一种基于小波与BP神经网络的桥梁异常监测数据修复方法技术

一种基于小波与BP神经网络的桥梁异常监测数据修复方法，包括如下步骤：步骤1)根据某一特定监测数据在大跨桥梁上的监测数据状况，进行监测信号变化趋势信息的提取；步骤2)基于小波低频概貌系数的测点关联性分析；步骤3)对BP神经网络的训练；步骤4)根据测点间的相关性，将与异常测点A相关度最高未出现异常的测点B监测数据作为神经网络的输入，得到异常测点修复后的监测数据。本发明专利技术提供一种基于小波与相关性分析的桥梁异常监测数据修复方法，该方法并通过桥梁监测数据之间相关性和神经网络对异常数据进行修复。

【技术实现步骤摘要】

本专利技术涉及大跨桥梁监测数据分析与处理领域，设计一种基于小波与BP神经网络的桥梁异常监测数据修复的方法。
技术介绍
我国《公路长大桥隧安全运营管理办法(征求意见稿)》提出国道、省道特大桥的安全运营管理应贯彻“安全第一、预防为主”的工作方针，建议管养单位采用现代信息技术，逐步建立长大桥隧安全监测系统，及时掌握长大桥隧的整体技术状态和运营条件，为长大桥隧运营管理、养护维修、可靠性评估及相关科学研究提供依据。在结构监测过程中，由于桥梁健康监测系统测量点较多,时刻都需自动地采集大量的测量数据,而大桥健康监测系统设计者往往关注的是如何利用这些庞大的测量数据来分析判断桥梁的健康情况。但是,如果这些数据出现异常,就会影响到大桥健康监测最终的判断结果,引起虚假报警。桥梁结构监测信号异常情况主要可以分为以下四个方面：离群数据点；监测缺失数据；异常趋势数据；含噪过大数据。不同的数据异常产生的原因也各不相同。其中，以异常趋势数据对后续的数据分析处理影响最大。大跨桥梁结构健康监测系统中同时出现异常趋势数据的监测点往往较少,这些测点在数据异常到数据恢复正常期间都是不可靠的,如果通过此段异常数据进行后续的数据分析与趋势预测，势必会严重影响结构监测系统在该时间段内对桥梁运营状况的整体评价。因此，我们必须通过一定的异常数据修复方法对结构监测过程中可能出现的异常趋势数据加以修复，从而得到更加准确的监测数据。反映桥梁整体受力变化的应变、挠度监测数据不仅仅由桥梁的自身或载荷的作用，还受到温度、湿度等环境因素的影响。所以此类监测数据在时域上往往表现为非线性，时序曲线的变化往往不能用确定的函数表示。在现有研究中，对于这种非线性的数据最好的表示是由神经网络来描述。
技术实现思路
为了克服结构监测过程中可能出现异常趋势数据的情况，本专利技术提供一种基于小波与相关性分析的桥梁异常监测数据修复方法，该方法并通过桥梁监测数据之间相关性和神经网络对异常数据进行修复。本专利技术解决其技术问题所采用的技术方案是：一种基于小波与BP神经网络的桥梁异常监测数据修复方法，包括如下步骤：步骤1)根据某一特定监测数据在大跨桥梁上的监测数据状况，进行监测信号变化趋势信息的提取；信号一层分解如下：x(t)：桥梁结构监测信号；cA1(k)：第1层小波低频概貌分解系数；cD1(k)：第1层小波高频细节分解系数；第1层小波基；其中，cA1(k)、cD1(k)可由以下公式所得： cA 1 ( k ) = Σ k H ( 2 t - k ) cA j - 1 ( k ) - - - ( 2 ) ]]> cD 1 ( k ) = Σ k G ( 2 t - k ) cA j - 1 ( k ) - - - ( 3 ) ]]>在式(2)、(3)中，t为离散的时间序列号t＝1,2,...,N，k为离散小波偏移参数系数，j是小波分解的层数，j＝1,2,...,N，H和G为小波分解滤波器；通过小波多尺度分解，得到监测信号的低频概貌信息，通过低频概貌系数作为后续相关性分析与神经网络训练的输入样本；步骤2)基于小波低频概貌系数的测点关联性分析；给出一种不同传感器节点监测数据的关联度模型的定义： G ( X i , Y i ) = Σ k = 1 M ( x i ( k ) - E ( X i ) ) ( y i ( k ) - E ( Y i ) ) ( Σ k = 1 M ( x i ( k ) - E ( 本文档来自技高网...

【技术保护点】
一种基于小波与BP神经网络的桥梁异常监测数据修复方法，其特征在于：包括如下步骤：步骤1)根据某一特定监测数据在大跨桥梁上的监测数据状况，进行监测信号变化趋势信息的提取；信号一层分解如下：x(t)：桥梁结构监测信号；cA1(k)：第1层小波低频概貌分解系数；cD1(k)：第1层小波高频细节分解系数；：第1层小波基；其中，cA1(k)、cD1(k)由以下公式所得：cA1(k)=ΣkH(2t-k)cAj-1(k)---(2)]]>cD1(k)=ΣkG(2t-k)cAj-1(k)---(3)]]>在式(2)、(3)中，t为离散的时间序列号t＝1,2,...,N，k为离散小波偏移参数系数，j是小波分解的层数，j＝1,2,...,N，H和G为小波分解滤波器；通过小波多尺度分解，得到监测信号的低频概貌信息，通过低频概貌系数作为后续相关性分析与神经网络训练的输入样本；步骤2)基于小波低频概貌系数的测点关联性分析；给出一种不同传感器节点监测数据的关联度模型的定义：G(Xi,Yi)=Σk=1M(xi(k)-E(Xi))(yi(k)-E(Yi))(Σk=1M(xi(k)-E(Xi))2Σk=1M(yi(k)-E(Yi))2)12---(4)]]>其中，Xi和Yi分别代表两个不同传感器监测数据的时间序列，共计M个采样数据，xi(k)和yi(k)分别表示k时刻的监测数据，E(Xi)和E(Yi)分别表示两传感器采样均值，这里，关联度系数0＜G(Xi,Yi)＜1，其值越大表明二者在时间T内越相似；当原本相关系数很高的两组传感器测点突然出现相关系数降低，则判断该组测点监测数据出现异常，需要进行检测；步骤3)对BP神经网络的训练采用待分析测点A监测数据及与A关联度最高的小波低频系数作为输入输出对BP神经网络进行训练，训练步骤如下：3.1)根据监测数据的特征及最终要求性能指标进行网络初始化，其中包括输入层节点i、隐含层节点j、输出层节点k和连接权值wij、wjk；3.2)隐含层输出计算：Hj=f(Σi=1nwijxi-aj),j=1,2...,l---(5)]]>其中，j为隐含层节点数，aj为隐含层阈值，f为隐含层激励函数：f(x)=11+e-x---(6)]]>3.3)进行输出层输出计算，根据隐含层输出Hj，连接权值wij和阈值bk，计算网络预测输出Ok:Ok=Σj=1lHjwjk-bk,k=1,2,...m---(7)]]>3.4)进行误差的计算，根据网络预测输出O和期望输出Y，计算网络预测误差ek:ek＝Yk‑Ok,k＝1,2...,m   (8)3.5)进行权值的更新，根据网络预测误差e更新网络连接权值wij和wjk：wjk＝wjk+ηHjek   (9)wij=wij+ηHj(1-Hj)x(i)Σk=1mwjkek---(10)]]>其中：i＝1,2...,n；j＝1,2...,l；k＝1,2,...,m分别为输入层、隐含层和输出层的节点数；3.6)进行阈值的更新，根据网络预测误差ek更新节点阈值aj、bk:bk＝bk+ek   (11)aj=aj+ηHj(1-Hj)Σk=1mwjkek---(12)]]>步骤4)根据测点间的相关性，将与异常测点A相关度最高未出现异常的测点B监测数据作为神经网络的输入，得到异常测点修复后的监测数据。...

【技术特征摘要】
1.一种基于小波与BP神经网络的桥梁异常监测数据修复方法，其特
征在于：包括如下步骤：
步骤1)根据某一特定监测数据在大跨桥梁上的监测数据状况，
进行监测信号变化趋势信息的提取；
信号一层分解如下：
x(t)：桥梁结构监测信号；
cA1(k)：第1层小波低频概貌分解系数；
cD1(k)：第1层小波高频细节分解系数；
：第1层小波基；
其中，cA1(k)、cD1(k)由以下公式所得：
cA 1 ( k ) = Σ k H ( 2 t - k ) cA j - 1 ( k ) - - - ( 2 ) ]]> cD 1 ( k ) = Σ k G ( 2 t - k ) cA j - 1 ( k ) - - - ( 3 ) ]]>在式(2)、(3)中，t为离散的时间序列号t＝1,2,...,N，k为离散小
波偏移参数系数，j是小波分解的层数，j＝1,2,...,N，H和G为小波分
解滤波器；
通过小波多尺度分解，得到监测信号的低频概貌信息，通过低频
概貌系数作为后续相关性分析与神经网络训练的输入样本；
步骤2)基于小波低频概貌系数的测点关联性分析；
给出一种不同传感器节点监测数据的关联度模型的定义：
G ( X i , Y i ) = Σ k = 1 M ( x i ( k ) - E ( X i ) ) ( y i ( k ) - E ( Y i ) ) ( Σ k = 1 M ( x i ( k ) - E ( X i ) ) 2 Σ k = 1 M ( y i ( k ) - E ( Y i ) ) ...

【专利技术属性】
技术研发人员：余佩琼，杨立，吴丽丽，凌晓东，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33