[發明專利]一種橋梁結構安全監測數據的預測方法

有效

• 申請號: 201410522710.0
• 申請日: 2014-09-29
• 公開（公告）號: CN104268658B
• 公開（公告）日: 2017-10-10
• 發明（設計）人: 唐浩;孟利波;廖敬波;宋剛;陳果;譚川
• 申請（專利權）人: 招商局重慶交通科研設計院有限公司
• 主分類號: G06F19/00
• 分類號: G06F19/00;G06Q10/04;G06Q50/08;G06F17/30
• 代理公司: 北京同恒源知識產權代理有限公司11275
• 代理人: 廖曦

1.一種橋梁結構安全監測數據的預測方法，其特征在于：包括以下步驟：

步驟一：選擇橋梁監測數據作為待分析對象，預測其未來發展趨勢；所述橋梁監測數據包括：裂縫數據、應變數據、傾斜度數據、撓度數據、位移數據、加速度數據和索力監測數據；

步驟二：選取橋梁監測數據的樣本數據，用樣本數據來訓練自回歸移動平均模型ARMA(Auto Regression Moving Average)，建立ARMA模型，并利用該模型預測下一時刻的監測變量值；

步驟三：用樣本數據訓練最小二乘支持向量機模型LS-SVM(Least Square Support Vector Machine)，建立LS-SVM模型；利用該模型預測下一時刻的監測變量值；

步驟四：以ARMA模型的預測結果和LS-SVM模型的預測結果作為輸入樣本，各自賦予其模糊隸屬度，訓練最小二乘模糊支持向量機模型LS-FSVM(Least Square Fuzzy Support Vector Machine)，建立LS-FSVM模型；利用該模型預測下一時刻的監測變量值，該值為本方法的最終預測結果；

步驟二具體包括：

1)對獲得的數據進行預處理，去掉超量程的不可能數據，用移動平均模型對時域信號進行平滑處理；

2)取前k個歷史監測值{x_n-k+1,x_n-k+2,…,x_n-1,x_n}用于ARMA建模，預測x_n+1的值；

3)對數據進行標準化處理：式中x_i是{x_n-k+1,x_n-k+2,…,x_n-1,x_n}中的原始數據，是k個建模數據的均值，σ是k個建模數據的標準差，x′_i是標準化后的數據；

4)對數據進行差分處理，將信號變得平穩化或弱平穩化；

5)用赤池信息量準則AIC(Akaike Information Criterion)準則確定ARMA模型階數；

6)建立ARMA模型，并利用ARMA模型預測x_n+1的值；

步驟三具體包括：

1)對獲得的數據進行預處理：去掉超量程的不可能數據，用移動平均模型對時域信號進行平滑處理；

2)取前h個歷史監測值{x_n-h+1,x_n-h+2,…,x_n-1,x_n}用于LS-SVM建模，預測x_n+1的值；

3)對數據進行標準化處理：式中x_i是{x_n-h+1,x_n-h+2,…,x_n-1,x_n}中的原始數據，是h個建模數據的均值，σ是h個建模數據的標準差，x′_i是標準化后的數據；

4)采用C-C方法確定時間序列{x′_n-h+1,x′_n-h+2,…,x′_n-1,x′_n}相空間重構時的最佳時間延遲τ與最佳嵌入維數m；

5)對時間序列：

{x′_n-h+1,x′_n-h+2,…,x′_n-₁,x′_n}進行相空間重構，得到X′_j＝[x′_j,x′_j+τ,x′_j+2τ,…,x′_j+(m-1)τ]，式中：j＝n-h+1,n-h+2,…,M，M是重構相空間中相點的個數，M＝n-(m-1)τ；

6)利用相空間重構后的數據為樣本，訓練并建立LS-SVM模型；

7)利用LS-SVM模型預測x_n+1的值；

步驟四具體包括：

1)確定與待測橋梁結構安全有關的某種監測數據，所述的監測數據為裂縫數據、應變數據、傾斜度數據、撓度數據、位移數據、加速度數據、或索力監測數據，并確定待測橋梁的具體監測點，并擬預測其x_p+1點的值；

2)按照步驟二分別預測點的值，共計預測u次；

3)按照步驟三分別預測點的值，共計預測u次；

4)定義模糊隸屬度則點x_p-u+1的隸屬度為點x_p-u+2的隸屬度為點x_p-1的隸屬度為點x_p的隸屬度為s_u＝1；

5)建立LS-FSVM模型訓練樣本：

(xp-u+1ARMA,xp-u+1LS-SVM,s1),(xp-u+2ARMA,xp-u+2LS-SVM,s2),...,(xp-1ARMA,xp-1LS-SVM,su-1),(xpARMA,xpLS-SVM,su);]]>

6)用訓練樣本建立并訓練LS-FSVM模型；

7)按照步驟二預測按照步驟三預測

8)通過建立的LS-FSVM模型得到最終預測值x_p+1。