本发明专利技术涉及桥梁监测技术领域，具体涉及一种基于人工智能的桥梁健康监测系统。该系统，包括：获取模块，用于获取振动数据，将振动数据划分为至少两个周期数据段；第一异常分析模块，用于确定每个振动数据的初始异常程度；振动预测模块，用于根据所有分解数据对应幅值变化速度确定任一时间点的预测振动幅值；第二异常分析模块，用于获取所有车辆在不同时间点的预测振动幅值，对初始异常程度进行修正，获得每一时间点的目标异常程度；健康监测模块，用于根据目标异常程度对不同时间点的振动数据进行筛选，确定异常数据，根据异常数据对桥梁振动情况进行监测，获得监测结果。本发明专利技术能够有效提升桥梁健康监测的可靠性与监测效果。有效提升桥梁健康监测的可靠性与监测效果。有效提升桥梁健康监测的可靠性与监测效果。
【技术实现步骤摘要】
基于人工智能的桥梁健康监测系统
[0001]本专利技术涉及桥梁监测
，具体涉及一种基于人工智能的桥梁健康监测系统。
技术介绍
[0002]桥梁是人类历史上最重要的建筑之一，它们连接了不同区域，促进了人们的交流和发展。然而，随着时间的推移和自然灾害的影响，桥梁的健康状况可能会逐渐恶化。因此，对桥梁进行定期的健康检测是非常重要的。在桥梁健康检测中，使用加速度计检测桥梁承载车辆行驶时的物理形变是一个重要的环节和方法。
[0003]相关技术中，通过加速度计获取车辆在桥梁上运行时，桥梁振动的振动数据，并根据振动数据的变化对桥梁振动情况进行分析，得到健康监测结果，这种方式下，由于桥梁上车辆运行情况较为复杂，车辆运行时的振动会相互影响，也即前车通过时产生的振动对后车的振动数据会产生影响，因此，直接通过振动数据的变化对桥梁进行健康监测的可靠性不足，监测效果较差。
技术实现思路
[0004]为了解决桥梁上车辆运行情况较为复杂，导致直接通过振动数据的变化对桥梁进行健康监测的可靠性不足，监测效果较差的技术问题，本专利技术提供一种基于人工智能的桥梁健康监测系统，所采用的技术方案具体如下：
[0005]本专利技术提出了一种基于人工智能的桥梁健康监测系统，系统包括：
[0006]获取模块，用于周期性获取车辆在桥梁上通行时桥梁振动的振动数据，根据所述振动数据在时序上拟合的外包络线中的峰值点将所述振动数据划分为至少两个周期数据段。
[0007]第一异常分析模块，用于获取峰值点对应的振动幅值；对所有峰值点进行直线拟合，获取所述峰值点的拟合幅值，根据所述振动幅值和所述拟合幅值的差异确定每个振动数据的初始异常程度。
[0008]振动预测模块，用于将所述振动数据分解为至少两个正弦波形的分解数据；根据所述分解数据中峰值点的幅值的变化，确定不同分解数据的幅值变化速度，根据所有分解数据对应幅值变化速度确定任一时间点的预测振动幅值。
[0009]第二异常分析模块，用于获取在桥梁上通行的所有车辆在不同时间点的预测振动幅值，根据同一时间点所述预测振动幅值和实际振动幅值的差异对所述初始异常程度进行修正，获得每一时间点的目标异常程度。
[0010]健康监测模块，用于根据所述目标异常程度对不同时间点的振动数据进行筛选，确定异常数据，根据所述异常数据对桥梁振动情况进行监测，获得监测结果。
[0011]进一步地，所述根据所述振动幅值和所述拟合幅值的差异确定每个振动数据的初始异常程度，包括：
[0012]计算每个峰值点的振动幅值和所述拟合幅值的差值绝对值作为所述峰值点的拟合差异。
[0013]对每个峰值点的拟合差异进行归一化处理作为对应峰值点的初始异常程度。
[0014]将相邻两个峰值点初始异常程度的均值作为相邻两个峰值点之间所有振动数据的初始异常程度。
[0015]进一步地，所述将所述振动数据分解为至少两个正弦波形的分解数据，包括：
[0016]对所述振动数据进行经验模态分解，将前预设数量个本征模态数据作为分解数据。
[0017]进一步地，所述根据所述分解数据中峰值点的幅值的变化，确定不同分解数据的幅值变化速度，包括：
[0018]分别确定每个分解数据中峰值点的幅值的绝对值作为分解幅值系数。
[0019]将任意两个峰值点对应分解幅值系数的差值绝对值作为分解幅值差异，将对应两个峰值点之间其他峰值点的数量加一作为间隔段数，计算分解幅值差异与间隔段数的比值作为对应分解数据的幅值变化速度。
[0020]进一步地，所述根据所有分解数据对应幅值变化速度确定任一时间点的预测振动幅值，包括：
[0021]任选某一时间点作为待测时间点，将所述分解幅值系数的最大值所对应的时间点作为参照时间点，获取所述分解数据的分解周期。
[0022]将所述待测时间点距所述参照时间点的时间间隔与所述分解周期的一半的比值向上取整作为所述待测时间点所处半周期的周期序号。
[0023]将所述周期序号与所述幅值变化速度的乘积作为幅值变化值，计算所述分解幅值系数的最大值与所述幅值变化值的差值作为待测时间点所处半周期的分解幅值系数的最大值。
[0024]计算所述待测时间点与所述待测时间点所处半周期的初始时间点的时间间隔与半周期的总时间间隔的比值作为待测周期系数。
[0025]使用正弦函数计算所述待测周期系数对应的正弦值，计算所述待测时间点所处半周期的分解幅值系数的最大值与所述正弦值的乘积作为对应分解数据的分解振动幅值。
[0026]计算所有分解数据的分解振动幅值的和值作为预测振动幅值。
[0027]进一步地，所述根据同一时间点所述预测振动幅值和实际振动幅值的差异对所述初始异常程度进行修正，获得每一时间点的目标异常程度，包括：
[0028]将当前正在桥梁上通行的所有车辆作为影响车辆。
[0029]计算每一时间点的实际振动幅值与所有影响车辆对应预测振动幅值的差值绝对值作为影响幅值差异，计算所述影响幅值差异的归一化值作为影响系数。
[0030]计算所述影响系数与所述初始异常程度的乘积作为对应时间点的目标异常程度。
[0031]进一步地，所述根据所述目标异常程度对不同时间点的振动数据进行筛选，确定异常数据，包括：
[0032]将所述目标异常程度大于预设异常程度阈值的时间点所对应振动数据作为异常数据。
[0033]进一步地，所述根据所述异常数据对桥梁振动情况进行监测，获得监测结果，包
括：
[0034]计算所述异常数据的数量与振动数据总数量的比值作为异常比例。
[0035]在所述异常比例小于预设比例阈值时，确定所述监测结果正常。
[0036]在所述异常比例大于等于预设比例阈值时，确定所述监测结果异常。
[0037]进一步地，所述对所有峰值点进行直线拟合，获取所述峰值点的拟合幅值，包括：
[0038]基于最小二乘法按照时序对所有峰值点的幅值的绝对值进行直线拟合，得到拟合直线，将所述拟合直线中与所述峰值点处于同一时间点的直线值作为对应峰值点的拟合幅值。
[0039]进一步地，所述获取峰值点对应的振动幅值，包括：
[0040]将峰值点对应振动数据的数值绝对值作为振动幅值。
[0041]本专利技术具有如下有益效果：
[0042]本专利技术实施例通过周期性获取车辆在桥梁上通行时桥梁振动的振动数据，并对振动数据进行划分，确定振动数据在峰值点的振动幅值，并直线拟合得到拟合幅值，进而获得初始异常程度，其中，初始异常程度能够表征运行时的异常情况，但由于桥梁上车辆运行情况较为复杂，车辆运行时的振动会相互影响，因此，为了对影响进行进一步分析，本专利技术通过对振动数据进行分解，并根据分解结果进行数据分析；获得每一车辆在每个时间点的预测振动幅值；其中，预测振动幅值能够准确确定不同车辆的运行振动情况，而后，结合在桥梁上通行的所有车辆在不同时间点的预测振动幅值对初始异常程度进行修正，获本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于人工智能的桥梁健康监测系统，其特征在于，所述系统包括：获取模块，用于周期性获取车辆在桥梁上通行时桥梁振动的振动数据，根据所述振动数据在时序上拟合的外包络线中的峰值点将所述振动数据划分为至少两个周期数据段；第一异常分析模块，用于获取峰值点对应的振动幅值；对所有峰值点进行直线拟合，获取所述峰值点的拟合幅值，根据所述振动幅值和所述拟合幅值的差异确定每个振动数据的初始异常程度；振动预测模块，用于将所述振动数据分解为至少两个正弦波形的分解数据；根据所述分解数据中峰值点的幅值的变化，确定不同分解数据的幅值变化速度，根据所有分解数据对应幅值变化速度确定任一时间点的预测振动幅值；第二异常分析模块，用于获取在桥梁上通行的所有车辆在不同时间点的预测振动幅值，根据同一时间点所述预测振动幅值和实际振动幅值的差异对所述初始异常程度进行修正，获得每一时间点的目标异常程度；健康监测模块，用于根据所述目标异常程度对不同时间点的振动数据进行筛选，确定异常数据，根据所述异常数据对桥梁振动情况进行监测，获得监测结果。2.如权利要求1所述的一种基于人工智能的桥梁健康监测系统，其特征在于，所述根据所述振动幅值和所述拟合幅值的差异确定每个振动数据的初始异常程度，包括：计算每个峰值点的振动幅值和所述拟合幅值的差值绝对值作为所述峰值点的拟合差异；对每个峰值点的拟合差异进行归一化处理作为对应峰值点的初始异常程度；将相邻两个峰值点初始异常程度的均值作为相邻两个峰值点之间所有振动数据的初始异常程度。3.如权利要求1所述的一种基于人工智能的桥梁健康监测系统，其特征在于，所述将所述振动数据分解为至少两个正弦波形的分解数据，包括：对所述振动数据进行经验模态分解，将前预设数量个本征模态数据作为分解数据。4.如权利要求1所述的一种基于人工智能的桥梁健康监测系统，其特征在于，所述根据所述分解数据中峰值点的幅值的变化，确定不同分解数据的幅值变化速度，包括：分别确定每个分解数据中峰值点的幅值的绝对值作为分解幅值系数；将任意两个峰值点对应分解幅值系数的差值绝对值作为分解幅值差异，将对应两个峰值点之间其他峰值点的数量加一作为间隔段数，计算分解幅值差异与间隔段数的比值作为对应分解数据的幅值变化速度。5.如权利要求4所述的一种基于人工智能的桥梁健康监测系统，其特征在于，所述根据所有分解数据对应幅值变化速度确定任一时间点的预测振动幅值，包括：任选某一时间点作为待测时间点，将所述分解幅值系数的最大...
【专利技术属性】
技术研发人员：王维，张晓莉，杜梦雯，
申请(专利权)人：安徽省路兴建设项目管理有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。