[发明专利]一种基于深度学习的桥梁超重车动态识别方法

说明书

本发明公开了一种基于深度学习的桥梁超重车动态识别方法，包括步骤：1)获取桥梁结构响应数据，为每个采样时间标注超重车标签；2)构建并训练基于时间卷积网络的超重车动态识别网络；3)将待识别的结构响应数据输入至训练好的超重车动态识别网络中，输出超重车识别结果。本发明实现了深度学习算法在桥梁健康监测领域超重车识别任务上的应用，相较于现有的桥梁动态称重方法相比，无需静态影响线的领域知识、无需车速和轴重信息，且适用于桥上有多辆车出现的场景，使桥梁健康监测数据产生更大价值，在桥梁健康监测领域有广阔前景。

技术领域

本发明涉及桥梁健康监测系统超重车识别的技术领域，尤其是指一种基于深度学习的桥梁超重车动态识别方法。

背景技术

作为交通运输枢纽，桥梁在经济发展与人民生活中扮演着不可替代的作用。为了监控桥梁整体监控状况，不少重要的桥梁尤其是大跨度桥梁已经安装了桥梁健康监测系统，以监测结构响应与外部激励。在各种外部激励中，荷载，尤其是超重车，对桥梁的健康有很大的影响。据研究人员统计，我国2000年至2014年发生的106起桥梁坍塌事故中，有28％起事故因超载而发生，在所有事故原因中排名第二位，仅次于洪水(占比为32％)。因此，桥梁健康监测系统需要尽可能精确地监控桥上的超重车，以研究超重车对桥梁健康的影响。

目前桥梁超重车识别方法主要分为两类：1)静态称重方法：使用称重站，需要车辆静止在称重站进行称重；2)动态称重方法，将称重设备安装到桥上，在车辆行驶时对车辆进行动态称重。其中，最广泛应用的超重车识别方法是桥梁动态称重方法(Bridge Weigh-In-Motion,BWIM)，将桥梁视作一个“天平”，通过测量的结构响应来计算车重。然而，BWIM方法有三个缺点，使之难以应用在大跨度桥上：1)BWIM方法的准确性受到理论影响线准确性的影响；2)BWIM方法的实施需要预先给定或在车辆行驶中测定车辆的速度与轴距；3)多辆车同时在桥上时会降低BWIM方法的准确性。对于缺点1)，研究人员对理论影响线的求解方法进行了改进，但求解结构复杂的桥梁(如大跨度桥)的影响线仍是困难且耗时的。对于缺点2)，一般的解决方案是使用额外的车速、轴距检测器，这会带来额外的设备成本。对于缺点3)，一般的解决方案是使用额外的车辆位置检测器，将每辆车的贡献与测得的响应区分开来。另一方面，桥梁健康监测系统在日常运行中能收集大量数据，而这些数据还没有被充分挖掘。考虑到深度学习可以在大量数据中自动学习出有用的特征，因此非常适宜用深度学习的方法对桥梁健康监测系统数据进行数据挖掘。

本发明提供一种基于深度学习的桥梁超重车动态识别方法，利用桥梁健康监测系统采集的结构响应数据训练深度学习模型，实现桥梁超重车动态识别，无需静态影响线这种领域知识、无需车速和轴重信息，且适用于桥上有多辆车出现的场景，能使桥梁健康监测系统数据产生更大的价值。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于深度学习的桥梁超重车动态识别方法，使用桥梁健康监测系统采集的结构响应数据，训练基于时间卷积网络的神经网络，实现桥梁超重车的动态识别，相较于现有的BWIM方法，无需静态影响线的领域知识、无需车速和轴重信息，且适用于桥上有多辆车出现的场景，使桥梁健康监测系统数据产生更大的价值。

为实现上述目的，本发明所提供的技术方案为：一种基于深度学习的桥梁超重车动态识别方法，包括以下步骤：

1)获取桥梁结构响应数据，为每个采样时间标注超重车标签；

2)构建并训练基于时间卷积网络的超重车动态识别网络；

3)将待识别的结构响应数据输入至已训练的超重车动态识别网络中，输出超重车识别结果。

在步骤1)中，所述结构响应数据是指通过桥梁健康监测系统的传感器采集的数据，包括位移响应数据和应变响应数据；所述超重车标签是指0代表无超重车、1代表有超重车的二元标签。

在步骤2)中，构建以步骤1)中的结构响应数据为输入的超重车识别网络，包括以下步骤：