一种桥梁健康状态预测预警方法技术

本发明专利技术提供一种桥梁健康状态预测预警方法，包括如下步骤：S1：数据获取，获得桥梁状态数据和外界环境数据；S2：数据修正，对超出阈值的数据进行修正；S3：建立桥梁状态预测模型，利用LMD算法分别分解所获取的桥梁状态数据和外界环境数据，利用GRA算法计算桥梁状态数据的每个子序列和外界数据的各子序列的关联程度；S4：模型训练，使用BiLSTM模型进行预测；S5：训练结束后采用测试集输入BiLSTM模型，得到的最终预测结果与实际测量值比较，用以评估模型的预测性能；本发明专利技术提供的桥梁健康状态预测预警方法，采用时间频率分析LMD方法分析分解桥梁状态数据，解决时间频率分析方法混叠和端点效应的缺点，更好地保持了数据的完整性，解决人工智能算法预测桥梁状态时梯度消失和梯度爆炸的问题。炸的问题。炸的问题。

【技术实现步骤摘要】
一种桥梁健康状态预测预警方法


[0001]本专利技术属于桥梁状态诊断
，具体涉及一种桥梁健康状态预测预警方法。

技术介绍

[0002]桥梁在中国随处可见，而桥梁坍塌会对人类社会的发展和人民生命财产安全造成严重威胁和损失。近些年来，中国的桥梁坍塌时有发生，随着我国汽车拥有量的快速上升，加上车辆超重驾驶随处可见，这直接导致了多年前设计建设的桥梁的承受能力和健康状态随着时间的推移而逐步降低。由于桥梁自身结构的复杂性，使得桥梁预警一直是多方研究的重点和难点，现在非常需要一种行之有效的预警方法，因此有必要对桥梁的健康状态进行预测预警。
[0003]局部均值分解(Local Mean Decomposition，LMD)的核心思想是将一个复杂的非平稳多分量信号自适应分解为几个具有瞬时频率物理意义的乘积函数(PF)的和，其中每个PF分量由一个包络信号和一个纯调频信号直接计算。包络信号是PF分量的瞬时幅值，从纯调频信号可以直接计算出PF分量的瞬时频率。结合所有PF分量的瞬时幅值和瞬时频率，得到原始信号的完整时频分布。LMD算法可以将复杂的非线性桥梁状态数据和外界环境数据分解为几个具有物理意义的PFs。灰色关联分析方法(Grey Relation Analysis,GRA)，是计算变量之间变化发展趋势的相似或相异程度，可以作为衡量因素间关联程度的一种方法。双向长短期记忆网络(Bidirectional Long
‑
Short Term Memory，BiLSTM)是一种时间循环神经网络，BiLSTM模型由正反LSTM模型组合而成，前向LSTM可以获取输入序列的过去数据信息，后向LSTM可以获取输入序列的未来数据信息。数据的前向LSTM和后向LSTM训练过程可以进一步提高特征提取的全局完整性。

技术实现思路

[0004]本专利技术的目的在于提供一种桥梁健康状态预测预警方法，采用时间频率分析LMD方法分析分解桥梁状态数据，解决时间频率分析方法混叠和端点效应的缺点，更好地保持了数据的完整性，解决人工智能算法预测桥梁状态时梯度消失和梯度爆炸的问题，解决无法有效选取外界环境影响因素，从而导致预测准确度降低的问题。
[0005]为实现上述技术目的，达到上述技术效果，本专利技术通过以下技术方案实现：
[0006]本专利技术提供了一种桥梁健康状态预测预警方法，包括如下步骤：
[0007]S1：数据获取，利用传感器对桥梁状态进行实时监测，获得桥梁状态数据，桥梁状态数据包括：桥梁挠度、裂缝长度、桥面的车载重量等；利用监测设备对影响桥梁的因素进行实时监测，获得外界环境数据，外界环境数据包括：雨量、温度、湿度、风力大小等等；
[0008]S2：数据修正，分别设置阈值对所获取的桥梁状态数据和外界环境数据进行比对，对超出阈值的数据进行修正，修正后的数据为该超出阈值的数据的前5个数据与后5个数据的算术平均值；
[0009]S3：建立桥梁状态预测模型，利用LMD算法分别分解所获取的桥梁状态数据和外界
环境数据，得到桥梁状态数据和外界环境数据的多个不同频率PF分量和u
k
，PF分量和u
k
即构成子序列，实际累计数据等于各个子序列的总和；
[0010]得到桥梁状态数据和外界环境数据的各个子序列后，利用GRA算法计算桥梁状态数据的每个子序列和外界数据的各子序列的关联程度，关联程度大于预设值的则判定为相关性较大，则该外界数据的子序列与桥梁状态数据的子序列相关；
[0011]S4：模型训练，将关联数值大于预设值的选做预测该桥梁状态数据子序列的输入变量，使用BiLSTM模型进行预测，数据以固定比例分为训练集和测试集，训练集负责模型的参数，测试集负责验证和评估的模型性能；
[0012]S5：模型验证与评估，训练结束后采用测试集输入BiLSTM模型，得到的最终预测结果与实际测量值比较，用以评估模型的预测性能；将预测值与预先设置好的阈值进行比较，得到预警结果。
[0013]作为本专利技术的进一步改进，步骤S3中所述的LMD算法的计算步骤如下：
[0014][0015][0016]其中m
i
是连续两个极值n
i
和n
i+1
的第i个平均值，α
i
是每个半波振荡的局部振幅，i＝1，2，...M
‑
1＝1(M＝极值个数)。所有连续极值的均值m
i
必须形成一条直线，采用移动平均法对m
i
和α
i
进行平滑处理，得到了局部均值函数m
11
(t)和包络估计函数α
11
(t)。然后，将m
11
(t)与原始信号X(t)分离，得到残差信号h
11
(t)；
[0017]h
11
(t)＝X(t)
‑
m
11
(t)；
[0018]再使用h
11
(t)除以α
11
(t)进行调幅如下：
[0019][0020]其中s
11
(t)是为纯调频信号，重复这个过程q次，直到得到一个包络函数满足α
1(q+1)
(t)＝1的纯调频信号s1(t)，对应的包络α1(t)如下式所示：
[0021][0022]其中q表示迭代次数，并且第一个PF1(t)如下：
[0023]PF1(t)＝s
1q
(t)
×
α1(t)；
[0024]将原信号X(t)减去PF1(t)得到新信号，重复以上步骤得到PF2(t)。这些步骤重复，直到最后一个信号变为常数或不包含更多的振荡，就得到残差信号u
k
(t)。因此，原始信号X(t)可以分解为PF分量与u
k
(t)的和：
[0025][0026]式中：PF
p
(t)表示为第p个乘积函数，u
k
(t)表示为残余分量，X(t)表示为原始数据；
[0027]作为本专利技术的进一步改进，步骤S3中所述的GRA算法按以下步骤计算：
[0028]S31：设置桥梁状态数据的一个子序列X0为主序列，X
i
为次序列构造序列矩阵：
[0029]X＝[X0，X1，X2，X3，
…
，X
i
]，i＝0，1，
…
，m；k＝0，1，
…
，n；
[0030][0031]式中：m为外界环境因素类型的数量，n为该外界环境因素类型中子序列的数量；
[0032]S32：每个子序列和外界数据的各子序列的关联程度，按下式计算关联程度：
[0033][0034][0035]式中：ξ(x0(k)
′
，x
i
(k)
′
)就是x
i
和x
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种桥梁健康状态预测预警方法，其特征在于，包括如下步骤：S1：数据获取，利用传感器对桥梁状态进行实时监测，获得桥梁状态数据；利用监测设备对影响桥梁的因素进行实时监测，获得外界环境数据；S2：数据修正，分别设置阈值对所获取的桥梁状态数据和外界环境数据进行比对，对超出阈值的数据进行修正，修正后的数据为该超出阈值的数据的前5个数据与后5个数据的算术平均值；S3：建立桥梁状态预测模型，利用LMD算法分别分解所获取的桥梁状态数据和外界环境数据，得到桥梁状态数据和外界环境数据的多个不同频率PF分量和u
k
，PF分量和u
k
即构成子序列，实际累计数据等于各个子序列的总和；得到桥梁状态数据和外界环境数据的各个子序列后，利用GRA算法计算桥梁状态数据的每个子序列和外界数据的各子序列的关联程度，关联程度大于预设值的则判定为相关性较大，则该外界数据的子序列与桥梁状态数据的子序列相关；S4：模型训练，将关联数值大于预设值的选做预测该桥梁状态数据子序列的输入变量，使用BiLSTM模型进行预测，数据以固定比例分为训练集和测试集，训练集负责模型的参数，测试集负责验证和评估的模型性能；S5：模型验证与评估，训练结束后采用测试集输入BiLSTM模型，得到的最终预测结果与实际测量值比较，用以评估模型的预测性能；将预测值与预先设置好的阈值进行比较，得到预警结果。2.如权利要求1所述的桥梁健康状态预测预警方法，其特征在于，步骤S3中所述的LMD算法按下式计算：式中：PF
p
(t)表示为第p个乘积函数，u
k
(t)表示为残余分量，x(t)表示为原始数据。3.如权利要求1所述的桥梁健康状态预测预警方法，其特征在于，步骤S3中所述的GRA算法按以下步骤计算：S31:设置桥梁状态数据的一个子序列X0为主序列，X
i
为次序列构造序列矩阵:X＝[X0，X1，X2，X3，
…
，X
i
]，i＝0,1,
…
,m；k＝0,1,
…
,n；式中：m为外界环境因素类型的数量，n为该外界环境因素类型中子序列的数量；S32：每个子序列和外界数据的各子序列的关联程度，按下...

【专利技术属性】
技术研发人员：何清，李丽琳，赵朝部，黎力韬，颜晓凤，王华，江俊翔，苏若珊，梁定菲，
申请(专利权)人：广西交科集团有限公司，
类型：发明
国别省市：