一种设施运行趋势预测方法技术

本发明专利技术提供了一种设施运行趋势预测方法，基于希尔伯特黄变换算法并结合了长短期记忆网络来对设施运行趋势进行预测，涉及了机器学习、神经网络等领域，通过对数据预处理、数据清洗和划分、参数的更新和设定、模型的训练与验证等步骤来证明模型具有较高的精确度和有效性。通过利用经验模态分解，对数据进行分解，将分解后的IMF进行希尔伯特黄变换，得到信号的时频特征，将其作为长短期记忆网络的输入，进行模型的训练和验证，对设施未来的运行趋势做出预测。本发明专利技术提出了一种全新的预测模型，能够为设施运行趋势提供一种有效的预测方法，适合广泛应用。可对设备的运行趋势预测，及时捕捉到异常点，最大限度降低安全隐患。最大限度降低安全隐患。最大限度降低安全隐患。

【技术实现步骤摘要】
一种设施运行趋势预测方法


[0001]本专利技术属于定量预测领域，具体涉及一种基于希尔伯特黄变换和长短期记忆网络的临时设施运行趋势预测方法。

技术介绍

[0002]诸如冬奥会等运动会场会搭建大量的临时看台等临时设施，临时设施搭建起来后，为保障安全使用，需要临时设施除了要适应极端天气外，还要考虑大客流诱发的看台震动等情况，确保在使用期间设施的结构安全。因此，提供一种能够有效预测临时设施的运行趋势预测方法，是本领域技术人员亟待解决的关键问题。
[0003]现有技术中，缺少对搭建看台等设施的运行趋势预测的有效方法，其他领域如专利文献CN113988357A提出一种基于深度学习的高层建筑风致响应预测方法，采用了EMD分解，通过EMD
‑
CNN
‑
BiLSTM模型计算出待测高层建筑顶部位移的预测数据和变化趋势。然而，由于其直接将分解得到的IMF分量输入到CNN网络进行了特征提取等手段，导致后续的预测和最终结果的精确度的损失。

技术实现思路

[0004]针对现有技术的缺陷或改进需求，为了可以有效预测临时设施的运行趋势，构建了以希尔伯特黄变换+长短期记忆网络的模型，将信号处理算法和深度神经网络相结合，提出了一种全新的模型。
[0005]本专利技术提供了一种设施运行趋势预测方法，其目的是针对受严寒天气和大客流诱发的看台震动等一系列外因测得的时序数据进行预测，该方法解决了数据中一些无关特征因素的干扰导致预测准确度低的问题。
[0006]本专利技术提出一种设施运行趋势预测方法，包括如下步骤：步骤1:获取运动会场现场传感器数据，分别收集到两类传感器数据：倾角传感器和振动传感器。
[0007]步骤2:将数据采取经验模态分解（EMD）。
[0008]步骤3：求解信号中所有局部极大值和局部极小值并构成上下包络线。
[0009]步骤4：求解上下包络线的平均值，并求原始信号与包络均值的差值。
[0010]按顺序连接上下包络线的均值可得到一条均值线:再用X(t)减去得到：对于不同的信号，可能是一个IMF分量，一般来说它并不满足IMF所需要的条件，此时将当作原信号，重复上述步骤，则有：
步骤5：判断是否满足IMF分量的条件，如果不满足返回到极值计算，从新对信号继续进行极值和包络运算；如果满足条件，则得到IMF分量和差值。
[0011]步骤6：判断一个差值信号是不是IMF分量，需要有一个筛选过程终止的原则，通过利用两说明书个连续的处理结果之间的标准差SD作为判断依据：当满足SD的值要求时，称为第一阶IMF，记为为第一阶IMF，记为从原信号X(t)中减去得到剩余信号，即残差：然后将看作一组新的“原信号”，重复上述的经验模态分解过程，通过多次运算得到全部的IMF和残差：其中i=1，2，3，.......n，当满足判断条件之一时，经验模态分解过程终止。
[0012]步骤7：对每个IMF(c
i
(t))分量进行希尔伯特黄变换：其中，P表示柯西主值，t和表示时间。
[0013]上式中再得到相应IMF的瞬时频率和瞬时幅值：中再得到相应IMF的瞬时频率和瞬时幅值：步骤8：进一步的，基于希尔伯特黄变换和长短期记忆网络模型使用的回归损失函数和均方损失函数双重损失函数，定义为l(x,y)，公式如下：数和均方损失函数双重损失函数，定义为l(x,y)，公式如下：数和均方损失函数双重损失函数，定义为l(x,y)，公式如下：步骤9：将处理好的数据进行数据划分，划分为训练集，验证集和测试集比例为3：1：1。
[0014]步骤10：将数据进行数据清洗，并提供数据一致性。将数据集进行划分，并将其送入长短期记忆网络中，通过输入层，进入两个隐藏层，对于时间序列预测任务中，会在输出层后加上一层全连接层，最后得到预测结果。
[0015]步骤11：用样本的训练集对模型进行训练。通过每次的迭代获得最好的模型参数，并将其保存下来。
[0016]步骤12：将保存下来的模型，用于模型的最终测试。
[0017]本专利技术提供了一种设施运行趋势预测方法，对输入的信号先进行分解，分解出高频、中频和低频三个部分的信号。这样的做法便于可以分别从高、中、低三部分的频段来提取特征，也可以将低频部分的无关特征剔除，将高、中频部分的特征相结合，可以有效提高模型的预测准确度，减少无关特征对模型准确度的影响。特别的，本专利技术在得到IMF分量后，并对每个IMF信号进行Hilbert变换（EMD+Hilbert结合称为希尔伯特黄变换），就可以获得有意义的瞬时功率，从而给出频率变化的精确表达。
附图说明
[0018]为了更清楚地说明专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0019]图1为本专利技术方法框架图；图2是本专利技术HHT+LSTM算法流程图；图3是本专利技术长短期记忆网络(LSTM）网络结构图。
具体实施方式
[0020]下面结合附图对本专利技术作进一步详细说明，本专利技术提供了一种设施运行趋势预测方法，具体步骤如下：步骤一：获取设施现场传感器数据。
[0021]分别收集到两类传感器数据：倾角传感器和振动传感器。
[0022]步骤二：将数据采取经验模态分解（EMD）。
[0023]具体步骤如下：步骤三：求解信号中所有局部极大值和局部极小值并构成上下包络线。
[0024]步骤四：求解上下包络线的平均值，并求原始信号与包络均值的差值。
[0025]按顺序连接上下包络线的均值可得到一条均值线:再用X(t)减去得到：对于不同的信号，可能是一个IMF分量，一般来说它并不满足IMF所需要的条件，此时将当作原信号，重复上述步骤，则有：步骤五：判断是否满足IMF分量的条件，如果不满足返回到极值计算，重新对信号继续进行极值和包络运算；如果满足条件，则得到IMF分量和差值。
[0026]步骤六：判断差值信号是否为IMF分量。
[0027]通过利用两个连续的处理结果之间的标准差SD作为判断依据，以判断差值信号是否为IMF分量：当满足SD的值要求时，称为第一阶IMF，记为为第一阶IMF，记为从原信号X(t)中减去得到剩余信号，即残差：然后将剩余信号残差看作一组新的“原信号”，重复上述的经验模态分解过程，通过多次运算得到全部的IMF和残差：其中i=1，2，3，.......n，当满足判断条件之一时，经验模态分解过程终止。
[0028]步骤七：对每个IMF(c
i
(t))分量进行希尔伯特黄变换：其中，P表示柯西主值，t和表示时间。
[0029]上式中再得到相应IMF的瞬时频率和瞬时幅值：中再得到相应IMF的瞬时频率和瞬时幅值：步骤八：其中，基于希尔伯特黄变换和长短期记忆网络模型使用的回归损失函数和均方损失函数双重损失函数，定义为l本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种设施运行趋势预测方法，其特征在于，包括以下步骤：S10获取所述设施的传感器数据，S20求解所述传感器数据信号中所有局部极大值和局部极小值并构成上下包络线，S30求解所述上下包络线的平均值，并求所述传感器数据信号与所述包络线的平均值的差值，S40判断所述差值是否满足IMF分量的条件，直至得到所有的IMF分量，S50对所述IMF分量进行希尔伯特黄变换，得到特征数据，S60将所述特征数据进行数据清洗并划分训练集、验证集和测试集，S70将划分后的数据送入长短期记忆网络中训练和验证，并保存下最优参数模型，对数据进行测试，以得到预测结果。2.根据权利要求1所述的设施运行趋势预测方法，其特征在于：所述传感器数据包括倾角传感器X和Y轴上的二维数据，振动传感器的X,Y和Z轴上的三维数据。3.根据权利要求1所述的设施运行趋势预测方法，其特征在于：S20实施为：找出所述传感器数据信号中所有局部极大值并用三次样条函数连接成上包络，以及用三次样条插值函数连接所有局部极小值构成下包络。4.根据权利要求1所述的设施运行趋势预测方法，其特征在于：S30实施为：S31按顺序连接所述上下包络线的均值得到均值线:S32将所述传感器数据信号X(t)作为原信号减去所述均值线得到所述差值，S33将所述差值作为所述原信号，重复步骤S31和S32。5.根据权利要求1所述的设施运行趋势预测方法，其特征在于：判断所述差值是否为IMF分量的应满足条件包括：S41所述差值关于时间轴局部对称；S42在所述差值的离散信号序列中，极值点的个数与过零点的个数...

【专利技术属性】
技术研发人员：田乐，常明煜，王荟芸，郭茂祖，
申请(专利权)人：北京建筑大学，
类型：发明
国别省市：