CN114563150B - 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置 - Google Patents
桥梁健康在线检测模块生成方法、检测方法、工具箱及装置 Download PDFInfo
- Publication number
- CN114563150B CN114563150B CN202111592343.8A CN202111592343A CN114563150B CN 114563150 B CN114563150 B CN 114563150B CN 202111592343 A CN202111592343 A CN 202111592343A CN 114563150 B CN114563150 B CN 114563150B
- Authority
- CN
- China
- Prior art keywords
- bridge
- damage
- detection module
- data
- detected
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
- G01M7/025—Measuring arrangements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
- G01M7/022—Vibration control arrangements, e.g. for generating random vibrations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种桥梁健康在线检测模块生成方法、检测方法、工具箱及装置,通过传感器采集加速度作为结构动力响应信号。对结构响应数据的原始数据进行极值统计,进一步对结构响应数据降噪和快速傅里叶变换后再进行极值统计,合并两次统计结果以获取数据特征,能够准确捕捉桥梁的损伤特性。通过多种机器学习算法模型进行训练和学习得到能够完成桥梁损伤识别分类的桥梁损伤识别分类模型,并整合成一个桥梁损伤检测模块,自由调用。同时,计算各桥梁损伤识别分类模型的评价指标,以指导选用最优的或结合多种桥梁损伤检测模块进行识别检测,提高损伤识别精度。基于全自动化的智能处理方式,极大提升了对桥梁损伤的检出速度和精度,实现全天候实时检测。
Description
技术领域
本发明涉及桥梁安全评估技术领域,尤其涉及一种桥梁健康在线检测模块生成方法、检测方法、工具箱及装置。
背景技术
截至2020年12月,中国桥梁总数已经超过百万座,其中,公路桥梁总数已经达到87.83万座,特大桥5716座,大桥108344座。随着中国桥梁数量的急剧增长和部分桥梁的桥龄逐渐增加,桥梁的健康与安全问题也日益引起关注。如果对桥梁安全问题不能进行及时快速的反映和处理,就会存在重大安全隐患,甚至造成重大的生命和经济财产损失。
对于桥梁结构而言,安全性是第一原则,在传统的桥梁养护管理中,主要使用的是人工检测,这种方式存在难以长期定量跟踪结构性能、工作量大和信息反馈不及时等缺点。为了及时快速的获取桥梁相关状态的一些信息,能够在桥梁隐患的萌芽阶段就检测到故障的存在,目前常见的保障措施是在桥梁施工期间就在结构内部安装各种各样的传感器,在桥梁工作时不断地获取桥梁的动力响应数据,掌握其健康状态,及时发现桥梁的安全问题。而布置的大量传感器会产生海量的数据,这种情况下,通过人工进行识别和判断桥梁的损伤难以实现,即便能够对部分传感器数据的异常进行识别,其准确度也较差。
发明内容
本发明实施例提供了一种桥梁健康在线检测模块生成方法、检测方法、工具箱及装置,以消除或改善现有技术中存在的一个或更多个缺陷,解决桥梁损伤数据量大、数据变化剧烈导致的损伤识别困难或准确度低的问题,以实现桥梁损伤自动化识别。
本发明的技术方案如下:
一方面,本发明提供一种桥梁健康在线检测模块生成方法,包括:
获取多个样本数据,每个样本数据至少包含安装在桥梁主体上各检测点的传感器的结构动力响应信号以及桥梁主体状态信息,所述结构动力响应信号为动态测试的加速度信号,所述桥梁主体状态信息包括结构损坏和结构未损坏两类;
统计每条样本数据中所有传感器采集的所述结构动力响应信号的原始极值序列;采用最大相关峭度反卷积对每条样本数据中各传感器采集的所述结构动力响应信号进行降噪处理后,通过快速傅里叶变换提取信号特征,并统计所述信号特征的特征极值序列;
将每条样本数据对应的原始极值序列和特征极值序列合并,并根据每条样本数据对应的桥梁主体状态信息为各样本数据添加标签,形成训练样本集;
采用所述训练样本集对多种预设分类模型进行训练,得到多个桥梁损伤识别分类模型;所述预设分类模型至少包括:支持向量机、决策树、全连接神经网络、长短期记忆神经网络和自组织映射算法网络;
计算各桥梁损伤识别分类模型的评价指标,所述评价指标包括准确率、查准率、查全率和F1评分;
将各桥梁损伤识别分类模型整合为桥梁损伤检测模块,以根据所述评价指标选择一种或结合多种桥梁损伤识别分类模型进行桥梁损伤检测。
在一些实施例中,所述预设分类模型还包括基于集成学习法框架结合决策树得到的随机森林、提升树和梯度提升决策树。
在一些实施例中,所述方法还包括:
获取最邻近算法模型,以加载最邻近算法进行分类计算;
计算所述最邻近算法模型的所述评价指标,并将所述最邻近算法模型作为一种桥梁损伤识别分类模型整合在所述桥梁损伤检测模块中,以根据所述评价指标选择一种或结合多种桥梁损伤识别分类模型进行桥梁损伤检测。
在一些实施例中,获取多个样本数据之前,还包括:
对变弹簧简支梁桥进行建模,所述变弹簧简支梁桥划分为第一设定数量个第一设定长度的简支梁单元和一个弹簧单元,所述变弹簧简支梁桥设置第二设定数量个随机激振源,所述变弹簧简支梁桥上等距设置第三设定数量个传感器用于检测加速度;
各传感器按照设定采样频率采集加速度数据作为所述结构动力响应信号,并添加高斯噪声得到所述样本数据。
在一些实施例中,所述方法采用5折交叉验证的方式计算各桥梁损伤识别分类模型的评价指标。
在一些实施例中,将各桥梁损伤识别分类模型整合为桥梁损伤检测模块,以根据所述评价指标选择一种或结合多种桥梁损伤识别分类模型进行桥梁损伤检测,包括:
对所述评价指标中的所述准确率、所述查准率、所述查全率和所述F1评分进行归一化处理后加权求和,得到每个桥梁损伤识别分类模型的综合评分,并按照所述综合评分从高到低进行排列;
按照第一概率选择综合评分最高的桥梁损伤识别分类模型进行桥梁损伤识别;或按照第二概率选择综合评分较高的第四设定数量个桥梁损伤识别分类模型进行桥梁损伤识别,所述第四设定数量为奇数,将其中数量较多的桥梁损伤识别结果作为最终结果。
另一方面,本发明还提供一种桥梁健康智能在线检测方法,包括:
获取待检测桥梁上第三设定数量个传感器当前时刻检测到的加速度数据序列,其中各传感器沿所述待检测桥梁等距离设置;
统计所述加速度数据序列中所有传感器采集的加速度数据的待检测原始极值序列;采用最大相关峭度反卷积对所述加速度数据序列进行降噪处理后,通过快速傅里叶变换提取加速度数据序列特征,并获取所述加速度数据序列特征的待检测特征极值序列;
将所述待检测原始极值序列和所述待检测特征极值序列合并后,输入上述桥梁健康在线检测模块生成方法中的桥梁损伤检测模块,得到所述待检测桥梁的损伤检测结果。
另一方面,本发明还提供一种桥梁健康智能在线检测工具箱,至少包括:
数据采集模块,用于采集待检测桥梁上第三设定数量个传感器当前时刻检测到的加速度数据序列;
检测模块,用于装载上述桥梁健康在线检测模块生成方法中的桥梁损伤检测模块,并执行上述的桥梁健康智能在线检测方法,得到所述待检测桥梁的损伤检测结果。
在一些实施例中,所述工具箱还包括显示器模块,所述显示器模块连接所述检测模块,用于对所述加速度数据序列和所述损伤检测结果进行可视化呈现。
另一方面,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法的步骤。
本发明的有益效果是:
本发明所述桥梁健康在线检测模块生成方法、检测方法、工具箱及装置中,通过传感器采集加速度作为结构动力响应信号,以采集桥梁在动态、静态和损坏状态下的特征。进一步的,对结构响应数据的原始数据进行极值统计,进一步对结构响应数据降噪和快速傅里叶变换后再进行极值统计,合并两次统计结果以获取数据特征,能够准确捕捉桥梁的损伤特性。通过多种机器学习算法模型进行训练和学习得到能够完成桥梁损伤识别分类的桥梁损伤识别分类模型,并整合成一个桥梁损伤检测模块,能够自由调用。同时,计算各桥梁损伤识别分类模型的评价指标,以指导选用最优的或结合多种桥梁损伤检测模块进行识别检测,提高损伤识别精度。基于全自动化的智能处理方式,极大提升了对桥梁损伤的检出速度和精度,实现全天候实时检测。
本发明的附加优点、目的,以及特征将在下面的描述中将部分地加以阐述,且将对于本领域普通技术人员在研究下文后部分地变得明显,或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在书面说明及其权利要求书以及附图中具体指出的结构实现到并获得。
本领域技术人员将会理解的是,能够用本发明实现的目的和优点不限于以上具体所述,并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。在附图中:
图1为本发明一实施例所述桥梁健康在线检测模块生成方法的流程示意图;
图2为本发明一实施例所述桥梁健康智能在线检测方法;
图3为本发明一实施例所述桥梁健康在线检测模块生成方法在训练过程中建模得到的变弹簧简支梁桥结构图;
图4为本发明另一实施例所述桥梁健康在线检测模块生成方法中模型训练逻辑示意图;
图5为本发明一实施例所述桥梁健康在线检测模块生成方法样本数据中传感器采集到的原始结构动力响应信号;
图6为图5降噪后的结构动力响应信号;
图7为图6经过快速傅里叶变换后的振幅图;
图8为本发明一实施例所述桥梁健康在线检测模块生成方法中各桥梁损伤识别分类模型检测结果分布图。
图9为本发明一实施例所述工具箱结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施方式和附图,对本发明做进一步详细说明。在此,本发明的示意性实施方式及其说明用于解释本发明,但并不作为对本发明的限定。
在此,还需要说明的是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
应该强调,术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在,但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
在此,还需要说明的是,如果没有特殊说明,术语“连接”在本文不仅可以指直接连接,也可以表示存在中间物的间接连接。
近年来,由于国内外交通运输工程的快速发展,桥梁已经成为了交通基础设施中的重要一环。在众多桥梁类型中,简支梁桥具有构造简单、适用各种地质情况等优点,是梁式桥中应用最早、使用最广泛的一种桥形。为了确保简支梁桥在运行期间的安全性,桥梁维护人员需要实时了解其健康状态,然而,大量的监测数据因缺乏有效的数据挖掘手段而难以提取简支梁桥的损伤信息。众所周知,结构损伤会引起结构性能方面(如质量、刚度、阻尼)变化,这些变化反过来又会影响整个***的结构动力响应特性,基于结构动力响应数据的损伤检测的基本原理是利用这些变化的动态响应来识别或评估结构的损伤。随着人工智能技术的迅速发展,结构动力响应信息与人工智能相结合的结构损伤识别已经成为研究重点之一。
现有技术中,对于桥梁损伤判断主要依赖于专业技术人员的人工识别,这种识别方式效率低、准确度低,难以适应当下对桥梁损伤进行检测的要求。因此,本发明提供一种桥梁健康在线检测模块生成方法、检测方法、工具箱及装置,实现对桥梁损伤和健康状态的精确识别。
具体的,一方面,本发明提供一种桥梁健康在线检测模块生成方法,如图1所示,包括步骤S101~S106:
步骤S101:获取多个样本数据,每个样本数据至少包含安装在桥梁主体上各检测点的传感器的结构动力响应信号以及桥梁主体状态信息,结构动力响应信号为动态测试的加速度信号,桥梁主体状态信息包括结构损坏和结构未损坏两类。
步骤S102:统计每条样本数据中所有传感器采集的结构动力响应信号的原始极值序列;采用最大相关峭度反卷积对每条样本数据中各传感器采集的结构动力响应信号进行降噪处理后,通过快速傅里叶变换提取信号特征,并统计信号特征的特征极值序列。
步骤S103:将每条样本数据对应的原始极值序列和特征极值序列合并,并根据每条样本数据对应的桥梁主体状态信息为各样本数据添加标签,形成训练样本集。
步骤S104:采用训练样本集对多种预设分类模型进行训练,得到多个桥梁损伤识别分类模型;预设分类模型至少包括:支持向量机、决策树、全连接神经网络、长短期记忆神经网络和自组织映射算法网络。
步骤S105:计算各桥梁损伤识别分类模型的评价指标,评价指标包括准确率、查准率、查全率和F1评分。
步骤S106:将各桥梁损伤识别分类模型整合为桥梁损伤检测模块,以根据评价指标选择一种或结合多种桥梁损伤识别分类模型进行桥梁损伤检测。
在步骤S101中,样本数据可以从对真实桥梁检测数据中获取,也可以通过计算机建模的方式获取。一些实施例中,所采用的样本数据来源于结构健康监测公开标准数据集。本实施例中,步骤S101之前,即获取多个样本数据之前,还包括步骤S1011~步骤S1012:
步骤S1011:对变弹簧简支梁桥进行建模,变弹簧简支梁桥划分为第一设定数量个第一设定长度的简支梁单元和一个弹簧单元,变弹簧简支梁桥设置第二设定数量个随机激振源,变弹簧简支梁桥上等距设置第三设定数量个传感器用于检测加速度。
步骤S1012:各传感器按照设定采样频率采集加速度数据作为结构动力响应信号,并添加高斯噪声得到样本数据。
具体的,简支梁桥是一种广泛应用于中小跨度的桥梁结构形式,主要用混凝土制作,构造简单,因此容易受到外力作用而变形损伤。在简支梁桥服役过程中,车辆在桥上移动位置,每根支座上的反作用力响应是时变的而且可能会发生剧烈变化,时变响应是造成支座损伤的主要原因。这种桥失效的原因有很多,有车辆载荷、自然灾害或材料使用不当等。本实施例就是对这种结构的桥梁进行建模获取数据。
进一步的,在简支梁桥传感器网络中,采集到的结构动力响应信号数据包含了各种类型,数据类型可以分为两类:一类是动态测试数据,另一类是静态测试数据。前一类数据类型包括加速度、位移等;而后一类数据包括静态应变、位移等,静态数据由于无法获取结构的模态信息(如振型、阻尼、固有频率),此类数据往往不被重视。因此,桥梁结构损伤识别领域主要采用的是基于动态测试进行的结构损伤识别法,本实施例所使用的结构动力响应信号为加速度信号。
在恒定的移动载荷作用下,损坏梁的加速度响应可以假定为由三个部分组成:动态、静态和损坏。以单自由度结构***为例,设时变激励力或***的输入为f(t)、质量为m、描述质量坐标的位移响应的时间历程为x(t),则受迫振动的控制方程为式1:
上式两端都包括了加速度的量纲,a(t)=f(t)/m,表征力f(t)作用在自由质点m上,可以产生的加速度,通常a(t)是实函数。
加速度信号中的特征可能显示出简支梁桥的损坏信息,因此可以对加速度信号进行适当的滤波,以突出显示损坏分量并量化其严重性,本实施例将深入研究基于加速度的简支梁桥损伤识别模型。
对于通过实际检测或建模形成的样本数据,按照是否是损坏状态,添加桥梁主体状态信息,分为结构损坏和结构未损坏两类。
步骤S102中,由于每条样本数据为某一时段实际桥梁或模型中各传感器检测到的加速度信号,以及相应的桥梁主体状态信息。所以,通过统计极值的形式提取特征。极值提取包括两部分,一部分是在针对原始的结构动力响应信号统计极值,另一部分是对原始结构动力响应信号进行降噪处理和快速傅里叶变换统计信号特征后统计极值。降噪处理采用最大相关峭度反卷积的方式,能够有效提取周期性脉冲分量,抑制信号的噪声影响。
在步骤S103中,基于步骤S101和S102形成的样本数据,添加标签形成训练样本集。
在步骤S104中,通过训练样本集中的数据对多种预设分类模型进行训练。具体的,采用支持向量机、决策树、全连接神经网络、长短期记忆神经网络和自组织映射算法网络进行分类训练,形成相应的桥梁损伤识别分类模型。
在一些实施例中,预设分类模型还包括基于集成学习法框架结合决策树得到的随机森林、提升树和梯度提升决策树。本实施例中,集成方法是将几种机器学习技术组合成一个预测模型的元算法,以达到减小方差(如Bagging框架,套袋法)、偏差(如Boosting框架,将弱分类器组装成一个强分类器)或改进预测(Stacking,训练一个模型用于组合其他各个模型)的效果。进一步的,Boosting框架下,还包括AdaBoost(Adaptive boosting)算法和GBDT(Gradient Boost Decision Tree,梯度提升决策树)算法。AdaBoost(Adaptiveboosting)算法在刚开始训练时对每一个训练例赋相等的权重,然后用该算法对训练集训练t轮,每次训练后,对训练失败的训练例赋以较大的权重,也就是让学习算法在每次学习以后更注意学错的样本,从而得到多个预测函数。通过拟合残差的方式逐步减小残差,将每一步生成的模型叠加得到最终模型。将Bagging框架与决策树结合可以得到随机森林,AdaBoost算法与决策树结合可以得到提升树。GBDT(Gradient Boost Decision Tree)算法的每一次的计算是为了减少上一次的残差,GBDT在残差减少(负梯度)的方向上建立一个新的模型。
在一些实施例中,所述方法还包括步骤S105和步骤S106:
步骤S105:获取最邻近算法模型,以加载最邻近算法进行分类计算。
步骤S106:计算最邻近算法模型的评价指标,并将最邻近算法模型作为一种桥梁损伤识别分类模型整合在桥梁损伤检测模块中,以根据评价指标选择一种或结合多种桥梁损伤识别分类模型进行桥梁损伤检测。
步骤S105和步骤S106中,不同于步骤S104的其他模型,最邻近算法模型不需要额外的训练,根据与待评价数据最近的k个样本的类别来决定当前样本的类别,其中距离的计算方法多样,常用的距离计算方法为欧氏距离,最邻近算法虽然简单,但其泛化错误率不超过贝叶斯最优分类器的错误率的两倍。
在步骤S105中,所述方法采用5折交叉验证的方式计算各桥梁损伤识别分类模型的评价指标。将样本数据分随机分为5等份,其中4份作为训练集用于训练各预设分类模型,剩余的1份用于测试计算评价指标。
在一些实施例中,步骤S106,即将各桥梁损伤识别分类模型整合为桥梁损伤检测模块,以根据评价指标选择一种或结合多种桥梁损伤识别分类模型进行桥梁损伤检测,包括步骤S1061和步骤S1062:
步骤S1061:对评价指标中的准确率、查准率、查全率和F1评分进行归一化处理后加权求和,得到每个桥梁损伤识别分类模型的综合评分,并按照综合评分从高到低进行排列。
步骤S1062:按照第一概率选择综合评分最高的桥梁损伤识别分类模型进行桥梁损伤识别;或按照第二概率选择综合评分较高的第四设定数量个桥梁损伤识别分类模型进行桥梁损伤识别,第四设定数量为奇数,将其中数量较多的桥梁损伤识别结果作为最终结果。
在另一些实施例中,可以通过改进预测的方式,训练一个模型用于组合其他各个模型,将各桥梁损伤识别分类模型的输出作为新模型的输入,通过训练这个新模型,得到最终的输出。将所有桥梁损伤识别分类模型和该新模型组合形成最终的桥梁损伤检测模块。
另一方面,本发明还提供一种桥梁健康智能在线检测方法,如图2所示,包括步骤S201~S203:
步骤S201:获取待检测桥梁上第三设定数量个传感器当前时刻检测到的加速度数据序列,其中各传感器沿待检测桥梁等距离设置。
步骤S202:统计加速度数据序列中所有传感器采集的加速度数据的待检测原始极值序列;采用最大相关峭度反卷积对加速度数据序列进行降噪处理后,通过快速傅里叶变换提取加速度数据序列特征,并获取加速度数据序列特征的待检测特征极值序列。
步骤S203:将待检测原始极值序列和待检测特征极值序列合并后,输入步骤S101~S106所述桥梁健康在线检测模块生成方法中的桥梁损伤检测模块,得到待检测桥梁的损伤检测结果。
另一方面,本发明还提供一种桥梁健康智能在线检测工具箱,至少包括:数据采集模块和检测模块。
数据采集模块,用于采集待检测桥梁上第三设定数量个传感器当前时刻检测到的加速度数据序列。
检测模块,用于装载步骤S101~S106所述桥梁健康在线检测模块生成方法中的桥梁损伤检测模块,并执行步骤S201~S202所述桥梁健康智能在线检测方法,得到待检测桥梁的损伤检测结果。
在一些实施例中,工具箱还包括显示器模块,显示器模块连接检测模块,用于对加速度数据序列和损伤检测结果进行可视化呈现。
另一方面,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法的步骤。
下面结合具体实施例对本发明进行说明:
本实施例利用人工智能算法,对采集到的简支梁桥结构动力响应数据进行分类,从而对简支梁桥结构进行诊断或损伤预测。采用传统机器学习中最常用的算法,如支持向量机、决策树、判别分析和k近邻算法,还采用了更高级的深度学习算法,如全连接神经网络、长短期记忆神经网络,该神经网络结构可以自动提取高级特征,无需进行手动提取特征。
支持向量机的核心是将数据的特征投射到高维,然后找到超平面,分割不同类别的数据点,而且要使分离的程度越大越好。为了寻找SVM的最优参数,采用了GridSearchCV法,其拆开就是网格搜索(Grid Search,GS)和交叉验证(CV)。网格搜索法搜索的是参数,就是将各个待优化参数在一定区间内按照步长调整,利用参数调整后的训练学习器,得到在验证集上精度最高的参数,其原理类似数组里寻找最大值。在结构损伤识别领域,经常使用支持向量机进行损伤识别判断结构的健康状态,根据核函数的不同SVM可分为Linear SVM和Cubic SVM。
决策树模型包含经典的ID3算法、改进C4.5算法以及强大的CART算法,DT模型表示对象属性和对象值之间的一种映射,树中的每一个节点表示对象属性的判断条件,其分支表示符合节点条件的对象,树的叶子节点表示对象所属的预测结果。通过在各节点进行不断分类,得到最终的诊断结果。
最邻近算法KNN,是机器学习方法中最简单的分类方法之一,KNN是根据最近的k个样本的类别来决定当前样本的类别,其中距离的计算方法多样,常用的距离计算方法为欧氏距离,KNN方法虽然简单,但其泛化错误率不超过贝叶斯最优分类器的错误率的两倍。其中,较为常用的是Fine KNN算法。
全连接神经网络包括一个输入层、多个隐层和一个输出层。训练全连接神经网络时,首先初始化各层神经元参数,然后样本数据经过层层计算后传递到输出层,最后,神经网络的训练是有监督的学习,也就是输入X有着与之对应的真实值Y,神经网络的输出Y′与真实值Y之间损失Loss用于网络反向传播调整参数。
长短期神经网络(LSTM)是时间循环神经网络(RNN)其中的一员,循环神经网络(Recurrent Neural Network,RNN)是一种用于处理序列数据的神经网络,相比一般的神经网络来说,能够处理序列变化的数据,但是一般的循环神经网络存在的长期依赖问题,为了专门解决这个问题,可以引入LSTM结构。
进一步的,本实施例还引入集成学习法(Ensemble Learning),也被称为多分类器***,它通过将多个弱学习器结合完成学习任务,若用于分类任务,则称为集成分类器(Ensemble Classifiers)。目前集成学习算法可分为以下几类:Boosting(将弱学习器提升为强学习器的算法)类;Bagging(并行式集成学习方法的代表)和随机森林(简称RF,是Bagging的一个扩展变体)类。常用的集成分类器有Boosted Trees、Bagged Trees、Subspace Discriminant和Subspace kNN。
本实施例中,采用的数据集源于European Workshop提供的结构健康监测公开标准数据集,该数据集来源于一个长为1.4m的简支梁,其截面为50mm×5mm均匀矩形,如图3所示,简支梁下方布置了一个距离支架612.5mm的弹簧,构成变弹簧简支梁桥,弹簧常数k与温度呈非线性关系,如下式3:
k=k0+aT3; (3)
其中,k0=100kN/m,a=-0.8(带兼容单位),考虑到温度T的季节性变化,因此T在-20℃和+40℃之间均匀随机分布。
梁三段等长,第i节中的杨氏模量Ei与相应的独立无量纲环境变量Zi呈线性关系如下式4:
Ei=E0+σiZi(i=1,2,3); (4)
其中,E0=207GPa,Zi是标准化高斯变量:Zi~N(0,1),和不同段的标准偏差σi为:σ1=5GPa,σ2=3GPa,σ3=7GPa。
在分析和数据采集过程中,设置变弹簧简支梁桥和三个独立载荷(即激振源),将变弹簧简支梁桥的结构划分为144个简支梁单元和一个弹簧单元进行建模,有不同振幅的独立随机激振源在三个位置点激振,用静校正程序的振型叠加法去分析振动响应。横向加速度是沿着梁在47个等距点处测量的,每个传感器加上标准偏差为σ=0.01m/s2的高斯噪声,平均噪音水平约为信号的1%,采样频率为571赫兹,每次测量数据的序列数为2859个,外部环境是缓慢变化的,基本认为测量是在恒定的环境中进行的。前50次测量数据来自未损坏的结构,后50次测量数据来自损伤的结构。受损梁的高度有五个不同等级:4.5、4、3.5、3和2.5mm,每种损伤的程度是由10个不同的测量数据组成的。
总之,影响外力变化有以下三种因素:(1)温度与弹性系数之间具有非线性关系的弹簧;(2)三个区域的独立变化杨氏模量;(3)分布三点处的随机载荷。
采集数据形成数据集,包含100个文件,每个文件包含了一个变量y(47x2859矩阵),表示47个加速度计以及2859个时间序列。前50个文件为未损坏(将其标记为undamaged)样本,后50个文件为损坏(将其标记为damaged)样本。
首先提取原始信号的极值,并采用MCKD算法进行滤波降噪,然后将降噪后的信号进行快速傅里叶变换后提取极值特征,并将特征与原始信号的极值组合成新的数据集,并添加损伤或未损伤作为标签,形成训练样本集。最后将训练样本集输入到本实施例所采用的机器学习算法中对样本进行分类训练,并以此建立简支梁桥损伤识别模型,本实施例中,机器学习算法包括:支持向量机、决策树、全连接神经网络、长短期记忆神经网络和自组织映射算法网络。具体采用,FineTree、Linear Discriminant、Logistic Regression、LinearSVM、Cubic SVM、Fine kNN、Subspace kNN和Subspace Discriminant。主要处理过程如图4所示。
实例性的,如图5所示,第一个样本里的第一个传感器的加速度数据是明显波动的。
把每个样本中每个传感器的数据极值统计出来,每个样本就可以得到94个特征,包含47个传感器加速度最大值和47个加速度最小值。并且可以得到一百个样本,包含50个未损坏的、50个损坏的样本。得到临时数据集(以下称旧数据集),部分数据如下
表1所示。
表1临时数据集部分数据
本实施例所使用的信号是包含噪声的时间序列数据,为了有效检测信号的脉冲波,本实施例首先采用MCKD算法对原始数据进行降噪,通过定步长搜索法的方式选取最优参数作为实验参数,参数设置:滤波器长度为400、冲击信号周期为300,效果最好,结果如图6所示。然后通过信号处理的手段来对信号的频谱进行分析或提取信号的特征。本发明采用快速傅里叶变换(fast Fourier transform,简称FFT)提取信号的特征,它能够直接得到波形各频谱分量,所以是一个分析谐波波形的有力工具。把一个样本的一个传感器加速度信号进行FFT,得到信号的特征如图7所示。
很明显,该曲线具有多个极值,并且极值主要落在频率范围[0,80]之内,因此,把此范围分割成不均匀的7份小区间,每份统计一个极值点取横坐标,若某小区间无极值,则使用上一个极值代替。这样每个样本就有7个额外特征,把这些特征加在旧数据集后面,形成了含有101个特征的新数据集,新数据集部分数据如下表2所示。
表2新数据集部分数据
使用MATLAB平台运行FineTree、Linear Discriminant、Logistic Regression、LinearSVM、Cubic SVM、Fine kNN、Subspace kNN和Subspace Discriminant进行学习分类:
第一,在5折交叉验证下,采用机器学习算法对旧数据集进行分类,结果如下表3所示。
表3传统机器学习算法对旧数据集的分类效果
在5折交叉验证下,使用机器学习算法对新数据集进行分类,结果如下表4所示:
表4机器学习方法对新数据集的分类效果
其中,线性支持向量机算法设置参数:Kernel function(核函数)为Linear(线性)、Kernel scale为Automatic、Box constraint level为1、Multiclass method为One-vs-One时,效果最好,准确率达到了92%。
进一步的,计算FineTree、Linear Discriminant、Logistic Regression、LinearSVM、Cubic SVM、Fine kNN、Subspace kNN和Subspace Discriminant训练后得到的桥梁损伤识别分类模型的评价指标,包括准确率、查准率、查全率和F1评分。
在二分类问题中,假设样本总共包含两个类别:Positive和Negative,如图8所示,当分类器预测结束后,就得到了混淆矩阵(Confusion Matrix)。
因此在二分类模型中,Accuracy(准确率)、Precision(查准率)、Recall(查全率)和F1 Score(F1评分)数学表达式为:
将各桥梁损伤识别分类模型整合为桥梁损伤检测模块,以根据评价指标选择一种或结合多种桥梁损伤识别分类模型进行桥梁损伤检测。
对评价指标中的准确率、查准率、查全率和F1评分进行归一化处理后加权求和,得到每个桥梁损伤识别分类模型的综合评分,并按照综合评分从高到低进行排列。按照第一概率选择综合评分最高的桥梁损伤识别分类模型进行桥梁损伤识别;或按照第二概率选择综合评分较高的第四设定数量个桥梁损伤识别分类模型进行桥梁损伤识别,第四设定数量为奇数,将其中数量较多的桥梁损伤识别结果作为最终结果。同时,也可以自由调用其中的某一个桥梁损伤识别分类模型进行桥梁损伤识别。
本实施例还提供一种工具箱,基于计算机、单片机或其他能够用于存储和运行程序的电子设备运行,搭建桥梁健康在线智能监测***的机器学习工具箱,如图9所示,包括导入数据模块、预处理数据模块、数据可视化模块和训练机器学习模块。
其中,导入数据模块用于导入样本数据。
预处理数据模块用于统计每条样本数据中所有传感器采集的所述结构动力响应信号的原始极值序列;采用最大相关峭度反卷积对每条样本数据中各传感器采集的所述结构动力响应信号进行降噪处理后,通过快速傅里叶变换提取信号特征,并统计所述信号特征的特征极值序列。将每条样本数据对应的原始极值序列和特征极值序列合并,并根据每条样本数据对应的桥梁主体状态信息为各样本数据添加标签,形成训练样本集。
数据可视化模块用于通过多维分析、数据绘图和动画展示的形式对数据处理结果进行可视化呈现。
训练机器学习模块用于采用所述训练样本集对多种预设分类模型进行训练,得到多个桥梁损伤识别分类模型;所述预设分类模型至少包括:支持向量机、决策树、全连接神经网络、长短期记忆神经网络和自组织映射算法网络,计算各桥梁损伤识别分类模型的评价指标,所述评价指标包括准确率、查准率、查全率和F1评分;将各桥梁损伤识别分类模型整合为桥梁损伤检测模块,以根据所述评价指标选择一种或结合多种桥梁损伤识别分类模型进行桥梁损伤检测。
综上所述,本发明所述桥梁健康在线检测模块生成方法、检测方法、工具箱及装置中,通过传感器采集加速度作为结构动力响应信号,以采集桥梁在动态、静态和损坏状态下的特征。进一步的,对结构响应数据的原始数据进行极值统计,进一步对结构响应数据降噪和快速傅里叶变换后再进行极值统计,合并两次统计结果以获取数据特征,能够准确捕捉桥梁的损伤特性。通过多种机器学习算法模型进行训练和学习得到能够完成桥梁损伤识别分类的桥梁损伤识别分类模型,并整合成一个桥梁损伤检测模块,能够自由调用。同时,计算各桥梁损伤识别分类模型的评价指标,以指导选用最优的或结合多种桥梁损伤检测模块进行识别检测,提高损伤识别精度。基于全自动化的智能处理方式,极大提升了对桥梁损伤的检出速度和精度,实现全天候实时检测。
本领域普通技术人员应该可以明白,结合本文中所公开的实施方式描述的各示例性的组成部分、***和方法,能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或***。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
本发明中,针对一个实施方式描述和/或例示的特征,可以在一个或更多个其它实施方式中以相同方式或以类似方式使用,和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
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,本发明实施例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 (7)
1.一种桥梁健康在线检测模块生成方法,其特征在于,包括:
获取多个样本数据,每个样本数据至少包含安装在桥梁主体上各检测点的传感器的结构动力响应信号以及桥梁主体状态信息,所述结构动力响应信号为动态测试的加速度信号,所述桥梁主体状态信息包括结构损坏和结构未损坏两类;获取多个样本数据之前,还包括:对变弹簧简支梁桥进行建模,所述变弹簧简支梁桥划分为第一设定数量个第一设定长度的简支梁单元和一个弹簧单元,所述变弹簧简支梁桥设置第二设定数量个随机激振源,所述变弹簧简支梁桥上等距设置第三设定数量个传感器用于检测加速度;各传感器按照设定采样频率采集加速度数据作为所述结构动力响应信号,并添加高斯噪声得到所述样本数据;
统计每条样本数据中所有传感器采集的所述结构动力响应信号的原始极值序列;采用最大相关峭度反卷积对每条样本数据中各传感器采集的所述结构动力响应信号进行降噪处理后,通过快速傅里叶变换提取信号特征,并统计所述信号特征的特征极值序列;
将每条样本数据对应的原始极值序列和特征极值序列合并,并根据每条样本数据对应的桥梁主体状态信息为各样本数据添加标签,形成训练样本集;
采用所述训练样本集对多种预设分类模型进行训练,得到多个桥梁损伤识别分类模型;所述预设分类模型至少包括:支持向量机、决策树、全连接神经网络、长短期记忆神经网络和自组织映射算法网络;
计算各桥梁损伤识别分类模型的评价指标,所述评价指标包括准确率、查准率、查全率和F1评分;
对所述评价指标中的所述准确率、所述查准率、所述查全率和所述F1评分进行归一化处理后加权求和,得到每个桥梁损伤识别分类模型的综合评分,并按照所述综合评分从高到低进行排列;按照第一概率选择综合评分最高的桥梁损伤识别分类模型进行桥梁损伤识别;或按照第二概率选择综合评分较高的第四设定数量个桥梁损伤识别分类模型进行桥梁损伤识别,所述第四设定数量为奇数,将其中数量较多的桥梁损伤识别结果作为最终结果;
所述方法还包括:获取最邻近算法模型,以加载最邻近算法进行分类计算;计算所述最邻近算法模型的所述评价指标,并将所述最邻近算法模型作为一种桥梁损伤识别分类模型整合在所述桥梁损伤检测模块中,以根据所述评价指标选择一种或结合多种桥梁损伤识别分类模型进行桥梁损伤检测。
2.根据权利要求1所述的桥梁健康在线检测模块生成方法,其特征在于,所述预设分类模型还包括基于集成学习法框架结合决策树得到的随机森林、提升树和梯度提升决策树。
3.根据权利要求1所述的桥梁健康在线检测模块生成方法,其特征在于,所述方法采用5折交叉验证的方式计算各桥梁损伤识别分类模型的评价指标。
4.一种桥梁健康智能在线检测方法,其特征在于,包括:
获取待检测桥梁上第三设定数量个传感器当前时刻检测到的加速度数据序列,其中各传感器沿所述待检测桥梁等距离设置;
统计所述加速度数据序列中所有传感器采集的加速度数据的待检测原始极值序列;采用最大相关峭度反卷积对所述加速度数据序列进行降噪处理后,通过快速傅里叶变换提取加速度数据序列特征,并获取所述加速度数据序列特征的待检测特征极值序列;
将所述待检测原始极值序列和所述待检测特征极值序列合并后,输入如权利要求1至3任意一项所述桥梁健康在线检测模块生成方法中的桥梁损伤检测模块,得到所述待检测桥梁的损伤检测结果。
5.一种桥梁健康智能在线检测工具箱,其特征在于,至少包括:
数据采集模块,用于采集待检测桥梁上第三设定数量个传感器当前时刻检测到的加速度数据序列;
检测模块,用于装载如权利要求1至3任意一项所述桥梁健康在线检测模块生成方法中的桥梁损伤检测模块,并执行权利要求4所述的桥梁健康智能在线检测方法,得到所述待检测桥梁的损伤检测结果。
6.根据权利要求5所述的桥梁健康智能在线检测工具箱,其特征在于,所述工具箱还包括显示器模块,所述显示器模块连接所述检测模块,用于对所述加速度数据序列和所述损伤检测结果进行可视化呈现。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111592343.8A CN114563150B (zh) | 2021-12-23 | 2021-12-23 | 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111592343.8A CN114563150B (zh) | 2021-12-23 | 2021-12-23 | 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114563150A CN114563150A (zh) | 2022-05-31 |
CN114563150B true CN114563150B (zh) | 2023-04-07 |
Family
ID=81711574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111592343.8A Active CN114563150B (zh) | 2021-12-23 | 2021-12-23 | 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114563150B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116642947B (zh) * | 2023-05-26 | 2024-06-07 | 广东科伟工程检测有限公司 | 基于光纤传感器的桥梁振动缺陷检测方法、***及终端 |
CN116804534B (zh) * | 2023-06-29 | 2024-03-12 | 中交第二航务工程局有限公司 | 一种连续梁桥施工用工艺辅助测定方法 |
CN116861292A (zh) * | 2023-07-10 | 2023-10-10 | 哈尔滨工业大学 | 道路监测数据有荷动力响应实时识别方法 |
CN117688480B (zh) * | 2024-02-04 | 2024-05-14 | 四川华腾公路试验检测有限责任公司 | 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 |
CN117723782B (zh) * | 2024-02-07 | 2024-05-03 | 山东大学 | 用于桥梁结构健康监测的传感器故障识别定位方法及*** |
CN117933730B (zh) * | 2024-03-21 | 2024-06-07 | 四川华腾公路试验检测有限责任公司 | 一种基于随机森林的综合桥梁安全评估方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108170925A (zh) * | 2017-12-21 | 2018-06-15 | 中国铁道科学研究院铁道建筑研究所 | 一种基于arma模型的桥梁损伤预警方法 |
CN110060368B (zh) * | 2019-04-22 | 2020-03-10 | 苏州大学 | 基于潜在特征编码的机械异常检测方法 |
CN112528564A (zh) * | 2020-12-08 | 2021-03-19 | 中国矿业大学 | 一种基于稀疏贝叶斯学习的桥梁结构损伤识别方法 |
CN113553749A (zh) * | 2021-09-22 | 2021-10-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种桥梁健康监测方法、***、计算机及存储介质 |
-
2021
- 2021-12-23 CN CN202111592343.8A patent/CN114563150B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114563150A (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Smarsly et al. | Machine learning techniques for structural health monitoring | |
Kankar et al. | Rolling element bearing fault diagnosis using wavelet transform | |
CN103617684B (zh) | 干涉型光纤周界振动入侵识别算法 | |
KR101872342B1 (ko) | 개선된 RTC(Real-time contrasts) 기법을 이용한 지능형 이상 진단 방법 및 장치 | |
CN103033362A (zh) | 一种基于改进多变量预测模型的齿轮故障诊断方法 | |
Parisi et al. | Automated location of steel truss bridge damage using machine learning and raw strain sensor data | |
CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
Cacciola et al. | Aspects about air pollution prediction on urban environment | |
Joshuva et al. | Crack detection and localization on wind turbine blade using machine learning algorithms: a data mining approach | |
CN107480731A (zh) | 一种火电厂汽动给水泵组故障特征的早期识别方法 | |
CN114169374B (zh) | 一种斜拉桥斜拉索损伤识别方法及电子设备 | |
CN113901977A (zh) | 一种基于深度学习的电力用户窃电识别方法及*** | |
CN114357594A (zh) | 一种基于sca-gru的桥梁异常监测方法、***、设备及存储介质 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
Arul et al. | Data anomaly detection for structural health monitoring of bridges using shapelet transform | |
CN110956331A (zh) | 数字工厂运营状态预测方法、***、装置 | |
CN117007977B (zh) | 一种储能电池健康状态诊断方法 | |
CN109840386B (zh) | 基于因子分析的损伤识别方法 | |
CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
Nababan et al. | Air quality prediction based on air pollution emissions in the city environment using xgboost with smote | |
Vagnoli et al. | A machine learning classifier for condition monitoring and damage detection of bridge infrastructure | |
Singh et al. | Predicting the remaining useful life of ball bearing under dynamic loading using supervised learning | |
CN114638039B (zh) | 一种基于低秩矩阵恢复的结构健康监测特征数据解释方法 | |
CN117195750B (zh) | 一种参考时序形变的滑坡灾害敏感性模型构建方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |