一种基于滑窗高斯过程模型的钢渡槽结构极值应力预警方法技术

本发明专利技术公开了一种基于滑窗高斯过程模型的钢渡槽结构极值应力预警方法，该方法利用高斯过程回归模型在非线性时间序列预测方面的优势，对钢渡槽结构在温度和通水荷载作用下的应力状态进行预测，实现截面安全性能的实时预警。本发明专利技术方法利用一个与预测过程同步更新的窗口函数选择训练数据，由于窗口长度不随时间序列的增加而增加，当监测数据量大幅增加时，能够显著增强结构应变极值的预测与预警效率，对大型钢渡槽结构的长期健康监测和结构安全评估具有重要的理论意义和工程应用价值。评估具有重要的理论意义和工程应用价值。评估具有重要的理论意义和工程应用价值。

【技术实现步骤摘要】
一种基于滑窗高斯过程模型的钢渡槽结构极值应力预警方法


[0001]本专利技术涉及结构健康监测领域，具体涉及一种基于滑窗高斯过程模型的钢渡槽结构极值应力预警方法。

技术介绍

[0002]渡槽结构作为引水工程的关键枢纽，在我国诸如南水北调、引江济淮等大型水利工程中得到了广泛应用。但渡槽结构在长期的服役条件下，由于恶劣的环境因素和水流荷载，通常会导致渡槽结构发生不同程度的缺陷和病害，从而对渡槽结构的安全运营产生重大影响。由于渡槽结构经常出河流较多的区域，地理环境复杂，利用人工检测成本较高，因此，基于健康监测系统对渡槽结构的安全性能进行长期监测是确保此类结构安全运营的重要手段之一。
[0003]结构健康监测技术已经从基于监测的诊断发展到基于监测的预测未来状态。实测应变数据的巨大优势在于它可以直接用于指示结构及结构部件的安全储备，也可以提供完整结构承载能力有关的信息，因此越来越多的结构状态诊断和预测选择使用由实测应变数据得出的结构应力响应值作为依据。准确预测结构应力响应是可靠诊断和预测结构状况的必要步骤。自回归模型(AR)目前被广泛研究用于结构健康检测系统中，自回归模型定义了一个线性参数结构来反应当前输出和先前输出之间的关系，并且通过最小二乘估计获得自回归模型的参数。然而，对于承受活载和环境荷载等多源效应的大型复杂结构，其应力演化是典型的非线性动力学过程而非简单的线性动力学过程。此外，从结构健康监测系统中提取的在线监测衍生应力数据极其庞大。这就迫切需要发展一种计算效率高、精度高的结构应力响应预测方法。
专利技术内容
[0004]针对上述
技术介绍
中的问题，本专利技术的目的在于提供一种基于滑窗高斯过程模型的钢渡槽结构极值应力预警方法，用于大型钢渡槽结构关键截面的应力状态预测，并进一步应用于此类型结构的安全预警。该方法克服了传统高斯过程模型在非线性时间序列预测方面的低效率难题，不仅能够有效控制训练数据的长度，同时可以将不断更新的监测数据用于对未知结构响应的预测，在确保预测精度的同时，可以有效降低高斯过程模型的预测效率。进而，能够显著增强钢渡槽结构的预警效率，对大型钢渡槽结构的长期健康监测和结构安全评估具有重要的理论意义和工程应用价值。
[0005]为实现如上目的，本专利技术具体的技术方案如下：
[0006]一种基于滑窗高斯过程模型的钢渡槽结构极值应力预警方法，按如下步骤进行：
[0007]步骤1、利用在钢渡槽结构关键截面处设置的应变传感器，记录结构在长期服役状态下的应变数据，并将获得的应变监测数据作为高斯过程模型的初始训练数据，训练数据可表述为其中，表示长度为n的应变监测数据，为对应的时间
序列。
[0008]步骤2、利用步骤1所述的训练数据，对高斯过程模型进行训练，获得训练后的高斯过程模型，并预测钢渡槽关键截面在t
n+1
时的应变数据y
n+1
。
[0009]步骤3、将步骤2中得到的t
n+1
时刻的应变预测值导出，并将其换算成截面的应力值，将预测的应力值与钢渡槽结构关键截面的允许应力值对比，并以此作为钢渡槽结构预警条件设置的依据。
[0010]步骤4、设置滑动窗口长度，当t
n+1
时刻的应变值获得后，将其放入训练数据中，此时，为了预测下一时刻的应变响应，窗口同时向前更新一步，确保训练数据维度保持为n。
[0011]步骤5、重复执行步骤1～步骤4，对钢渡槽结构关键截面的安全性能进行实时预警。
[0012]进一步地，步骤2中对高斯过程模型进行训练，优化高斯过程预测模型的超参数，其过程可以表述为：结合贝叶斯推理方法和步骤1中所述的初始训练数据，构建在已知条件下的似然函数，简化后如等式(1)所示，其对高斯过程模型超参数的偏导计算结果如等式(2)所示：
[0013][0014][0015]在上述等式中，为高斯过程模型需要确定的超参数；R为n
×
n协方差矩阵，可以通过等式(3)进行确定
[0016][0017]在等式(3)中，R
ij
＝C(y
i
,y
j
),其中，C(.,.)为高斯过程模型核函数，可进一步表示为：
[0018][0019]其中η2为时间序列的方差；l
k
为特征长度尺度；d为输入维度；
[0020]利用共轭梯度优化算法对步骤3中所述的似然函数L(Θ)进行优化，推导出超参数的最优解，如等式(5)所示：
[0021][0022]进一步地，预测钢渡槽关键截面在t
n+1
时的应变数据y
n+1
，将t
n+1
时刻的数据编号带入到训练后的高斯过程模型，得到t
n+1
时刻应变预测值的期望和方差，如等式(6)～(7)所示：
[0023][0024][0025]其中，C
*
，可分别进一步表示为C
*
＝(t
n+1
,X)和
[0026]进一步地，将t
n+1
时刻的应变预测均值换算成截面的应力值，将获得的应变值与其对应构件的弹性模量乘积，具体可表述为：
[0027][0028]其中，E
s
为钢构件的弹性模量，δ
n+1
为关键截面在t
n+1
时刻的应力值。
[0029]进一步地，步骤3中所述的钢渡槽结构关键截面允许应力值，该应力允许值为钢构件的极限拉/压应力减去结构由于自重效应引起的应力值。
[0030]进一步地，步骤3中所述的钢渡槽结构预警条件设置，其特征如等式(9)所述：
[0031][0032]其中，δ
u
是钢构件的极限抗拉/压强度，δ
static
代表关键截面在结构自重条件下的应力值；使用是为了确保本方法的预警结果具有99.7％有效性。
[0033]进一步地，步骤4中所述的滑动窗口长度的选取原则为模型预测误差小、计算精度高等特点，窗口随着监测数据的更新而向前移动，始终保持长度固定。
[0034]本专利技术提出利用高斯过程模型预测方法对钢渡槽结构关键截面的应力状态进行实时预测，高斯过程预测模型作为一种无参数化的概率模型，结合贝叶斯推理方法，可以有效实现通过先验信息，推导结构未知响应的后验概率分布。尽管高斯过程模型已经被成功的应用于复杂非线性时间序列的预测问题。尽管高斯过程预测模型对于表征结构应力响应的动态非线性非常有效，但由于监测系统收集的结构响应数据逐渐累积，当使用高斯过程模型进行结构响应预报时，会造成响应预测成本过高。因此，本专利技术提出了一种基于滑窗的高斯过程预测模型用于结构响应预测，该方法不仅能够有效控制训练数据的长度，同时可以将不断更新的监测数据用于对未知结构响应的预测，在确保预测精度的同时，可以有效降低高斯过程模型的预测效率。进而，能够显著增强钢渡槽结构的预警效率，对大型钢渡槽结构的长期健康监测和结构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于滑窗高斯过程模型的钢渡槽结构极值应力预警方法，其特征在于，按如下步骤进行：步骤1、利用在钢渡槽结构关键截面处设置的应变传感器，记录结构在长期服役状态下的应变数据，并将获得的应变监测数据作为高斯过程模型的初始训练数据，训练数据可表述为其中，表示长度为n的应变监测数据，为对应的时间序列；步骤2、利用步骤1所述的训练数据，对高斯过程模型进行训练，获得训练后的高斯过程模型，并预测钢渡槽关键截面在t
n+1
时的应变数据y
n+1
；步骤3、将步骤2中得到的t
n+1
时刻的应变预测值导出，并将其换算成截面的应力值，将预测的应力值与钢渡槽结构关键截面的允许应力值对比，并以此作为钢渡槽结构预警条件设置的依据；步骤4、设置滑动窗口长度，当t
n+1
时刻的应变值获得后，将其放入训练数据中，此时，为了预测下一时刻的应变响应，窗口同时向前更新一步，确保训练数据维度保持为n；步骤5、重复执行步骤1～步骤4，对钢渡槽结构关键截面的安全性能进行实时预警。2.如权利要求1所述的基于滑窗高斯过程模型的钢渡槽结构极值应力预警方法，其特征在于，步骤2中对高斯过程模型进行训练，优化高斯过程预测模型的超参数，其过程可以表述为：结合贝叶斯推理方法和步骤1中所述的初始训练数据，构建在已知条件下的似然函数，简化后如等式(1)所示，其对高斯过程模型超参数的偏导计算结果如等式(2)所示：式(2)所示：在上述等式中，为高斯过程模型需要确定的超参数；R为n
×
n协方差矩阵，可以通过等式(3)进行确定在等式(3)中，R
ij
＝C(y
i
,y
j
),其中，C(.,.)为高斯过程模型核函数，可进一步表示为：其中η2为时间序列的方差；l
k
为特征长度尺度；d为输入维度；利用共轭梯度优化算法对步骤3中所述的似...

【专利技术属性】
技术研发人员：陈发军，付书林，程勇刚，李迪，鲍大春，叶刘克，陈翔，张菲却，杨玉盟，葛磊，
申请(专利权)人：安徽省七星工程测试有限公司，
类型：发明
国别省市：