基于物理信息残差时序卷积网络的荷载识别方法和系统

本发明涉及人工智能识别，具体是涉及一种基于物理信息残差时序卷积网络的荷载识别方法和系统。

背景技术：

1、移动车辆荷载，尤其是重载及超载车辆所引起的动态激励，是公路桥梁服役期间最主要的活载来源之一，也是导致结构疲劳累积、刚度退化及耐久性能劣化的重要诱因。已有研究表明，车辆动力效应会显著放大桥梁结构响应，其对桥面造成的平均损伤程度约为相同静态轴载作用下的2～4倍。因此，实现车辆荷载的准确识别与实时监测，对于保障桥梁结构的安全性、耐久性及正常服役性能具有重要意义。传统的车辆荷载直接测量方法，如动态称重系统和车载传感技术，虽然能够直接获取车辆荷载信息，但在实际工程应用中普遍存在设备安装与维护成本高、对路面条件要求严格以及易受交通环境干扰等问题。

2、移动车辆荷载（尤其是重载及超载车辆）是公路桥梁服役期间最主要的活载来源，其动力效应会显著放大结构响应（损伤程度约为静态轴载的2～4倍），是实现桥梁安全监测的关键指标。目前，现有的移动荷载识别技术路线主要分为以下三类，且均存在固有瓶颈：传统直接测量方法：以动态称重系统和车载传感技术为代表。虽然能直接获取荷载信息，但存在设备安装维护成本高、对路面条件要求严格、易受交通环境干扰等工程应用难题。模型驱动的逆分析方法（传统物理方法）：基于桥梁动力响应的间接识别法，其本质是求解病态逆问题。现有技术多采用截断奇异值分解（tsvd）、tikhonov正则化及稀疏正则化等方法。然而，此类方法的识别性能高度依赖于正则化参数的合理选取，而常用的参数选取策略（如l曲线法、广义交叉验证gcv等）需反复迭代优化，计算效率较低，难以满足长期在线监测的实时性要求。数据驱动的深度学习方法：通过神经网络直接学习响应与荷载的非线性映射。虽然在线识别速度快，但严重依赖大量高质量标注样本进行训练，而真实桥梁工程中获取带真实荷载标签的数据成本极高、难度极大，严重制约了其工程泛化能力。物理信息神经网络（pinn）：现有pinn方法虽能引入物理约束缓解数据依赖，但大多仅依赖控制方程构建残差约束，未充分利用移动荷载本身固有的稀疏先验特性，导致其在复杂噪声环境下的识别精度和鲁棒性仍存在局限。

3、因此，如何提升对于移动载荷的识别精度、鲁棒性及泛化能力是行业内亟需研究的技术问题。

技术实现思路

1、本发明提供一种基于物理信息残差时序卷积网络的荷载识别方法和系统，以解决现有技术中的存在的一个或多个技术问题，并至少提供一种有益的选择或创造条件。

2、本发明提供了一种基于物理信息残差时序卷积网络的荷载识别方法，包括：利用在离线阶段已经训练好的识别网络模型进行在线识别；

3、其中，所述在线识别的方法具体包括：获取目标桥梁在当前时刻的实测响应数据，并构建当前时刻的系统传递矩阵；

4、采用正交匹配追踪算法对当前时刻的实测响应数据进行稀疏反演求解，获得当前时刻移动荷载的初始估计序列；

5、对所述初始估计序列进行相同的多尺度特征构建，生成当前时刻的输入特征矩阵；

6、将当前时刻的输入特征矩阵输入至预先训练完成的识别网络模型中进行单次前向计算，主干网络输出当前时刻的残差预测分量，上下文感知校准头输出当前时刻的缩放系数和偏置项，计算当前时刻的移动荷载最终识别结果，该最终识别结果等于缩放系数乘以初始估计序列与残差预测分量之和再加上偏置项，并作为当前车辆荷载的实时识别结果输出。

7、进一步，所述识别网络模型在离线阶段时的训练方法具体包括：获取样本桥梁结构在移动车辆荷载作用下的样本实测响应数据，并构建系统传递矩阵；采用正交匹配追踪算法对所述样本实测响应数据进行稀疏反演求解，获得移动荷载的初始估计序列；

8、对所述初始估计序列进行多尺度特征构建，生成输入特征矩阵，所述输入特征矩阵包含初始估计序列本身、初始估计序列的一阶时间差分、初始估计序列的二阶时间差分、初始估计序列的统计特征以及初始估计序列的时间编码；

9、将所述输入特征矩阵输入残差时序卷积网络进行时序特征提取，所述残差时序卷积网络包括级联的多个时序卷积模块和上下文感知校准头，所述主干网络输出残差预测分量，所述上下文感知校准头输出缩放系数和偏置项，获得移动荷载的预测结果，该预测结果等于缩放系数乘以初始估计序列与残差预测分量之和再加上偏置项；

10、采用渐进式稀疏重建策略，通过迭代计算结构响应残差并基于对数正则化目标函数补偿残差荷载分量，动态更新目标荷载；

11、在每个训练周期，以更新后的目标荷载作为监督信号，采用l2范数损失函数对所述残差时序卷积网络的参数进行优化训练，直至满足预设终止准则时停止训练，保存训练完成的识别网络模型。

12、进一步，在离线训练阶段和在线识别过程中，均采用正交匹配追踪算法进行稀疏反演求解，从实测响应中提取移动荷载的稀疏主导动力学成分；

13、其中，采用正交匹配追踪算法进行稀疏反演求解的优化问题表示为：求目标函数取最小值时的变量取值，所述目标函数为实测响应减去系统传递矩阵乘以荷载字典乘以稀疏系数向量的l2范数的平方，约束条件为稀疏系数向量的零范数小于等于预设目标稀疏度；采用基于字典的稀疏表示方法将移动荷载映射至稀疏域，即移动荷载等于荷载字典乘以稀疏系数向量；通过正交匹配追踪算法迭代选取与当前残差信号相关性最大的字典原子，获得移动荷载的初始估计序列。

14、进一步，所述残差时序卷积网络的主干网络由多个级联的时序卷积网络模块构成，每个时序卷积网络模块包含一维空洞卷积层、非线性激活函数、dropout正则化以及残差跳跃连接；各级时序卷积网络模块采用指数递增的空洞率进行配置，用于同时捕获输入序列中的短期局部动态特征与长期时序相关性；所述主干网络输出残差预测分量。

15、进一步，所述上下文感知校准头将多尺度特征构建阶段提取的统计特征进行聚合形成全局上下文向量，所述全局上下文向量经由包含全连接层、非线性激活函数和dropout正则化的多层感知机进行建模，输出所述缩放系数和偏置项。

16、6.根据权利要求2所述的一种基于物理信息残差时序卷积网络的荷载识别方法，其特征在于，所述渐进式稀疏重建策略具体包括：

17、在第i个训练周期，基于上一训练周期重建得到的移动荷载计算结构响应残差，该残差等于实测响应减去系统传递矩阵乘以上一训练周期的移动荷载；

18、通过对数正则化目标函数求解残差稀疏系数，重建残余荷载分量，该残余荷载分量等于荷载字典乘以残差稀疏系数，所述残差稀疏系数通过对数正则化目标函数求最小值得到，所述对数正则化目标函数为对每个元素计算一加荷载字典乘以系统传递矩阵乘以残差稀疏系数减去结构响应残差的绝对值除以自适应尺度参数的对数值，再对所有元素求和；

19、更新目标荷载为初始估计序列加上各训练周期的残余荷载分量的累加和；

20、其中，自适应尺度参数为控制对数函数过渡特性的参数；所述对数正则化目标函数采用梯度下降算法与adam优化算法相结合的方式进行求解。

21、进一步，所述预设终止准则包括：相邻两次迭代预测荷载之间的相对变化小于10-6。

22、进一步，所述预设终止准则还包括：由识别荷载重构得到的结构响应与实测响应之间的相对变化小于10-6。

23、进一步，所述预设终止准则还包括：训练周期达到最大迭代次数200。

24、另一方面，提供了一种基于物理信息残差时序卷积网络的荷载识别系统，包括：在线识别模块，所述在线识别模块用于执行上述技术方案中的利用在离线阶段已经训练好的识别网络模型进行在线识别。

25、本发明至少具有以下有益效果：本发明的方法通过限定利用离线阶段已训练好的识别网络模型进行在线识别，并具体给出在线识别的完整步骤流程。构建了融合稀疏逆问题建模与深度时序特征学习的统一物理信息移动荷载识别框架，实现了物理模型与数据驱动学习的协同融合。设计了残差时序卷积网络，通过多尺度时序特征提取，有效学习移动荷载的长期与短期动态演化规律。提出了一种基于对数正则化的自监督渐进式稀疏重建策略，通过迭代补偿响应残差并动态更新目标荷载，实现移动荷载的高精度重建。通过限定的在线识别方法与离线训练阶段共享相同的特征构建和网络前向计算逻辑，保证了训练与推理阶段的数据处理一致性，提高了识别结果的可靠性和稳定性。本发明还提供对应的系统，该系统的有益效果与方法类似，这里就不重复描述了。本发明主要用于人工智能识别技术领域。