CN114925518A - 一种基于时间序列和多传感器融合的桥梁健康预警方法 - Google Patents
一种基于时间序列和多传感器融合的桥梁健康预警方法 Download PDFInfo
- Publication number
- CN114925518A CN114925518A CN202210534056.XA CN202210534056A CN114925518A CN 114925518 A CN114925518 A CN 114925518A CN 202210534056 A CN202210534056 A CN 202210534056A CN 114925518 A CN114925518 A CN 114925518A
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- model
- bridge
- arma model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000036541 health Effects 0.000 title claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 86
- 241001123248 Arma Species 0.000 claims abstract description 74
- 238000012549 training Methods 0.000 claims abstract description 35
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 101100278588 Ramazzottius varieornatus Dsup gene Proteins 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000007774 longterm Effects 0.000 claims description 14
- 238000007689 inspection Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000007500 overflow downdraw method Methods 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000006378 damage Effects 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/257—Belief theory, e.g. Dempster-Shafer
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Structural Engineering (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Computing Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及一种基于时间序列和多传感器融合的桥梁健康预警方法。选取公开桥梁W种传感器数据流作为数据集；对数据进行检验确定该数据集为可用数据集；建立ARMA模型并对模型进行定阶；对可用数据集进行数据处理，得到新数据集；剔除新数据集中的异常传感器数据，得到ARMA模型输入数据；初始化定阶ARMA模型并采用长时监测数据对模型进行训练，得到预训练ARMA模型；预设告警等级，利用短时监测数据对预训练模型进行步进更新；将目标桥梁当前时间的所有监测数据作为步进更新后的模型输入，输出得到对目标桥梁的各类别监测指标的预测结果，然后将其进行信息融合，最后得到对危险信息的预警结果。使用本发明方法能准确地预测桥梁危害,且具有应用范围广的特点。
Description
技术领域
本发明涉及桥梁预警领域，特别涉及一种基于时间序列和多传感器融合的桥梁健康预警方法。
背景技术
目前,桥梁健康预警仍然是一项非常具有挑战性的任务,传统的桥梁监测方式以人工巡查、设备检测为主,很难做到及时或实时监测.随着大数据、BIM等信息技术的发展,桥梁监测逐步构建起信息化、智能化的应用***.信息技术不断的进步会导致更加多样化的数据被采集,因此也会促进评估理论的发展.目前国内外在健康检测中的新技术以BIM、传感传输、GPS技术为主.在近期对桥梁健康监测的研究中,技术难点和研究热点主要是:信号降噪,信号预警,模态参数识别,损伤识别,状态预测与评估.由于野外测试的信号具有复杂噪声,因此不能将桥梁健康监测***采集到的初始信号直接用来分析,需要对其进行降噪处理.在目前的桥梁监测项目中,缺少从数据序列的角度出发对桥梁各项监测数据的预测的相关工作,也缺乏对桥梁进行多模态融合后总体的诊断工作。
建立桥梁健康预警任务旨在通过对数据的融合、预测、危害判断,对桥梁危害提前预警.减少病态桥梁的存在,防止桥梁偶然事故的发生；减少亚健康的桥梁,确保健康桥梁的正常使用，目前关于长周期下的桥梁安全预警的预测精度是比较低的。
发明内容
针对现有技术存在的上述问题，本发明要解决的技术问题是：在长时间跨度下桥梁预警的预测精准度比较低的问题。
为解决上述技术问题，本发明采用如下技术方案：
一种基于时间序列和多传感器融合的桥梁健康预警方法，包括如下步骤：
S100：选取目标桥梁已知W个传感器的数据流作为数据集,该数据集包括桥梁上的W种传感器监测指标的数据；该数据集中的所有数据服从时间序列且分为长时监测数据与短时监测数据；
S200：建立ARMA模型，表达式如下：
其中，xm表示当前时间结果，p表示长时监测数据的时间跨度，
为长时监测数据的应用参数,εm为当前时刻的随机扰动；θ表示短时监测数据的应用参数，q表示短时监测数据的时间跨度；
将S100中所述数据集中所有数据进行检验，确定该数据集为适合ARMA模型输入的可用数据集；
S300：对ARMA模型进行定阶，得到定阶ARMA模型；
S400：对S200中得到的可用数据集通过离群值处理方法来完成数据清洗，然后利用指数平均化对清洗后的数据进行降噪平滑处理，得到新数据集；
S500：对新数据集进行剔除处理，去掉异常传感器数据，得到ARMA模型输入数据，具体步骤如下：
S510：选取传感器a，计算传感器a的输出数据与其他传感器的输出数据之间的距离d(Xa)，表达式如下：
其中，Xa表示传感器a的输出数据，且Xa＝{xi|i＝1,2,…,m}，Xb表示除传感器a以外的其他传感器输出数据，且Xb＝{xj|j＝1,2,…,m}；
S520：将计算得出的Xa与Xb的距离表示成一个距离矩阵，表达式如下：
其中，距离Dd(dab)表示Xa和Xb的相似度；
S530：对相似度Dd(dab)进行归一化处理,表达式如下：
其中
S540：计算传感器a的同类数据的信任函数DSUP(Xa)，表达式如下：
DSUP(Xa)＝1-DG(Xa),a＝1,2,…,A；(5)
S550：设置传感器a的同类数据的阈值δ，表达式如下：
δ＝DSUP(m)*0.02 (6)
其中，DSUP(m)表示DSUP(Xa)的中位数；
S560：当DSUP(m)-δ＜＜DSUP(Xa)＜＜DSUP(m)+δ时判定Xa有效,保留DSUP(Xa)的值，当DSUP(Xa)不符合此条件时判定Xa为异常值并剔除，得到关于传感器a的ARMA模型输入数据；
S570：遍历新数据集中的所有传感器数据，使用步骤S500得到最终的ARMA模型输入数据集；
S600：初始化定阶ARMA模型，并对初始化定阶ARMA模型进行训练，具体训练过程如下：
S610：选择ARMA模型输入数据集中的长时监测数据作为训练集，将训练集作为初始化定阶ARMA模型的输入，输出为对桥梁W种传感器的监测指标的预测数据
S620：计算W种传感器监测指标的真实数据Ya和
之间的损失，根据损失反向更新ARMA模型参数，当训练达到最大迭代次数时停止训练，得到预训练ARMA模型；
S700：选取目标桥梁的ARMA模型输入数据集中的短时监测数据，将该部分短时监测数据输入到预训练ARMA模型中，完成对预训练ARMA模型的步进更新，得到最终ARMA模型；
S800：将目标桥梁当前时间的W种传感器的监测指标数据作为最终ARMA模型的输入，得到目标桥梁的W种监测指标的预测数据；
S900：对目标桥梁的W种监测指标的预测数据进行信息融合，信息融合后的数据值将落在M-1个等级区间中的某个等级区间内，将该等级区间对应的预警状态作为对桥梁的危险预警结果。
作为优选，所述S200中对数据集中的所有数据进行检验的步骤如下：
S210：对数据集中的所有数据分别进行自相关分析与和偏自相关分析，当自相关分析结果和偏自相关分析结果均为拖尾时，执行下一步；否则，认为数据不适用本模型使用；
S220：将经过S210分析后的数据分别进行ADF平稳性检验和白噪声检验，当ADF平稳性检验结果和白噪声检验结果均为合格时，表示该数据适合本模型使用，否则，认为数据不适用本模型使用。
作为优选，所述S300中对ARMA模型定阶所使用的方法是BIC准则，具体为通过BIC准则进行网格搜索,选取令BIC值最低的模型阶数,作为本模型的适用阶数。
BIC准则针对较长的传感器数据时间序列,有最好的计算准确率,以免相关信息变得分散，BIC的惩罚项相比其他方法更大,考虑到样本数量过多时,使用BIC可有效防止模型精度过高造成的模型复杂度过高问题。
作为优选，所述S900中的M-1个等级区间通过如下方法建立：
预设M个阈值t，根据如下公式将预警结果分为M-1个等级区间，即[t0,t1]、[t1,t2]、[t2,t3]、[ti,ti+1]…[tM-1,tM]依次表示第1级到第M-1级，其中，t0至tM具体表示如下：
其中，min表示本组监测数据中的最小数据,diff为本组数据的极差，M′表示对应区间的经验参数。
作为优选，所述S900中对桥梁的W种监测指标的预测数据进行信息融合的方法为D-S证据融合方法，具体信息融合步骤如下：
S910：将W种传感器分为T个类别；
S920：从S910所述T个类别中选取第i类传感器数据，并对所有第i类传感器数据求取平均值得到数据
S930：计算
到相应等级Ti间的距离
具体表达式如下：
其中，Timax和Timin分别代表第i类传感器数据等级特征值的最大值和最小值,Timax-Timin用来消除第i类数据之间的量纲,ΔTi/2表示第i类数据的每一个等级区间的中间值；
S940：计算异类数据的信任函数MSUP(Xi)，此处的异类数据是指非第i类传感器数据以外的其他的所有传感器数据，计算表达式如下:
S950：对异类数据的信任函数MSUP(Xi)进行归一化处理后，利用D-S证据理论计算Xi的mass函数，计算表达式如下：
S960：重复S920-S950，得到将数据集中所有类别的传感器数据的mass函数；
S970：利用D-S组合公式将所有类别的传感器数据的mass函数进行信息融合，得到最终的信息融合数据，计算表达式如下：
其中,θ表示识别框架，m1和m2表示基本概率赋值函数，
C∈2θ,Ai∈2θ,Bj∈2θ；i,j＝1,2,…,B；k表示证据间的冲突系数。
基于D-S证据理论的多传感器信息融合决策模型对桥梁危害状态预警,以及对桥梁的健康运行态势进行监控具有较为科学的作用。
相对于现有技术，本发明至少具有如下优点：
1.本方法使用短期监测数据对模型进行步进更新，循环自动化地对桥梁传感器数据流分析预测并给出结果,对于不同的桥梁类型通用性强，而且精准度也比较高。
2.本发明采用的D-S证据融合方法对有不确定性的多种传感器数据的融合问题，提出了一种较好的数据处理解决方案。
3.有针对性的在短时预测的精度上体现出了更优秀的实验结果。
附图说明
图1为本方法运行流程图。
图2为长时监测数据应力监测传感器A1时序图。
图3为部分数据去噪平滑效果对比。
图4为自相关图与偏自相关图。
图5为预测结果与证据融合结果。
图6为步进预测结果。
具体实施方式
下面对本发明作进一步详细说明。
针对桥梁健康检测中人工检测获取信息滞后,检测情况难以量化,桥梁危害不能及时预警的问题,受传感器序列数据预测算法的启发,本发明提出了一种基于时间序列算法和多传感器融合的桥梁预警模型。
在当前已有技术的基础上提出ARMA模型,将该模型运用于桥梁数据的短时预测工程中,针对本文桥梁数据趋势调整模型阶数,提升了该模型对桥梁特定数据的拟合效果。本发明中融入D-S证据理论,将不确定性的传感器数据进行融合处理,作为ARMA预测模型的数据来源,实现实时监测,为桥梁健康监测提出了新的思路；将改进后的模型在更多数据集上进行实践的结果表明,ARMA模型在其他时序模型上的预测精度仍然优秀；在不确定性的传感器数据融合和短时预测的精度上体现出了更优越的效果,能准确地预测桥梁危害,且具有应用范围广的特点。
参见图1，一种基于时间序列和多传感器融合的桥梁健康预警方法，包括如下步骤：
S100：选取目标桥梁已知W个传感器的数据流作为数据集,该数据集包括桥梁上的W种传感器监测指标的数据；该数据集中的所有数据服从时间序列且分为长时监测数据与短时监测数据。
S200：建立ARMA模型，表达式如下：
其中，xm表示当前时间结果，p表示长时监测数据的时间跨度，
为长时监测数据的应用参数,εm为当前时刻的随机扰动；θ表示短时监测数据的应用参数，q表示短时监测数据的时间跨度，εm是独立同分布的随机变量序列；
将S100中所述数据集中所有数据进行检验，确定该数据集为适合ARMA模型输入的可用数据集；
所述S200中对数据集中的所有数据进行检验的步骤如下：
S210：对数据集中的所有数据分别进行自相关分析与和偏自相关分析，当自相关分析结果和偏自相关分析结果均为拖尾时，执行下一步；否则，认为数据不适用本模型使用；
S220：将经过S210分析后的数据分别进行ADF平稳性检验和白噪声检验，当ADF平稳性检验结果和白噪声检验结果均为合格时，表示该数据适合本模型使用，否则，认为数据不适用本模型使用。
S300：对ARMA模型进行定阶，得到定阶ARMA模型；
所述S300中对ARMA模型定阶所使用的方法是BIC准则，具体为通过BIC准则进行网格搜索,选取令BIC值最低的模型阶数,作为本模型的适用阶数。
S400：对S200中得到的可用数据集通过离群值处理方法来完成数据清洗，然后利用指数平均化对清洗后的数据进行降噪平滑处理，得到新数据集；用于清洗数据的离群值处理方法和用于降噪平滑处理的指数平均化方法均为现有方法技术。
S500：对新数据集进行剔除处理，去掉异常传感器数据，得到ARMA模型输入数据，具体步骤如下：
S510：选取传感器a，计算传感器a的输出数据与其他传感器的输出数据之间的距离d(Xa)，表达式如下：
其中，Xa表示传感器a的输出数据，且Xa＝{xi|i＝1,2,…,m}，Xb表示除传感器a以外的其他传感器输出数据，且Xb＝{xj|j＝1,2,…,m}；
S520：将计算得出的Xa与Xb的距离表示成一个距离矩阵，表达式如下：
其中，距离Dd(dab)表示Xa和Xb的相似度；当Dd(dab)中dab的元素值越小时,其两种数据的相似程度越大；同类数据间的距离越小代表其相似程度越大,反映数据的真实性就越大；
S530：对相似度Dd(dab)进行归一化处理,表达式如下：
其中
S540：计算传感器a的同类数据的信任函数DSUP(Xa)，表达式如下：
DSUP(Xa)＝1-DG(Xa),a＝1,2,…,A；
S550：设置传感器a的同类数据的阈值δ，表达式如下：
δ＝DSUP(m)*0.02
其中，DSUP(m)表示DSUP(Xa)的中位数；
S560：当DSUP(m)-δ＜＜DSUP(Xa)＜＜DSUP(m)+δ时判定Xa有效,保留DSUP(Xa)的值，当DSUP(Xa)不符合此条件时判定Xa为异常值并剔除，得到关于传感器a的ARMA模型输入数据；
S570：遍历新数据集中的所有传感器数据，使用步骤S500得到最终的ARMA模型输入数据集。
S600：初始化定阶ARMA模型，并对初始化定阶ARMA模型进行训练，具体训练过程如下：
S610：选择ARMA模型输入数据集中的长时监测数据作为训练集，将训练集作为初始化定阶ARMA模型的输入，输出为对桥梁W种传感器的监测指标的预测数据
S620：计算W种传感器监测指标的真实数据Ya和
之间的损失，Ya和
之间的损失根据现有方法计算，根据损失反向更新ARMA模型参数，当训练达到最大迭代次数时停止训练，得到预训练ARMA模型。
S700：选取目标桥梁的ARMA模型输入数据集中的短时监测数据，将该部分短时监测数据输入到预训练ARMA模型中，完成对预训练ARMA模型的步进更新，得到最终ARMA模型。
S800：将目标桥梁当前时间的W种传感器的监测指标数据作为最终ARMA模型的输入，得到目标桥梁的W种监测指标的预测数据。
S900：对目标桥梁的W种监测指标的预测数据进行信息融合，信息融合后的数据值将落在M-1个等级区间中的某个等级区间内，将该等级区间对应的预警状态作为对桥梁的危险预警结果；
所述S900中的M-1个等级区间通过如下方法建立：
预设M个阈值t，根据如下公式将预警结果分为M-1个等级区间，即[t0,t1]、[t1,t2]、[t2,t3]、[ti,ti+1]…[tM-1,tM]依次表示第1级到第M-1级，其中，t0至tM具体表示如下：
其中，min表示本组监测数据中的最小数据,diff为本组数据的极差，M′表示对应区间的经验参数，代表第1级与第M-1级在源数据范围之外,处于危险范围,需要报警；其余在源数据范围内的划分为剩下M-3个等级；
所述S900中对桥梁的W种监测指标的预测数据进行信息融合的方法为D-S证据融合方法，具体信息融合步骤如下：
S910：将W种传感器分为T个类别；
S920：从S910所述T个类别中选取第i类传感器数据，并对所有第i类传感器数据求取平均值得到数据
S930：计算
到相应等级Ti间的距离
具体表达式如下：
的值越小代表离这个等级越接近相应等级Ti是指第i个等级的阈值；
其中，Timax和Timin分别代表第i类传感器数据等级特征值的最大值和最小值,Timax-Timin用来消除第i类数据之间的量纲,ΔTi/2表示第i类数据的每一个等级区间的中间值；
S940：计算异类数据的信任函数MSUP(Xi)，此处的异类数据是指非第i类传感器数据以外的其他的所有传感器数据，计算表达式如下:
S950：对异类数据的信任函数MSUP(Xi)进行归一化处理后，利用D-S证据理论计算Xi的mass函数，计算表达式如下：
S960：重复S920-S950，得到将数据集中所有类别的传感器数据的mass函数；
S970：利用D-S组合公式将所有类别的传感器数据的mass函数进行信息融合，得到最终的信息融合数据，计算表达式如下：
其中,θ表示识别框架，m1和m2表示基本概率赋值函数，
C∈2θ,Ai∈2θ,Bj∈2θ；i,j＝1,2,…,B；k表示证据间的冲突系数。
实验及结果分析
1、数据集及评价标准
本发明采用某公司公开的桥梁监测数据作为数据集，该数据集为一座桥梁上应力监测、温度监测、伸缩缝监测、沉降监测、索力监测五种监测数据,数据集分为长时监测数据与短时监测数据。
长时监测数据时间范围2020.01.08～2020.04.28,数据采集时间间隔1小时共2566条数据,其中,应力监测、温度监测有16个传感器,伸缩缝监测、沉降监测有8个传感器。
短时监测数据时间范围2020.05.01～2020.05.21,数据采集时间间隔5分钟共5876条数据,其中,应力监测、温度监测、索力监测有8个传感器。传感器名称如下表2：
表2数据集
此外,本文采用经典太阳黑子时间序列来检验ARMA模型的预测性能.本文采集了1749-2022年的太阳黑子数据,共有3278条数据,训练集和测试集以8:2比例划分,即前80％作为训练集后20％作为测试集。
2、本模型预测精度采用如下两个指标来衡量：
本文采用的软件运行环境为Windows Server 2016,平台配置为Python3.7和PyCharm2021.1
平均相对误差绝对值MAPE,其计算方法如下:
预测误差的标准方差RMSE,其计算方法如下:
预报准确率FA,其计算方法如下:
3、实验过程及结果
取长时监测数据应力监测传感器A1数据,绘制时序图如图2。通过观察原始数据的时序图可以看出,传感器数据在短时间上存在明显的规律性,这是因为在每天内存在温度变化,车流变化等以天为周期的变化.此外,存在某段时间内异变或异常平稳的情况,对于预测与桥梁健康来说,都在工程允许的安全范围内。
由于源数据在短时间内的变动与噪声对数据预测有明显的不利,因此,对源数据去噪平滑,使模型更关注主体趋势变化而忽略细小的噪声,避免过拟合,得到效果如图3。
计算序列的自相关系数和偏自相关系数,根据拖尾性和截尾性来选择时间序列预测模型的类型。AR(p)、MA(q)和ARMA(p,q)的相关性质如下表所示。
表1 ARMA模型自相关与偏相关特性
| 模型 | 自相关特性 | 偏相关特性 |
| AR(p) | 拖尾,指数衰减 | 截尾 |
| MA(q) | 截尾 | 拖尾,指数衰减 |
| ARMA(p,q) | 拖尾,指数衰减 | 拖尾,指数衰减 |
计算监测数据应力监测传感器A1数据时间序列的自相关系数和偏自相关系数,得到两个系数图,如图4。观察图4的特性,可知结果均为拖尾,且首次落入置信范围内x都不超过7,故可初步选用ARMA模型且p,q≤7。
对数据做ADF平稳性检验与白噪检验,结果如下表3和表4,t统计量明显小于1％置信区间,显示数据是平稳的序列且非白噪声,有分析意义。
表3 ADF平稳性检验结果
表4白噪检验结果
| lags | P-Value |
| 1 | 7.304044e-221 |
| 2 | 1.000209e-235 |
| 3 | 1.216485e-234 |
| 4 | 2.021316e-233 |
| 5 | 3.195951e-232 |
| 6 | 4.949651e-231 |
在通过上述预检验后,以p＝7,q＝7为参数上限,由BIC求解的模型的最佳阶次.得到阶次为(5，7),取i＝1000处局部预测,计算mass函数,根据D-S证据理论进行融合,预测与融合结果如图5，图6。由结果显示,与未来趋势基本相符,且对于未来24期的预测情况,只有2期的等级预测错误。
从i＝1000处,使用步进预测,结果如图6所示,图中棕色部分为真实数据,其他颜色为预测所得数据,可以看到对于趋势的预测结果基本与真实数据相同,在部分异变或异常平稳处有小部分预测错误,在工程允许的误差范围内。
4、定量评估
对于上述长时监测数据应力监测传感器A1数据,使用模型进行预测结果如下表5。
表5本文模型在i＝1000处24期数据预测结果
| 算法 | MAPE | MSE | FA |
| 本文模型 | 6.85％ | 0.224 | 92％ |
此外,对于太阳黑子时间序列数据集,使用ARMA(q＝10,p＝7)模型预测,预测结果由表6列出,可得ARMA模型与其他预测模型的在此数据集上预测结果对比,ARMA预测精度优秀。
表6不同算法在A1数据集结果比较
本发明实验的信息融合的结果即将预警等级分为五个,其中第1级,第5级为危险级别,表明桥梁状况危险,应当立即检修,第2级,第4级为预警级别,表明桥梁状况亚健康,应当多加留意避免进一步情况恶化,第3级为安全级别,表明桥梁状况健康,传感器数据正常。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于时间序列和多传感器融合的桥梁健康预警方法，其特征在于：包括如下步骤：
S100：选取目标桥梁已知W个传感器的数据流作为数据集，该数据集包括桥梁上的W种传感器监测指标的数据；该数据集中的所有数据服从时间序列且分为长时监测数据与短时监测数据；
S200：建立ARMA模型，表达式如下：
其中，xm表示当前时间结果，p表示长时监测数据的时间跨度，
为长时监测数据的应用参数，εm为当前时刻的随机扰动；θ表示短时监测数据的应用参数，q表示短时监测数据的时间跨度；
将S100中所述数据集中所有数据进行检验，确定该数据集为适合ARMA模型输入的可用数据集；
S300：对ARMA模型进行定阶，得到定阶ARMA模型；
S400：对S200中得到的可用数据集通过离群值处理方法来完成数据清洗，然后利用指数平均化对清洗后的数据进行降噪平滑处理，得到新数据集；
S500：对新数据集进行剔除处理，去掉异常传感器数据，得到ARMA模型输入数据，具体步骤如下：
S510：选取传感器a，计算传感器a的输出数据与其他传感器的输出数据之间的距离d(Xa)，表达式如下：
其中，Xa表示传感器a的输出数据，且Xa＝{xi|i＝1，2，...，m}，Xb表示除传感器a以外的其他传感器输出数据，且Xb＝{xj|j＝1，2，...，m}；
S520：将计算得出的Xa与Xb的距离表示成一个距离矩阵，表达式如下：
其中，距离Dd(dab)表示Xa和Xb的相似度；
S530：对相似度Dd(dab)进行归一化处理，表达式如下：
其中
S540：计算传感器a的同类数据的信任函数DSUP(Xa)，表达式如下：
DSUP(Xa)＝1-DG(Xa)，a＝1，2，...，A； (5)
S550：设置传感器a的同类数据的阈值δ，表达式如下：
δ＝DSUP(m)*0.02 (6)
其中，DSUP(m)表示DSUP(Xa)的中位数；
S560：当DSUP(m)-δ＜＜DSUP(Xa)＜＜DSUP(m)+δ时判定Xa有效，保留DSUP(Xa)的值，当DSUP(Xa)不符合此条件时判定Xa为异常值并剔除，得到关于传感器a的ARMA模型输入数据；
S570：遍历新数据集中的所有传感器数据，使用步骤S500得到最终的ARMA模型输入数据集；
S600：初始化定阶ARMA模型，并对初始化定阶ARMA模型进行训练，具体训练过程如下：
S610：选择ARMA模型输入数据集中的长时监测数据作为训练集，将训练集作为初始化定阶ARMA模型的输入，输出为对桥梁W种传感器的监测指标的预测数据
S620：计算W种传感器监测指标的真实数据Ya和
之间的损失，根据损失反向更新ARMA模型参数，当训练达到最大迭代次数时停止训练，得到预训练ARMA模型；
S700：选取目标桥梁的ARMA模型输入数据集中的短时监测数据，将该部分短时监测数据输入到预训练ARMA模型中，完成对预训练ARMA模型的步进更新，得到最终ARMA模型；
S800：将目标桥梁当前时间的W种传感器的监测指标数据作为最终ARMA模型的输入，得到目标桥梁的W种监测指标的预测数据；
S900：对目标桥梁的W种监测指标的预测数据进行信息融合，信息融合后的数据值将落在M-1个等级区间中的某个等级区间内，将该等级区间对应的预警状态作为对桥梁的危险预警结果。
2.如权利要求1所述的一种基于时间序列和多传感器融合的桥梁健康预警方法，其特征在于：所述S200中对数据集中的所有数据进行检验的步骤如下：
S210：对数据集中的所有数据分别进行自相关分析与和偏自相关分析，当自相关分析结果和偏自相关分析结果均为拖尾时，执行下一步；否则，认为数据不适用本模型使用；
S220：将经过S210分析后的数据分别进行ADF平稳性检验和白噪声检验，当ADF平稳性检验结果和白噪声检验结果均为合格时，表示该数据适合本模型使用，否则，认为数据不适用本模型使用。
3.如权利要求1或2所述的一种基于时间序列和多传感器融合的桥梁健康预警方法，其特征在于：所述S300中对ARMA模型定阶所使用的方法是BIC准则，具体为通过BIC准则进行网格搜索，选取令BIC值最低的模型阶数，作为本模型的适用阶数。
4.如权利要求3所述的一种基于时间序列和多传感器融合的桥梁健康预警方法，其特征在于：所述S900中的M-1个等级区间通过如下方法建立：
预设M个阈值t，根据如下公式将预警结果分为M-1个等级区间，即[t0，t1]、[t1，t2]、[t2，t3]、[ti，ti+1]…[tM-1，tM]依次表示第1级到第M-1级，其中，t0至tM具体表示如下：
其中，min表示本组监测数据中的最小数据，diff为本组数据的极差，M′表示对应区间的经验参数。
5.如权利要求4所述的一种基于时间序列和多传感器融合的桥梁健康预警方法，其特征在于：所述S900中对桥梁的W种监测指标的预测数据进行信息融合的方法为D-S证据融合方法，具体信息融合步骤如下：
S910：将W种传感器分为T个类别；
S920：从S910所述T个类别中选取第i类传感器数据，并对所有第i类传感器数据求取平均值得到数据
S930：计算
到相应等级Ti间的距离
具体表达式如下：
其中，Timax和Timin分别代表第i类传感器数据等级特征值的最大值和最小值，Timax-Timin用来消除第i类数据之间的量纲，ΔTi/2表示第i类数据的每一个等级区间的中间值；
S940：计算异类数据的信任函数MSUP(Xi)，此处的异类数据是指非第i类传感器数据以外的其他的所有传感器数据，计算表达式如下：
S950：对异类数据的信任函数MSUP(Xi)进行归一化处理后，利用D-S证据理论计算Xi的mass函数，计算表达式如下：
S960：重复S920-S950，得到将数据集中所有类别的传感器数据的mass函数；
S970：利用D-S组合公式将所有类别的传感器数据的mass函数进行信息融合，得到最终的信息融合数据，计算表达式如下：
其中，θ表示识别框架，m1和m2表示基本概率赋值函数，
C∈2θ，Ai∈2θ，Bi∈2θ；i，j＝1，2，...，B；k表示证据间的冲突系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210534056.XA CN114925518B (zh) | 2022-05-17 | 2022-05-17 | 一种基于时间序列和多传感器融合的桥梁健康预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210534056.XA CN114925518B (zh) | 2022-05-17 | 2022-05-17 | 一种基于时间序列和多传感器融合的桥梁健康预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114925518A true CN114925518A (zh) | 2022-08-19 |
| CN114925518B CN114925518B (zh) | 2024-04-26 |
Family
ID=82808024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210534056.XA Active CN114925518B (zh) | 2022-05-17 | 2022-05-17 | 一种基于时间序列和多传感器融合的桥梁健康预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114925518B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115687983A (zh) * | 2022-12-30 | 2023-02-03 | 中裕铁信交通科技股份有限公司 | 一种桥梁健康状态监测方法、***及电子设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104268658A (zh) * | 2014-09-29 | 2015-01-07 | 招商局重庆交通科研设计院有限公司 | 一种桥梁结构安全监测数据的预测方法 |
| CN106201871A (zh) * | 2016-06-30 | 2016-12-07 | 重庆大学 | 基于代价敏感半监督的软件缺陷预测方法 |
| CN107895014A (zh) * | 2017-11-14 | 2018-04-10 | 辽宁工业大学 | 一种基于MapReduce框架的时间序列桥梁监测数据分析方法 |
| CN108170925A (zh) * | 2017-12-21 | 2018-06-15 | 中国铁道科学研究院铁道建筑研究所 | 一种基于arma模型的桥梁损伤预警方法 |
| CN109583570A (zh) * | 2018-11-30 | 2019-04-05 | 重庆大学 | 基于深度学习确定桥梁健康监测***异常数据来源的方法 |
| WO2020008192A2 (en) * | 2018-07-03 | 2020-01-09 | Chronomics Limited | Phenotype prediction |
| CN111523572A (zh) * | 2020-04-10 | 2020-08-11 | 重庆大学 | 实时桥梁结构损伤状态识别方法及*** |
| CN113312696A (zh) * | 2021-05-26 | 2021-08-27 | 福建中锐网络股份有限公司 | 基于arima算法的桥梁健康状况动态预测告警方法 |
| CN113723010A (zh) * | 2021-09-08 | 2021-11-30 | 福建中锐网络股份有限公司 | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 |
-
2022
- 2022-05-17 CN CN202210534056.XA patent/CN114925518B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104268658A (zh) * | 2014-09-29 | 2015-01-07 | 招商局重庆交通科研设计院有限公司 | 一种桥梁结构安全监测数据的预测方法 |
| CN106201871A (zh) * | 2016-06-30 | 2016-12-07 | 重庆大学 | 基于代价敏感半监督的软件缺陷预测方法 |
| CN107895014A (zh) * | 2017-11-14 | 2018-04-10 | 辽宁工业大学 | 一种基于MapReduce框架的时间序列桥梁监测数据分析方法 |
| CN108170925A (zh) * | 2017-12-21 | 2018-06-15 | 中国铁道科学研究院铁道建筑研究所 | 一种基于arma模型的桥梁损伤预警方法 |
| WO2020008192A2 (en) * | 2018-07-03 | 2020-01-09 | Chronomics Limited | Phenotype prediction |
| CN109583570A (zh) * | 2018-11-30 | 2019-04-05 | 重庆大学 | 基于深度学习确定桥梁健康监测***异常数据来源的方法 |
| CN111523572A (zh) * | 2020-04-10 | 2020-08-11 | 重庆大学 | 实时桥梁结构损伤状态识别方法及*** |
| CN113312696A (zh) * | 2021-05-26 | 2021-08-27 | 福建中锐网络股份有限公司 | 基于arima算法的桥梁健康状况动态预测告警方法 |
| CN113723010A (zh) * | 2021-09-08 | 2021-11-30 | 福建中锐网络股份有限公司 | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 |
Non-Patent Citations (7)
| Title |
|---|
| FONEONE: "时间序列模型（ARIMA和ARMA）完整步骤详述", Retrieved from the Internet <URL:https://blog.csdn.net/foneone/article/details/90141213> * |
| HUNG V. DANG 等: "Data-Driven Structural Health Monitoring Using Feature Fusion and Hybrid Deep Learning", IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND ENGINEERING, vol. 18, no. 4, 6 October 2021 (2021-10-06), pages 2087 - 2103, XP011881781, DOI: 10.1109/TASE.2020.3034401 * |
| JINGPEI DAN 等: "Global bridge damage detection using multi-sensor data based on optimized functional echo state networks", STRUCTURAL HEALTH MONITORING, vol. 20, no. 4, 16 August 2020 (2020-08-16), pages 1 - 14 * |
| 唐浩;孟利波;宋刚;廖敬波;: "基于ARMA的桥梁监测信息预测技术研究", 世界桥梁, no. 03, 28 May 2015 (2015-05-28), pages 47 - 51 * |
| 李修云;黄硕;杨文伟;谭超英;: "面向桥梁结构状态预测的ARMA-GM组合时序模型研究", 重庆交通大学学报(自然科学版), no. 04, 15 August 2016 (2016-08-15), pages 10 - 13 * |
| 李西芝;章世祥;: "时间序列分析在桥梁应力监测数据预警中的应用", 湖南交通科技, no. 04, 30 December 2019 (2019-12-30), pages 87 - 91 * |
| 王叶: "基于时间序列分析的无线传感器网络数据融合算法研究", 中国优秀硕士学位论文全文数据库 信息科技辑, 15 March 2014 (2014-03-15), pages 140 - 2172 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115687983A (zh) * | 2022-12-30 | 2023-02-03 | 中裕铁信交通科技股份有限公司 | 一种桥梁健康状态监测方法、***及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114925518B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110647539A (zh) | 一种用于车辆故障的预测方法和*** | |
| CN111415492B (zh) | 一种基于模糊综合评价算法的边坡滑坡预警方法及*** | |
| CN110894038B (zh) | 电梯门***运行状态的预测方法及装置 | |
| US7822697B2 (en) | Method and apparatus for infrastructure health monitoring and analysis wherein anomalies are detected by comparing measured outputs to estimated/modeled outputs by using a delay | |
| CN110008096B (zh) | 数据监测方法、装置、电子设备及计算机可读存储介质 | |
| CN109272169A (zh) | 交通流量预测方法、装置、计算机设备及存储介质 | |
| KR102064328B1 (ko) | 건축물 지진 피해 예측 정보 제공 장치 및 그 방법 | |
| CN111179591B (zh) | 一种路网交通时序特征数据质量诊断与修复方法 | |
| CN112669599A (zh) | 一种基于时序分析和残差匹配的模型 | |
| KR102098888B1 (ko) | 재난 피해 예측 및 분석 시스템, 방법 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 | |
| CN109784528A (zh) | 基于时间序列和支持向量回归的水质预测方法及装置 | |
| CN109308343A (zh) | 一种基于随机波动模型的行程时间预测及可靠性度量方法 | |
| CN114925518A (zh) | 一种基于时间序列和多传感器融合的桥梁健康预警方法 | |
| CN105975744A (zh) | 一种基于d-s证据理论的纺织过程数据融合*** | |
| JP2018511857A (ja) | 交通渋滞終端位置を特定するためのサーバ、システム及び方法 | |
| CN116227752A (zh) | 一种基于物联网的园区设施管理*** | |
| CN111776006A (zh) | 一种列车轴温的预报警方法及装置 | |
| CN114943179A (zh) | 基于多源退化数据融合的可靠性评估及剩余寿命预测方法 | |
| CN106446384B (zh) | 一种桥式起重机主梁结构的损伤识别方法 | |
| CN113312696B (zh) | 基于arima算法的桥梁健康状况动态预测告警方法 | |
| CN111191855A (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
| WO2015039693A1 (en) | Method and system for data quality assessment | |
| CN117367800A (zh) | 基于随机相关性的多特征指标轴承剩余寿命预测方法 | |
| JP2019179014A (ja) | 風速予測方法 | |
| CN117235540A (zh) | 基于特征匹配融合的传感器动态信息联动分析方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |