1.一种桥梁健康状态监测方法，其特征在于，所述桥梁健康状态监测方法包括：获取设定时段内桥梁的多源异构数据集；所述多源异构数据集中包括多个数据源数据，每个数据源数据中包括对应数据源在设定时段内各时刻采集的桥梁数据；每个数据源采集的桥梁数据的类型不同；对所述多源异构数据集进行异常值剔除，得到标准数据集；根据标准数据集建立二维数据矩阵；确定任意两个数据源数据之间的关联因子，并将关联因子纳入对应的数据源数据的二维数据矩阵，形成多维数据矩阵；多维数据矩阵的表达式为： M ( D a , t a , α a , B ( a , p ), r ( a , b ))；其中， D a 为第 a 个数据源数据， t a 为第 a 个数据源数据的采集时刻， α a 为第 a 个数据源数据的权重系数， B ( a , p )为第 a 个数据源数据中第 p 个桥梁数据的数据距离， r ( a , b )为第 a 个数据源数据与第 b 个数据源数据的关联因子；基于模拟工况数据集及所述标准数据集建立数字孪生系统；所述模拟工况数据集中包括多个模拟数据，每个模拟数据中包括设定时段内各时刻模拟得到的桥梁数据；各模拟数据中桥梁数据的类型与各数据源采集的桥梁数据的类型对应；基于所述数字孪生系统对未来设定时段内各时刻的桥梁数据进行预测，得到预测数据集；所述预测数据集中包括多个预测数据，每个预测数据包括未来设定时段内各时刻的桥梁数据；各预测数据中桥梁数据的类型与各数据源采集的桥梁数据的类型对应；根据所述预测数据集建立各预测数据的多维数据矩阵，具体包括：针对所述预测数据集中的任一预测数据，计算所述预测数据与各参考预测数据的关联因子；根据所述预测数据、所述预测数据的权重及所述预测数据与各参考预测数据的关联因子，建立所述预测数据的多维数据矩阵；关联因子的取值范围为[-1,1]的闭区间；多维数据矩阵中包括对应的预测数据、预测数据的权重及预测数据与各参考预测数据的关联因子，所述参考预测数据为所述预测数据集中除所述预测数据以外的任一预测数据；根据各预测数据的多维数据矩阵及各预测数据的权重，确定未来设定时段内桥梁的健康状态值。
2.根据权利要求1所述的桥梁健康状态监测方法，其特征在于，所述获取设定时段内桥梁的多源异构数据集，具体包括：通过设置在桥梁上不同位置处不同类型的传感器采集设定时段内的桥梁状态模拟信号；针对任一传感器，将所述传感器采集的桥梁状态模拟信号转换为数字信号，得到桥梁状态数字信号，并对所述桥梁状态数字信号的格式进行标准化处理，得到桥梁状态标准数据；将各桥梁状态标准数据的时间颗粒度统一，得到对应的多个数据源数据。
3.根据权利要求1所述的桥梁健康状态监测方法，其特征在于，对所述多源异构数据集进行异常值剔除，具体包括：针对任一数据源数据中的任一桥梁数据，判断所述桥梁数据是否大于对应的数据源的超量程数值，若是，则将所述桥梁数据剔除；根据各目标桥梁数据，以时间轴为横坐标，以目标桥梁数据为纵坐标，在笛卡尔坐标系下建立对应所述桥梁数据的数据曲线；所述目标桥梁数据为所述数据源数据中除所述桥梁数据以外的桥梁数据；根据所述桥梁数据在笛卡尔坐标系中的坐标，计算所述桥梁数据与对应所述桥梁数据的数据曲线之间的距离；判断所述桥梁数据与对应所述桥梁数据的数据曲线之间的距离是否大于距离异常值，若是，则将所述桥梁数据剔除，以得到标准数据集。
4.根据权利要求3所述的桥梁健康状态监测方法，其特征在于，采用以下公式计算桥梁数据 p 与对应桥梁数据 p 的数据曲线之间的距离： ；其中， B data 为桥梁数据 p 与对应桥梁数据 p 的数据曲线之间的距离，( x p , y p )为桥梁数据 p 在笛卡尔坐标系中的坐标，( x 0 , y 0 )为对应桥梁数据 p 的数据曲线中距离桥梁数据 p 最近的点的坐标。
5.根据权利要求3所述的桥梁健康状态监测方法，其特征在于，对所述多源异构数据集进行异常值剔除，还包括：根据各桥梁数据与各桥梁数据对应的数据曲线之间的距离，得到距离集合；计算所述距离集合的标准差；所述距离异常值为所述标准差的3倍。
6.根据权利要求1所述的桥梁健康状态监测方法，其特征在于，基于模拟工况数据集及所述标准数据集建立数字孪生系统，具体包括：根据所述模拟工况数据集及所述标准数据集，对深度神经网络进行迭代训练，直至深度神经网络的误差小于预设差值时，得到数字孪生系统。
7.根据权利要求1所述的桥梁健康状态监测方法，其特征在于，采用以下公式计算桥梁的健康状态值： ；其中， M q 为桥梁的健康状态值， n 为预测数据的总数， α i 为预测数据 i 的权重， M ( D i )为预测数据 i 的多维数据矩阵。
8.一种桥梁健康状态监测系统，其特征在于，所述桥梁健康状态监测系统包括：数据获取单元，用于获取设定时段内桥梁的多源异构数据集；所述多源异构数据集中包括多个数据源数据，每个数据源数据中包括对应数据源在设定时段内各时刻采集的桥梁数据；每个数据源采集的桥梁数据的类型不同；异常值剔除单元，与所述数据获取单元连接，用于对所述多源异构数据集进行异常值剔除，得到标准数据集；根据标准数据集建立二维数据矩阵；确定任意两个数据源数据之间的关联因子，并将关联因子纳入对应的数据源数据的二维数据矩阵，形成多维数据矩阵；多维数据矩阵的表达式为： M ( D a , t a , α a , B ( a , p ), r ( a , b ))；其中， D a 为第 a 个数据源数据， t a 为第 a 个数据源数据的采集时刻， α a 为第 a 个数据源数据的权重系数， B ( a , p )为第 a 个数据源数据中第 p 个桥梁数据的数据距离， r ( a , b )为第 a 个数据源数据与第 b 个数据源数据的关联因子；数字孪生单元，与所述异常值剔除单元连接，用于基于模拟工况数据集及所述标准数据集建立数字孪生系统；所述模拟工况数据集中包括多个模拟数据，每个模拟数据中包括设定时段内各时刻模拟得到的桥梁数据；各模拟数据中桥梁数据的类型与各数据源采集的桥梁数据的类型对应；预测单元，与所述数字孪生单元连接，用于基于所述数字孪生系统对未来设定时段内各时刻的桥梁数据进行预测，得到预测数据集；所述预测数据集中包括多个预测数据，每个预测数据包括未来设定时段内各时刻的桥梁数据；各预测数据中桥梁数据的类型与各数据源采集的桥梁数据的类型对应；矩阵建立单元，与所述预测单元连接，用于根据所述预测数据集建立各预测数据的多维数据矩阵，具体包括：针对所述预测数据集中的任一预测数据，计算所述预测数据与各参考预测数据的关联因子；根据所述预测数据、所述预测数据的权重及所述预测数据与各参考预测数据的关联因子，建立所述预测数据的多维数据矩阵；关联因子的取值范围为[-1,1]的闭区间；多维数据矩阵中包括对应的预测数据、预测数据的权重及预测数据与各参考预测数据的关联因子，所述参考预测数据为所述预测数据集中除所述预测数据以外的任一预测数据；健康状态确定单元，与所述矩阵建立单元连接，用于根据各预测数据的多维数据矩阵及各预测数据的权重，确定未来设定时段内桥梁的健康状态值。
9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至7中任一项所述的桥梁健康状态监测方法。
