[发明专利]一种基于声发射与1D CNNs的中小桥梁轻量化健康监测方法与系统

说明书

本发明公开了一种基于声发射与一维卷积神经网络(1D CNNs)的中小桥梁轻量化健康监测方法与系统，其包括：在中小桥梁关键易损部位布置声发射传感器进行实时数据采集；对所采集的声发射数据进行经验模态分解以达到去噪目的；对该类中小桥进行缩尺模型实验，利用缩尺模型实验的声发射信号训练1D CNNs模型。将实桥上采集的信号输入1D CNNs模型以实时监测结构所处的损伤阶段，并进行分级预警。本发明利用声发射技术可实时监测结构损伤和1D CNNs可简化计算复杂度的优点，提供了一种中小桥梁实时轻量化健康监测方法与系统，为桥梁管理部门安全决策提供依据。

技术领域

本发明涉及结构健康监测技术领域，具体是一种声发射与深度学习相结合的监测方法及系统。

背景技术

中小桥梁在我们日常生活中应用广泛，由于桥梁日常处于暴露的室外环境，会受到不同程度的突然或者累计损伤导致其发生破坏，需对中小桥梁进行科学便捷的安全评定。为了掌握桥梁的损伤状态，各种损伤检测方法应运而生。相较于其他无损检测方法，声发射技术作为一种广泛使用的无损检测技术，它可以检测复杂构件的动态缺陷，可提供整体或范围快速检测，进行损伤预警。但仅对结构进行检测难以实时掌握结构的安全信息，需要对结构进行健康监测以更及时的掌握结构的安全信息。

但是，传统的声发射检测方法难以做到实时监测。传统的声发射参数分析只是对信号波形的有限描述，用其表征整个声发射源的特征有一定偏差。聚类分析需要人为线下制作评分系统，并打上标签值，不够智能化，并且在样本量较大时，要获得聚类结论有一定困难。新兴的深度学习策略有望能够在线处理大量的声发射信号以实现安全预警，但是二维神经网络具有很高的计算复杂度，需要专门的硬件来进行训练，不适合移动设备和低功耗或低内存设备上的实时应用。自适应和紧凑的1D CNNs的实现在低计算复杂度的情况下实现比传统深度2D有更高的性能。自适应和紧凑的一维CNN可以用有限的一维信号数据集有效地训练，而不是深度2D CNNs所需的海量数据集。此外，由于计算量低，1D CNNs非常适合实时和低成本的应用，特别是在智能移动设备上。一维CNN模型克服了递归神经网络存在的梯度消失和梯度爆炸的问题，使其训练更快捷。

因此，本专利采用采用1D CNNs模型与声发射信号进行结合，提出一种在线中小桥梁轻量化健康监测方法与系统。将传统的用于检测的声发射技术用于结构健康监测，相较其他声发射检测技术具有实时和低成本的特点。

发明内容

本发明的目的是提供一种基于声发射传感器的中小桥梁结构监测方法，将声发射传感器应用于桥梁结构监测中，开发新的深度学习技术及建立结构识别技术流程，实现对桥梁结构的轻量化健康监测及损伤预警。

为实现上述目的，本发明采用的技术方案为：

一种基于声发射与1D CNNs的中小桥梁轻量化健康监测方法与系统，包括以下步骤：

步骤一，根据中小桥的力学特征布置监测系统。在桥梁结构上布置健康监测系统，所述的健康监测系统由数据采集系统和结构健康状态与安全评估系统这两个子系统组成，而其中的数据采集子系统则是整个监测系统的基础，通过信号采集系统采集健康监测系统监测到的桥梁结构的声发射信号。

在接近桥墩与桥面接触面、且靠近预应力钢筋的位置布置一定数量的传感器，传感器应在距离接缝位置约1米处布置，传感器安装于桥面底面上。通过布设在预应力中小桥梁的多个声发射传感器来采集试件损伤过程中所伴生的声发射信号。通过传感器、放大器和声发射分析仪来采集和记录声发射信号，由声发射分析仪提取声发射特征参数并输入计算机中存储。