CN105868556A - 一种基于北斗桥梁安全监测***的桥梁安全评估方法 - Google Patents

Abstract

本发明公开了一种基于北斗桥梁安全监测***的桥梁安全评估方法，通过北斗桥梁安全监测***的数据采集子***获取桥梁连续时间段内的监测数据；通过数据传输子***的光网络单元把监测数据由电信号转化为光信号，使用分光器把监测点光信号汇聚后再进行信号传送；通过数据处理中心子***对监测数据进行预处理，建立灰色微分预测模型GM(1,1)；利用灰色微分预测模型GM(1,1)对监测数据的结果进行分析，对测量点位移的变化规律做出模糊的长期描述，判断桥梁形变变化趋势，并设定安全阈值，超过安全阈值则启动报警程序。本发明有助于减少时间序列的随机性和提高预测精度，具有所需样本少，对样本要求不严格的特点。

Description

一种基于北斗桥梁安全监测***的桥梁安全评估方法

技术领域

本发明涉及桥梁监测技术领域，具体是一种基于北斗桥梁安全监测***的桥梁安全评估方法。

背景技术

近年来随着桥梁建设事业的迅猛发展，桥梁结构形式与功能日趋复杂，工程的规模也越来越大，然而在世界各国都相继发生了一些桥梁突然性的破坏事件，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；同时监测信息可为桥梁维护、维修与管理决策提供依据和指导。

桥梁安全状态评估是根据所采集到的桥梁技术状况数据利用一系列评价指标和评价模型对桥梁的使用性能满足其使用要求和功能性要求的程度做出判别。目前，大型桥梁安全综合评估主要是应用层次分析法将影响桥梁状态的因素层次化，形成一个多层的、每层包含若干组指标的体系，先确定底层各指标的状态，再采用综合评估的计算方法计算出其他各层指标的状态，包括常规综合评估、模糊综合评估、模糊神经网络评估等方法。

发明内容

本发明的目的在于提供一种基于北斗桥梁安全监测***的桥梁安全评估方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于北斗桥梁安全监测***的桥梁安全评估方法，包括以下步骤：

一、通过北斗桥梁安全监测***的数据采集子***获取桥梁连续时间段内的监测数据；

二、通过数据传输子***的光网络单元把监测数据由电信号转化为光信号，使用分光器把监测点光信号汇聚后再进行信号传送；

三、通过数据处理中心子***对监测数据进行预处理，使其符合灰色微分预测模型GM(1,1)构建需求；

四、根据连续测量所得到的桥梁的监测数据，建立灰色微分预测模型GM(1,1)；

(一)灰色微分预测模型GM(1,1)的建立

(1)累加生成新序列：原始序列X⁽⁰⁾＝{X⁽⁰⁾(1),X⁽⁰⁾(2),…,X⁽⁰⁾(n)}有n个观察值，将原始序列的第一个数据，将原始序列的第二个数据加到原始序列的第一个数据上，其和作为生成列的第二个数据，将原始序列的第三个数据加到生成列的第二个数据上，其和作为生成列的第三个数据，按此规则通过累加生成新序列X⁽¹⁾＝{X⁽¹⁾(1),X⁽¹⁾(2),…,X⁽¹⁾(n)}，则灰色微分预测模型GM(1,1)相应的微分方程为：

$\frac{{\mathrm{dX}}^{\left(1\right)}}{dt}+{\mathrm{aX}}^{\left(1\right)}=\mathrm{\μ}$

其中：a称为发展灰数；μ称为内生控制灰数；

(2)构造矩阵B与向量Y

矩阵

向量Y＝(X⁽⁰⁾(2),X⁽⁰⁾(3),...,X⁽⁰⁾(n))

(3)解微分方程，得预测模型：设为待估参数向量，则微分方程可表示为利用最小二乘法可得：

$\hat{a}={\left(B^{T}B\right)}^{-1}{B}^{T}Y$

求解微分方程，即得预测模型

${\hat{X}}^{\left(1\right)}(k+1)=\[X^{\left(0\right)}\left(1\right)-\frac{\mathrm{\μ}}{a}\]e^{-ak}+\frac{\mathrm{\μ}}{a},k=0,1,2,...,n$

(4)对预测序列累减还原：对其做累减还原，即得到原始数列的灰色微分预测模型GM(1,1)为：

${\hat{X}}^{\left(0\right)}\left(k\right)={\hat{X}}^{\left(1\right)}(k+1)-{\hat{X}}^{\left(1\right)}\left(k\right)$

(二)模型检验

模型检验有残差检验、关联度检验和后验差检验；检验合格后灰色微分预测模型GM(1,1)才能使用；

五、桥梁安全性评价预警

(一)当灰色微分预测模型GM(1,1)适用时，利用灰色微分预测模型GM(1,1)对监测数据的结果进行分析，对测量点位移的变化规律做出模糊的长期描述，判断桥梁形变变化趋势，并设定安全阈值，超过安全阈值则启动报警程序；

(二)当灰色微分预测模型GM(1,1)不适用时，通过模糊综合评价法对桥梁安全性做定性评价；根据评价结果启动相应级别的报警***。

作为本发明进一步的方案：监测数据包括桥***移、桥面侧倾、挠度和桥墩沉降。

作为本发明进一步的方案：残差检验，包括以下步骤：

按预测模型计算并将累减生成然后计算原始序列X⁽⁰⁾(i)与的绝对误差序列及相对误差序列；

${\mathrm{\Δ}}^{\left(0\right)}\left(i\right)=|X^{\left(0\right)}\left(i\right)-{\hat{X}}^{\left(0\right)}\left(i\right)|,i=1,2,3,...,n$

$\mathrm{\φ}\left(i\right)=\frac{{\mathrm{\Δ}}^{\left(0\right)}\left(i\right)}{X^{\left(0\right)}\left(i\right)}\×100\%,i=1,2,3,...,n$

其中Δ⁽⁰⁾(i)为绝对误差，φ(i)为相对误差；

在建立模型后，还必须对模型进行残差检验，相对误差≤0.1，即通过残差检验。

作为本发明进一步的方案：关联度检验，包括以下步骤：

关联度分析是分析***中各因素关联程度的方法，在计算关联度之前需先计算关联系数；

关联系数定义为：

$\mathrm{\η}\left(k\right)=\frac{min|{\hat{X}}^{\left(0\right)}\left(k\right)-X^{\left(0\right)}\left(k\right)|+\mathrm{\ρ}\×max|{\hat{X}}^{\left(0\right)}\left(k\right)-X^{\left(0\right)}\left(k\right)|}{|{\hat{X}}^{\left(0\right)}\left(k\right)-X^{\left(0\right)}\left(k\right)|+\mathrm{\ρ}\×max|{\hat{X}}^{\left(0\right)}\left(k\right)-X^{\left(0\right)}\left(k\right)|}$

式中：为第k个点X⁽⁰⁾和的绝对误差；

为两级最小差；

为两级最大差；

ρ称为分辨率，0<ρ<1，若ρ越小，关联系数间差异越大，区分能力越强；取ρ＝0.5；对单位不一，初值不同的序列，在计算相关系数前应首先进行初始化，即将该序列所有数据分别除以第一个数据；

计算关联度根据经验ρ＝0.5时，关联度大于0.6即通过关联度检验；

作为本发明进一步的方案：后验差检验，包括以下步骤：

a.计算原始序列标准差：

b.计算绝对误差序列的标准差：

c.计算后验差比值：

后验差比值C<0.65即通过关联度检验。

与现有技术相比，本发明的有益效果是：

本发明通过快速建立灰色预测模型，对桥梁安全性进行估计和预测，为判断桥梁安全走势提供依据和参考，在一定程度上克服了传统预测模型的局限性，有助于减少时间序列的随机性和提高预测精度，并且灰色预测模型在监测预测方面具有所需样本少，对样本要求不严格的特点。

具体实施方式

下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

本发明实施例中，一种基于北斗桥梁安全监测***的桥梁安全评估方法，包括以下步骤：

一、通过北斗桥梁安全监测***的数据采集子***获取桥梁连续时间段内的桥***移、桥面侧倾、挠度和桥墩沉降等监测数据。

二、通过数据传输子***的光网络单元把监测数据由电信号转化为光信号，使用分光器把监测点光信号数据汇聚后再进行信号传送。

三、通过数据处理中心子***对监测数据进行预处理，使其符合模型构建需求。

四、根据连续测量所得到的桥梁监测数据，建立灰色微分预测模型。

(一)GM(1,1)模型的建立。

(1)累加生成新序列。原始序列X⁽⁰⁾＝{X⁽⁰⁾(1),X⁽⁰⁾(2),...,X⁽⁰⁾(n)}有n个观察值，将原始序列的第一个数据，将原始序列的第二个数据加到原始序列的第一个数据上，其和作为生成列的第二个数据，将原始序列的第三个数据加到生成列的第二个数据上，其和作为生成列的第三个数据，按此规则通过累加生成新序列X⁽¹⁾＝{X⁽¹⁾(1),X⁽¹⁾(2),...,X⁽¹⁾(n)}，则GM(1,1)模型相应的微分方程为：

$\frac{{\mathrm{dX}}^{\left(1\right)}}{dt}+{\mathrm{aX}}^{\left(1\right)}=\mathrm{\&mu;}$

其中：a称为发展灰数；μ称为内生控制灰数。

(2)构造矩阵B与向量Y

矩阵

向量Y＝(X⁽⁰⁾(2),X⁽⁰⁾(3),...,X⁽⁰⁾(n))

(3)解微分方程，得预测模型。设为待估参数向量，则微分方程可表示为利用最小二乘法可得：

$\hat{a}={\left(B^{T}B\right)}^{-1}{B}^{T}Y$

求解微分方程，即可得预测模型

${\hat{X}}^{\left(1\right)}(k+1)=\&lsqb;X^{\left(0\right)}\left(1\right)-\frac{\mathrm{\&mu;}}{a}\&rsqb;e^{-ak}+\frac{\mathrm{\&mu;}}{a},k=0,1,2,...,n$

(4)对预测序列累减还原。对其做累减还原，即可得到原始数列的灰色预测模型为：

${\hat{X}}^{\left(0\right)}\left(k\right)={\hat{X}}^{\left(1\right)}(k+1)-{\hat{X}}^{\left(1\right)}\left(k\right)$

-a主要控制***发展态势的大小，即反映预测的发展态势，其中：

①当-a<0.3时，GM(1,1)模型可用于中长期预测；

②当0.3<-a<0.5时，GM(1,1)模型可用于短期预测，中长期预测慎用；

③当0.5<-a<1时，采用GM(1,1)改进模型，包括GM(1,1)残差修正模型；

④当-a>1时，不宜采用GM(1,1)模型，可考虑其他预测方法。

(二)模型检验。

模型检验有残差检验、关联度检验和后验差检验。

(1)残差检验

按预测模型计算并将累减生成然后计算原始序列X⁽⁰⁾(i)与的绝对误差序列及相对误差序列。

${\mathrm{\&Delta;}}^{\left(0\right)}\left(i\right)=|X^{\left(0\right)}\left(i\right)-{\hat{X}}^{\left(0\right)}\left(i\right)|,i=1,2,3,...,n$

$\mathrm{\&phi;}\left(i\right)=\frac{{\mathrm{\&Delta;}}^{\left(0\right)}\left(i\right)}{X^{\left(0\right)}\left(i\right)}\&times;100\%,i=1,2,3,...,n$

其中Δ⁽⁰⁾(i)为绝对误差，φ(i)为相对误差。

在建立模型后，必须对模型进行残差检验，其检验标准见表1。

表1残差检验等级参照表

精度等级	相对误差
		一级(优)	0.01
二级(良)	0.05
		三级(合格)	0.1
四级(不适用)	0.2

(2)关联度检验

关联度分析是分析***中各因素关联程度的方法，在计算关联度之前需先计算关联系数。

关联系数定义为：

$\mathrm{\&eta;}\left(k\right)=\frac{min|{\hat{X}}^{\left(0\right)}\left(k\right)-X^{\left(0\right)}\left(k\right)|+\mathrm{\&rho;}\&times;max|{\hat{X}}^{\left(0\right)}\left(k\right)-X^{\left(0\right)}\left(k\right)|}{|{\hat{X}}^{\left(0\right)}\left(k\right)-X^{\left(0\right)}\left(k\right)|+\mathrm{\&rho;}\&times;max|{\hat{X}}^{\left(0\right)}\left(k\right)-X^{\left(0\right)}\left(k\right)|}$

式中：为第k个点X⁽⁰⁾和的绝对误差；

为两级最小差；

为两级最大差；

ρ称为分辨率，0<ρ<1，若ρ越小，关联系数间差异越大，区分能力越强。一般取ρ＝0.5；对单位不一，初值不同的序列，在计算相关系数前应首先进行初始化，即将该序列所有数据分别除以第一个数据。

关联度根据经验ρ＝0.5时，关联度大于0.6便满意了。

(3)后验差检验

a.计算原始序列标准差：

b.计算绝对误差序列的标准差：

c.计算后验差比值：

表2预测检验等级参照表

后验差比值C	检验情况
		<0.35	好
<0.50	合格
		<0.65	勉强合格
≥0.65	不合格

五、桥梁安全性评价预警

(一)当GM(1,1)模型适用时，利用GM(1,1)模型对监测数据的结果进行分析，对测量点位移的变化规律做出模糊的长期描述，判断桥梁形变变化趋势，并设定安全阈值，超过安全阈值则启动报警程序。

(二)当GM(1,1)模型不宜采用时，可通过模糊综合评价法对桥梁安全性做定性评价。选择评价等级为：安全、较安全、较不安全和不安全；评价因子为：桥***移、桥面侧倾、挠度和桥墩沉降。具体评价方法：

(1)隶属度的计算。

采用梯形函数计算各评价因子x对桥梁安全性影响的隶属度，计算公式如下:

$Y_1=\left\{\begin{array}{cc}1& x\&le;S_1\\ \frac{S_2-x}{S_2-S_1}& S_1\&le;x\&le;S_2\\ 0& S_2\&le;x\end{array}\right.$

$Y_2=\left\{\begin{array}{cc}\frac{x-S_1}{S_2-S_1}& S_1\&le;x\&le;S_2\\ \frac{S_3-x}{S_3-S_2}& S_2<x<S_3\\ 0& x\&le;S_1,x\&GreaterEqual;S_3\end{array}\right.$

$Y_3=\left\{\begin{array}{cc}\frac{x-S_2}{S_3-S_2}& S_2<x<S_3\\ \frac{S_4-x}{S_4-S_3}& S_3<x<S_4\\ 0& x\&le;S_2,x\&GreaterEqual;S_4\end{array}\right.$

$Y_4=\left\{\begin{array}{cc}0& x\&le;S_3\\ \frac{x-S_3}{S_4-S_3}& S_3<x<S_4\\ 1& x\&GreaterEqual;S_4\end{array}\right.$

式中，Y₁,Y₂,Y₃,Y₄分别为评价因子对于4个危险等级的隶属度，S₁,S₂,S₃,S₄为相应于评价因子的分级阈值。根据评价因子的输入值和隶属度函数，可求出其相应于各等级的隶属度，进而得出模糊关系矩阵R。

(2)权重的计算。权法计算各因子的权重，按下式：

W_i＝C_i/S_i

其中：W_i为各评价因子的权重；C_i为第i种因子的输入值；S_i为第i种因子各级标准的平均值，S_i＝1/4(S_i1+S_i2+S_i3+S_i4)。计算出的权重值W_i要做归一化处理，即：

$\stackrel{\&OverBar;}{W_i}=(C_i/S_i)/(\underset{i=1}{\overset{n}{\&Sigma;}}{C}_i/S_i)$

最终可得出权重矩阵A＝(W_i1,W_i2,W_i3,W_i4)。评判结果按最大隶属度规则确定，即哪一等级的隶属度最大，则危险程度属于该等级，根据所属等级启动相应级别的报警***。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (5)

1.一种基于北斗桥梁安全监测***的桥梁安全评估方法，其特征在于，包括以下步骤：

一、通过北斗桥梁安全监测***的数据采集子***获取桥梁连续时间段内的监测数据；

二、通过数据传输子***的光网络单元把监测数据由电信号转化为光信号，使用分光器把监测点光信号汇聚后再进行信号传送；

三、通过数据处理中心子***对监测数据进行预处理，使其符合灰色微分预测模型GM(1,1)构建需求；

四、根据连续测量所得到的桥梁的监测数据，建立灰色微分预测模型GM(1,1)；

(一)灰色微分预测模型GM(1,1)的建立

(1)累加生成新序列：原始序列X⁽⁰⁾＝{X⁽⁰⁾(1),X⁽⁰⁾(2),...,X⁽⁰⁾(n)}有n个观察值，将原始序列的第一个数据，将原始序列的第二个数据加到原始序列的第一个数据上，其和作为生成列的第二个数据，将原始序列的第三个数据加到生成列的第二个数据上，其和作为生成列的第三个数据，按此规则通过累加生成新序列X⁽¹⁾＝{X⁽¹⁾(1),X⁽¹⁾(2),...,X⁽¹⁾(n)}，则灰色微分预测模型GM(1,1)相应的微分方程为：

其中：a称为发展灰数；μ称为内生控制灰数；

(2)构造矩阵B与向量Y

矩阵

向量Y＝(X⁽⁰⁾(2),X⁽⁰⁾(3),...,X⁽⁰⁾(n))

(3)解微分方程，得预测模型：设为待估参数向量，则微分方程可表示 为利用最小二乘法得：

求解微分方程，即得预测模型

(4)对预测序列累减还原：对其做累减还原，即得到原始数列的灰色微分预测模型GM(1,1)为：

(二)模型检验

模型检验有残差检验、关联度检验和后验差检验；检验合格后灰色微分预测模型GM(1,1)才能使用；

五、桥梁安全性评价预警

(一)当灰色微分预测模型GM(1,1)适用该桥梁时，利用灰色微分预测模型GM(1,1)对监测数据的结果进行分析，对测量点位移的变化规律做出模糊的长期描述，判断桥梁形变变化趋势，并设定安全阈值，超过安全阈值则启动报警程序；

(二)当灰色微分预测模型GM(1,1)不适用该桥梁时，通过模糊综合评价法对桥梁安全性做定性评价；根据评价结果启动相应级别的报警***。

2.根据权利要求1所述的基于北斗桥梁安全监测***的桥梁安全评估方法，其特征在于，监测数据包括桥***移、桥面侧倾、挠度和桥墩沉降。

3.根据权利要求1所述的基于北斗桥梁安全监测***的桥梁安全评估方法，其特征在于，残差检验，包括以下步骤：

按预测模型计算并将累减生成然后计算原始序列X⁽⁰⁾(i)与的绝对误差序列及相对误差序列；

其中Δ⁽⁰⁾(i)为绝对误差，φ(i)为相对误差；

在建立模型后，还必须对模型进行残差检验，相对误差≤0.1，即通过残差检验。

4.根据权利要求1所述的基于北斗桥梁安全监测***的桥梁安全评估方法，其特征在于，关联度检验，包括以下步骤：

关联度分析是分析***中各因素关联程度的方法，在计算关联度之前需先计算关联系数；

关联系数定义为：

式中：为第k个点X⁽⁰⁾和的绝对误差；

为两级最小差；

为两级最大差；

ρ称为分辨率，0<ρ<1，若ρ越小，关联系数间差异越大，区分能力越强；取ρ＝0.5；对单位不一，初值不同的序列，在计算相关系数前应首先进行初始化，即将该序列所有数据分别除以第一个数据；

计算关联度根据经验ρ＝0.5时，关联度大于0.6即通过关联度检验。

5.根据权利要求1所述的基于北斗桥梁安全监测***的桥梁安全评估方法，其特征在于，后验差检验，包括以下步骤：

a.计算原始序列标准差：

b.计算绝对误差序列的标准差：

c.计算后验差比值：

后验差比值C<0.65即通过关联度检验。