CN116881819B - 一种基于孤立森林的斜拉索工作状态监测方法 - Google Patents
一种基于孤立森林的斜拉索工作状态监测方法 Download PDFInfo
- Publication number
- CN116881819B CN116881819B CN202311151305.8A CN202311151305A CN116881819B CN 116881819 B CN116881819 B CN 116881819B CN 202311151305 A CN202311151305 A CN 202311151305A CN 116881819 B CN116881819 B CN 116881819B
- Authority
- CN
- China
- Prior art keywords
- cable
- model
- cable force
- abnormal
- stay
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 claims abstract description 93
- 238000012549 training Methods 0.000 claims abstract description 43
- 230000008878 coupling Effects 0.000 claims abstract description 15
- 238000010168 coupling process Methods 0.000 claims abstract description 15
- 238000005859 coupling reaction Methods 0.000 claims abstract description 15
- 230000009467 reduction Effects 0.000 claims abstract description 13
- 230000036541 health Effects 0.000 claims abstract description 12
- 239000000523 sample Substances 0.000 claims description 57
- 238000009826 distribution Methods 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 21
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims description 20
- 239000013074 reference sample Substances 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 14
- 239000000463 material Substances 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 11
- 238000013016 damping Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 101100001676 Emericella variicolor andK gene Proteins 0.000 claims description 6
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013508 migration Methods 0.000 claims description 5
- 230000005012 migration Effects 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 10
- 238000013136 deep learning model Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004643 material aging Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Bridges Or Land Bridges (AREA)
Abstract
本发明涉及车桥耦合***技术领域，提出了一种基于孤立森林的斜拉索工作状态监测方法，首先通过建立斜拉桥的有限元模型，模拟车辆过桥时的车桥耦合振动；然后在实际斜拉索上布置索力传感器，获取索力信号，并以此修正有限元模型生成的正常与异常状态的索力样本；再采用卷积变分自编码的深度学习模型对输入数据进行降维处理，并从中提取出有代表性的特征；降维后的数据将用于训练的孤立森林模型，以输出斜拉索的健康状态或异常状态；经过训练后，将孤立森林模型用于实时监测斜拉桥的斜拉索工作状态。本发明不仅提高了斜拉索状态监测的准确性，而且实现了对斜拉索异常状态的早期发现和预警，有着重要的应用价值。
Description
技术领域
本发明涉及车桥耦合***技术领域，具体为一种基于孤立森林的斜拉索工作状态监测方法。
背景技术
斜拉桥是一种特殊的桥梁结构类型，因其独特的结构形式和高效的经济性能，被广泛应用在桥梁工程中。然而，随着斜拉桥的广泛使用和斜拉桥规模的逐渐扩大，如何有效地维护和管理斜拉桥的运行状态，特别是斜拉索的运行状态，已经成为一个亟待解决的问题。
斜拉索作为斜拉桥的主要承力部件，其状态直接影响到整个桥梁的运行安全。然而，斜拉索在运营过程中会受到诸多因素的影响，包括风荷载、雨水侵蚀、材料老化、过重的车辆荷载等，这些因素都可能导致斜拉索的力学性能发生变化，从而影响到桥梁的整体性能。因此，对斜拉索的状态进行实时监测，以便及时发现并处理可能存在的问题，对于保证桥梁的安全运行至关重要。
然而，传统的斜拉索状态监测方法主要依赖于人工巡检和目视观察，这些方法在一定程度上可以发现斜拉索的表面缺陷，如锈蚀、磨损等，但对于深层次的、不易被发现的问题，如索内部的损伤、微小裂纹等，则往往无法发现。此外，人工巡检方法也存在着效率低、耗时长、无法实现连续监测等问题。
为了解决这些问题，近年来，一些高新技术被逐渐引入到斜拉索的状态监测中，包括声发射技术、振动监测技术、电磁感应技术等。然而，这些方法虽然在一定程度上改善了斜拉索状态监测的效果，但仍存在一些问题。例如，这些技术大多需要安装大量的传感器和设备，安装和维护成本较高；而且，这些技术往往需要专业的操作人员和复杂的数据处理程序，使用和操作难度大。
基于上述原因，开发一种既能实现斜拉索状态的实时监测，又能对斜拉索状态的变化进行早期预警，同时又具有操作简便、成本较低的斜拉索状态监测方法，具有重要的实际应用价值。
因此，本发明提出了一种基于孤立森林的斜拉索工作状态监测方法。这种方法通过使用深度学习和机器学习技术，能够实现对斜拉索状态的实时监测和预警，以解决上述问题，为斜拉桥的运行安全提供有力的技术支持。
发明内容
针对斜拉索的运营状态异常诊断，本发明提供了一种基于孤立森林的斜拉索工作状态监测方法，不仅提高了斜拉索状态监测的准确性，而且实现了对斜拉索异常状态的早期发现和预警，有着重要的应用价值。技术方案如下：
一种基于孤立森林的斜拉索工作状态监测方法，包括以下步骤：
步骤1：建立正常斜拉索状况下的斜拉桥结构的有限元模型，包括桥梁模型和斜拉索模型，描述斜拉桥的机械特性；
步骤2：选定特定车型作为模拟对象，构建车辆模型，并将其与斜拉桥结构的有限元模型一同导入有限元分析软件中；然后设定车辆行驶参数，以及桥面不平整度和环境因素的影响，最后进行车辆穿越斜拉桥产生的车桥耦合振动模拟，观察斜拉索的动力效应，以及车辆荷载对斜拉索的影响，获取车桥耦合动力学模型的解，生成模拟索力信号；
步骤3：在实际斜拉桥的斜拉索上布置索力传感器用以收集实际运行状态下的索力信号；
步骤4：利用实际运行状态下的索力信号数据，建立预训练的CNN模型，以捕捉斜拉桥索力的内在特性和动态行为；
步骤5：在所述预训练的CNN模型的基础上，使用迁移学习策略对有限元模型生成的模拟索力信号进行修正和优化得到正常索力样本；
步骤6：构建斜拉索异常情况的斜拉桥有限元模型，生成初步的异常索力参考样本，将其与所述正常索力样本一起输入GAN模型进行训练，然后通过在GAN模型的输入中引入预设的异常条件，生成相应的异常索力样本；
步骤7：采用卷积变分自编码模型对正常索力样本和异常索力样本进行特征降维：卷积变分自编码模型包括编码器和解码器，利用编码器部分学习索力响应数据的潜在分布，并通过解码器从潜在分布中生成新的数据，从而获取正常索力样本和异常索力样本的分布特征信息；
步骤8：将正常索力样本和异常索力样本的分布特征信息作为孤立森林模型的输入，以斜拉索的健康状态值或异常状态值作为输出，完成模型的训练。
选择卷积变分自编码模型降维后的特征数据作为输入到孤立森林模型是创新性的尝试，因为卷积变分自编码器能够有效地从高维数据中提取出关键的、有代表性的特征，并进行降维，从而使孤立森林模型能够更准确、更高效地进行异常检测。这种结合方式使得两种模型的优势得到了充分的发挥，达到了特征提取与异常检测的深度融合。
步骤9：应用训练好的孤立森林模型进行实时监测：将实际运营中的斜拉索的索力信号输入到训练好的孤立森林模型中，通过孤立森林模型输出的健康状态值或异常状态值判断斜拉索的工作状态是否异常。
进一步的，所述桥梁模型为：
（1）
公式中，M b 、C b 、K b 分别表示桥梁质量矩阵、桥梁阻尼矩阵、桥梁刚度矩阵；分别表示桥梁加速度、速度、位移响应；F b 表示桥梁受到的外力作用；
所述车辆模型为：
（2）
公式中，M v 、C v 和K v 分别为车辆的质量矩阵、阻尼矩阵和刚度矩阵，分别表示车辆运动的加速度、速度、位移向量；f v 为作用在车辆上的外部激励力或荷载；
所述斜拉索模型为：
（3）
其中，M s 、C s 和K s 分别代表斜拉索的质量矩阵、阻尼矩阵和刚度矩阵，和U s 分别表示斜拉索的加速度、速度和位移，F s 是作用在斜拉索上的力。
更进一步的，所述步骤4具体为：基于实际斜拉桥的索力信号进行预训练，构建一个五层卷积神经网络模型，包括三个卷积层和两个全连接层，目标是抓取斜拉索力信号的关键特性；首先收集的索力信号数据作为卷积神经网络模型的输入数据，输入数据通过三个卷积层进行特征抽取，然后经由两个全连接层进行特性整合，最终输出预训练的卷积神经网络模型。
更进一步的，所述步骤6具体包括：
步骤6.1：以物理模型和材料属性为基础构建斜拉索异常情况的斜拉桥有限元模型，进行网格划分和边界条件设置，再通过改变材料属性或边界条件，以模拟斜拉索的异常状态，生成初步的异常索力参考样本；
步骤6.2：将步骤5中生成的正常索力样本，以及步骤6.1生成的初步的异常索力参考样本一同作为GAN模型的输入，GAN模型采用深度卷积生成对抗网络，生成器部分由卷积反卷积网络构成，目标为通过学习数据分布生成新的、符合数据分布的索力信号；判别器部分由卷积网络构成，任务是判断输入的索力信号样本是真实的还是由生成器生成的；
步骤6.3：在模型训练过程中，首先使用正常索力样本和初步的异常索力参考样本进行预训练，然后通过控制噪声输入，在索力信号中引入预设的异常情况；将生成器模型进行设定轮数的训练，每一轮训练包括两个阶段：首先固定判别器参数，优化生成器参数，使生成的假样本能尽可能地通过判别器的判断；然后固定生成器参数，优化判别器参数，使判别器能尽可能地正确区分真假样本；以上两个阶段交替进行，直到模型收敛；训练结束后，生成器生成预设异常情况下的异常索力样本。
更进一步的，所述步骤7具体包括：
步骤7.1：在编码阶段，CVAE模型学习将索力响应的原始数据映射到一个低维的潜在空间中；在此过程中，CVAE模型通过优化隐变量的后验分布和先验分布之间的Kullback-Leibler散度，来捕捉原始数据的关键信息；
步骤7.2：在解码阶段，CVAE模型从潜在空间生成新的数据，使得生成的数据与原始数据尽可能接近；在此过程中，CVAE模型通过优化生成数据与原始数据之间的重构损失，使得模型从低维潜在空间中重构出与原始数据相近的数据，从而捕获数据的分布特征信息。
更进一步的，所述步骤8和步骤9之前还包括：通过使用独立的验证数据集对模型进行评估，具体为：
步骤a：收集N个斜拉桥在各种运营状态下的实际索力信号；
步骤b：依据有限元模型，在正常工况和预设异常工况下生成索力信号样本；其中，应用蒙特卡洛抽样法，从这些样本中抽取出2N个正常工况样本和2N个异常工况样本；
步骤c：采用已训练的生成的GAN模型，生成额外的预设异常索力信号样本，同样利用蒙特卡洛抽样法，抽取出其中的2N个样本；
步骤d：整合四类数据，形成包含7N个样本的独立验证数据集；此数据集中，索力信号作为输入，而对应的健康状态值或异常状态值作为输出；
步骤e：选择精度、查准率、查全率和F1分数这四个分类模型评估指标来评估步骤6中的GAN模型或步骤8中的孤立森林模型的预测性能和泛化能力；
步骤f：若模型预测效果不理想，则对生成对抗网络模型或孤立森林模型进行调优；对于GAN模型的调优，包括调整GAN模型的架构、优化器的设置、学习率，同时尝试不同的损失函数或引入正则化技术以改进模型的表现；对于孤立森林模型的调优，包括调整样本的分割方式、树的数量。
与现有技术相比，本发明的有益效果：
1）本发明提供了一个有效的斜拉桥实时监测和管理工具，基于孤立森林与卷积变分自编码的斜拉索运营状态异常诊断方法实现了斜拉索工作状态的实时、准确判断，为运营管理人员及时发现和处理潜在问题提供了有力的支持。
2）本发明将深度学习的方法应用于数据降维和特征提取，这极大地提高了模型训练效率和实时监测速度；模拟并修正后的大量斜拉索响应结果样本，包括正常状态和各种异常状态，增强了模型的训练准确性和泛化能力。
3）本发明独立的验证数据集的使用，进一步验证了模型的准确性和泛化能力，对确保斜拉桥的安全运营具有显著的作用。
4）本发明方法有助于斜拉索异常状态的提前发现和预警，孤立森林模型在检测到可能的斜拉索工作状态异常时能立即发出预警信号，为运营管理人员提供足够的时间进行检查和处理，这对于预防斜拉桥的意外事故至关重要。
5）本发明基于孤立森林的斜拉索工作状态监测方法不仅提高了斜拉索状态监测的准确性，实现了斜拉索异常状态的早期发现和预警，还展现出实用价值。这一方法为斜拉桥的安全运营提供了有力的技术支持，具有显著的社会和经济效益。
附图说明
图1为某斜拉桥图。
图2为正常索力样本示意图。
图3为异常索力样本示意图。
图4为基于深度卷积生成对抗网络（DCGAN）的斜拉索异常情况模拟与训练流程图。
图5为经卷积自编码降维后索力信号特征图。
图6为卷积自编码结构图。
图7为卷积变分自编码-孤立森林组合预警模型。
图8为孤立森林识别结果。
图9为斜拉索孤立森林模型验证流程图。
图10为实时斜拉索工作状态监测流程图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细说明。
本发明提出了一种基于孤立森林的斜拉索工作状态监测方法。首先，通过建立斜拉桥的有限元模型，模拟车辆过桥时的车桥耦合振动。然后，通过在实际的斜拉索上布置的索力传感器，获取实际运行状态下的索力信号，并以此修正有限元模型生成的正常状态与异常状态的索力样本以更接近真实样本。并将修正后的正常状态与异常状态的索力样本用于训练随后的孤立森林模型。
然后，采用了一种名为卷积变分自编码（Convolutional VariationalAutoencoder，CVAE）的深度学习模型对输入数据进行降维处理，并从中提取出有代表性的特征。降维后的数据将用于训练的孤立森林模型，该模型以斜拉索的索力响应作为输入，斜拉索的健康状态或异常状态作为输出。
经过训练后，将孤立森林模型用于实时监测斜拉桥的斜拉索工作状态。根据模型的输出，可以判断斜拉索的工作状态是否异常，以及异常的程度，为斜拉桥的维护和管理提供有力的决策支持。通过使用独立的验证数据集，进一步确认了模型的准确性和泛化能力。具体过程如下：
步骤1：建立正常斜拉索状况下的斜拉桥结构的有限元模型，描述斜拉桥的机械特性。
本方法的实施开始于建立斜拉桥结构的有限元模型。首先，根据斜拉桥的设计和施工图纸，提取主要结构部分的几何信息，如主梁、斜拉索和塔架等。其次，基于斜拉桥使用的材料（例如混凝土、钢筋等）的实际性能参数，确定各个部分的材料特性，包括弹性模量、泊松比、密度等。接着，利用现有的商用有限元分析软件（例如ANSYS）创建斜拉桥的有限元模型。在模型构建过程中，首先利用软件的CAD功能根据提取的几何信息建立桥梁的三维实体模型，然后进行网格划分，常用的划分类型包括实体划分和壳体划分。网格的大小应在保证计算精度和计算效率之间取得平衡。之后，将前面确定的材料特性赋给相应的网格元素。
在模型的边界条件设置上，根据斜拉桥的实际约束情况进行，比如桥墩和地基的约束条件通常采用固定支座。在有限元模型设计过程中，需要考虑斜拉桥在实际工况下可能存在的复杂环境因素，如风荷载、温度变化、地震等。这些环境因素可以通过在有限元模型中设置相应的荷载和边界条件来模拟。例如，风荷载可以通过设置流体-结构相互作用条件进行模拟，温度变化可以通过设置热载荷进行模拟，地震则可以通过设置地震动载荷进行模拟。
最后，利用有限元分析软件的求解器进行模型求解，如果计算结果与设计或实测结果有较大偏差，需要对模型参数进行调整，如修改网格大小、优化网格质量、调整材料性能参数等，这是一个迭代的过程，需要多次调整模型参数以满足工程需求。如图1为某斜拉桥图。
步骤2：选定特定车型作为模拟对象，构建车辆模型，并将其与斜拉桥结构的有限元模型一同导入有限元分析软件中；然后设定车辆行驶参数，以及桥面不平整度和环境因素的影响，最后进行车辆穿越斜拉桥产生的车桥耦合振动模拟，观察斜拉索的动力效应，以及车辆荷载对斜拉索的影响，获取车桥耦合动力学模型的解，以得模拟索力信号。
应用步骤1所建立的正常斜拉索状况的斜拉桥有限元模型，以精确模拟车辆在穿越斜拉桥过程中产生的车桥耦合振动。此过程主要关注斜拉索的动力效应，特别考虑车辆荷载对斜拉索的影响。
首先，模拟此过程需要选择一个符合实际的车辆模型。选取的模拟对象为一辆重10吨、长6米、宽2.5米的普通商用卡车，构建该卡车的车辆模型。在该车辆模型中，车辆的四个轮胎被视为四个独立的质点，而车身则被视为一个刚性体。这样，就可以获取车辆模型的质量矩阵M v ，阻尼矩阵C v 和刚度矩阵K v ，这些参数的确定可以依据实车测试或相关文献资料。
然后，将上述车辆模型与步骤1中创建的正常斜拉索状况的斜拉桥有限元模型（包括桥梁模型和斜拉索模型）一同导入到ANSYS软件中。在软件环境中，基于车桥耦合动力学理论，构建了一个涵盖车辆、桥梁和斜拉索的综合耦合振动模型。
其次，设定车辆行驶参数，以及桥面不平整度和环境因素的影响。设定车辆以特定速度（例如每小时60公里）穿越桥面，并将车辆的行驶轨迹设定为从桥的一端通往另一端。此外，也需考虑桥面的不平整度以及风力、温度等环境因素的影响，这些因素都可以在软件中进行相应的参数设置。
然后，运行ANSYS软件的模拟功能，模拟车辆穿越斜拉桥产生的车桥耦合振动，获取车桥耦合动力学模型的解，以得到车辆、桥梁和斜拉索的索力响应数据。
所述桥梁模型为：
（1）
公式中，M b 、C b 、K b 分别表示桥梁质量矩阵、桥梁阻尼矩阵、桥梁刚度矩阵，分别表示桥梁加速度、速度、位移响应，F b 表示桥梁受到的外力作用。
所述车辆模型为：
（2）
公式中，M v 、C v 和K v 分别为车辆的质量矩阵、阻尼矩阵和刚度矩阵，分别表示车辆运动的加速度、速度、位移向量；f v 为作用在车辆上的外部激励力或荷载。
所述斜拉索模型为：
（3）
其中，M s 、C s 和K s 分别代表斜拉索的质量矩阵、阻尼矩阵和刚度矩阵，和U s 分别表示斜拉索的加速度、速度和位移，F s 是作用在斜拉索上的力。
步骤3：在实际斜拉桥结构中，布置索力传感器用以收集索力信号。
以实际斜拉桥的运营状态为基础，通过在斜拉索上布置索力传感器，获取正常工作状态的索力信号。索力传感器的布置须考虑斜拉桥的结构特性及索力分布状况，通常应在斜拉索的重要部位，如两端或中间部分进行配置。索力信号的收集是连续的过程，需记录斜拉桥在不同运营状态（例如，不同的车流量和环境条件）下的索力变化情况。具体的数据收集内容包括各索力传感器的实时信号、时间戳、环境条件数据（如温度、风力）以及车流量等。这些数据将用于后续分析和优化。
步骤4：利用实际斜拉桥索力信号数据，建立预训练的CNN模型，以捕捉斜拉桥索力的内在特性和动态行为。
将步骤3中收集的实际斜拉桥的索力信号样本数据用于训练CNN模型，其目的是通过学习这些真实数据中的复杂模式和特征，来修正和优化有限元模型产生的斜拉索力信号。实际斜拉桥的索力信号反映了更真实的情况，其中包含了许多模拟信号可能忽略的关键信息和特性。通过学习这些特性，CNN模型可以更准确地模拟索力信号，从而提高有限元模型的准确性。其具体技术手段为：
基于实际斜拉桥的索力信号（源任务）进行预训练，构建一个五层卷积神经网络（CNN）模型。此CNN模型，作为现有技术的应用，包含三个卷积层和两个全连接层，目标是抓取斜拉索力信号的关键特性。模型构建的过程如下：先以步骤3收集的索力数据（包括索力变化值、变化速率和时间点等）作为CNN模型的输入数据，输入数据通过三层卷积神经网络进行特征抽取，然后经由两个全连接层进行特性整合，最终输出预训练的CNN模型。
步骤5：在所述预训练的CNN模型的基础上，使用迁移学习策略对有限元模型生成的模拟索力信号进行修正和优化得到正常索力样本，并将其作为孤立森林模型的训练样本集。
在已经通过实际斜拉桥索力信号数据进行预训练的五层卷积神经网络模型的基础上，实施迁移学习策略以处理有限元模型生成的索力信号（目标任务）。采取的迁移学习策略是深度学习领域中常用的微调（Fine-Tuning）方法，这是一种现有的技术方法，尤其在源任务数据（实际斜拉桥索力信号数据）相对较少，而目标任务数据（有限元模型生成的索力信号）较多的情况下，能有效提升模型在目标任务上的性能。
在微调过程中，执行10轮的迭代优化，采用计算损失函数（例如交叉熵损失）并利用反向传播算法进行参数更新的方式，以改进模拟索力信号的预测准确性。借助源任务数据的学习知识，使得有限元模型生成的索力信号更接近实际斜拉索力信号，从而提高模型预测准确性。
经过预训练模型优化后的模拟索力信号被视为正常索力样本。这些正常索力样本将被用作孤立森林模型的训练样本集。图2为正常索力样本示意图。
步骤6：构建斜拉索异常情况的斜拉桥有限元模型，生成初步的异常索力参考样本，将其与所述正常索力样本一起输入GAN模型进行训练，然后通过在GAN模型的输入中引入预设的异常条件，生成相应的异常索力样本。
首先，构建斜拉索异常情况（例如索力异常、局部锈蚀、锚固失效和破断等）的斜拉桥有限元模型。具体来说，该有限元模型以物理模型和材料属性为基础，进行网格划分和边界条件设置，再通过改变材料属性（如材料弹性模量、屈服强度等）或边界条件（如固定、自由等），以模拟斜拉索的异常状态，如锚固失效、局部锈蚀等。通过这种模拟，生成初步的异常索力参考样本，该样本将用于生成对抗网络（GAN）模型的初步学习参考。图3为异常索力样本示意图。
接着，将步骤5中经过迁移学习修正和优化后的正常索力样本以及这些初步的异常索力参考样本一同作为GAN模型的输入。在GAN模型的选择上，采用了深度卷积生成对抗网络（DCGAN），该模型已经被证明在许多生成任务中表现优异。具体来说，DCGAN模型中，生成器部分由卷积反卷积网络构成，目标是通过学习数据分布生成新的、符合数据分布的索力信号；判别器部分由卷积网络构成，任务是判断输入的索力信号样本是真实的还是由生成器生成的。
在模型训练过程中，首先使用步骤5中修正优化后的正常索力样本和初步的异常索力参考样本进行预训练，然后通过控制噪声输入（例如，噪声分布可以假设为均值为0，方差为1的高斯分布），在索力信号中引入预设的异常情况。将生成器模型进行500轮训练，每轮使用10000个索力信号样本。每一轮训练包括两个阶段：首先固定判别器参数，优化生成器参数，使生成的假样本能尽可能地“骗过”判别器；然后固定生成器参数，优化判别器参数，使判别器能尽可能地正确区分真假样本。这两个阶段交替进行，直到模型收敛。训练结束后，生成器将能够生成预设异常情况下的异常索力样本。图3为异常索力样本示意图。基于深度卷积生成对抗网络（DCGAN）的斜拉索异常情况模拟与训练流程图如图4所示。
最后，将这些生成的异常样本和步骤5中修正优化的正常样本一同作为孤立森林模型的训练样本集。通过这一步骤，不仅实现了基于深度学习的索力信号生成，同时也为孤立森林模型的训练提供了更丰富、更具有代表性的样本。
步骤7：采用卷积变分自编码模型对正常索力样本和异常索力样本进行特征降维：卷积变分自编码模型包括编码器和解码器，利用编码器部分学习索力响应数据的潜在分布，并通过解码器从潜在分布中生成新的数据，从而获取正常索力样本和异常索力样本的分布特征信息。
步骤7中的创新实践主要集中于应用卷积变分自编码模型对步骤5和6生成的样本进行特征降维。在此，卷积变分自编码模型起到了对于索力信号的复杂特征进行有效捕捉并实现维度降低的关键作用。如图5所示，经过卷积变分自编码模型降维后的索力信号特征展现出的分布信息，能够为后续的模型提供更简洁、更直观的数据输入。
卷积变分自编码模型是一种深度学习模型，已经在许多任务中证明其能够提取出数据的关键特征。而在此处，该模型的应用则是该步骤的一大创新之处。因为索力信号的分布和形态复杂，直接分析和处理往往会带来困难，而经过卷积变分自编码模型的降维处理，不仅减少了数据的复杂度，同时也提取出了最具有代表性的特征，使得后续的模型能够更加准确地学习和预测。如图6所示，卷积变分自编码模型的结构包括两个主要阶段：编码阶段和解码阶段。
这个模型基于变分推断的原理，利用编码器部分学习数据的潜在分布，并通过解码器部分从这个分布中生成新的数据。在此过程中，模型能够有效地获取数据的分布特征信息，而降维后的数据可以用来训练更高效的孤立森林模型。
在编码阶段，模型学习将原始数据（索力响应）映射到一个低维的潜在空间中。在这个过程中，模型主要通过优化隐变量的后验分布和先验分布之间的Kullback-Leibler散度，来捕捉原始数据的关键信息。在解码阶段，模型从潜在空间生成新的数据，使得生成的数据与原始数据尽可能接近。在这个过程中，模型通过优化生成数据与原始数据之间的重构损失，使得模型能够从低维潜在空间中重构出与原始数据相近的数据。通过这种方式，卷积变分自编码模型能够有效地捕获数据的分布特征信息，进一步为后续的模型训练和预测提供了有力的支持。
步骤8：将正常索力样本和异常索力样本的分布特征信息作为孤立森林模型的输入，以斜拉索的健康状态值或异常状态值作为输出，完成模型的训练。
将卷积变分自编码模型降维后的特征数据输入到孤立森林模型，这是一种具有创新的前瞻性尝试。斜拉索的索力信号数据通常是高维的，而传统的孤立森林模型直接处理这些高维数据时可能效率不高、准确性受限。卷积变分自编码器有能力从这些高维数据中精确地提取出关键的、有代表性的特征，并进行降维，得到更为紧凑的数据表示。这样的低维特征更为聚焦，有助于孤立森林模型更高效、更准确地进行异常检测。此外，该方法的结合形式也为两种模型的互补优势提供了平台，实现了特征提取与异常检测的深度融合。
孤立森林模型是一种无监督的异常检测算法，而在此，模型以经卷积变分自编码模型降维处理后的索力信号特征作为输入，输出则是斜拉索的健康状态（设为1）或异常状态（设为0）。这样的应用方式，不仅充分利用了孤立森林模型在异常检测领域的优势，也极大提升了模型处理复杂索力信号的能力。该模型的目标是最小化预测值和真实值之间的差异，从而在处理复杂、多元的索力信号时，也能保持较高的预测准确性。图7为卷积变分自编码-孤立森林组合预警模型。图8为孤立森林模型的识别结果。
此外，表1展示的训练集大小与孤立森林识别精度的关系，也揭示了孤立森林模型在处理大规模数据集时，具有较好的稳定性和可伸缩性。随着训练样本容量的增大，孤立森林模型的识别精度在各种异常率下呈现出提高的趋势，这表明该模型能够适应大规模、复杂的索力信号数据，从而在斜拉索的健康监测和预警中发挥重要作用。
表1 不同训练集大小孤立森林识别精度
。
步骤9：通过使用独立的验证数据集对模型进行评估，以确保模型的准确性和泛化能力。
首先，对2000个斜拉桥在各种运营状态下的实际索力信号进行收集。紧接着，依据有限元模型，在正常工况和预设异常工况下生成大量索力信号样本。其中，应用蒙特卡洛抽样法，从这些样本中抽取出4000个正常工况样本和4000个异常工况样本。随后，采用已训练的生成对抗网络模型（GAN），生成额外的预设异常索力信号样本，同样利用蒙特卡洛抽样法，抽取出其中的4000个样本。最后，整合四类数据，形成包含14000个样本的独立验证数据集。此数据集中，索力信号作为输入，而对应的健康状态（设为1）或异常状态（设为0）作为输出。
对于模型的评估，选择精度（Accuracy）、查准率（Precision）、查全率（Recall）和F1分数这四个常用的分类模型评估指标。当模型预测精度超过90%，且查准率、查全率和F1分数均高于0.9，可以认定模型具有良好的预测性能和泛化能力。
如果模型预测效果不理想，需要对步骤6中的生成对抗网络模型（GAN）或步骤8中的孤立森林模型进行调优。对于生成对抗网络模型（GAN）的调优，主要包括调整模型的架构、优化器的设置、学习率等；同时，可以尝试不同的损失函数或引入正则化技术以改进模型的表现。对于孤立森林模型的调优，主要包括调整样本的分割方式、树的数量等。综合这些措施，将有助于提高模型的预测准确性。模型在实际应用中的主要目标，是准确地预测斜拉索的工作状态，这既包括正常状态，也包括各种可能的异常状态。图9为斜拉索孤立森林模型的验证流程图。
步骤10：经过训练优化的孤立森林-卷积变分自编码模型将被部署用于实时监测斜拉索的工作状态。在实际操作中，传感器收集斜拉索的索力响应，然后将这些索力响应值输入到孤立森林-卷积变分自编码模型中。该模型将直接输出斜拉索的健康状态（设为1）或异常状态（设为0）。若输出结果显示异常状态，该模型将生成相应的报警信息，以此提醒相关工作人员进行及时的检查与维修。此种方法能实现对斜拉索工作状态的实时且准确的监测，从而大大提高斜拉桥的运行安全与效率。图10显示了实时斜拉索工作状态监测流程。
综上，本发明方法有助于斜拉索异常状态的提前发现和预警，孤立森林模型在检测到可能的斜拉索工作状态异常时能立即发出预警信号，为运营管理人员提供足够的时间进行检查和处理，这对于预防斜拉桥的意外事故至关重要。本发明基于孤立森林与卷积变分自编码的斜拉索运营状态异常诊断方法不仅提高了斜拉索状态监测的准确性，实现了斜拉索异常状态的早期发现和预警，还展现出实用价值。
Claims (6)
1.一种基于孤立森林的斜拉索工作状态监测方法，其特征在于，包括以下步骤：
步骤1：建立正常斜拉索状况下的斜拉桥结构的有限元模型，包括桥梁模型和斜拉索模型，描述斜拉桥的机械特性；
步骤2：选定作为模拟对象的车型，构建车辆模型，并将其与斜拉桥结构的有限元模型一同导入有限元分析软件中；然后设定车辆行驶参数，以及桥面不平整度和环境因素的影响，最后进行车辆穿越斜拉桥产生的车桥耦合振动模拟，观察斜拉索的动力效应，以及车辆荷载对斜拉索的影响，获取车桥耦合动力学模型的解，生成模拟索力信号；
步骤3：在实际斜拉桥的斜拉索上布置索力传感器用以收集实际运行状态下的索力信号；
步骤4：利用实际运行状态下的索力信号数据，建立预训练的CNN模型，以捕捉斜拉桥索力的内在特性和动态行为；
步骤5：在所述预训练的CNN模型的基础上，使用迁移学习策略对有限元模型生成的模拟索力信号进行修正和优化得到正常索力样本；
步骤6：构建斜拉索异常情况的斜拉桥有限元模型，生成初步的异常索力参考样本，将其与所述正常索力样本一起输入GAN模型进行训练，然后通过在GAN模型的输入中引入预设的异常条件，生成相应的异常索力样本；
步骤7：采用卷积变分自编码模型对正常索力样本和异常索力样本进行特征降维：卷积变分自编码模型包括编码器和解码器，利用编码器部分学习索力响应数据的潜在分布，并通过解码器从潜在分布中生成新的数据，从而获取正常索力样本和异常索力样本的分布特征信息；
步骤8：将正常索力样本和异常索力样本的分布特征信息作为孤立森林模型的输入，以斜拉索的健康状态值或异常状态值作为输出，完成模型的训练；
步骤9：应用训练好的孤立森林模型进行实时监测：将实际运营中的斜拉索的索力信号输入到训练好的孤立森林模型中，通过孤立森林模型输出的健康状态值或异常状态值判断斜拉索的工作状态是否异常。
2.根据权利要求1所述的一种基于孤立森林的斜拉索工作状态监测方法，其特征在于，所述桥梁模型为：
（1）
公式中，M b 、C b 、K b 分别为桥梁质量矩阵、桥梁阻尼矩阵、桥梁刚度矩阵；分别为桥梁加速度、速度、位移响应；F b 为桥梁受到的外力作用；
所述车辆模型为：
（2）
公式中，M v 、C v 和K v 分别为车辆的质量矩阵、阻尼矩阵和刚度矩阵，分别为车辆运动的加速度、速度、位移向量；f v 为作用在车辆上的外部激励力或荷载；
所述斜拉索模型为：
（3）
公式中，M s 、C s 和K s 分别为斜拉索的质量矩阵、阻尼矩阵和刚度矩阵，和U s 分别为斜拉索的加速度、速度和位移，F s 是作用在斜拉索上的力。
3.根据权利要求1所述的一种基于孤立森林的斜拉索工作状态监测方法，其特征在于，所述步骤4具体为：基于实际斜拉桥的索力信号进行预训练，构建一个五层卷积神经网络模型，包括三个卷积层和两个全连接层，目标是抓取斜拉索力信号的关键特性；首先收集的索力信号数据作为卷积神经网络模型的输入数据，输入数据通过三个卷积层进行特征抽取，然后经由两个全连接层进行特性整合，最终输出预训练的卷积神经网络模型。
4.根据权利要求1所述的一种基于孤立森林的斜拉索工作状态监测方法，其特征在于，所述步骤6具体包括：
步骤6.1：以物理模型和材料属性为基础构建斜拉索异常情况的斜拉桥有限元模型，进行网格划分和边界条件设置，再通过改变材料属性或边界条件，以模拟斜拉索的异常状态，生成初步的异常索力参考样本；
步骤6.2：将步骤5中生成的正常索力样本，以及步骤6.1生成的初步的异常索力参考样本一同作为GAN模型的输入，GAN模型采用深度卷积生成对抗网络，生成器部分由卷积反卷积网络构成，目标为通过学习数据分布生成新的、符合数据分布的索力信号；判别器部分由卷积网络构成，任务是判断输入的索力信号样本是真实的还是由生成器生成的；
步骤6.3：在模型训练过程中，首先使用正常索力样本和初步的异常索力参考样本进行预训练，然后通过控制噪声输入，在索力信号中引入预设的异常情况；将生成器模型进行设定轮数的训练，每一轮训练包括两个阶段：首先固定判别器参数，优化生成器参数，使生成的假样本能通过判别器的判断；然后固定生成器参数，优化判别器参数，使判别器能正确区分真假样本；以上两个阶段交替进行，直到模型收敛；训练结束后，生成器生成预设异常情况下的异常索力样本。
5.根据权利要求1所述的一种基于孤立森林的斜拉索工作状态监测方法，其特征在于，所述步骤7具体包括：
步骤7.1：在编码阶段，CVAE模型学习将索力响应的原始数据映射到一个低维的潜在空间中；在此过程中，CVAE模型通过优化隐变量的后验分布和先验分布之间的Kullback-Leibler散度，来捕捉原始数据的关键信息；
步骤7.2：在解码阶段，CVAE模型优化生成数据与原始数据之间的重构损失，从低维潜在空间中重构出新的数据，从而捕获数据的分布特征信息。
6.根据权利要求1所述的一种基于孤立森林的斜拉索工作状态监测方法，其特征在于，所述步骤8和步骤9之前还包括：通过使用独立的验证数据集对模型进行评估，具体为：
步骤a：收集N个斜拉桥在各种运营状态下的实际索力信号；
步骤b：依据有限元模型，在正常工况和预设异常工况下生成索力信号样本；其中，应用蒙特卡洛抽样法，从这些样本中抽取出2N个正常工况样本和2N个异常工况样本；
步骤c：采用已训练的生成的GAN模型，生成额外的预设异常索力信号样本，同样利用蒙特卡洛抽样法，抽取出其中的2N个样本；
步骤d：整合四类数据，形成包含7N个样本的独立验证数据集；此数据集中，索力信号作为输入，而对应的健康状态值或异常状态值作为输出；
步骤e：选择精度、查准率、查全率和F1分数这四个分类模型评估指标来评估步骤6中的GAN模型或步骤8中的孤立森林模型的预测性能和泛化能力；
步骤f：若模型预测效果不理想，则对生成对抗网络模型或孤立森林模型进行调优；对于GAN模型的调优，包括调整GAN模型的架构、优化器的设置、学习率，同时尝试不同的损失函数或引入正则化技术以改进模型的表现；对于孤立森林模型的调优，包括调整样本的分割方式、树的数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311151305.8A CN116881819B (zh) | 2023-09-07 | 2023-09-07 | 一种基于孤立森林的斜拉索工作状态监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311151305.8A CN116881819B (zh) | 2023-09-07 | 2023-09-07 | 一种基于孤立森林的斜拉索工作状态监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116881819A CN116881819A (zh) | 2023-10-13 |
| CN116881819B true CN116881819B (zh) | 2023-11-14 |
Family
ID=88262626
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311151305.8A Active CN116881819B (zh) | 2023-09-07 | 2023-09-07 | 一种基于孤立森林的斜拉索工作状态监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116881819B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117332341B (zh) * | 2023-11-28 | 2024-02-02 | 贵州空港智能科技有限公司 | 基于物联网的飞机轮挡数据智能管理方法及*** |
| CN117647367B (zh) * | 2024-01-29 | 2024-04-16 | 四川航空股份有限公司 | 一种基于机器学习的飞机油箱漏点定位方法及*** |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110619345A (zh) * | 2019-07-22 | 2019-12-27 | 重庆交通大学 | 面向斜拉桥监测数据有效性的标签可信度综合验证方法 |
| CN111638077A (zh) * | 2020-05-29 | 2020-09-08 | 中铁大桥科学研究院有限公司 | 一种基于前端处理的斜拉索智能监测方法及*** |
| CN111967185A (zh) * | 2020-08-10 | 2020-11-20 | 哈尔滨工业大学 | 基于索力和位移分布相关性建模的斜拉桥状态评估方法 |
| CN113255035A (zh) * | 2021-05-17 | 2021-08-13 | 西安电子科技大学 | 一种中小型桥梁监测数据的融合办法 |
| 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 |
| CN114169374A (zh) * | 2021-12-10 | 2022-03-11 | 湖南工商大学 | 一种斜拉桥斜拉索损伤识别方法及电子设备 |
| CN115048998A (zh) * | 2022-06-13 | 2022-09-13 | 大连理工大学 | 一种基于监测数据的斜拉桥群索索力异常识别定位方法 |
| CN115456104A (zh) * | 2022-09-27 | 2022-12-09 | 大连理工大学 | 一种对传感器故障不敏感的桥梁拉索异常识别定位方法 |
| CN115577436A (zh) * | 2022-11-17 | 2023-01-06 | 成都理工大学 | 一种求解不确定结构风致振动响应的组合深度学习方法 |
| CN116043659A (zh) * | 2022-07-08 | 2023-05-02 | 中南大学 | 一种具有桥面线形调节功能的高速铁路斜拉桥 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ITBO20070756A1 (it) * | 2007-11-16 | 2009-05-17 | Filippo Bastianini | Dispositivo per il monitoraggio dello stato di salute di strutture |
-
2023
- 2023-09-07 CN CN202311151305.8A patent/CN116881819B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110619345A (zh) * | 2019-07-22 | 2019-12-27 | 重庆交通大学 | 面向斜拉桥监测数据有效性的标签可信度综合验证方法 |
| CN111638077A (zh) * | 2020-05-29 | 2020-09-08 | 中铁大桥科学研究院有限公司 | 一种基于前端处理的斜拉索智能监测方法及*** |
| CN111967185A (zh) * | 2020-08-10 | 2020-11-20 | 哈尔滨工业大学 | 基于索力和位移分布相关性建模的斜拉桥状态评估方法 |
| CN113255035A (zh) * | 2021-05-17 | 2021-08-13 | 西安电子科技大学 | 一种中小型桥梁监测数据的融合办法 |
| 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 |
| CN114169374A (zh) * | 2021-12-10 | 2022-03-11 | 湖南工商大学 | 一种斜拉桥斜拉索损伤识别方法及电子设备 |
| CN115048998A (zh) * | 2022-06-13 | 2022-09-13 | 大连理工大学 | 一种基于监测数据的斜拉桥群索索力异常识别定位方法 |
| CN116043659A (zh) * | 2022-07-08 | 2023-05-02 | 中南大学 | 一种具有桥面线形调节功能的高速铁路斜拉桥 |
| CN115456104A (zh) * | 2022-09-27 | 2022-12-09 | 大连理工大学 | 一种对传感器故障不敏感的桥梁拉索异常识别定位方法 |
| CN115577436A (zh) * | 2022-11-17 | 2023-01-06 | 成都理工大学 | 一种求解不确定结构风致振动响应的组合深度学习方法 |
Non-Patent Citations (4)
| Title |
|---|
| Cumulative displacement-based detection of damper malfunction in bridges using data-driven isolation forest algorithm;Zhen Sun;《Engineering Failure Analysis》;第143卷;1-15 * |
| 公路桥梁与车辆耦合振动研究现状与发展趋势;李小珍;张黎明;张洁;;工程力学(03);230-240 * |
| 分片响应面法在随机振动响应分析中的应用;朱思宇等;《振动工程学报》;第33卷(第1期);105-110 * |
| 基于深度学习的桥梁健康监测数据有效性诊断研究;马天立;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;C034-493 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116881819A (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116881819B (zh) | 一种基于孤立森林的斜拉索工作状态监测方法 | |
| Jiang et al. | Two-stage structural damage detection using fuzzy neural networks and data fusion techniques | |
| CN111859724A (zh) | 一种混合驱动的无砟轨道疲劳寿命预测方法和*** | |
| Bao et al. | A Deep Transfer Learning Network for Structural Condition Identification with Limited Real‐World Training Data | |
| CN109614669A (zh) | 网级桥梁结构性能评估预测方法 | |
| Mantawy et al. | Convolutional neural network based structural health monitoring for rocking bridge system by encoding time‐series into images | |
| CN115146842A (zh) | 基于深度学习的多元时间序列趋势预测方法和*** | |
| Rosso et al. | Review on deep learning in structural health monitoring | |
| Huang et al. | Physics-guided deep neural network for structural damage identification | |
| Chamangard et al. | Transfer learning for CNN‐based damage detection in civil structures with insufficient data | |
| CN113742983A (zh) | 基于深度自编码器神经网络的长跨结构损伤识别方法 | |
| CN116776267B (zh) | 一种用于桥梁施工控制的无监督数据处理方法及*** | |
| CN116050190B (zh) | 一种基于数字孪生的产品性能和退化状态分析方法 | |
| CN117272232A (zh) | 数据融合的隧道监测方法、装置、计算机设备及存储介质 | |
| CN116663425A (zh) | 基于模态拓展和残差cnn-lstm网络的桥梁车致振动预测方法 | |
| CN116070105A (zh) | 基于小波变换及残差网络的组合梁损伤识别方法及*** | |
| CN114550460B (zh) | 轨道交通异常检测方法、装置及存储介质 | |
| CN114118249A (zh) | 基于优化堆叠自编码器和多信号融合的结构损伤诊断方法 | |
| CN109959493B (zh) | 一种基于静挠度建模的斜拉桥拉索损伤实时定量评估方法 | |
| CN113420387B (zh) | 一种压实机械滚动轴承的迁移诊断方法和*** | |
| Desjardins | Structural health assessment of bridges by long-term vibration monitoring and automated operational modal analysis | |
| CN114861458B (zh) | 一种基于映射关系代理模型的桥上行车安全快速评价方法 | |
| Li et al. | Online Condition Assessment of Prestressed Hollow-Core Slab Bridges Based on 1d Cnn Using Acoustic Emission Technique | |
| CN117494026B (zh) | 寒潮气象下输电线路覆冰故障定位方法、***及存储介质 | |
| CN117367716B (zh) | 一种大跨人行景观桥舒适度测试与评估方法 |
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 |