一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于MEMS边缘计算的桥梁损伤检测方法


[0001]本专利技术涉及桥梁损伤检测
，尤其涉及一种基于
MEMS
边缘计算的桥梁损伤检测方法
。

技术介绍

[0002]目前为止在桥梁上布置传感器来采集振动数据，并对桥梁状态进行判断还存在以下问题，数据不能有效存储
、
多传感器加重网络传输压力的问题，同时容易受天气条件影响，人为鉴别桥梁模态的鉴别精度低，不能做到实时检测，需要耗费大量人力资源等
。

技术实现思路

[0003]本专利技术提供一种基于
MEMS
边缘计算的桥梁损伤检测方法，以克服上述技术问题
。
[0004]一种基于
MEMS
边缘计算的桥梁损伤检测方法，包括，
[0005]步骤一
、
确定桥梁上
MEMS
传感器的安装位置集合并进行安装，存储所有
MEMS
传感器获取的桥梁加速度数据集合并表示为第一数据集，
[0006]步骤二
、
存储第一数据集并进行可视化，根据可视化的第一数据集进行桥梁异常判断并进行报警，
[0007]步骤三
、
基于路缘智能体对第一数据集进行预处理，根据预处理后的第一数据集进行边缘计算，所述基于路缘智能体对第一数据集进行预处理包括根据获取第一数据集，对第一数据集进行滤波处理和去噪处理，所述根据预处理后的第一数据集进行边缘计算包括根据预处理后的第一数据集计算加速度角度，根据加速度角度计算静挠度，对预处理后的第一数据集进行快速傅立叶变换并表示为第二数据集，根据第二数据集计算动挠度，根据静挠度和动挠度计算位移冲击系数，
[0008]步骤四
、
根据第二数据集构建桥梁的频次图像集合，根据桥梁频次图像所对应位移冲击系数对桥梁频次图像进行分类并对损伤状态进行标记，获取标记后的频次图像集合并表示为训练集，构建一维卷积神经网络，根据训练集对一维卷积神经网络进行训练，根据训练后的一维卷积神经网络对待分类的桥梁频次图像进行分类并获取损伤状态
。
[0009]优选地，所述存储所有
MEMS
传感器获取的桥梁加速度数据集合并表示为第一数据集包括分别获取
MEMS
传感器所采集的桥梁加速度数据集合，根据
IIC
总线将桥梁加速度数据集合分别传输至不同的
MCU
上，通过不同的
MCU
对桥梁加速度数据集合进行处理，利用
UART
总线将处理后的桥梁加速度数据集合从不同的
MCU
上传输至树莓派主控，将树莓派主控中存储的数据表示为第一数据集
。
[0010]优选地，所述一维卷积神经网络的损失函数根据公式
(1)
进行表示，
[0011]H(x)=H1(x)+
λ
H2(x)
ꢀꢀꢀꢀ
(1)
[0012][0013][0014]其中，
w
i
代表当前轮次的权重，
p
i
代表预测频次图像的模态类型的概率值，
y
i
代表模态所属的类型，
y
i
∈{0
，
1}
，当
y
i
＝1时，当前模态为真实模态；反之则为虚假模态，
v
jm
代表种类区间内的序列数，
||p
ij
‑
p
im
||2表示真实模态和虚假模态概率值差的二范数式，
λ
为超参数
。
[0015]优选地，所述步骤二包括将第一数据集通过
Python
转化为
influx
行协议数据，将
influx
行协议数据送入
InfluxDB
数据库进行数据存储，根据
Dashboards
对
InfluxDB
数据库中的数据进行可视化，判断可视化界面中加速度振幅是否异常并进行报警
。
[0016]优选地，所述根据静挠度和动挠度计算位移冲击系数为根据公式
(4)
计算位移冲击系数，
[0017][0018]其中，
y
x
表示相对挠度，
y
i
表示动挠度，
y
s
表示静挠度，
μ
表示位移冲击系数
。
[0019]本专利技术提供一种基于
MEMS
边缘计算的桥梁损伤检测方法，通过直接从桥梁的加速度信号中提取桥梁的振动频率并构建频次图像，而不是传统方法所用的从桥梁形变量人手来获取振动频率，同时利用边缘计算技术缓解多传感器带来的网络压力，构建了一维卷积神经网络对桥梁的模态状况进行识别，提高了桥梁健康监测的效率和质量
。
附图说明
[0020]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图
。
[0021]图1是本专利技术方法流程图；
[0022]图2是本专利技术传感器采集数据传输的整体过程图；
[0023]图3是本专利技术加速度传感器测量原理图；
[0024]图4是本专利技术加速度测角示意图；
[0025]图5是本专利技术挠度变化示意图；
[0026]图6是本专利技术
MEMS
采集到的加速度信号的时变图；
[0027]图7是本专利技术多传感器信息可视化图；
[0028]图8是本专利技术胆传感器信息可视化图；
[0029]图9是本专利技术经卡尔曼滤波处理的前后图像幅值对比；
[0030]图
10
是本专利技术所采集到的加速度数据；
[0031]图
11
是本专利技术转换为
Influx
行协议的格式；
[0032]图
12
是本专利技术导入
InfluxDB
界面图；
[0033]图
13
是本专利技术进行数据可视化演示图
。
具体实施方式
[0034]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作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
。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
MEMS
边缘计算的桥梁损伤检测方法，其特征在于，包括，步骤一
、
确定桥梁上
MEMS
传感器的安装位置集合并进行安装，存储所有
MEMS
传感器获取的桥梁加速度数据集合并表示为第一数据集，步骤二
、
存储第一数据集并进行可视化，根据可视化的第一数据集进行桥梁异常判断并进行报警，步骤三
、
基于路缘智能体对第一数据集进行预处理，根据预处理后的第一数据集进行边缘计算，所述基于路缘智能体对第一数据集进行预处理包括根据获取第一数据集，对第一数据集进行滤波处理和去噪处理，所述根据预处理后的第一数据集进行边缘计算包括根据预处理后的第一数据集计算加速度角度，根据加速度角度计算静挠度，对预处理后的第一数据集进行快速傅立叶变换并表示为第二数据集，根据第二数据集计算动挠度，根据静挠度和动挠度计算位移冲击系数，步骤四
、
根据第二数据集构建桥梁的频次图像集合，根据桥梁频次图像所对应位移冲击系数对桥梁频次图像进行分类并对损伤状态进行标记，获取标记后的频次图像集合并表示为训练集，构建一维卷积神经网络，根据训练集对一维卷积神经网络进行训练，根据训练后的一维卷积神经网络对待分类的桥梁频次图像进行分类并获取损伤状态
。2.
根据权利要求1所述的一种基于
MEMS
边缘计算的桥梁损伤检测方法，其特征在于，所述存储所有
MEMS
传感器获取的桥梁加速度数据集合并表示为第一数据集包括分别获取
MEMS
传感器所采集的桥梁加速度数据集合，根据
IIC
总线将桥梁加速度数据集合分别传输至不同的
MCU
上，通过不同的
MCU
对桥梁加速度数据集合进行处理，利用
UART
总线将处理后的桥梁加速度数据集合从不同的
MCU
上传输至树莓派主控，将树莓派主控中存储的数据表示为第一数据集
。3.
根据权利要求1所述的一种基于
MEMS
边缘计算的桥梁损伤检测方法，其特征...

【专利技术属性】
技术研发人员：李晓飞，张驰，庄博宇，洪佳飞，国海楠，黎铠豪，张立晓，邹铮，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：