基于深度学习的桥梁健康监测数据分析关键技术研究

发布时间：2020-05-19 13:40

【摘要】：随着桥梁结构健康监测技术的广泛应用,基于深度学习的结构损伤识别已经成为国内外的研究重点和难点。本文以深度学习理论技术为基础,对桥梁结构健康监测领域中的数据预处理和损伤识别关键技术进行深入分析和研究,针对桥梁结构监测数据具有时序关联性特性,构建出基于长短期记忆网络(LSTM)模型的结构损伤识别模型,为桥梁结构健康监测分析领域提供了新的思路和方法。主要研究内容如下:(1)深入分析和研究桥梁结构健康监测数据预处理关键技术。设计了针对结构输出响应信息量纲不一致、数据体量大导致数据分析耗时严重等问题的数据预处理方案。首先对离散数据进行One-Hot Encoding归一化处理以消除各属性之间的量纲不一致问题,然后对监测数据进行主成分分析(PCA)降维获取能够有效表征结构状态演化特性的简化特征值,对海量数据进行凝练去除冗余特征,提高了监测数据分析的时效性。(2)深入分析传统机器学习和深度学习模型进行桥梁结构损伤识别的有效性。一方面设计并构建了一种基于多层感知器(MLP)神经网络的深度学习方法,对比传统机器学习方法中的支持向量机(SVM)方法具有更高的准确率;另一方面,针对现有桥梁结构损伤识别方法没有充分利用桥梁结构健康监测数据时序关联特性进行建模的问题,本文借助LSTM神经网络在处理具有时序关联性时间序列数据方面的优势,创新性地设计并构建了一种适用于长时间序列监测数据特性的基于LSTM神经网络的桥梁结构损伤识别模型,相较于在处理离散的、非时序关联性数据方面有优势的MLP神经网络准确率更高;最后本文以北黎大桥仿真实验数据为依托,通过实验分析得到:一方面,基于MLP的结构损伤识别较于基于SVM方法的准确率提升了15.75%,另一方面,基于LSTM的结构损伤识别较于基于MLP的方法准确率提升了8.6%。(3)为了验证本文所提出的基于深度学习的桥梁结构损伤识别模型的有效性,以Bookshelf框架结构数据为基准进行对比实验分析。结果表明:一方面基于MLP神经网络的结构损伤识别模型相较于传统机器学习方法SVM的准确率提升了33.7%;另一方面,通过充分利用桥梁结构监测数据时序关系所提出的基于LSTM神经网络的桥梁结构损伤识别方法,较于MLP神经网络的桥梁结构损伤识别模型其准确率提升了8.4%。
【图文】：

桥梁结构健康监测系统

图 1-1 桥梁结构健康监测系统主要组成[3]结构健康监测(Structural Health Monitoring，SHM)，旨在采用无损传感技术结合结构特性分析手段监测结构状态的演化趋势，探究和揭示结构损伤发生机理[4]。通过分析目前国内外结构健康监测技术的研究与应用现状，总结为以下几个特点：①监测时间长，新建桥梁监测系统一般从施工监控开始，通过数量、种类众多的传感器，获取使用阶段结构工作状态的输出响应，以期对结构状态进行连续、完整的长期监测；②监测数据全，除了监测应变、位移、加速度等反应结构本身状态的响应信号以外，还强调环境条件的监测和记录分析，包括风速、温度以及外部荷载等；③监测仪器多，随着监测功能不断完善很多监测系统都具有快速大容量的数据采集以及分析处理功能，另一些重要辅助设施的工作状态也纳入监测范围；④桥梁结构损伤诊断理论与技术手段日渐完善，近年来，，融合了监测数据感知、数据远程通信和智能化信息处理的桥梁结构健康监测技术得到了快速发展和广泛应用。该技术通过在桥梁各构件中布设数量种类众多的传感器，对桥梁的应变、位移、加速度等自身结构响应信息，以及桥梁实际运营环境下的温度、湿度

数据处理流程

图 3-1.数据处理流程图3.3 预处理方法介绍在对数据的预处理原因进行讲述后，针对本文在预处理阶段使用到的方法进行讲述，后后续实验章节做好理论分析，本文针对离散数据进行了归一化处理，在归一化处理后，考虑到维度的影响，采用 PCA 方法进行降维，以下从归一化以及 PCA 理论层面进行详细阐述。3.3.1 归一化处理通常情况下，在桥梁结构中安装的传感器直接采集回馈的原始数据都存在属性维数过高、数据缺失、异常还有量纲不统一等一些问题。用这些原始数据对桥梁结构损伤识别会存在一定的难度，所以在对结构损伤识别前需要对数据进行预处理进行提高模型计算效率。预处理首先经常需对数据进行归一化，归一化的目的是为了将数据按照一定规则转化为（0,1）之间的数据，把有量纲的表达式转化为无量纲的表达式从而提高了预测的精度和模型计算效率。数据归一化通常又分为连续值归一化和离散值归一化。
【学位授予单位】：重庆交通大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP18;U446

【参考文献】