一种基于卷积神经网络的斜拉索索力异常捡拾方法

摘要

本发明公开了一种基于卷积神经网络的斜拉索索力异常捡拾方法，包括以下步骤：利用实测索力数据和人为设置的索力异常，建立训练数据集、验证数据集和测试数据集；建立具有12层结构的卷积神经网络，其中索力数据作为卷积神经网络的输入层，索力异常作为输出层；将实测索力数据输入给训练好的卷积神经网络，并通过持续更新索力数据实现持续的索力异常捡拾，当数据中出现索力异常时，则卷积神经网络输出值为异常数据点的位置，当索力数据中没有索力异常时，则卷积神经网络输出值小于0。本发明方法可有效地捡拾偏差率的绝对值≥1％的索力异常，具有良好的准确性、适用性和实用性，可用于斜拉桥健康系统中进行在线的索力异常捡拾。

权利要求

1.一种基于卷积神经网络的斜拉索索力异常捡拾方法，其特征在于具体步骤为：

1)训练数据集、测试数据集和验证数据集的生成：将每根斜拉索的实测索力数据按每

2048个数据点为一段进行划分，测量索力的采样频率为1次/分钟，划分后的数据段中人为随机加入索力异常，偏差率的绝对值≥1％，并对有异常数据和没有异常数据进行归一化和标记，其中有异常数据段的标记为异常出现的位置，没有异常的数据段标记为‑1，标记后的数据段的60％作为训练数据集，20％作为验证数据集，20％作为测试数据集，所有数据集中异常数据段和无异常数据段的比例为1:1；

2)卷积神经网络模型的确定：将2048个数据点的数据段，作为卷积神经网络的输入，数据的标记作为输出；卷积神经网络共有12层，包括索力数据作为卷积神经网络的输入层，索力异常作为输出层，4个卷积 层、4个池化层和2个全连接层作为隐藏层；利用训练数据集和验证数据集对卷积神经网络进行反复多次训练和验证，取验证数据集结果的平均绝对值误差最小时的卷积神经网络作为最终模型；

3)卷积神经网络模型的应用：将实测初始2048个索力数据作为输入数据，输入给训练好的卷积神经网络，并对这2048个索力数据进行持续更新，每次更新128个索力数据，当数据中出现索力异常时，则卷积神经网络输出值为异常数据点的位置，当索力数据中没有索力异常时，则卷积神经网络输出值小于0。

说明书

一种基于卷积神经网络的斜拉索索力异常捡拾方法

技术领域

[0001] 本发明涉及一种基于卷积神经网络的斜拉索索力异常捡拾方法，主要用于在线捡拾实测斜拉桥的斜拉索索力异常变化。

背景技术

[0002] 斜拉桥是一种被广泛采用的大跨度桥型，主要由主梁、斜拉索和主塔组成，斜拉索承担索塔和主梁之间的荷载传递。斜拉索既是斜拉桥的关键受力构件，也是斜拉桥的薄弱
构件，其在长期服役过程中遭受环境侵蚀、交通荷载、自然灾害等作用，不可避免地发生锈
蚀、断丝、疲劳等损伤问题，如若未及时掌握和处理这些损伤，将对斜拉索的力学性能和使
用寿命造成严重的影响，甚至会威胁到整个桥梁的安全。索力的异常变化可以最直接地反
应出斜拉索安全状态，因此，监测索力和捡拾索力异常是斜拉桥健康监测系统的重要内容。
但是，目前索力异常的判别主要是基于经验阈值，例如我国《公路桥梁承载能力检测评定规
范》(JTG/T J21‑2011)规定当实测索力的偏差率(偏差率＝(实测索力‑设计索力)/设计索
力*100％)超过±10％时，判定索力存在异常，显然，这种阈值设置过于粗糙，会导致较小的
索力异常(偏差率绝对值≤10％)被漏掉，例如拉索断丝、拉索松弛、锈蚀、重载车辆等引起
的索力异常，这些较小的索力异常不会立刻使拉索的性能发生变化，但日积月累就可能会
对处于高应力状态下的拉索造成损伤。

[0003] 目前，较小的索力异常比大的索力异常难于捡拾，其原因有两点：一是拉索的索力受温度影响很大，温度引起的索力变化往往会淹没较小的索力异常的捡拾；二是索力在没
有异常的时候也在持续地变化，偏差率的阈值设置过小会导致误捡拾索力异常，设置过大
会漏捡拾较小的索力异常。

发明内容

[0004] 针对斜拉桥斜索索力异常捡拾的前述现状和不足，本发明提供了一种基于卷积神经网络的斜拉索索力异常捡拾方法，在该方法中卷积神经网络的输入为实测的一段索力数
据，输出为索力异常出现在数据中的位置，利用实测索力数据和人为设置的索力异常，建立
训练数据集、验证数据集和测试数据集，利用训练数据集和验证数据集确定卷积神经网络
的架构和超参数，利用测试数据集检验卷积神经网络捡拾索力异常的效果。本发明方法具
有良好的准确性、通用性和实用性，可有效地降低温度干扰、避免漏捡拾和误捡拾索力异
常，适用于斜拉桥的索力监测和状态评估。

[0005] 本发明为实现上述目的所采用的技术方案是：

[0006] 1)训练数据集、测试数据集和验证数据集的生成：将每根斜拉索的实测索力数据按每2048个数据点(测量索力的采样频率为1次/分钟)为一段进行划分，划分后的数据段中
人为随机加入索力异常(偏差率的绝对值≥1％)，并对有异常数据和没有异常数据进行归
一化和标记，其中有异常数据段的标记为异常出现的位置，没有异常的数据段标记为‑1，标
记后的数据段的60％作为训练数据集， 20％作为验证数据集，20％作为测试数据集，所有
数据集中异常数据段和无异常数据段的比例为1:1。

[0007] 2)卷积神经网络模型的确定：将2048个数据点的数据段，作为卷积神经网络的输入，数据的标记作为输出；卷积神经网络共有12层，包括索力数据作为卷积神经网络的输入
层，索力异常作为输出层，4个卷基层、4个池化层和2个全连接层作为隐藏层；利用训练数据
集和验证数据集对卷积神经网络进行反复多次训练和验证，取验证数据集结果的平均绝对
值误差最小时的卷积神经网络作为最终模型。

[0008] 3)卷积神经网络模型的应用：将实测初始2048个索力数据作为输入数据，输入给训练好的卷积神经网络，并对这2048个索力数据进行持续更新，当数据中出现索力异常时，
则卷积神经网络输出值为异常数据点的位置，当索力数据中没有索力异常时，则卷积神经
网络输出值小于0。

[0009] 本发明方法的优点：

[0010] 1)本发明方法能准确地捡拾到拉索断丝、锈蚀、锚固松动、重载车辆等引起的索力异常(偏差率的绝对值≥1％)，可有效降低索力异常的误捡拾和漏捡拾，具有较高的准确
性。

[0011] 2)本发明方法借助卷积神经网络，以“黑箱”方式实现了索力异常捡拾，可以适用于多种斜拉桥拉斜索的索力异常捡拾，具有良好的适用性。

[0012] 3)本发明方法基于标准卷积神经网络实现，易于编程实现，对计算性能要求不高，可应用于斜拉桥健康系统中进行在线的索力异常捡拾，具有良好的实用性。

附图说明

[0013] 图1为一种基于卷积神经网络的斜拉索索力异常捡拾方法的网络模型。

[0014] 图2为一种基于卷积神经网络的斜拉索索力异常捡拾方法的实施流程。

具体实施方式

[0015] 实施例：

[0016] 下面结合实施例对本发明做进一步说明，但本发明并不限于以下实施例。

[0017] 本发明所提供的基于卷积神经网络的斜拉索索力异常捡拾方法的具体实施流程如下：

[0018] 1)斜拉索索力数据采集仪器测量到索力信号后，按时间先后缓冲2048个索力测量值(索力数据的采样频率1次/分)，对2048个索力值进行归一化处理(归一化处理方法为：每
个数据点除以最大索力值与最小索力值的差)。

[0019] 2)将归一化后的2048个索力值输入到训练好的卷积神经网络，卷积神经网络计算后输出为一个数值，当数值大于0时，该数值即为索力异常的位置(在缓冲数据中的位置)，
当数值小于0时，表明缓冲数据中并无异常的索力值。

[0020] 3)当索力数据采集仪器测量到128个最新索力值后，移除缓冲2048个索力值中时间最早的128个索力值，移入最新测量的索力值，并确保缓冲索力数据中按测量时间的先后
排序。

[0021] 4)重复步骤2)和步骤3)，持续进行索力异常捡拾。