一种桥梁结构安全监测数据的预测方法
【专利摘要】本发明涉及一种桥梁结构安全监测数据的预测方法，属于桥梁健康监测【技术领域】。本方法包括以下步骤：一)选择桥梁监测数据作为待分析对象，预测其未来发展趋势；二)选取桥梁监测数据的样本数据，用样本数据来训练自回归移动平均模型ARMA，并利用该模型预测下一时刻的监测变量值；三)用样本数据训练最小二乘支持向量机模型LS-SVM，利用该模型预测下一时刻的监测变量值；四)以ARMA模型的预测结果和LS-SVM模型的预测结果作为输入样本，各自赋予其模糊隶属度，训练最小二乘模糊支持向量机模型LS-FSVM并利用该模型预测下一时刻的监测变量值，该值为本方法的最终预测结果。本方法能够对桥梁结构安全监测信息进行在线、实时预测，且相对于传统方法误差更小，精度更高。
【专利说明】一种桥梁结构安全监测数据的预测方法
【技术领域】
[0001] 本发明属于桥梁健康监测【技术领域】，涉及一种桥梁结构安全监测数据的预测方 法，特别是一种基于自回归移动平均模型的二次模糊最小二乘支持向量机桥梁结构安全监 测数据的预测方法。
【背景技术】
[0002] 桥梁的建设和维护是一个国家基础设施的重要组成部分，在国家建设和人民生 活中发挥着重要作用。近年来，随着桥梁建设事业的迅猛发展，桥梁结构的形式与功能日 趋复杂，工程规模也越来越大，然而桥梁安全事故却时有发生，桥梁结构的安全隐患广泛 存在。在美国，至少每两年要对约57. 5万座桥梁进行一次检测，据FHA(Federal Highway Administration)统计约40%的桥梁存在缺陷；1990年英国运输部抽样调查过200座混凝 土公路桥，调查结果表明大约30 %的桥梁运营条件不良；至2006年末，我国已经拥有公路 桥梁53. 36万座，但是我国公路桥梁安全隐患问题却尤为突出。在2007年至2011年5年 间，全国已经有至少17座大桥发生垮塌事故，共造成200余人伤亡，仅2011年出现的大桥 垮塌事故就有9起之多。
[0003] 这些灾难性的事件使得各国科研人员认为：对桥梁在运营状态下的健康监测问题 的研究是刻不容缓的；通过对桥梁结构状态的监控与评估，可以达到保证桥梁安全运营，避 免桥梁安全事故发生的目的；同时，监测信息还可以为桥梁维护、维修与管理决策提供依据 和指导。
[0004] 桥梁的长期健康监测数据，如应变、倾斜、位移、挠度、裂缝、索力等，是反映桥梁结 构安全的重要指标。通过对监测数据发展趋势的预测，提前获取结构性能的异常变化信号， 及早发现大型结构的安全隐患，为桥梁的安全预警提供依据与支持，这已成为现阶段土木 工程领域的研究热点。然而，尽管现代技术手段不断取得进步，但由于长期监测得到的信号 往往包含多种因素的共同作用，随机性及突发性干扰源较多、较复杂，使得信号的准确预测 仍然不是一件容易的工作。
【发明内容】
[0005] 有鉴于此，本发明的目的在于提供一种桥梁结构安全监测数据的预测方法，该方 法结合了 ARMA模型法和最小二乘支持向量机LS-SVM的各自优势，对历史监测数据时序的 短期变化进行了预测；并将两者预测结果通过最小二乘模糊支持向量机模型LS-FSVM进行 回归处理，最终得到下一时刻的预测值。
[0006] 为达到上述目的，本发明提供如下技术方案：
[0007] -种桥梁结构安全监测数据的预测方法，包括以下步骤：
[0008] 步骤一：选择桥梁监测数据作为待分析对象，预测其未来发展趋势；所述桥梁监 测数据包括：裂缝数据、应变数据、倾斜度数据、挠度数据、位移数据、加速度数据和索力监 测数据等；
[0009] 步骤二：选取桥梁监测数据的样本数据，用样本数据来训练自回归移动平均模型 ARMA (Auto Regression Moving Average)，建立ARMA模型，并利用该模型预测下一时刻的 监测变量值；
[0010] 步骤三：用样本数据训练最小二乘支持向量机模型LS-SVM (Least Square Support Vector Machine),建立LS-SVM模型；利用该模型预测下一时刻的监测变量值；
[0011] 步骤四：以ARMA模型的预测结果和LS-SVM模型的预测结果作为输入样本，各 自赋予其模糊隶属度，训练最小二乘模糊支持向量机模型LS-FSVM(Least Square Fuzzy Support Vector Machine),建立LS-FSVM模型；利用该模型预测下一时刻的监测变量值，该 值为本方法的最终预测结果。
[0012] 进一步，步骤二具体包括：
[0013] 1)对获得的数据进行预处理，去掉超量程的不可能数据，用移动平均模型对时域 信号进行平滑处理；
[0014] 2)取前k个历史监测值{xn_k+1, xn_k+2,…，Xm, xn}用于ARMA建模，预测xn+1的值；
[0015] 3)对数据进行标准化处理：
【权利要求】
1. 一种桥梁结构安全监测数据的预测方法，其特征在于：包括以下步骤： 步骤一：选择桥梁监测数据作为待分析对象，预测其未来发展趋势；所述桥梁监测数 据包括：裂缝数据、应变数据、倾斜度数据、挠度数据、位移数据、加速度数据和索力监测数 据等； 步骤二：选取桥梁监测数据的样本数据，用样本数据来训练自回归移动平均模型ARMA(AutoRegressionMovingAverage)，建立ARMA模型，并利用该模型预测下一时刻的 监测变量值； 步骤三：用样本数据训练最小二乘支持向量机模型LS_SVM(LeastSquareSupport VectorMachine)，建立LS-SVM模型；利用该模型预测下一时刻的监测变量值； 步骤四：以ARM模型的预测结果和LS-SVM模型的预测结果作为输入样本，各自赋予 其模糊隶属度，训练最小二乘模糊支持向量机模型LS-FSVM(LeastSquareFuzzySupport VectorMachine)，建立LS-FSVM模型；利用该模型预测下一时刻的监测变量值，该值为本 方法的最终预测结果。
2. 根据权利要求1所述的一种桥梁结构安全监测数据的预测方法，其特征在于：步骤 二具体包括： 1) 对获得的数据进行预处理，去掉超量程的不可能数据，用移动平均模型对时域信号 进行平滑处理； 2) 取前k个历史监测值{xn_k+1,xn_k+2,…，Xlri,xn}用于ARMA建模，预测xn+1的值； 3) 对数据进行标准化处理：
式中Xi是lxrf+1，xn+2，…，Xlri,xj中的原始数 据，I是k个建模数据的均值，〇是k个建模数据的标准差，X',是标准化后的数据； 4) 对数据进行差分处理，将信号变得平稳化或弱平稳化； 5) 用赤池信息量准则AIC(AkaikeInformationCriterion)准则确定ARMA模型阶数； 6) 建立ARMA模型，并利用ARMA模型预测xn+1的值。
3. 根据权利要求1所述的一种桥梁结构安全监测数据的预测方法，其特征在于：步骤 三具体包括： 1) 对获得的数据进行预处理：去掉超量程的不可能数据，用移动平均模型对时域信号 进行平滑处理； 2) 取前h个历史监测值{xn_h+1，xn_h+2，…，Xn+xn}用于LS-SVM建模，预测xn+1的值； 3) 对数据进行标准化处理：<=^，式中\是{^_11+1，^_11+2，?，1 1，^}中的原始数 a 据，无是h个建模数据的均值，〇是h个建模数据的标准差，X'i是标准化后的数据； 4) 采用C-C方法确定时间序列{x'n_h+1，x' n}相空间重构时的最 佳时间延迟T与最佳嵌入维数m; 5) 对时间序列： {x'n_h+1，x'n_h+2，"％x'mX'n}进行相空间重构，得到X'j=IVj，x^j+T，x^j+2T，…，x'j+(m_1)T],式中：j=n-h+l，n-h+2，*"，M,M是重构相空间中 相点的个数，M=n-(m-l)T; 6) 利用相空间重构后的数据为样本，训练并建立LS-SVM模型； 7)利用LS-SVM模型预测xn+1的值。
4.根据权利要求1所述的一种桥梁结构安全监测数据的预测方法，其特征在于：步骤 四具体包括： 1) 确定与待测桥梁结构安全有关的某种监测数据，所述的监测数据为裂缝数据、应变 数据、倾斜度数据、挠度数据、位移数据、加速度数据、或索力监测数据等，并确定待测桥梁 的具体监测点，并拟预测其xp+1点的值； 2) 按照步骤二分别预测点…，^,xf的值，共计预测u次； 3) 按照步骤三分别预测点的值，共计预测u次； 4) 定义模糊隶属度
，则点xp_u+1的隶属度为
，点xp_u+2的 隶属度为
，点Xlrt的隶属度为
，点xp的隶属度为Su = 1 ; 5) 建立LS-FSVM模型训练样本：
6) 用训练样本建立并训练LS-FSVM模型； 7) 按照步骤二预测，按照步骤三预测
8) 通过建立的LS-FSVM模型得到最终预测值
【文档编号】G06Q10/04GK104268658SQ201410522710
【公开日】2015年1月7日 申请日期:2014年9月29日 优先权日:2014年9月29日
【发明者】唐浩, 孟利波, 廖敬波, 宋刚, 陈果, 谭川 申请人:招商局重庆交通科研设计院有限公司