[发明专利]一种基于神经网络的桥梁整体损伤预警方法

说明书

技术领域

本发明涉及铁路桥梁技术领域，具体而言，涉及一种基于神经网络的桥梁整体损伤预警方法。

背景技术

桥梁在铁路运营中起着至关重要的作用，而随着铁路桥梁的服役时间的增长，受外界环境和结构本身的影响，桥梁或多或少都会出现一定损伤，而当这些损伤达到一定程度时，将会危及行车安全。目前都是通过在桥梁上合适部位安装一定的传感器，采集桥梁响应，并对这些采集到的数据进行处理分析，提取能表征桥梁结构的特征参数，对这些参数进行分析，观测桥梁结构性能变化，从而实现损伤预警。

现有的针对桥梁结构损伤预警方法和理论存在一些不足，具体体现在以下几方面：

1、通常采用的方式是进行阈值预警，当桥梁监测值超过一定限值即认为桥梁结构出现了损伤，未能充分挖掘长期监测数据的价值，也不能定量的分析出桥梁结构出现损伤的程度，造成了大量监测数据的浪费；

2、不同的桥梁结构类型可能对损伤指标的敏感程度不一，这就需要有针对性的选取预警指标，但现有的损伤预警指标并不能完全反映桥梁的实际损伤情况；

3、精度低、稳定性差、适用性不强。

发明内容

为解决上述问题，本发明的目的在于提供一种基于神经网络的桥梁整体损伤预警方法，根据桥梁的健康监测数据，分析桥梁自振频率，并以此为损伤预警指标，建立了完善的损伤预警流程，并结合神经网络，提高了该方法的适用性和稳定性。

本发明提供了一种基于神经网络的桥梁整体损伤预警方法，包括：

步骤1，采集健康状况下桥梁在一段时间内的监测数据；

步骤2，通过采集到的监测数据分析桥梁结构的自振频率；

步骤3，根据桥梁现场环境，分析对步骤2中的自振频率产生影响的若干个影响因素；

步骤4，将步骤2中的自振频率和步骤3中的影响因素作为训练样本，建立训练样本数据库，采用BP神经网络算法，建立这些影响因素与自振频率之间的BP神经网络模型，并对BP神经网络模型进行训练、测试；

步骤5，采集当前状况下桥梁的监测数据，求得自振频率，并将该自振频率作为检验样本；

步骤6，根据步骤4中建立好的BP神经网络模型，模拟当前影响因素下的桥梁自振频率，得出拟合频率值f_s，将其作为健康样本；

步骤7，将健康样本和检验样本进行假设检验，观测两者是否存在显著性差异：

如果存在显著性差异，则认为当前的桥梁结构发生了损伤，进行损伤预警；

如果不存在显著性差异，则认为当前的桥梁结构处于安全状态，并将当前的检验样本扩充到训练样本数据库中，重新对步骤4中建立好的BP神经网络模型进行训练。

作为本发明进一步的改进，步骤4具体包括：

步骤401，确定BP神经网络模型的拓扑结构：

确定BP神经网络模型的输入层、输出层、隐含层层数及各隐含层所包含的神经元个数；

步骤402，选用影响因素作为BP神经网络模型的输入量，以自振频率作为输出量，建立训练样本数据库；

步骤403，将训练样本数据库中的大部分数据作为训练样本，将其余一小部分作为测试样本，采用共轭梯度法对BP神经网络进行训练并利用测试样本对BP神经网络模型进行测试。

作为本发明进一步的改进，采用经验法确定隐含层层数，隐含层所包含的神经元个数采用目标函数确定，其中，目标函数定义为输出值和目标值之间的误差平方和，当该目标函数达到最小时，隐含层所包含的神经元个数最优。

作为本发明进一步的改进，步骤7具体包括：

步骤701，以训练好的BP神经网络模型模拟出的拟合频率值f_s作为健康样本，健康样本的均值为μ_s；

步骤702，以当前影响因素下桥梁自振频率的实测频率值f_m作为检验样本，检验样本的均值为μ_m；

步骤703，对健康样本和检验样本进行假设检验，检验假设为：

H₀:μ_s＝μ_m

H₁:μ_s≠μ_m

如果接受假设，即H₀成立，此时μ_s＝μ_m，则健康样本和检验样本没有明显差异，即桥梁结构无明显损伤，无需进行桥梁结构的整体损伤预警；