CN104268658A - 一种桥梁结构安全监测数据的预测方法 - Google Patents

一种桥梁结构安全监测数据的预测方法 Download PDF

Info

Publication number
CN104268658A
CN104268658A CN201410522710.0A CN201410522710A CN104268658A CN 104268658 A CN104268658 A CN 104268658A CN 201410522710 A CN201410522710 A CN 201410522710A CN 104268658 A CN104268658 A CN 104268658A
Authority
CN
China
Prior art keywords
data
model
arma
value
svm
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
Application number
CN201410522710.0A
Other languages
English (en)
Other versions
CN104268658B (zh
Inventor
唐浩
孟利波
廖敬波
宋刚
陈果
谭川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Wukang Technology Co.,Ltd.
Original Assignee
China Merchants Chongqing Communications Research and Design Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Merchants Chongqing Communications Research and Design Institute Co Ltd filed Critical China Merchants Chongqing Communications Research and Design Institute Co Ltd
Priority to CN201410522710.0A priority Critical patent/CN104268658B/zh
Publication of CN104268658A publication Critical patent/CN104268658A/zh
Application granted granted Critical
Publication of CN104268658B publication Critical patent/CN104268658B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Computer Hardware Design (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

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。

Description

一种桥梁结构安全监测数据的预测方法
技术领域
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
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。
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。
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
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。
为达到上述目的，本发明提供如下技术方案：
一种桥梁结构安全监测数据的预测方法，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(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 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 SupportVector 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。
进一步，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。
进一步，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。
进一步，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d＝1,2,…u，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：
( x p - u + 1 ARMA , x p - u + 1 LS - SVM , s 1 ) , ( x p - u + 2 ARMA , x p - u + 2 LS - SVM , s 2 ) , · · · , ( x p - 1 ARMA , x p - 1 LS - SVM , s u - 1 ) , ( x p ARMA , x p LS - SVM , s u ) ;
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。
本发明的有益效果在于：本发明所述的方法通过对桥梁结构安全监测数据时间序列的分析，应用数据挖掘技术，通过对历史数据建立的ARMA模型与LS-SVM模型预测监测变量下一时刻的值，并将两者预测结果通过LS-FSVM模型进行回归处理，最终得到下一时刻的预测值。本方法能够对桥梁结构安全监测信息进行在线、实时预测，这为桥梁的安全维护管理提供了科学的参考依据。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为本发明所述方法的流程示意图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
图1为本发明所述方法的流程示意图，如图所示，本发明所述的桥梁结构安全监测数据的预测方法，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(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 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 SupportVector 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。
具体来说：
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d＝1,2,…u，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：
( x p - u + 1 ARMA , x p - u + 1 LS - SVM , s 1 ) , ( x p - u + 2 ARMA , x p - u + 2 LS - SVM , s 2 ) , · · · , ( x p - 1 ARMA , x p - 1 LS - SVM , s u - 1 ) , ( x p ARMA , x p LS - SVM , s u ) ;
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。
通过本方法预测监测数据发展趋势，误差更小，精度更高。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (4)

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(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 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 SupportVector 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。
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,…,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。
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-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。
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d＝1,2,…u，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：
( x p - u + 1 ARMA , x p - u + 1 LS - SVM , s 1 ) , ( x p - u + 2 ARMA , x p - u + 2 LS - SVM , s 2 ) , . . . , ( x p - 1 ARMA , x p - 1 LS - SVM , s u - 1 ) , ( x p ARMA , x p LS - SVM , s u ) ;
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。
CN201410522710.0A 2014-09-29 2014-09-29 一种桥梁结构安全监测数据的预测方法 Active CN104268658B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410522710.0A CN104268658B (zh) 2014-09-29 2014-09-29 一种桥梁结构安全监测数据的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410522710.0A CN104268658B (zh) 2014-09-29 2014-09-29 一种桥梁结构安全监测数据的预测方法

Publications (2)

Publication Number Publication Date
CN104268658A true CN104268658A (zh) 2015-01-07
CN104268658B CN104268658B (zh) 2017-10-10

Family

ID=52160178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410522710.0A Active CN104268658B (zh) 2014-09-29 2014-09-29 一种桥梁结构安全监测数据的预测方法

Country Status (1)

Country Link
CN (1) CN104268658B (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105005822A (zh) * 2015-06-26 2015-10-28 华能澜沧江水电股份有限公司 基于最优步长与模型动态选择的特高拱坝响应预测方法
CN105608060A (zh) * 2015-12-21 2016-05-25 中国银联股份有限公司 基于离群点检测的行业趋势预测方法及其系统
CN106529145A (zh) * 2016-10-27 2017-03-22 浙江工业大学 一种基于arima‑bp神经网络的桥梁监测数据预测方法
CN106529123A (zh) * 2016-10-10 2017-03-22 中国神华能源股份有限公司 飞灰含碳量的测量方法及装置
CN106650113A (zh) * 2016-12-26 2017-05-10 招商局重庆交通科研设计院有限公司 一种基于模糊聚类的桥梁监测数据异常情况识别方法
CN107621593A (zh) * 2017-10-16 2018-01-23 云南电网有限责任公司电力科学研究院 一种基于时间序列的低电压预警方法及装置
CN107766877A (zh) * 2017-09-27 2018-03-06 华南理工大学 一种桥梁监测系统中超重车动态识别方法
CN108051450A (zh) * 2017-11-01 2018-05-18 中铁大桥科学研究院有限公司 一种基于无人机的桥梁健康检测系统及方法
CN108875841A (zh) * 2018-06-29 2018-11-23 国家电网有限公司 一种抽蓄机组振动趋势预测方法
CN109060393A (zh) * 2018-08-09 2018-12-21 招商局重庆交通科研设计院有限公司 一种桥梁结构恒载响应时域融合分析方法
CN110222384A (zh) * 2019-05-22 2019-09-10 微云（武汉）科技有限公司 一种桥梁裂缝分析方法、装置及存储介质
CN110565627A (zh) * 2019-09-09 2019-12-13 湖南科技大学 一种灌浆期间地层抬动的风险控制方法
CN111080009A (zh) * 2019-12-13 2020-04-28 北京瑞莱智慧科技有限公司 基于时间序列的数据预测及补全方法、装置、介质和设备
CN111474300A (zh) * 2020-04-15 2020-07-31 同济大学 基于时空回归模型的结构局部缺陷检测方法
CN109729097B (zh) * 2019-02-27 2021-06-29 北京路宝科技有限公司 一种基于物联网技术的基础结构安全智能在线监测系统
CN113962407A (zh) * 2021-10-19 2022-01-21 河南工业大学 一种现役土木建筑物监测数据多维特征分析方法
CN114925518A (zh) * 2022-05-17 2022-08-19 重庆大学 一种基于时间序列和多传感器融合的桥梁健康预警方法
CN116842620A (zh) * 2023-07-10 2023-10-03 广州交投工程检测有限公司 一种钢筋混凝土桥梁裂缝的智能预测方法及系统
CN117436712A (zh) * 2023-12-21 2024-01-23 山东铁鹰建设工程有限公司 一种施工挂篮运行风险实时监测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101329697A (zh) * 2008-06-11 2008-12-24 电子科技大学 一种基于混杂算法的模拟电路状态预测方法
CN102025531A (zh) * 2010-08-16 2011-04-20 北京亿阳信通软件研究院有限公司 一种性能数据的填补方法及其装置
CN103218675A (zh) * 2013-05-06 2013-07-24 国家电网公司 一种基于聚类和滑动窗口的短期负荷预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101329697A (zh) * 2008-06-11 2008-12-24 电子科技大学 一种基于混杂算法的模拟电路状态预测方法
CN102025531A (zh) * 2010-08-16 2011-04-20 北京亿阳信通软件研究院有限公司 一种性能数据的填补方法及其装置
CN103218675A (zh) * 2013-05-06 2013-07-24 国家电网公司 一种基于聚类和滑动窗口的短期负荷预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
周潇等: "基于自回归移动平均模型的桥梁损伤识别", 《西南公路》 *
张敬磊等: "基于非线性组合模型的交通流预测方法", 《计算机工程》 *
林琦等: "基于相空间重构的LS-SVM股票价格预测", 《福建工程学院学报》 *
樊可清等: "基于SVM的桥梁状态监测方法", 《公路交通科技》 *
郝宽胜等: "基于模糊最小二乘支持向量机的建设工程造价快速预测方法研究", 《铁路工程造价管理》 *

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105005822A (zh) * 2015-06-26 2015-10-28 华能澜沧江水电股份有限公司 基于最优步长与模型动态选择的特高拱坝响应预测方法
CN105608060A (zh) * 2015-12-21 2016-05-25 中国银联股份有限公司 基于离群点检测的行业趋势预测方法及其系统
CN106529123B (zh) * 2016-10-10 2019-07-23 中国神华能源股份有限公司 飞灰含碳量的测量方法及装置
CN106529123A (zh) * 2016-10-10 2017-03-22 中国神华能源股份有限公司 飞灰含碳量的测量方法及装置
CN106529145A (zh) * 2016-10-27 2017-03-22 浙江工业大学 一种基于arima‑bp神经网络的桥梁监测数据预测方法
CN106650113A (zh) * 2016-12-26 2017-05-10 招商局重庆交通科研设计院有限公司 一种基于模糊聚类的桥梁监测数据异常情况识别方法
CN107766877A (zh) * 2017-09-27 2018-03-06 华南理工大学 一种桥梁监测系统中超重车动态识别方法
CN107766877B (zh) * 2017-09-27 2020-05-22 华南理工大学 一种桥梁监测系统中超重车动态识别方法
CN107621593A (zh) * 2017-10-16 2018-01-23 云南电网有限责任公司电力科学研究院 一种基于时间序列的低电压预警方法及装置
CN108051450A (zh) * 2017-11-01 2018-05-18 中铁大桥科学研究院有限公司 一种基于无人机的桥梁健康检测系统及方法
CN108875841A (zh) * 2018-06-29 2018-11-23 国家电网有限公司 一种抽蓄机组振动趋势预测方法
CN109060393B (zh) * 2018-08-09 2020-07-28 招商局重庆交通科研设计院有限公司 一种桥梁结构恒载响应时域融合分析方法
CN109060393A (zh) * 2018-08-09 2018-12-21 招商局重庆交通科研设计院有限公司 一种桥梁结构恒载响应时域融合分析方法
CN109729097B (zh) * 2019-02-27 2021-06-29 北京路宝科技有限公司 一种基于物联网技术的基础结构安全智能在线监测系统
CN110222384A (zh) * 2019-05-22 2019-09-10 微云（武汉）科技有限公司 一种桥梁裂缝分析方法、装置及存储介质
CN110565627A (zh) * 2019-09-09 2019-12-13 湖南科技大学 一种灌浆期间地层抬动的风险控制方法
CN110565627B (zh) * 2019-09-09 2021-10-29 湖南科技大学 一种灌浆期间地层抬动的风险控制方法
CN111080009A (zh) * 2019-12-13 2020-04-28 北京瑞莱智慧科技有限公司 基于时间序列的数据预测及补全方法、装置、介质和设备
CN111080009B (zh) * 2019-12-13 2021-04-16 北京瑞莱智慧科技有限公司 基于时间序列的数据预测及补全方法、装置、介质和设备
CN111474300B (zh) * 2020-04-15 2021-04-30 同济大学 基于时空回归模型的结构局部缺陷检测方法
CN111474300A (zh) * 2020-04-15 2020-07-31 同济大学 基于时空回归模型的结构局部缺陷检测方法
CN113962407A (zh) * 2021-10-19 2022-01-21 河南工业大学 一种现役土木建筑物监测数据多维特征分析方法
CN114925518A (zh) * 2022-05-17 2022-08-19 重庆大学 一种基于时间序列和多传感器融合的桥梁健康预警方法
CN114925518B (zh) * 2022-05-17 2024-04-26 重庆大学 一种基于时间序列和多传感器融合的桥梁健康预警方法
CN116842620A (zh) * 2023-07-10 2023-10-03 广州交投工程检测有限公司 一种钢筋混凝土桥梁裂缝的智能预测方法及系统
CN116842620B (zh) * 2023-07-10 2023-12-29 广州交投工程检测有限公司 一种钢筋混凝土桥梁裂缝的智能预测方法及系统
CN117436712A (zh) * 2023-12-21 2024-01-23 山东铁鹰建设工程有限公司 一种施工挂篮运行风险实时监测方法及系统
CN117436712B (zh) * 2023-12-21 2024-04-12 山东铁鹰建设工程有限公司 一种施工挂篮运行风险实时监测方法及系统

Also Published As

Publication number Publication date
CN104268658B (zh) 2017-10-10

Similar Documents

Publication Publication Date Title
CN104268658A (zh) 一种桥梁结构安全监测数据的预测方法
CN103793854B (zh) 多重组合优化的架空输电线路运行风险信息化评估方法
Liu et al. Deflection monitoring and assessment for a suspension bridge using a connected pipe system: a case study in China
CN105930653A (zh) 一种基于计量分区流量监测数据的爆管预警方法
CN104462808B (zh) 安全水平位移与水位的滑动可变窗口动态数据拟合方法
CN108549955B (zh) 一种充电桩异常率确定方法及装置
CN103903429A (zh) 一种快速公交停靠站的延误时间组合预测方法
CN102493424B (zh) 城市轨道交通盾构工程预警预测方法
CN101994908A (zh) 高温管线系统实现可靠性维修规划的方法
CN116934262B (zh) 一种基于人工智能的施工安全监管系统及方法
CN108922168A (zh) 一种中观层面事故多发道路判别的方法
CN103389701A (zh) 基于分布式数据模型的厂级过程故障检测与诊断方法
Cafiso et al. Reliability-based assessment of Benefits in roadway safety management
CN104141510A (zh) 一种基于物联网的岩溶隧道突水感知预警系统及方法
CN103226737B (zh) 基于卡尔曼滤波与灰色预测的化工异常工况趋势预测方法
CN103092762A (zh) 一种适用于快速软件开发模式的实时软件缺陷检测方法
CN109992579A (zh) 一种公路基础设施多源异质数据的数据修复方法及系统
CN109406076A (zh) 一种利用位移传感器列阵输出的移动主成分进行梁桥结构损伤定位的方法
CN104598970A (zh) 一种爬架组的工作状态检测方法
CN109685268B (zh) 一种外部作业对轨道交通影响的安全评估方法
CN105243271A (zh) 一种基于实测数据的继电保护装置时变故障率计算方法
Porfyri et al. Calibration of a second-order traffic flow model using a metamodel-assisted Differential Evolution algorithm
CN113516406B (zh) 一种基于实时观测分析的高铁沿线降水测点布置方法
Carchon et al. Load cell monitoring in Gas Centrifuge Enrichment Plants: Potentialities for improved safeguard verifications
CN103337000A (zh) 一种油气集输系统安全监测预警方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20210712

Address after: 404100 No.1 Mengzi Middle Road, Shiliang village, Shuanghekou street, Wanzhou District, Chongqing (Wanzhou Economic Development Zone)

Patentee after: Chongqing Wukang Technology Co.,Ltd.

Address before: 400067 No. 33, Xuefu Avenue, Nan'an District, Chongqing

Patentee before: CHINA MERCHANTS CHONGQING COMMUNICATIONS RESEARCH & DESIGN INSTITUTE Co.,Ltd.

TR01 Transfer of patent right