具体实施方式

为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

实施例1、参照图1，说明本实施方式，本实施例的一种桥梁健康监测系统，包括数据采集模块、数据传输模块、数据存储模块、综合预警与评估模块模块和终端模块；所述包括数据采集模块、数据传输模块、数据存储模块、综合预警与评估模块模块和终端模块依次通讯连接；

所述数据采集模块用于采集桥梁信息；所述数据采集模块包括加速度传感器、压力变送器、索力传感器、伸缩传感器、温度传感器、电阻式应变计和温湿度仪；

具体的，所述加速度传感器用于监测桥梁结构加速度响应；所述压力变送器用于监测桥梁结构挠度变化；所述索力传感器用于监测斜拉索索力的变化；所述伸缩传感器用于监测支座位移的变化；所述温度传感器用于监测结构温度的变化；所述电阻式应变计用于监测结构应变的变化；所述温湿度仪用于监测环境温湿度的变化。

具体的，所述加速度传感器、压力变送器、索力传感器、伸缩传感器、温度传感器、电阻式应变计和温湿度仪有若干个。

所述数据传输模块用于将数据采集模块采集到的数据传输至数据存储模块；

所述数据存储模块用于存储采集到的桥梁信息；

所述综合预警与评估模块用于对存储的桥梁信息通过集成学习方法进行综合分析和损伤判断，确定桥梁的健康状况；所述综合预警与评估模块包括异常信息处理模块、数据分析模块、综合评估模块和预警数据存储模块；

具体的，所述异常信息处理模块用于标记出现异常值的数据，若发现指标超过安全阈值或者传感器出现异常情况则立即传送至终端发出预警信息，供后台管理人员进行分析研判和实地安全检查；

所述数据分析模块用于对汇总的多传感器信息进行数据分析；

所述综合评估模块用于对所述数据分析模块的分析结果进行评估，获得桥梁健康状况信息；

所述预警数据存储模块用于对所述异常信息处理模块、所述数据分析模块、所述综合评估模块的结果数据进行存储。

所述终端模块用于对综合预警与评估模块的结果信息传送和展示，可对桥梁健康状况进行实时监控，并将预警信息发送到桥梁管理人员终端。

具体的，预警信息可以通过短信或者邮件的形式发送到桥梁管理人员终端。

实施例2、参照图2-图10，说明本实施方式，本实施例的一种桥梁健康监测方法，包括以下步骤：

S1建立桥梁有限元数值仿真模型，将有限元数值仿真模型划分多个节点和单元，对全桥主梁划分为若干个子区域，每个区域设置不同损伤程度的损伤工况；具体的包括以下步骤：

S11依据桥梁工程设计资料，建立有限元数值仿真模型，根据数据采集模块采集的数据对模型进行修正，获得精准的有限元模型；将有限元数值仿真模型划分多个节点和单元，对全桥主梁划分为若干个子区域，每个区域设置不同损伤程度的损伤工况；

具体的，设置不同损伤程度的损伤工况的方法是对有限元数值仿真模型采用刚度折减的方法来模拟损伤的发生。

具体的，损伤工况为桥梁某一区域发生某一程度的损伤；如在区域1发生10%程度的损伤、在区域2发生20%程度的损伤等。

S12根据桥梁实际车流进行数据统计，获得车流概率分布模型，加载于有限元数值仿真模型中，模拟实际桥梁的荷载输入；车辆荷载采用《JTG D60-2015公路桥涵设计通用规范》中的车辆轴重作为模拟车辆荷载输入。

S13根据桥梁实际布设传感器的位置，在有限元数值仿真模型中提取桥梁对应位置的结构响应数据（时程数据），构建桥梁损伤仿真数据库，所述时程数据是不同损伤工况下不同位置的加速度、应力和应变数据。

S2对仿真模型得到的时程数据使用dbN小波基函数进行小波包分解，将时程数据转为频带能量数据，频带能量数据为不同频率对应的信号能量分布带；具体计算公式如下：

传感器测得的时程原始信号S(t)（本实施方式以加速度信号为例进行说明），经过小波包分解后表示为：

其中，S(t)为加速度信号，为小波分解的正交频段子信号，小波包分解得到的第k层j位置的信号能量为；为第j频段内的信号能量；

小波包系数为：

其中，是具有尺度指标k、位置指标j和频率指标i的小波包；为小波包分解得到的第k层j位置频率指标i的小波包系数；

频带信号的总能量等于各个频段信号能量总和，，则小波包节点能量之和E为：

具体的，对仿真模型得到的时程数据使用dbN小波基函数进行小波包分解是为了获得对桥梁结构具有更高损伤敏感性的指标。

S3根据频带能量构造相对能量比指标，从而计算能量比偏差损伤指标和能量比方差损伤指标；具体的相对能量比指标的计算方式如下：

其中，为第i个频带信号能量，为频带信号总能量；

损伤前后各个频带信号的能量比变化为：

其中，和分别是结构损伤前和损伤后第i个频带的能量比；

构造能量比偏差(ERVD)和能量比方差(ERVV)损伤指标如下：

其中，为所有特征频带的能量比变化的平均值。

S4将能量比偏差损伤指标和能量比方差损伤指标数据汇总，每个传感器采集到的数据都会计算出对应的能量比偏差损伤指标和能量比方差损伤指标数据，因此，根据不同的传感器计算出的损伤指标数据，生成多传感器特征向量；采用基于集成学习的方法对桥梁结构进行训练学习，进而对结构的子区域进行损伤诊断；具体包括如下步骤：

S41将每一种损伤工况的能量比偏差损伤指标和能量比方差损伤指标数据汇总，得到同一种损伤工况下的多传感器损伤特征向量{a1，a2，a3，…，an}；

S42将每种损伤工况表征的桥梁结构损伤信息生成损伤目标向量{b1,b2,b3,bi,…,bn}；

具体的，桥梁某一子区域是否发生损伤作为损伤区域识别的目的。

具体的，其中bi仅为0或1，bi为1表示第i个区域发生损伤，bi为0表示第i个区域无损伤。例如：桥梁监测传感器类型为加速度传感器，数量为30个，相同损伤工况下的融合指标共包含2Í30个，桥梁划分30个区域，若第一区域判断为损伤区域，则目标输出1Í30向量{1,0,0,…,0}，表示位置区域1发生损伤。

S43将损伤特征向量和损伤目标向量输入到损伤仿真数据库中作为样本数据；

S44将样本数据划分为训练集和测试集，将训练集输入到集成学习算法中建立集成学习模型；将测试集输入到训练好的集成学习模型中进行测试，输出测试结果；

具体的，样本数据训练集与测试集的划分，可以自定义比例划分，例如训练集：测试集为7:3。

具体的，损伤工况可以自定义损伤程度，例如损伤程度10%、15%、20%的损伤工况数据为训练集，其他损伤程度的损伤工况数据为测试集。

具体的，集成学习算法包括Bagging和Boosting两种算法；

Bagging算法是：

从原始样本集中随机抽取n个训练样本，总共进行T次有放回的随机采样，这样可得到T个不同的采样集，然后对这T个训练集独立地训练出T个弱分类器，最后对T个弱分类器通过集合策略（如投票表决策略）来得到最终的强分类器。

Boosting算法是：

从原始样本集中随机抽取n个训练样本，针对每次迭代的结果对分类错误的样本训练集赋予更高的权重，进行下一次训练，从训练集用初始权重训练出一个弱分类器1，根据弱学习的学习误差率表现来更新训练样本的权重，使得之前弱分类器1学习误差率高的训练样本点的权重变高，然后基于调整权重后的训练集来训练弱学习器2，如此重复进行训练T个弱分类器，通过集成策略得到最终的强学习器。

具体的，所述弱分类器包括：决策树、支持向量机、朴素贝叶斯、Logistic回归、人工神经网络等机器学习算法。

具体的，为了获得高准确率和泛化能力的集成学习模型，对集成学习模型中的XGBoost算法为例进行超参数优化，具体方法是，通过比较样本测试集的Log损失函数和分类错误率进行参数的优化：

参照图8，说明Log损失函数：

其中，Y为输出变量，X为输入变量，L为Log损失函数，N为输入样本量，M为可能的类别数，是一个二值指标，表示类别j是否是输入实例x_i的真实类别，为模型或分类器预测输入实例x_i属于类别j的概率。

参照图7，说明分类错误率：

其中y _i 分类器输出的预测类别，Y _i 为实际类别。

S45将实时传感器数据输入至集成学习模型中，输出损伤诊断结果；

S46每隔一段时间进行重复训练测试，迭代新一轮模型。

具体的，采集模块实时采集的监测数据每隔特定间隔时间添加到损伤仿真数据库中进行训练测试，迭代新一轮模型，通过所述新一轮模型和实时传感器数据对桥梁进行实时损伤诊断和预警，为避免损伤仿真数据容量过大导致训练时间过长影响监测预警实时性，需对损伤仿真数据库进行定期清理历史数据的操作，同时保证数据的时效性，采用最新的监测数据来反映桥梁结构健康状况，不断更新迭代训练模型。

实施例3，参照图2-图10，说明本实施方式，针对斜拉桥阐述本发明实施例2所述的具体实施步骤：

步骤一、依托该桥工程设计资料，借助有限元软件对其进行建模，考虑在移动荷载作用下主梁的加速度响应信息作为结构损伤识别的损伤特征信息，考虑结构刚度的折减来模拟损伤，全桥主梁划分30个区域如图3所示，主梁传感器布设位置如图4所示。

步骤二、对全桥主梁30个子区域选取部分位置设置损伤程度为10%~70%，损伤工况共包括210个，对每种工况增加10%、15%、20%、25%共5种不同的随机干扰，可得到1260组损伤样本数据集。对于每一种损伤工况通过主梁布置的加速度传感器可以测得30组不同的加速度信号，提取损伤前后信号特征频带归一化相对能量差作为损伤指标，将得到的60个特征变量构造为多传感器损伤特征向量，子区域是否发生损伤采用1Í30向量{1,0,0,…,0}表示，构造损伤仿真数据库。

步骤三、采用集成学习方法中的XGBoost算法对损伤仿真数据库进行训练和测试，算法流程参照图6所示。XGBoost的目标函数为：

式中是损失函数，用于描述真实值与预测值之间的残差，为正则化项，用于降低模型复杂度和防止过拟合，模型目标是最小化目标函数。通过比较样本测试集的Log损失和分类错误率进行参数的选择与优化：

其中，Y为输出变量，X为输入变量，L为Log损失函数。N为输入样本量，M为可能的类别数，是一个二值指标，表示类别j是否是输入实例xi的真实类别。为模型或分类器预测输入实例xi属于类别j的概率。参照图7-图8所示，算法min_child_weight参数寻优迭代图。

步骤四、将样本测试数据集输入到集成学习XGBoost算法训练好的模型中，对桥梁损伤区域进行损伤诊断。

具体的，针对本发明提出的一种桥梁健康监测方法中的模型，我们用精确率（Precision）、召回率（Recall），F1-score、准确率（Accuracy）四个指标来评价模型输出的准确率，参照图9-图10。

本发明的工作原理：桥梁实际运营过程中车辆对桥梁结构产生的动力响应数据通过布设的传感器实时监测采集到数据存储模块中，在综合预警与评估模块中，根据监测数据获得对应的指标数据添加到损伤仿真数据库中进行损伤区域判断，若判断为无损伤则直接将监测数据添加到损伤仿真数据集中进行特定间隔时间的迭代训练，若预测发生损伤，则对桥梁健康状况进行实时监控，并将预警信息通过短信或者邮件的形式发送到桥梁管理人员终端，以供管养部门及时采取相应的处理措施避免造成安全事故。

本发明可对实际车辆运营状态下的桥梁结构数据进行实时监测和损伤预测评估，对桥梁运营状况发生异常进行实时监测和损伤预警，评定承载能力，并对结构剩余使用寿命进行预估，为桥梁管理部门进行交通组织管理、运营养护、定时维修加固等决策提供了非常重要的依据，防止桥梁坍塌事故的发生。同样可延伸至当地相类似环境和结构特征的桥梁监测数据结合构造区域性桥梁健康监测大数据进行损伤预警与识别。

本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的基于CREO软件的可修改由关系驱动的推荐数据的推荐方法的步骤。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

计算机可读存储介质实施例

本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机程序时，可以实现上述的基于CREO软件的可修改由关系驱动的建模数据的建模方法的步骤。

所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。