基于神经网络的车辆动态称重方法、装置、设备及介质与流程

本发明涉及深度学习，尤其涉及一种基于神经网络的车辆动态称重方法、装置、设备及介质。

背景技术：

1、随着社会和经济的发展，交通运输需求不断增大，车辆载荷是桥梁结构在桥面处所承受的主要载荷之一，过多的车流量和过重的车重容易造成桥梁损伤、桥面破坏和桥梁劣化加速等问题。因此，获取桥梁上通行车辆的重量对于桥梁结构的设计规范改进、安全性评估与养护决策具有重要意义。

2、目前，桥梁车辆动态称重通常采用安装于桥面上的感应线圈对车辆信息进行采集。但是此类方法由于理论模型与实际桥梁的差异较大、桥梁的噪声较多导致采集到的数据不准确、鲁棒性差，因此，目前亟需一种能够准确获取车辆重量的方法。

技术实现思路

1、有鉴于此，本发明的目的是为了克服现有技术中的不足，提供一种基于神经网络的车辆动态称重方法、装置、设备及介质。

2、本发明提供如下技术方案：

3、第一方面，本公开实施例中提供了一种基于神经网络的车辆动态称重方法，所述方法包括：

4、获取待监测桥梁的通行车辆信息，根据所述通行车辆信息生成随机车流样本；

5、基于有限元方法建立所述待监测桥梁的桥梁耦合振动分析模型，根据所述随机车流样本和所述桥梁耦合振动分析模型建立随机车流桥梁响应深度学习训练理论样本库；

6、根据所述待监测桥梁上安装的动态位移传感器、加速度计和动应变计，实时采集所述待监测桥梁的动态响应数据和噪声数据，其中，所述待监测桥梁上安装的动态位移传感器、加速度计和动应变计采集到的没有车辆通行时的感应数据为所述噪声数据；

7、通过数据融合算法将所述噪声数据和所述随机车流桥梁响应深度学习训练理论样本库进行融合，得到训练样本；

8、通过所述训练样本进行神经网络模型训练，得到基于物理信息神经网络的车辆动态称重深度学习模型；

9、将所述动态响应数据输入至所述车辆动态称重深度学习模型，输出通过所述待监测桥梁的车辆重量。

10、根据本技术公开的一种具体实施方式，所述获取待监测桥梁的通行车辆信息，根据所述通行车辆信息生成随机车流样本的步骤，包括：

11、所述通行车辆信息包括车型比例分布、车辆重量分布、车辆速度分布和车辆车距分布，确定所述通行车辆信息的参数分布，其中，车型比例分布采用多项式分布表示，车辆重量分布采用正态分布或均匀分布表示，车辆速度分布采用正态分布表示，车辆车距分布采用指数分布表示；

12、基于随机数生成法生成所述通行车辆信息的随机车流样本。

13、根据本技术公开的一种具体实施方式，所述基于有限元方法建立所述待监测桥梁的桥梁耦合振动分析模型，根据所述随机车流样本和所述桥梁耦合振动分析模型建立随机车流桥梁响应深度学习训练理论样本库的步骤，包括：

14、所述桥梁耦合振动分析模型包括待监测桥梁的振动模型、待监测桥梁的车辆振动方程和待监测桥梁与车辆的相互作用力；

15、所述待监测桥梁的振动模型表示为：

16、；

17、所述待监测桥梁的车辆振动方程表示为：

18、；

19、所述待监测桥梁与车辆的相互作用力表示为：

20、；

21、其中，vi为车辆速度、mi为车辆质量、为车辆间隔时间、n为随机车流的车辆总数，w(x,t)为桥梁在位置x和时间t的位移，e为梁材料的杨氏模量，i为梁的截面惯性矩，ρ为梁的密度，a为梁的截面积，q(x,t)为沿梁长度x和时间t变化的分布荷载，yv（t）为车辆的垂直位移，cv为车辆的阻尼系数，kv为车辆的弹簧刚度，g为重力加速度，δ(x-it)为狄拉克delta函数；

22、将所述随机车流样本输入至所述桥梁耦合振动分析模型，得到随机车流桥梁响应深度学习训练理论样本库。

23、根据本技术公开的一种具体实施方式，所述根据所述待监测桥梁上安装的动态位移传感器、加速度计和动应变计，实时采集所述待监测桥梁的动态响应数据和噪声数据的步骤，包括：

24、所述动态位移传感器用于测量所述待监测桥梁在车辆通过时的位移变化；

25、所述加速度计用于测量所述待监测桥梁的加速度响应；

26、所述动应变计用于测量所述待监测桥梁的应变变化；

27、获取所述待监测桥梁的桥梁类型，并根据所述桥梁类型设定所述待监测桥梁的动态响应数据的最低采样频率。

28、根据本技术公开的一种具体实施方式，所述通过数据融合算法将所述噪声数据和所述随机车流桥梁响应深度学习训练理论样本库进行融合，得到训练样本的步骤，包括：

29、对所述噪声数据进行频谱分析、噪声源识别处理和预处理，得到最终噪声数据；

30、采用卡尔曼滤波算法融合所述最终噪声数据和所述随机车流桥梁响应深度学习训练理论样本库，动态更新所述待监测桥梁响应的估计值，采用贝叶斯估计法融合所述最终噪声数据和所述随机车流桥梁响应深度学习训练理论样本库，进行概率模型的更新和修正。

31、根据本技术公开的一种具体实施方式，所述通过所述训练样本进行神经网络模型训练，得到基于物理信息神经网络的车辆动态称重深度学习模型的步骤，包括：

32、所述车辆动态称重深度学习模型的损失函数包括数据误差和物理误差，所述数据误差表示为：

33、，用于衡量所述车辆动态称重深度学习模型的挠度与实测挠度之间的误差，其中，n为数据点的数量，xi和ti分别为第i个数据点的位置和时间，为输出挠度，wmeasured为实测挠度；

34、所述物理误差表示为：

35、，用于衡量所述车辆动态称重深度学习模型的输出挠度是否满足物理约束，其中，n为数据点的数量，e为梁材料的杨氏模量，i为梁的截面惯性矩。

36、根据本技术公开的一种具体实施方式，所述将所述动态响应数据输入至所述车辆动态称重深度学习模型，输出通过所述待监测桥梁的车辆重量的步骤之后，还包括：

37、根据预设周期采集所述待监测桥梁的周期动态响应数据，将周期动态响应数据和所述训练样本进行融合，得到周期训练样本；

38、根据所述周期训练样本生成对抗样本；

39、根据所述对抗样本优化所述车辆动态称重深度学习模型的数据误差和对抗误差。

40、第二方面，本公开实施例中提供了一种基于神经网络的车辆动态称重装置，所述装置包括：

41、获取模块，用于获取待监测桥梁的通行车辆信息，根据所述通行车辆信息生成随机车流样本；

42、建立模块，用于基于有限元方法建立所述待监测桥梁的桥梁耦合振动分析模型，根据所述随机车流样本和所述桥梁耦合振动分析模型建立随机车流桥梁响应深度学习训练理论样本库；

43、采集模块，用于根据所述待监测桥梁上安装的动态位移传感器、加速度计和动应变计，实时采集所述待监测桥梁的动态响应数据和噪声数据，其中，所述待监测桥梁上安装的动态位移传感器、加速度计和动应变计采集到的没有车辆通行时的感应数据为所述噪声数据；

44、融合模块，用于通过数据融合算法将所述噪声数据和所述随机车流桥梁响应深度学习训练理论样本库进行融合，得到训练样本；

45、训练模块，用于通过所述训练样本进行神经网络模型训练，得到基于物理信息神经网络的车辆动态称重深度学习模型；

46、输出模块，用于将所述动态响应数据输入至所述车辆动态称重深度学习模型，输出通过所述待监测桥梁的车辆重量。

47、第三方面，本公开实施例中提供了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面中任一项所述的基于神经网络的车辆动态称重方法的步骤。

48、第四方面，本公开实施例中提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中任一项所述的基于神经网络的车辆动态称重方法的步骤。

49、上述本技术提供的基于神经网络的车辆动态称重方法，通过获取待监测桥梁的通行车辆信息，根据所述通行车辆信息生成随机车流样本，基于有限元方法建立所述待监测桥梁的桥梁耦合振动分析模型，根据所述随机车流样本和所述桥梁耦合振动分析模型建立随机车流桥梁响应深度学习训练理论样本库，根据所述待监测桥梁上安装的动态位移传感器、加速度计和动应变计，实时采集所述待监测桥梁的动态响应数据和噪声数据，其中，所述待监测桥梁上安装的动态位移传感器、加速度计和动应变计采集到的没有车辆通行时的感应数据为所述噪声数据，通过数据融合算法将所述噪声数据和所述随机车流桥梁响应深度学习训练理论样本库进行融合，得到训练样本，通过所述训练样本进行神经网络模型训练，得到基于物理信息神经网络的车辆动态称重深度学习模型，将所述动态响应数据输入至所述车辆动态称重深度学习模型，输出通过所述待监测桥梁的车辆重量，通过数据融合建立具有实际噪声特征的样本，基于物理信息的神经网络能够准确获取车辆重量，提高了模型的鲁棒性和准确性。

50、为使本发明的上述目的、特征和优点能更明显和易懂，下文特举较佳实施例，并配合所附附图，做详细说明如下。