基于边缘计算的桥梁振动检测方法及系统与流程

本发明涉及桥梁振动检测，具体而言，涉及一种基于边缘计算的桥梁振动检测方法及系统。

背景技术：

1、对于道路桥梁结构而言，在移动的车辆、人群、风力和地震等动力荷载作用下通常会产生振动，并会随着结构的老化发生变化。桥梁结构的振动异常检测是桥梁结构稳定性分析的关键分析节点，如何提高桥梁振动检测的可靠性，是亟待解决的技术问题。

技术实现思路

1、为解决上述问题，本发明提供一种基于边缘计算的桥梁振动检测方法，包括：

2、获取目标桥梁振动数据；

3、将所述目标桥梁振动数据输入桥梁振动异常检测模型，基于所述桥梁振动异常检测模型得到所述目标桥梁振动数据的异常检测数据，其中，所述桥梁振动异常检测模型通过边缘计算节点运行实现；

4、其中，所述桥梁振动异常检测模型的训练步骤，包括：

5、将待学习桥梁振动数据加载到依据ai模型结构配置的桥梁振动异常检测模型，获得所述待学习桥梁振动数据的多模态振动时序特征；

6、将所述多模态振动时序特征映射到高维扩展特征空间，获得高维扩展映射特征；

7、将所述高维扩展映射特征输入所述桥梁振动异常检测模型的预测单元，获得所述桥梁振动异常检测模型对所述待学习桥梁振动数据的异常检测预测数据；

8、更新所述桥梁振动异常检测模型的学习误差关联信息；所述学习误差关联信息用于使所述桥梁振动异常检测模型的学习误差下降；

9、基于所述异常检测预测数据、所述待学习桥梁振动数据的异常检测实际数据及更新的所述学习误差关联信息，计算所述桥梁振动异常检测模型的学习误差；

10、基于所述学习误差进行反向传播更新所述桥梁振动异常检测模型，并根据更新后的桥梁振动异常检测模型继续进行迭代学习直至模型收敛，获得所述桥梁振动异常检测模型。

11、在一种可能的实施方式中，所述方法还包括：

12、基于前一轮训练所述桥梁振动异常检测模型的学习误差确定所述桥梁振动异常检测模型的参数浮动信息；

13、根据参数浮动信息和前一轮训练所采用的高维扩展特征空间的空间范围，计算本轮训练的高维扩展特征空间的空间范围；

14、所述学习误差关联信息包括所述高维扩展特征空间的空间范围学习误差，所述更新所述桥梁振动异常检测模型的学习误差关联信息，包括：

15、根据本轮训练的高维扩展特征空间的空间范围计算高维扩展特征空间的空间范围学习误差。

16、在一种可能的实施方式中，所述学习误差关联信息还包括振动门限值；所述更新所述桥梁振动异常检测模型的学习误差关联信息还包括：

17、基于所述待学习桥梁振动数据的异常检测预测数据所确定的所述待学习桥梁振动数据与各异常检测标签的匹配度，更新所述待学习桥梁振动数据与对应异常检测标签的振动门限值。

18、在一种可能的实施方式中，所述学习误差关联信息包括振动门限值；

19、所述基于所述待学习桥梁振动数据的异常检测预测数据，更新所述桥梁振动异常检测模型的学习误差关联信息还包括：

20、基于所述待学习桥梁振动数据的异常检测预测数据所确定的所述待学习桥梁振动数据与各异常检测标签的匹配度，更新所述待学习桥梁振动数据与对应异常检测标签的振动门限值。

21、在一种可能的实施方式中，所述将所述多模态振动时序特征映射到高维扩展特征空间，获得高维扩展映射特征，包括：

22、根据本轮训练的高维扩展特征空间的空间范围，将所述多模态振动时序特征映射到高维扩展特征空间，获得高维扩展映射特征。

23、在一种可能的实施方式中，基于所述异常检测预测数据、所述待学习桥梁振动数据的异常检测实际数据及更新的所述学习误差关联信息，计算所述桥梁振动异常检测模型的学习误差，包括：

24、基于所述异常检测预测数据、所述待学习桥梁振动数据的异常检测实际数据和所述振动门限值，计算得到第一学习误差值；

25、基于所述第一学习误差值和所述高维扩展特征空间的空间范围学习误差，获得所述桥梁振动异常检测模型的学习误差。

26、在一种可能的实施方式中，所述基于所述异常检测预测数据、所述待学习桥梁振动数据的异常检测实际数据及更新的所述学习误差关联信息，计算所述桥梁振动异常检测模型的学习误差，包括：

27、基于所述异常检测预测数据和所述待学习桥梁振动数据的异常检测实际数据计算第一学习误差值；

28、基于所述第一学习误差值和所述高维扩展特征空间的空间范围学习误差，计算得到所述桥梁振动异常检测模型的学习误差。

29、在一种可能的实施方式中，所述基于所述异常检测预测数据、所述待学习桥梁振动数据的异常检测实际数据及更新的所述学习误差关联信息，计算所述桥梁振动异常检测模型的学习误差，包括：

30、基于所述异常检测预测数据、所述待学习桥梁振动数据的异常检测实际数据及所述振动门限值，计算所述桥梁振动异常检测模型的学习误差。

31、在一种可能的实施方式中，所述方法还包括：在所述将所述多模态振动时序特征映射到高维扩展特征空间，获得高维扩展映射特征之前，还包括：

32、将所述多模态振动时序特征进行l2规则化转换，获得规则化转换的多模态振动时序特征；

33、所述将所述多模态振动时序特征映射到高维扩展特征空间，获得高维扩展映射特征，包括：

34、将规则化转换的多模态振动时序特征映射到高维扩展特征空间，获得高维扩展映射特征；

35、在将所述高维扩展映射特征输入所述桥梁振动异常检测模型的预测单元，获得所述桥梁振动异常检测模型对所述待学习桥梁振动数据的异常检测预测数据之前，还包括：

36、对所述桥梁振动异常检测模型的预测单元参数进行l2规则化转换，获得规则化转换后的预测单元参数。

37、本发明还提供一种基于边缘计算的桥梁振动检测系统，包括处理器以及可读存储介质，所述可读存储介质中存储有计算机程序，当所述计算机程序被所述处理器执行时实现以上任意一个方法所述的基于边缘计算的桥梁振动检测方法。

38、综上所述，本发明提供的基于边缘计算的桥梁振动检测方法及系统，基于所述待学习桥梁振动数据的异常检测预测数据，更新所述桥梁振动异常检测模型的学习误差关联信息，在采用相关技术中的通用损失函数值的基础上，考虑了其它的学习误差关联信息，并结合损失函数值和学习误差关联信息，计算桥梁振动异常检测模型的学习误差。由于学习误差关联信息的作用在于使桥梁振动异常检测模型的学习误差不断下降，可以提高桥梁振动异常检测模型的模型收敛速度，进而提高桥梁振动检测的可靠性。

技术特征：

1.一种基于边缘计算的桥梁振动检测方法，其特征在于，包括：

2.根据权利要求1所述的基于边缘计算的桥梁振动检测方法，其特征在于，所述方法还包括：

3.根据权利要求2所述的基于边缘计算的桥梁振动检测方法，其特征在于，所述学习误差关联信息还包括振动门限值；所述更新所述桥梁振动异常检测模型的学习误差关联信息还包括：

4.根据权利要求1所述的基于边缘计算的桥梁振动检测方法，其特征在于，所述学习误差关联信息包括振动门限值；

5.根据权利要求2所述的基于边缘计算的桥梁振动检测方法，其特征在于，所述将所述多模态振动时序特征映射到高维扩展特征空间，获得高维扩展映射特征，包括：

6.根据权利要求3所述的基于边缘计算的桥梁振动检测方法，其特征在于，基于所述异常检测预测数据、所述待学习桥梁振动数据的异常检测实际数据及更新的所述学习误差关联信息，计算所述桥梁振动异常检测模型的学习误差，包括：

7.根据权利要求2所述的基于边缘计算的桥梁振动检测方法，其特征在于，所述基于所述异常检测预测数据、所述待学习桥梁振动数据的异常检测实际数据及更新的所述学习误差关联信息，计算所述桥梁振动异常检测模型的学习误差，包括：

8.根据权利要求4所述的基于边缘计算的桥梁振动检测方法，其特征在于，所述基于所述异常检测预测数据、所述待学习桥梁振动数据的异常检测实际数据及更新的所述学习误差关联信息，计算所述桥梁振动异常检测模型的学习误差，包括：

9.根据权利要求1所述的基于边缘计算的桥梁振动检测方法，其特征在于，所述方法还包括：在所述将所述多模态振动时序特征映射到高维扩展特征空间，获得高维扩展映射特征之前，还包括：

10.一种基于边缘计算的桥梁振动检测系统，其特征在于，包括处理器以及可读存储介质，所述可读存储介质中存储有计算机程序，当所述计算机程序被所述处理器执行时实现权利要求1-9中任意一项所述的基于边缘计算的桥梁振动检测方法。

技术总结
本发明实施例提供一种基于边缘计算的桥梁振动检测方法及系统，基于所述待学习桥梁振动数据的异常检测预测数据，更新所述桥梁振动异常检测模型的学习误差关联信息，在采用相关技术中的通用损失函数值的基础上，考虑了其它的学习误差关联信息，并结合损失函数值和学习误差关联信息，计算桥梁振动异常检测模型的学习误差。由于学习误差关联信息的作用在于使桥梁振动异常检测模型的学习误差不断下降，可以提高桥梁振动异常检测模型的模型收敛速度，进而提高桥梁振动检测的可靠性。

技术研发人员：姚辉,刘峰,徐涛
受保护的技术使用者：上海亿为科技有限公司
技术研发日：
技术公布日：2024/1/14