基于贝叶斯滤波的工程结构异常监测数据的实时识别方法技术

本发明专利技术公开了一种基于贝叶斯滤波的工程结构异常监测数据的实时识别方法，本方法通过建立包含结构状态向量和异常检测参数向量的结构量测模型，根据结构状态向量和异常检测参数向量联合构建增广状态向量，根据实际获得的结构监测数据集，采用粒子滤波方法更新增广状态向量，并根据更新后的增广状态向量进行工程结构监测

【技术实现步骤摘要】
基于贝叶斯滤波的工程结构异常监测数据的实时识别方法


[0001]本专利技术涉及土木工程结构健康监测
，尤其是涉及一种基于贝叶斯滤波的工程结构异常监测数据的实时识别方法
。

技术介绍

[0002]结构健康监测技术通过对结构环境
、
荷载与响应数据的实时处理，从而为监测结构提供实时的健康评估与安全预警
。
传感器是监测系统中获取信号数据的前端设备，其测量结果是系统后期准确评估结构性能的重要前提
。
传感器容易受到老化
、
温度
、
湿度与电磁干扰等因素影响而发生故障
。
故障传感将产生结构安全状态的虚警或误警，从而导致经济损失或者安全风险
。
研究表明，传感故障已经成为制约结构健康监测系统应用的重要瓶颈之一
。
因此，如何对传感故障而产生的异常数据进行诊断，从而为后期结构安全评估提供有效保障，具有重要的工程意义
。
但传统滤波方法
(
如卡尔曼滤波等
)
都采用均值和方差来表征状态的后验分布，然而在系统有强非线性时，很难给出精确估计
。

技术实现思路

[0003]本专利技术旨在至少解决现有技术中存在的技术问题之一
。
为此，本专利技术提出一种基于贝叶斯滤波的工程结构异常监测数据的实时识别方法，能够提高结构健康监测的精确度
。
[0004]第一方面，本专利技术实施例提供了一种基于贝叶斯滤波的工程结构异常监测数据的实时识别方法，所述基于贝叶斯滤波的工程结构异常监测数据的实时识别方法包括：
[0005]采用多个传感器获取工程结构中的结构监测数据集；
[0006]建立包含结构状态向量和异常检测参数向量的结构量测模型；其中，所述异常检测参数向量用于量测数据中的多种类型异常值；
[0007]根据所述结构量测模型中的异常检测参数向量和所述结构状态向量，构建增广状态向量；
[0008]基于所述结构监测数据集，采用粒子滤波方法更新所述增广状态向量，并根据更新后的增广状态向量进行工程结构监测，实现结构状态更新和所述结构监测数据集中异常数据的识别
。
[0009]与现有技术相比，本专利技术第一方面具有以下有益效果：
[0010]由于传统滤波方法
(
如卡尔曼滤波等
)
都采用均值和方差来表征状态的后验分布，然而在系统有强非线性时，很难给出精确估计
。
在本方法中，通过建立包含结构状态向量和异常检测参数向量的结构量测模型，根据结构状态向量和异常检测参数向量联合构建增广状态向量，根据实际获得的结构监测数据集，采用粒子滤波方法更新增广状态向量，并根据更新后的增广状态向量进行工程结构监测
。
本方法能够利用不依赖主观阈值的结构量测模型，开展针对结构监测数据的多种异常类型数据的实时识别，并构建增广状态向量，采用粒子滤波方法更新增广状态向量，对结构状态向量进行实时更新，能够提高结构健康监测的
精确度
。
[0011]根据本专利技术的一些实施例，通过如下方式建立包含结构状态向量和异常检测参数向量的结构量测模型：
[0012]y
k
＝
A
k
‑1y
k
‑1+B
k
‑1f
k
‑1[0013]z
k
＝
h(y
k
)+r
k
+I
k
，1⊙
u
k
+I
k
，2⊙
v
k
[0014]其中，
y
k
表示第
k
时刻的结构状态向量，
y
k
‑1表示第
k
‑1时刻的结构状态向量，
A
k
‑1和
B
k
‑1分别表示第
k
‑1时刻的状态转移矩阵和输入状态矩阵，
f
k
‑1表示第
k
‑1时刻作用在结构上的外激励，
z
k
表示第
k
时刻的量测向量，
h(.)
表示结构健康量测模型函数，
r
k
表示第
k
时刻的量测噪声向量，
⊙
表示阿达玛乘积，
u
k
表示
k
时刻量测数据中的随机误差，
v
k
表示
k
时刻量测数据中的偏差，
I
k
，1和
I
k
，2表示多元伯努利随机向量
。
[0015]根据本专利技术的一些实施例，通过如下方式获得所述结构量测模型中的异常检测参数向量：
[0016]将所述偏差模拟为均值为
m
k
、
协方差矩阵为的正态分布，并将所述马尔可夫模型
m
k
通过如下方式进行表示：
[0017][0018]将
Δ
m
k
‑1模拟为零均值
、
协方差矩阵为的正态分布，并将通过如下方式进行表示：
[0019][0020]其中，
l
表示向量的第
l
个维度，
N
z
表示维度总数，被模拟为在区间
[c
l
，
d
l
]上的均匀分布，
c
和
d
表示常量参数，
I
k
‑1，0和
I
k
‑1，1表示多元伯努利随机向量；
[0021]将
m
k
作为所述增广状态向量中的第一异常检测参数向量
。
[0022]根据本专利技术的一些实施例，通过如下方式获得所述结构健康量测模型中的异常检测参数向量还包括：
[0023]采用多元伯努利随机向量，在量测向量的不同维度上检测多种异常值类型的发生，所述多元伯努利随机向量通过如下方式进行表示：
[0024][0025][0026]其中，表示马尔可夫链，的转移概率表示为对于任何的
l≠m
，与相互独立，
I
k
，
n
和表示是否出现异常值及异常值的类型的互相替代，
δ
表示狄拉克函数；
[0027]将作为所述增广状态向量中的第二异常检测参数向量
。
[0028]根据本专利技术的一些实施例，所述基于所述结构监测数据集，采用粒子滤波方法更新所述增广状态向量，包括：
[0029]基于当前时刻的所述结构状态向量预测下一时刻的结构状态向量，并根据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于贝叶斯滤波的工程结构异常监测数据的实时识别方法，其特征在于，所述基于贝叶斯滤波的工程结构异常监测数据的实时识别方法包括：采用多个传感器获取工程结构中的结构监测数据集；建立包含结构状态向量和异常检测参数向量的结构量测模型；其中，所述异常检测参数向量用于量测数据中的多种类型异常值；根据所述结构量测模型中的异常检测参数向量和所述结构状态向量，构建增广状态向量；基于所述结构监测数据集，采用粒子滤波方法更新所述增广状态向量，并根据更新后的增广状态向量进行工程结构监测，实现结构状态更新和所述结构监测数据集中异常数据的识别
。2.
根据权利要求1所述的基于贝叶斯滤波的工程结构异常监测数据的实时识别方法，其特征在于，通过如下方式建立包含结构状态向量和异常检测参数向量的结构量测模型：
y
k
＝
A
k
‑1y
k
‑1+B
k
‑1f
k
‑1z
k
＝
h(y
k
)+r
k
+I
k,1
⊙
u
k
+I
k,2
⊙
v
k
其中，
y
k
表示第
k
时刻的结构状态向量，
y
k
‑1表示第
k
‑1时刻的结构状态向量，
A
k
‑1和
B
k
‑1分别表示第
k
‑1时刻的状态转移矩阵和输入状态矩阵，
f
k
‑1表示第
k
‑1时刻作用在结构上的外激励，
z
k
表示第
k
时刻的量测向量，
h(.)
表示结构健康量测模型函数，
r
k
表示第
k
时刻的量测噪声向量，
⊙
表示阿达玛乘积，
u
k
表示
k
时刻量测数据中的随机误差，
v
k
表示
k
时刻量测数据中的偏差，
I
k,1
和
I
k,2
表示多元伯努利随机向量
。3.
根据权利要求2所述的基于贝叶斯滤波的工程结构异常监测数据的实时识别方法，其特征在于，通过如下方式获得所述结构量测模型中的异常检测参数向量：将所述偏差模拟为均值为
m
k
、
协方差矩阵为的正态分布，并将所述马尔可夫模型
m
k
通过如下方式进行表示：将
Δ
m
k
‑1模拟为零均值
、
协方差矩阵为的正态分布，并将通过如下方式进行表示：其中，
l
表示向量的第
l
个维度，
N
z
表示维度总数，被模拟为在区间
[c
l
,d
l
]
上的均匀分布，
c
和
d
表示常量参数，
I
k
‑
1,0
和
I
k
‑
1,1
表示多元伯努利随机向量；将
m
k
作为所述增广状态向量中的第一异常检测参数向量
。4.
根据权利要求3所述的基于贝叶斯滤波的工程结构异常监测数据的实时识别方法，其特征在于，通过如下方式获得所述结构健康量测模型中的异常检测参数向量还包括：采用多元伯努利随机向量，在量测向量的不同维度上检测多种异常值类型的发生，所述多元伯努利随机向量通过如下方式进行表示：述多元伯努利随机向量通过如下方式进行表示：其中，表示马尔可夫链，的转移概率表示为对于
任何的
l≠m
，与相互独立，
I
k,n
和表示是否出现异常值及异常值的类型的互相替代，
δ
表示狄拉克函数；将作为所述增广状态向量中的第二异常检测参数向量
。5.<...

【专利技术属性】
技术研发人员：黄可，肖磊，王磊，黄杜康，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：