基于卷积神经网络的多车桥梁动态称重算法

为识别多车工况下车辆过桥时的车辆重量,采用卷积神经网络技术开发出可用于多车轴重识别的桥梁动态称重(BWIM)算法.首先,利用车桥耦合系统采集不同车辆过桥时梁底的应变信号;之后,基于深度学习开源框架KERAS搭建了包含9层卷积层、2层全连接层的卷积神经网络(CNN)模型,利用Adam优化器训练CNN模型以拟合所获得的应变信号与车辆轴重在不同工况下的变化规律,并最小化拟合误差;最后,对所开发的算法在单车和多车加载工况下的轴重识别精度进行了对比分析.结果表明:所提出的算法在单车和多车工况下的轴重识别误差均值基本低于5%,并且识别精度对车辆速度和横向位置的变化不敏感,说明算法的轴重识别效果良好且稳定.该多车BWIM算法摆脱了对桥梁影响线的依赖,为不适用于利用影响线方法进行动态称重的桥梁提供了可替代的称重技术.

基于独立分量分析的多车响应信号分离

针对桥梁动态称重系统(Bridge weigh-in-motion,BWIM)中多车同时过桥情形下的轴重识别问题,提出利用独立分量分析(Independent Component Analysis,ICA)对多车引起的应变信号进行分离的方法。通过ICA分离多车产生的应变响应信号,得到单辆车对应的应变响应信号,即可利用传统BWIM算法进行轴重识别。相较于改进传统BWIM算法处理多车过桥问题的方法 (如影响面法),该方法对桥梁结构信息依赖度低,因此更具有普适性。通过双车混合仿真信号进行实验,论文比较了几种ICA算法的分离效果。结果表明权值调整二阶盲辨识(WASOBI)算法的分离效果最好,为BWIM中的多车轴重识别问题提供了一种高效解决方法。