一种交通基础设施健康监测系统服役性能评价方法及装置与流程

1.本发明涉及交通基础设施健康监测系统服役性能评价校正领域，尤其涉及一种交通基础设施健康监测系统服役性能评价方法及装置。


背景技术：

2.目前现有的交通基础设施健康监测系统服役性能评价方法可主要包括：1、依托固定荷载开展健康监测系统的测量性能评价。现阶段依托固定荷载、动态荷载采用固定重量的车辆对桥梁施加荷载，采用应力-应变-位移原理对监测系统测量有效性进行评价。2、等强度悬臂梁在线标定方法。桥梁健康监测系统在线计量方案可行性验证过程中，可以采用等强度悬臂梁加挂砝码的方式进行验证，等强度悬臂梁由底座、等强度悬臂梁和砝码组成，在悬臂梁片平行布设监测系统，加挂砝码以后，由砝码重量引起的梁体变形，进而采集监测系统的输出值，在一定时间后，加入或减少砝码数量，同时记录两组监测数据序列值，对特征点进行匹配，进行序列数据进行校准。不管是上述的哪种方法大多存在耗费大量的人力、物力，每次荷载试验期间均需要封闭道路的问题。


技术实现要素：

3.鉴于上述现有技术的不足，本技术的目的在于提供一种交通基础设施健康监测系统服役性能评价方法及装置，旨在克服现有技术中的不足。
4.本发明的第一方面提供了一种交通基础设施健康监测系统服役性能评价方法，包括：获取多个单一参数传感测量装备在结构载荷和环境载荷激励下所产生的测量数据；对所述测量数据进行数据特征提取；根据提取到的所述数据特征将所述测量数据划分为多个不同种类；辨识相同种类的所述测量数据的数据一致性；根据数据一致性辨识的结果对所述交通基础设施健康监测系统的服役性能进行评价。本发明所提出的交通基础设施健康监测系统服役性能评价方法，仅通过获取多个单一参数传感测量装备在结构载荷和环境载荷激励下所产生的测量数据，并对测量数据进行处理即可得到交通基础设施健康监测系统服役性能，进而实现健康监测系统的自校准、自辨识，不仅节省了人力、物力；还可以有效避免封闭道路所带来的道路拥堵等缺陷。
5.可选地，所述交通基础设施健康监测系统服役性能评价方法还包括：设置一深层卷积神经网络；对所述深层卷积神经网络进行训练。本发明通过设计卷积网络来完成对数据的处理，可有效提高数据处理的速度。
6.可选地，所述设置一深层卷积神经网络包括：设置至少一个输入层；在所述输入层之后多个卷积层和多个池化层，且每个所述卷积层与每个所述池化层间隔设置。本发明所提出的深层卷积神经网络其优点在于，结构简单易于实现。
7.可选地，所述设置一深层卷积神经网络还包括：对深层卷积神经网络的所述卷积层进行归一化处理。本发明通过将将隐藏层进行归一化处理，可以实现将输入的数据调整到预设的范围内，目的是为了调整输入数据到同一个量纲范畴，提高可比性。
8.可选地，所述对所述测量数据进行数据特征提取包括：利用所述深层卷积神经网络对所述测量数据进行数据特征提取。本发明利用深层卷积神经网络完成数据特征的提取，其优点在于准确度高。
9.可选地，所述交通基础设施健康监测系统服役性能评价方法还包括：设置至少一个分类层，所述分类层设置在所述卷积层和所述池化层之后。
10.可选地，所述对所述深层卷积神经网络进行训练包括：训练所述分类层；待所述分类层训练完成后，依次往前嵌套迭代训练所述卷积层；待所述卷积层训练完成后，对整个深层卷积神经网络训练。深层卷积神经网络最终识别效果的好坏除了取决于数据集和深层卷积神经网络本身架构之外，训练方法也是影响其识别效果的一个重要因素，因此本发明提出了采用循环嵌套、依次渐进的训练方法对其进行训练，可以有效提高识别精度。
11.可选地，所述根据提取到的所述数据特征将所述测量数据划分为多个不同种类包括：利用所述分类层根据提取到的所述数据特征将所述测量数据划分为多个不同种类。本发明利用分类层来进行实现测量数据的分类，避免出现数值不稳定的情况。
12.可选地，所述辨识相同种类的所述测量数据的数据一致性包括：在相同的所述结构载荷和/或所述环境载荷激励下辨识相同种类的所述测量数据是否一致；或者在相同的所述结构载荷和/或所述环境载荷激励下辨识相同种类的所述测量数据的序列变化趋势是否一致。本发明通过测量系统相同参量测量量值间的测量相关性，实现互相之间的测量有效性评价。
13.可选地，所述交通基础设施健康监测系统服役性能评价方法还包括：在所述交通基础设施上布设多个单一参数传感测量装备，所述交通基础设施包括桥梁和隧道。
14.本发明的第二方面还提供一种交通基础设施健康监测评价装置，包括：处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如本发明第一方面中所述的交通基础设施健康监测系统服役性能评价方法的步骤。
15.附图说明
16.图1为本发明一种交通基础设施健康监测系统服役性能评价方法实施例的流程图；图2为本发明一种交通基础设施健康监测系统服役性能评价方法实施例的流程图图3为本发明在交通基础设施上布设多个单一参数传感测量装备的示意图；图4为本发明采用dropout方法对深层卷积神经网络进行改进前后的对比图；图5为本发明基于网络的迁移学习示意图；图6为本发明交通基础设施健康监测评价系统框架图。
17.具体实施方式
18.下面将详细描述本发明的具体实施例，应当注意，这里描述的实施例只用于举例
说明，并不用于限制本发明。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的电路，软件或方法。
19.在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。
20.现有的交通基础设施健康监测系统服役性能评价方法大多存在需要耗费大量的人力、物力以及每次荷载试验期间均需要封闭道路的问题。
21.基于此，本技术希望提供一种能够解决上述技术问题的方案，其详细内容将在后续实施例中得以阐述。
22.请参见图1，本技术方案的详细阐述一种交通基础设施健康监测系统服役性能评价方法的实施例，所述交通基础设施健康监测系统服役性能评价方法包括如下步骤：s001获取多个单一参数传感测量装备在结构载荷和环境载荷激励下所产生的测量数据。
23.s002对所述测量数据进行数据特征提取。
24.s003根据提取到的所述数据特征将所述测量数据划分为多个不同种类。
25.s004辨识相同种类的所述测量数据的数据一致性。
26.s005根据数据一致性辨识的结果对所述交通基础设施健康监测系统的服役性能进行评价。
27.本发明所提出的交通基础设施健康监测系统服役性能评价方法，仅通过获取多个单一参数传感测量装备在结构载荷和环境载荷激励下所产生的测量数据，并对测量数据进行处理即可得到交通基础设施健康监测系统服役性能，进而实现健康监测系统的自校准、自辨识，不仅节省了人力、物力；还可以有效避免封闭道路所带来的道路拥堵等缺陷。
28.请参见图2，本发明的实施例还提供了一种交通基础设施健康监测系统服役性能评价方法，包括如下步骤：s1、在交通基础设施上布设多个单一参数传感测量装备。
29.在一个可选的实施例中，所述单一参数传感测量装备即是用于检测单一参数的设备，所述单一参数可以包括但不限于温度、湿度、应变和形变等。更近一步地，所述单一参数传感测量装备可以包括但不限于应变传感器和温度传感器等，其中所述应变传感器和所述温度传感器可以分别为光纤应变计和光纤温度计。此外，所述交通基础设施可以包括但不限于桥梁和隧道等交通基础设施。请参见图3，图中示出了一种在桥梁上分别布设光纤应变计和光纤温度计的示意图，在此示意图中光纤温度计在所述桥梁上的位置与光纤应变计在所述桥梁上的位置相同，并且布设的光纤应变计数量更多。在另外一个可选的实施例中，可以在所述桥梁的桥面任意位置处设置多个光纤应变计和光纤温度计；其中，所述光纤应变计和所述光纤温度计在所述桥梁上的位置可以是相同的也可以是不同的；并且，相同种类的单一参数传感测量装备可以在桥面上等距离设置或者非等距离设置。也即是说实际的应
用过程中，所述单一参数传感测量装备的布设可以根据实际测量环境进行灵活设置。
30.s2、获取多个单一参数传感测量装备在结构载荷和环境载荷激励下所产生的测量数据。
31.在一个可选的实施例中，所述结构载荷可以包括所述交通基础设施的自身原因会存在一定的结构自重、土压力和预应力等，在单一参数传感测量装备布设在所述交通基础设施上后，由于上述结构载荷的原因所述单一参数传感测量装备会输出一定测量数据。此外除所述结构载荷外，由于除交通基础设施自身以外的其他因数例如温度、湿度、压力、振动、冲击、车辆运行等条件激励下，也会使单一参数传感测量装备输出的测量数据发生改变，由于其主要是来源于外部环境因此可以称之为环境载荷。关于结构载荷和环境载荷可以参见表1和表2。
[0032]032]
s3、设置一深层卷积神经网络。
[0033]
在一个可选的实施例中，所述设置一深层卷积神经网络包括：设置至少一个输入层；在所述输入层之后多个卷积层和多个池化层，且每个所述卷积层与每个所述池化层间隔设置；设置至少一个分类层，所述分类层设置在所述卷积层和所述池化层之后。卷积层的核心为卷积核即过滤器，它通过不同宽度、深度的卷积核对输入层传入的像素矩阵进行特征提取。卷积的过程可以看成是滤波的过程，也是一个类似函数映射的过程，它把input切成很多小的部分，然后分别把这些小的部分输入。深层卷积神经网络通过增添隐藏层即卷积层来提高其提取特征的能力，而这个过程中卷积神经网络的深度就会大大加深，从原理上来讲，越深的卷积神经网络其特征提取能力以即所能涵盖的特征范畴会更广和特征维度更高。但卷积层数越多，其所包含的权重值以及偏置项就会越多，它所遇到的训练难度就会越大，并且很容易陷入局部最优，或者遇到梯度消失的情况。
[0034]
在一个可选的实施例中，所述设置一深层卷积神经网络还包括设置全连接层，在卷积层和池化层完成监测量值特征提取之后，通过全连接层完成测量数据分类。
[0035]
在一个可选的实施例中，所述设置一深层卷积神经网络还包括设置softmax层：经全连接层的输出分类结果不一定符合概率分布，经softmax层优化分类结果，可令测量数据分类结果符合概率分布，有利于最终直观的判断分类的效果。
[0036]
s4、对深层卷积神经网络的所述卷积层进行归一化处理。
[0037]
在一个可选的实施例中，现有的vggnet和googlenet模型非线性表达能力不强模型参数较多，不利于深层卷积神经网络的训练，使得最终得到的深层卷积神经网络识别效果不佳。因此，本技术特意将原始的神经网络模型通过结构改进和优化可使其非线性表达能力提升。
[0038]
更进一步地，深层卷积神经网络可以通过权值共享以及局部连接的策略减少参数并且简化深层卷积神经网络的结构，并在深层卷积神经网络训练过程中，对输入层传入的数据进行归一化操作，将输入的数据调整到预设的范围内，其目的是为了调整输入数据到同一个量纲范畴，提高可比性。采用的原始的神经网络模型则没有对隐藏层进行归一化，这会导致模型非线性表达能力下降，并且提升运算量。因此采用了batch normalization和dropout方法对深层卷积神经网络进行改进。
[0039]
首先采用bn（batch normalization）的策略对神经网络隐藏层的输入进行归一化，bn与输入数据归一化的不同之处在于输入数据归一化往往会对所有输入数据采用均值为0，方差为1的标准化策略，而bn可使得各隐藏层的输入数据标准化过程中采用不同的均值和方差，使各个隐藏层输入保持不同的方差以及均值可以避免大量输入数据处于激活函数的线性区域，可以有效提高深层卷积神经网络的非线性化。
[0040]
同时采用了dropout方法用来加快深层卷积神经网络的训练。具体可参见图4，图中(a)为现有常规神经网络的连接示意图，(b)采用dropout方法改进后的深层卷积神经网络连接示意图。
[0041]
s5、对所述深层卷积神经网络进行训练。
[0042]
请参见图5，在一个可选的实施例中，所述对所述深层卷积神经网络进行训练包括：训练所述分类层；待所述分类层训练完成后，依次往前嵌套迭代训练所述卷积层；待所述卷积层训练完成后，对整个深层卷积神经网络训练。深层卷积神经网络最终识别效果的好坏除了取决于数据集和深层卷积神经网络本身架构之外，训练方法也是影响其识别效果
的一个重要因素，因此本发明提出了采用循环嵌套、依次渐进的训练方法对其进行训练，可以有效提高识别精度。
[0043]
参数初始化的原则是让每一个卷积层的输入和输出都保持良好的高斯分布，便于深层卷积神经网络的训练。同时采用迁移学习方法，具体方法如下：（1）基于实例的迁移学习，是基于不同训练集之间相存在类似特征的前提下，使用特定的权重调整策略，从源域中选择部分实例补充到目标域的训练集当中进行训练；（2）基于映射的迁移学习：是指从中映射实例源域和目标域进入新的数据空间。在这个新的数据空间中，来自两个域的实例类似且适用于联合深度神经网络。它基于这样的假设：两者之间存在差异两个原始域，它们在一个精心设计的新数据空间中可以更相似；（3）基于网络的迁移学习：请参见图5，是指基于源域里的预训练模型的网络结构和参数对现有的目标域进行训练。它基于深层卷积神经网络类似于人脑的处理机制假设即它是一个迭代和连续的抽象过程。网络的前层可以视为一个功能提取器而提取的特征是通用的。首先，深层卷积神经网络经过在具有大规模训练数据集的源域例如imagenet数据集进行预训练。其次，选取深层卷积神经网络前几层网络作为提取底层特征基础网络。最后，用fine-tune策略训练后面几层的网络并更新前几层的网络。研究以及实验证明lenet，alexnet，vggne，googlenet，resnet是基于网络的迁移学习的良好选择。
[0044]
（4）基于对抗生成的迁移学习：在源域中的大规模数据集上训练过程中，网络的前层被视为特征提取器。它从两个域中提取特征并将它们发送到对抗层。对抗层试图区分特征的起源。如果对抗性网络表现更差，这意味着两者之间的差异很小两种类型的功能具有更好的可转移性，反之亦然。在训练过程中，对抗层的存在会迫使卷积网络发现具有更多可转移性的一般特征。
[0045]
本技术采用基于网络的迁移学习的方式对深层卷积神经网络进行参数初始化。通过对其最终分类网络进行修改并在参数完成初始化的基础上进行训练，从而减少训练时间、降低过拟合的可能性并达到较好的识别分类效果。
[0046]
s6、对所述测量数据进行数据特征提取。
[0047]
在一个可选的实施例中，所述对所述测量数据进行数据特征提取包括：利用所述深层卷积神经网络对所述测量数据进行数据特征提取。
[0048]
在一个可选的实施例中，本发明可以采用权重共享来解决测量数据参数过多的问题，它是令在同一个特征映射下权重具有相同的值，权重共享可以有效减少更新权重时的计算量，采用权重共享的策略可以使神经网络具有尽可能简单的结构并利于神经网络从数据集中提取有效特征。进而采用特征值对测量系统进行测量有效性评价。本发明利用深层卷积神经网络完成数据特征的提取其优点在于准确度高。
[0049]
更进一步地，卷积核采用权值共享的方式减少深层卷积神经网络的参数，并在增加相对应的偏置参数后将获得的特征矩阵经过激活函数去线性化，从而完成荷载影响所产生数据特征的提取，计算公式如下：；其中，x为输入，w为卷积核参数，b为偏置项参数，f为非线性激活函数，n为卷积核参数数量。
[0050]
s7、根据提取到的所述数据特征将所述测量数据划分为多个不同种类。
[0051]
在一个可选的实施例中，所述根据提取到的所述数据特征将所述测量数据划分为多个不同种类包括：利用所述分类层根据提取到的所述数据特征将所述测量数据划分为多个不同种类。
[0052]
更进一步地，所述分类层包括但不限于softmax分类器；在一个实施例中通过在全连接层后面连接上softmax分类器，而softmax分类器在面对输入数值较大时会出现数值不稳定的情况，采用交叉熵损失函数，将交叉熵损失函数和sofamax分类器结合使用避免出现数值不稳定的情况。
[0053]
s8、辨识相同种类的所述测量数据的数据一致性。
[0054]
在一个可选的实施例中，所述辨识相同种类的所述测量数据的数据一致性包括：在相同的所述结构载荷和所述环境载荷激励下辨识相同种类的所述测量数据是否一致。例如一桥梁具有多个桥墩，且每个桥墩均匀分布在所述桥梁上，可以在所述每个桥墩的相同位置处分别设置同一种单一参数传感测量装备，在其他外界条件一致的情况下，就可以保证其结构载荷基本一致，当一社会车辆行驶经过该桥梁时，在社会车辆这一环境载荷和结构载荷的激励下，每个所述单一参数传感测量装备均产生一个检测数据，由于其结构载荷和环境载荷大致相同，若所有检测数据大致相同，则所述测量数据一致，若存在至少一个检测数据与其他检测数据不同，则所述测量数据不一致。
[0055]
在另一个可选的实施例中，或者在相同的所述结构载荷和所述环境载荷激励下辨识相同种类的所述测量数据的序列变化趋势是否一致。与前述相反，例如被测桥梁的部分区域进行了修复，导致桥梁部分区域的结构载荷发生改变，当一社会车辆行驶经过该桥梁时，在社会车辆这一环境载荷和结构载荷的激励下，每个所述单一参数传感测量装备均产生一个检测数据，虽然处于修复区域的检测数据与其他区域并不一定相同，但是所有数据的序列变化趋势是一致的，则所述测量数据一致，若存在至少一个检测数据与其他检测数据的序列变化趋势不同，则所述测量数据不一致。本发明通过测量系统相同参量测量量值间的测量相关性，实现互相之间的测量有效性评价。
[0056]
s9、根据数据一致性辨识的结果对所述交通基础设施健康监测系统的服役性能进行评价。
[0057]
在一个可选的实施例中，所述交通基础设施健康监测系统可以包括在桥梁、隧道中布设的多种单一参数传感测量装备，以及分别与每个所述单一参数传感测量装备通信连接的数据处理装置，所述数据处理装置可以包括但不限于上位机等设备。所述交通基础设施健康监测系统的服役性主要是用来表征交通基础设备监测系统中各个单一参数传感测量装备是否健康正常运行。在一个实施例中，所述交通基础设施健康监测系统的服役性可以被划分为第一级、第二级和第三级；第一级可以是所有所述测量数据的数据一致，即每个单一参数传感测量装备正常运行，第二级可以是部分单一参数传感测量装备正常运行，第三级可以是所有单一参数传感测量装备均未正常运行。在其他的一个或一些实施例中，所述交通基础设施健康监测系统的服役性还可以通过其他形式进行划分或者判定在此就不一一进行列举。
[0058]
s10、根据数据一致性辨识的结果对所述交通基础设施健康监测系统进行校准。
[0059]
在一个可选的实施例中，通过对交通基础设施健康监测系统中每个单一参数传感
测量装备所产生的测量数据进行处理和分析，可以轻易判断出每个单一参数传感测量装备是否存在检测失真或者损坏等情况，在对单一参数传感测量装备是否存在检测失真或者损坏等情况进行判断时，具体可以通过辨识相同种类的所述测量数据的数据一致性来进行判断，更进一步地，一个实施例中，可以事先设置判断阈值，若测量数据的数据一致性差异小于判断阈值，则认定该单一参数传感测量装备检测失真需要进行校准，若测量数据的数据一致性差异大于或等于判断阈值，则认定该单一参数传感测量装备损坏，需要进行更换或者修复。
[0060]
在一个可选的实施例中，针对于需要进行校准的单一参数传感测量装备可以根据其测量数据的实际值进行补偿或者抵消，例如一单一参数传感测量装备输出的测量数据高于其他所有单一参数传感测量装备输出的测量数据，则将高出的部分抵消即可实现校准，反之若一单一参数传感测量装备输出的测量数据低于其他所有单一参数传感测量装备输出的测量数据，则仅需将低出的部分补偿即可实现校准。在另外一个实施例中，在单一参数传感测量装备损坏时可以实现对损坏的单一参数传感测量装备进行迅速定位，可以起到及时预警的效果，为设备的更换提供支持，保证交通基础设施健康监测系统的稳定运行，进而可以有效预防及避免事故的发生。
[0061]
本技术通过人工智能神经网络方式实现监测系统的自校准，对桥梁结构实施被动激励情况下的动态监测，设定在共源激励条件下默认正常情况下多个单一参数传感测量装备产生的信号是相同的或数据序列变化趋势时候相同的，获取动态监测测量数据，其优点在于可以通过测量系统相同参量测量量值间的测量相关性，实现互相之间的测量有效性评价。判断传单一参数传感测量装备是否发生故障，从而提高桥梁监测系统的准确性，支撑我国长大桥梁健康监测系统长期有效。
[0062]
本发明所示出的交通基础设施健康监测评价装置的实施例包括：处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如本发明交通基础设施健康监测系统服役性能评价方法的实施例的步骤。
[0063]
应当理解，在本发明实施例中，所称存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储有设备类型的相关信息。
[0064]
处理器用于运行或执行被存储在内部存储器中的操作系统，各种软件程序，以及自身的指令集，并用于处理来自于触摸式输入装置或自其它外部输入途径接收到的数据和指令，以实现各种功能。处理器可以包括但不限于中央处理器、通用图像处理器、微处理器、数字信号处理器、现场可编程逻辑门阵列，应用专用集成电路中的一种或多种。在一些实施例中，处理器和存储器控制器可在单个芯片上实现。在一些其他实施方案中，它们可分别在彼此独立的芯片上实现。
[0065]
输入设备可以是摄像头等，摄像头又称为电脑相机、电脑眼以及电子眼等，是一种视频驶入设备，以及数字键盘或机械键盘等触摸式输入装置；所述输出设备可以包括显示器等。
[0066]
本发明的又一个实施例示出的计算机可读存储介质，所述计算机可读存储介质存
储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行所述的交通基础设施健康监测系统服役性能评价方法的相关步骤。
[0067]
其中，所述计算机可读存储介质可包括缓存、高速随机存取存储器，例如常见的双倍数据率同步动态随机存取内存，并且还可包括非易失性存储器，诸如一个或多个只读存储器、磁盘存储设备、闪存存储器设备、或其他非易失性固态存储器设备例如光盘，软盘或数据磁带等。
[0068]
请参见图6，本发明所示出的交通基础设施健康监测评价系统的实施例包括：交通基础设施健康监测评价装置和智能终端，所述交通基础设施健康监测评价装置可以包括服务器或者服务器集群，所述智能终端可以包括一个或多个智能终端，所述交通基础设施健康监测评价装置之间可以通过无线或者有线网络连接；更进一地，所述智能终端可以包括但不限于智能手机等移动设备。所述交通基础设施健康监测评价装置可以执行包括本发明交通基础设施健康监测系统服役性能评价方法的实施的任意步骤。在一个可选的实施例中，所述交通基础设施健康监测评价装置还可以将关于交通基础设施健康监测系统的服役性能评价的结果发送给所述智能终端，进而起到提前预警等作用。
[0069]
本技术通过人工智能神经网络方式实现监测系统的自校准，对桥梁结构实施被动激励情况下的动态监测，设定在共源激励条件下默认正常情况下多个单一参数传感测量装备产生的信号是相同的或数据序列变化趋势时候相同的，获取动态监测测量数据，其优点在于可以通过测量系统相同参量测量量值间的测量相关性，实现互相之间的测量有效性评价。判断传单一参数传感测量装备是否发生故障，从而提高桥梁监测系统的准确性，支撑我国长大桥梁健康监测系统长期有效。
[0070]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。