一种利用深度学习与多模态数据融合的轨道专用桥梁健康评估方法

本发明公开了一种基于深度学习与多模态数据融合的轨道桥梁健康评估方法.针对现有方法中多源数据协同不足、时空特征耦合能力弱的技术缺陷，通过构建CNN‑LSTM‑DNN模型实现多模态数据的时空深度解析。技术方案包括：1）部署加速度、应变、温度传感器集群，经时间同步、低通滤波及归一化处理生成时空对齐的异构数据集；2）采用CNN提取传感器网络的空间拓扑特征，捕获结构局部形变与荷载分布模式；3）通过LSTM解析桥梁振动、温变等参数的时序演化规律，建立动态荷载‑环境扰动‑结构响应的长期依赖关系；4）设计加权注意力机制融合时空特征向量，生成包含多物理场耦合信息的综合特征；5）基于DNN构建非线性映射模型，输出综合健康指数（CHI）并划分损伤等级。