CN107871161A - 一种基于神经网络的桥梁整体损伤预警方法 - Google Patents

Abstract

本发明公开了一种基于神经网络的桥梁整体损伤预警方法，包括：采集健康状况下的监测数据；分析桥梁结构自振频率；分析对自振频率产生影响的若干个影响因素；建立训练样本数据库，采用BP神经网络算法，建立所有影响因素与自振频率之间的BP神经网络模型，并对BP神经网络模型进行测试；采集当前状况下桥梁的监测数据，求得自振频率，并将其作为检验样本；模拟当前影响因素下的桥梁自振频率，得出拟合频率值；建立健康样本和检验样本，并将健康样本和检验样本进行假设检验。本发明的有益效果：根据桥梁的健康监测数据，分析桥梁自振频率，并以此为损伤预警指标，建立了完善的损伤预警流程，并结合神经网络，提高了该方法的适用性和稳定性。

Description

一种基于神经网络的桥梁整体损伤预警方法

技术领域

本发明涉及铁路桥梁技术领域，具体而言，涉及一种基于神经网络的桥梁整体损伤预警方法。

背景技术

桥梁在铁路运营中起着至关重要的作用，而随着铁路桥梁的服役时间的增长，受外界环境和结构本身的影响，桥梁或多或少都会出现一定损伤，而当这些损伤达到一定程度时，将会危及行车安全。目前都是通过在桥梁上合适部位安装一定的传感器，采集桥梁响应，并对这些采集到的数据进行处理分析，提取能表征桥梁结构的特征参数，对这些参数进行分析，观测桥梁结构性能变化，从而实现损伤预警。

现有的针对桥梁结构损伤预警方法和理论存在一些不足，具体体现在以下几方面：

1、通常采用的方式是进行阈值预警，当桥梁监测值超过一定限值即认为桥梁结构出现了损伤，未能充分挖掘长期监测数据的价值，也不能定量的分析出桥梁结构出现损伤的程度，造成了大量监测数据的浪费；

2、不同的桥梁结构类型可能对损伤指标的敏感程度不一，这就需要有针对性的选取预警指标，但现有的损伤预警指标并不能完全反映桥梁的实际损伤情况；

3、精度低、稳定性差、适用性不强。

发明内容

为解决上述问题，本发明的目的在于提供一种基于神经网络的桥梁整体损伤预警方法，根据桥梁的健康监测数据，分析桥梁自振频率，并以此为损伤预警指标，建立了完善的损伤预警流程，并结合神经网络，提高了该方法的适用性和稳定性。

本发明提供了一种基于神经网络的桥梁整体损伤预警方法，包括：

步骤1，采集健康状况下桥梁在一段时间内的监测数据；

步骤2，通过采集到的监测数据分析桥梁结构的自振频率；

步骤3，根据桥梁现场环境，分析对步骤2中的自振频率产生影响的若干个影响因素；

步骤4，将步骤2中的自振频率和步骤3中的影响因素作为训练样本，建立训练样本数据库，采用BP神经网络算法，建立这些影响因素与自振频率之间的BP神经网络模型，并对BP神经网络模型进行训练、测试；

步骤5，采集当前状况下桥梁的监测数据，求得自振频率，并将该自振频率作为检验样本；

步骤6，根据步骤4中建立好的BP神经网络模型，模拟当前影响因素下的桥梁自振频率，得出拟合频率值f_s，将其作为健康样本；

步骤7，将健康样本和检验样本进行假设检验，观测两者是否存在显著性差异：

如果存在显著性差异，则认为当前的桥梁结构发生了损伤，进行损伤预警；

如果不存在显著性差异，则认为当前的桥梁结构处于安全状态，并将当前的检验样本扩充到训练样本数据库中，重新对步骤4中建立好的BP神经网络模型进行训练。

作为本发明进一步的改进，步骤4具体包括：

步骤401，确定BP神经网络模型的拓扑结构：

确定BP神经网络模型的输入层、输出层、隐含层层数及各隐含层所包含的神经元个数；

步骤402，选用影响因素作为BP神经网络模型的输入量，以自振频率作为输出量，建立训练样本数据库；

步骤403，将训练样本数据库中的大部分数据作为训练样本，将其余一小部分作为测试样本，采用共轭梯度法对BP神经网络进行训练并利用测试样本对BP神经网络模型进行测试。

作为本发明进一步的改进，采用经验法确定隐含层层数，隐含层所包含的神经元个数采用目标函数确定，其中，目标函数定义为输出值和目标值之间的误差平方和，当该目标函数达到最小时，隐含层所包含的神经元个数最优。

作为本发明进一步的改进，步骤7具体包括：

步骤701，以训练好的BP神经网络模型模拟出的拟合频率值f_s作为健康样本，健康样本的均值为μ_s；

步骤702，以当前影响因素下桥梁自振频率的实测频率值f_m作为检验样本，检验样本的均值为μ_m；

步骤703，对健康样本和检验样本进行假设检验，检验假设为：

H₀:μ_s＝μ_m

H₁:μ_s≠μ_m

如果接受假设，即H₀成立，此时μ_s＝μ_m，则健康样本和检验样本没有明显差异，即桥梁结构无明显损伤，无需进行桥梁结构的整体损伤预警；

如果拒绝假设，即H₁成立，此时μ_s≠μ_m，则健康样本和检验样本有明显差异，即桥梁结构有明显损伤，需要进行桥梁结构的整体损伤预警；

步骤704，如果桥梁无明显损伤，则将检验样本扩充到训练样本数据库中，并重新对神经网络模型进行训练。

作为本发明进一步的改进，将拟合频率值f_s与实测频率值f_m进行假设检验，观测两者是否存在显著性差异，以此来判断桥梁结构是否出现明显损伤。

本发明的有益效果为：

1、利用了有限的桥梁监测数据，解决了根据实测数据进行损伤识别及预警的问题，以实测数据为基础，对桥梁整体状况进行分析，当桥梁发生损伤时，可实现损伤预警；

2、利用桥梁结构的自振频率为基础，并结合神经网络构建预警指标，最终采用相应的损伤预警方法，实现对桥梁整体损伤的预警；

3、从桥梁结构本身出发，采用桥梁表征结构自身特点的参数作为损伤识别及预警指标能取得更好的效果，能广泛应用于桥梁结构的损伤识别中，具有较大的发展前景；

4、可以不受测试环境的影响，采用了统计分析中假设检验进行损伤预警，对桥梁频率变化具有较强的敏感性和适用性，识别的精度高、稳定性好、适用性强。

附图说明

图1为本发明实施例所述的一种基于神经网络的桥梁整体损伤预警方法的流程示意图；

图2为温度对一阶自振频率的影响示意图；

图3为温度对五阶自振频率的影响示意图；

图4为车辆荷载对一阶自振频率的影响示意图；

图5为车辆荷载对五阶自振频率的影响示意图；

图6为一阶自振频率的目标函数示意图；

图7为五阶自振频率的目标函数示意图；

图8为一阶自振频率的训练值与拟合值示意图；

图9为五阶自振频率的训练值与拟合值示意图；

图10为一阶自振频率的测试值与拟合值示意图；

图11为五阶自振频率的测试值与拟合值示意图；

图12为当前影响因素下一阶自振频率的实测值与神经网络的拟合值示意图；

图13为当前影响因素下五阶自振频率的实测值与神经网络的拟合值示意图；

图14为一阶自振频率的P值变化示意图；

图15为五阶自振频率的P值变化示意图。

具体实施方式

下面通过具体的实施例并结合附图对本发明做进一步的详细描述。

本发明实施例所述的一种基于神经网络的桥梁整体损伤预警方法，该方法以桥梁结构的自振频率为基础，采用神经网络方法，建立了环境因素等其他干扰因素与自振频率之间的相互关系，最后根据假设检验实现了损伤预警。如图1所示，该方法包括：

步骤1，采集健康状况下桥梁在一段时间内的监测数据。

本实施例以某大桥为例，将该桥建成之后运营初期一年内的监测数据作为健康数据，这段时间内认为该桥未发生损伤，桥梁结构处于健康状态。

步骤2，通过采集到的监测数据分析桥梁结构的自振频率。

通过对上述监测数据进行分析，可得桥梁结构的自振频率，由于从实测数据中很难分析出桥梁的高阶频率，在此以一阶频率和五阶频率为例进行分析说明。自振频率主要通过对采集到的加速度数据进行分析求得，所求得的频率主要是有载频率。其中，采用有限元计算的桥梁自振频率和实测的自振频率如下表1所示，分析时主要以实测频率为主。表1中将理论计算的自振频率值和实测的自振频率值分别简写为计算值和实测值。

表1自振频率理论值与实测值

步骤3，根据桥梁现场环境，分析对步骤2中的自振频率产生影响的若干个影响因素。

本实施例的桥由于跨越大江，所处位置年气温变化较大，而经国内外研究结果表明：温度对桥梁结构自振频率影响较大，甚至能覆盖损伤对桥梁自振频率的影响。因此，将温度作为自振频率产生的第一影响因素。而该桥实测的自振频率又主要由车辆过桥时的加速度响应求得，所得频率为有载频率，因此，将车辆荷载作为自振频率产生的第二影响因素。其中，温度对一阶自振频率和五阶自振频率的影响分别如图2和图3所示，车辆荷载对一阶自振频率和五阶自振频率的影响如图4和图5所示，其中，列车荷载可采用加速度数据的有效值表示。

步骤4，将步骤2中的自振频率和步骤3中的影响因素作为训练样本，建立训练样本数据库，采用BP神经网络算法，建立这些影响因素与自振频率之间的BP神经网络模型，并对BP神经网络模型进行训练测试。

具体包括：

步骤401，确定BP神经网络模型的拓扑结构：确定BP神经网络模型的输入层、输出层、隐含层层数及各隐含层所包含的神经元个数。

采用经验法确定隐含层层数，隐含层所包含的神经元个数采用目标函数确定，其中，目标函数定义为输出值f_m和目标值f_s之间的误差平方和，当该目标函数达到最小时，隐含层所包含的神经元个数最优。目标函数mse的函数式如下：

上式中：N为样本长度，f_m为实测频率值，f_s为BP神经网络的拟合频率值。

本实施例中，神经网络采用三层网络，隐含层为一层，以sigmoid作为传递函数，采用共轭梯度法对其进行训练，分别取隐含层单元数目为1到10，得到的一阶自振频率和五阶自振频率的目标函数变化分别如图6和图7所示，当神经元数目分别为6和5时，目标函数达到最小，则隐含层所包含的神经元数据分别为6和5。

步骤402，选用影响因素作为BP神经网络模型的输入量，以自振频率作为输出量，建立训练样本数据库。

步骤403，将训练样本数据库中的大部分数据作为训练样本，将其余一小部分作为测试样本，采用共轭梯度法对BP神经网络进行训练并利用测试样本对BP神经网络模型进行测试。

共轭梯度法其求解性能是介于最速下降法与牛顿法之间的一个方法，仅需利用导数信息，克服了最速下降法收敛慢的特点，共轭梯度法不仅是解决大型线性方程组最有用的方法之一，也是解决非线性优化最有效的算法之一，具有收敛快，稳定性高的特点。

本实施例中有间隔性地选取660组自振频率及相对应的影响因素，构建样本数据库，其中选取500组数据作为训练样本，其余数据作为测试样本。采用上述500组训练样本数据进行神经网络训练，检验其泛化能力，即对原始数据的拟合以及对测试数据的外推能力。其中拟合能力如下图8和图9所示，可以看出，拟合值与训练值变化趋势一致，对训练值和拟合值进行统计分析，统计结果表2所示，显示出了该BP网络模型具有良好的拟合能力。外推能力如图10和图11所示，可以看出，测试值和拟合值变化趋势基本一致，并对其进行统计分析，统计结果如表3所示，显示出了该BP网络模型具有良好的外推能力。因此，从图8-图11可见建立的神经网络具有良好的泛化能力。

表2训练样本与拟合样本统计

表3测试样本与拟合样本统计

步骤5，采集当前状况下桥梁的监测数据，求得自振频率，并将该自振频率作为检验样本。

步骤6，根据步骤4中建立好的BP神经网络模型，模拟当前影响因素下的桥梁自振频率，得出拟合频率值f_s，将其作为健康样本。

本实施例选取一段时间内的实测的自振频率值进行检验，样本数为100，根据该段时间内的影响因素实测值，采用建立好的神经网络，得到当前的拟合频率值f_s，图12为当前影响因素下一阶自振频率的实测频率值(即实测值)与神经网络的拟合频率值(即拟合值)，图13为当前影响因素下五阶自振频率的实测频率值(即实测值)与神经网络的拟合频率值(即拟合值)。

步骤7，将健康样本和检验样本进行假设检验，观测两者是否存在显著性差异：

如果存在显著性差异，则认为当前的桥梁结构发生了损伤，进行损伤预警；

如果不存在显著性差异，则认为当前的桥梁结构处于安全状态，并将当前的检验样本扩充到训练样本数据库中，重新对步骤4中建立好的BP神经网络模型进行训练。

具体包括：

步骤701，以训练好的BP神经网络模型模拟出的拟合频率值f_s作为健康样本，健康样本的均值为μ_s；

步骤702，以当前影响因素下桥梁自振频率的实测频率值f_m作为检验样本，检验样本的均值为μ_m；

步骤703，对健康样本和检验样本进行假设检验，检验假设为：

H₀:μ_s＝μ_m

H₁:μ_s≠μ_m

如果接受假设，即H₀成立，此时μ_s＝μ_m，则健康样本和检验样本没有明显差异，即桥梁结构无明显损伤，无需进行桥梁结构的整体损伤预警；

如果拒绝假设，即H₁成立，此时μ_s≠μ_m，则健康样本和检验样本有明显差异，即桥梁结构有明显损伤，需要进行桥梁结构的整体损伤预警；

步骤704，如果桥梁无明显损伤，则将检验样本扩充到训练样本数据库中，并重新对神经网络模型进行训练。

本实施例对健康样本和检验样本进行假设检验，假设检验的结果可通过观察检验中的P值来确定，其中，P值是指当假设为真时所得到的观察结果或更为极端结果出现的概率，即为在假设为真时计算出来的一个区间里的概率，当P值过小(取0.01)就可以拒绝原假设，检验结果为1，当接受原假设时，结果为0。结果如表4所示。结果显示：接受原假设，即两组样本不存在显著性差异，则认为桥梁结构处于安全状态。表4中实测频率值与神经网络的拟合频率值分别简写为实测值、网络拟合值。

表4实测频率值与神经网络的拟合频率值样本参数

为了验证本方法对桥梁损伤预警的应用性，分别对实测数据进行处理，模拟损伤的发生。由于桥梁结构损伤的发生一般都表现为刚度的减小，因此，可对自振频率的实测频率值进行如下调整：

f'＝(1-α)f_m

式中，f'为对实测频率值进行损伤模拟后的频率值，f_m为自振频率的实测频率值，α为频率减小率，在此取范围为0.001～0.01之间。

将损伤后的实测频率值f′作为检验样本，将拟合频率值f_s作为健康样本，两者进行假设检验，一阶自振频率和五阶自振频率的P值变化分别如图14和15所示。结果显示：对于一阶自振频率，当频率减小率大于0.2％时，P值小于0.01，可认为两组样本数据存在显著性差异，即桥梁出现损伤；对于五阶自振频率，当频率减小率超过0.4％时，P值小于0.01，即可认为桥梁出现损伤；可以看出，该方法对桥梁自振频率的变化具有较强的敏感性。

本发明利用桥梁结构自振频率进行损伤识别，使用神经网络建立相关模型，可以不受测试环境的影响，且根据既有的健康监测数据，采用了统计分析中假设检验进行损伤预警，对桥梁频率变化具有较强的敏感性和适用性。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于神经网络的桥梁整体损伤预警方法，其特征在于，该方法包括：

步骤1，采集健康状况下桥梁在一段时间内的监测数据；

步骤2，通过采集到的监测数据分析桥梁结构的自振频率；

步骤3，根据桥梁现场环境，分析对步骤2中的自振频率产生影响的若干个影响因素；

步骤4，将步骤2中的自振频率和步骤3中的影响因素作为训练样本，建立训练样本数据库，采用BP神经网络算法，建立这些影响因素与自振频率之间的BP神经网络模型，并对BP神经网络模型进行训练、测试；

步骤5，采集当前状况下桥梁的监测数据，求得自振频率，并将该自振频率作为检验样本；

步骤6，根据步骤4中建立好的BP神经网络模型，模拟当前影响因素下的桥梁自振频率，得出拟合频率值f_s，将其作为健康样本；

步骤7，将健康样本和检验样本进行假设检验，观测两者是否存在显著性差异：

如果存在显著性差异，则认为当前的桥梁结构发生了损伤，进行损伤预警；

如果不存在显著性差异，则认为当前的桥梁结构处于安全状态，并将当前的检验样本扩充到训练样本数据库中，重新对步骤4中建立好的BP神经网络模型进行训练。

2.根据权利要求1所述的桥梁整体损伤预警方法，其特征在于，步骤4具体包括：

步骤401，确定BP神经网络模型的拓扑结构：

确定BP神经网络模型的输入层、输出层、隐含层层数及各隐含层所包含的神经元个数；

步骤402，选用影响因素作为BP神经网络模型的输入量，以自振频率作为输出量，建立训练样本数据库；

步骤403，将训练样本数据库中的大部分数据作为训练样本，将其余一小部分作为测试样本，采用共轭梯度法对BP神经网络进行训练并利用测试样本对BP神经网络模型进行测试。

3.根据权利要求2所述的桥梁整体损伤预警方法，其特征在于，采用经验法确定隐含层层数，隐含层所包含的神经元个数采用目标函数确定，其中，目标函数定义为输出值和目标值之间的误差平方和，当该目标函数达到最小时，隐含层所包含的神经元个数最优。

4.根据权利要求1所述的桥梁整体损伤预警方法，其特征在于，步骤7具体包括：

步骤701，以训练好的BP神经网络模型模拟出的拟合频率值f_s作为健康样本，健康样本的均值为μ_s；

步骤702，以当前影响因素下桥梁自振频率的实测频率值f_m作为检验样本，检验样本的均值为μ_m；

步骤703，对健康样本和检验样本进行假设检验，检验假设为：

H₀:μ_s＝μ_m

H₁:μ_s≠μ_m

如果接受假设，即H₀成立，此时μ_s＝μ_m，则健康样本和检验样本没有明显差异，即桥梁结构无明显损伤，无需进行桥梁结构的整体损伤预警；

如果拒绝假设，即H₁成立，此时μ_s≠μ_m，则健康样本和检验样本有明显差异，即桥梁结构有明显损伤，需要进行桥梁结构的整体损伤预警；

步骤704，如果桥梁无明显损伤，则将检验样本扩充到训练样本数据库中，并重新对神经网络模型进行训练。

5.根据权利要求4所述的桥梁整体损伤预警方法，其特征在于，将拟合频率值f_s与实测频率值f_m进行假设检验，观测两者是否存在显著性差异，以此来判断桥梁结构是否出现明显损伤。