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方案

本发明专利技术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。本发明专利技术通过车辆荷载空间分布预测桥梁风险，准确率高、实时性强。

A bridge risk prediction method and system based on the spatial distribution of vehicle load

【技术实现步骤摘要】
一种基于车辆荷载空间分布的桥梁风险预测方法及系统
本专利技术涉及桥梁安全
，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。
技术介绍
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。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。公开号为CN108763763A的专利技术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。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。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。
技术实现思路
本专利技术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。本专利技术通过车辆荷载空间分布预测桥梁风险，准确率高、实时性强。为了实现以上目的，本专利技术采用以下技术方案：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。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。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。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。进一步地，所述桥梁荷载为桥梁上通行车辆的荷载相叠加。本专利技术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。进一步地，所述本文档来自技高网...

【技术保护点】
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：/nS1、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；/nS2、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；/nS3、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；/nS4、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；/nS5、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；/nS6、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；/nS7、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；/nS8、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。/n...

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：宋杰，张亮，董梅，胡辉，
申请(专利权)人：杭州鲁尔物联科技有限公司，
类型：发明
国别省市：浙江;33