一种基于支持向量机和BWIM数据的桥梁状态异常诊断方法及系统技术方案

本发明专利技术提出了一种基于支持向量机和BWIM数据的桥梁状态异常诊断方法及系统，选取常见六轴车辆作为桥梁健康监测反映指标对象，分别对桥梁进行荷载标定试验和检测试验，获取桥梁影响面和汽车轴距信息，利用多车动态称重算法进行车重识别；采用核分布函数拟合六轴车的称重结果，基于拟合后的概率分布曲线提出了特征指标，运用支持向量机进行训练得到桥梁初始状态下的特征指标范围，通过离群点检测实现桥梁异常状态的判断；本发明专利技术无需提前测量汽车信息，并且不用封闭交通，不会对繁忙的交通运营体系造成过大影响，避免了长时间中断交通下的巨大经济损。巨大经济损。巨大经济损。

【技术实现步骤摘要】
一种基于支持向量机和BWIM数据的桥梁状态异常诊断方法及系统


[0001]本专利技术属于桥梁结构健康安全监测
，具体地，涉及一种基于支持向量机和BWIM数据的桥梁状态异常诊断方法及系统。

技术介绍

[0002]我国目前桥梁检测的主要方法有人工目测、图像识别技术和荷载试验等，其中利用车辆进行动载和静载试验是评定桥梁结构状态最直观有效的方法。国内外针对荷载试验方法已取得了较多的实际应用，并且形成了较多的规范和流程。在工程实际中，静载试验可以实现桥梁承载能力的评定，反映桥梁的刚度和强度状态，但存在耗时和经济成本高且需长时间封闭交通等缺点，因此难以推广到量大面广的中小桥常规检测中。相比之下动载试验具有更为高效快速的优点，研究基于动载试验测试的桥梁状态评估技术和方法长期以来一直是桥梁安全评估和损伤诊断领域的研究热点。
[0003]基于桥梁的车辆动态称重(BWIM)已取得较为丰富的研究成果，并在实际应用取得一些进展，BWIM技术是通过在桥梁上布置一定数量的传感器，实时监测通过的车辆，并对其车轮的重量和位置等参数进行测量和分析，以达到对车辆的动态称重和过载检测的目的。BWIM技术可以实现对车辆的在线称重和检测，避免了拥挤的路面称重站带来的交通拥堵和不必要的车辆损耗，同时提高了公路交通的安全性和效率。
[0004]但是以BWIM数据为指标的桥梁状态评估还未见考虑中国公路交通荷载特点的相关研究。同时，针对大量的车重数据当前研究仍缺少可充分考虑数据特征和规律的桥梁结构状态高效评估方法，针对大量的车重数据，当前研究仍缺乏可充分考虑数据特征和规律的桥梁结构状态高效评估方法。传统的桥梁结构状态评估方法主要基于统计分析和经验判断，限制了算法的准确性和效率。随着人工智能和大数据技术的发展，基于机器学习和深度学习等方法的桥梁结构状态评估技术正在快速崛起。这些方法能够自动提取特征和规律，将大量的桥梁监测数据转化为定量化的结构状态评估结果，从而提高了评估的准确性和效率。

技术实现思路

[0005]针对上述问题，本专利技术提出了一种基于支持向量机和BWIM数据的桥梁状态异常诊断方法及系统，根据交通调查数据选取公路重车车型中最常见的六轴挂车作为桥梁状态反映指标对象，基于动态称重算法计算车辆总重信息，采用核函数拟合车重概率分布，将概率分布曲线的两个峰值作为特征指标，引入支持向量机(SVM)检测离群值的方法指示桥梁状态的异常状况。
[0006]本专利技术通过以下技术方案实现：
[0007]一种基于支持向量机和BWIM数据的桥梁状态异常诊断方法：
[0008]所述方法具体包括以下步骤：
[0009]步骤1，制定桥梁动力荷载标定实验方案；
[0010]在桥梁初始状态下选取某一固定位移和应变测点，进行桥梁影响面的识别；
[0011]步骤2，制定桥梁检测试验方案；
[0012]根据步骤1所确定的固定位移和应变测点，联合计算机视觉或空间一体化监测方法，对初始状态下的桥梁进行多次检测实验，获取桥梁动力响应及汽车轴距及在桥上的横向位置信息；
[0013]步骤3，进行六轴车辆动态称重及车重分布拟合；
[0014]根据步骤1和步骤2所获得的桥梁影响面和桥梁动力响应数据进行多车动态称重，获得六轴车辆的车辆总重及分布情况，利用核密度拟合车辆总重的分布曲线，得到并提取相应的检测特征指标；
[0015]步骤4，进行支持向量机一类分布训练；
[0016]对步骤3所得到的多组特征指标进行支持向量机一类训练，形成相应的桥梁初始状态下的特征指标区域；
[0017]步骤5，对待检状态桥梁进行动态称重；
[0018]对待检状态下的桥梁进行步骤2所述的检测实验，将多车动态称重结果进行核密度拟合提取特征指标，与步骤4所获得的特征指标区域比较来判断桥梁状态。
[0019]进一步地，在步骤1中，所述动力荷载标定试验包括：
[0020]初始状态需在桥梁健康状态下进行，所述应变测点包括桥墩、支座、中跨和边跨处的重要构件或节点，
[0021]步骤1.1，进行实验采集：在初始状态下进行位移和应变的采集，通过实验测量得到该测点在不同荷载下的位移和应变数据；
[0022]步骤1.2，数据处理：对采集得到的位移和应变数据，进行处理和分析，并绘制相应的荷载响应曲线；
[0023]步骤1.3，影响面识别：通过比较荷载响应曲线的变化情况，确定该测点对荷载的响应变化情况，以进一步辨认其为影响面还是非影响面；
[0024]步骤1.4，影响面判定：综合对所有测点得到的影响面信息，结合桥梁的设计参数和结构特点，判断桥梁的影响面分布情况。
[0025]进一步地，在步骤2中，
[0026]根据步骤1所确定的固定位移和应变测点，在同一位置布置传感器，记录桥梁动力响应，联合计算机视觉及空间一体化的监测方法获取六轴车辆轴距和车辆横向位置信息。
[0027]进一步地，在步骤3中，
[0028]在得到桥梁影响面后，进行多次初始状态下桥梁检测实验，选取六轴挂车作为主要研究对象进行多车动态称重：
[0029]车辆过桥场景的动态称重计算中约束不等式为：
[0030][0031]式中，f为目标函数；g为目标函数的梯度；x为求解目标，n阶向量；H为n
×
n阶对称矩阵，其非零项为h
ij
；A为m
×
n阶矩阵，其非零项为a
ij
；l,u分别为解x的下界和上界。
[0032]进一步地，在通过多车动态称重算法计算出六轴车车辆总重后，利用核密度估计进行六轴车车重的分布的拟合：
[0033]对于随机变量X中的一系列独立观测数据样本x1,x2,
…
,x
n
，假定存在累积分布函数F(x)和概率密度函数f(x)，其函数表达式可以通过样本数据进行估算；
[0034][0035]式中，n表示观测样本数量；h表示带宽，取值方法如式(4)；K(
·
)表示核平滑函数；
[0036]根据概率密度函数，可通过不定积分计算累积分布函数：
[0037][0038]式中，
[0039]通过求取积分均方误差(Mean Integrated Square Error(MISE))最小值的方法得到最佳带宽，其表达式为：
[0040][0041]将上式进行泰勒展开可以得到：
[0042][0043]忽略无穷小量后，求导可得最佳带宽为：
[0044][0045]选取拟合概率密度曲线的两个峰值点的横坐标作为特征指标，计算方法如下：
[0046][0047]式中，(x
f
,y
f
)——特征指标；x1为第一个峰值点横坐标；x2为第二个峰值点横坐标。
[0048]进一步地，在步骤4中，
[0049]可以拟合出桥梁初始状况下多段时间内六轴车车重的分布情况和相应的每组两个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于支持向量机和BWIM数据的桥梁状态异常诊断方法，其特征在于：所述方法具体包括以下步骤：步骤1，制定桥梁动力荷载标定实验方案；在桥梁初始状态下选取某一固定位移和应变测点，进行桥梁影响面的识别；步骤2，制定桥梁检测试验方案；根据步骤1所确定的固定位移和应变测点，联合计算机视觉或空间一体化监测方法，对初始状态下的桥梁进行多次检测实验，获取桥梁动力响应及汽车轴距及在桥上的横向位置信息；步骤3，进行六轴车辆动态称重及车重分布拟合；根据步骤1和步骤2所获得的桥梁影响面和桥梁动力响应数据进行多车动态称重，获得六轴车辆的车辆总重及分布情况，利用核密度拟合车辆总重的分布曲线，得到并提取相应的检测特征指标；步骤4，进行支持向量机一类分布训练；对步骤3所得到的多组特征指标进行支持向量机一类训练，形成相应的桥梁初始状态下的特征指标区域；步骤5，对待检状态桥梁进行动态称重；对待检状态下的桥梁进行步骤2所述的检测实验，将多车动态称重结果进行核密度拟合提取特征指标，与步骤4所获得的特征指标区域比较来判断桥梁状态。2.根据权利要求1所述方法，其特征在于：在步骤1中，所述动力荷载标定试验包括：初始状态需在桥梁健康状态下进行，所述应变测点包括桥墩、支座、中跨和边跨处的重要构件或节点，步骤1.1，进行实验采集：在初始状态下进行位移和应变的采集，通过实验测量得到该测点在不同荷载下的位移和应变数据；步骤1.2，数据处理：对采集得到的位移和应变数据，进行处理和分析，并绘制相应的荷载响应曲线；步骤1.3，影响面识别：通过比较荷载响应曲线的变化情况，确定该测点对荷载的响应变化情况，以进一步辨认其为影响面还是非影响面；步骤1.4，影响面判定：综合对所有测点得到的影响面信息，结合桥梁的设计参数和结构特点，判断桥梁的影响面分布情况。3.根据权利要求2所述方法，其特征在于：在步骤2中，根据步骤1所确定的固定位移和应变测点，在同一位置布置传感器，记录桥梁动力响应，联合计算机视觉及空间一体化的监测方法获取六轴车辆轴距和车辆横向位置信息。4.根据权利要求3所述方法，其特征在于：在步骤3中，在得到桥梁影响面后，进行多次初始状态下桥梁检测实验，选取六轴挂车作为主要研究对象进行多车动态称重：车辆过桥场景的动态称重计算中约束不等式为：
式中，f为目标函数；g为目标函数的梯度；x为求解目标，n阶向量；H为n
×
n阶对称矩阵，其非零项为h
ij
；A为m
×
n阶矩阵，其非零项为a
ij
；l,u分别为解x的下界和上界。5.根据权利要求4所述方法，其特征在于：在通过多车动态称重算法计算出六轴车车辆总重后，利用核密度估计进行六轴车车重的分布的拟合：对于随机变量X中的一系列独立观测数据样本x1,x2,
…
,x
n
，假定存在累积分布函数F(x)和概率密度函数f(x)，其函数表达式可以通过样本数据进行估算；式中，n表示观测样本数量；h表示带宽，取值方法如式(4)；K(
·
)表示核平滑函数；根据概率密度函数，可通过不定积分计算累积分布函数：式中，通过求取积分均方误差(Mean Integrated Square Error(MISE))最小值的方法得到最佳带宽，其表达式为：将上式进行泰勒展开可以得到：忽略无穷小量后，求导可得最佳带宽为：选取拟合概率密度曲线的两个峰值点的横坐标作为特征指标，计算方法如下：式中，(x
f
,y
f
)——特征指标；x1为第一个峰值点横坐标；x2为第二个峰值点横坐标。6.根据权利要求5所述方法，其特征在于：在步骤4中，可以拟合出桥梁初始状况下多段时间内六轴车车重的分布情况和相应的每组两个特
征点的横坐标，利用支持向量机对几组特征指标情况进行一类分类训练，可得到桥梁初始状态特征的指标范围，其方法具体如下：选取支持向量机一类分类训练v
‑
SVM方法，其原理如下：对于一系列的训练样本数据集{(x1,y1),(x2,y2),...,(x
l
,y
l
)}∈χ，其中l为训练样本数量，χ为空间R
N
中的子集；令Φ为χ
→
F的特征映射，即内积空间F的映射，使χ的映像中的内积可以通过核函数进行计...

【专利技术属性】
技术研发人员：李岩，崔石林，张振浩，王铭巍，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：