[发明专利]基于神经网络的可扩展至多桥的动态称重方法及系统

权利要求书

1.基于神经网络的可扩展至多桥的动态称重方法，其特征在于，包括以下步骤：

连续测量获取车辆过桥时桥梁的梁底响应曲线，作为第一卷积神经网络模型的输入，通过第一卷积神经网络模型根据过桥车辆的轴数对所述梁底响应曲线进行分类，输出过桥车辆的车辆轴数；

将所述梁底响应曲线作为与所述车辆轴数对应的第二卷积神经网络模型的输入，将车辆通过桥梁的时间作为第二卷积神经网络模型的输出；根据所述车辆通过桥梁的时间，以及桥梁长度和车辆轴距计算得到在过桥时车辆行驶的速度；

根据所述车辆行驶的速度将所述梁底响应曲线由时域坐标转化为位置坐标后，与预先标定的影响线函数一起输入第三卷积神经网络模型，输出车辆静止状态下的各轴轴重；或者，将所述车辆行驶的速度、轴距与预先标定的影响线函数组合成轴加载矩阵；根据所述车辆行驶的速度将所述梁底响应曲线由时域坐标转化为位置坐标后，与所述轴加载矩阵一起输入第四卷积神经网络模型，输出车辆静止状态下的各轴轴重。

2.根据权利要求1所述的基于神经网络的可扩展至多桥的动态称重方法，其特征在于，所述第一卷积神经网络模型、第二卷积神经网络模型、第三卷积神经网络模型以及第四卷积神经网络模型均为预先根据训练数据样本训练得到；

训练所述第三卷积神经网络模型时，对于不同类型的桥梁分别完成训练；所述不同类型的桥梁包括T形、箱形和矩形梁桥；

训练所述第一卷积神经网络模型、第二卷积神经网络模型和第四卷积神经网络模型时，任选一种类型的桥梁完成训练。

3.根据权利要求2所述的基于神经网络的可扩展至多桥的动态称重方法，其特征在于，车轴分类为按照车轴数进行的分类，至少包括：二轴车、三轴车、四轴车、五轴车和六轴车。

4.根据权利要求1所述的基于神经网络的可扩展至多桥的动态称重方法，其特征在于，根据所述车辆通过桥梁的时间，以及桥梁长度和车辆轴距计算得到在过桥时车辆行驶的速度，计算方式如下：

其中，t_q为车辆过桥的时间，m为车辆轴数，车辆轴距表示车辆第一个轴到最后一个轴的距离，d_i表示车辆第i个轴和第i+1个轴的距离，L为桥梁长度。

5.根据权利要求1所述的基于神经网络的可扩展至多桥的动态称重方法，其特征在于，所述第一卷积神经网络模型、第二卷积神经网络模型、第三卷积神经网络模型以及第四卷积神经网络模型均为预先根据测量的数据样本训练得到，且均包括一个以上的卷积层。

6.根据权利要求5所述的基于神经网络的可扩展至多桥的动态称重方法，其特征在于，所述一个以上的卷积层中每层或每两个以上的卷积层后连接有对应的一个池化层，最后一个池化层后通过全连接层输出数据。

7.根据权利要求1或5或6所述的基于神经网络的可扩展至多桥的动态称重方法，其特征在于，

所述第三卷积神经网络模型，用于将输入的影响线函数，以及根据所述车辆行驶的速度将所述梁底响应曲线由时域坐标转化为位置坐标后，进行最小误差和“反卷积”操作拟合实测弯矩、影响线函数和各轴轴重之间的关系，从而输出各轴轴重；

所述第四卷积神经网络模型，用于将输入的轴加载矩阵，以及根据所述车辆行驶的速度将所述梁底响应曲线由时域坐标转化为位置坐标后，进行最小误差和“矩阵运算”操作拟合实测弯矩、轴加载矩阵和各轴轴重之间的关系，从而输出各轴轴重。

8.根据权利要求1所述的基于神经网络的可扩展至多桥的动态称重方法，其特征在于，在连续测量获取车辆过桥时桥梁的梁底响应曲线之前，完成以下步骤：

将传感器和数据采集系统安装在桥梁上，标定桥梁的影响线函数I(x)，其中x为车辆行驶方向上的长度；

获得行驶车辆的轴距，记为{d}＝{d₁，d₂，…，d_m-1}，d_i表示车辆第i个轴和第i+1个轴的距离；以及

获取桥梁长度L。