一种基于监测数据与深度学习的桥梁阻尼比识别方法技术

本发明专利技术提供了一种基于监测数据与深度学习的桥梁阻尼比识别方法，该方法改进了深度学习方法中可对图片执行语义分割任务的U

【技术实现步骤摘要】
一种基于监测数据与深度学习的桥梁阻尼比识别方法


[0001]本专利技术涉及桥梁结构健康监测与计算机深度学习应用
，特别是涉及一种基于监测数据与深度学习的桥梁阻尼比识别方法。

技术介绍

[0002]阻尼比可表征桥梁结构在动力荷载作用下的能量耗散能力，在以桥梁抗震、抗风、人致振动控制等为目的的动力分析中具有关键的作用，相应规范一般会视结构材料、激励形式的不同将桥梁阻尼比设为0.003到0.05之间的某一定值。然而，处于运营状态下的桥梁会受环境与运营荷载等多种因素的影响，结构阻尼比并不会保持恒定。若在动力分析中采用规范建议的阻尼比取值，所计算的动力响应可能与实际情况存在较大偏差，从而难以掌握结构真实的振动情况以反馈结构动力设计或振动控制。因此，能够实现对实际桥梁结构阻尼比的可靠观测，进而准确认知阻尼比的长期变化规律十分必要。
[0003]由于不可能长期中断交通以开展有针对性的动力测试，桥梁结构阻尼比的识别需利用环境激励下、由桥梁结构健康监测(structural health monitoring,SHM)系统观测的长期加速度监测数据，并由工作模态分析方法计算。具体算法包括半功率带宽法、随机子空间法、特征系统实现法、Hilbert
‑
Huang变换、带有外部输入的自回归法、频域分解法等方法。不过，这些算法在由SHM数据计算阻尼比时各有不足。例如，半功率带宽法在外部激励无法观测的情况下会产生较大误差，且对频率分辨率有很高的要求；随机子空间法、特征系统实现法等须假定环境激励为白噪声，与实际情况并不相同；Hilbert
‑
Huang变换是一种基于经验的信号处理方法，本身存在一些问题。这使得利用监测数据识别的阻尼比往往呈现较大的离散性，结果的可靠性不高。
[0004]已有较多研究证实，使用基于结构自由衰减响应的指数衰减法所计算的阻尼比要更为准确、可靠。尽管如此，指数衰减法使用的前提是观测数据中存在自由衰减的动力响应，因此多被用在可通过跳车、坠物等模拟脉冲激励的动力测试中。由于需要封闭交通，这类测试的次数较为有限，不足以形成具有统计意义的阻尼比长期观测数据。实际上，桥梁SHM数据中也存在自由衰减响应数据，其可由单辆车通过时对桥梁的激励产生。对小跨径桥梁，当车流量相对较小、车速较快时，会存在较多单车过桥的荷载工况，因此可形成大样本的自由衰减响应数据供指数衰减法使用，达成对阻尼比更为可靠的识别与长期规律分析。虽然如此，因车速、车重、桥梁长度的不同，SHM数据中的自由衰减响应会呈现出不同的时长及变化形式。通过专业人员手动筛选可用的自由衰减响应段数据固然可行，但在海量监测数据下，这一过程将极为耗时费力，绝非人力所及。因此，如何自动识别海量监测数据中适用于阻尼比计算的自由衰减响应段并准确定位其发生及结束的时间是有待解决的关键问题，设计一种基于监测数据与深度学习的桥梁阻尼比识别方法是十分必要的。

技术实现思路

[0005]本专利技术的目的是提供一种基于监测数据与深度学习的桥梁阻尼比识别方法，能够
自动识别海量监测数据中适用于阻尼比计算的自由衰减响应段，进而利用指数衰减法计算桥梁结构的阻尼比，为阻尼比长期变化规律分析提供可靠的数据基础。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种基于监测数据与深度学习的桥梁阻尼比识别方法，包括如下步骤：
[0008]步骤1：采集桥梁加速度监测数据，手动筛选桥梁加速度监测数据中具有理想衰减形状的自由衰减响应段，并对其发生的时段进行语义标注，构建针对加速度自由衰减响应段的语义分割数据集；
[0009]步骤2：基于计算机视觉中执行图片语义分割任务的深度神经网络，构建可从桥梁加速度监测数据中识别自由衰减响应段的时间序列语义分割模型；
[0010]步骤3：通过语义分割数据集对语义分割模型进行训练、评估及调优；
[0011]步骤4：将未经标注的加速度监测数据输入调优后的语义分割模型中，对加速度监测数据中的加速度自由衰减响应段进行识别定位；
[0012]步骤5：对识别定位得到的加速度自由衰减响应段进行纠偏处理，拾取自由衰减段各振动周期内的峰值及谷值，通过指数衰减法计算阻尼比。
[0013]可选的，步骤1中，采集桥梁加速度监测数据，手动筛选桥梁加速度监测数据中具有理想衰减形状的自由衰减响应段，并对其发生的时段进行语义标注，构建针对加速度自由衰减响应段的语义分割数据集，具体为：
[0014]采集桥梁加速度监测数据，对桥梁加速度监测数据中每一加速度时间序列数据，生成具有相同时间戳的标签时间序列数据，将所有时刻的初始标签设置为0，手动筛选加速度时间序列数据中的自由衰减段，并将自由衰减段对应时段的初始标签的标签值修改为1，对加速度时间序列数据进行标准化处理，使其均值为0，标准差为1，将标准化处理后的数据按0.8：0.1：0.1的比例拆分为训练集、验证集及测试集。
[0015]可选的，基于计算机视觉中执行图片语义分割任务的深度神经网络，构建可从桥梁加速度监测数据中识别自由衰减响应段的时间序列语义分割模型，具体为：
[0016]改进计算机视觉中执行图片语义分割任务的U
‑
Net深度神经网络模型，将U
‑
Net模型中的二维卷积层替换为一维卷积层，并更改输入层长度；将U
‑
Net模型中的ReLU激活函数替换为LeakyReLU激活函数；修改U
‑
Net模型中的编码器及解码器各卷积层的尺寸，使编码器及解码器对称位置卷积层间的跳跃连接能够以直接拼接的方式实现；修改U
‑
Net模型的输出层的长度及通道数，并将输出层激活函数修改为Sigmoid。
[0017]可选的，通过语义分割数据集对语义分割模型进行训练、评估及调优，具体为：
[0018]利用训练集及验证集对语义分割模型进行训练及验证；定义交并比为语义分割模型的性能度量，利用测试集对模型进行性能评估；对语义分割模型的卷积核尺寸进行调优。
[0019]可选的，将未经标注的加速度监测数据输入调优后的语义分割模型中，对加速度监测数据中的加速度自由衰减响应段进行识别定位，具体为：
[0020]对未经标注的加速度监测数据进行标准化处理，处理完毕后输入调优后的语义分割模型中，获取加速度监测数据中各数据点属于自由衰减响应段的概率值；设定判断阈值，将概率值大于判断阈值的数据段识别为自由衰减响应段；对输入语义分割模型中的加速度监测数据进行反标准化处理；对所有获取的自由衰减响应段进行筛选，保留其中具有足够采样长度的数据段。
[0021]可选的，对识别定位得到的加速度自由衰减响应段进行纠偏处理，拾取自由衰减段各振动周期内的峰值及谷值，通过指数衰减法计算阻尼比，具体为：
[0022]对获取的加速度自由衰减响应段进行去除趋势项及纠正偏移处理；截除自由衰减响应段尾部可能存在高频噪声的数据段，提取其余时段各波峰及波谷处的加速度幅值，计算其自本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于监测数据与深度学习的桥梁阻尼比识别方法，其特征在于，包括如下步骤：步骤1：采集桥梁加速度监测数据，手动筛选桥梁加速度监测数据中具有理想衰减形状的自由衰减响应段，并对其发生的时段进行语义标注，构建针对加速度自由衰减响应段的语义分割数据集；步骤2：基于计算机视觉中执行图片语义分割任务的深度神经网络，构建可从桥梁加速度监测数据中识别自由衰减响应段的时间序列语义分割模型；步骤3：通过语义分割数据集对语义分割模型进行训练、评估及调优；步骤4：将未经标注的加速度监测数据输入调优后的语义分割模型中，对加速度监测数据中的加速度自由衰减响应段进行识别定位；步骤5：对识别定位得到的加速度自由衰减响应段进行纠偏处理，拾取自由衰减段各振动周期内的峰值及谷值，通过指数衰减法计算阻尼比。2.根据权利要求1所述的基于监测数据与深度学习的桥梁阻尼比识别方法，其特征在于，步骤1中，采集桥梁加速度监测数据，手动筛选桥梁加速度监测数据中具有理想衰减形状的自由衰减响应段，并对其发生的时段进行语义标注，构建针对加速度自由衰减响应段的语义分割数据集，具体为：采集桥梁加速度监测数据，对桥梁加速度监测数据中每一加速度时间序列数据，生成具有相同时间戳的标签时间序列数据，将所有时刻的初始标签设置为0，手动筛选加速度时间序列数据中的自由衰减段，并将自由衰减段对应时段的初始标签的标签值修改为1，对加速度时间序列数据进行标准化处理，使其均值为0，标准差为1，将标准化处理后的数据按0.8：0.1：0.1的比例拆分为训练集、验证集及测试集。3.根据权利要求1所述的基于监测数据与深度学习的桥梁阻尼比识别方法，其特征在于，基于计算机视觉中执行图片语义分割任务的深度神经网络，构建可从桥梁加速度监测数据中识别自由衰减响应段的时间序列语义分割模型，具体为：改进计算机视觉中执行图片语义分割任务的U
‑
Net深度神经网络模型，将U
‑
Net模型中的二维卷积层替换...

【专利技术属性】
技术研发人员：尚志强，夏烨，陈林，马乃轩，王阳春，辛公锋，孙利民，
申请(专利权)人：同济大学山东高速工程检测有限公司，
类型：发明
国别省市：