【技术实现步骤摘要】
本专利技术涉及建筑健康安全领域，具体地，涉及一种用于结构健康监测的多元数据采集与融合分析方法和系统。
技术介绍
1、伴随着城市既有建筑物与构筑物数量的不断增加与使用时长的不断增加，结构风险发生概率不断增大。对潜在的结构风险进行实时感知与提前预知是降低既有建筑物与构筑物运维成本的有效手段。提高不同场景下结构监测数据的预测精度对预防和减少结构风险所造成的损失具有重要的现实意义。
2、目前，大量布置使用的结构健康安全监测系统往往针对单一结构指标进行风险评估。而大量研究已表明环境因素对监测数据影响显著，在结构响应原始监测数据中，温度等环境变量所引起的结构响应与倾角等结构参数本身变化可能处于同一数量级，原始监测数据可能无法反映结构参数真实变化趋势。如果忽略这种环境影响，可能引起结构安全评估结果精确度的下降，因此需要提出一种分析方法、系统和设备对多元健康监测数据进行融合分析，实现结构安全的多指标预警。
技术实现思路
1、针对现有技术中的缺陷，本专利技术的目的是提供一种用于结构健康监测的多元数据采集与融合分析方法和系统。
2、根据本专利技术的一个方面，提供一种用于结构健康监测的多元数据采集与融合分析方法，包括：
3、利用集成多元传感器获取目标建筑物或构筑物监测数据，所述监测数据包括加速度监测数据、倾角监测数据、温度监测数据；
4、将所述加速度监测数据、倾角监测数据、温度监测数据进行传输；
5、对所述加速度监测数据进行结构模态参数识别获得
6、建立lstm神经网络模态参数预测模型，将所述模态参数历史监测数据作为训练样本进行训练；建立lstm神经网络修正倾角预测模型，将所述修正倾角历史监测数据作为训练样本进行训练；
7、获得待预测的模态参数序列，将所述模态参数序列输入至已训练的lstm神经网络模态参数预测模型中，输出目标建筑物或构筑物的模态参数预测序列；获得待预测的修正倾角序列，将所述修正倾角序列输入至已训练的lstm神经网络倾角预测模型中，输出目标建筑物或构筑物的倾角预测序列；
8、基于预测得到的所述模态参数预测序列和所述倾角预测序列进行趋势判定以及预警。
9、优选的，所述利用集成多元传感器获取目标建筑物或构筑物监测数据，为使用传感器进行定时采集；
10、传感器进行单次采集时，采集的数据包含固定时间段内以固定采样频率采集的加速度时程、单个或多个倾角数据、单个或多个温度数据。
11、优选的，采用ssi方法对目标建筑物或构筑物的加速度监测数据进行模态参数识别，识别到模态参数，包括：模态频率、模态振型和模态阻尼；
12、在识别的过程中还生成稳定图，所述稳定图包括横坐标为模态频率，纵坐标为模态阶数的稳定图；
13、基于所述稳定图，过滤所述识别到的模态参数中的不稳定频率，获得频率稳定的模态频率、模态振型和模态阻尼。
14、优选的，所述对所述倾角监测数据、温度监测数据进行处理，得到修正倾角历史监测数据、温度历史监测数据，包括：
15、对所述倾角数据、温度数据进行归一化处理并构建数据库，得到倾角历史监测数据、温度历史监测数据；
16、采用xgboost方法针对所述倾角历史监测数据进行分段组分分解，并采用线性拟合得到组分分解中的趋势项；
17、将所述温度历史监测数据视为外生变量，并采用最小二乘拟合，得到外生变量引起的外生项；
18、在所述倾角历史监测数据中去除所述趋势项、所述外生项，获得所述修正倾角历史监测数据。
19、优选的，所述归一化处理，具体为：e[x]为数据样本平均值，var[x]为数据样本方差。
20、优选的，所述lstm神经网络模态参数预测模型与所述lstm神经网络倾角预测模型的训练过程相同，均包括如下过程：
21、根据输入变量的个数确定神经网络超参数；
22、确定所述lstm神经网络模态参数预测模型的输出变量为模态参数预测序列；确定所述lstm神经网络倾角预测模型的输出变量为倾角预测序列；
23、通过最小化模态参数预测值/最小化倾角预测值与实测值之间差值进行训练，以获取lstm神经网络模态参数预测模型/lstm神经网络倾角预测模型各神经元节点参数。
24、优选的，所述基于预测得到的所述模态参数预测序列和所述倾角预测序列进行趋势判定以及预警，包括：
25、基于所述模态参数和所述倾角预测值得到倾角趋势；
26、根据设定的模态参数、倾角趋势上下限阈值，对模态参数、倾角趋势是否超限进行判断：
27、所述倾角趋势或至少一项模态参数超限进行预警；或者，硕鼠倾角趋势和至少一项模态参数同时超限进行预警。
28、根据本专利技术的第二个方面，提供一种用于结构健康监测的多元数据采集与融合分析系统，包括：
29、数据获取模块，利用集成多元传感器获取目标建筑物或构筑物监测数据，所述监测数据包括加速度监测数据、倾角监测数据、温度监测数据；
30、数据传输模块，将所述加速度监测数据、倾角监测数据、温度监测数据进行传输；
31、数据处理模块，对所述加速度监测数据进行结构模态参数识别获得模态参数识别结果，得到模态参数历史监测数据；对所述倾角监测数据、温度监测数据进行处理，得到修正倾角历史监测数据、温度历史监测数据；
32、预测模型训练模块，建立lstm神经网络模态参数预测模型，将所述模态参数历史监测数据作为训练样本进行训练；建立lstm神经网络修正倾角预测模型，将所述修正倾角历史监测数据作为训练样本进行训练；
33、沉降预测模块，获得待预测的模态参数序列，将所述模态参数序列输入至已训练的lstm神经网络模态参数预测模型中，输出目标建筑物或构筑物的模态参数预测序列；获得待预测的修正倾角序列，将所述修正倾角序列输入至已训练的lstm神经网络倾角预测模型中，输出目标建筑物或构筑物的倾角预测序列；
34、预警模块，基于预测得到的所述模态参数预测序列和所述倾角预测序列进行趋势判定以及预警。
35、根据本专利技术的第三个方面，提供一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时可用于执行所述的方法，或，运行所述的系统。
36、根据本专利技术的第四个方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可用于执行所述的方法，或，运行所述的系统。
37、与现有技术相比，本专利技术实施例至少具有如下的一项有益效果：
38、1、本专利技术实施例中的用于结构健康监测的多元数据采集与融合分析方法和系统，通过对加速度监测数据、倾角监测数据、温度监测数据进行数据处理以及修本文档来自技高网...
【技术保护点】
1.一种用于结构健康监测的多元数据采集与融合分析方法，其特征在于，包括：
2.根据权利要求1所述的一种用于结构健康监测的多元数据采集与融合分析方法，其特征在于，所述利用集成多元传感器获取目标建筑物或构筑物监测数据，为使用传感器进行定时采集；
3.根据权利要求1所述的一种用于结构健康监测的多元数据采集与融合分析方法，其特征在于，采用SSI方法对目标建筑物或构筑物的加速度监测数据进行模态参数识别，识别到模态参数，包括：模态频率、模态振型和模态阻尼；
4.根据权利要求1所述的一种用于结构健康监测的多元数据采集与融合分析方法，其特征在于，所述对所述倾角监测数据、温度监测数据进行处理，得到修正倾角历史监测数据、温度历史监测数据，包括：
5.根据权利要求4所述的一种用于结构健康监测的多元数据采集与融合分析方法，其特征在于，所述归一化处理，具体为：E[x]为数据样本平均值，Var[x]为数据样本方差。
6.根据权利要求1所述的一种用于结构健康监测的多元数据采集与融合分析方法，其特征在于，所述LSTM神经网络模态参数预测模型与所述LST
7.根据权利要求1所述的一种用于结构健康监测的多元数据采集与融合分析方法，其特征在于，所述基于预测得到的所述模态参数预测序列和所述倾角预测序列进行趋势判定以及预警，包括：
8.一种用于结构健康监测的多元数据采集与融合分析系统，其特征在于，包括：
9.一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时可用于执行权利要求1-7中任一项所述的方法，或，运行权利要求8中所述的系统。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时可用于执行权利要求1-7中任一项所述的方法，或，运行权利要求8中所述的系统。
...【技术特征摘要】
1.一种用于结构健康监测的多元数据采集与融合分析方法，其特征在于，包括：
2.根据权利要求1所述的一种用于结构健康监测的多元数据采集与融合分析方法，其特征在于，所述利用集成多元传感器获取目标建筑物或构筑物监测数据，为使用传感器进行定时采集；
3.根据权利要求1所述的一种用于结构健康监测的多元数据采集与融合分析方法，其特征在于，采用ssi方法对目标建筑物或构筑物的加速度监测数据进行模态参数识别，识别到模态参数，包括：模态频率、模态振型和模态阻尼；
4.根据权利要求1所述的一种用于结构健康监测的多元数据采集与融合分析方法，其特征在于，所述对所述倾角监测数据、温度监测数据进行处理，得到修正倾角历史监测数据、温度历史监测数据，包括：
5.根据权利要求4所述的一种用于结构健康监测的多元数据采集与融合分析方法，其特征在于，所述归一化处理，具体为：e[x]为数据样本平均值，var[x]为数据样本方差。
【专利技术属性】
技术研发人员：王斐亮，杨健，庞博，马喜宏，庄朝芳，钱锡伟，姜琰，陆敏铖，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。