[0028] 结合附图1‑6，对本发明技术方案作进一步描述：
[0029] 1、系统总体功能的设计
[0030] 本发明涉及一种桥梁沉降智能检测系统，实现对桥梁沉降参数进行检测和根据桥梁沉降参数对影响桥梁塌陷危险程度进行预测和预警，该系统由基于无线传感器网络的桥梁沉降参数检测平台和桥梁沉降量预警系统二部分组成。基于无线传感器网络的桥梁沉降参数检测平台包括检测桥梁沉降参数的检测节点1和调节桥梁沉降参数的控制节点2以及现场监控端3组成，它们分别采用NRF2401结合MSP430系列微处理器实现检测节点1、控制节点2和现场监控端3之间的无线通信；检测节点1和控制节点2安装在被监测桥梁相关区域内以自组织的形式构成参数采集和测控网络，它们和现场监控端3进行信息交互。检测节点1将检测的桥梁沉降参数发送给现场监控端3并对传感器数据进行初步处理；现场监控端3把控制信息传输到检测节点1和控制节点2。整个系统结构见图1所示。
[0031] 2、检测节点的设计
[0032] 采用大量基于无线传感器网络的检测节点1作为桥梁沉降参数感知终端，检测节点1和控制节点2通过自组织无线网络实现现场监控端3之间的信息相互交互。检测节点1包括采集桥梁沉降参数的沉降、挠度、平移和倾侧角等参数的传感器和对应的信号调理电路、MSP430微处理器和NRF2401无线传输模块；检测节点的软件主要实现无线通信和桥梁沉降参数的采集与预处理。软件采用C语言程序设计，兼容程度高，大大提高了软件设计开发的工作效率，增强了程序代码的可靠性、可读性和可移植性。检测节点结构见图3。
[0033] 3、控制节点的设计
[0034] 控制节点2在输出通路设计了输出影响桥梁参数的沉降、挠度、平移值的3路D/A转换电路、继电器控制电路、MSP430微处理器和无线通信模块接口，实现对桥梁沉降控制设备进行控制，控制节点见图4。
[0035] 4、现场监控端的软件设计
[0036] 现场监控端3是一台工业控制计算机，现场监控端3主要实现对桥梁沉降参数进行采集与沉降进行智能预测，实现与检测节点1和控制节点2的信息交互，现场监控端3主要功能为通信参数设置、数据分析与数据管理和通过桥梁沉降量预警系统对桥梁沉降进行智能预测，该管理软件选择了Microsoft Visual++6.0作为开发工具，调用系统的Mscomm通信控件来设计通讯程序，现场监控端软件功能见图5。桥梁沉降量预警系统由桥梁沉降区间数神经网络模型、桥梁沉降预测模型和区间数桥梁沉降等级分类器组成，它们的结构功能特征如下：
[0037] (1)、桥梁沉降区间数神经网络模型设计
[0038] 桥梁沉降区间数神经网络模型由多个桥梁沉降传感器、多个RR时间递归神经网络与区间数脊波神经网络模型和2个按拍延迟线TDL(Tapped Delay Line)组成，桥梁沉降区间数神经网络模型是基于多个桥梁沉降传感器感知被检测桥梁沉降量大小的动态性和模糊性，把一段时间桥梁沉降传感器感知被测量桥梁沉降量转换为桥梁沉降的动态区间数值，每个桥梁沉降传感器的输出为对应的每个RR时间递归神经网络的输入，每个RR时间递归神经网络模型的输出为区间数脊波神经网络模型的输入，2个按拍延迟线TDL的输出为区间数脊波神经网络模型的输入，区间数脊波神经网络模型的输出为u1(k)和u2(k)，u1(k)和u2(k)分别作为对应的2个按拍延迟线TDL的输入，u1(k)和u2(k)分别代表桥梁沉降区间数神经网络模型输出的上限值和下限值，构成桥梁沉降传感器在一段时间内被检测桥梁沉降量的输出区间数值为[u2,u1]，桥梁沉降区间数神经网络模型辨识结构如图6所示，X(l)，…，X(n)为多个传感器对应的RR时间递归神经网络的输出，U1(k‑1)，…，U1(k–d)为桥梁沉降区间数神经网络模型输出值的上限值的历史数据，U2(k‑1)，…，U2(k–d)为桥梁沉降区间数神经网络模型输出值的下限值的历史数据，u1(k)和u2(k)为区间数脊波神经网络模型的输出值代表桥梁沉降区间数神经网络模型的输出，d分别表示U的滞后点。桥梁沉降区间数神经网络模型可以描述为：
[0039] U(k)＝[u2(k),u1(k)]＝F[X(1),X(2),…,X(n)；u1(k),…,u1(k‑d)；u2(k),…,u2(k‑d)] (1)
[0040] RNN时间递归神经网络可以处理桥梁沉降量大小的顺序信息，RNN时间递归神经网络使用桥梁沉降量大小的前一状态的输出作为预测后一沉降量大小输入的一部分，具备一般意义上的“记忆”桥梁沉降量大小的功能。RNN时间递归神经网络可以保留前一序列桥梁沉降量作为输出，下一序列的桥梁沉降量输入和保留的前一序列沉降量输出共同计算得到下一序列的桥梁沉降量输出。设U是连接输入层和隐藏层的权重，W是连接上一时刻隐藏层与当前时刻隐藏层的权重，V是连接隐藏层和输出层的权重，bh是隐藏层的偏差，σ是隐藏层的激活函数，by是输出层的偏差，θ是输出层的激活函数，end是输入数据时间序列的长度。xt是t时刻的输入，st表示网络的记忆单元t时刻的状态，st通过前一步的状态st‑1以及当前时刻的输入xt共同计算得到：
[0041] st＝f(Uxt+Wst‑1) (2)
[0042] 激励函数f是RNN神经网络中非线性函数tanh，通常第一个隐藏状态st‑1的值会用0进行初始化，但实际使用极小值进行初始化会使梯度下降的更快。ot是t时刻的输出,通常是由归一化指数函数计算出的概率向量：
[0043] ot＝softmax(Vst) (3)
[0044] 区间数脊波神经网络模型具有m×p×2三层结构，m表示区间数脊波神经网络模型输入层节点个数，p表示区间数脊波神经网络模型隐含层节点个数，2表示输出层节点个数构成输出区间数，将数脊波函数作为隐含层激励函数的神经网络为脊波神经网络，X＝[x1,x2,…,xm]表示区间数脊波神经网络模型的输入量，y表示区间数脊波神经网络模型的输出量，U＝[u1,u2,…up]表示脊波神经网络的方向矩阵，其中Ui＝[ui1,ui2,…uim]表示第i个隐含层神经元对应的脊波方向向量，a＝[a1,a2,…ap]表示区间数脊波神经网络模型的脊波尺度向量，b＝[b1,b2,…bp]表示区间数脊波神经网络模型的脊波位置向量，w＝[w1,w2,…wp]表示隐含层和输出层之间的连接权值向量，区间数脊波神经网络模型输出表示为：
[0045]
[0046] 其中，i为2代表输出为区间数的两个节点构成区间数脊波神经网络模型输出区间数； 为第j个隐含层神经元的输出，其表达式为：
[0047]
[0048] 一段时间多个RNN时间递归神经网络的输出作为区间数脊波神经网络模型的输入，区间数脊波神经网络模型的输出为桥梁沉降传感器测量桥梁沉降量大小的区间数；它们构成桥梁沉降传感器在一段时间内被检测桥梁沉降量的输出区间数值为[u2,u1]。
[0049] (2)、桥梁沉降预测模型设计
[0050] 桥梁沉降预测模型包括2个经验模态分解模型、2组多个Jordan神经网络预测模型和2个Adaline神经网络融合模型，桥梁沉降预测模型的设计过程如下所示：
[0051] A、经验模态分解模型设计
[0052] 被检测桥梁的桥梁沉降区间数神经网络模型输出区间数的上限值和下限值分别作为2个对应的经验模态分解模型的输入，2个经验模态分解模型分别把桥梁沉降区间数神经网络模型输出区间数的上限值和下限值分解为2组低频趋势部分和多个高频波动部分信号。经验模态分解(EMD)是一种自适应桥梁沉降趋势信号筛选方法，具有计算简单、直观、基于经验和自适应的特点，它能将存在于桥梁沉降信号中不同特征的趋势逐级筛选出来，得到桥梁沉降信号的多个高频波动部分(IMF)和低频趋势部分。EMD分解出来的IMF桥梁沉降分量信号包含了从高到低不同频率段的成分信号，每个桥梁沉降信号频率段包含的频率分辨率都随桥梁沉降信号本身变化，具有自适应多分辨分析特性。使用EMD分解的目的就是为了更准确地提取桥梁沉降信号的检测参数信息。IMF分量必须同时满足两个条件：①在待分解桥梁沉降信号中，信号极值点的数目与过零点的数目相等，或最多相差一个；②在任一时间上，由桥梁沉降的局部极大值和局部极小值定义的包络均值为零。经验模态分解方法针对被检测桥梁的桥梁沉降区间数神经网络模型输出区间数的上限值信号的“筛分”过程步骤如下：(a)确定被检测桥梁的桥梁沉降区间数神经网络模型输出区间数的上限值信号所有的局部极值点，然后分别用三次样条线将上限值信号左右的局部极大值点连接起来形成上包络线。(b)再用三次样条线将被检测桥梁的桥梁沉降区间数神经网络模型输出区间数的上限值信号的局部极小值点连接起来形成下包络线，上与下包络线应该包络所有的数据点。(c)被检测桥梁的桥梁沉降区间数神经网络模型输出区间数的上限值信号的上与下包络线的平均值记为m1(t)，求出：
[0053] x(t)‑m1(t)＝h1(t) (6)
[0054] x(t)为区间数输出值的上限值原始信号，如果h1(t)是一个IMF，那么h1(t)就是x(t)的第一个IMF分量。记c1(t)＝h1k(t)，则c1(t)为信号x(t)的第一个满足IMF条件的分量。(d)将c1(t)从x(t)中分离出来，得到：
[0055] r1(t)＝x(t)‑c1(t) (7)
[0056] 将r1(t)作为原始数据重复步骤(1)‑步骤(3)，得到x(t)的第2个满足IMF条件的分量c2。重复循环n次，得到信号x(t)的n个满足IMF条件的分量。这样经验模态分解模型就把被检测桥梁的桥梁沉降区间数神经网络模型输出区间数的上限值分解成低频趋势部分和多个高频波动部分。被检测桥梁的桥梁沉降区间数神经网络模型输出区间数的下限值信号的低频趋势部分和多个高频波动部分的分解方法与上限值信号的经验模态分解过程类似。
[0057] B、2组多个Jordan神经网络预测模型设计
[0058] 2组低频趋势部分和多个高频波动部分信号分别作为对应的2组Jordan神经网络预测模型的输入，每组各个Jordan神经网络预测模型的输出分别作为对应的Adaline神经网络融合模型的输入。本发明专利所采用的Jordan神经网络预测模型除了输入层、隐含层、输出层外，还有一个用来记忆系统前一时刻输出值的特殊单元层，可以认为是时延算子，并将隐含层状态反馈；Jordan神经网络预测模型具有输出反馈环节可以反映神经网络的输出特性，通过将隐含层的状态反馈，使其能够反映状态特性，这样使得Jordan神经网络预测模型具有更丰富的性质，适用范围更广泛，更适于桥梁沉降量的动态预测，相对于前向网络具有明显的优势。设Jordan神经网络网络预测模型输入层有n个节点，隐含层有m个节点，输出层有1个节点，目标层和隐含层的输出为：
[0059]
[0060] ot＝f(xi(k)‑θi) (9)
[0061] 其中f是sigmoid函数，θi是阈值，其中：
[0062]
[0063] xc(k)＝αxc(k‑1)+y(k‑1) (11)
[0064] 其中α大于等于0和小于等于1。
[0065] C、Adaline神经网络融合模型设计
[0066] 每组各个Jordan神经网络预测模型的输出分别作为对应的Adaline神经网络融合模型的输入，2个Adaline神经网络融合模型的输出构成桥梁被检测点沉降的预测区间数值；2组多个Jordan神经网络预测模型的输出分别作为对应的2个Adaline神经网络融合模型的输入，2个Adaline神经网络融合模型的输出分别为桥梁沉降区间数神经网络模型输出区间数的上限值和下限值的预测值。Adaline神经网络融合模型的自适应线性单元(Adaptive Linear Element)是早期的神经网络模型之一，该模型的输入信号可写成向量T的形式:X(K)＝[x0(K),x1(K),…xn(K)] ，每一组输入信号对应有一组权值向量相对应表示为:W(K)＝[k0(K),k1(K),…k(K)]，x0(K)等于负1时是Adaline神经网络融合模型的偏置值决定神经元的兴奋或抑制状态，可根据Adaline神经网络融合模型的输入向量和权值向量定义网络输出为：
[0067]
[0068] 在Adaline神经网络融合模型中，有一特殊输入即理想响应输出d(K)，把它送入Adaline神经网络融合模型中，然后通过网络的输出y(K)进行比较，将差值送到学习算法机*制中，以调整权向量k(K)直到获得最佳权向量k ，y(K)与d(K)趋向一致，权向量的调整过程即为网络的学习过程，学习算法是学习过程的核心部分。Adaline神经网络融合模型的权值优化搜索算法采用LMS算法最小二乘法。
[0069] D、EMD‑Jordan神经网络预测模型‑Adaline神经网络融合模型的步骤[0070] (a)将被检测被检测桥梁的桥梁沉降区间数神经网络模型输出区间数的上限值和下限值的原始信号利用EMD分解为低频趋势部分和多个高频波动部分；
[0071] (b)确定被检测桥梁的桥梁沉降区间数神经网络模型输出区间数的上限值和下限值的低频趋势部分和多个高频波动部分的滞后阶数，进而确定每组各个Jordan神经网络预测模型的输入和输出变量；
[0072] (c)对2组各低频趋势部分和多个高频波动部分分别建立Jordan神经网络预测子模型；
[0073] (d)将2组各Jordan神经网络预测子模型的预测结果进行分别作为各自对应的Adaline神经网络融合模型的输入，2个Adaline神经网络融合模型的2个输出分别为被检测桥梁的桥梁沉降区间数神经网络模型输出区间数的上限值和下限值的预测值。
[0074] (3)区间数桥梁沉降等级分类器设计
[0075] 区间数桥梁沉降等级分类器由6个按拍延迟线TDL、区间数GRNN神经网络、区间数T‑S模糊神经网络、区间数DRNN神经网络和区间数LVQ神经网络组成，6个按拍延迟线TDL平均分为3组，桥梁沉降预测模型输出桥梁沉降区间数预测值的上下限值分别为对应的每组2个按拍延迟线TDL的输入，3组按拍延迟线TDL的输出分别为区间数GRNN神经网络、区间数T‑S模糊神经网络和区间数DRNN神经网络的输入，区间数GRNN神经网络、区间数T‑S模糊神经网络和区间数DRNN神经网络的输出为区间数LVQ神经网络的输入，区间数LVQ神经网络的输出代表被检测桥梁沉降等级的区间数；根据桥梁沉降坍塌的工程实践、《公路桥梁技术状况评定标准》(JTG/TH21‑2011)和《工程测量规范》(GB50026‑2007)，区间数桥梁沉降等级分类器构建5个区间数与桥梁沉降坍塌发生的5种沉降等级的对应关系表1，桥梁5种沉降等级分别为正常状态、沉降较少、沉降较大、沉降大和沉降危险；计算区间数桥梁沉降等级分类器的输出区间数与代表桥梁5种沉降等级对应区间数的相似度，其中相似度最大的区间数对应的桥梁沉降等级确定为该桥梁沉降等级。
[0076] 表1桥梁沉降等级与区间数数对应关系表
[0077] 序号 沉降等级 区间数1 正常状态 [0.00，0.20]
2 沉降较少 [0.20，0.40]
3 沉降较大 [0.40，0.60]
4 沉降大 [0.60，0.80]
5 沉降危险 [0.80，1.0]
[0078] 区间数GRNN神经网络是一种局部逼近网络GRNN(Generalized Regression Neural Network)是建立在数理统计的基础上，具有明确的理论依据，学习样本确定后网络结构和连接值也随之确定，在训练过程中只需要确定平滑参数一个变量。区间数GRNN神经网络的学习全部依赖数据样本，在逼近能力和学习速度上较BRF网络有更强的优势，具有很强的非线性映射和柔性网络结构以及高度的容错性和鲁棒性，特别适用于函数的快速逼近和处理不稳定的数据。区间数GRNN神经网络的人为调节参数很少，网络的学习全部依赖数据样本，这一特性使得网络可以最大限度地减少人为主观假定对预测结果的影响。区间数GRNN神经网络具有小样本下强大的预测能力，还具有训练快速、鲁棒性强等特征，基本不受输入数据多重共线性的困扰。本专利构建的区间数GRNN神经网络由输入层、模式层、求和层T和输出层构成，GRNN网络输入向量X为n维向量，网络输出向量Y为k维向量X＝{x1,x2,…,xn}T
和Y＝{y1,y2,…,yk}。模式层神经元数目等于训练样本的数目m，各个神经元与训练样本一一对应，模式层神经元传递函数pi为：
[0079] pi＝exp{‑[(x‑xi)T(x‑xi)]/2σ},(i＝1,2,…,m) (13)
[0080] 上式中的神经元输出进入求和层进行求和，求和层函数分为两类，分别为:
[0081]
[0082]
[0083] 其中，yij为第i个训练样本输出向量中的第j个元素值。根据前述区间数GRNN神经网络算法，则网络输出向量Y的第j个元素的估计值为:
[0084] yj＝sNj/sD,(j＝1,2,…k) (16)
[0085] 上述公式中j为2构成区间数GRNN神经网络输出的区间数，区间数GRNN神经网络建立在数理统计基础之上，区间数GRNN神经网络的输出结果能够收敛于最优回归面。区间数GRNN神经网络具有较强的预测能力，学习速度快，主要用于解决函数逼近问题而且在结构方面也具有高度并行性。
[0086] 区间DRNN神经网络是一种具有反馈的动态回归神经网络和适应时变特性的能力，该网络能够更直接生动地反映桥梁沉降动态变化性能，区间数DRNN神经网络由输入、隐含层和输出的12‑26‑2构成3层网络结构，其隐含层为回归层。在本发明区间数DRNN神经网络中，设I＝[I1(t),I2(t),…,In(t)]为网络输入向量，其中Ii(t)为区间数DRNN神经网络输入层第i个神经元t时刻的输入，回归层第j个神经元的输出为Xj(t)，Sj(t)为第j个回归神经元输入总和，f(·)为S的函数，则O(t)为区间数DRNN神经网络的输出。则区间数DRNN神经网络输出层的输出为：
[0087]
[0088] 其中m为2代表输出为两个节点构成区间数DRNN神经网络输出的区间数。
[0089] 区间数T‑S模糊神经网络Takagi‑Sugeno(T‑S)的模糊逻辑系统是复杂非线性系统模糊建模中一种经典的模糊动态模型，它是基于T‑S模糊逻辑系统和神经网络的融合，得到了一种结构简单的区间数T‑S模糊神经网络。区间数T‑S模糊神经网络为普通的模糊神经网络共有4层，分别为输入层、模糊化层、规则计算层和输出层，第一层为输入层，每个节点均与输入向量xi相连。第二层为模糊化层，本专利采用高斯函数作为区间数T‑S模糊神经网络的隶属度函数，所采用的隶属度函数为：
[0090]
[0091] 第三层为规则计算层，每个节点代表一条模糊规则，采用隶属度的连乘作为模糊规则，通过
[0092] 下面公式求得
[0093] 第四层为输出层，通过下面公式求得到区间数T‑S模糊神经网络的输出：
[0094]
[0095] 其中i为2代表输出节点为2个构成为区间数T‑S模糊神经网络输出的区间数。
[0096] 区间数LVQ神经网络输出的区间数为代表桥梁沉降等级的区间数，输入为区间数GRNN神经网络、区间数T‑S模糊神经网络和区间数DRNN神经网络的输出区间数。区间数LVQ神经网络是一种前向有监督的神经网络类型，无需将输入向量正交化、归一化，只需直接计算输入向量与竞争层之间的距离，并可以求得全局最优，是一种简单易行的模式识别方法。竞争层的每个神经元通过学习原型向量,并对输入空间进行分类。将竞争层学习得到的类称为子类,将输出层学习得到的类称为目标类。区间数LVQ神经网络由输入层、竞争层和输出层神经元组成。输入层有n个神经元接受输入向量，与竞争层之间完全连接；竞争层有m个神经元，分别为若干组；输出层每个神经元只与竞争层中的一组神经元连接，连接权值固定为1。在区间数LVQ神经网络训练过程中，输入层和竞争层之间的连接权值被逐渐调整为聚类中心，区间数LVQ神经网络学习算法实现过程如下：
[0097] ①数初始化。竞争层各神经元权值wij(0)，i＝1,2,…,n；j＝1,2,…,m赋予[0,1]间的随机小数。设定初始化学习速率η(0)和最大训练次数tm。②输入样本向量X，通过欧氏距离最小标准寻找获胜神经元c，寻找获胜神经元c，从而实现了神经元的竞争过程。③根据输出结果正确与否来调整神经元的权值,输入方向调整权值：Wc(t+1)＝Wc(t)+η(t)[X‑Wc(t)]；否则向逆输入方向调整权值：Wc(t+1)＝Wc(t)‑η(t)[X‑Wc(t)]。④更新学习速率，η(t)＝η(0)(1‑t/tm)。⑤t＝t+1，判断是否达到最大训练次数，如果没有，转入步骤②输入下一个样本，重复各步骤直到t＝tm。
[0098] 5、基于无线传感器网络的桥梁沉降参数检测平台的设计举例
[0099] 根据影响桥梁沉降参数的分布状况，系统设计了检测节点1和控制节点2和现场监控端3的平面布置安装图，其中检测节点1均衡布置在被检测桥梁相关区域实现对桥梁沉降参数的检测，通过该系统实现对桥梁沉降参数的采集与桥梁沉降的智能化预测。
[0100] 本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
