具体实施方式

下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。

本发明提供了一种基于时空关联模型的桥梁集群结构损伤定位方法，所述方法首先在集群内结构形式相似的桥梁关键断面布设应变传感器，实现桥梁集群结构应变测点群监测数据的实时采集；其次，对桥梁集群结构采集的长期应变测点群监测数据进行去噪声、剔除随机车载影响处理，应变数据标准化处理；在此基础上，建立集群内桥梁之间应变监测数据的时空关联模型；最后，利用应变测点群预测应变值与实测应变值构建损伤定位因子和阈值，完成集群内桥梁结构的损伤定位。如图1所示，具体实施步骤如下：

步骤一、在集群内各结构形式相似桥梁的关键断面布设应变传感器，建立桥梁集群结构应变测点群监测系统，实现桥梁集群结构应变测点群监测数据的实时采集。

步骤二、对桥梁集群结构采集的长期应变测点群监测数据进行预处理，主要包括：去噪声、剔除随机车载影响处理，应变数据标准化处理。具体步骤如下：

步骤二一、对集群内全部桥梁的应变监测数据进行去噪声和剔除随机车载影响处理，如式(1)所示：

式中，n表示采样点总数；k表示桥梁结构应变任意采样点，k∈(1,2,…,n)；i表示桥梁结构应变任意测点，i∈(1,2,…,m)，m为桥梁结构应变传感器数量；为任意应变测点i第k个采样点的应变数据值；表示去噪声和剔除随机车载影响处理后任意应变测点i第k个采样点的应变数据值。

步骤二二、对去噪声和剔除随机车载影响处理后的应变监测数据做标准化处理，以提高时空关联模型的精度，标准化处理如式(2)所示：

式中，表示标准化处理后应变测点i第k个采样点的应变值；E(xⁱ)表示应变测点i监测数据集的均值；D(xⁱ)表示应变测点i监测数据集的方差。

步骤二三、将集群内每座桥梁全部标准化处理后的应变监测数据组成应变监测矩阵如式(3)所示：

式中，表示标准化处理后任意第k个采样点的单座桥梁全部测点应变数据所构成的向量，

步骤三、选择集群内一座桥梁为参考桥梁，利用结构健康状态下应变长期监测数据，建立参考桥梁应变测点群监测数据与集群内其它桥梁应变测点群监测数据的时空关联模型。具体步骤如下：

步骤三一、建立结合深度卷积神经网络和长短时记忆网络的时空关联模型训练网络，所述时空关联模型训练网络的结构包括：数据输入层、时序数据折叠层、卷积层、最大池化层、批归一化层、激活函数层、时序数据展开层、数据压平层、长短时记忆网络层一、长短时记忆网络层二、全连接层、数据输出回归层。将网络中上述结构层依次连接，并将时序数据折叠层和时序数据展开层连接。时空关联模型训练网络结构如图2所示。

步骤三二、将集群内任意桥梁A作为参考桥梁，并将桥梁A健康状态下的应变监测矩阵作为网络输入，同时将集群内其它任意桥梁B与桥梁A相同采样时刻下的应变监测矩阵作为网络输出。

步骤三三、对时空关联模型训练网络进行训练，直至网络损失函数收敛，如式(4)所示：

式中，Γ(Θ)为损失函数；Θ为训练网络的隐藏层参数集合；κ(·)为基于桥梁之间时空关联模型的应变监测数据预测函数。

步骤四、利用步骤三所构造的时空关联模型，对集群内桥梁的应变响应进行预测，并利用应变测点群预测应变值与实测应变值构建损伤定位因子和阈值，完成集群内桥梁结构的损伤定位。具体步骤如下：

步骤四一、基于桥梁健康状态下验证数据集，利用步骤三中训练完备的时空关联模型训练网络，构建健康状态下的损伤定位因子，如式(5)所示：

式中，表示桥梁健康状态下任意第i个应变测点预测值与实测值的残差向量；表示桥梁健康状态下任意第i个应变测点第k₁个采样点预测值与实测值的残差值；表示桥梁健康状态下任意第i个应变测点第k₁个采样点的损伤定位因子；k_h表示桥梁健康状态下验证数据集样本总数；E(·)表示计算向量的均值；D(·)表示计算向量的方差。

在此基础上，构建桥梁健康状态下任意第i个应变测点损伤定位因子集合如式(6)所示：

步骤四二、建立桥梁任意第i个应变测点的损伤定位阈值γⁱ，如式(7)所示：

式中，Γ_0.95(·)表示提取集合95％置信率中位数函数；表示桥梁结构损伤定位的保证系数，取值范围1.1～1.2。

步骤四三、构建桥梁待诊断状态下的损伤定位因子，如式(8)所示：

式中，d表示桥梁结构待诊断状态；其它参数含义同步骤四一。

步骤四四、判断桥梁结构损伤位置，若待诊断状态下损伤定位因子集合的中位数则表明该测点处结构发生损伤；反之，则桥梁结构处于安全状态。

本发明中，针对如何建立集群内桥梁之间的时空关联模型，实现复杂环境耦合作用下集群内全部结构形式相似桥梁损伤定位的问题，通过建立桥梁集群结构应变测点群监测系统，实现桥梁集群结构应变测点群监测数据的实时采集；对桥梁集群结构采集的长期应变测点群监测数据进行去噪声、剔除随机车载影响处理，应变数据标准化处理；建立参考桥梁应变测点群监测数据与集群内其它桥梁应变测点群监测数据的时空关联模型；最后，变测点群预测应变值与实测应变值构建损伤定位因子和阈值，完成集群内桥梁结构的损伤定位。该方法有效考虑复杂运营环境对监测数据的影响，精确建立了集群内桥梁之间的时空关联模型，大幅提高了桥梁集群结构的损伤定位精度。

实施例：

本实施例选取我国某城市大型立交桥梁中的2座单箱多室桥梁集群作为算例，验证本发明提出的基于时空关联模型的桥梁集群结构损伤定位方法的有效性。立交桥梁集群结构照片如图3所示，在南北主干线2座桥梁集群结构布置应变传感器，建立桥梁集群结构应变测点群监测系统。传感器位置如图4和图5所示，现场传感器布设与采集如图6和图7所示。其中在桥梁跨中布设的应变传感器位于桥梁底板，在桥梁支座附近布设的应变传感器位于桥梁顶板。SP4～SP7在本实施例中作为桥梁A，SP7～SP10在本实施例中作为桥梁B。

利用桥梁健康状态下采集应变监测数据，对全部应变数据进行去噪声、剔除随机车载影响和数据标准化处理。在此基础上，将桥梁B应变测点群标准化处理后的应变监测数据作为网络输入，将桥梁A应变测点群标准化处理后的应变监测数据作为网络输出，并对桥梁A和桥梁B的时空关联模型网络进行训练，直至收敛。

采用待诊断状态下的应变监测数据进行模型的精度验证，其中底板的#4测点和顶板的#5测点应变数据预测结果如图8和图9所示。为了体现本发明的优势，与传统的支持向量机机器学习算法进行了对比，基于支持向量机的底板的#4测点和顶板的#5测点应变数据预测结果如图10和图11所示。由预测结果可以看出，本发明所提方法对应变监测数据的预测结果更加精确。

对桥梁A#1测点和#15测点的待诊断应变监测数据施加10με的模拟损伤，并基于建立时空关联模型对桥梁A进行损伤定位，定位结果如图12所示，由于时空关联模型的精确性，可有效定位#1测点和#15测点的损伤。同样基于支持向量机的损伤定位结果如图13所示，可以看出由于基于支持向量机的应变预测结果精度不够，造成最终无法有效定位模拟损伤，且其它未发生损伤的测点容易发生误判。