一种基于CSO-BiLSTM网络的桥梁动态位移重构方法

摘要

本发明公开了一种基于CSO‑BiLSTM网络的桥梁动态位移重构方法，通过改进双向长短期记忆网络(BiLSTM)，使网络模型支持多个时间序列的输入，并利用竞争性粒子群优化(CSO)算法对该网络进行超参数优化，然后将桥梁在动荷载作用下产生的多个应变响应作为输入，建立数据集，通过加载数据集训练网络模型，不断优化超参数、更新网络模型参数，从而得到最优CSO‑BiLSTM网络，以达到桥梁动态位移重构的目的。本发明能够通过应变传感器间接测得位移，有效解决位移传感器需要固定参考点、安装困难等问题，并能提高桥梁动态位移预测的准确性和鲁棒性。

说明书

技术领域

本发明涉及桥梁健康监测与检测领域，具体地说是一种基于CSO-BiLSTM网络的桥梁动态位移重构方法，重构结果可用于桥梁健康监测和桥梁状态评估。

背景技术

对于桥梁的健康监测，动荷载作用下桥梁动态位移的测量是必不可少的，因为它提供了关于结构完整性和桥梁状况的关键信息，在桥梁健康监测和桥梁状态评估有很多应用。

然而，准确估计动荷载作用下桥梁动态位移仍然具有挑战性。利用位移传感器测量的技术，例如线性变量微分传感器(LVDT)，通常需要安装在一个固定的参考点上，而大多数桥梁在其下方很难找到这种固定参考点，这使得它很难应用于大规模的应用。另一方面，桥梁的应变和加速度数据是容易获得的，因此利用其重构桥梁位移的间接方法逐渐被提出，它们克服了直接测量的缺陷，但是这些方法需要较多的传感器，工作量较大。神经网络算法能够自动建立输入和输出数据之间的关系，而传统单输入神经网络的在桥梁结构的动态位移重构中的准确性仍有不足，且神经网络中超参数的选择对模型最终的效果有很大的影响。

发明内容

本发明是为克服上述现有位移测量技术的不足，提供一种基于CSO-BiLSTM网络的桥梁动态位移重构方法，以期能够通过应变传感器间接测得位移，有效解决位移传感器需要固定参考点、安装困难等问题，并能提高桥梁动态位移预测的准确性。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于CSO-BiLSTM网络的桥梁动态位移重构方法的特点包含以下步骤：

步骤1：构建多输入BiLSTM网络，依次包括：多输入层、BiLSTM层、输出层；其中，BiLSTM层有2Y个隐含层，Y表示输入时间序列的个数；

设置多输入BiLSTM网络的超参数并作为CSO算法的优化对象，包括：BiLSTM层的2Y个隐含层的神经元数{h

初始化CSO算法的参数，包括：当前迭代次数t，种群规模N、最大迭代次数E，粒子空间维数D＝2Y+3；其中N为偶数；

设置所述超参数的位置和速度的取值范围，并根据超参数的位置取值范围随机初始化第t次迭代时各粒子的位置{X

根据超参数的速度取值范围随机初始化第t次迭代时各粒子的速度{V

步骤2：构建车桥有限元模型，包括：桥梁有限元模型和四自由度半车模型；

将所述桥梁有限元模型划分为n个单元，并对各单元之间的1个节点依次编号；其中，n为偶数；

在所述桥梁有限元模型的跨中位置的节点处设置一个位移传感器；在所述跨中位置的左右两侧的节点处各对称设置一个应变传感器；

步骤3：通过在车桥有限元模型中添加不确定性来模拟桥梁的真实结构；

步骤3.1：在所述桥梁有限元模型的第i个单元的弹性模量上乘以第i个随机因子δ

根据每个单元的弹性模量，模拟桥梁的刚度K

步骤3.2：令四自由度半车模型的刚度K

步骤3.3：利用应变传感器采集桥梁有限元模型的应变响应，并在所述应变响应中添加高斯白噪声来模拟实际测量中环境噪声的影响，其中，所述高斯白噪声的信噪比SNR是一定区间内的随机值；

步骤4：数据采集；

分别给定m

在所述车桥有限元模型中添加不确定性的情况下，分别对车身质量M

根据应变传感器所在节点相邻的两个单元，选择其中一个单元的左右两个节点处的位移响应以及位移响应与应变响应的积分关系，得到应变传感器所在节点处的长度均为w的应变响应，从而由位移传感器所在节点处长度为w的位移响应和两个应变传感器所在节点处的应变响应构成一个训练样本，进而得到m＝m

步骤5：数据预处理；

步骤5.1：将桥梁应变、位移响应数据集进行归一化处理，并按照比例划分为训练集和验证集；分别将归一化后的桥梁应变、位移响应数据集中的所有应变响应数据记为输入子集

步骤5.2：初始化t＝1；

步骤5.3：初始化d＝1；

步骤5.4：设置第t次迭代时第d个粒子的时间窗的长度为s

每次从训练集的新输入子集和新目标输出子集中分别选取第t次迭代时第d个粒子的批数量b

步骤6：训练阶段；

步骤6.1：将第q批次中的第j个输入样本{ε

所述BiLSTM层将ε

所述BiLSTM层的总输出结果输入全连结层中，并利用式(1)进行处理后，得到第t迭代时第d个粒子中第q批次中的第j个输入样本的位移估计结果

式(1)中，W为权重系数矩阵；V为偏置系数向量；

步骤6.2：利用式(2)构建HuberLoss损失函数

式(2)中，δ表示超参数；

步骤6.3：使用Adam优化器对多输入BiLSTM网络的模型参数进行梯度下降搜索并，根据损失值，对网络进行误差反向传播，从而更新网络的模型参数；

步骤6.4：按照步骤6.1-步骤6.3的过程将所有小批次输入网络并进行训练，直到达到训练周期次数e

步骤7：将所述验证集输入训练好的多输入BiLSTM模型进行预测，并利用式(3)计算第t次迭代时第d个粒子的适应度函数f

式(3)中，

步骤8：令d+1赋值给d，重复步骤6和步骤7，直到d>N为止，从而得到第t次迭代时N个粒子的适应度值；

在第t次迭代中，将N个粒子随机分配成N/2对，每对中的两个粒子之间进行竞争，共发生N/2次竞争；每次竞争后，适应度小的粒子将被直接传递给第t+1次迭代的粒子群中，而适应度大的粒子将通过向适应度小的粒子学习来更新其位置和速度，然后被传递给第t+1次迭代的粒子群中；

步骤9：令t+1赋值给t，重复步骤5-步骤8的过程，直到t>E为止，从而得到最优粒子的位置对应的超参数最优值，以超参数最优值构建所述多输入BiLSTM网络并进行训练，从而得到最优的CSO-BiLSTM网络用于预测桥梁动态位移。

本发明所述的一种基于CSO-BiLSTM网络的桥梁动态位移重构方法的特点也在于，所述步骤8中竞争包含以下步骤：

在第t次迭代的第k次竞争中，分别用X

X

式(4)和式(5)中，R

与已有技术相比，本发明的有益效果体现在：

1、本发明通过两个位置的应变响应准确重构了梁式桥梁的位移，有效解决位移传感器需要固定参考点、安装困难等问题。应变传感器安装方便，且使用的传感器数量较少、工作量较小。

2、本发明设计了多输入BiLSTM网络，使网络模型支持多个时间序列的输入，并利用竞争性粒子群优化(CSO)算法分别优化多个时间序列对应的隐含层神经元数。与传统单输入BiLSTM网络相比，提高了桥梁结构动态位移重构的准确性。

3、相比粒子群优化(PSO)算法，CSO算法比PSO算法的搜索能力更好，且更适应于高维度寻优，而本发明中的多输入BiLSTM网络有多个超参数需要优化。因此，利用竞争性粒子群优化(CSO)算法对多输入BiLSTM网络进行超参数优化，相比手动选择超参数，优化后的超参数提高了网络预测的准确性；

4、本发明通过在车桥有限元模型中添加不确定性来模拟桥梁的真实结构，提高了桥梁动态位移预测的鲁棒性。

附图说明

图1为本发明的CSO-BiLSTM网络流程图；

图2为本发明的数值模拟简支梁桥示意图；

图3为本发明的BiLSTM网络结构图；

图4为本发明的CSO算法的总体思路图；

图5为本发明的简支梁重构位移与有限元模型位移参照值的对比图。

具体实施方式

算例1：图2所示的等矩形截面简支梁桥，桥梁跨长为20m，弹性模量为35Gpa，密度为2901kg/m

步骤1：构建双输入BiLSTM网络，依次包括：双输入层、BiLSTM层、输出层；其中，BiLSTM层有四个隐含层。BiLSTM网络结构如图3所示；

设置双输入BiLSTM网络的超参数并作为CSO算法的优化对象，包括：BiLSTM层的四个隐含层的神经元数{h

初始化CSO算法的参数，包括：当前迭代次数t，种群规模N＝30、最大迭代次数E＝80，粒子空间维数D＝7；

设置四个隐含层神经元数的位置取值范围为(1,128)，速度取值范围为(-2,2)；时间窗口大小的位置取值范围为(1,20)，速度取值范围为(-1,1)；批处理大小的位置取值范围(1,30)，速度取值范围为(-1,1)；训练周期次数的取值范围(1,30)，速度取值范围为(-1,1)，并根据超参数的位置取值范围随机初始化第t次迭代时各粒子的位置{X

根据超参数的速度取值范围设置第t次迭代时各粒子速度的取值范围并初始化第t次迭代时各粒子的速度{V

步骤2：构建车桥有限元模型，包括：桥梁有限元模型和四自由度半车模型，并在节点8、12处各设置应变传感器，在节点10处设置位移传感器；

步骤3：通过在车桥有限元模型中添加不确定性来模拟桥梁的真实结构；

步骤3.1：在桥梁有限元模型的第i个单元的弹性模量上乘以第i个随机因子δ

根据每个单元的弹性模量，模拟桥梁的刚度K

步骤3.2：车辆的刚度K

步骤3.3：利用应变传感器采集桥梁有限元模型的应变响应，并在应变响应中添加高斯白噪声来模拟实际测量中环境噪声的影响，其中，高斯白噪声的信噪比SNR是区间(30，50)内的随机值；

步骤4：数据采集；

分别给定101个取值不同的车身质量M

在车桥有限元模型中添加不确定性的情况下，分别对车身质量M

根据应变传感器所在节点相邻的两个单元，选择其中一个单元的左右两个节点处的位移响应以及位移响应与应变响应的积分关系，得到应变传感器所在节点处的长度均为1000的应变响应，从而由位移传感器所在节点处长度为1000的位移响应和两个应变传感器所在节点处的应变响应构成一个训练样本，进而得到3030个训练样本并构成桥梁应变、位移响应数据集；

步骤5：数据预处理；

步骤5.1：将桥梁应变、位移响应数据集进行归一化至(0,1)，并按照比例划分为训练集和验证集，其中训练集占比99％。分别将归一化后的桥梁应变、位移响应数据集中的所有应变响应数据记为输入子集

步骤5.2：初始化t＝1；

步骤5.3：初始化d＝1；

步骤5.4：设置第t次迭代时第d个粒子的时间窗的长度为s

每次从训练集的新输入子集和新目标输出子集中分别选取第t次迭代时第d个粒子的批数量b

步骤6：训练阶段；

步骤6.1：将第q批次中的第j个输入样本{ε

BiLSTM层将ε

BiLSTM层将ε

对上述输出结果进行向量拼接从而得到BiLSTM层的的总输出结果

BiLSTM层的总输出结果输入全连结层中，并利用式(1)进行处理后，得到第t迭代时第d个粒子中第q批次中的第j个输入样本的位移估计结果

式(1)中，W为权重系数矩阵；V为偏置系数向量；

步骤6.2：利用式(2)构建HuberLoss损失函数

式(2)中，δ表示超参数；

步骤6.3：使用Adam优化器对双输入BiLSTM网络的模型参数进行梯度下降搜索，并根据损失值，对网络进行误差反向传播，从而更新网络的模型参数；

步骤6.4：按照步骤6.1-步骤6.3的过程将所有小批次输入网络并进行训练，直到达到训练周期次数e

步骤7：将验证集输入训练好的双输入BiLSTM模型进行预测，并利用式(3)计算第t次迭代时第d个粒子的适应度函数f

式(3)中，

步骤8：令d+1赋值给d，重复步骤6和步骤7，直到d>30为止，从而得到第t次迭代时30个粒子的适应度值；

在第t次迭代中，将30个粒子随机分配成15对，每对中的两个粒子之间进行竞争，共发生15次竞争；每次竞争后，适应度小的粒子将被直接传递给第t+1次迭代的粒子群中，而适应度大的粒子将通过向适应度小的粒子学习来更新其位置和速度，然后被传递给第t+1次迭代的粒子群中；

在第t次迭代的第k次竞争中，分别用X

X

式(4)和式(5)中，R

步骤9：令t+1赋值给t，重复步骤5-步骤8的过程，直到t>80为止，从而得到最优粒子的位置对应的超参数最优值，以超参数最优值构建双输入BiLSTM网络并进行训练，从而得到最优的CSO-BiLSTM网络并用于预测桥梁动态位移。

根据算例，得到两个应变传感器处应变响应，输入到训练好的网络模型中，输出预测的位移u