一种采用混合数据进行桥梁动态称重的连续神经网络算法制造技术

本发明专利技术公开一种采用混合数据进行桥梁动态称重的连续神经网络算法。本发明专利技术使用连续神经网络模型对桥梁主梁和桥面板的应变信息进行处理，得到车辆的横向加载位置、车辆总重和轴重，包括获取车辆速度，建立神经网络模型；训练全局神经网络，获得车辆横向加载位置以及总重；训练局部神经网络，获得车辆轴重等步骤。本发明专利技术采用混合数据和连续神经网络模型，只需少量的试验数据，利用相邻主梁的应变信息即可同时实现对车辆总重和横向加载位置的预测，并且对车辆总重和轴重的识别兼具独立性和制约性，识别精度高，降低了获取训练数据的难度和成本，提高了算法的稳定性，对不同加载路线上的车辆具有良好适应性，能够适用于各种类型的桥梁。梁。梁。

【技术实现步骤摘要】
一种采用混合数据进行桥梁动态称重的连续神经网络算法


[0001]本专利技术属于人工智能领域，涉及桥梁动态称重或车辆荷载监测，具体涉及一种采用混合数据进行桥梁动态称重的连续神经网络算法。

技术介绍

[0002]在桥梁领域，常用的车辆称重方法主要包括静态称重法和桥梁动态称重（BWIM）方法。静态称重方法需要车辆停车或以极低速度行驶，主要识别车辆总重，车辆单轴轴重难以识别，且需设置专门称重站，因此在实际应用中很受限制。桥梁动态称重系统近年来得到不断发展，越来越多地运用于车辆限载和桥梁结构的状态评估与健康监测中。BWIM方法将既有桥梁作为一个称重秤，可以在不中断交通的情况下连续不断的检测桥梁在车辆通行过程中的动态响应信号，并以此反推车辆的重量信息。为了提升识别精度，桥梁动态称重系统的改进方法得到越来越多的研究。中国专利技术CN115909223A提供了一种BWIM系统信息与监控视频数据相匹配的方法和系统，旨在基于视觉的桥梁交通荷载分析过程中，融合WIM系统数据，从而能够提供更多有利的信息。中国专利技术CN115900906A提供了一种基于边梁跨中测点应变的桥梁动态称重方法，利用梯度下降算法将边梁跨中测点应变响应的理论值与实测值之间的误差进行反向传播，并通过不断迭代，对未知轴重车辆的轴重进行循环修正，最终提升车辆轴重的识别精度。
[0003]BWIM技术的主要目的是获取通过桥梁的行驶车辆的总重与轴重等信息。
[0004]（1）计算轴重与总重：桥梁动态称重技术主要采用桥梁的理论影响线和车辆荷载作用位置，经过线性叠加建立以车辆轴重为未知量的桥梁响应的理论预测值，并通过优化算法降低桥梁响应理论预测值与实际测量值之间的差距以求解未知的车辆轴重，然后将求解的各轴重相加得到车辆总重预测值。然而，由于车辆的总重经各轴重相加得到，会造成误差累积，使得车辆总重的误差增大。此外，也有研究基于桥梁应变响应与车辆轴距、速度等已知信息采用人工神经网络（ANN）技术来预测车辆总重与轴重分配系数，并将预测得到的车辆总重和轴重分配系数相乘得到车辆各轴重。但此做法同样会造成误差的累积，增大车辆轴重的求解误差。上述基于预测的轴重得到车辆总重，或者基于预测的车辆总重得到车辆轴重的思路在预测车重时均会造成预测误差的直接累积。
[0005]（2）实现动态称重所需数据量：传统基于Moses算法的桥梁动态称重技术在识别车辆轴重时依赖桥梁的影响线，车辆加载下的桥梁实际影响线与BWIM系统采用的影响线越接近，求解的轴重准确性越高，反之准确性越低，而准确的桥梁实际影响线往往需要大量的模拟数据和试验数据的校核来获得。此外，采用人工神经网络对车辆总重和轴重分配系数同时进行准确预测也需要大量的训练数据，特别是试验加载数据。而在实际工程中，大量试验加载数据的获取往往难度大、成本高。
[0006]（3）计算横向加载位置：
目前BWIM系统采用桥梁的一维影响线，当车辆偏离预定的加载路线时，影响线之间的相似性降低，对未知车辆重量的求解难度会显著提升，车重识别精度降低。若考虑实际工程中常见的车辆跑偏等横向加载位置变化的情况，则需要桥梁二维影响面信息，在获取桥梁理论上与实际加载下的二维影响面信息都需要大量的桥梁模型信息，计算难度增加。

技术实现思路

[0007]针对现有BWIM技术存在的难以直接同时获得车辆总重与轴重，需要基于其中一项进行加和或分配得到另一项，易造成误差累积，依赖大量实验或试验数据，对沿任意路线行驶车辆的车重识别精度低，且需要复杂的桥梁影响面信息等技术问题，本专利技术提供一种采用混合数据进行桥梁动态称重的连续神经网络算法，采用混合数据与连续神经网络模型识别车辆总重、轴重及横向加载位置。该方法基于混合数据，不依赖影响线方法，根据连续的两个前馈神经网络就能分别获得同一车辆的总重与轴重，减少预测误差累积，算法稳定性高；只需要少量的试验数据与模拟数据进行混合就能训练连续神经网络模型预测车辆轴重和总重，从而能够显著降低对试验数据的依赖；不需要建立复杂的桥梁二维影响面，采用相邻目标主梁的应变信息及其应变峰值的比值共同训练神经网络，就能在预测车辆总重的同时得出车辆的横向加载位置。
[0008]本专利技术提供的一种采用混合数据进行桥梁动态称重的连续神经网络算法，采用混合数据与连续神经网络模型识别车辆总重、轴重及横向加载位置，具体包括如下步骤：S1: 获取车辆速度，建立神经网络模型：在获取试验数据时，将应变传感器安装在桥梁两端支座内侧的桥梁面板（简称桥面板）与目标主梁上，分别获取桥面板的横向应变信息和目标主梁的纵向应变信息；获取桥面板两端横向应变传感器的安装位置间的纵向间距L，根据两个应变传感器采集到的应变时程曲线，计算二者峰值出现的时间差t，车辆平均行驶速度如下式所示：
ꢀꢀ
(1)在获取模拟数据时，在与获取试验数据时应变传感器相同的位置处采集桥面板的横向应变信息与目标主梁的纵向应变信息，并同样按式（1）计算车辆平均行驶速度；根据获得的试验数据和模拟数据，分别建立纯模拟数据驱动下的连续神经网络模型、纯试验数据驱动下的连续神经网络模型以及试验数据和模拟数据混合驱动下的连续神经网络模型；连续神经网络模型均由全局神经网络和局部神经网络串联组成，如图2所示。其中，全局神经网络与局部神经网络以各自的训练数据所反映的是桥梁与车辆的整体情况还是局部情况而命名。对于全局神经网络，其主要输入数据与主要输出数据为主梁响应与车辆总重，分别反映的是桥梁响应与车辆重量的整体情况，故命名为全局神经网络；而局部神经网络的主要输入数据与主要输出数据为桥面板的横向应变与车辆的各轴重，分别反映的是桥梁响应与车辆重量的局部情况，因此称为局部神经网络。
[0009]S2: 训练全局神经网络，获得车辆横向加载位置以及总重：将车辆过桥时实测目标主梁的应变信息或者数值模拟采集的桥梁目标主梁的应变信息进行峰值提取，并计算目标主梁应变峰值之比，联合步骤S1获得的车辆平均行驶速度共同作为全局神经网络的输入数据，将车辆横向加载位置和总重作为输出数据，共同训
练和优化全局神经网络，最终实现对车辆的横向加载位置以及总重的准确预测；S3: 训练局部神经网络，获得车辆轴重：根据步骤S2从全局神经网络输出的车辆横向加载位置以及车辆总重，结合桥面板横向应变峰值共同作为输入数据，将车辆轴重作为输出数据，共同输入到局部神经网络中，进行神经网络训练与优化，实现对车辆轴重的准确预测。值得说明的是，采用局部神经网络识别车辆轴重时并非以桥面板的横向应变或者车辆总重单独作为依据，而是将二者共同作为预测的依据，这样可以明显降低误差累积，保证预测结果的相对独立性以及算法的稳定性。
[0010]进一步地，步骤S2中，所述目标主梁为在对桥梁进行对称分析后选取的主要承受桥梁对称轴一侧的车道荷载的相邻主梁。例如，对图1中桥梁进行对称分析后选主梁1和主梁2作为目标主梁（主梁1、主梁2分别与主梁4、主梁3对称）。
[0011]进一步地，桥面板与目标主梁的应变信息的试验数据，分别从贴至位于支座内侧的桥面板的横向中间位置以及桥梁主梁的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种采用混合数据进行桥梁动态称重的连续神经网络算法，其特征在于，采用混合数据与连续神经网络模型识别车辆总重、轴重及横向加载位置，包括如下步骤：S1:获取车辆速度，建立神经网络模型：在获取试验数据时，将应变传感器安装在桥梁两端支座内侧的桥面板与目标主梁上，分别获取桥面板的横向应变信息和目标主梁的纵向应变信息；获取桥面板两端横向应变传感器间的纵向间距L，根据两个应变传感器采集到的应变时程曲线，计算二者峰值出现的时间差t，车辆平均行驶速度为L与t之比；在获取模拟数据时，在与获取试验数据时应变传感器相同的位置处采集桥面板的横向应变信息和目标主梁的纵向应变信息，并同样按L比t计算车辆平均行驶速度；根据获得的试验数据和模拟数据，分别建立纯模拟数据驱动下的连续神经网络模型、纯试验数据驱动下的连续神经网络模型以及试验数据和模拟数据混合驱动下的连续神经网络模型；S2: 训练全局神经网络，获得车辆横向加载位置以及总重：将车辆过桥时实测目标主梁的应变信息或者数值模拟采集的桥梁目标主梁的应变信息进行峰值提取，并计算目标主梁应变峰值之比，联合步骤S1获得的车辆平均行驶速度共同作为全局神经网络的输入数据，将车辆横向加载位置和总重作为输出数据，共同训练和优化全局神经网络，最终实现对车辆的横向加载位置以及总重的预测；S3: 训练局部神经网络，获得车辆轴重：根据步骤S2从全局神经网络输出的车辆横向加载位置以及车辆总重，结合桥面板横向应变峰值共同作为输入数据，将车辆轴重作为输出数据，共同输入到局部神经网络中，进行神经网络训练与优化，实现对车辆轴重的预测。2.根据权利要求1所述的一种采用混合数据进行桥梁动态称重的连续神经网络算法，其特征在于，步骤S2中，所述目标主梁为在对桥梁进行对称分析后主要承受桥梁对称轴一侧的车道荷载的相邻主梁。3.根据权利要求1所述的一种采用混合数据进行桥梁动态称重的连续神经网络算法，其特征在于，桥面板的横向应变信息与目标主梁的纵向应变信息的试验数据，分别从贴至位于支座内侧的桥面板的横向中间位置和桥梁主梁的跨中位置的应变片采集得到；桥面板的横向应变信息与目标主梁的纵向应变信息的模拟数据，在对应桥梁数值模型中的同样位置通过有限元分析得到。4.根据权利要求1所述的一种采用混合数据进行桥梁动态称重的连续神经网络算法，其特征在于，所述连续神经网络模型按数据来源分为纯模拟数据驱动、纯试验数据驱动以及试验数据和模拟数据混合驱动下的连续神经网络模型，且基于各来源数据的连续神经网络模型均由全局神经网络和局部神经网络串联组成。5.根据权利要求1至4任一项所述的一种采用混合数据进行桥梁动态称重的连续神经网络算法，其特征在于，所述神经...

【专利技术属性】
技术研发人员：闫王晨，李烨，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：