一种新颖的多域字典学习方法,用于移动负载识别,该方法结合了自适应正则化路径和对数惩罚函数
《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》:A novel multi-domain dictionary learning for moving load identification using adaptive regularization path and logarithmic penalty function
【字体:
大
中
小
】
时间:2026年01月01日
来源:MECHANICAL SYSTEMS AND SIGNAL PROCESSING 8.9
编辑推荐:
多域字典学习模型通过分解车辆荷载信号为静频、宽带和窄带成分,构建对应频域和时间域字典,结合双稀疏编码和自适应稀疏选择策略,显著提升桥梁移动荷载识别精度和鲁棒性,尤其在复杂路面条件下表现优异。
侯志龙|潘楚东|郝宏|余玲
中国广东省地震工程与应用技术重点实验室,广州大学地震工程研究与试验中心,广州
摘要
与传统固定字典方法相比,字典学习方法在模拟复杂车辆荷载方面具有更强的能力。然而,它们的性能仍受到固有局限性的制约,包括稀疏度的经验性选择、领域间异质性不足以及泛化能力有限。为了解决这些问题,本文提出了一种由车辆引起的桥梁响应驱动的多域字典学习模型,旨在提高移动荷载识别(MLI)的准确性和鲁棒性。具体而言,首先根据车辆荷载的频谱分布特性将其分解为零频、窄带和宽带分量。对于每个分量,构建相应的频率域和时域字典以匹配其物理属性。随后引入双稀疏编码技术来联合优化频域字典原子及其稀疏系数。为了减轻传统正则化策略对参数选择的敏感性,引入了一个无参数的对数惩罚函数来更新时域字典。此外,提出了一种基于正则化路径中特征贡献的稀疏度选择策略,以自适应地调整稀疏度水平。最后,通过一系列车辆-桥梁耦合模拟和模型实验验证了所提方法的有效性。结果表明,在道路表面粗糙度较高的情况下,所提出的MLI框架在捕捉车辆荷载的固有结构特性方面优于固定字典和单域字典学习方法。此外,比较研究进一步表明,自适应稀疏度有效平衡了不同模型中的识别准确性和效率,为桥梁结构健康监测提供了一种创新且高效的MLI工具。
引言
车辆引起的移动荷载是高速公路桥梁上主要的活荷载类型之一,重型车辆荷载被认为是导致桥梁损坏和潜在结构危害的主要因素[1]、[2]、[3]。因此,有效识别和监测超载车辆对于确保桥梁的安全运行和维护具有重要意义。
目前,移动荷载识别(MLI)技术通常被分为直接方法和间接方法[4]、[5]。直接方法通常依赖于车载数据采集、车辆动态建模或动态称重系统。然而,这些方法分别面临成本高、建模误差以及对道路条件敏感等挑战[6]。相比之下,间接方法通过逆向算法从桥梁结构的动态响应中识别车辆荷载,这种方法具有更大的灵活性和成本效益,并已成为当前研究和实际应用的焦点。
基于桥梁结构响应的间接MLI本质上是结构动力学中的一个病态逆问题。这类问题往往不稳定且对测量噪声非常敏感[7]。为了解决这些挑战,研究人员通常将MLI任务重新表述为一个凸优化问题[8],采用的策略包括基函数分解[9]、[10]、[11]、截断奇异值分解(TSVD)[12]、[13]、[14]、静态分量更新方法[15]、[16]以及各种正则化技术[17]、[18]、[19]、[20]。其中,稀疏正则化因其抗噪声性、解的稳定性和模型的泛化能力而受到关注。Zhou等人[21]使用离散余弦字典表示移动荷载,并实现了单轴和双轴荷载的准确识别。Xu等人[22]利用Haar小波构建了基于小波的字典,显著提高了MLI任务的表示准确性。Pan等人[23]使用三角函数和矩形级数扩展了车辆荷载,并引入了加权L1正则化方法来求解基系数。与传统的Tikhonov正则化方法相比,这种方法有效地分离了静态和动态荷载分量,并提高了准确度。
然而,大多数稀疏正则化方法依赖于从预定义基函数构建的固定字典[24]、[25]。尽管这样的字典在相对简单的荷载场景下可以提供满意的拟合性能,但在车辆荷载信号表现出明显非线性和变异性的复杂实际应用中往往不足[26]。传统的固定字典难以充分捕捉这些信号的稀疏结构和动态特性[27]。因此,开发能够适应特定车辆荷载特性的自适应字典学习技术具有重要意义。
字典学习(DL)是一种高效的信号表示和分析技术,广泛应用于信号重建[28]、[29]、损伤检测[30]、[31]和数据去噪[32]、[33]等领域。Xing等人[34]构建了离散余弦字典并使用字典学习进行了信号重建。Sousa等人[35]使用K-SVD技术在字典上成功重建了接近无损的信号,仅需要保留少量系数。Chen等人[36]提出了一种基于稀疏字典学习理论的自适应脉冲提取方法。Meng等人[37]引入了一种从信号中学习过完备字典的新方法,通过施加全局稀疏度约束。在MLI领域,Zhang等人[27]在字典学习框架内开发了一个双稀疏字典模型来表征移动荷载特征。通过双稀疏编码交替优化字典和系数,该模型实现了对车辆引起的荷载的有效表示。He等人[38]研究了基于双稀疏字典学习理论的参数设置对荷载识别准确性的影响。此外,Wang等人[39]提出了一种改进的稀疏自适应匹配追踪算法,用原子选择机制和可变步长策略替换了传统的正交匹配追踪(OMP)方法。这一进步部分减轻了DL过程中对稀疏度水平先验知识的依赖。
这些DL方法本质上在频域中表示车辆荷载,其中频域字典被构建为核心字典和稀疏字典的乘积。由于在学习过程中只有稀疏字典被迭代更新,这种方法通常被称为单域字典学习(DL-SD)。尽管这种策略提高了模型识别复杂车辆荷载的能力,但稀疏度约束往往限制了其捕捉高阶和非线性荷载特征的能力,且稀疏度参数的经验性选择缺乏自适应机制。
鉴于DL-SD方法在处理复杂车辆荷载和选择适当稀疏度水平方面的固有局限性,本文提出了一种用于高精度识别复杂荷载的新多域字典学习(DL-MD)模型。具体而言,本研究的主要贡献体现在三个方面。首先,通过整合车辆荷载的频域和时域特征表示建立了DL-MD框架。其次,提出了一种基于正则化路径中特征贡献的自适应稀疏度选择策略。第三,在时域字典更新过程中引入了对数函数作为正则化项,从而在不预先定义参数的情况下增强了非线性和局部荷载特征的捕捉能力。
本文的后续部分组织如下。第2节介绍了车辆-桥梁相互作用系统的基本理论和时域MLI的逆分析。第3节提出了使用自适应正则化路径和对数惩罚函数的DL-MD框架。第4节通过数值模拟和模型实验评估了所提方法的识别性能和适用性。第5节进行了实验验证。最后,第6节得出了若干结论。
节选内容
车辆-桥梁耦合模型
车辆-桥梁相互作用(VBI)系统建立在耦合车辆-桥梁动力学的理论框架内,广泛应用于桥梁结构响应分析和车辆荷载识别,如图1所示。在该模型中,桥梁被理想化为一个跨度为L的欧拉-伯努利梁,关键参数包括单位长度质量ρ、弯曲刚度EI和粘性阻尼系数C。车辆被建模为四自由度
多域字典学习模型
在线性车辆-桥梁系统中,通常做出以下假设:(1)移动荷载的不同频率分量可以线性叠加以生成结构响应;(2)测量噪声是白色的且与真实荷载分量无关;(3)移动荷载可以在频域中分为零频、宽带和窄带分量。因此,车辆荷载可以分解为三个主要分量:
参数设置
为了评估所提出的DL-MD模型在识别具有高复杂性和不确定性的移动车辆荷载方面的有效性和鲁棒性,构建了一个如图1所示的车辆-桥梁耦合模型来生成模拟荷载数据。此外,使用了根据国际标准ISO 8608[46]分类的从A类到E类的五种道路表面粗糙度(RSR)作为激励输入。
关键结构特性和动态
实验模型设计
在实验室条件下使用桁架桥模型进行了一系列MLI实验,如图13所示。为了简化MLI问题的复杂性,在桥面上安装了导向槽以限制车辆的路径,并使用直流电机驱动系统确保沿桥梁中心线的速度均匀。此外,在桁架桥的一侧均匀安装了七个光电传感器,传感器之间的间距为0.5米。
结论
为了克服传统固定字典和单域字典学习方法难以有效捕捉由道路表面不规则性引起的复杂和未知移动车辆荷载特性的挑战,本研究开发了一个统一的移动荷载识别框架,该框架能够在联合学习多域特征的同时自适应地调整稀疏度。车辆引起的信号的光谱特性被分解为三个不同的
CRediT作者贡献声明
侯志龙:撰写——原始草案、验证、软件、方法论、调查、数据管理、概念化。潘楚东:验证、方法论、调查。郝宏:撰写——审阅与编辑、验证、监督、调查、资金获取。余玲:撰写——审阅与编辑、验证、监督、调查、资金获取。
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。
致谢
本工作得到了广州市创新与创业团队项目(编号2024D03J0021)和中国国家自然科学基金(编号52178290、W2541016、52538011)的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号