CN104504265B - 一种在役桥梁监测信息安全评估的方法 - Google Patents
一种在役桥梁监测信息安全评估的方法 Download PDFInfo
- Publication number
- CN104504265B CN104504265B CN201410815239.4A CN201410815239A CN104504265B CN 104504265 B CN104504265 B CN 104504265B CN 201410815239 A CN201410815239 A CN 201410815239A CN 104504265 B CN104504265 B CN 104504265B
- Authority
- CN
- China
- Prior art keywords
- bridge
- state
- monitoring information
- network
- echo
- 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.)
- Expired - Fee Related
Links
Landscapes
- Alarm Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种在役桥梁监测信息安全评估的方法,包括:分析结构响应信号与桥梁结构状态演化的内在联系,挖掘出桥梁监测信息的本质内涵,构建桥梁监测信息时间序列;建立回声状态网络桥梁监测信息特征模型,以此作为桥梁结构状态特征体系;构造桥梁结构损伤敏感性指标,并获得损伤演变的临界参数;构建桥梁状态演化模式;进行桥梁安全评估。本发明融合信息科学、数据挖掘、模式识别学等多学科知识,实现了多学科的交叉与融合,为进一步提升桥梁健康监测***应用品质以及桥梁状态评估研究方向,提供了有益的探索和技术支撑。
Description
技术领域
本发明属于桥梁信息监测领域,具体涉及一种基于桥梁结构健康监测信息的桥梁安全状态评估的新技术。
背景技术
随着20世纪40年代计算机的出现以及50年代人工智能的兴起,人们希望能用计算机来代替或扩展人类的部分脑力劳动,模式识别在20世纪60年代初迅速发展成为一个比较完整的学科领域,它也是多学科领域的交叉,涉及统计学、模糊集论、工程学、人工智能、计算机科学等。结构损伤诊断是模式识别理论在工程领域中的延拓与应用,其实质是“状态识别”,即解决同一结构***不同状态的分类问题,因此SHM统计模式识别的应用最近获得了更多的关注。
由于土木结构庞大复杂,所处环境恶劣,使得传感器在实际采集过程中不可避免地受到周围环境各种干扰的影响,而这些干扰往往会对结构损伤造成误判,阻碍了损伤识别方法在实际工程中的应用,所以,有必要在损伤识别中引入统计理论对损伤识别结果进行统计分析,用对结构损伤的统计判别来代替传统的对结构损伤的确定性判别。大多数研究侧重于基于SHM的统计模式识别的应用,这些统计模型通过分析特征向量监测异常数据,其中包括损伤敏感特征值,使用时间序列模型与统计异常检测方法辨别结构的损伤演变。这个方法的优点就是在训练阶段只需要从无损伤结构中提取数据,而不像监督学习,其中训练模型的数据要从无损和损伤结构中提取。从目前看来,统计模式识别方法尚存在一定的缺陷和亟待解决的难题,通过模式识别的理论框架阐述结构损伤诊断的原理和方法,成为国内外研究热点。
发明内容
本发明的目的之一是提供一种基于统计模式识别理论利用桥梁结构健康监测信息进行桥梁安全状态评估的方法,本发明计算过程简单,容易实现。
本发明提供一种在役桥梁监测信息安全评估的方法,其特征在于,包括如下步骤:
S1:分析结构响应信号与桥梁结构状态演化的内在联系,挖掘出桥梁监测信息的本质内涵,构建桥梁监测信息时间序列;
S2:根据S1构建的桥梁监测信息时间序列及其包含的桥梁结构状态演化特征建立回声状态网络桥梁监测信息特征模型,以此作为桥梁结构状态特征体系;
S3:构造基于S2建立的回声状态网络桥梁监测信息特征模型的桥梁结构损伤敏感性指标,并获得损伤演变的临界参数;
S4:构建基于S2建立的回声状态网络桥梁监测信息特征模型的桥梁状态演化模式;
S5:根据S4构建的桥梁状态演化模式进行桥梁安全评估。
进一步,所述步骤S2具体包括:回声状态网络方程为:
x(k+1)=f(Winu(k+1)+Wx(k)+Wfby(k))
其中Win、W和Wfb分别为输入权值矩阵、内部连接权值矩阵和输出反馈权值矩阵,u(k)为输入激励信号,x(k)为回声状态网络的状态,y(k)为目标向量;
建立所述回声状态网络模型桥梁结构监测信息特征指标构建步骤如下:
1)选择储备池网络的参数,网络状态维数N、内部连接权值的稀疏度c;
2)根据上述参数随机生产一个动态储备池网络;
3)将该储备池网络进行桥梁监测信息***辨识,所述回声状态网络模型输出权值即为桥梁监测信息特征指标,并用此特征指标作为结构状态特征体系。
进一步,所述步骤S3具体包括:通过回声状态网络模型构建桥梁结构监测信息特征指标,计算不同结构状态下的n个对象两两之间的马氏距离dij,再将任一对象到其余对象之间的马氏距离进行求和,定义DSPR为损伤敏感特征指标,即其中
dij=((xi-xj)TS-1(xi-xj))1/2
统计模式指标在不同结构状态下的阈值分析,即用统计模拟方法获取结构发生损伤演变的临界参数。
进一步,所述步骤S4具体包括:运用基于马氏距离的孤立点检测方法评判所述回声状态网络表征的桥梁结构状态的演化模式,在统计模式识别的框架之下,所述桥梁结构状态分析在完成***建模、特征体系构建之后,对所述特征体系中提取的特征量建立判别函数进行分类,以区分正常状态和异常状态以及异常状态下特征指标体系的进一步演化信息,通过检查一组对象的主要特征来确定孤立点,通过不同状态下的桥梁结构马氏距离与无损状态下的偏离程度分析桥梁结构状态的演变。
本发明的有益技术效果在于,利用统计学理论与递归神经网络方法构建桥梁健康监测信息特征体系,用仿真的方法确定结构状态演化的参数,通过统计模式识别理论判别结构状态的演化,极大提升了桥梁健康监测***的工程实践价值,突破了传统桥梁安全性评估的局限性,拓展了统计模式识别理论及其在桥梁工程中的应用,融合信息科学、数据挖掘、模式识别学等多学科知识,实现了多学科的交叉与融合,为进一步提升桥梁健康监测***应用品质以及桥梁状态评估研究方向,提供了有益的探索和技术支撑。
附图说明
图1所示为本发明评估方法流程图。
具体实施方式
下文将结合具体附图详细描述本发明具体实施例。应当注意的是,下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的,它们可以被相互组合从而达到更好的技术效果。在下述实施例的附图中,各附图所出现的相同标号代表相同的特征或者部件,可应用于不同实施例中。
如图1所示,本发明提供一种在役桥梁监测信息安全评估的方法,其特征在于,包括如下步骤:
S1:分析结构响应信号与桥梁结构状态演化的内在联系,挖掘出桥梁监测信息的本质内涵,构建桥梁监测信息时间序列;
S2:根据S1构建的桥梁监测信息时间序列及其包含的桥梁结构状态演化特征建立回声状态网络桥梁监测信息特征模型,以此作为桥梁结构状态特征体系;
S3:构造基于S2建立的回声状态网络桥梁监测信息特征模型的桥梁结构损伤敏感性指标,并获得损伤演变的临界参数;
S4:构建基于S2建立的回声状态网络桥梁监测信息特征模型的桥梁状态演化模式;
S5:根据S4构建的桥梁状态演化模式进行桥梁安全评估。
进一步,所述步骤S2具体包括:回声状态网络方程为:
x(k+1)=f(Winu(k+1)+Wx(k)+Wfby(k))
其中Win、W和Wfb分别为输入权值矩阵、内部连接权值矩阵和输出反馈权值矩阵,u(k)为输入激励信号,x(k)为回声状态网络的状态,y(k)为目标向量;
建立所述回声状态网络模型桥梁结构监测信息特征指标构建步骤如下:
1)选择储备池网络的参数,网络状态维数N、内部连接权值的稀疏度c;
2)根据上述参数随机生产一个动态储备池网络;
3)将该储备池网络进行桥梁监测信息***辨识,所述回声状态网络模型输出权值即为桥梁监测信息特征指标,并用此特征指标作为结构状态特征体系。
进一步,所述步骤S3具体包括:通过回声状态网络模型构建桥梁结构监测信息特征指标,计算不同结构状态下的n个对象两两之间的马氏距离dij,再将任一对象到其余对象之间的马氏距离进行求和,定义DSPR为损伤敏感特征指标,即其中
dij=((xi-xj)TS-1(xi-xj))1/2
统计模式指标在不同结构状态下的阈值分析,即用统计模拟方法获取结构发生损伤演变的临界参数。
进一步,所述步骤S4具体包括:运用基于马氏距离的孤立点检测方法评判所述回声状态网络表征的桥梁结构状态的演化模式,在统计模式识别的框架之下,所述桥梁结构状态分析在完成***建模、特征体系构建之后,对所述特征体系中提取的特征量建立判别函数进行分类,以区分正常状态和异常状态以及异常状态下特征指标体系的进一步演化信息,通过检查一组对象的主要特征来确定孤立点,通过不同状态下的桥梁结构马氏距离与无损状态下的偏离程度分析桥梁结构状态的演变。
本发明利用统计学理论与递归神经网络方法构建桥梁健康监测信息特征体系,用仿真的方法确定结构状态演化的参数,通过统计模式识别理论判别结构状态的演化,极大提升了桥梁健康监测***的工程实践价值,突破了传统桥梁安全性评估的局限性,拓展了统计模式识别理论及其在桥梁工程中的应用,融合信息科学、数据挖掘、模式识别学等多学科知识,实现了多学科的交叉与融合,为进一步提升桥梁健康监测***应用品质以及桥梁状态评估研究方向,提供了有益的探索和技术支撑。
本文虽然已经给出了本发明的一些实施例,但是本领域的技术人员应当理解,在不脱离本发明精神的情况下,可以对本文的实施例进行改变。上述实施例只是示例性的,不应以本文的实施例作为本发明权利范围的限定。
Claims (4)
1.一种在役桥梁监测信息安全评估的方法,其特征在于,包括如下步骤:
S1:分析结构响应信号与桥梁结构状态演化的内在联系,挖掘出桥梁监测信息的本质内涵,构建桥梁监测信息时间序列;
S2:根据S1构建的桥梁监测信息时间序列及其包含的桥梁结构状态演化特征建立回声状态网络桥梁监测信息特征模型,以此作为桥梁结构状态特征体系;
S3:构造基于S2建立的回声状态网络桥梁监测信息特征模型的桥梁结构损伤敏感性指标,并获得损伤演变的临界参数;
S4:构建基于S2建立的回声状态网络桥梁监测信息特征模型的桥梁状态演化模式;
S5:根据S4构建的桥梁状态演化模式进行桥梁安全评估。
2.如权利要求1所述的一种在役桥梁监测信息安全评估的方法,其特征在于,所述步骤S2具体包括:回声状态网络方程为:
x(k+1)=f(Winu(k+1)+Wx(k)+Wfby(k))
其中Win、W和Wfb分别为输入权值矩阵、内部连接权值矩阵和输出反馈权值矩阵,u(k)为输入激励信号,x(k)为回声状态网络的状态,y(k)为目标向量;
建立所述回声状态网络模型桥梁结构监测信息特征指标构建步骤如下:
1)选择储备池网络的参数,网络状态维数N、内部连接权值的稀疏度c;
2)根据上述参数随机生产一个动态储备池网络;
3)将该储备池网络进行桥梁监测信息***辨识,所述回声状态网络模型输出权值即为桥梁监测信息特征指标,并用此特征指标作为结构状态特征体系。
3.如权利要求1所述的一种在役桥梁监测信息安全评估的方法,其特征在于,所述步骤S3具体包括:
通过回声状态网络模型构建桥梁结构监测信息特征指标,计算不同结构状态下n个对象两两之间的马氏距离dij,再将任一对象到其余对象之间的马氏距离进行求和,定义DSPR为损伤敏感特征指标,即其中
dij=((xi-xj)TS-1(xi-xj))1/2
统计模式指标在不同结构状态下的阈值分析,即用统计模拟方法获取结构发生损伤演变的临界参数。
4.如权利要求1所述的一种在役桥梁监测信息安全评估的方法,其特征在于,所述步骤S4具体包括:运用基于马氏距离的孤立点检测方法评判所述回声状态网络表征的桥梁结构状态的演化模式,在统计模式识别的框架之下,所述桥梁结构状态分析在完成***建模、特征体系构建之后,对所述特征体系中提取的特征量建立判别函数进行分类,以区分正常状态和异常状态以及异常状态下特征指标体系的进一步演化信息,通过检查一组对象的主要特征来确定孤立点,通过不同状态下的桥梁结构马氏距离与无损状态下的偏离程度分析桥梁结构状态的演变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410815239.4A CN104504265B (zh) | 2014-12-24 | 2014-12-24 | 一种在役桥梁监测信息安全评估的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410815239.4A CN104504265B (zh) | 2014-12-24 | 2014-12-24 | 一种在役桥梁监测信息安全评估的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104504265A CN104504265A (zh) | 2015-04-08 |
CN104504265B true CN104504265B (zh) | 2017-09-05 |
Family
ID=52945662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410815239.4A Expired - Fee Related CN104504265B (zh) | 2014-12-24 | 2014-12-24 | 一种在役桥梁监测信息安全评估的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104504265B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133070A (zh) * | 2017-09-19 | 2018-06-08 | 广州市建筑科学研究院有限公司 | 一种基于径向基函数神经网络的桥梁健康状况的评估方法和*** |
CN108898292B (zh) * | 2018-06-14 | 2022-04-01 | 合肥泽众城市智能科技有限公司 | 一种桥梁健康状态的安全评估方法 |
CN109614669B (zh) * | 2018-11-23 | 2022-02-18 | 同济大学 | 网级桥梁结构性能评估预测方法 |
CN112818455B (zh) * | 2021-02-22 | 2023-04-18 | 深圳市市政设计研究院有限公司 | 一种桥梁结构响应监测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102565194A (zh) * | 2012-02-09 | 2012-07-11 | 东南大学 | 运营状态下大跨桥梁钢箱梁损伤预警方法 |
CN104200005A (zh) * | 2014-07-28 | 2014-12-10 | 东北大学 | 基于神经网络的桥梁损伤识别方法 |
CN104200265A (zh) * | 2014-07-28 | 2014-12-10 | 东北大学 | 一种改进的基于神经网络的桥梁损伤识别方法 |
-
2014
- 2014-12-24 CN CN201410815239.4A patent/CN104504265B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102565194A (zh) * | 2012-02-09 | 2012-07-11 | 东南大学 | 运营状态下大跨桥梁钢箱梁损伤预警方法 |
CN104200005A (zh) * | 2014-07-28 | 2014-12-10 | 东北大学 | 基于神经网络的桥梁损伤识别方法 |
CN104200265A (zh) * | 2014-07-28 | 2014-12-10 | 东北大学 | 一种改进的基于神经网络的桥梁损伤识别方法 |
Non-Patent Citations (4)
Title |
---|
"PREDICTION OF BRIDGE MONITORING INFORMATION CHAOTIC USING TIME SERIES THEORY BY MULTI-STEP BP AND RBF NEURAL NETWORKS";Jianxi Yang et al;《Intelligent Automation and Soft Computing》;20130831;第19卷(第3期);305-314 * |
"基于回声状态网络的设备健康状态监测与预测方法";范广露;《中国优秀硕士学位论文全文数据库-工程科技II辑》;20130715;第2013年卷(第7期);C029-81 * |
"基于神经网络的桥梁损伤识别";魏锦辉;《中国优秀硕士学位论文全文数据库-工程科技II辑》;20071015;第2007年卷(第4期);C034-206 * |
"基于结构响应统计特征的神经网络损伤识别方法";李忠献 等;《工程力学》;20070930;第24卷(第9期);1-7 * |
Also Published As
Publication number | Publication date |
---|---|
CN104504265A (zh) | 2015-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807562B (zh) | 一种区域性桥梁风险预测方法及*** | |
Oh et al. | Evolutionary learning based sustainable strain sensing model for structural health monitoring of high-rise buildings | |
US11562224B2 (en) | 1D-CNN-based distributed optical fiber sensing signal feature learning and classification method | |
Eftekhar Azam et al. | Damage detection in structural systems utilizing artificial neural networks and proper orthogonal decomposition | |
Guo et al. | Structural health monitoring by using a sparse coding-based deep learning algorithm with wireless sensor networks | |
CN111274737A (zh) | 一种机械设备剩余使用寿命预测方法及*** | |
CN109583570A (zh) | 基于深度学习确定桥梁健康监测***异常数据来源的方法 | |
CN107862331A (zh) | 一种基于时间序列及cnn的不安全行为识别方法及*** | |
Yang et al. | A data-driven structural damage detection framework based on parallel convolutional neural network and bidirectional gated recurrent unit | |
Story et al. | A structural impairment detection system using competitive arrays of artificial neural networks | |
CN104504265B (zh) | 一种在役桥梁监测信息安全评估的方法 | |
CN105678332A (zh) | 火焰图像cnn识别建模的转炉炼钢终点判断方法及*** | |
CN108921230A (zh) | 基于类均值核主元分析和bp神经网络的故障诊断方法 | |
CN111583592B (zh) | 一种基于多维卷积神经网络的实验环境安全预警方法 | |
Rosso et al. | Review on deep learning in structural health monitoring | |
Andrade Nunes et al. | A hybrid learning strategy for structural damage detection | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
Liao et al. | A channel-spatial-temporal attention-based network for vibration-based damage detection | |
Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
CN115587309A (zh) | 一种变压器抗短路能力关键特征提取方法、装置及设备 | |
CN116911571A (zh) | 一种矿山运行与维护监控*** | |
Li et al. | Structural health monitoring data anomaly detection by transformer enhanced densely connected neural networks | |
Lin et al. | Optimal CNN-based semantic segmentation model of cutting slope images | |
Simula et al. | Process monitoring and visualization using self-organizing maps | |
CN108459933A (zh) | 一种基于深度递归网络的大数据计算机***故障检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170905 Termination date: 20181224 |