基于深度学习的桥梁健康监测数据有效性分析

doi:10.3969/j.issn.1674-0696.2021.03.12

重庆交通大学学报（自然科学版） ›› 2021, Vol. 40 ›› Issue (03): 78-83.DOI: 10.3969/j.issn.1674-0696.2021.03.12

基于深度学习的桥梁健康监测数据有效性分析

梁宗保1，柴洁1，纳守勇2，马天立1，唐玉1

(1. 重庆交通大学信息科学与工程学院，重庆 400074； 2. 重庆忠万高速公路有限公司，重庆 401147)

收稿日期:2019-11-21 修回日期:2020-04-24 出版日期:2021-03-15 发布日期:2021-03-15
作者简介:梁宗保(1968—)，男，广西北海人，教授，博士，主要从事桥梁健康监测、交通信息化等方面的研究。E-mail：494106616@qq.com
基金资助:

Validity Analysis of Bridge Health Monitoring Data Based on Deep Learning

LIANG Zongbao 1, CHAI Jie1, NA Shouyong2, MA Tianli1, TANG Yu1

(1. School of Information Science and Engineering, Chongqing Jiaotong University, Chongqing 400074, China; 2. Chongqing Zhong-Wan Expressway Co., Ltd., Chongqing 401147, China)

Received:2019-11-21 Revised:2020-04-24 Online:2021-03-15 Published:2021-03-15
Supported by:

摘要/Abstract

摘要： 作为桥梁结构健康监测系统的基石，监测数据的有效性分析是十分重要，然而现今大多数分析方法都依赖统计学理论，需要大量的领域知识，不适用于大规模数据集。提出了一种灰色关联度与深度学习相结合的方法，通过灰色关联分析对数据进行预处理，自动给定数据标签并进行标签正确性验证，结合深度学习模型DNN、DBN对数据有效性进行分析。实验表明：所提方法将监测数据有效性分析准确率提升至94.47%，具有较好的预测性能，解决了传统人工分析存在的低效率、低准确度的问题，适用于大型桥梁结构健康监测系统。

关键词: 桥梁工程, 桥梁结构健康监测, 数据有效性, 灰色关联度分析, DNN, DBN

Abstract: As the cornerstone of bridge structural health monitoring system, the validity of monitoring data is very important. However, most of the current methods rely on statistical theory and require a lot of domain knowledge, which is not suitable for large-scale datasets. A method combining grey relation degree and deep learning was proposed. Data was preprocessed by grey relation analysis, and data labels were automatically given and validated. The validity of monitoring data was analyzed by deep learning models such as DNN and DBN. Experiments show that the proposed method improves the accuracy of monitoring data validity analysis to 94.47%, and has good prediction performance. It solves the problems of low efficiency and low accuracy existing in traditional manual analysis, and is suitable for structure health monitoring system of large-scale bridge.

Key words: bridge engineering, bridge structure health monitoring, data validity, grey relation analysis, DNN, DBN

中图分类号:

U449.7
TP183

梁宗保1，柴洁1，纳守勇2，马天立1，唐玉1. 基于深度学习的桥梁健康监测数据有效性分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(03): 78-83.

LIANG Zongbao 1, CHAI Jie1, NA Shouyong2, MA Tianli1, TANG Yu1. Validity Analysis of Bridge Health Monitoring Data Based on Deep Learning[J]. Journal of Chongqing Jiaotong University(Natural Science), 2021, 40(03): 78-83.

参考文献

［1］张启伟. 大型桥梁健康监测概念与监测系统设计［J］. 同济大学学报(自然科学版)，2001,29(1)：65-69.
ZHANG Qiwei. Conception of long-span bridge health monitoring and monitoring system design［J］. Journal of Tongji University (Natural Science), 2001,29(1):65-69.
［2］胡顺仁. 桥梁结构健康监测系统中安全评价环节的差错控制研究［D］. 重庆：重庆大学，2007.
HU Shunren. Research on Error Control of Datum in Structural Health Monitoring System for Bridge ［D］. Chongqing： Chongqing University, 2007.
［3］黄晓微，陈伟民，章鹏，等. 基于K-最近邻算法的挠度传感器有效度研究［J］.仪器仪表学报，2012，33(5)：1090-1095.
HUANG Xiaowei, CHEN Weimin, ZHANG Peng, et al. Research on deflection sensor validity based on K-neighbor algorithm ［J］. Chinese Journal of Scientific
Instrument, 2012, 33(5):1090-1095.
［4］袁慎芳，梁栋，高宁，等. 基于结构健康监测系统的桥梁数据异常诊断研究［J］. 电子科技大学学报，2013，42(1)：69-74.
YUAN Shenfang, LIANG Dong, GAO Ning, et al. The bridge data diagnosis research based on structural health monitoring system［J］. Journal of University of
Electronic Science and Technology of China, 2013, 42(1):69-74.
［5］ HINTON G E, SALAKHUTDINOV R. Reducing the dimensionality of data with neural networks［J］. Science, 2006, 313(5786): 504-507.
［6］ LECUN Y, BENGIO Y, HINTON G E, et al. Deep learning［J］. Nature, 2015, 521(7553): 436-444.
［7］〖JP3〗GE L, REN Z, LI Y, et al. 〖STBX〗3〖STBZ〗D hand shape and pose estimation from a single RGB image［C］∥Proceedings of the IEEE Conference on
Computer Vision and Pattern Recognition,2019: 10833-10842.〖JP〗［8］〖JP3〗HUANG G, LIU Z, DER MAATEN L V, et al. Densely connected convolutional networks
［C］∥Computer Vision and Pattern Recognition, 2017: 2261-2269.〖JP〗［7］ DEENA S, HASAN M, DOULATY M, et al. Recurrent neural network language model
adaptation for multi-genre broadcast speech recognition and alignment［J］. IEEE/ACM Transactions on Audio, Speech, and Language Processing, 2019, 27(3):572-582.
［8］ HOCHREITER S, SCHMIDHUBER J. Long short-term memory［J］. Neural Computation, 1997, 9(8): 1735-1780.
［11］ CHO K, VAN MERRIENBOER B, BAHDANAU D, et al. On the properties of neural machine translation: encoder–decoder approaches［C］∥Proceedings of SSST-8,
Eighth Workshop on Syntax, Semantics and Structure in Statistical Translation, 2014: 103-111.［9］ SARIKAYA R, HINTON G E, DEORASA . Application of deep belief
networks for natural language understanding［J］. IEEE/ACM Transactions on Audio, Speech, and Language Processing, 2014, 22(4):778-784.
［10］梁宗保，唐朝霞，谭超英.一种基于深度学习的桥梁结构健康诊断方法：106529062［P］.2017-03-22.
LIANG Zongbao, TANG Zhaoxia, TAN Chaoying. A Method of Bridge Structural Health Diagnosis Based on Deep Learning:106529062［P］. 2017-03-22.
［11］冯微，张兆津，邵海鹏.一种基于深度置信网络的车撞桥墩损伤等级判别方法［J］. 长安大学学报(自然科学版)，2018，38(6)：139-149.
FENG Wei, ZHANG Zhaojin, SHAO Haipeng. A method for discriminating damage level in vehicle-bridge pier collision based on deep belief network［J］. Journal of
Changan University(Natural Science Edition) ,2018,38(6):139-149.
［12］ CHEN S, CERDA F, RIZZO P, et al. Semi-supervised multiresolution classification using adaptive graph filtering with application to indirect bridge
structural health monitoring［J］. IEEE Transactions on Signal Processing, 2014, 62(11):2879–2893.
［16］ LECUN Y, BOTTOU L, ORR G, et al. Efficient backprop［C］∥ Neural Networks: Tricks of the Trade, 1998: 9-50.［13］ HINTON G E, OSINDERO S, TEH Y W. A
fast learning algorithm for deep belief nets［J］. Neural Computation, 2006, 18(7): 1527-1554.
［14］焦李成，杨淑媛，刘芳，等. 神经网络七十年：回顾与展望［J］. 计算机学报，2016，39(8)：1697-1716.
JIAO Licheng, YANG Shuyuan, LIU Fang, et al. Seventy beyond neural networks: Retrospect and prospect ［J］. Chinese Journal of Computers, 2016, 39(8):1697-1716.
［15］ HINTON, GEOFFREY E. Training products of experts by minimizing contrastive divergence［J］. Neural Computation, 2002, 14(8): 1771- 1800.
［16］谭学瑞，邓聚龙. 灰色关联分析：多因素统计分析新方法［J］.统计研究，1995，12(3)：46-48.
TAN Xuerui, DENG Julong. Grey relation analysis: A new method for multivariate statistical analysis ［J］. Journal of Statistical Research, 1995, 12(3):46-48.
［17］张建勇，高冉，胡骏，等. 灰色关联度和Pearson相关系数的应用比较［J］. 赤峰学院学报(自然科学版)，2014，30(11)：1-2.
ZHANG Jianyong, GAO Ran, HU Jun, et al. Application comparison of grey relation degree and Pearson correlation coefficient［J］. Journal of Chifeng University
（Natural Science Edition）, 2014, 30(11):1-2.
［22］ MUKKAMALA M C, HEIN M. Variants of rmsprop and adagrad with logarithmic regret bounds［C］//International Conference on Machine Learning, 2017: 2545-
2553.［18］ WU B, QIAN C, NI W, et al. The improvement of glowworm swarm optimization for continuous optimization problems［J］. Expert Systems with
Applications, 2012, 39(7): 6335-6342.

[1]	周建庭1,2，黎娅2，张洪2，夏润川2，杨文琦2. 基于自发漏磁检测的钢绞线两点腐蚀试验研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 74-81.
[2]	张华1，张正琦2 ，程高3，4，田伯科1. 黄土地区陡崖坡段桩基合理临坡距研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 93-98.
[3]	刘金春，宋子轩，梁栋. 单箱三室连续梁桥在横向温度梯度与汽车偏载下的空间效应分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 80-86.
[4]	郑植1,2，耿波2，袁佩2，李嵩林2，胡正涛3. 桥墩复合材料防船撞装置新型连接试验研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 66-73.
[5]	张阳1，屈少钦1，卢九章2，霍文斌3. UHPC纤维定向法及对受拉性能影响[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 74-80.
[6]	傅立磊. 基于随机激励响应的参数识别相关函数法[J]. 重庆交通大学学报（自然科学版）, 2021, 40(04): 70-75.
[7]	苏小波1，肖林2. 空间刚架结构钢-混结合段合理构造模型试验和数值模拟研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(04): 76-82.
[8]	唐启智1,辛景舟1,2,周建庭1,付雷1,3,张俊4. 基于时序分析的锈蚀RC拱损伤识别：仿真与验证[J]. 重庆交通大学学报（自然科学版）, 2021, 40(02): 69-77.
[9]	戎贤1,2，杨洪渭1，张健新1,2. 带钢端头的装配式混凝土梁柱中节点滞回性能试验研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(02): 78-82.
[10]	刘小会，许杨，陈思甜，徐略勤. 人行悬索桥地震响应分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(01): 65-71.
[11]	琚利平1，王银辉2，陆晓宏3，单继栋4. 行车落物作用下钢筋混凝土箱梁破坏形态分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(01): 72-78.
[12]	王桢1,2，周建庭1,3，张劲泉1,4，吴海军1，吴月星1. 现浇分段长度对万吨级平转斜拉桥受力的影响分析[J]. 重庆交通大学学报（自然科学版）, 2020, 39(12): 44-52.
[13]	郝宪武，舒鹏，郝键铭. 大跨度非对称悬索桥的静风稳定性研究[J]. 重庆交通大学学报（自然科学版）, 2020, 39(12): 53-59.
[14]	陈思甜，彭庆，杨敏. 亢谷景区大跨径人行玻璃悬索桥人致振动响应分析[J]. 重庆交通大学学报（自然科学版）, 2020, 39(12): 60-66.
[15]	周术明1,2，颜东煌1. 钢筋混凝土简支预裂梁车辆静载模拟试验研究[J]. 重庆交通大学学报（自然科学版）, 2020, 39(12): 67-73.

基于深度学习的桥梁健康监测数据有效性分析

Validity Analysis of Bridge Health Monitoring Data Based on Deep Learning

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics