基于边缘计算的桥梁健康状态智能评估方法与流程

技术特征：
1.一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。2.根据权利要求1所述的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：s1中，将震动传感器采集的桥梁健康状态特征信息即时序信息进行短时傅里叶变换，生成时频谱图。3.根据权利要求1所述的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：s1具体为：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，将桥梁健康与桥梁损坏分为多个等级，针对每个等级采集一定数量的样本，分别对每个样本进行分帧、加窗、计算信号能量谱。4.根据权利要求3所述的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：将桥梁健康与桥梁损坏分为五个等级，即良好、较好、较差、坏、危险。5.根据权利要求3所述的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：s2中，所述深度特征提取网络由4个二维位移卷积模块组成，每个二维位移卷积模块中，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，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输出数据，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。6.根据权利要求5所述的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：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：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，其内部定义值为：7.根据权利要求6所述的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：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。8.根据权利要求5所述的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：把s1获取的传感器数据作为训练样本输入到深度学习网络中，迭代多轮，训练过程中一次取一定量批次样本训练，学习率取0.001，即可得到相应的深度学习网络参数。9.根据权利要求1所述的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：桥梁健康状态预测网络由2个卷积核大小为1
×
1二维卷积层、1个全局平均池化层和1个tanh激活层组成；桥梁健康深度特征信息首先经过2个二维卷积层，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，与桥梁健康和桥梁损坏的几个等级相对应。10.根据权利要求9所述的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：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。

技术总结
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。态。态。


技术研发人员：李剑 李传坤 韩焱 潘晋孝 王黎明
受保护的技术使用者：中北大学
技术研发日：2021.06.29
技术公布日：2021/10/28