一种桥梁健康在线智能监测系统

1.本发明涉及桥梁损伤评估技术领域，尤其涉及一种桥梁健康在线智能监测系统。


背景技术：

2.截至2020年12月，中国桥梁总数已经超过百万座，其中，公路桥梁总数已经达到87.83万座，特大桥5716座，大桥108344座。随着中国桥梁数量的急剧增长和部分桥梁的桥龄逐渐增加，桥梁的健康与安全问题也日益引起关注。如果对桥梁安全问题不能进行及时快速的反映和处理，就会存在重大安全隐患p，甚至造成重大的生命和经济财产损失。
3.监测技术是保障桥梁安全运营的关键，通过实时监测获取桥梁结构的损伤状况与动力特征，从而分析桥梁的实际承载情况，通过对桥梁结构状况的监控与评估为桥梁的维护维修和管理决策提供依据和指导。目前已有的桥梁监测系统通过捕捉如应变、变形等海量信息数据，从数据获取到数据处理，再到分析评估，通过一整套分析过程，将信号转化为信息，再进行分析，表征桥梁服役的性能状况。常见的健康监测系统主要由数据采集、数据分析和数据存储几个部分，其中最重要、技术难度最大的是数据分析部分。近年来，随着传感、通信和储存等技术的飞速发展，桥梁监测中数据获取能力得到极大的提升，然而，在采集到这些数据之后，这些数据并没有得到很好的利用和开发，现阶段桥梁的健康系统数据分析能力相比于数据采集能力并不匹配，在数据分析方面，存在数据处理速度慢和准确度有待提高的问题，仍然停留在对数据用机器学习进行简单分类的阶段，并且在结构安全评估方面，通过分析桥梁构件从而进行全桥状态评估的能力发展迟缓，预警能力有待提高。


技术实现要素：

4.本发明实施例提供了一种桥梁健康在线智能监测系统，以消除或改善现有技术中存在的一个或更多个缺陷，解决现有技术中对桥梁监测数据分析能力能力不够且数据分析操作复杂的问题。
5.本发明的技术方案如下：
6.本发明提供一种桥梁健康在线智能监测系统，包括：
7.数据采集模块，包括多路传感器，所述传感器至少包括加速度传感器，各传感器按照预设布局设置在待分析桥梁上；
8.数据分析模块，所述数据分析模块将所述加速度传感器采集的加速度信息输入桥梁损伤识别分类模型以鉴别所述加速度信息中的异常数据，判断待分析桥梁是否损伤；所述桥梁损伤识别分类模型从预设的工具箱板块中选取调用；
9.损伤可视化模块，在所述数据分析模块判断所述待分析桥梁存在损伤的情况下，所述损伤可视化模块获取所述加速度传感器采集的位置信息和所述加速度信息，对所述待分析桥梁构建整体或局部模型，建立近场动力学运动方程并对所述待分析桥梁在各时间步的损伤进行求解，得到各时间步的桥梁损伤结果；以及，将各传感器采集到的数据信息和所述桥梁损伤结果结合至所述待分析桥梁的模型进行可视化展示；
10.数据存储模块，所述数据存储模块采用关系型数据库存储各传感器采集的数据信息、所述数据分析模块鉴别得到的异常数据、以及所述损伤可视化模块求解得到的各时间步的桥梁损伤结果。
11.在一些实施例中，所述工具箱板块整合多个桥梁损伤识别分类模型，根据预设规则选取一个或多个桥梁损伤识别分类模型鉴别所述加速度信息中的异常数据；
12.每个桥梁损伤识别分类模型是通过对初始分类模型进行预训练得到的，包括：
13.获取样本训练集，所述样本训练集包含多个样本数据，每个样本数据包含样本桥梁上均匀分布的第一设定数量个传感器采集的样本加速度信号以及桥梁主体状态信息，所述桥梁主体状态信息包括结构损坏和结构未损坏两类，将每条样本数据对应的桥梁主体状态信息作为标签；
14.以所述样本加速度信号作为输入，所述标签作为输出，采用所述训练样本集分别对多个初始分类模型进行训练，得到多个桥梁损伤识别分类模型；所述初始分类模型至少包括支持向量机、决策树、全连接神经网络、长短期记忆神经网络或自组织映射算法网络。
15.在一些实施例中，采用所述训练样本集分别对多个初始分类模型进行训练之前，还包括：
16.采用高斯滤波对所述样本加速度信号进行降噪，以及采用k邻近算法补全所述样本加速度信号中的缺失数据。
17.在一些实施例中，根据预设规则选取一个或多个桥梁损伤识别分类模型鉴别所述加速度信息中的异常数据，包括：
18.计算各桥梁损伤识别分类模型的评价指标，所述评价指标包括准确率、查准率、查全率和f1评分；
19.对各桥梁损伤识别分类模型的所述准确率、所述查准率、所述查全率和所述f1评分进行归一化处理后，加权求和得到每个桥梁损伤识别分类模型的综合评分，并按照所述综合评分从高到低进行排列；
20.选取所述综合评分最高的桥梁损伤识别分类模型鉴别所述加速度信息中的异常数据；或，选择所述综合评分较高的第二设定数量个桥梁损伤识别分类模型进行桥梁损伤识别，所述第二设定数量为奇数，将其中数量较多的识别结果作为最终的异常数据鉴别结果。
21.在一些实施例中，所述工具箱板块还设置改进预测模型，所述改进预测模型将各桥梁损伤识别分类模型的输出映射至最终的异常数据兼备结果，所述改进预测模型是采用全连接神经网络训练得到的。
22.在一些实施例中，所述损伤可视化模块对所述待分析桥梁构建整体或局部模型，建立近场动力学运动方程并对所述待分析桥梁在各时间步的损伤进行求解，包括：
23.获取包含弹性模量、密度、泊松比和拉伸临界伸长率的材料参数、包含载荷力和载荷速度的载荷参数、包含时间步长、近场区域半径与点单元边长比值，以及限定求解结束条件的限定时间步、限定位移或裂纹止裂条件的求解参数，设置点单元边长、固定约束区域、工况加载区域、材料分布区域，构建所述待分析桥梁的近场动力学运动方程，对所述待分析桥梁的损伤进行求解，并动态存储各时间步的求解结果作为桥梁损伤分析结果。
24.在一些实施例中，所述损伤可视化模块基于openmp的共享内存式线程级并行方法
建立近场动力学运动方程并对所述待分析桥梁在各时间步的损伤进行求解。
25.在一些实施例中，所述数据采集模块包括：
26.多路传感器，所述传感器包括温度传感器、压力传感器以及加速度传感器，各传感器按照预设布局设置在待分析桥梁上；
27.多路模拟开关，连接各传感器；
28.多个数模转换器，分别对应连接各模拟开关；
29.数据处理模块，连接各数模转换器，以获取各传感器采集的数据信息。
30.在一些实施例中，所述数据采集模块还包括：
31.至少一个无线发射模块，用于将各传感器采集的数据信息无线发送至所述数据分析模块；所述无线发射模块为zigbee模块，所述数据处理模块为stm32模块；所述stm32模块集成spi通信协议。
32.在一些实施例中，所述数据存储模块采用mysql关系型数据库进行数据存储。
33.本发明的有益效果至少是：
34.所述桥梁健康在线智能监测系统中，设置数据分析模块装载基于机器学习得到的桥梁损伤识别分类模型，对加速度传感器采集到的数据进行异常检测，能够实时自动化对桥梁健康状态进行监测。设置损伤可视化模块，在检出待分析桥梁异常的情况下，基于近场动力学对待分析桥梁进行损伤分析，并进行可视化展示，更直观地呈现待分析桥梁健康状态。
35.进一步的，通过设置多个桥梁损伤识别分类模型进行联合监测，能够显著提高对传感器所采集数据异常检测的准确度。
36.进一步的，损伤可视化模块在近场动力学分析过程中使用了基于openmp的共享内存式线程级并行方法，计算速度大幅提升，在本系统所使用的硬件环境下能够实现20～25倍的加速效果。
37.本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在书面说明及其权利要求书以及附图中具体指出的结构实现到并获得。
38.本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
附图说明
39.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，并不构成对本发明的限定。在附图中：
40.图1为本发明一实施例所述桥梁健康在线智能监测系统的结构示意图；
41.图2为本发明另一实施例所述桥梁健康在线智能监测系统的结构示意图；
42.图3为本发明一实施例所述桥梁健康在线智能监测系统中传感器网络结构示意图；
43.图4为图2中数据管理板块主页面示意图；
44.图5为本发明一实施例所述桥梁健康在线智能监测系统中数据分析模块异常检测
流程示意图；
45.图6为本发明一实施例所述桥梁健康在线智能监测系统做近场动力学分析过程示意图；
46.图7为图2中统计图表主界面示意图。
具体实施方式
47.为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。
48.在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
49.应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
50.在此，还需要说明的是，如果没有特殊说明，术语“连接”在本文不仅可以指直接连接，也可以表示存在中间物的间接连接。
51.鉴于现有技术的缺点，本发明的目的在于提供一种基于机器学习和近场动力学理论(pd理论)对桥梁健康状态进行在线智能监测系统的系统，以解决上述背景技术中现有的桥梁健康监测系统存在的问题。在桥梁健康在线监测系统传感器采集的数据中，绝大部分数据是处于正常状态，不需要特别的去关注和分析，只有少部分的数据才是异常数据，异常数据的出现意味着桥梁有一定的安全风险，需要全面的进行分析和处理。本发明实现快速精确地从海量数据中找到这些异常数据，使用机器学习进行异常检测算法能在采集到的数据中快速、准确识别地识别出异常数据，并通过近场动力学理论进行精确的损伤分析。
52.具体的，本发明提供一种桥梁健康在线智能监测系统，如图1所示，至少包括：相互连接的数据采集模块、数据分析模块、损伤可视化模块和数据存储模块。
53.数据采集模块，包括多路传感器，传感器至少包括加速度传感器，各传感器按照预设布局设置在待分析桥梁上。传感器可以均匀分布在整个待分析桥梁上，也可以根据具体需求，在局部进行部署。传感器的类别还可以包括压力传感器和温度传感器，压力传感器可以对桥面或支撑结构的载荷进行检测，温度传感器可以检测桥面温度以引入更多的检测参数对桥梁健康状态进行分析。
54.在一些实施例中，数据采集模块包括：多路传感器，传感器包括温度传感器、压力传感器以及加速度传感器，各传感器按照预设布局设置在待分析桥梁上；多路模拟开关，连接各传感器；多个数模转换器，分别对应连接各模拟开关；数据处理模块，连接各数模转换器，以获取各传感器采集的数据信息。
55.在一些实施例中，数据采集模块还包括：至少一个无线发射模块，用于将各传感器采集的数据信息无线发送至数据分析模块；无线发射模块为zigbee模块，数据处理模块为stm32模块；stm32模块集成spi通信协议。
56.数据分析模块，数据分析模块将加速度传感器采集的加速度信息输入桥梁损伤识别分类模型以鉴别加速度信息中的异常数据，判断待分析桥梁是否损伤；桥梁损伤识别分
类模型从预设的工具箱板块中选取调用。
57.工具箱板块用于装载多个桥梁损伤识别分类模型，在一些实施例中，工具箱板块在进行待分析桥梁的健康检测任务之前，还采用训练样本集训练得到各桥梁损伤识别分类模型。
58.每个桥梁损伤识别分类模型是通过对初始分类模型进行预训练得到的，包括步骤s101～s102：
59.步骤s101：获取样本训练集，样本训练集包含多个样本数据，每个样本数据包含样本桥梁上均匀分布的第一设定数量个传感器采集的样本加速度信号以及桥梁主体状态信息，桥梁主体状态信息包括结构损坏和结构未损坏两类，将每条样本数据对应的桥梁主体状态信息作为标签。
60.步骤s102：以样本加速度信号作为输入，标签作为输出，采用训练样本集分别对多个初始分类模型进行训练，得到多个桥梁损伤识别分类模型；初始分类模型至少包括支持向量机、决策树、全连接神经网络、长短期记忆神经网络或自组织映射算法网络。
61.具体的，样本训练集是在样本桥梁上采样得到的，实例性的，样本训练集可以设置1000个样本，前500个是未损伤状态下样本桥梁上采集的传感器数据信号序列，后500个是损伤状态下样本桥梁上采集的传感器数据信号序列。在另一些实施例中，也可以采用建模的方式模拟样本桥梁在损伤和未损伤状态下产生的传感器数据信号序列，并用于训练。基于得到的训练样本集，采用多种初始分类模型进行训练，用于解决桥梁损伤状态的二分类问题。能够完成二分类问题的机器学习方法包括多种，不同的算法结构和方式最终产生的效果并不相同，本实施例中，在工具箱模块中装载多种桥梁损伤识别分类模型，以供选择。
62.在一些实施例中，采用训练样本集分别对多个初始分类模型进行训练之前，还包括：采用高斯滤波对样本加速度信号进行降噪，以及采用k邻近算法补全样本加速度信号中的缺失数据。
63.具体的，工具箱板块整合多个桥梁损伤识别分类模型，根据预设规则选取一个或多个桥梁损伤识别分类模型鉴别加速度信息中的异常数据。其中，根据预设规则选取一个或多个桥梁损伤识别分类模型鉴别所述加速度信息中的异常数据，包括步骤s201～步骤s203：
64.步骤s201：计算各桥梁损伤识别分类模型的评价指标，评价指标包括准确率、查准率、查全率和f1评分。
65.步骤s202：对各桥梁损伤识别分类模型的准确率、查准率、查全率和f1评分进行归一化处理后，加权求和得到每个桥梁损伤识别分类模型的综合评分，并按照综合评分从高到低进行排列。
66.步骤s203：选取综合评分最高的桥梁损伤识别分类模型鉴别加速度信息中的异常数据；或，选择综合评分较高的第二设定数量个桥梁损伤识别分类模型进行桥梁损伤识别，第二设定数量为奇数，将其中数量较多的识别结果作为最终的异常数据鉴别结果。
67.步骤s201～步骤s203中提供了选用桥梁损伤识别分类模型的方法，通过计算综合评分进行对比和选用，另一些实施例中，也可以由使用者自由选取工具箱板块中的桥梁损伤识别分类模型。
68.在一些实施例中，工具箱板块还设置改进预测模型，改进预测模型将各桥梁损伤
识别分类模型的输出映射至最终的异常数据兼备结果，改进预测模型是采用全连接神经网络训练得到的。
69.具体的，基于样本训练集中的数据，将训练得到的个桥梁损伤识别分类模型的输出作为输入，以对应样本的标签(即样本的分类结果)作为输出，通过构建和训练得到改进预测模型，将各个桥梁损伤识别分类模型的识别结果进行联合处理，进一步分析评价得到最终的识别结果，提升损伤状态识别的准确性。
70.本实施例中，首先通过数据分析模块判断对待分析桥梁采集的传感器数据是否存在异常，如果不存在异常则无需进行损伤分析，只有在识别出异常数据时，也即判断待分析桥梁存在损伤时，才进一步进行损伤分析，以节约算力，减少不必要的数据处理。
71.在一些实施例中，采用全连接神经网络、长短期记忆神经网络或自组织映射算法网络等神经网络训练时，可以采用迁移学习的方式，在数据量较少，时间较短的条件下使模型获得较好的预测性能。
72.损伤可视化模块，在数据分析模块判断待分析桥梁存在损伤的情况下，损伤可视化模块获取加速度传感器采集的位置信息和加速度信息，对待分析桥梁构建整体或局部模型，建立近场动力学运动方程并对待分析桥梁在各时间步的损伤进行求解，得到各时间步的桥梁损伤结果；以及，将各传感器采集到的数据信息和桥梁损伤结果结合至待分析桥梁的模型进行可视化展示。
73.在一些实施例中，损伤可视化模块对待分析桥梁构建整体或局部模型，建立近场动力学运动方程并对待分析桥梁在各时间步的损伤进行求解，包括：获取包含弹性模量、密度、泊松比和拉伸临界伸长率的材料参数、包含载荷力和载荷速度的载荷参数、包含时间步长、近场区域半径与点单元边长比值，以及限定求解结束条件的限定时间步、限定位移或裂纹止裂条件的求解参数，设置点单元边长、固定约束区域、工况加载区域、材料分布区域，构建所述待分析桥梁的近场动力学运动方程，对所述待分析桥梁的损伤进行求解，并动态存储各时间步的求解结果作为桥梁损伤分析结果。
74.具体的，引入近场动力学理论进行损伤分析。根据待分析桥梁的实际情况，建立整体或局部模型，用于进行整体分析或局部分析。基于键的近场动力学理论是描述材料内一物质点(在离散化建模时为点单元)与其近场区域r内的物质点(在离散化建模时为点单元)的本构关系。点单元i与其近场区域内某一点单元j的关系也称为键，键中的两点单元i和j之间存在相互作用力称为近场力，用f来表示，也称为本构力函数，该点单元与其近场区域内的所有点单元构成了数个键，这些键的关系构成了材料的本构关系。这种本构关系是以积分形式的运动方程表示，且满足牛顿第二定律。构建t时刻材料内某一点单元i与其近场区域内点单元j的本构关系的运动方程，对点单元位移、点单元损伤、变形能密度以及能量释放速率进行求解，并进行可视化呈现。
75.实例性的，针对待分析桥梁构建近场动力学运动方程，对待分析桥梁的损伤进行求解，并动态存储各时间步的求解结果作为桥梁损伤分析结果，包括针对待分析桥梁的局部模型，在近场区域内，构建运动方程，在t时刻，材料内某一点单元i与其近场区域内点单元j的本构关系的运动方程为：
76.77.其中，ρ为点单元i的物质密度，vj为点单元j的体积，xi为点单元i的位置，xj为点单元j的位置，u(xi，t)为点单元i的位移，u(xj，t)为点单元j的位移；f(η,ξ)为点单元i与点单元j之间的本构力，b(xi，t)为点单元i所受到的外力密度；ξ表示点单元i与点单元j的相对位置，η表示点单元i与点单元j的相对位移；ξ＝x
i-xj，η＝u(xj，t)-u(xi，t)；
78.基于键的近场动力学理论是用于解决微观弹脆性材料破坏的理论，脆性材料通常近似为微观弹脆性材料，故大量的用于脆性材料的破坏分析。基于键的近场动力学的微观弹脆性材料的本构力函数为：
[0079][0080]
其中，
[0081][0082][0083][0084]
式中，c为微模量常数，e为弹性模量、v为泊松比、s为键的伸长量、s0为键的临界伸长量，μ为对键是否断裂的标记量；g0表示材料的断裂能，δ表示所述近场区域r的半径；
[0085]
对于点单元i，其损伤通过评价所述近场区域内键的断裂情况表示，损伤d表示为：
[0086][0087]
式中，r表示所述近场区域，μ为对键是否断裂的标记量，键正常时μ值为1，键断裂时μ值为0；dvj表示点单元j的体积积分量；式中损伤0≤d≤1，0表示该物质点无损伤，1表示该物质点已经完全损伤。
[0088]
对于点单元i，由于近场区域变形产生的总能量表示为：
[0089][0090]
式中，w表示点单元i与点单元j之间键的能量，r表示所述近场区域，dvj表示点单元j的体积积分量；c为微模量常数，s为键的伸长量，ξ表示点单元i与点单元j的相对位置；
[0091]
记录近场区域内各点单元的点单元位移和点单元损伤，并根据各点单元的总能量计算变形能密度以及能量释放速率。
[0092]
在一些实施例中，所述损伤可视化模块基于openmp的共享内存式线程级并行方法建立近场动力学运动方程并对所述待分析桥梁在各时间步的损伤进行求解。
[0093]
数据存储模块，数据存储模块采用关系型数据库存储各传感器采集的数据信息、数据分析模块鉴别得到的异常数据、以及损伤可视化模块求解得到的各时间步的桥梁损伤结果。
[0094]
在一些实施例中，数据存储模块采用mysql关系型数据库进行数据存储。
[0095]
下面结合以具体实施例对本发明进行说明：
[0096]
近场动力学与机器学习融合下的桥梁健康在线智能监测系统的整体结构如图2所示，其中主要包括数据采集、数据管理、数据分析和数据可视化四个核心模块，数据采集功能通过布置传感器网络实现，传感器网络将多种类型传感器在监测目标中进行网格式部署，全方位实时采集能够反映目标桥梁结构健康情况的各种数据，并通过多级节点显现数据间的传输。数据管理系统对接收到的传感器数据进行一定的预处理，包括缺失值的处理和噪声数据的处理等，对异构数据进行数据融合，并通过一定的数据组织形式将历史数据存储至专用数据库，利用数据库进一步实现对历史数据的查找、分析等。数据分析系统基于机器学习进行异常数据检测方法，数据可视化系统中，数据报警模块通过近场动力学进行结构损伤破坏和裂纹拓展分析，为结构健康预测提供强有力的理论支持，这也是本实施例的核心内容。数据可视化系统通过统计图表进行可视化呈现，数据可视化通过对分析结果的可视化处理，让使用者对桥梁安全状况有了全局的把握，能够及时发现桥梁异常并进行处理。
[0097]
在模块间的通信方面，各模块之间紧密连接形成了开环的控制网络，构成了动态监测系统整体。传感器网络向数据库发送采集到的数据，数据管理模块对数据进行预处理，将整理好的规范数据存入数据库；数据分析模块通过机器学习异常检测算法找出异常数据；由于pd分析方法对数据不仅有很好的处理能力，而且对数据处理的结果有很直观的视觉效果，所以本系统把pd分析方法置于数据可视化模块；数据可视化模块将分析出的结构异常状态与模拟的结构破坏情况进行展示并传输给数据库储存，在实现异常状态实时预警的同时对历史预警数据进行保存，积累数据的同时便于开发新的更好的预测算法。
[0098]
除了这四个核心模块之外为了方便使用者操作和管理，本系统还设置了用户设置、系统设置和更多三个版块，使用者可以通过用户设置版块修改使用者的信息和参数，管理人员可以通过系统设置版块对使用人员的权限进行管理，系统开发者后续可以在更多版块开发更多的系统功能。
[0099]
数据采集模块中，传感器网络的主要功能包括数据采集和数据传输两个部分。在目前传感器网络部分的开发研究中，为能反映结构状态和满足pd算法的需要，采集的物理量主要包括结构中的压力、加速度等，数据传输方式采用zigbee无线传输，数据采集中的数据信号控制与无线发射任务由stm32微控制器统一处理，整体设计方案如图3所示。其中，数据由多路传感器产生，经过多路模拟开关和数模转换器，传送至stm32内部，最后经过无线发射装置将数据传送至远端。数据采集任务通过多路传感器、stm32中的多路模拟开关和数模转换器共同来实现，多路传感器包括压力传感器、加速度传感器和温度传感器三种，设计中采用ds18b20温度传感器、压阻式压力传感器，温度传感器用于对压力传感器进行补偿以提高测量精度，多路模拟开关和数模转换器用来控制采集开关和模数转换，stm32内部集成了12位的数模转换器且通道数达到了18个，这不但节约了硬件成本还能使系统结构更加简洁。无线发射模块中除了实现无线接收端与无线发射端之间的数据通信之外，还需要与stm32微控制器之间实现数据的传输，这里采用了集成在stm32内部的spi通信协议，能够实现全双工工作模式下数据的高速传输，对外传送数据时形成了较为标准的数据形式与内容，形成对外的数据接口。
[0100]
数据管理模块的主要功能为存储传感器、数据分析模块和数据可视化模块的历史数据，数据管理板块主界面如图4所示。对于传感器网络发送来的数据，可使用一些数据预
处理方法，如高斯滤波对数据进行去噪和k近邻补全缺失数据，然后将数据进行整合存入数据库中。存储的传感器数据主要包括监测目标名称、传感器种类、传感器位置、采集时间、具体数值等，可根据采集时间、传感器位置等对数据进行查询。数据分析模块和数据可视化模块的结果也以一定的形式进行储存，主要包括近场动力学分析结果和机器学习识别出的异常数据，近场动力学分析结果主要包括分析涉及的传感器名称、分析位置、分析模型中的物质点的坐标、物质点的损伤、物质点的形成能、损伤释放能等，机器学习识别出的状态数据包括正常和异常两种，对这些数据进行存储也方便日后的查询与研究使用。数据库的实现使用了mysql关系型数据库，数据表主要包括不同监测目标的传感器数据表、近场动力学分析结果表、机器学习异常检测结果表等。
[0101]
数据分析模块由于监测目标在绝大多数时间内处于正常状态，若对任意时刻采集到的数据都进行近场动力学分析将会造成极大的资源需求与资源浪费，并且实时性难以保证。因此，若能够根据传感器数据准确识别系统异常状态，就能更合理的使用近场动力学方法进行分析，避免了大量不必要的分析过程，保证系统的实时性。若将正常数据和异常数据看作不同的类别，那么异常检测就成为了机器学习领域中的分类问题，样本不平衡问题可以使用降采样和过采样方法对数据进行处理。本系统使用的机器学习异常检测算法包括最近邻居法、决策树、随机森林、bagging、支持向量机、神经网络等，每种算法的输入为传感器采集到的数据，输出为预测的此时的数据状态，其中神经网络模型在预测性能和预测时间两个方面表现较好，另外神经网络在不同分布的样本域间进行转移时通过迁移学习中的fine-tune方法能够快速有效的对模型进行调整，使神经网络能够保持较好的预测性能，如图5为系统中机器学习异常分析的过程。
[0102]
数据分析模块的主要功能是通过机器学习算法，把数据存储模块中的数据进行分析，在海量的数据中找出少部分的异常数据，然后把分析结果传递给数据可视化模块，具体由系统中的工具箱板块实现。
[0103]
数据可视化模块中，近场动力学分析流程如图6所示，通过将压力、加速度等传感器采集到的监测目标的实时数据与建立的模拟结构结合，从而得到可使用近场动力学进行分析的模型，为加快近场动力学分析速度并提高系统的实时性，随后采用基于openmp的共享内存式线程并行方法进行近场动力学求解计算，最后生成模型结果数据以及一些可视化结果，这些分析结果被保存至数据库的同时会被输出以供系统使用者参考。其中，使用的近场动力学理论主要为脆性材料的键基近场动力学分析，脆性材料中键的力学特性包含了健康-损伤-破坏三种状态，本构函数中加入了损伤函数来描述键的损伤情况，损伤函数使用了常用的基于指数函数的损伤函数和新提出的基于多项式的损伤函数，所使用的近场动力学能够很好的模拟分析材料损伤和破坏情况，但进行大规模计算时的计算速度较慢，将会降低系统的实时性。因此，近场动力学分析过程使用了基于openmp的共享内存式线程级并行方法，计算速度大幅提升，在本系统所使用的硬件环境下能够实现20～25倍的加速效果，具有20w物质点的模型分析时间能够控制在12min以内，系统的实时性得到大幅提升。
[0104]
数据可视化模块的功能不仅是把数据管理版块中整合的传感器数据和通过机器学习找出来的异常数据进行可视化展示，更重要的是把工具箱中找出来的异常数据的机器学习分析结果进行可视化展示和pd方法分析，同时也要对pd方法分析结果进行可视化展示。前者由统计图表版块实现，后者由数据报警版块实现，数据报警版块主界面如图7所示。
[0105]
本实施例结合了机器学习和近场动力学，在实现了桥梁健康的在线智能监测，能较精确的对桥梁结构的安全进行评估和预测。
[0106]
本实施例将近场动力学用于桥梁健康监测系统中，利用近场动力学的天然优势可以对桥梁的异常数据进行深入分析，更为精准地模拟桥梁结构的破坏和裂纹发展并进行可视化展示。
[0107]
综上所述，所述桥梁健康在线智能监测系统中，设置数据分析模块装载基于机器学习得到的桥梁损伤识别分类模型，对加速度传感器采集到的数据进行异常检测，能够实时自动化对桥梁健康状态进行监测。设置损伤可视化模块，在检出待分析桥梁异常的情况下，基于近场动力学对待分析桥梁进行损伤分析，并进行可视化展示，更直观地呈现待分析桥梁健康状态。
[0108]
进一步的，通过设置多个桥梁损伤识别分类模型进行联合监测，能够显著提高对传感器所采集数据异常检测的准确度。
[0109]
进一步的，损伤可视化模块在近场动力学分析过程中使用了基于openmp的共享内存式线程级并行方法，计算速度大幅提升，在本系统所使用的硬件环境下能够实现20～25倍的加速效果。
[0110]
本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(asic)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom(erom)、软盘、cd-rom、光盘、硬盘、光纤介质、射频(rf)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
[0111]
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
[0112]
本发明中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
[0113]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。