一种基于多源检测数据的桥梁支座病害智能辨识方法及系统与流程
本发明属于桥梁健康检测,具体涉及一种基于多源检测数据的桥梁支座病害智能辨识方法及系统。
背景技术:
1、桥梁支座作为连接桥梁上部结构与下部结构的关键传力构件,其工作状态直接影响桥梁的整体安全性与耐久性。在长期车辆荷载、环境温度变化及材料老化等因素耦合作用下,支座易出现裂缝、脱空、剪切变形超限、老化开裂及位移异常等病害。
2、现有桥梁支座病害检测技术有:
3、(1)人工巡检与目视观察:检测人员通过肉眼或手持设备观察支座表面裂缝、变形及脱空情况。该方法主观性强、效率低,且对于支座内部脱空、早期微裂缝及底部剪切变形难以有效识别。
4、(2)振动检测法:通过在支座或梁体上布置加速度传感器,采集振动响应信号,分析频率、振型及阻尼比的变化以判断支座损伤。然而,振动信号对局部早期病害(如表面微裂缝、轻微老化)的灵敏度不足,且易受车辆荷载、风速等环境激励变化的影响。
5、(3)位移监测法:利用位移传感器监测支座的纵向、横向及竖向位移量。该方法能够反映支座的宏观变形状态,但位移数据受环境温度影响显著,温度效应与荷载效应耦合叠加,导致病害辨识的虚警率较高。
6、(4)图像识别法:采用计算机视觉技术对支座表面图像进行裂缝识别。该方法仅能获得支座表观信息,无法获取内部力学状态及深层损伤信息,且对于光照不均、表面污渍遮挡等复杂工况,易出现误检或漏检,抗干扰能力不足。例如,中国专利(cn122244140a)一种桥梁智慧巡查病害位置识别及三维可视化标识方法,其通过采集桥梁表面图像,利用ai模型识别病害区域像素坐标,并基于像素位移与视角变化关系将病害映射至bim三维模型中,实现病害位置的可视化标识。然而,该类技术仅依赖单一视觉图像进行病害识别,未接入振动响应、位移监测及环境温度等物理检测数据,无法识别支座内部脱空、剪切变形等深层损伤;且未考虑温度效应对结构变形的影响,缺乏温度效应修正机制。此外,该类技术仅实现病害的像素级定位与三维标识,未对病害类型进行精细化分类,亦未对严重程度进行量化等级评估;其ai模型输出缺乏置信度量化评估与自动复核机制,在图像质量不佳时存在误判风险。同时,该类技术依赖预先标定的像素-视角映射关系,设备变动后需重新标定,维护成本较高,且未建立病害时间序列追踪机制,无法掌握病害演化趋势。
7、此外,还有中国专利(cn122064728a)在其说明书中公开了一种面向多源检测数据融合的桥梁专用agentic rag智能问答系统和方法。该技术是一个面向桥梁检测报告文档的rag问答系统,其技术局限在于:数据源局限于离线文档、缺乏实时物理监测、视觉处理粗粒度、无主动辨识能力、可信度无量化控制。
8、综上所述,现有单一检测手段均存在信息片面、易受干扰或依赖人工经验的缺陷,难以满足桥梁支座病害全面、精准、自动化辨识的需求。因此,亟需一种能够融合多源异构检测数据、实现智能协同辨识的方法。
技术实现思路
1、为克服现有技术的不足,本发明提供一种基于多源检测数据的桥梁支座病害智能辨识方法及系统。
2、实现上述发明目的,本发明采用如下技术方案:
3、一种基于多源检测数据的桥梁支座病害智能辨识方法,包括以下步骤:
4、s1:获取桥梁支座的多源检测数据,所述多源检测数据包括视觉图像数据、振动响应数据、位移监测数据以及环境温度数据;
5、s2:对所述多源检测数据进行预处理,包括图像增强、振动信号去噪、位移数据平滑以及基于温度数据的温度效应分离;
6、s3:分别对各源检测数据进行特征提取,得到视觉特征向量、振动特征向量、位移特征向量以及温度影响特征向量;
7、s4:将各源特征向量输入多源特征融合网络,基于注意力机制进行跨模态特征对齐与融合,得到融合特征向量;
8、s5:将所述融合特征向量输入分级病害辨识模型,输出支座病害类型及病害程度等级;
9、s6:基于所述分级病害辨识模型的输出,计算病害辨识结果的置信度,当置信度低于预设阈值时,触发人工复核指令;将本次检测的辨识结果、置信度及时间戳存入病害演化数据库。
10、s7:定期或按需从所述病害演化数据库中提取历次有效检测记录,基于时间序列分析生成支座健康度演化曲线,以追踪病害发展趋势。
11、优选地,步骤s1中,所述视觉图像数据通过部署于支座周边的高清工业相机采集,所述振动响应数据通过安装于支座顶面及底面的加速度传感器采集,所述位移监测数据通过激光位移计或拉线式位移传感器采集,所述环境温度数据通过布置于支座附近的环境温度传感器采集。
12、优选地,步骤s2中,所述基于温度数据的温度效应分离包括:建立支座位移-温度基准模型,将实测位移数据中的温度致变分量与荷载致变分量分离,得到去除温度效应后的位移特征数据。
13、优选地,步骤s3中,所述视觉特征向量通过基于卷积神经网络的图像特征提取器获取;所述振动特征向量通过小波包分解与统计特征组合获取;所述位移特征向量通过时域统计量及频域能量分布获取。
14、优选地,步骤s4中,所述多源特征融合网络包括:模态内特征增强子网络、跨模态注意力对齐子网络以及特征级联融合子网络;所述跨模态注意力对齐子网络用于学习不同源特征向量间的相关性权重;所述注意力机制包括:计算各源特征向量之间的相关性矩阵;基于所述相关性矩阵生成注意力权重;以及根据所述注意力权重对各源特征向量进行加权融合。
15、优选地,步骤s5中,所述分级病害辨识模型包括病害类型识别分支和病害程度评估分支;所述病害类型识别分支用于识别裂缝、脱空、剪切变形、老化开裂中的至少一种病害类型;所述病害程度评估分支用于输出各病害类型的严重程度等级。
16、优选地,步骤s6中,所述置信度的计算基于所述分级病害辨识模型输出的概率分布熵值,当熵值高于预设阈值时,判定置信度不足。
17、优选地,所述方法还包括步骤s7:将所述病害辨识结果、置信度以及对应的多源检测数据存储至病害演化数据库,并基于时间序列分析生成支座健康度演化曲线。
18、本发明还提供一种基于多源检测数据的桥梁支座病害智能辨识系统,包括:
19、多源数据采集模块,用于获取桥梁支座的多源检测数据;
20、数据预处理模块,用于对所述多源检测数据进行预处理;
21、单源特征提取模块,用于分别对各源检测数据进行特征提取;
22、多源特征融合模块,用于将各源特征向量进行跨模态特征对齐与融合;
23、分级病害辨识模块,用于基于融合特征向量输出支座病害类型及病害程度等级;
24、置信度评估模块,用于计算病害辨识结果的置信度并触发人工复核指令。
25、优选地,所述系统还包括病害演化追踪模块,用于将病害辨识结果及对应的多源检测数据存储至病害演化数据库,并基于时间序列分析生成支座健康度演化曲线。
26、与现有技术相比,本发明的有益效果为:
27、(1)本发明通过融合视觉图像、振动响应、位移监测及环境温度四类异构数据,克服了单一检测手段信息片面的技术问题。视觉图像提供支座表观形态信息,振动响应反映支座动力特性及内部损伤,位移监测揭示支座宏观变形状态,环境温度数据用于修正温度效应。多源数据在信息维度上形成互补,实现了对支座病害从表观、力学、变形及环境的多维度覆盖,显著提高了病害辨识的全面性和准确率。
28、(2)本发明通过构建基于注意力机制的多源特征融合网络,克服了多源异构数据难以有效融合的技术问题。该融合网络首先通过模态内特征增强子网络挖掘各源数据的深层特征,再通过跨模态注意力对齐子网络自适应地学习不同源特征间的相关性权重,实现异构特征向量的语义对齐与自适应融合。本发明还能够根据各源数据的质量和与当前病害类型的相关性动态调整融合权重,在某一数据源受干扰或缺失时仍能保持稳健的辨识性能。
29、(3)本发明通过建立位移-温度基准模型进行温度效应分离,通过历史数据建立位移-温度基准关系,从实测位移中剔除温度致变分量,提取出仅由结构损伤和荷载引起的位移特征,有效降低了环境干扰,提高了位移数据对真实病害的敏感度,克服了环境温度变化对位移监测数据造成严重干扰的技术问题。
30、(4)本发明通过构建分级病害辨识模型,而分级病害辨识模型同时输出病害类型和严重程度等级,为桥梁管养单位提供了从“发现病害”到“制定维修策略”的完整决策依据,实现了支座病害的精细化、可量化管理,克服了传统方法仅能识别病害有无而无法量化评估程度的技术问题。
31、(5)本发明通过引入置信度评估机制,当模型对辨识结果不确定时,自动触发人工复核指令,避免了盲目依赖算法输出导致的误判风险,在保证检测效率的同时确保了关键决策的可靠性,克服了深度学习模型输出结果缺乏可靠性量化指标的技术问题。
32、(6)本发明通过建立病害演化数据库和健康度演化曲线,通过时间序列分析,管养人员可以直观掌握支座健康状态的演化规律,实现从定期检测向预测性维护的转变,克服了传统检测方法数据碎片化、难以追踪病害发展趋势的技术问题。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com