本技术属于桥梁健康监测，具体涉及一种桥梁疲劳损伤度预测方法、系统和计算机设备。
背景技术：
1、钢结构桥梁具有轻质高强、可装配化施工、适用范围广等突出优点，其已广泛应用于大跨度桥梁、城市跨线桥梁等主要交通枢纽工程建设中。桥梁随着运营使用因各种外部和内部因素使局部构造出现结构损伤，可能出现疲劳开裂，对于桥梁的安全使用造成影响，通过对桥梁安装桥梁健康监测系统监测桥梁自身情况，并对监测数据进行合理相关分析，可以实现对桥梁健康状况评估，从而预防安全事故，延长桥梁使用寿命。
2、在目前对桥梁健康监测的疲劳研究上主要对车流数据和现场应变监测数据研究分析。前者需要获得车流统计数据，结合有限元模型模拟生成疲劳应力谱；后者需要对原始数据进行检查和异常数据处理，生成疲劳应力谱。得到疲劳应力谱后基于疲劳累积理论和s-n曲线进行疲劳寿命评估。上述方法数据利用方式单一，多数是将应变历程换算成等效应力幅后计算疲劳寿命，或利用这些数据进行疲劳可靠度评估，且监测时长往往较短，因此疲劳评估的结果难以考虑到车辆荷载的随机性和季节性变化。
3、随着计算机与信息技术的发展进步，利用机器学习和深度学习技术对数据中的复杂规律进行预测、分类、聚类、识别任务，其具有强大的非线性拟合能力，在桥梁研究中有了广泛应用。例如，增强梯度回归树集合机学习模型用于葡萄牙abril悬索桥疲劳损伤预测，神经网络模型用于土木垴大桥空气温度和桥梁温度之间的非线性关系，反向传播神经网络、量化共轭梯度网络和径向基函数网络对斜拉桥的拉索开展损伤识别等。
4、损伤度能够直接反应桥梁结构的健康状况，但对于损伤度数据基本都是获取应力应变数据后再进行计算，没有直接通过提前预测损伤度进行健康预警的技术，而且为了提前做好检测方案，需要尽可能在中长期时间段预测损伤，因此有必要针对此进行研究分析。
技术实现思路
1、为了解决现有技术无法提前直接预测得到桥梁损伤度的问题，本技术提供了一种桥梁疲劳损伤度预测方法、系统和计算机设备，本技术基于桥梁健康监测系统采集的大量原始数据，构建基于深度学习lstm网络的桥梁损伤度预测模型，利用该预测模型可以直接预测得到未来的损伤度，为桥梁安全运维提供数据支撑和技术支撑。
2、本技术通过下述技术方案实现：
3、一种桥梁疲劳损伤度预测方法，所述方法包括：
4、采集桥梁的应力应变数据并进行预处理；
5、根据预处理后的所述应力应变数据计算得到损伤度时间序列；
6、根据所述损伤度时间序列构建样本数据集并进行归一化处理；
7、搭建lstm模型，并利用归一化处理后的所述样本数据集对所述lstm模型进行训练、验证和测试，得到桥梁损伤度预测模型；
8、输入当前的桥梁损伤度数据至所述桥梁损伤度预测模型进行预测，并根据预测值进行桥梁健康状态提前预警；
9、在获得预测时刻的桥梁损伤度真实值后，计算预测值与真实值的误差，并判断所述误差是否超过阈值，如果是，则进行模型报警并更新所述损伤度时间序列，以实现模型的更新。
10、在一些实施方式中，所述的采集桥梁的应力应变数据并进行预处理步骤，具体包括：
11、对监测传感器输出数据进行原始采集，按照单位时间生成采集文件，采集表的数据列结构为[采集时间，采集传感器编号]；
12、对采集的数据进行可视化，进行缺失值检查和异常值检查；
13、对于缺失值，采用均值填充方式进行处理；
14、对于异常值，采用emd算法分解重构去除。
15、在一些实施方式中，所述的根据预处理后的所述应力应变数据计算得到损伤度时间序列步骤，具体包括：
16、根据应力应变数据生成疲劳应力谱；
17、对所述疲劳应力谱进行雨流计数；
18、基于palmgren-miner线性疲劳损伤累积理论和规范的s-n曲线计算每个单位时间的损伤度，得到损伤度时间序列，所述损伤度时间序列数据结构为[具体时间，传感器编号]。
19、在一些实施方式中，所述的根据所述损伤度时间序列构建样本数据集并进行归一化处理步骤，具体包括：
20、对所述损伤度时间序列进行时间特征列加强；
21、采用预设滑动窗口滑动提取，且每次提取连续的w个损伤度数据作为输入特征，并以当前滑动窗口后第w+s+p个损伤度数据作为标签的提取方式，对所述损伤度时间序列进行分割构建得到样本数据集；其中，w为滑动窗口大小，s为跳跃长度，p表示预测输出的步长；
22、对所述样本数据集进行归一化处理。
23、在一些实施方式中，所述的根据所述损伤度时间序列构建样本数据集并进行归一化处理步骤，还包括：
24、将归一化处理后的所述样本数据集划分为训练集、验证集和测试集。
25、在一些实施方式中，所述的桥梁损伤度预测模型构建过程，具体包括：
26、搭建双层lstm模型，采用平均绝对百分比误差作为损失函数；
27、采用所述训练集对所述双层lstm模型进行训练，将每完成一次训练的模型在验证集上进行评估，每当验证集上的预测值和真实值的平均绝对百分比误差最小时，保存模型为最优模型，重复本步骤直到完成全部训练次数；
28、采用所述测试集对完成训练的模型进行测试。
29、在一些实施方式中，所述的模型更新步骤具体包括：
30、将最新的损伤度数据样本加入到所述损伤度时间序列中，扩充样本数据集，重新进行模型训练。
31、第二方面，本技术提出了一种桥梁疲劳损伤度预测系统，所述系统包括：
32、数据采集处理模块，所述数据采集处理模块用于采集桥梁的应力应变数据并进行预处理；
33、计算模块，所述计算模块根据预处理后的所述应力应变数据计算得到损伤度时间序列；
34、样本构建模块，所述样本构建模块根据所述损伤度时间序列构建样本数据集并进行归一化处理；
35、模型构建模块，所述模型构建模块搭建lstm模型，并利用归一化处理后的所述样本数据集对所述lstm模型进行训练、验证和测试，得到桥梁损伤度预测模型；
36、预警模块，所述预警模块输入当前的桥梁损伤度数据至所述桥梁损伤度预测模型进行预测，并根据预测值进行桥梁健康状态提前预警；
37、以及，更新模块，所述更新模块在获得预测时刻的桥梁损伤度真实值后，计算预测值与真实值的误差，并判断所述误差是否超过阈值，如果是，则进行模型报警并更新所述损伤度时间序列，以实现模型的更新。
38、在一些实施方式中，所述样本构建模块还包括：
39、特征增强单元，所述特征增强单元对所述损伤度时间序列进行时间特征列增强；
40、特征提取单元，所述特征提取单元采用预设滑动窗口滑动提取，且每次提取连续的w个损伤度数据作为输入特征，并以当前滑动窗口后第w+s+p个损伤度数据作为标签的提取方式，对所述损伤度时间序列进行分割构建得到样本数据集；其中，w为滑动窗口大小，s为跳跃长度，p表示预测输出的步长；
41、归一化单元，所述归一化单元对所述样本数据集进行归一化处理；
42、以及，划分单元，所述划分单元将归一化处理后的所述样本数据集划分为训练集、验证集和测试集。
43、第三方面，本技术还提出了一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
44、本技术提出的一种桥梁疲劳损伤度预测方法、系统和计算机设备，充分利用桥梁健康监测系统采集的大量原始数据，并采用深度学习lstm网络，构建得到桥梁损伤损伤度预测模型，根据该预测模型可直接预测得到未来的桥梁损伤度，为桥梁安全运维提供了数据支撑和技术支撑，同时本技术还通过数据更新实现模型更新，能够保持桥梁疲劳损伤度长度快速预测的精度，不会因为数据分布改变而丧失模型预测可靠性，为桥梁动态疲劳评估提供准确可靠的数据，且具有模型小、易部署、准确度高的优点。
45、本技术提出的一种桥梁疲劳损伤度预测方法、系统和计算机设备，通过扩展时间特征增强训练，在样本数据集构建过程中能够更好地抽取时间序列的规律，提高预测精度；
46、本技术提出的一种桥梁疲劳损伤度预测方法、系统和计算机设备，采用滑动窗口以及跳跃预测的方式提取特征，构建样本数据集，可以通过设置滑动窗口大小以及跳跃步数等参数对不同预后时长和预测步数进行灵活有效地控制，可以预测未来较长时间的疲劳损伤度，提高模型的灵活度。
1.一种桥梁疲劳损伤度预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种桥梁疲劳损伤度预测方法，其特征在于，所述的采集桥梁的应力应变数据并进行预处理步骤，具体包括：
3.根据权利要求1所述的一种桥梁疲劳损伤度预测方法，其特征在于，所述的根据预处理后的所述应力应变数据计算得到损伤度时间序列步骤，具体包括：
4.根据权利要求1-3任一项所述的一种桥梁疲劳损伤度预测方法，其特征在于，所述的根据所述损伤度时间序列构建样本数据集并进行归一化处理步骤，具体包括：
5.根据权利要求4所述的一种桥梁疲劳损伤度预测方法，其特征在于，所述的根据所述损伤度时间序列构建样本数据集并进行归一化处理步骤，还包括：
6.根据权利要求5所述的一种桥梁疲劳损伤度预测方法，其特征在于，所述的桥梁损伤度预测模型构建过程，具体包括：
7.根据权利要求1所述的一种桥梁疲劳损伤度预测方法，其特征在于，所述的模型更新步骤具体包括：
8.一种桥梁疲劳损伤度预测系统，其特征在于，所述系统包括：
9.根据权利要求8所述的一种桥梁疲劳损伤度预测系统，其特征在于，所述样本构建模块还包括：
10.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述方法的步骤。
