序列的预测强度，并人为的对训练集中每个历史应变数据序列打上标签，该标签为历史应变数据序列对应的通过实际测量的得到的实际强度序列。故该神经网络的训练集中的历史数据包括：道路桥梁对应的历史应变数据序列、历史应变数据序列对应的实际强度以及历史应变数据序列的预测强度。其中神经网络的损失函数采用均方差损失函数。

需要说明的是，历史应变数据序列d1的预测强度的获取方法和实时的应变数据序列的预测强度的获取方法相同，将历史应变数据序列d1作为实时的应变数据序列d2，将相对于历史应变数据序列d1而言为历史应变数据序列的序列，作为实时的应变数据序列d2的历史应变数据序列，计算出实时的应变数据序列d2对应的道路桥梁的预测强度值，也即得到里历史应变数据序列d1对应的道路桥梁的预测强度值。

该神经网络在实际的应变数据序列的基础上，结合了历史数据中的相似信息进行强度计算得到的预测强度，有助于得到更加精确的最终预测强度，得到最终预测强度时需要的施加载荷的时间较短，规避了可能的风险。

一种道路桥梁强度检测装置实施例二：

本发明实施例提供一种道路桥梁强度检测装置，包括处理器和存储器，处理器用于处理存储在存储器中的指令以实现如下监测过程：

获取道路桥梁的实时的应变数据；

对应变数据序列按照时间顺序进行划分，得到应变数据局部段；构建每个应变数据局部段的层次聚类树，根据时序上相邻的两个应变数据局部段的层次聚类树的相似度和层次聚类树之间不同层节点的相似度，确定时序上相邻的两个应变数据局部段的层次变化率；

结合实时的应变数据序列与历史应变数据类别中历史应变数据序列的相似情况、实时的应变数据序列与历史应变数据类别中历史应变数据序列对应的层次变化率的相似情况，确定出实时的应变数据序列的所属类别；根据所属类别内的历史应变数据序列的强度值，得到实时的应变数据序列对应的道路桥梁的预测强度；将得到的道路桥梁的预测强度和实际的应变数据序列输入训练好的神经网络，输出道路桥梁的最终预测强度。

因此，本实施例提供的一种道路桥梁强度检测装置本质上是一种处理器设备，由内部的数据处理过程实现，由于数据处理过程在上述一种道路桥梁强度检测装置实施例一中已给出了详细描述，不再赘述。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (10)

1.一种道路桥梁强度检测装置，其特征在于，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令以实现如下监测过程：

逐渐增加载荷，获取道路桥梁的实时的应变数据；

对应变数据序列按照时间顺序进行划分，得到应变数据局部段；构建每个应变数据局部段的层次聚类树，根据时序上相邻的两个应变数据局部段的层次聚类树的相似度和层次聚类树之间不同层节点的相似度，确定时序上相邻的两个应变数据局部段的层次变化率；

结合实时的应变数据序列与历史应变数据类别中历史应变数据序列的相似情况、实时的应变数据序列与历史应变数据类别中历史应变数据序列对应的层次变化率的相似情况，确定出实时的应变数据序列的所属类别；根据所属类别内的历史应变数据序列的强度值，得到实时的应变数据序列对应的道路桥梁的预测强度；将得到的道路桥梁的预测强度和实际的应变数据序列输入训练好的神经网络，输出道路桥梁的最终预测强度。

2.根据权利要求1所述的道路桥梁强度检测装置，其特征在于，所述根据时序上相邻的两个应变数据局部段的层次聚类树的相似度和层次聚类树之间不同层节点的相似度，确定时序上相邻的两个应变数据局部段的层次变化率，包括：

根据时序上相邻的两个应变数据局部段的层次聚类树的相似度，确定第一聚类程度；

根据时序上相邻的两个应变数据局部段的层次聚类树之间不同层节点的相似度，确定第二聚类程度；

将所述第一聚类程度和所述第二聚类程度乘积的负相关值，作为时序上相邻的两个应变数据局部段的层次变化率。

3.根据权利要求2所述的道路桥梁强度检测装置，其特征在于，所述根据时序上相邻的两个应变数据局部段的层次聚类树的相似度，确定第一聚类程度，包括：

获取应变数据局部段对应的层次聚类树中每一层的节点数量，构建节点数量序列；

对所述节点数量序列进行曲线拟合，得到对应的节点数量曲线；

获取时序上相邻的两个应变数据局部段对应的节点数量曲线中各匹配路径的斜率值；将连续游程数最大的斜率值作为第一斜率值，由第一斜率值分别在两个节点数量曲线上所对应的节点数量构成第一节点局部序列和第二节点局部序列；

将第一节点局部序列和第二节点局部序列的余弦相似度作为第一聚类程度。

4.根据权利要求3所述的道路桥梁强度检测装置，其特征在于，所述根据时序上相邻的两个应变数据局部段的层次聚类树之间不同层节点的相似度，确定第二聚类程度，包括：

每个第一斜率值对应一对匹配层对，其中，匹配层对中有两层，分别属于时序上相邻的两个应变数据局部段的层次聚类树；

对匹配层对中两层的所有节点进行KM匹配，将KM匹配值作为初始聚类程度；

将第一斜率值对应的匹配层对的初始聚类程度的均值，作为第二聚类程度。

5.根据权利要求1所述的道路桥梁强度检测装置，其特征在于，所述结合实时的应变数据序列与历史应变数据类别中历史应变数据序列的相似情况、实时的应变数据序列与历史应变数据类别中历史应变数据序列对应的层次变化率的相似情况，确定出实时的应变数据序列的所属类别，包括：

结合实时的应变数据序列与历史应变数据类别中历史应变数据序列的相似情况、实时的应变数据序列与历史应变数据类别中历史应变数据序列对应的层次变化率的相似情况，确定类别相似值；

当实时的应变数据序列与历史应变数据类别的类别相似值大于预设停止阈值时，将最大的类别相似值对应的历史应变数据类别，作为实时的应变数据序列的所属类别。

6.根据权利要求5所述的道路桥梁强度检测装置，其特征在于，所述结合实时的应变数据序列与历史应变数据类别中历史应变数据序列的相似情况、实时的应变数据序列与历史应变数据类别中历史应变数据序列对应的层次变化率的相似情况，确定类别相似值，包括：

所述类别相似值的计算公式为：

；

其中，为实时的应变数据序列与第i个历史应变数据类别的类别相似值；/>为第i个历史应变数据类别的层次变化率权重；/>为第i个历史应变数据类别中与实时的应变数据序列的长度相同的历史应变数据序列，与实时的应变数据序列的层次变化率的相似度的均值；/>为第i个历史应变数据类别中与实时的应变数据序列的长度相同的历史应变数据序列，与实时的应变数据序列的相似度的均值。

7.根据权利要求6所述的道路桥梁强度检测装置，其特征在于，所述历史应变数据类别的层次变化率权重的获取方法为：

由历史应变数据类别中历史应变数据序列的层次变化率序列构成曲线，作为变化率曲线；将变化率曲线中属于历史应变数据且对应斜率值最大的点作为转折点；

将历史应变数据类别中所有历史应变数据序列的转折点对应的时间点的方差，作为第一调整系数；

由每个转折点所对应的斜率值构成转折斜率序列；以所述转折斜率序列中任意斜率值为目标斜率值，计算所述转折斜率序列中目标斜率值与其他所有斜率值的差值绝对值之和；将转折斜率序列的最小差值绝对值之和所对应的斜率值的归一化值作为第二调整系数；

根据所述第一调整系数和所述第二调整系数，确定历史应变数据类别的层次变化率权重。

8.根据权利要求7所述的道路桥梁强度检测装置，其特征在于，所述根据所述第一调整系数和所述第二调整系数，确定历史应变数据类别的层次变化率权重，包括：

；

其中，为层次变化率权重；e为自然常数；/>为第一调整系数；/>为第二调整系数。

9.根据权利要求1所述的道路桥梁强度检测装置，其特征在于，所述根据所属类别内的历史应变数据序列的强度值，得到实时的应变数据序列对应的道路桥梁的预测强度，包括：

将所属类别内所有历史应变数据序列的平均强度值，作为实时的应变数据序列对应的道路桥梁的预测强度。

10.一种道路桥梁强度检测装置，包括桥梁检测机构，所述桥梁检测机构包括载荷传感器和显示屏，所述道路桥梁强度检测装置还包括强度检测装置，所述强度检测装置包括数据采集器和控制器，所述数据采集器信号连接所述控制器，所述数据采集器用于获取由载荷传感器采集到的道路桥梁的实时的应变数据序列，所述控制器用于对应变数据序列按照时间顺序进行划分，得到应变数据局部段；构建每个应变数据局部段的层次聚类树，根据时序上相邻的两个应变数据局部段的层次聚类树的相似度和层次聚类树之间不同层节点的相似度，确定时序上相邻的两个应变数据局部段的层次变化率；

结合实时的应变数据序列与历史应变数据类别中历史应变数据序列的相似情况、实时的应变数据序列与历史应变数据类别中历史应变数据序列对应的层次变化率的相似情况，确定出实时的应变数据序列的所属类别；根据所属类别内的历史应变数据序列的强度值，得到实时的应变数据序列对应的道路桥梁的预测强度；将得到的道路桥梁的预测强度和实际的应变数据序列输入训练好的神经网络，输出道路桥梁的最终预测强度。