CN113673624A - 基于决策树模型的桥梁状态监测方法 - Google Patents
基于决策树模型的桥梁状态监测方法 Download PDFInfo
- Publication number
- CN113673624A CN113673624A CN202111017465.4A CN202111017465A CN113673624A CN 113673624 A CN113673624 A CN 113673624A CN 202111017465 A CN202111017465 A CN 202111017465A CN 113673624 A CN113673624 A CN 113673624A
- Authority
- CN
- China
- Prior art keywords
- bridge
- decision tree
- tree model
- classification result
- data set
- 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
Links
- 238000003066 decision tree Methods 0.000 title claims abstract description 31
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 4
- 238000013507 mapping Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种基于决策树模型的桥梁状态监测方法,包括步骤:S1.获取桥梁的历史状态信息,并将桥梁的历史状态信息作为样本数据集;S2.使用样本数据集进行模型训练,生成决策树模型;S3.采集桥梁的实时状态信息;S4.使用决策树模型对桥梁的实时状态信息进行分类判断,得到分类结果;S5.对分类结果进行等级划分,得到桥梁状态的监测结果。本发明的基于决策树模型的桥梁状态监测方法,能够快速对桥梁状态进行分类,并得到准确可靠的桥梁状态监测结果。
Description
技术领域
本发明涉及桥梁监测领域,具体涉及一种基于决策树模型的桥梁状态监测方法。
背景技术
桥梁作为一种常用的交通通行设施,时常受到周围环境以及承载力的影响,进而对桥梁的结构造成不同程度的损伤。为了使得桥梁能够正常稳定地运行,常常需要对桥梁的状态进行监测。
目前,对于桥梁状态的监测主要是通过对各种传感器采集到的数据以及信号进行处理与分析,并根据分析结果来判断桥梁的健康情况以及工作状态,但其处理与分析过程一般耗时长、同时得到的分析结果与实际结果往往存在较大偏差。
发明内容
有鉴于此,本发明的目的是克服现有技术中的缺陷,提供基于决策树模型的桥梁状态监测方法,能够快速对桥梁状态进行分类,并得到准确可靠的桥梁状态监测结果。
本发明的基于决策树模型的桥梁状态监测方法,包括如下步骤:
S1.获取桥梁的历史状态信息,并将桥梁的历史状态信息作为样本数据集;
S2.使用样本数据集进行模型训练,生成决策树模型;
S3.采集桥梁的实时状态信息;
S4.使用决策树模型对桥梁的实时状态信息进行分类判断,得到分类结果;
S5.对分类结果进行等级划分,得到桥梁状态的监测结果。
进一步,步骤S2中,以样本数据集的全集作为根节点,以样本数据集中筛选的特征属性作为内部节点,以分类结果作为叶节点,生成决策树模型。
进一步,选择信息增益最大的特征属性作为筛选的特征属性。
进一步,根据如下公式确定信息增益:
其中,E(S)为已知分类样本数据集S的信息熵;γm为第m类样本在样本数据集S中所占比例;L为样本数据集S中的类别数目。
进一步,根据如下式子对分类结果进行等级划分,得到桥梁状态的监测结果:
其中,G为监测结果;R为分类结果的受损评估值;R0、R1、R2以及R3均为受损程度度量值。
进一步,根据如下公式确定分类结果的受损评估值:
其中,Ri为分类结果i的受损评估值;Ii为分类结果i的映射分,所述映射分的取值范围为(1,λ);K为分类结果总数目;ai为分类结果i对应的权重系数。
本发明的有益效果是:本发明公开的一种基于决策树模型的桥梁状态监测方法,通过对样本数据集进行节点构造,生成决策树模型,并通过决策树模型对目标桥梁的实时状态信息进行快速分类,使得分类结果准确有效;通过对分类结果进行等级划分,得到客观可靠的桥梁状态监测结果。
附图说明
下面结合附图和实施例对本发明作进一步描述:
图1为本发明的方法流程示意图。
具体实施方式
以下结合说明书附图对本发明做出进一步的说明,如图所示:
本发明的基于决策树模型的桥梁状态监测方法,包括如下步骤:
S1.获取桥梁的历史状态信息,并将桥梁的历史状态信息作为样本数据集;其中,所述历史状态信息可通过查询历史数据库获取;
S2.使用样本数据集进行模型训练,生成决策树模型;
S3.采集桥梁的实时状态信息;其中,通过传感器或现有的监测***采集目标桥梁的实时状态信息,所述状态信息包括桥梁所处的环境信息、桥梁振动信息、桥梁沉降信息以及桥梁应变信息;
S4.使用决策树模型对桥梁的实时状态信息进行分类判断,得到分类结果;其中,从决策树模型中决策树的根节点出发,将实时状态信息与决策树的内部节点进行比较,当比较的结果不符合要求时,沿着所述内部节点的分支继续向下比较,一直到达叶节点,进而匹配到合适的目标叶节点,并将目标叶节点的结果值作为桥梁的分类结果;
S5.对分类结果进行等级划分,得到桥梁状态的监测结果。
本实施例中,步骤S2中,以样本数据集的全集作为根节点,以样本数据集中筛选的特征属性作为内部节点,以分类结果作为叶节点,生成决策树模型。
本实施例中,选择信息增益最大的特征属性作为筛选的特征属性。其中,样本数据集中每个样本的属性一般会有多个,不同属性的影响程度有所不同,通过对属性进行特征筛选,得到与分类结果相关性比较高的特征属性。
本实施例中,根据如下公式确定信息增益:
其中,E(S)为已知分类样本数据集S的信息熵;γm为第m类样本在样本数据集S中所占比例;L为样本数据集S中的类别数目。
本实施例中,根据如下式子对分类结果进行等级划分,得到桥梁状态的监测结果:
其中,G为监测结果;R为分类结果的受损评估值;R0、R1、R2以及R3均为受损程度度量值。其中,R0、R1、R2以及R3的值可根据实际工况进行设置。
本实施例中,根据如下公式确定分类结果的受损评估值:
其中,Ri为分类结果i的受损评估值;Ii为分类结果i的映射分,所述映射分的取值范围为(1,λ),所述λ取值为10;K为分类结果总数目;ai为分类结果i对应的权重系数,所述权重系数可根据实际工况进行设置。其中,通过统计分类结果i在历史数据记录中对桥梁损伤的影响程度,为分类结果i设置映射分,一般地,若在历史记录中显示分类结果i会使得桥梁出现裂缝以及振动明显等,则可设置分类结果i的映射分范围为(8,10);若在历史记录中显示分类结果i会使得桥梁材料劣化等,则可设置分类结果i的映射分范围为(4,7);若在历史记录中显示分类结果i基本上不会对桥梁造成影响,则可设置分类结果i的映射分范围为(1,3)。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于决策树模型的桥梁状态监测方法,其特征在于:包括如下步骤:
S1.获取桥梁的历史状态信息,并将桥梁的历史状态信息作为样本数据集;
S2.使用样本数据集进行模型训练,生成决策树模型;
S3.采集桥梁的实时状态信息;
S4.使用决策树模型对桥梁的实时状态信息进行分类判断,得到分类结果;
S5.对分类结果进行等级划分,得到桥梁状态的监测结果。
2.根据权利要求1所述的基于决策树模型的桥梁状态监测方法,其特征在于:步骤S2中,以样本数据集的全集作为根节点,以样本数据集中筛选的特征属性作为内部节点,以分类结果作为叶节点,生成决策树模型。
3.根据权利要求2所述的基于决策树模型的桥梁状态监测方法,其特征在于:选择信息增益最大的特征属性作为筛选的特征属性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111017465.4A CN113673624A (zh) | 2021-08-31 | 2021-08-31 | 基于决策树模型的桥梁状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111017465.4A CN113673624A (zh) | 2021-08-31 | 2021-08-31 | 基于决策树模型的桥梁状态监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113673624A true CN113673624A (zh) | 2021-11-19 |
Family
ID=78547851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111017465.4A Pending CN113673624A (zh) | 2021-08-31 | 2021-08-31 | 基于决策树模型的桥梁状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673624A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663264A (zh) * | 2012-04-28 | 2012-09-12 | 北京工商大学 | 桥梁结构健康监测静态参数的半监督协同评估方法 |
CN103020429A (zh) * | 2012-11-27 | 2013-04-03 | 浙江工业职业技术学院 | 一种系杆拱桥的健康状态综合决策评估方法 |
US20160330223A1 (en) * | 2015-05-07 | 2016-11-10 | Qualcomm Incorporated | Methods and Systems for Using Causal Analysis for Boosted Decision Stumps to Identify and Respond to Non-Benign Behaviors |
CN109522957A (zh) * | 2018-11-16 | 2019-03-26 | 上海海事大学 | 基于决策树算法的港口岸桥机械工作状态故障分类的方法 |
CN110057515A (zh) * | 2019-03-22 | 2019-07-26 | 天津大学 | 一种基于深度学习的桥梁缺陷检测***和方法 |
CN110633855A (zh) * | 2019-09-17 | 2019-12-31 | 江南大学 | 一种桥梁健康状态检测与管养决策***及方法 |
CN111257415A (zh) * | 2020-01-17 | 2020-06-09 | 同济大学 | 基于移动列车振动信号的隧道损伤检测管理*** |
-
2021
- 2021-08-31 CN CN202111017465.4A patent/CN113673624A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663264A (zh) * | 2012-04-28 | 2012-09-12 | 北京工商大学 | 桥梁结构健康监测静态参数的半监督协同评估方法 |
CN103020429A (zh) * | 2012-11-27 | 2013-04-03 | 浙江工业职业技术学院 | 一种系杆拱桥的健康状态综合决策评估方法 |
US20160330223A1 (en) * | 2015-05-07 | 2016-11-10 | Qualcomm Incorporated | Methods and Systems for Using Causal Analysis for Boosted Decision Stumps to Identify and Respond to Non-Benign Behaviors |
CN109522957A (zh) * | 2018-11-16 | 2019-03-26 | 上海海事大学 | 基于决策树算法的港口岸桥机械工作状态故障分类的方法 |
CN110057515A (zh) * | 2019-03-22 | 2019-07-26 | 天津大学 | 一种基于深度学习的桥梁缺陷检测***和方法 |
CN110633855A (zh) * | 2019-09-17 | 2019-12-31 | 江南大学 | 一种桥梁健康状态检测与管养决策***及方法 |
CN111257415A (zh) * | 2020-01-17 | 2020-06-09 | 同济大学 | 基于移动列车振动信号的隧道损伤检测管理*** |
Non-Patent Citations (5)
Title |
---|
MARINIELLO G 等: "Structural damage detection and localization using decision tree ensemble and vibration data", 《COMPUTER‐AIDED CIVIL AND INFRASTRUCTURE ENGINEERING》, vol. 36, no. 09, pages 1129 - 1149 * |
SALKHORDEH M 等: "A decision‐tree‐based algorithm for identifying the extent of structural damage in braced‐frame buildings", 《STRUCTURAL CONTROL AND HEALTH MONITORING》, vol. 28, no. 11, pages 2825 * |
李彦 等: "决策树分析技术在桥梁施工期的风险评估研究", 《中外公路》, vol. 39, no. 03, pages 297 - 302 * |
梁杰明: "基于机器学习的桥梁损伤识别研究", 《[1]中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 05, pages 034 - 174 * |
韩忠明 等: "《数据分析与R》", vol. 1, 《北京邮电大学出版社》, pages: 208 - 211 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728411B (zh) | 一种基于卷积神经网络的高低空区域联合降雨预测方法 | |
CN103473540B (zh) | 智能交通***车辆轨迹增量式建模与在线异常检测方法 | |
CN114563150B (zh) | 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置 | |
CN111667122B (zh) | 一种农产品品种农药残留的风险评估方法 | |
CN112257963A (zh) | 基于航天软件缺陷数据分布离群点的缺陷预测方法及装置 | |
CN109255201B (zh) | 一种基于som-mqe的滚珠丝杠副健康评估方法 | |
CN109297534B (zh) | 用于评价室内环境质量的环境参数权重确定方法及*** | |
CN111967717A (zh) | 一种基于信息熵值的数据质量评价方法 | |
CN115860579A (zh) | 一种用于面粉加工的生产质量监测*** | |
CN112330095A (zh) | 一种基于决策树算法的质量管理方法 | |
CN116416884A (zh) | 一种显示器模组的测试装置及其测试方法 | |
CN114912678A (zh) | 电网调控异常操作在线自动检测预警方法及*** | |
CN111444233A (zh) | 基于复制器神经网络模型发现环境监测异常数据的方法 | |
CN117782198B (zh) | 一种基于云边端架构的公路机电设备运行监测方法及*** | |
CN116310913B (zh) | 基于小型无人机测量技术的自然资源调查监测方法及装置 | |
CN117216528A (zh) | 一种基于环境多因素-频率增强映射模型的桥梁性能预警方法 | |
CN113673624A (zh) | 基于决策树模型的桥梁状态监测方法 | |
CN110057588B (zh) | 基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及*** | |
CN116702588A (zh) | 一种基于多源数据的风电场关键气象因子预报方法及*** | |
CN117235632A (zh) | 一种大型蒸发传感器水位异常数据检测方法 | |
CN115683504B (zh) | 基于多标签分类的桥梁加速度监测数据异常识别方法及*** | |
CN114925731B (zh) | 检测柔性测斜仪监测数据异常值的方法 | |
Das et al. | Optimizing the performance of machine learning algorithms for the condition assessment of utility timber poles | |
CN109829500B (zh) | 一种职位构图和自动聚类方法 | |
CN117969774B (zh) | 一种自动化燕窝检测与分级*** |
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 |