基于投影重构与深度学习的公路结构健康预测方法及系统技术方案

本发明专利技术公开的基于投影重构与深度学习的公路结构健康预测方法及系统，包括：获取公路基础设施的监测数据；利用奇异值分解方法对监测数据进行重构分解，获得分解后数据；根据分解后数据和训练好的公路结构健康预测模型，获得公路结构健康预测结果，其中，公路结构健康预测模型的训练过程为：获取公路基础设施的历史监测数据；利用奇异值分解方法对历史监测数据进行重构分解，获得分解后历史监测数据；利用分解后历史监测数据对公路结构健康预测模型进行训练。实现了对公路结构健康的准确预测。测。测。

【技术实现步骤摘要】
基于投影重构与深度学习的公路结构健康预测方法及系统


[0001]本专利技术涉及公路结构健康预测
，尤其涉及基于投影重构与深度学习的公路结构健康预测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]一些重要的公路基础设施在建设期间需要建立监测系统对结构的变形受力等物理量进行实时监测；同时，在运营期间，公路基础设施结构长期受各类耦合作用影响，不可避免地导致结构抗力衰减，同样需要建立监测系统实时获取结构的各类响应，并对结构安全性进行实时评估及预警。
[0004]利用已有的历史监测数据，通过对未来监测数据的精准预测，进而建立动态的预警模型是对结构安全进行预警的有效方法。然而，目前监测数据的预测技术大多通过多元非线性回归、机器学习等方法建立环境温度、风速与结构响应的关系模型，进而对监测数据进行预测，这种方式不能预测得到未来的监测数据；同时，传统的机器学习方法，例如支持向量回归、BP神经网络、自回归移动平均方法对未来监测数据的预测精度较低，一般不能满足动态预警需求。此外，公路基础设施监测数据受各类耦合作用的共用影响，这也加大了对未来监测数据预测的难度。

技术实现思路

[0005]本专利技术为了解决上述问题，提出了基于投影重构与深度学习的公路结构健康预测方法及系统，实现了通过对公路结构进行监测，对公路结构健康状态的准确预测。
[0006]为实现上述目的，本专利技术采用如下技术方案：
[0007]第一方面，提出了基于投影重构与深度学习的公路结构健康预测方法，包括：
[0008]获取公路基础设施的监测数据；
[0009]利用奇异值分解方法对监测数据进行重构分解，获得分解后数据；
[0010]根据分解后数据和训练好的公路结构健康预测模型，获得公路结构健康预测结果，其中，公路结构健康预测模型的训练过程为：获取公路基础设施的历史监测数据；利用奇异值分解方法对历史监测数据进行重构分解，获得分解后历史监测数据；利用分解后历史监测数据对公路结构健康预测模型进行训练。
[0011]第二方面，提出了基于投影重构与深度学习的公路结构健康预测系统，包括：
[0012]数据获取模块，用于获取公路基础设施的监测数据；
[0013]数据分解重构模块，用于利用奇异值分解方法对监测数据进行重构分解，获得分解后数据；
[0014]健康结果预测模块，用于根据分解后数据和训练好的公路结构健康预测模型，获得公路结构健康预测结果，其中，公路结构健康预测模型的训练过程为：获取公路基础设施
的历史监测数据；利用奇异值分解方法对历史监测数据进行重构分解，获得分解后历史监测数据；利用分解后历史监测数据对公路结构健康预测模型进行训练。
[0015]第三方面，提出了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成基于投影重构与深度学习的公路结构健康预测方法所述的步骤。
[0016]第四方面，提出了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成基于投影重构与深度学习的公路结构健康预测方法所述的步骤。
[0017]与现有技术相比，本专利技术的有益效果为：
[0018]1、本专利技术通过对公路基础设施进行数据监测，实现了对公路结构健康状态的准确预测。
[0019]2、本专利技术在对公路结构的健康状态进行预测时，获取了不同类型的监测数据，利用奇异值分解方法对各类监测数据进行了重构分解，考虑了多种监测数据对公路结构健康的耦合影响，提高了公路结构健康状态预测的准确性。
[0020]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0021]构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
[0022]图1为实施例1公开方法的流程图；
[0023]图2为实施例1中提及的三跨预应力混凝土连续箱梁桥；
[0024]图3为实施例1中应变传感器现场安装图像；
[0025]图4为实施例1中应变传感器安装位置图；
[0026]图5为实施例1中全部奇异值数值大小图；
[0027]图6为实施例1中2～5奇异值局部放大图；
[0028]图7为实施例1中#1应变传感器预测结果、实测结果及预测误差图；
[0029]图8为实施例1中#2应变传感器预测结果、实测结果及预测误差图；
[0030]图9为实施例1中#3应变传感器预测结果、实测结果及预测误差图；
[0031]图10为实施例1中#4应变传感器预测结果、实测结果及预测误差图；
[0032]图11为实施例1中#5应变传感器预测结果、实测结果及预测误差图；
[0033]图12为实施例1中#1应变传感器预测结果图。
具体实施方式
[0034]下面结合附图与实施例对本专利技术作进一步说明。
[0035]应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。
[0036]实施例1
[0037]在该实施例中，公开了基于投影重构与深度学习的公路结构健康预测方法，包括：
[0038]获取公路基础设施的监测数据；
[0039]利用奇异值分解方法对监测数据进行重构分解，获得分解后数据；
[0040]根据分解后数据和训练好的公路结构健康预测模型，获得公路结构健康预测结果，其中，公路结构健康预测模型的训练过程为：获取公路基础设施的历史监测数据；利用奇异值分解方法对历史监测数据进行重构分解，获得分解后历史监测数据；利用分解后历史监测数据对公路结构健康预测模型进行训练。
[0041]对本实施例公开的基于投影重构与深度学习的公路结构健康预测方法进行详细说明，基于投影重构与深度学习的公路结构健康预测方法，如图1所示，包括：
[0042]S1：公路基础设施的历史监测数据。
[0043]其中，历史监测数据包括结构变形数据、应变数据、挠度数据和结构温度数据。根据数据类型对获取的历史监测数据进行分类，获得多类历史监测数据。
[0044]将历史监测数据划分为训练集和验证集，如式(1)所示：
[0045]X＝[X
tra
,X
val
]ꢀꢀ
(1)
[0046]式中，X为多类历史监测数据；X
tra
为训练集，其中n表示传感器个数，m1表示训练集样本数；X
val
为验证集，其中m2表示验证集样本数。
[0047]S2：利用奇异值分解方法对训练集和验证集中数据进行重构分解，获得分解后训本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于投影重构与深度学习的公路结构健康预测方法，其特征在于，包括：获取公路基础设施的监测数据；利用奇异值分解方法对监测数据进行重构分解，获得分解后数据；根据分解后数据和训练好的公路结构健康预测模型，获得公路结构健康预测结果，其中，公路结构健康预测模型的训练过程为：获取公路基础设施的历史监测数据；利用奇异值分解方法对历史监测数据进行重构分解，获得分解后历史监测数据；利用分解后历史监测数据对公路结构健康预测模型进行训练。2.如权利要求1所述的基于投影重构与深度学习的公路结构健康预测方法，其特征在于，利用奇异值分解方法对监测数据进行重构分解的过程为：计算监测数据的协方差矩阵；对协方差矩阵进行奇异值分解，获得左奇异向量矩阵；将监测数据投影至左奇异向量矩阵的各奇异向量中，获得各特征子空间；将各特征子空间映射至原监测数据空间，获得分解后数据。3.如权利要求1所述的基于投影重构与深度学习的公路结构健康预测方法，其特征在于，将历史监测数据划分为训练集和验证集；利用奇异值分解方法对训练集和验证集中数据进行重构分解，获得分解后训练集和验证集；利用分解后训练集对公路结构健康预测模型进行训练；利用分解后验证集对训练后的公路结构健康预测模型进行验证。4.如权利要求3所述的基于投影重构与深度学习的公路结构健康预测方法，其特征在于，获得分解后训练集和验证集的过程为：计算训练集中数据的协方差矩阵；对协方差矩阵进行奇异值分解，获得训练用的左奇异向量矩阵；将训练集中数据与验证集中数据分别投影至训练用的左奇异向量矩阵的各奇异向量中，获得训练集的各特征子空间和验证集的各特征子空间；将训练集的各特征子空间映射至原训练集的数据空间，获得分解后训练集；将验证集的各特征子空间映射至原验证集的数据空间，获得分解后验证集。5.如权利要求3所述的基于投影重构与深度学习的公路结构健康预测方法，其特征在于，分别对分解后训练集和分解后验证集进行标准化处理，获得标准化训练集和标准化验证集；利用数据滑动...

【专利技术属性】
技术研发人员：钟国强，徐润，曹建新，王康迪，柳尚，王超，宋杰，
申请(专利权)人：山东省交通规划设计院集团有限公司，
类型：发明
国别省市：