[发明专利]基于边缘计算的桥梁健康状态智能评估方法

说明书

本发明涉及一种基于边缘计算的桥梁健康状态智能评估方法，首先对桥梁健康状态特征信息进行数据预处理，将预处理后的数据输入至深度特征提取网络中，通过位移卷积网络提取输入信息中的深度特征信息，将此深度特征信息输入到桥梁健康状态预测网络层，最终输出桥梁的健康状态预测结果。本发明与传统的卷积神经网络相比，利用二维位移卷积操作和轻量点卷积，高效快速地从时频图中挖掘有效的时频特征，提高桥梁识别准确度。同时通过边缘计算的方式，将中心节点的运算量下放到边缘端，可以有效的减少中心节点的计算压力，同时从边缘端发送的不再是冗余的原始数据，而是经过深度卷积网络处理后的结果，从而可以实时性的评估桥梁健康状态。

技术领域

本发明属于桥梁健康监测及评估技术领域，具体涉及一种基于边缘计 算的桥梁健康状态智能评估方法。

背景技术

随着社会经济的不断发展以及我国公路交通运输量的不断增加，桥梁 在公路交通运输中的作用越重要，是加快我省城市化建设的基础，是保障 公路交通安全通畅的关键。在我国，老、旧桥占总桥梁数的将近70％，随着 交通负荷的不断增加，伴随而来的是桥梁结构的安全问题，尤其是老旧桥 梁结构的健康监测是交通领域亟待解决的关键问题。由于受到建造水平、 对结构复杂性认识的限制以及外部不可预测的环境因素的影响(地震、撞 击、劳损)，人们无法获知实时桥梁结构受损情况，不能对桥梁的运营维护 作出准确评估，造成了一系列交通事故。可见，对老旧桥梁结构性能的准 确监测和诊断是实现我国桥梁可靠运营、管理和维护的关键。

目前桥梁结构健康诊断问题可大致分为两类：基于桥梁动力响应模型 的损伤识别和基于桥梁动力响应参数的损伤识别。第一种通过桥梁实际获 取的参数(如：位移、速度、加速度、应变、温湿度等)，建立有限元模型 来反演桥梁的实际受力状态，以此来评估桥梁的承载能力。该方法主要采 用数学建模和物理定理对桥梁结构进行离散化表征。由于大型桥梁建模困 难，运算时间长、参数选取困难，因此该方法在大型综合桥梁建模分析方 面存在诸多不足。第二种主要利用桥梁实际获取的参数，建立综合评估模 型(如：常规综合评定模型、层次分析模型、特尔斐专家评估模型、灰色 关联度与变权综合模型，神经网络模型)，对桥梁健康等级进行评估。由于 桥梁结构多样、不同桥梁评估模型不同，参数选取没有标准，因此，现有 评估模型的通用性不强。

由于深度神经网络在分类领域具有独特的优势，同时无需进行复杂的 有限元仿真，因此是实现桥梁智能健康诊断的主要方法。目前利用深度神 经网络法进行老旧桥梁健康评估时存在如下问题：

1、桥梁健康评估模型复杂，桥梁诊断实时性不足

现有的桥梁健康评估模型结构复杂，网络层数深，因此，必须通过算 力较强的服务器进行数据处理。由于新建桥梁内部预埋了传感器，搭建了 数据远程传输链路，因此能够在控制终端进行评估模型的训练及测试。但 是，受建造水平限制，这些老旧桥梁在施工建造中并没有安装任何监测传 感器。目前主要采用有线方式，在桥梁外部安装传感器，通过后期数据处 理方式进行桥梁评估模型训练与测试。这种方式增加了现场工作量，导致桥梁诊断实时性低，试验成本高。

2、被测量参量多，学习样本量大，评估成本高

现有的深度神经网络在训练时，需要大量的输入样本。由于老旧桥梁 只能采用外部安装监测的方式，随着桥梁跨径的增大，传感器数量随之增 加，为了获取长期海量数据，有线电缆布置和撤离工作量和工作难度增大， 现场测试周期变长。

发明内容

本发明提供一种基于边缘计算的桥梁健康状态智能评估方法，解决现 有技术中老旧桥梁不识别准确度的问题，还解决了不能实时性检测评估桥 梁健康状态的问题。

为了解决以上技术问题，本发明提供了一种基于边缘计算的桥梁健康 状态智能评估方法，其特征在于：包括以下步骤：S1、对桥梁健康状态特 征信息进行数据预处理；S2、将预处理后的数据输入至深度特征提取网络 中，通过位移卷积网络提取输入信息中的深度特征信息；S3、将此深度特 征信息输入到桥梁健康状态预测网络层，最终输出桥梁的健康状态预测结 果。