基于振动取能RFID传感器与联邦学习的桥梁状态监测方法技术

本发明专利技术提供一种基于振动取能RFID传感器与联邦学习的桥梁状态监测方法，中心云服务器将初始化的全局模型参数推送至各个参与联邦训练的RFID传感器，RFID传感器根据各自本地采集的桥梁振动数据进行训练，得到各自的本地模型参数，然后中心云服务器根据联邦平均算法进行融合更新，得到更新后的全局模型参数并再次推送，直至所有RFID传感器的本地模型均达到损失函数最小化，得到最终的全局模型参数，接着RFID传感器利用本地个性化数据对最终的全局模型参数进行训练，能够减小中心云服务器的数据处理压力，且提升了监测的针对性，泛化能力更优，最后通过全局个性化模型对桥梁状态进行监测，有效提升了桥梁状态监测的准确度。有效提升了桥梁状态监测的准确度。有效提升了桥梁状态监测的准确度。

【技术实现步骤摘要】
基于振动取能RFID传感器与联邦学习的桥梁状态监测方法


[0001]本专利技术涉及公路设施检测
，特别是涉及一种基于振动取能RFID传感器与联邦学习的桥梁状态监测方法。

技术介绍

[0002]桥梁是现代交通运输体系中至关重要的环节之一，其健康状态对社会生产生活有着至关重要的作用，目前大多数的桥梁都是由钢筋混凝土构成，在车辆的频繁往来中不可避免会存在损耗与破坏情况，对桥梁的实时状态监测有利于加强交通安全，为社会生产生活稳定提供保障。
[0003]目前对桥梁的状态监测方法主要依靠人工外观检查以及定期现场测试，这些方法都属于传统的检测方法，是一种事后分析的监测方法，对于潜在性故障无法及时识别，已不能满足现在状态检修的发展趋势。目前虽有也有一些采用数字化进行桥梁状态监测的手段，但还存在云端服务器数据处理压力大、监测针对性差、监测准确度低的问题。

技术实现思路

[0004]本专利技术的目的在于提供一种基于振动取能RFID传感器与联邦学习的桥梁状态监测方法，以解决现有技术中云端服务器数据处理压力大、监测针对性差、监测准确度低的问题。
[0005]一种基于振动取能RFID传感器与联邦学习的桥梁状态监测方法，应用于桥梁状态监测装置，所述桥梁状态监测装置包括依次电性连接的压电能量采集器、能量管理电路和RFID传感器，压电能量采集器用于对桥梁振动能量进行采集，并将桥梁振动能量转化为非稳定直流电，能量管理电路用于将非稳定直流电进行稳压处理，得到稳定的直流电，通过稳定的直流电对RFID传感器进行供电；所述方法包括：中心云服务器随机生成一个初始化的全局模型参数，并将推送至各个参与联邦训练的RFID传感器；各个参与联邦训练的RFID传感器接收到后，根据各自本地采集的桥梁振动数据训练，得到各自的本地模型参数，所有参与联邦训练的RFID传感器同步训练，将各自的本地模型参数上传至中心云服务器，中心云服务器根据联邦平均算法对所有的本地模型参数进行融合更新，得到更新后的全局模型参数；中心云服务器将更新后的全局模型参数再次下发至所有参与联邦训练的RFID传感器，以进行下一轮本地训练，如此迭代训练，直至所有参与联邦训练的RFID传感器的本地模型均达到损失函数最小化，其中，对于第r个参与联邦训练的RFID传感器，满足条件式：
其中，表示第r个参与联邦训练的RFID传感器的本地模型参数，表示第r个参与联邦训练的RFID传感器的本地模型的损失函数，表示学习率，b表示一个批量的训练样本中的样本数，表示梯度下降；所有参与联邦训练的RFID传感器的本地模型均达到损失函数最小化后，各个参与联邦训练的RFID传感器将最后一次迭代训练得到的本地模型参数上传至中心云服务器，中心云服务器根据联邦平均算法进行融合更新，得到最终的全局模型参数；中心云服务器将最终的全局模型参数下发至所有参与联邦训练的RFID传感器；各个参与联邦训练的RFID传感器利用本地个性化数据对上述最终的全局模型参数进行训练，得到各个参与联邦训练的RFID传感器的本地个性化输出模型；对与最终的全局模型参数对应的隐含层和各个参与联邦训练的RFID传感器的本地个性化输出模型的输出层进行拼接操作，得到全局个性化模型；通过全局个性化模型对桥梁状态进行监测，得到监测结果。
[0006]根据本专利技术提供的基于振动取能RFID传感器与联邦学习的桥梁状态监测方法，中心云服务器将初始化的全局模型参数推送至各个参与联邦训练的RFID传感器后，RFID传感器根据各自本地采集的桥梁振动数据进行训练，得到各自的本地模型参数，然后中心云服务器根据联邦平均算法进行融合更新，得到更新后的全局模型参数并再次推送，直至所有RFID传感器的本地模型均达到损失函数最小化，然后中心云服务器得到最终的全局模型参数，接着RFID传感器利用本地个性化数据对最终的全局模型参数进行训练，得到各个参与联邦训练的RFID传感器的本地个性化输出模型，减小了中心云服务器的数据处理压力，且提升了监测的针对性，泛化能力更优，最后对与最终的全局模型参数对应的隐含层和各个参与联邦训练的RFID传感器的本地个性化输出模型的输出层进行拼接操作，得到全局个性化模型，通过全局个性化模型对桥梁状态进行监测，有效提升了桥梁状态监测的准确度，适用于桥梁状态监测领域大规模的应用。
[0007]此外，本专利技术采用压电能量采集器以及能量管理电路将车辆通过桥梁产生的振动能量转化为电能，避免了现有的RFID传感器使用锂电池需要频繁更换电池的弊端。
附图说明
[0008]图1为桥梁状态监测装置的结构框图；图2为能量管理电路的电路结构示意图。
具体实施方式
[0009]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0010]本专利技术的实施例提供一种基于振动取能RFID传感器与联邦学习的桥梁状态监测方法，应用于桥梁状态监测装置。
[0011]请参阅图1至图2，所述桥梁状态监测装置包括依次电性连接的压电能量采集器10、能量管理电路20和RFID传感器30，压电能量采集器10用于对桥梁振动能量进行采集，并将桥梁振动能量转化为非稳定直流电，压电能量采集器10可以采用压电陶瓷。能量管理电路20用于将非稳定直流电进行稳压处理，得到稳定的直流电，通过稳定的直流电对RFID传感器30进行供电。
[0012]所述能量管理电路20包括全波桥式整流电路、欠压闭锁电路、超级电容C4和低压降稳压器、第二电阻R2、第一电容C1和第五电容C5。
[0013]所述压电能量采集器10、所述全波桥式整流电路、所述欠压闭锁电路、所述超级电容C4、所述低压降稳压器和所述RFID传感器30依次电性连接。
[0014]所述全波桥式整流电路包括依次首位相连的第一二极管D1、第二二极管D2、第三二极管D3、第四二极管D4，所述压电能量采集器10的一端连接在所述第一二极管D1和所述第二二极管D2之间，所述压电能量采集器10的另一端连接在所述第三二极管D3和所述第四二极管D4之间。
[0015]所述欠压闭锁电路包括TPS62120芯片、第一电阻R1、第一电感L1、第二电容C2和第三电容C3，所述TPS62120芯片的VIN管脚连接在所述第二二极管D2和所述第四二极管D4之间。
[0016]所述低压降稳压器采用LT3009芯片，所述LT3009芯片的IN管脚与所述TPS62120芯片的VOUT管脚电性连接。
[0017]所述第一电阻R1的一端接地，所述第一电阻R1的另一端与所述TPS62120芯片的FB管脚电性连接，所述第一电感L1的一端与所述TPS62120芯片的SW管脚电性连接，所述第一电感L1的另一端分别与所述TPS62120芯片的VOUT管脚以及所述LT3009芯片的IN管脚和SHDN本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于振动取能RFID传感器与联邦学习的桥梁状态监测方法，其特征在于，应用于桥梁状态监测装置，所述桥梁状态监测装置包括依次电性连接的压电能量采集器、能量管理电路和RFID传感器，压电能量采集器用于对桥梁振动能量进行采集，并将桥梁振动能量转化为非稳定直流电，能量管理电路用于将非稳定直流电进行稳压处理，得到稳定的直流电，通过稳定的直流电对RFID传感器进行供电；所述方法包括：中心云服务器随机生成一个初始化的全局模型参数，并将推送至各个参与联邦训练的RFID传感器；各个参与联邦训练的RFID传感器接收到后，根据各自本地采集的桥梁振动数据训练，得到各自的本地模型参数，所有参与联邦训练的RFID传感器同步训练，将各自的本地模型参数上传至中心云服务器，中心云服务器根据联邦平均算法对所有的本地模型参数进行融合更新，得到更新后的全局模型参数；中心云服务器将更新后的全局模型参数再次下发至所有参与联邦训练的RFID传感器，以进行下一轮本地训练，如此迭代训练，直至所有参与联邦训练的RFID传感器的本地模型均达到损失函数最小化，其中，对于第r个参与联邦训练的RFID传感器，满足条件式：其中，表示第r个参与联邦训练的RFID传感器的本地模型参数，表示第r个参与联邦训练的RFID传感器的本地模型的损失函数，表示学习率，b表示一个批量的训练样本中的样本数，表示梯度下降；所有参与联邦训练的RFID传感器的本地模型均达到损失函数最小化后，各个参与联邦训练的RFID传感器将最后一次迭代训练得到的本地模型参数上传至中心云服务器，中心云服务器根据联邦平均算法进行融合更新，得到最终的全局模型参数；中心云服务器将最终的全局模型参数下发至所有参与联邦训练的RFID传感器；各个参与联邦训练的RFID传感器利用本地个性化数据对上述最终的全局模型参数进行训练，得到各个参与联邦训练的RFID传感器的本地个性化输出模型；对与最终的全局模型参数对应的隐含层和各个参与联邦训练的RFID传感器的本地个性化输出模型的输出层进行拼接操作，得到全局个性化模型；通过全局个性化模型对桥梁状态进行监测，得到监测结果。2.根据权利要求1所述的基于振动取能RFID传感器与联邦学习的桥梁状态监测方法，其特征在于，中心云服务器根据联邦平均算法对所有的本地模型参数进行融合更新，得到更新后的全局模型参数的步骤中，更新后的全局模型参数的表达式为：其中，R表示参与联邦训练的RFID传感器的总数。
3.根据权利要求1所述的基于振动取能RFID传感器与联邦学习的桥梁状态监测方法，其特征在于，第r个参与联邦训练的RFID传感器的本地模型的损失函数采用L2范数进行表示，具体表达式如下：其中，Yt表示桥梁状态真实值，表示通过全局模型计算得出的桥梁状态值。4.根据权利要求3所述的基于振动取能RFID传感器与联邦学习的桥梁状态监测方法，其特征在于，对与最终的全局模型参数对应的隐含层和各个参与联邦训练的RFID传感器的本地个性化输出模型的输出层进...

【专利技术属性】
技术研发人员：邓芳明，汪涛，何怡刚，李兵，沈阳，卢金勤，周双喜，程海根，聂吉利，揭保如，喻盛球，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：