一种用于基于车载振动响应的基础设施健康监测的双向长短期记忆方法

日益增长的基础设施监测数据量使得利用直接测量来估计基础设施健康状况的强大数据驱动方法得以发展。本文提出了一种深度学习方法，利用车载振动响应信号来估计基础设施物理参数，例如铁路轨道刚度。所提出的方法采用长短期记忆(LSTM)特征提取器来考虑特征提取阶段的时间依赖性，并使用双向长短期记忆(BiLSTM)网络在状态估计阶段利用车载振动响应前向和后向路径中的双向时间依赖性。此外，采用分帧方法，通过将振动信号分割成等于单个梁之间距离的帧，并将帧中心对准梁节点，从而将监测任务的分辨率提高到梁级别。所提出的LSTM-BiLSTM模型为使用直接车载振动响应测量进行各种桥梁和铁路基础设施状态监测提供了一种通用工具。结果证明了在特征提取阶段纳入时间分析的潜力，并强调了双向时间信息在基础设施健康状态估计中的关键作用。所提出的方法能够利用车载测量，在存在噪声的情况下准确、自动地估计铁路轨道刚度并识别局部刚度降低。一个车辆-轨道相互作用仿真的说明性案例研究用于展示所提出模型的性能，在估计轨垫和道床刚度时分别实现了最大平均绝对百分比误差为1.7%和0.7%。