申请/专利权人：华南理工大学

申请日：2017-09-27

公开（公告）日：2020-05-22

公开（公告）号：CN107766877B

主分类号：G06K9/62(20060101)

分类号：G06K9/62(20060101);G08G1/01(20060101)

优先权：

专利状态码：有效-授权

法律状态：2020.05.22#授权;2018.03.30#实质审查的生效;2018.03.06#公开

摘要：本发明公开了一种桥梁监测系统中超重车动态识别方法，包括步骤：1保证应变响应时间序列为平稳序列，若不是，将时间序列数据经过步差分和阶差分后变为平稳时间序列；2使用SARIMA模型对时间序列数据建模，将模型的AR系数作为识别异常的关键特征，然后将同一截面不同传感器的系数串联得到特征向量；3将AR系数特征向量输入降噪自动编码器进行训练，训练完成后，自动编码器网络结构中的中间层维度即为所需的关键特征，将此中间层维度作为最终的训练特征；4将训练特征输入带有核函数的一类支持向量机进行无监督训练，训练结果为高维空间中的超球体，然后以此超球面判别测试数据是否为超重异常数据。本发明识别原理简单高效，具有较强的鲁棒性。

主权项：1.一种桥梁监测系统中超重车动态识别方法，其特征在于，包括以下步骤：1保证应变响应时间序列为平稳序列，若不是，将时间序列数据经过步差分和阶差分后变为平稳时间序列，同时验证平稳时间序列的随机性；2使用SARIMA模型对时间序列数据建模，将模型的AR系数作为识别异常的关键特征，然后将同一截面不同传感器的系数串联得到特征向量；其中，AR系数特征向量的影响因素包括车辆重量、车辆速度、温度、桥梁静态应变、噪音；认为短期内应变值之间存在时间相关性，当出现超重车异常时相关性会相应改变；时间序列数据采用滑动窗口的形式进行分段分析，对于模型阶数的选取规则是：刚开始时，随机选取几段数据，依次得出每段数据的样本自相关系数和样本偏自相关系数，根据图像的截尾和拖尾情况确定模型的AR阶数和MA阶数，然后分别选取AR模型的众数阶数、MA模型的众数阶数作为初始最优AR和MA阶数，季节温度的周期通过观察时序图确定，由此确定SARIMA模型的初始各个阶数，然后在该阶数附近微调，得到最终的模型阶数，对于所有的时间窗口序列都能够得到对应阶数的SARIMA模型，然后选择相应的AR系数作为该段数据的特征，以上是对单个传感器数据序列而言；然而桥梁监测系统中传感器是以监测面的形式部署，对于监测面中的每个传感器相同时间区间内的数据都会有相应的AR系数，然后把AR系数串联起来作为该时间区间段内的整体特征向量；3将AR系数特征向量输入降噪自动编码器进行训练，训练完成后，自动编码器网络结构中的中间层维度即为所需的关键特征，将此中间层维度作为最终的训练特征；4将步骤3结果中的训练特征输入带有核函数的一类支持向量机OneClassSVM进行无监督训练，训练结果为高维空间中的超球体，然后以此超球面判别测试数据是否为超重异常数据。

全文数据：一种桥梁监测系统中超重车动态识别方法技术领域[0001]本发明涉及大跨度桥梁超重车识别的技术领域，尤其是指一种桥梁监测系统中超重车动态识别方法。背景技术[0002]桥梁作为重要的交通枢纽，在实际环境中会受到外部不利载荷比如地震、船撞、大风、雨雪，超重车辆等的作用，而超重车由于发生频率高经常损坏桥梁结构，影响交通安全，对社会造成了重大的经济损失和人员伤亡。因此识别出超载车辆，并对超载车辆进行统计分析、通行管理，对于监测桥梁健康状况、桥梁状态评估、减少安全事故、延长桥梁使用寿命、指导车辆通行等具有重要意义。[0003]目前的静态称重多采用特定的称重装置，装置价格昂贵且因为需要车辆静止而阻碍交通。动态称重系统因为其识别迅速不妨碍交通而逐渐流行，利用现有的桥梁监测系统中数据进行超重车动态识别已渐渐兴起。基于桥梁应变的识别方法需要建立行驶车辆和桥梁应变之间的关系，且需要设计专门的电路，对专业背景要求较高。基于影响矩阵的识别方法需要建立桥梁的有限元分析模型，分别计算各种特征载荷对传感器的影响，方法理论较复杂，要求使用者熟悉桥梁相关知识。基于关系曲线的方法一般需要建立车重和车速以及桥梁响应量之间的关系曲线，方法实施较困难，而且实验结果和车型有较大关系，导致精确度不高。发明内容[0004]本发明的目的在于克服现有技术的不足，提供了一种桥梁监测系统中超重车动态识别方法，通过利用长时间高频率大跨径桥梁的监测系统数据不包含异常天气情况），分析超重车和普通车通过桥梁时桥梁的应变响应特点并提取相应特征，然后进行超重车的异常信号识别。[0005]为实现上述目的，本发明所提供的技术方案为:一种桥梁监测系统中超重车动态识别方法，包括以下步骤：[0006]1保证应变响应时间序列为平稳序列，若不是，将时间序列数据经过步差分和阶差分后变为平稳时间序列，同时验证平稳时间序列的随机性；[0007]2由于温度和桥梁应变具有较大的联系，使用SARIMASeasonalAutoregressiveIntegratedMovingAverage模型对时间序列数据建模，将模型的AR系数作为识别异常的关键特征，然后将同一截面不同传感器的系数串联得到特征向量;其中，AR系数特征向量的影响因素包括车辆重量、车辆速度、温度、桥梁静态应变、噪音等；[0008]3将AR系数特征向量输入降噪自动编码器DenosingAutoEncoder进行训练，训练完成后，自动编码器网络结构中的中间层维度即为所需的关键特征，将此中间层维度作为最终的训练特征；[0009]4车载异常数据在监测数据中的占比低，因此该问题作为异常识别问题，将步骤3结果中的训练特征输入带有核函数的一类支持向量机OneClassSVM进行无监督训练，训练结果为高维空间中的超球体，然后以此超球面判别测试数据是否为超重异常数据。[0010]在步骤2中，认为短期内应变值之间存在时间相关性，当出现超重车异常时相关性会相应改变;时间序列数据采用滑动窗口的形式进行分段分析，对于模型阶数的选取规则是:刚开始时，随机选取几段数据，依次得出每段数据的样本自相关系数和样本偏自相关系数，根据图像的截尾和拖尾情况确定模型的AR阶数和MA阶数，然后分别选取AR模型的众数阶数、MA模型的众数阶数作为初始最优AR和MA阶数，季节温度的周期通过观察时序图确定，由此确定SARIMA模型的初始各个阶数，然后在该阶数附近微调，得到最终的模型阶数，对于所有的时间窗口序列都能够得到对应阶数的SARIMA模型，然后选择相应的AR系数作为该段数据的特征，以上是对单个传感器数据序列而言;然而桥梁监测系统中传感器是以监测面的形式部署，对于监测面中的每个传感器相同时间区间内的数据都会有相应的AR系数，然后把AR系数串联起来作为该时间区间段内的整体特征向量。[0011]在步骤3中，所述降噪自动编码器包含输入层、映射层、瓶颈层、反映射层、输出层，起到提取特征以及降噪的作用；输出层和输入层相似；中间瓶颈层是输入层的简洁表示，其提取了输入层中的本质变量，其维度和输入特征的内在因素有关，比输入层维数低；所述降噪自动编码器的原理是:通过将原始数据擦除掉一部分得到残损数据，然后经过映射函数f得到中间层，中间层经过映射函数g得到输出层Y，要使Y尽可能接近X，这样就相当于从残损的数据：中恢复X，这样得到的权重含有的噪声小，而且由于！和测试数据相似，结构具有更强的鲁棒性;在得到每段数据的简洁特征表示后，再加上车型和车轴数特征作为最后的特征向量。[0012]在步骤4中，使用一类支持向量机OneClassSVM求解，一类支持向量机模型通过核函数将原始特征映射到更高维的空间，然后构建一个超球面分离正常数据和异常数据，其原理是:给定训练集T={xi，x2,...Xn}，xieRN，Xi为第i个训练样本，η为训练样本总数，N为训练样本的维数，RnSN维欧式空间。设存在从Rn到某高维特征空间I的非线性映射Φ例如ΦXi=Xi1^Xi1Xi2,Xi22XiER2，使與X;.eΘ，寻找一个半径为R，球心为a的超球体，使其尽可能包含ΦX1，即如下优化问题：[0016]其中，IIII为欧氏距离，I1为松弛变量，C为损失系数，调节超球体的分类误差和超球体半径之间的关系；[0017]对于测试数据，直接根据数据在球面两侧情况判别是否异常，若测试数据在球面外则判为异常，若测试数据在球面内或球面上则为正常数据。[0018]本发明与现有技术相比，具有如下优点与有益效果：[0019]1、所需数据直接来自现有的桥梁监测系统，不需要额外增加称重系统，降低桥梁运营成本。[0020]2、识别原理简单高效，且具有较强的鲁棒性，仅需要一定量的已知重量车辆从桥梁经过时传感器的应变数据即可。[0021]3、对于桥梁结构没有限制，基于大量实测或模拟数据，从数据本身即包含桥梁的内在特征，因此可适用于大跨径和中小跨径桥梁。[0022]4、可全天候动态识别超重，同时保证了车辆的正常通行。附图说明[0023]图1为本发明的超重车动态识别方法流程图。[0024]图2为本发明的时间序列数据滑动窗口示意图。具体实施方式[0025]下面结合具体实施例对本发明作进一步说明。[0026]如图1所示，本实施例所提供的桥梁监测系统中超重车动态识别方法，包括以下步骤：[0027]1要保证时间序列的平稳性，为以后的建模做准备。实际情况下的时间序列经常不满足平稳性，经常有趋势性或周期性。对于周期性可以使用步差分的方式去除，T步差分公式为V2Xt=VXt-VXt1，其中Xt代表t时刻时间序列应变值。对于趋势性可以使用阶差分的方式去除，一阶差分公式为VTXt=Xt-Xt-T,若一阶差分之后序列仍不满足平稳性要求，可对序列进行二阶差分，公式为V2Xt=VXt-VXmd阶差分以此类推。序列差分之后，一般用ADF方法验证平稳性，当检验函数的P值较小时一般小于0.05，则可认为序列为平稳序列，否则则不是。验证平稳性之后还要验证序列的随机性，若序列为完全随机的，则序列中不含有任何有用信息，也就没有必要进行后面的操作。[0028]2为对时间序列数据进行建模，提取观察值之间相关关系。时间序列数据采用滑动窗口的形式进行分段分析，如图2所示，括号内数据代表一个窗口数据，两个窗口之间的横向位移代表移动宽度。对于每段数据都要进行平稳性和随机性检验，窗口宽度与信号的采样频率有关，若采样频率较低例如1分钟采一次），则窗口宽度可以设为2小时，这样就可以检测到2小时之内的超重车，移动间隔可以设为1小时，若采样频率较高（例如频率为IOHz，则窗口宽度可以设为1分钟，移动间隔可以设为1分钟，采样频率越高，识别的有效性和及时性就越高。平稳序列采用ARMp，q模型模拟，公式如下式1所示。[0030]其中，y代表序列数据，下标代表时刻，ε代表均值为0，方差为常数的白噪声，的代表自回归系数，θ」代表移动平均系数。对于模型阶数p，q的选取规则是:刚开始时，随机选取单个传感器中几段窗口数据构成集合S，依次得到每段数据的样本自相关系数图和样本偏自相关系数图，若系数在P阶之后突然降为〇,则称为P阶截尾，若随着阶数的增大，系数逐渐变小，并最终在〇值附近动荡，则称为拖尾。根据相关图像的截尾和拖尾情况确定模型阶数：若自相关系数是q阶截尾，偏自相关系数为拖尾，则可用MAq模型，若自相关系数拖尾，偏自相关系数P阶截尾，则可用ARp模型，若两者均拖尾，则可用ARMAp，q。对于集合S中的每段数据，都可以得到一个ARM模型，分别选取AR模型的众数阶数、MA模型的众数阶数作为初始最优AR阶数和MA阶数，然后在该阶数附近微调，根据AIC或BIC准则选择最优的模型，对于所有的时间窗口序列都可得到指定阶数的对应SARIMA模型，然后选择相应的AR系数作为窗口数据的特征。对于监测截面中的每个传感器重复上述步骤，然后把不同传感器相同时间区域内的系数串联得到该段时间区域的特征表示。[0031]3对AR系数特征进行进一步提取和去噪:首先，对输入系数特征X进行一定量的擦除（随机地将少量数据置0得到数据：作为自动编码器的输入层inputlayer，经过映射函数f和g后输出，网络的损失函数为（例如X与差值的平方和），通过不断减小X和，之间的差距来训练网络，损失函数通常包含正则项来避免输入和输出之间完全相等，同时又学习到输入数据的分布规律。自动编码器的网络结构一般包含输入层、映射层、瓶颈层、反映射层、输出层，其中相邻层之间的各个单元之间采用全连接的方式，各层之间权重随机初始化，然后通过后向传播算法（BackPropagation训练网络结构，网络训练完成后使用中间瓶颈层的输出作为提取后的特征，然后再加上车辆车型和车轴数特征作为最后的特征向量。[0032]4分类模型的训练和测试，由于超重车信号在监测序列中占比较低，有时候甚至得不到超重车信号，因此这里采用一类支持向量机来检测异常。一类支持向量机通过核函数高斯核，多项式核等将原始特征向量映射到更高维的特征空间，在高维空间中构建一个超球面分离正常数据和异常数据。其原理大致是:给定训练集T={X1，X2,...¾}，XleRN，设存在从妒到某高维特征空间I的非线性映射Φ，使得外X,ef，寻找一个半径为R，球心为a的超球体，使其尽可能覆盖ΦX1，即如下优化问题：[0036]其中，IIII为欧氏距离，I1为松弛变量，C为损失系数，调节超球体的分类误差和超球体半径之间的关系。[0037]综上所述，对于测试数据，首先按照步骤1得到平稳序列，然后按照步骤2完成AR系数构建，接着按照步骤3得到最终的特征向量，最后使用步骤4中的支持向量机进行超重异常识别。[0038]以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

权利要求：1.一种桥梁监测系统中超重车动态识别方法，其特征在于，包括以下步骤：1保证应变响应时间序列为平稳序列，若不是，将时间序列数据经过步差分和阶差分后变为平稳时间序列，同时验证平稳时间序列的随机性；2使用SARMA模型对时间序列数据建模，将模型的AR系数作为识别异常的关键特征，然后将同一截面不同传感器的系数串联得到特征向量;其中，AR系数特征向量的影响因素包括车辆重量、车辆速度、温度、桥梁静态应变、噪音；3将AR系数特征向量输入降噪自动编码器进行训练，训练完成后，自动编码器网络结构中的中间层维度即为所需的关键特征，将此中间层维度作为最终的训练特征；4车载异常数据在监测数据中的占比低，因此该问题作为异常识别问题，将步骤3结果中的训练特征输入带有核函数的一类支持向量机OneClassSVM进行无监督训练，训练结果为高维空间中的超球体，然后以此超球面判别测试数据是否为超重异常数据。2.根据权利要求1所述的一种桥梁监测系统中超重车动态识别方法，其特征在于:在步骤2中，认为短期内应变值之间存在时间相关性，当出现超重车异常时相关性会相应改变；时间序列数据采用滑动窗口的形式进行分段分析，对于模型阶数的选取规则是:刚开始时，随机选取几段数据，依次得出每段数据的样本自相关系数和样本偏自相关系数，根据图像的截尾和拖尾情况确定模型的AR阶数和MA阶数，然后分别选取AR模型的众数阶数、MA模型的众数阶数作为初始最优AR和MA阶数，季节温度的周期通过观察时序图确定，由此确定SARIM模型的初始各个阶数，然后在该阶数附近微调，得到最终的模型阶数，对于所有的时间窗口序列都能够得到对应阶数的SAR頂A模型，然后选择相应的AR系数作为该段数据的特征，以上是对单个传感器数据序列而言;然而桥梁监测系统中传感器是以监测面的形式部署，对于监测面中的每个传感器相同时间区间内的数据都会有相应的AR系数，然后把AR系数串联起来作为该时间区间段内的整体特征向量。3.根据权利要求1所述的一种桥梁监测系统中超重车动态识别方法，其特征在于:在步骤3中，所述降噪自动编码器包含输入层、映射层、瓶颈层、反映射层、输出层，起到提取特征以及降噪的作用;输出层和输入层相似；中间瓶颈层是输入层的简洁表示，其提取了输入层中的本质变量，其维度和输入特征的内在因素有关，比输入层维数低;所述降噪自动编码器的原理是:通过将原始数据擦除掉一部分得到残损数据戈:，然后X经过映射函数f得到中间层，中间层经过映射函数g得到输出层Y，要使Y尽可能接近X，这样就相当于从残损的数据戈中恢复X，这样得到的权重含有的噪声小，而且由于文和测试数据相似，结构具有更强的鲁棒性;在得到每段数据的简洁特征表示后，再加上车型和车轴数特征作为最后的特征向量。4.根据权利要求1所述的一种桥梁监测系统中超重车动态识别方法，其特征在于:在步骤4中，使用一类支持向量机OneClassSVM求解，一类支持向量机通过核函数将原始特征映射到更高维的空间，然后构建一个超球面分离正常数据和异常数据，其原理是:给定训练集T={X1，X2,...Xn}，XleRN，Xl为第i个训练样本，n为训练样本总数，N为训练样本的维数，Rn为N维欧式空间，设存在从Rn到某高维特征空间1的非线性映射Φ，使ΦXle1，寻找一个半径为R，球心为a的超球体，使其尽可能包含ΦXi，即如下优化问题：其中，1111为欧氏距离，L为松弛变量，c为损失系数，调节超球体的分类误差和超球体半径之间的关系；对于测试数据，直接根据数据在球面两侧情况判别是否异常，若测试数据在球面外则判为异常，若测试数据在球面内或球面上则为正常数据。

百度查询： 华南理工大学 一种桥梁监测系统中超重车动态识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD