买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华南理工大学

摘要：本发明公开了一种桥梁结构损伤检测和超重车辆识别的多任务学习方法，包括：1获取桥梁结构健康监测系统的响应数据，通过滑动窗口的方法构建样本，并划分训练集和测试集；2构建桥梁结构损伤检测和超重车辆识别的多任务学习网络，并使用构建好的训练集进行网络训练；3将测试集输入到已训练好的桥梁结构损伤检测和超重车辆识别的多任务学习网络中，输出桥梁结构损伤检测和超重车辆识别的结果。本发明可以解决现有的桥梁结构健康监测方法之中，传统信号处理方法难以利用海量的健康监测数据，并且需要车速、车轴等额外信息；机器学习方法严重依赖人工设计特征的质量；而深度学习方法只考虑了损伤因素或载荷因素等单一影响因素的这些技术问题。

主权项：1.一种桥梁结构损伤检测和超重车辆识别的多任务学习方法，其特征在于，包括以下步骤：1获取桥梁结构健康监测系统的响应数据，通过滑动窗口的方法构建样本，并划分训练集和测试集；所获取的桥梁结构健康监测系统的响应数据通过滑动窗口的方法构建样本，并划分训练集和测试集的过程如下：1.1确定滑动窗口大小为T；1.2使用滑动窗口将所有响应数据截取成一系列长度为T的样本，样本Xt表示如下： 其中，n代表传感器的个数，下标t表示采集响应数据的时刻，代表第n个传感器在t时刻采集到的响应数据，样本Xt共包含从t-T+1时刻到t时刻共T个时刻里n个传感器采集到的响应数据；1.3确定样本标签，包括损伤位置标签、损伤程度标签和超重车辆标签；将桥梁划分成a个单元，则损伤位置标签Ylocation表示如下：Ylocation＝[yloc_0,yloc_1,yloc_2,yloc_3,…,yloc_a]其中，Ylocation共含有a+1个分量，每个分量的取值只能是0或1，同一时刻有且只有一个分量的取值为1；除了分量yloc_0代表当前时刻的样本没有出现损伤外，其余分量分别代表各自单元的损伤情况，即yloc_a代表第a个单元的损伤情况；当当前时刻的样本没有出现损伤的时候，将yloc_0置为1，表示没有出现损伤，否则，将yloc_0置为0，将发生损伤的位置对应的分量置为1；将桥梁的损伤程度量化为b个损伤等级，则损伤程度标签Ydegree表示如下：Ydegree＝[ydeg_0,ydeg_1,ydeg_2,ydeg_3,…,ydeg_b-1]其中，Ydegree共含有b个分量，每个分量的取值只能是0或1，同一时刻有且只有一个分量的取值为1；分量ydeg_0代表第0级损伤，即当前时刻的样本没有发生损伤，分量ydeg_b-1代表最高级损伤；当当前时刻的样本没有发生损伤的时候，将ydeg_0置为1，表示没有发生损伤，否则，将ydeg_0置为0，将发生损伤的等级对应的分量置为1；将超重车辆识别视为二分类问题，令超重车辆标签为Yoverload，该标签的取值只能是0或1；当当前时刻没有出现超重车辆的时候，将Yoverload置为0，否则将其置为1；最后，从构建的所有样本中随机选取80％的样本作为训练集，20％的样本作为测试集；2构建桥梁结构损伤检测和超重车辆识别的多任务学习网络，并使用构建好的训练集进行网络训练；所构建的桥梁结构损伤检测和超重车辆识别的多任务学习网络由一层注意力机制层Attention、一层一维卷积网络层CNN、一层长短期记忆神经网络层LSTM和三个并列的多层感知机层MLP构成；其中，注意力机制层Attention、一维卷积网络层CNN、长短期记忆神经网络层LSTM共同组成多任务学习网络的共享层，而三个并列的多层感知机层MLP则作为特定任务层，分别用于预测损伤位置标签、损伤程度标签和超重车辆标签；所构建的桥梁结构损伤检测和超重车辆识别的多任务学习网络训练过程如下：2.1将样本Xt输入到注意力机制层Attention，得到Xt的重要性得分St，公式如下：St＝AttentionXt,θAttention＝[st-T+1,st-T+2,st-T+3,…,st]式中，样本Xt共包含从t-T+1时刻到t时刻共T个时刻里n个传感器采集到的响应数据；θAttention表示注意力机制层Attention能够训练的参数矩阵，st代表第t个时刻所采集到的响应数据的重要性得分；2.2得到的重要性得分St同Xt相乘后输入到一维卷积网络层CNN提取空间特征，得到输出cnn_output，公式如下：cnn_output＝CNNXt*St,θcnn式中，θcnn表示一维卷积网络层CNN能够训练的参数矩阵；2.3接着将cnn_output输入到长短期记忆神经网络层LSTM来提取时间特征，得到长短期记忆神经网络层LSTM的输出lstm_output，公式如下：lstm_output＝LSTMcnn_output,θlstm式中，θlstm表示长短期记忆神经网络层LSTM能够训练的参数矩阵；2.4由前面步骤2.1～步骤2.3得到输出lstm_output后，取其最后一个时间步的向量lstm_output_laststamp作为共享特征，将其输入到三个并列的多层感知机层MLP中，分别得到各自的输出Ylocation_pred、Ydegree_pred、Yoverload_pred，公式如下：Ylocation_pred＝MLP_LOCATIONlstm_output_laststamp,θmlp_locationYdegree_pred＝MLP_DEGREElstm_output_laststamp,θmlp_degreeYoverload_pred＝MLP_OVERLOADlstm_output_laststamp,θmlp_overload式中，Ylocation_pred为预测损伤位置，Ydegree_pred为预测损伤程度，Yoverload_pred为预测超重车辆，θmlp_location、θmlp_degree、θmlp_overload分别表示各个多层感知机层MLP中能够训练的参数矩阵；2.5在损伤位置检测任务和损伤程度检测任务中，都使用categorical_crossentropy作为各自的损失函数，而在超重车辆识别任务中则使用binary_crossentropy作为损失函数，将步骤2.4得到的预测损伤位置Ylocation_pred、预测损伤程度Ydegree_pred、预测超重车辆Yoverload_pred和训练集中真实的标签计算损失，通过Adam优化算法更新桥梁结构损伤检测和超重车辆识别的多任务学习网络中的参数；3将测试集输入到已训练好的桥梁结构损伤检测和超重车辆识别的多任务学习网络中，输出桥梁结构损伤检测和超重车辆识别的结果。

全文数据：

权利要求：

百度查询： 华南理工大学 一种桥梁结构损伤检测和超重车辆识别的多任务学习方法