基于边缘计算的桥梁健康状态智能评估方法与流程

1.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：

2.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。
3.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。
4.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：
5.1、桥梁健康评估模型复杂，桥梁诊断实时性不足
6.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。
7.2、被测量参量多，学习样本量大，评估成本高
8.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。


技术实现要素：

9.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。
10.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。
11.有益效果：本发明将震动传感器采集的时序信息进行短时傅里叶变换， 生成时频谱图作为输入，桥梁的健康状态作为输出，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。
12.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。
附图说明
13.图1桥梁健康状态预测总体网络框架
14.图2桥梁健康深度特征提取网络结构
15.图3二维位移卷积块网络结构
16.图4桥梁健康状态预测网络结构。
具体实施方式
17.为使本发明的目的、内容和优点更加清楚，下面对本发明的具体实施 方式作进一步详细描述。
18.本发明提出的一种基于边缘计算的桥梁健康状态智能评估方法，设计 了深度学习网络，包括深度特征提取网络、桥梁健康状态预测网络；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。
19.具体步骤如下：
20.s1、将震动传感器采集的桥梁健康状态特征信息(时序信息)进行数 据预处理，即进行短时傅里叶变换，生成时频谱图；具体如下：
21.在桥梁上设置多个震动传感器，每组传感器包括位移、速度和加速度 传感器，本发明利用12组传感器采集桥梁的健康状态信息，按照《公路桥 涵养护规范》将桥梁健康与桥梁损坏分为5个等级(良好、较好、较差、坏、 危险)，针对每个等级采集2000个样本，共有10000个样本。
22.单个样本尺寸为250000
×3×
12(时间长度*特征通道数*传感器组数 量)，对每个样本进行如下处理：
23.分帧：为了做频域变换时，不损失信号的时序信息，首先将信号进行 分帧，可以分为500帧，每一帧信号1000个点数，相邻帧间有500个点重叠。
24.加窗：为了消除各帧信号两端的不连续性，对帧内原始信号加上 hamming窗口。
25.计算信号能量谱：对于每一帧信号使用1024采样点的短时傅立叶变换， 计算信号频谱能量。
26.预处理后数据：得到10000个时频谱图，1024
×
500
×
36(频率能量
×ꢀ
帧数
×
总通道数)桥梁健康状态信号样本。
27.s2、将预处理后的数据输入至深度特征提取网络，提取输入信息中的 深度特征信息；
28.深度特征提取网络由4个二维位移卷积模块组成，网络结构如图2所示， 位移卷积模块使用位移操作和逐点卷积一方面大大降低了常规3
×
3卷积的 计算量，另一方面位移操作调整了卷积对空间信息的感受域。桥梁健康特 征信息经过4个二维位移卷积模块处理后，得到桥梁健康深度特征信息。
29.每个二维位移卷积模块结构如图3所示，在位移卷积模块中，输入信号 分两路进行处理，其中一路使用位移操作对输入数据进行分通道位移处理， 并设置了批处理标准化层和relu激活函数，然后数据通过二维逐点卷积层 融合不同通道的信息，接着经过另一组位移操作、批处理标准化层、relu 激活和二维逐点卷积层，另一路通过平均池化层进行下采样处理后，与第 一路的输出数据在特征通道上进行串联，得到该二维位移卷积模块的输出。
30.具体的，每个位移卷积模块中，输入数据首先经过位移操作，位移操 作通过将卷积核构造为位移矩阵，对输入数据不同通道进行不同方向的数 据位移。设输入数据为f，g为f经过位移卷积后的输出数据，位移操作 如公式(1)所示：
[0031][0032]
其中，k，l分别是输入数据的频率和帧数的大小，i,j,m分别为数据沿 着频率轴、帧数轴和通道轴的地址索引，k为位移卷积核，其内部定义值 如式(2)所示：
[0033][0034]
在式(2)中，在位移卷积核中指定某一位置的值为1，其它位置皆为0。
[0035]
表1桥梁健康深度特征提取网络具体结构参数
[0036][0037][0038]
本发明是以keras为框架，tensorflow作为后端来构建深度学习环境 的。使用2个1080ti gpu，结合并行计算架构cuda对图像处理流程进行加速。 总体网络的损失函数采用交叉熵，优化器使用rmsprop，把s1获取的传感器 数据作为训练样本输入到上述深度学习网络中，迭代500轮，训练过程中一 次取256批次样本训练，学习率取0.001。得到相应的深度学习网络参数。
[0039]
s3、将s2中提取的深度特征信息输入到桥梁健康状态预测网络，输出 桥梁的健康状态预测结果；
[0040]
桥梁健康状态预测网络由2个卷积核大小为1
×
1的二维卷积层、1个全 局平均池化层和1个tanh激活层组成；
[0041]
出于网络轻量化的考虑，本发明的预测网络没有使用参数量过大的全 连接层，而是采用了具有同样功能但参数量较少的1
×
1二维卷积层。桥梁 健康深度特征信息首先经过2层二维卷积层，然后通过全局平均池化层对卷 积层的输出进行通道平均池化，最后通
过tanh激活层处理得到网络对桥梁 健康状态的预测结果，即与桥梁健康与桥梁损坏的5个等级相对应。
[0042]
表2桥梁健康状态预测网络具体结构参数
[0043][0044]
本发明采用边缘端测试方法，将arm处理器部署在传感器端，并读取步 骤s4训练好的网络模型文件，对从传感器实时传入的数据流输入上述深度 学习网络模型，进行判断预测，输出结果即为桥梁健康状态的评估值。达 到了在边缘端简化数据的目的。
[0045]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的 普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干 改进和变形，这些改进和变形也应视为本发明的保护范围。