一种基于车辆荷载空间分布的桥梁风险预测方法及系统专利检索-随机森林集成学习机器学习人工智能专利检索查询-专利查询网

一种基于车辆荷载空间分布的 桥梁 风险预测方法及系统

阅读：298发布：2020-05-11

专利汇可以提供一种基于车辆荷载空间分布的桥梁风险预测方法及系统专利检索，专利查询，专利分析的服务。并且本发明公开了一种基于车辆荷载空间分布的桥梁风险预测方法及系统，其中，预测方法包括：S1、在桥梁上均匀布置测速装置、若干传感器；S2、将传感器节点均分为多个传感器集群；S3、构建车辆荷载与所述桥梁拉索索力响应间的线性关系；S4、子节点、主节点采集索力数据通过主节点通过多跳形式发送至汇聚节点；S5、求解车辆荷载的空间分布；S6、基于桥梁形变数据及对应的荷载信息训练生成多个桥梁风险预测模型；S7、选择性能最好的风险预测模型作为最终的风险预测模型；S8、基于车辆荷载的空间分布对待预测桥梁进行桥梁风险预测。本发明通过车辆荷载空间分布预测桥梁风险，准确率高、实时性强。，下面是一种基于车辆荷载空间分布的桥梁风险预测方法及系统专利的具体信息内容。

权利要求

1.一种基于车辆荷载空间分布的桥梁风险预测方法，其特征在于，包括：
S1、在桥梁上均匀布置测速装置用于测量车辆的移动速度，同时在桥梁上布置若干传感器用于记录车致桥梁拉索索力响应；
S2、将所述传感器节点均分为多个传感器集群，选择所述传感器集群中的中心节点作为主节点，其余节点为子节点；
S3、建立车辆与桥梁的作用模型，基于所述模型构建车辆荷载与所述桥梁拉索索力响应间的线性关系；
S4、所述子节点采集索力数据发送给所属传感器集群中的主节点，主节点将接收的数据及自身采集的数据通过多跳形式发送至汇聚节点；
S5、引入稀疏约束，基于所述车辆荷载与所述桥梁拉索索力响应间的线性关系、所述汇聚节点接收的索力数据，求解车辆荷载的空间分布；
S6、采集历史桥梁形变数据及对应的荷载信息，分别对逻辑回归模型、卷积神经网络模型、时间序列聚类、随机森林、最近邻分类、K均值分类、隐马尔可夫模型、张量分解和深度波兹曼机应用进行训练，生成多个桥梁风险预测模型；
S7、评估基于逻辑回归模型、时间序列聚类、随机森林、最近邻分类、K均值分类、隐马尔可夫模型、张量分解和深度波兹曼机训练生成的桥梁风险预测模型的性能，选择性能最好的风险预测模型作为最终的风险预测模型；
S8、基于所述车辆荷载的空间分布，获取桥梁荷载，将所述桥梁荷载的值输入最终的风险预测模型，预测桥梁风险值。
2.根据权利要求1所述的桥梁风险预测方法，其特征在于，所述车辆荷载与所述桥梁拉索索力响应间的线性关系为：
其中，矩阵A的第i列表示拉索i的索力响应线，A的第u行表示在点u所引起的每个拉索的索力，为测得的索力向量，为车辆荷载向量。
3.根据权利要求2所述的桥梁风险预测方法，其特征在于，所述步骤S5包括：
假设仅有w个拉索设置有索力传感器，则有：
其中，，为随机抽样算子，用于将所有的索力
向量映射到测量的拉索索力向量；将转化成稀疏向量重构问题：
其中，为l1范数，为稀疏基变换系数向量；是通过l1最小范数优化方法计算出基变换系数；
对于包括噪声的测量的拉索索力向量，有：
其中e为高斯白噪声，
其中，是测量误差的上限。
4.根据权利要求1所述的桥梁风险预测方法，其特征在于，所述步骤S6包括：
构建卷积神经网络，卷积神经网络由输入层、卷积层、PReLU层、池化层、全连接层、输出层构成；具体包括5个卷积层，每个卷积层都附带一个带参数的非线性激活函数PReLU层，第一卷积层、第二个卷积层、第四个卷积层后连接有池化层，每一个池化层均采用最大池化的方法，第一卷积层与输入层连接，输入层输入的是历史桥梁形变数据对应的桥梁荷载信息，全连接层位于最后一个池化层和输出层之间，其中每一个神经元都与前一层的全部神经元相连接，并根据风险检测的需要，有针对性地将特征向量映射到输出层，输出层输出桥梁风险值；
利用大量的历史桥梁形变数据对卷积神经网络模型进行训练，计算卷积神经网络的损失函数，利用损失函数对卷积神经网络进行迭代、更新，基于深度学习的风险预测通过不断对卷积神经网络进行训练，使损失函数降到预期值，生成最终的卷积神经网络模型。
5.权利要求1所述的桥梁风险预测方法，其特征在于，所述桥梁荷载为桥梁上通行车辆的荷载相叠加。
6.一种车辆荷载空间分布的桥梁风险预测系统，其特征在于，包括：
设置模块，用于在桥梁上均匀布置测速装置用于测量车辆的移动速度，同时在桥梁上布置若干传感器用于记录车致桥梁拉索索力响应；
集群构建模块，用于将所述传感器节点均分为多个传感器集群，选择所述传感器集群中的中心节点作为主节点，其余节点为子节点；
建模模块，用于建立车辆与桥梁的作用模型，基于所述模型构建车辆荷载与所述桥梁拉索索力响应间的线性关系；
采集模块，用于所述子节点采集索力数据发送给所属传感器集群中的主节点，主节点将接收的数据及自身采集的数据通过多跳形式发送至汇聚节点；
车辆荷载计算模块，用于引入稀疏约束，基于所述车辆荷载与所述桥梁拉索索力响应间的线性关系、所述汇聚节点接收的索力数据，求解车辆荷载的空间分布；
风险预测模型构建模块，用于采集历史桥梁形变数据及对应的荷载信息，分别对逻辑回归模型、卷积神经网络模型、时间序列聚类、随机森林、最近邻分类、K均值分类、隐马尔可夫模型、张量分解和深度波兹曼机应用进行训练，生成多个桥梁风险预测模型；
选择模块，用于评估基于逻辑回归模型、时间序列聚类、随机森林、最近邻分类、K均值分类、隐马尔可夫模型、张量分解和深度波兹曼机训练生成的桥梁风险预测模型的性能，选择性能最好的风险预测模型作为最终的风险预测模型；
预测模块，用于基于所述车辆荷载的空间分布，获取桥梁荷载，将所述桥梁荷载的值输入最终的风险预测模型，预测桥梁风险值。
7.根据权利要求6所述的桥梁风险预测系统，其特征在于，所述车辆荷载与所述桥梁拉索索力响应间的线性关系为：
其中，矩阵A的第i列表示拉索i的索力响应线，A的第u行表示在点u所引起的每个拉索的索力，为测得的索力向量，为车辆荷载向量。
8.根据权利要求7所述的桥梁风险预测系统，其特征在于，所述车辆荷载计算模块包括：
假设仅有w个拉索设置有索力传感器，则有：
其中，，为随机抽样算子，用于将所有的索力
向量映射到测量的拉索索力向量；将转化成稀疏向量重构问题：
其中，为l1范数，为稀疏基变换系数向量；是通过l1最小范数优化方法计算出基变换系数；
对于包括噪声的测量的拉索索力向量，有：
其中e为高斯白噪声，
其中，是测量误差的上限。
9.根据权利要求6所述的桥梁风险预测系统，其特征在于，所述风险预测模型构建模块包括：
构建卷积神经网络，卷积神经网络由输入层、卷积层、PReLU层、池化层、全连接层、输出层构成；具体包括5个卷积层，每个卷积层都附带一个带参数的非线性激活函数PReLU层，第一卷积层、第二个卷积层、第四个卷积层后连接有池化层，每一个池化层均采用最大池化的方法，第一卷积层与输入层连接，输入层输入的是历史桥梁形变数据对应的桥梁荷载信息，全连接层位于最后一个池化层和输出层之间，其中每一个神经元都与前一层的全部神经元相连接，并根据风险检测的需要，有针对性地将特征向量映射到输出层，输出层输出桥梁风险值；
利用大量的历史桥梁形变数据对卷积神经网络模型进行训练，计算卷积神经网络的损失函数，利用损失函数对卷积神经网络进行迭代、更新，基于深度学习的风险预测通过不断对卷积神经网络进行训练，使损失函数降到预期值，生成最终的卷积神经网络模型。
10.权利要求6所述的桥梁风险预测系统，其特征在于，所述桥梁荷载为桥梁上通行车辆的荷载相叠加。

说明书全文

一种基于车辆荷载空间分布的桥梁 风险预测方法及系统

技术领域

[0001] 本发明涉及桥梁安全技术领域，具体涉及一种基于车辆荷载空间分布的桥梁风险预测方法及系统。

背景技术

[0002] 当今交通运输业飞速发展，公路桥梁经长时间的日晒雨淋、材料老化、结构损伤、超负荷运载，以及其他的不合理使用，容易产生剥落、锈蚀、裂缝和拉索变形等桥梁结构安全病害。1999-2009年我国共垮塌大桥30多座，且都是近30年内建成的，桥梁坍塌多会造成人员伤亡，公共安全危害极大。因此不断更新桥梁检测技术及方法显得尤为紧要，提高对桥梁数据的认知和有效利用，减少桥梁维修的频率和费用，增加桥梁的使用寿命，以保障公共安全。

[0003] 车辆荷载是影响公路桥梁安全性和使用性的重要因素之一。随着运输需求和汽车工业的不断发展，车辆超载现象日趋严峻，近年来出现了多起重车压垮桥梁的事故，引起了社会各界广泛的关注。

[0004] 公开号为CN 108763763 A的发明专利申请公开了一种桥梁结构应变响应异常预警方法，包括步骤(1)利用小波包分解方法对桥梁结构应变响应进行分离；(2)利用主成分分析方法提取桥梁环境温度场主成分；(3)基于自适应神经网络模糊推理系统建立实测环境荷载因素与对应应变数据之间的复杂非线性关系；(4)识别车辆在桥梁上的位置信息；(5)识别车辆几何参数及其轴重；(6)基于自适应神经网络模糊推理系统建立实测车辆荷载参数与对应应变数据之间的复杂非线性关系；(7)求解桥梁结构应变响应理论值；(8)对比桥梁结构应变响应理论求解结果及其实测结果，并对自适应神经网络模糊推理系统进行更新。

[0005] 上述申请利用动态称重系统识别行驶车辆的荷载参数，但该系统仅能测量车辆轴重，无法获得车辆的空间分布。在结构健康监测领域中，车辆荷载识别是一个重要的方向，但其实现并非易事。现有识别车辆模型参数的方法可主要分为：解析法、时域方法、时频域方法等。以上方法仅可得到车辆荷载的线状分布，均未考虑车辆荷载的空间分布。

[0006] 由于车桥相合作用和路面不平整等因素的影响，移动车载随时间和空间不断变化，因此，如何基于车辆荷载空间分布实现桥梁风险预测是本领域亟待解决的问题。

发明内容

[0007] 本发明的目的是针对现有技术的缺陷，提供了一种基于车辆荷载空间分布的桥梁风险预测方法及系统。本发明通过车辆荷载空间分布预测桥梁风险，准确率高、实时性强。

[0008] 为了实现以上目的，本发明采用以下技术方案：一种基于车辆荷载空间分布的桥梁风险预测方法，包括：
S1、在桥梁上均匀布置测速装置用于测量车辆的移动速度，同时在桥梁上布置若干传感器用于记录车致桥梁拉索索力响应；
S2、将所述传感器节点均分为多个传感器集群，选择所述传感器集群中的中心节点作为主节点，其余节点为子节点；
S3、建立车辆与桥梁的作用模型，基于所述模型构建车辆荷载与所述桥梁拉索索力响应间的线性关系；
S4、所述子节点采集索力数据发送给所属传感器集群中的主节点，主节点将接收的数据及自身采集的数据通过多跳形式发送至汇聚节点；
S5、引入稀疏约束，基于所述车辆荷载与所述桥梁拉索索力响应间的线性关系、所述汇聚节点接收的索力数据，求解车辆荷载的空间分布；
S6、采集历史桥梁形变数据及对应的荷载信息，分别对逻辑回归模型、卷积神经网络模型、时间序列聚类、随机森林、最近邻分类、K均值分类、隐马尔可夫模型、张量分解和深度波兹曼机应用进行训练，生成多个桥梁风险预测模型；
S7、评估基于逻辑回归模型、时间序列聚类、随机森林、最近邻分类、K均值分类、隐马尔可夫模型、张量分解和深度波兹曼机训练生成的桥梁风险预测模型的性能，选择性能最好的风险预测模型作为最终的风险预测模型；
S8、基于所述车辆荷载的空间分布，获取桥梁荷载，将所述桥梁荷载的值输入最终的风险预测模型，预测桥梁风险值。

[0009] 进一步地，所述车辆荷载与所述桥梁拉索索力响应间的线性关系为：其中，矩阵A的第i列表示拉索i的索力响应线，A的第u行表示在点u所引起的每个拉索的索力，为测得的索力向量，为车辆荷载向量。

[0010] 进一步地，所述步骤S5包括：假设仅有w个拉索设置有索力传感器，则有：
其中，，为随机抽样算子，用于将所有的索力
向量映射到测量的拉索索力向量；将转化成稀疏向量重构问题：
其中，为l1范数，为稀疏基变换系数向量；是通过l1最小范数优化方法计算出基变换系数；
对于包括噪声的测量的拉索索力向量，有：
其中e为高斯白噪声，
其中，是测量误差的上限。

[0011] 进一步地，所述步骤S6包括：构建卷积神经网络，卷积神经网络由输入层、卷积层、PReLU层、池化层、全连接层、输出层构成；具体包括5个卷积层，每个卷积层都附带一个带参数的非线性激活函数PReLU层，第一卷积层、第二个卷积层、第四个卷积层后连接有池化层，每一个池化层均采用最大池化的方法，第一卷积层与输入层连接，输入层输入的是历史桥梁形变数据对应的桥梁荷载信息，全连接层位于最后一个池化层和输出层之间，其中每一个神经元都与前一层的全部神经元相连接，并根据风险检测的需要，有针对性地将特征向量映射到输出层，输出层输出桥梁风险值；
利用大量的历史桥梁形变数据对卷积神经网络模型进行训练，计算卷积神经网络的损失函数，利用损失函数对卷积神经网络进行迭代、更新，基于深度学习的风险预测通过不断对卷积神经网络进行训练，使损失函数降到预期值，生成最终的卷积神经网络模型。

[0012] 进一步地，所述桥梁荷载为桥梁上通行车辆的荷载相叠加。

[0013] 本发明还提出一种车辆荷载空间分布的桥梁风险预测系统，包括：设置模块，用于在桥梁上均匀布置测速装置用于测量车辆的移动速度，同时在桥梁上布置若干传感器用于记录车致桥梁拉索索力响应；
集群构建模块，用于将所述传感器节点均分为多个传感器集群，选择所述传感器集群中的中心节点作为主节点，其余节点为子节点；
建模模块，用于建立车辆与桥梁的作用模型，基于所述模型构建车辆荷载与所述桥梁拉索索力响应间的线性关系；
采集模块，用于所述子节点采集索力数据发送给所属传感器集群中的主节点，主节点将接收的数据及自身采集的数据通过多跳形式发送至汇聚节点；
车辆荷载计算模块，用于引入稀疏约束，基于所述车辆荷载与所述桥梁拉索索力响应间的线性关系、所述汇聚节点接收的索力数据，求解车辆荷载的空间分布；
风险预测模型构建模块，用于采集历史桥梁形变数据及对应的荷载信息，分别对逻辑回归模型、卷积神经网络模型、时间序列聚类、随机森林、最近邻分类、K均值分类、隐马尔可夫模型、张量分解和深度波兹曼机应用进行训练，生成多个桥梁风险预测模型；
选择模块，用于评估基于逻辑回归模型、时间序列聚类、随机森林、最近邻分类、K均值分类、隐马尔可夫模型、张量分解和深度波兹曼机训练生成的桥梁风险预测模型的性能，选择性能最好的风险预测模型作为最终的风险预测模型；
预测模块，用于基于所述车辆荷载的空间分布，获取桥梁荷载，将所述桥梁荷载的值输入最终的风险预测模型，预测桥梁风险值。

[0014] 进一步地，所述车辆荷载与所述桥梁拉索索力响应间的线性关系为：其中，矩阵A的第i列表示拉索i的索力响应线，A的第u行表示在点u所引起的每个拉索的索力，为测得的索力向量，为车辆荷载向量。

[0015] 进一步地，所述车辆荷载计算模块包括：假设仅有w个拉索设置有索力传感器，则有：
其中，，为随机抽样算子，用于将所有的索力
向量映射到测量的拉索索力向量；将转化成稀疏向量重构问题：
其中，为l1范数，为稀疏基变换系数向量；是通过l1最小范数优化方法计算出基变换系数；
对于包括噪声的测量的拉索索力向量，有：
其中e为高斯白噪声，
其中，是测量误差的上限。

[0016] 进一步地，所述风险预测模型构建模块包括：构建卷积神经网络，卷积神经网络由输入层、卷积层、PReLU层、池化层、全连接层、输出层构成；具体包括5个卷积层，每个卷积层都附带一个带参数的非线性激活函数PReLU层，第一卷积层、第二个卷积层、第四个卷积层后连接有池化层，每一个池化层均采用最大池化的方法，第一卷积层与输入层连接，输入层输入的是历史桥梁形变数据对应的桥梁荷载信息，全连接层位于最后一个池化层和输出层之间，其中每一个神经元都与前一层的全部神经元相连接，并根据风险检测的需要，有针对性地将特征向量映射到输出层，输出层输出桥梁风险值；
利用大量的历史桥梁形变数据对卷积神经网络模型进行训练，计算卷积神经网络的损失函数，利用损失函数对卷积神经网络进行迭代、更新，基于深度学习的风险预测通过不断对卷积神经网络进行训练，使损失函数降到预期值，生成最终的卷积神经网络模型。

[0017] 进一步地，所述桥梁荷载为桥梁上通行车辆的荷载相叠加。

[0018] 与现有技术相比，本发明具有如下优点：（1）本发明充分考虑了车桥相合作用和路面不平整等因素的影响，对车辆荷载的空间分布进行计算，使计算的车辆荷载与实际的荷载更相符合，提高了基于车辆荷载进行桥梁风险预测的准确性；
（2）本发明将桥梁索力信息采集的传感器节点划分成多个传感器集群，集群中的主节点负责集群内信息的收集与传输，提高了传感器网络生命周期，降低了传感器的电量消耗。
同时，通过将中心节点作为主节点，使得其余子节点到主节点的代价和最短，有效提高了传感器网络的数据采集效率；
（3）本发明不需要大量的传感器信息，当部分传感器检测到桥梁拉索索力信息时，也能对对桥梁的索力响应进行恢复，由此获取相应的车辆荷载，大大降低了数据的处理量，提高了数据的处理效率，增强了风险预测的及时性；
（4）本发明充分考虑信号采集、无线传输过程中所带来的噪声的干扰，在存在噪声的情况下，仍能有效获取有效的索力信息，提高了车辆荷载计算的精度，进一步提高了风险预测的准确性；
（5）本发明训练生成多个桥梁风险预测模型，并选择性能最好的风险预测模型进行风险预测，针对桥梁数据的特点，选择最适应的风险预测模型，风险预测效果好。
附图说明

[0019] 图1是实施例一提供的一种基于车辆荷载空间分布的桥梁风险预测方法流程图；图2是实施例二提供的一种车辆荷载空间分布的桥梁风险预测系统结构图。

具体实施方式

[0020] 以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

[0021] 需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

[0022] 下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

[0023] 实施例一如图1 所示，本实施例提出了一种基于车辆荷载空间分布的桥梁风险预测方法，包括：
S1、在桥梁上均匀布置测速装置用于测量车辆的移动速度，同时在桥梁上布置若干传感器用于记录车致桥梁拉索索力响应；
车辆荷载是影响公路桥梁安全性和使用性的重要因素之一，由于车桥相合作用和路面不平整等因素的影响，移动车载随时间和空间不断变化，也就是说，车辆对桥梁的影响随时间和空间也是不断变化的。因此，为了准确预测桥梁风险，本发明对车辆荷载的空间进行计算。具体地，车辆与桥梁相互作用，以拉索桥为例，车辆的不同荷载所引起的拉索桥中拉索的索力不同。因此，本发明在桥梁上布置若干传感器用于记录车致桥梁拉索索力响应，通过对拉索索力的检测间接计算车辆荷载。同时，车辆荷载的空间分布包括车辆荷载随时间和空间的变化，因此，本发明在桥梁上均匀布置测速装置用于测量车辆的移动速度，以对车辆在桥梁上的行驶时间进行预测。

[0024] S2、将所述传感器节点均分为多个传感器集群，选择所述传感器集群中的中心节点作为主节点，其余节点为子节点；用传感器节点采集桥梁拉索索力响应信息时，传感器之间所采集到的相同参数的数据往往存在着很强的相关性。如果让所有节点的数据进行网络传输，会让协调器长时间工作，耗电量大而减短无线网络的使用寿命。因此，为了提高传感器网络生命周期和能量均衡消耗，本发明将采集桥梁响应信息的传感器节点均分为多个传感器集群，选择传感器集群中的中心节点作为主节点，其余节点为子节点。通过将传感器集群中的中心节点作为主节点，使得其余子节点到主节点的代价和最短，有效提高了传感器网络的数据采集效率。

[0025] S3、建立车辆与桥梁的作用模型，基于所述模型构建车辆荷载与所述桥梁拉索索力响应间的线性关系；车辆荷载是桥梁荷载上的关键荷载，本发明以拉索桥为例，由于拉索桥在车辆荷载的作用下呈现线性特征，因此，多个车辆荷载对桥梁的影响可以相互叠加。众所周知，拉索桥包括多个拉索，对于拉索i，其中i=1,2,...,m，其中m为拉索桥所包含的整体拉索数量，由车辆荷载在采样时刻所引起的拉索i的索力响应
为：
其中，n为车辆数，为第j个车辆荷载，为第j个车辆荷载的作用
点，为第i个拉索的索力响应，为采样间隔，k为采样次序，Q为采样总数。对于i=1,
2,...,m，上述索力响应可以转化为：
设
其中，A能通过对桥梁的测试或基于桥梁有限元模型的数字模拟测得，矩阵A的第i列表示拉索i的索力响应线，A的第u行表示在点u所引起的每个拉索的索力。因此，可得车辆荷载与所述桥梁拉索索力响应间的线性关系为：
其中，为测得的索力向量，为车辆荷载向量。

[0026] S4、所述子节点采集索力数据发送给所属传感器集群中的主节点，主节点将接收的数据及自身采集的数据通过多跳形式发送至汇聚节点；如上所述，本发明将传感器节点均分为多个传感器集群，以提高传感器网络生命周期和能量均衡消耗。子节点采集桥梁拉索的索力数据后，统一发送给所属传感器集群中的主节点，主节点对接收到的子节点数据和自身采集的数据进行稀疏投影后，传输到汇聚节点。

[0027] S5、引入稀疏约束，基于所述车辆荷载与所述桥梁拉索索力响应间的线性关系、所述汇聚节点接收的索力数据，求解车辆荷载的空间分布；实际桥梁风险预测过程中，能够测量的拉索索力数量有限。假设仅有w个拉索设置有索力传感器，则有：
其中，，为随机抽样算子，用于将所有的索力
向量映射到测量的拉索索力向量。

[0028] 将转化成稀疏向量重构问题：其中，为l1范数，为稀疏基变换系数向量；是通过l1最小范数优化方法计算出基变换系数。

[0029] 在实际的信号采集、无线传输过程中，不可避免的会有噪声的干扰，也就是说绝对稀疏的信号很少，大部分信号是近似稀疏的，因此有：其中e为高斯白噪声。

[0030] 因此，其中，是测量误差的上限。

[0031] 由此，可以根据计算的、汇聚节点接收的索力数据，求解车辆荷载的空间分布。

[0032] S6、采集历史桥梁形变数据及对应的荷载信息，分别对逻辑回归模型、卷积神经网络模型、时间序列聚类、随机森林、最近邻分类、K均值分类、隐马尔可夫模型、张量分解和深度波兹曼机应用进行训练，生成多个桥梁风险预测模型；本发明从历史的检测报告中，获取桥梁形变数据，不同的形变对应的桥梁风险值不同。
形变越高，桥梁风险越高。因此，为获取的每个形变数据设置对应的垮塌风险值。如果桥梁垮塌，桥梁风险值为1，如果桥梁完好无损，其风险值为0。

[0033] 将获取的历史桥梁形变数据及对应的荷载信息作为样本数据，对逻辑回归模型、卷积神经网络模型、时间序列聚类、随机森林、最近邻分类、K均值分类、隐马尔可夫模型、张量分解和深度波兹曼机应用进行训练。获取到样本数据后，需要对样本数据需预处理的对象（噪声，缺失值，离群点和漂移）进行清洗，例如带通滤波、希-黄变换、盲源分离、小波变换和移动平均等清洗方法。具体地，对于每个历史桥梁形变数据，获取主要致灾因子所对应的值作为模型的输入，相应的垮塌风险值作为模型的输出，不断对预测模型进行训练。

[0034] 由于不同的训练模型对不同的数据有不同的预测效果。因此，本发明训练生成多种预测模型，并根据各模型的性能选择最优的模型，进一步优化桥梁风险的预测效果。

[0035] 以卷积神经网络为例，本发明首先构建卷积神经网络，卷积神经网络由输入层、卷积层、PReLU层、池化层、全连接层、输出层构成。具体包括5个卷积层，每个卷积层都附带一个带参数的非线性激活函数PReLU层，第一卷积层、第二个卷积层、第四个卷积层后连接有池化层，每一个池化层均采用最大池化的方法，第一卷积层与输入层连接，输入层输入的是历史桥梁形变数据对应的桥梁荷载信息，全连接层位于最后一个池化层和输出层之间，其中每一个神经元都与前一层的全部神经元相连接，并根据风险检测的需要，有针对性地将特征向量映射到输出层。输出层输出桥梁风险值。本发明利用大量的历史桥梁形变数据及对应的车辆荷载信息对卷积神经网络模型进行训练，计算卷积神经网络的损失函数，利用损失函数对卷积神经网络进行迭代、更新，基于深度学习的风险预测通过不断对卷积神经网络进行训练，使损失函数降到预期值，生成最终的卷积神经网络模型。

[0036] S7、评估基于逻辑回归模型、时间序列聚类、随机森林、最近邻分类、K均值分类、隐马尔可夫模型、张量分解和深度波兹曼机训练生成的桥梁风险预测模型的性能，选择性能最好的风险预测模型作为最终的风险预测模型；本发明对多个风险预测模型进行训练，选择出表现最优的风险预测模型，以提高风险预测的效率。具体地，对于逻辑回归模型一般采用均方误差（Mean Squared Error，MSE）来评估预测数据与获取数据间的误差，其值越接近0模型越准确，并采用确定系数（R-Square）来评估变量对模型的解释能力，越接近1则模型对数据的拟合能力越好。对于时间序列聚类、最近邻分类等分类模型，采用K-折叠交叉验证，通过得到的混淆矩阵计算精确率、召回率和准确率，而得到各模型自身的评价估值，值越接近1则精准率越高。另外通过接收灵敏度曲线（Receiver Operating Characteristic，ROC）可用来评价模型的优劣，并通过曲线下面积（Area Under Characteristic，AUC）越大，则预测准确概率越高，来选择最佳阈值，一般情况下AUC值高于0.75则表示模型预测有效。基于以上各模型的不同特点，与各种评估方法相结合，最终选取最佳风险预测模型，以确保模型的解释性、有效性及准确性。

[0037] S8、基于所述车辆荷载的空间分布，获取桥梁荷载，将所述桥梁荷载的值输入最终的风险预测模型，预测桥梁风险值。

[0038] 对于待预测风险的桥梁，本发明基于车辆荷载与桥梁拉索索力响应间的线性关系、汇聚节点接收的索力数据，求解每个车辆荷载的空间分布。桥梁上可能同时通过多个车辆，多个车辆荷载对桥梁的影响可以相互叠加。本发明主要考虑车辆荷载对桥梁风险的影响，因此，本发明忽略其他荷载，在求解得到每个车辆荷载的空间分布后，将桥梁上通行车辆的荷载相叠加，得到桥梁荷载。计算得到的桥梁荷载输入最终的风险预测模型，得到预测的桥梁风险值。

[0039] 本发明周期性地预测桥梁风险值，当预测的桥梁风险值超过一定阈值后，对桥梁安全进行预警。将相应的风险预警信息通过短信的方式传输给监管人员，监管人员及时对通过桥梁的车辆进行限制，维护桥梁安全，避免桥梁荷载对桥梁安全的影响。

[0040] 实施例2如图2所示，本实施例提出了一种车辆荷载空间分布的桥梁风险预测系统，包括：
设置模块，用于在桥梁上均匀布置测速装置用于测量车辆的移动速度，同时在桥梁上布置若干传感器用于记录车致桥梁拉索索力响应；
车辆荷载是影响公路桥梁安全性和使用性的重要因素之一，由于车桥相合作用和路面不平整等因素的影响，移动车载随时间和空间不断变化，也就是说，车辆对桥梁的影响随时间和空间也是不断变化的。因此，为了准确预测桥梁风险，本发明对车辆荷载的空间进行计算。具体地，车辆与桥梁相互作用，以拉索桥为例，车辆的不同荷载所引起的拉索桥中拉索的索力不同。因此，本发明在桥梁上布置若干传感器用于记录车致桥梁拉索索力响应，通过对拉索索力的检测间接计算车辆荷载。同时，车辆荷载的空间分布包括车辆荷载随时间和空间的变化，因此，本发明在桥梁上均匀布置测速装置用于测量车辆的移动速度，以对车辆在桥梁上的行驶时间进行预测。

[0041] 集群构建模块，用于将所述传感器节点均分为多个传感器集群，选择所述传感器集群中的中心节点作为主节点，其余节点为子节点；用传感器节点采集桥梁拉索索力响应信息时，传感器之间所采集到的相同参数的数据往往存在着很强的相关性。如果让所有节点的数据进行网络传输，会让协调器长时间工作，耗电量大而减短无线网络的使用寿命。因此，为了提高传感器网络生命周期和能量均衡消耗，本发明将采集桥梁响应信息的传感器节点均分为多个传感器集群，选择传感器集群中的中心节点作为主节点，其余节点为子节点。通过将传感器集群中的中心节点作为主节点，使得其余子节点到主节点的代价和最短，有效提高了传感器网络的数据采集效率。

[0042] 建模模块，用于建立车辆与桥梁的作用模型，基于所述模型构建车辆荷载与所述桥梁拉索索力响应间的线性关系；车辆荷载是桥梁荷载上的关键荷载，本发明以拉索桥为例，由于拉索桥在车辆荷载的作用下呈现线性特征，因此，多个车辆荷载对桥梁的影响可以相互叠加。众所周知，拉索桥包括多个拉索，对于拉索i，其中i=1,2,...,m，其中m为拉索桥所包含的整体拉索数量，由车辆荷载在采样时刻所引起的拉索i的索力响应
为：
其中，n为车辆数，为第j个车辆荷载，为第j个车辆荷载的作用
点，为第i个拉索的索力响应，为采样间隔，k为采样次序，Q为采样总数。对于i=1,
2,...,m，上述索力响应可以转化为：
设
其中，A能通过对桥梁的测试或基于桥梁有限元模型的数字模拟测得，矩阵A的第i列表示拉索i的索力响应线，A的第u行表示在点u所引起的每个拉索的索力。因此，可得车辆荷载与所述桥梁拉索索力响应间的线性关系为：
其中，为测得的索力向量，为车辆荷载向量。

[0043] 采集模块，用于所述子节点采集索力数据发送给所属传感器集群中的主节点，主节点将接收的数据及自身采集的数据通过多跳形式发送至汇聚节点；如上所述，本发明将传感器节点均分为多个传感器集群，以提高传感器网络生命周期和能量均衡消耗。子节点采集桥梁拉索的索力数据后，统一发送给所属传感器集群中的主节点，主节点对接收到的子节点数据和自身采集的数据进行稀疏投影后，传输到汇聚节点。

[0044] 车辆荷载计算模块，用于引入稀疏约束，基于所述车辆荷载与所述桥梁拉索索力响应间的线性关系、所述汇聚节点接收的索力数据，求解车辆荷载的空间分布；实际桥梁风险预测过程中，能够测量的拉索索力数量有限。假设仅有w个拉索设置有索力传感器，则有：
其中，，为随机抽样算子，用于将所有的索力
向量映射到测量的拉索索力向量。

[0045] 将转化成稀疏向量重构问题：其中，为l1范数，为稀疏基变换系数向量；是通过l1最小范数优化方法计算出基变换系数。

[0046] 在实际的信号采集、无线传输过程中，不可避免的会有噪声的干扰，也就是说绝对稀疏的信号很少，大部分信号是近似稀疏的，因此有：其中e为高斯白噪声。

[0047] 因此，其中，是测量误差的上限。

[0048] 由此，可以根据计算的、汇聚节点接收的索力数据，求解车辆荷载的空间分布。

[0049] 风险预测模型构建模块，用于采集历史桥梁形变数据及对应的荷载信息，分别对逻辑回归模型、卷积神经网络模型、时间序列聚类、随机森林、最近邻分类、K均值分类、隐马尔可夫模型、张量分解和深度波兹曼机应用进行训练，生成多个桥梁风险预测模型；本发明从历史的检测报告中，获取桥梁形变数据，不同的形变对应的桥梁风险值不同。
形变越高，桥梁风险越高。因此，为获取的每个形变数据设置对应的垮塌风险值。如果桥梁垮塌，桥梁风险值为1，如果桥梁完好无损，其风险值为0。

[0050] 将获取的历史桥梁形变数据及对应的荷载信息作为样本数据，对逻辑回归模型、卷积神经网络模型、时间序列聚类、随机森林、最近邻分类、K均值分类、隐马尔可夫模型、张量分解和深度波兹曼机应用进行训练。获取到样本数据后，需要对样本数据需预处理的对象（噪声，缺失值，离群点和漂移）进行清洗，例如带通滤波、希-黄变换、盲源分离、小波变换和移动平均等清洗方法。具体地，对于每个历史桥梁形变数据，获取主要致灾因子所对应的值作为模型的输入，相应的垮塌风险值作为模型的输出，不断对预测模型进行训练。

[0051] 由于不同的训练模型对不同的数据有不同的预测效果。因此，本发明训练生成多种预测模型，并根据各模型的性能选择最优的模型，进一步优化桥梁风险的预测效果。

[0052] 以卷积神经网络为例，本发明首先构建卷积神经网络，卷积神经网络由输入层、卷积层、PReLU层、池化层、全连接层、输出层构成。具体包括5个卷积层，每个卷积层都附带一个带参数的非线性激活函数PReLU层，第一卷积层、第二个卷积层、第四个卷积层后连接有池化层，每一个池化层均采用最大池化的方法，第一卷积层与输入层连接，输入层输入的是历史桥梁形变数据对应的桥梁荷载信息，全连接层位于最后一个池化层和输出层之间，其中每一个神经元都与前一层的全部神经元相连接，并根据风险检测的需要，有针对性地将特征向量映射到输出层。输出层输出桥梁风险值。本发明利用大量的历史桥梁形变数据及对应的车辆荷载信息对卷积神经网络模型进行训练，计算卷积神经网络的损失函数，利用损失函数对卷积神经网络进行迭代、更新，基于深度学习的风险预测通过不断对卷积神经网络进行训练，使损失函数降到预期值，生成最终的卷积神经网络模型。

[0053] 选择模块，用于评估基于逻辑回归模型、时间序列聚类、随机森林、最近邻分类、K均值分类、隐马尔可夫模型、张量分解和深度波兹曼机训练生成的桥梁风险预测模型的性能，选择性能最好的风险预测模型作为最终的风险预测模型；本发明对多个风险预测模型进行训练，选择出表现最优的风险预测模型，以提高风险预测的效率。具体地，对于逻辑回归模型一般采用均方误差（Mean Squared Error，MSE）来评估预测数据与获取数据间的误差，其值越接近0模型越准确，并采用确定系数（R-Square）来评估变量对模型的解释能力，越接近1则模型对数据的拟合能力越好。对于时间序列聚类、最近邻分类等分类模型，采用K-折叠交叉验证，通过得到的混淆矩阵计算精确率、召回率和准确率，而得到各模型自身的评价估值，值越接近1则精准率越高。另外通过接收灵敏度曲线（Receiver Operating Characteristic，ROC）可用来评价模型的优劣，并通过曲线下面积（Area Under Characteristic，AUC）越大，则预测准确概率越高，来选择最佳阈值，一般情况下AUC值高于0.75则表示模型预测有效。基于以上各模型的不同特点，与各种评估方法相结合，最终选取最佳风险预测模型，以确保模型的解释性、有效性及准确性。

[0054] 预测模块，用于基于所述车辆荷载的空间分布，获取桥梁荷载，将所述桥梁荷载的值输入最终的风险预测模型，预测桥梁风险值。

[0055] 对于待预测风险的桥梁，本发明基于车辆荷载与桥梁拉索索力响应间的线性关系、汇聚节点接收的索力数据，求解每个车辆荷载的空间分布。桥梁上可能同时通过多个车辆，多个车辆荷载对桥梁的影响可以相互叠加。本发明主要考虑车辆荷载对桥梁风险的影响，因此，本发明忽略其他荷载，在求解得到每个车辆荷载的空间分布后，将桥梁上通行车辆的荷载相叠加，得到桥梁荷载。计算得到的桥梁荷载输入最终的风险预测模型，得到预测的桥梁风险值。

[0056] 本发明周期性地预测桥梁风险值，当预测的桥梁风险值超过一定阈值后，对桥梁安全进行预警。将相应的风险预警信息通过短信的方式传输给监管人员，监管人员及时对通过桥梁的车辆进行限制，维护桥梁安全，避免桥梁荷载对桥梁安全的影响。

[0057] 由此可知，本发明提出的基于车辆荷载空间分布的桥梁风险预测方法及系统，充分考虑了车桥相合作用和路面不平整等因素的影响，对车辆荷载的空间分布进行计算，使计算的车辆荷载与实际的荷载更相符合，提高了基于车辆荷载进行桥梁风险预测的准确性；将桥梁索力信息采集的传感器节点划分成多个传感器集群，集群中的主节点负责集群内信息的收集与传输，提高了传感器网络生命周期，降低了传感器的电量消耗。同时，通过将中心节点作为主节点，使得其余子节点到主节点的代价和最短，有效提高了传感器网络的数据采集效率；此外，不需要大量的传感器信息，当部分传感器检测到桥梁拉索索力信息时，也能对对桥梁的索力响应进行恢复，由此获取相应的车辆荷载，大大降低了数据的处理量，提高了数据的处理效率，增强了风险预测的及时性；再者，充分考虑信号采集、无线传输过程中所带来的噪声的干扰，在存在噪声的情况下，仍能有效获取有效的索力信息，提高了车辆荷载计算的精度，进一步提高了风险预测的准确性；最后，训练生成多个桥梁风险预测模型，并选择性能最好的风险预测模型进行风险预测，针对桥梁数据的特点，选择最适应的风险预测模型，风险预测效果好。

[0058] 注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

标题	发布/更新时间	阅读量
一种点面融合的时序PM2.5空间分布估算方法	2020-05-08	498
一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法	2020-05-11	518
一种区域性桥梁风险预测方法及系统	2020-05-13	454
一种大数据和BMS结合的电动汽车优化充电方法	2020-05-11	553
一种基于大数据的压延机压延质量预警系统	2020-05-08	180
一种数据清洗与质量评价方法及系统	2020-05-12	515
一种基于基因谱的乳腺癌淋巴结转移预测方法及预测系统	2020-05-08	66
基于双目视觉的自动消防水炮的火焰检测方法	2020-05-12	572
基于城市空间结构的人群聚集度预测模型构建方法及装置	2020-05-12	965
金融主客体动态信用评估方法及装置	2020-05-08	737

一种基于车辆荷载空间分布的桥梁风险预测方法及系统

一种基于车辆荷载空间分布的桥梁风险预测方法及系统

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：