【技术实现步骤摘要】
本专利技术专利涉及桥梁结构健康监测领域，具体为一种利用双输入数据进行自编码神经网络模型训练从而达到桥梁实时监测的人工智能技术。
技术介绍
1、当前基于人工神经网络的结构健康监测方法具有良好的实际工程应用前景，但其多采用单输入网络结构，依赖大量损伤标签数据监督训练，需预先建立结构有限元模型或健康状态基线数据库作为参照。
2、此类方法在实际桥梁监测中面临两大致命缺陷：一是既有桥梁往往缺乏完整的历史损伤数据，导致监督学习模型泛化能力不足；二是传统单输入网络难以捕捉移动荷载作用下结构响应的动态耦合特征，无法实现损伤发生的实时判定。
3、近年虽有研究尝试引入无监督自动编码器，但仍需依赖结构模型参数或固定窗口的信号截取方式，导致在荷载速度变化或环境噪声干扰下误判率升高。此外，现有神经网络方法普遍采用全时程数据分析，计算延迟长达数十分钟，难以满足分钟级实时监测需求。
技术实现思路
1、针对现有技术中存在的不足，本专利技术提供了一种基于双输入架构的自编码神经网络桥梁实时监测方法，解...
【技术保护点】
1.基于双输入自编码神经网络的桥梁实时监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于双输入自编码神经网络的桥梁实时监测方法，其特征在于：在步骤①中动态振动传感器为加速度传感器，加速度传感器捕捉移动荷载作用下的振动响应x与y，x，y代表着两段不同传感器的加速度数据或加速度时间序列。
3.根据权利要求1所述的基于双输入自编码神经网络的桥梁实时监测方法，其特征在于：在步骤③神经网络训练阶段时，需对实测数据进行归一化处理后进行数据增广，数据增广方法是在原始时序数据中沿着时间方向随机地截取片段，这些片段作为新的样本加入到训练数据批(D...
【技术特征摘要】
1.基于双输入自编码神经网络的桥梁实时监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于双输入自编码神经网络的桥梁实时监测方法，其特征在于：在步骤①中动态振动传感器为加速度传感器，加速度传感器捕捉移动荷载作用下的振动响应x与y，x，y代表着两段不同传感器的加速度数据或加速度时间序列。
3.根据权利要求1所述的基于双输入自编码神经网络的桥梁实时监测方法，其特征在于：在步骤③神经网络训练阶段时，需对实测数据进行归一化处理后进行数据增广，数据增广方法是在原始时序数据中沿着时间方向随机地截取片段，这些片段作为新的样本加入到训练数据批(data batch)当中，在神经网络每次迭代中，都会选取一定数量的数据样本用来计算神经网络当前梯度，这个样本集称为数据批。
4.根据权利要求3所述的基于双输入自编码神经网络的桥梁实时监测方法，其特征在于：设置的数据批大小为n，则从m组原始数据上截取n个时间序列片段，这n个数据片段组成该次迭代的数据批次。
5.根据权利要求1所述的基于双输入自编码神经网络的桥梁实时监测方法，其特征在于：在步骤③双通道自编码器神经网络由编码器和解码器构成，编码器由若干个一维卷积卷积层(conv1d)与池化层(pooling)组成，编码器对...
【专利技术属性】
技术研发人员：林隽，郑明方，武静，林逸洲，聂振华，胡东，马宏伟，
申请(专利权)人：东莞理工学院，
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。