[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

说明书

本发明公开了一种基于神经网络的可扩展至多桥的动态称重方法和系统，该方法包括：连续测量获取车辆过桥时桥梁的梁底应变响应曲线，输入第一卷积神经网络模型，输出过桥车辆的车轴分类；将梁底响应曲线作为第二卷积神经网络模型的输入，输出车辆通过桥梁的时间；根据车辆通过桥梁的时间，以及桥梁长度和车辆轴距计算得到车辆过桥速度；将梁底响应曲线与影响线函数一起输入第三卷积神经网络模型，输出车辆各轴轴重；或将速度、轴距与影响线函数组合成轴加载矩阵与梁底响应曲线一起输入第四卷积神经网络模型，输出静止状态下车辆各轴轴重。本发明利用应变传感器测得梁底响应曲线和影响线得出车辆静态轴重，且可以无需重新训练适用于其他桥梁。

技术领域

本发明涉及桥梁动态称重以及车辆荷载监测领域，尤其涉及一种基于神经网络的可扩展至多桥的动态称重方法及系统。

背景技术

Ⅰ、车辆称重方法：

现有车辆称重方式主要有静态称重和动态称重，静态称重主要以地磅为代表，动态称重分为路面式动态称重和桥梁动态称重。其中动态称重解决了静态称重车辆需停车或以极低车速行驶造成称重效率低的缺点。桥梁动态称重解决了道路动态称重安装时需开挖路面，中断交通，耐久性差的缺点。

、桥梁动态称重算法的现状：

桥梁动态称重算法的主要目的是获取车辆轴数、速度和轴重等信息，一般先获得车辆的轴数、轴距和速度，再利用轴数，轴距和速度信息以及相应的算法求出车辆的轴重。

（1）获得轴数、轴距和速度：

现下很多相关研究或商用桥梁动态称重系统常将检测车辆轴距、轴数等信息的传感器安装在桥面板下方，此做法精度受车辆横向位置影响较大，且由于需要安装在桥面板下方，该类技术在板桥等桥梁上具有安装困难，更适用于箱梁桥、T梁桥等。

神经网络可以从数据中“学习”输入参数和输出参数的关系，同时还具有较好的容错能力。故有研究人员将神经网络应用于获得车辆轴数、速度和车辆的横向位置上，利用卷积神经网络（CNN）结合桥面板应变信号获得了车辆的轴数和速度，但在实际使用过程中需要其他信息如梁底应变信号来求得车重，这意味着可能需要安装更多应变传感器，且该技术在不同的桥梁上使用前都需要获取该桥的实测数据进行耗时的神经网络训练工作，这些将极大的提高桥梁动态称重系统的成本和消耗大量的时间。

（2）计算轴重：

也有学者利用人工神经网络（ANN）来求解车辆的轴重，通过应变信息结合车辆速度、轴距等已知条件求解车辆的总重和轴重分配系数，轴重由总重和轴重分配系数相乘得到。该方法将应变信息的峰值和车速、轴距等数据输入神经网络，这忽略了应变信号中隐含的丰富的与车辆轴重、轴数和轴距相关的信息，且使用总重和轴重分配系数来求解轴重的做法将增大轴重求解的误差，也降低了算法的稳定性。同样的，该方法在不同的桥梁上使用时需要重新获取训练数据，重新训练神经网络。

发明内容

本发明提供了一种基于神经网络的可扩展至多桥的动态称重方法及系统，用以解决现有的神经网络解算轴重的方法信号利用度低且在不同桥梁上算法的移植成本过大的问题。

为解决上述技术问题，本发明提出的技术方案为：

一种基于神经网络的可扩展至多桥的动态称重方法，包括以下步骤：

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梁底响应曲线进行分类，输出过桥车辆的车辆轴数；

将梁底响应曲线作为与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；