(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110421208.0 (22)申请日 2021.04.19 (65)同一申请的已公布的文献号 申请公布号 CN 113312834 A (43)申请公布日 2021.08.27 (73)专利权人 桂林理工大 学 地址 530001 广西壮 族自治区南宁市安吉 大道15号 (72)发明人 王延伟　兰景岩　朱万旭　李丽　 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/14(2020.01)(56)对比文件 CN 111638000 A,2020.09.08 CN 1015869 96 A,2009.11.25 CN 111737909 A,2020.10.02 CN 1080902 95 A,2018.0 5.29 JP 20171416 62 A,2017.08.17 Vines-Cavanaugh, David 等.Sup port Vector Mac hine for Abn ormality Detecti on on a Cable-Stayed Bridge. 《The Internati onal Society for Optical Engineering》 .2010,第7647 卷 谭艳.斜拉桥索力测量及索力状态评估研 究. 《中国优秀硕士学位 论文全文数据库 工程科 技Ⅱ辑》 .2010,(第6期), 审查员 郑晓云 (54)发明名称 一种基于卷积神经网络的斜拉索索力异常 捡拾方法 (57)摘要 本发明公开了一种基于卷积神经网络的斜 拉索索力异常捡拾方法， 包括以下步骤： 利用实 测索力数据和人为设置的索力异常， 建立训练数 据集、 验证数据集和测试数据集； 建立具有12层 结构的卷积神经网络， 其中索力数据作为卷积神 经网络的输入层， 索力异常作为输出层； 将实测 索力数据输入 给训练好的卷积神经网络， 并通过 持续更新索力数据实现持续的索力异常捡拾， 当 数据中出现索力异常时， 则卷积神经网络输出值 为异常数据点的位置， 当索力数据中没有索力异 常时， 则卷积神经网络输出值小于0。 本发明方法 可有效地捡拾偏差率的绝对值≥1％的索力异 常， 具有良好的准确性、 适用性和实用性， 可用于 斜拉桥健康系统中进行在线的索力异常捡拾。 权利要求书1页 说明书2页 附图2页 CN 113312834 B 2022.04.26 CN 113312834 B 1.一种基于卷积神经网络的斜拉索 索力异常捡拾方法， 其特 征在于具体步骤为： 1)训练数据集、 测试数据集和验证数据集的生成： 将每根斜拉索的实测索力数据按每 2048个数据点为一段进行划分， 测量索力的采样频率为1次/分钟， 划分后的数据段中人为 随机加入索力异常， 偏差率的绝对值≥1％， 并对有异常数据和没有异常数据进 行归一化和 标记， 其中有异常数据段的标记为异常出现的位置， 没有异常的数据段标记为 ‑1， 标记后的 数据段的60％作为训练数据集， 20％作为验证数据集， 20％作为测试数据集， 所有数据集中 异常数据段和无异常数据段的比例为1:1； 2)卷积神经网络模型的确定： 将2048个数据点的数据段， 作为卷积神经网络的输入， 数 据的标记作为输出； 卷积神经网络共有12层， 包括索力数据作为卷积神经网络的输入层， 索 力异常作为输出层， 4个卷积  层、 4个池化层和2个全连接层作为隐藏层； 利用训练数据集和 验证数据集对卷积神经网络进 行反复多次训练和验证， 取验证数据集结果的平均绝对值误 差最小时的卷积神经网络作为 最终模型； 3)卷积神经网络模型的应用： 将实测初始2048个索力数据作为输入数据， 输入给训练 好的卷积神经网络， 并对这2048个索力数据进行持续更新， 每次更新128个索力 数据， 当数 据中出现索力异常时， 则卷积神经网络输出值为异常数据点的位置， 当索力数据中没有索 力异常时， 则卷积神经网络 输出值小于 0。权　利　要　求　书 1/1 页 2 CN 113312834 B 2一种基于卷积神经 网络的斜拉索 索力异常捡拾方 法 技术领域 [0001]本发明涉及 一种基于卷积神经网络的斜拉索索力 异常捡拾方法， 主要用于在线捡 拾实测斜拉桥的斜拉索 索力异常变化。 背景技术 [0002]斜拉桥是一种被广 泛采用的大跨度桥型， 主要由主梁、 斜拉索和主塔组成， 斜拉索 承担索塔和主梁之间的荷载传递。 斜拉索既是斜拉桥的关键受力构件， 也是斜拉桥的薄弱 构件， 其在长期服役过程中遭受环境侵蚀、 交通荷载、 自然灾害等作用， 不可避免地发生锈 蚀、 断丝、 疲劳等损伤问题， 如若未及时掌握和处理这些损伤， 将对斜拉索的力学性能和使 用寿命造成严重的影响， 甚至会威胁到整个桥梁的安全。 索力的异常变化可以最直接地反 应出斜拉索安全状态， 因此， 监测索力和捡拾索力异常是斜拉桥健康监测系统的重要内容。 但是， 目前索力异常的判别主要 是基于经验阈值， 例如我国 《公路桥梁承载能力检测评定规 范》 (JTG/T  J21‑2011)规定当实测索力的偏差率(偏差率＝(实测索力 ‑设计索力)/设计索 力*100％)超过 ±10％时， 判定索力存在异常， 显然， 这种阈值设置过于粗糙， 会导致较小的 索力异常(偏差率绝对值≤10％)被漏掉， 例如拉索断丝、 拉索松弛、 锈蚀、 重载车辆等引起 的索力异常， 这些较小的索力异常不会立刻使拉索的性能发生变化， 但日积月累就可能会 对处于高应力状态下的拉索造成损伤。 [0003]目前， 较小的索力异常比大的索力异常难于捡拾， 其原因有两点： 一是拉索的索力 受温度影响很大， 温度引起的索力变化往往会淹没较小的索力异常的捡拾； 二是索力在没 有异常的时候也在持续地变化， 偏差率的阈值设置过小会导致误捡拾索力异常， 设置过大 会漏捡拾较小的索力异常。 发明内容 [0004]针对斜拉桥斜索索力 异常捡拾的前述现状和不足， 本发明提供了一种基于卷积神 经网络的斜拉索索力异常捡拾方法， 在该方法中卷积神经网络的输入为 实测的一段索力数 据， 输出为索力异常出现在数据中的位置， 利用实测索力数据和人为设置的索力异常， 建立 训练数据集、 验证数据集和测试数据集， 利用训练数据集和验证数据集确定卷积神经网络 的架构和超参数， 利用测试数据集检验卷积神经网络捡拾索力异常的效果。 本发明方法具 有良好的准确性、 通用性和实用性， 可有效地降低温度干扰、 避免漏捡拾和误捡拾索力异 常， 适用于斜拉桥的索力监测 和状态评估。 [0005]本发明为实现上述目的所采用的技 术方案是： [0006]1)训练数据集、 测试数据集和验证数据集的生成： 将每根斜拉索的实测索力数据 按每2048个数据点(测量索力的采样频率为 1次/分钟)为一段进 行划分， 划分后的数据段中 人为随机加入索力异常(偏差率的绝对值≥1％)， 并对有异常数据和没有异常数据进行归 一化和标记， 其中有异常数据段的标记为异常出现的位置， 没有异常的数据段标记为 ‑1， 标 记后的数据段的60％作为训练数据集，  20％作为验证数据集， 20％作为测试数据集， 所有说　明　书 1/2 页 3 CN 113312834 B 3