(19)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 202110045447.0 (22)申请日 2021.01.14 (65)同一申请的已公布的文献号 申请公布号 CN 112765881 A (43)申请公布日 2021.05.07 (73)专利权人 湖南大学 地址 410000 湖南省长 沙市岳麓区麓山 南 路1号 (72)发明人 邓露　罗鑫　何维　梁晓东　谢鸿　 (74)专利代理 机构 长沙朕扬知识产权代理事务 所(普通合伙) 43213 专利代理师 何湘玲 (51)Int.Cl. G06F 30/27(2020.01) G06F 119/14(2020.01)(56)对比文件 CN 111144039 A,2020.0 5.12 CN 109916491 A,2019.0 6.21 US 201215 0778 A1,2012.0 6.14 李小年等.桥梁动态称重 研究综述. 《土 木工 程学报》 .2013,(第0 3期), 吴宏伟等.高速公路车辆动态称重技 术及误 差分析. 《交通信息与安全》 .20 09, 何维.公路桥梁动态称重关键技 术研究. 《中 国优秀博硕士学位 论文全文数据库(博士)工程 科技Ⅱ辑》 .2021, 审查员 李斌 (54)发明名称 基于神经网络的可扩展至多桥的动态称重 方法及系统 (57)摘要 本发明公开了一种基于神经网络的可扩展 至多桥的动态称重方法和系统， 该方法包括： 连 续测量获取车辆过桥时桥梁的梁底应变响应曲 线， 输入第一卷积神经网络模型， 输出过桥车辆 的车轴分类； 将梁底响应曲线作为第二卷积神经 网络模型的输入， 输出车辆通过桥梁的时间； 根 据车辆通过桥梁的时间， 以及桥梁长度和车辆轴 距计算得到车辆过桥速度； 将梁底响应曲线与影 响线函数一起输入第三卷积神经网络模 型， 输出 车辆各轴轴重； 或将速度、 轴距与影响线函数组 合成轴加载矩 阵与梁底响应曲线一起输入第四 卷积神经网络模 型， 输出静止状态下车辆各轴轴 重。 本发明利用应变传感器测得梁底响应曲线和 影响线得出车辆静态轴重， 且可以无需重新训练 适用于其 他桥梁。 权利要求书2页 说明书7页 附图2页 CN 112765881 B 2022.09.09 CN 112765881 B 1.基于神经网络的可扩展至多桥的动态称重方法， 其特 征在于， 包括以下步骤： 连续测量获取车辆过桥时桥梁的梁底响应曲线， 作为第一卷积神经网络模型的输入， 通过第一卷积神经网络模型根据过桥车辆的轴数对所述梁底响应曲线进 行分类， 输出过桥 车辆的车辆轴数； 将所述梁底响应曲线作为与 所述车辆轴数对应的第 二卷积神经网络模型的输入， 将车 辆通过桥梁的时间作为第二卷积神经网络模型 的输出； 根据所述车辆通过桥梁的时间， 以 及桥梁长度和车辆轴距计算得到在过桥时车辆行驶的速度； 根据所述车辆行驶的速度将所述梁底响应曲线由时域坐标转化为位置坐标后， 与 预先 标定的影响线函数一起输入第三卷积神经网络模型， 输出车辆静止状态下 的各轴轴重； 或 者， 将所述车辆行驶的速度、 轴距与预先标定的影响线函数 组合成轴加载矩阵； 根据所述车 辆行驶的速度将所述梁底响应曲线由时域坐标转化为位置坐标后， 与所述轴加载矩阵一起 输入第四卷积神经网络模型， 输出 车辆静止状态下的各轴 轴重。 2.根据权利要求1所述的基于神经网络的可扩展至多桥的动态称重方法， 其特征在于， 所述第一卷积神经网络模型、 第二卷积神经网络模型、 第三卷积神经网络模型以及第四卷 积神经网络模型均为预 先根据训练数据样本训练得到； 训练所述第三卷积神经网络模型时， 对于不同类型的桥梁分别完成训练； 所述不同类 型的桥梁 包括T形、 箱形和矩形梁桥； 训练所述第一卷积神经网络模型、 第二卷积神经网络模型和第四卷积神经网络模型 时， 任选一种类型的桥梁完成训练。 3.根据权利要求2所述的基于神经网络的可扩展至多桥的动态称重方法， 其特征在于， 车轴分类为按照车轴数进行的分类， 至少包括： 二轴车、 三轴车、 四轴车、 五轴车和六轴车。 4.根据权利要求1所述的基于神经网络的可扩展至多桥的动态称重方法， 其特征在于， 根据所述车辆通过桥梁的时间， 以及桥梁长度和车辆轴距计算得到在过桥时车辆行驶的速 度， 计算方式如下： 其中， tq为车辆过桥的时间， m为车辆轴数， 车辆轴距 表示车辆第一个轴到 最后一个轴的距离， di表示车辆第i个轴和第i+1个轴的距离， L 为桥梁长度。 5.根据权利要求1所述的基于神经网络的可扩展至多桥的动态称重方法， 其特征在于， 所述第一卷积神经网络模型、 第二卷积神经网络模型、 第三卷积神经网络模型以及第四卷 积神经网络模型均为预 先根据测量的数据样本训练得到， 且均包括 一个以上的卷积层。 6.根据权利要求5所述的基于神经网络的可扩展至多桥的动态称重方法， 其特征在于， 所述一个以上的卷积层中每层或每两个以上的卷积层后连接有对应的一个池化层， 最后一 个池化层后通过全连接层输出 数据。 7.根据权利要求1或5或6所述的基于神经网络的可扩展至多桥的动态称重方法， 其特 征在于， 所述第三卷积神经网络模型， 用于将输入的影响线函数， 以及根据所述车辆行驶的速 度将所述梁底响应曲线由时域坐标转化为位置坐标后， 进行最小误差和 “反卷积”操作拟合权　利　要　求　书 1/2 页 2 CN 112765881 B 2实测弯矩、 影响线函数和各轴 轴重之间的关系， 从而输出 各轴轴重； 所述第四卷积神经网络模型， 用于将输入的轴加载矩阵， 以及根据所述车辆行驶的速 度将所述梁底响应曲线由时域坐标转化为位置坐标后， 进行最小误差和 “矩阵运算 ”操作拟 合实测弯 矩、 轴加载矩阵和各轴 轴重之间的关系， 从而输出 各轴轴重。 8.根据权利要求1所述的基于神经网络的可扩展至多桥的动态称重方法， 其特征在于， 在连续测量获取 车辆过桥时桥梁的梁底响应曲线之前， 完成以下步骤： 将传感器和数据采集系统安装在桥梁上， 标定桥梁的影响线函数I(x)， 其中x为车辆行 驶方向上的长度； 获得行驶车辆的轴距， 记为{d}＝{d1， d2，…， dm‑1}， di表示车辆第i个轴和第i+1个轴的 距离； 以及 获取桥梁长度L。 9.根据权利要求1所述的基于神经网络的可扩展至多桥的动态称重方法， 其特征在于， 连续测量 获取车辆过桥时桥梁的梁底响应曲线， 是通过将多个传感器贴于桥梁任意处来 获 取桥梁正应变、 桥梁正应力、 桥梁挠度、 弯矩、 支 座反力、 剪应力、 剪应变、 剪力或具有吊索结 构的桥梁的索力， 或使用摄像头和红外传感器通过算法间接获取 的桥梁挠度、 正应变和正 应力， 从而得到车辆过桥时桥梁的梁底响应曲线； 所述桥梁任意处满足荷载纵向作用位置改变时， 其位置的桥梁响应大小 并不总是保持 不变， 包括 桥梁主梁、 桥 面板， 支座和吊索结构的锚固点。 10.一种计算机系统， 包括存储器、 处理器以及存储在存储器上并可在处理器上运行的 计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现上述权利要求1至7中任 一所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 112765881 B 3