[发明专利]一种桥梁结构安全监测数据的预测方法

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。

主权项

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；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；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；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；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,…,xn‑1,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{xn‑k+1,xn‑k+2,…,xn‑1,xn}中的原始数据，是k个建模数据的均值，σ是k个建模数据的标准差，x′i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(Akaike Information Criterion)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；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‑1,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xi是{xn‑h+1,xn‑h+2,…,xn‑1,xn}中的原始数据，是h个建模数据的均值，σ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‑h+2,…,x′n‑1,x′n}相空间重构时的最佳时间延迟τ与最佳嵌入维数m；5)对时间序列：{x′n‑h+1,x′n‑h+2,…,x′n‑1,x′n}进行相空间重构，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是重构相空间中相点的个数，M＝n‑(m‑1)τ；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；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，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xp‑1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：(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xp+1。