CN110617927B - 一种基于emd-svr-wnn的结构沉降变形预测方法 - Google Patents
一种基于emd-svr-wnn的结构沉降变形预测方法 Download PDFInfo
- Publication number
- CN110617927B CN110617927B CN201910893924.1A CN201910893924A CN110617927B CN 110617927 B CN110617927 B CN 110617927B CN 201910893924 A CN201910893924 A CN 201910893924A CN 110617927 B CN110617927 B CN 110617927B
- Authority
- CN
- China
- Prior art keywords
- monitoring data
- prediction
- settlement
- data
- item
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
- G01M5/0041—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by determining deflection or stress
- G01M5/005—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by determining deflection or stress by means of external apparatus, e.g. test benches or portable test systems
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于EMD‑SVR‑WNN的结构沉降变形预测方法，包括如下步骤：1)测量实际结构的沉降监测数据，若得到的实际监测数据样本足够大时，则直接对监测数据进行处理；若监测数据样本过小影响数据预测精度时，则对测量得到的实际结构的沉降监测数据进行插值加噪及预处理；2)对经步骤1)处理后的实际结构的沉降监测数据进行EMD分解，并将EMD分解得到的最低频分量作为该沉降监测数据的趋势项，再将剩余的IMF分量叠加结果作为该沉降监测数据的随机项；3)对步骤2)得到的沉降监测数据的随机项进行SVR建模预测，得随机项预测结果；4)对步骤2)得到的沉降监测数据的趋势项进行WNN建模预测，得趋势项预测结果；5)将随机项预测结果与趋势项预测结果进行融合，得最终预测的结构沉降变形，该方法能够实现结构沉降变形的准确预测。
Description
技术领域
本发明属于结构变形监测领域，涉及一种基于EMD-SVR-WNN的结构沉降变形预测方法。
背景技术
由于不能对结构变形的未来态势进行预报和分析，从而导致地下施工监测的风险加大，因此可以通过对实时更新的监测数据进行有效、准确的分析，建立最符合的结构变形预测模型并进行预测，根据预测结果采取有效的措施减小变形，确保周边环境稳定。但是现有的结构变形预测模型主要存在以下问题，首先如果在变形观测数据中含有异常或突变数据时，采用常用的预测模型对变形趋势进行预测，结果必然会因为受到异常或突变数据的影响而导致模型精度降低。其次现有的结构变形预测模型的训练样本过少，导致这些变形预测模型的可靠性很难得到保证。最后现有的结构变形预测模型大都缺少对数据内部特征的挖掘，并且缺乏对预测模型适用性的讨论，因此不能保证预测的精度。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供了一种基于EMD-SVR-WNN的结构沉降变形预测方法，该方法能够实现结构沉降变形的准确预测。
为达到上述目的，本发明所述的基于EMD-SVR-WNN的结构沉降变形预测方法包括如下步骤：
1)测量实际结构的沉降监测数据，若得到的实际监测数据样本足够大时，则直接对监测数据进行处理；若实际监测数据样本过小影响数据预测精度时，则对测量得到的实际结构的沉降监测数据进行插值加噪及预处理；
2)对经步骤1)处理后的实际结构的沉降监测数据进行EMD分解，并将EMD分解得到的最低频分量作为该沉降监测数据的趋势项，再将剩余的IMF分量叠加结果作为该沉降监测数据的随机项；
3)对步骤2)得到的沉降监测数据的随机项进行SVR建模预测，得随机项预测结果；
4)对步骤2)得到的沉降监测数据的趋势项进行WNN建模预测，得趋势项预测结果；
5)将随机项预测结果与趋势项预测结果进行融合，得最终预测的结构沉降变形。
步骤3)的具体操作为：将实际结构中相同断面对应的随机项分为两组，其中，以第一组随机项作为训练集、以第二组随机项作为验证集对SVR预测模型进行训练，然后利用训练后的SVR预测模型进行随机项的预测。
SVR预测模型中的核函数为径向基函数，惩罚因子为0.01，迭代次数为300次。
步骤4)的具体操作为：将实际结构中相同断面对应的趋势项分为两组，其中，以第一组趋势项作为训练集、以第二组趋势项作为验证集对WNN预测模型进行训练，然后利用训练后的WNN预测模型进行趋势项的预测。
WNN预测模型的迭代次数设置为1000，隐含层的节点数设为3。
若实际监测数据样本过小影响数据预测精度时，对实际监测数据进行插值加噪处理以增加数据样本长度，然后对插值加噪后的实际结构的沉降监测数据进行预处理，以去除实际结构的沉降监测数据中的异常数据及突变数据。
本发明具有以下有益效果：
本发明所述的基于EMD-SVR-WNN的结构沉降变形预测方法在具体操作时，先根据实际监测数据样本大小决定是否对监测数据进行插值加噪处理。若得到的实际监测数据样本足够大时，则直接对监测数据进行处理；若监测数据样本过小影响数据预测精度时，则对实际结构沉降变形监测数据进行插值加噪处理，从而解决训练样本过少而导致的模型可靠性不足的问题；其次，对插值加噪后的数据进行预处理，有效滤除数据中的异常或者突变数据；然后将预处理后的沉降监测数据进行EMD分解，从而将监测数据分解为随机项及趋势项，利用EMD分解的过程可以将包含信号有效信息的趋势项及高频噪声的随机项进行有效地分离，进而对随机项数据及趋势项数据分别进行预测，解决了现有模型中因异常数据的存在而导致的预测模型精度降低的问题；最后由于结构沉降监测数据可以看做非平稳随机信号，EMD分解适用于对非平稳随机信号的处理，同时利用SVR预测能够有效处理非线性数据，但对于具有明显趋势项的数据序列处理结果较差，因此为了消除趋势项的影响，本发明利用SVR(向量机)方法来预测信号的随机项，利用WNN(小波神经网络)方法进行趋势项的预测，对于WNN方法的预测结果很大程度上取决于网络参数的初始化过程，从实验结果来看，本发明得到的结果较为理想，综上所述，本发明通过对数据内部的特征进行分析分别建立不同的预测模型进行预测，从而有效的提高了沉降变形预测的预测精度。
附图说明
图1为本发明的流程图；
图2为本发明中EMD分解后的示意图；
图3为本发明中EMD分解后随机项的示意图；
图4为本发明中EMD分解后趋势项的示意图；
图5为本发明中SVR预测的结果图；
图6为本发明中WNN预测的结果图；
图7为本发明中EMD-SVR-WNN预测的结果图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
参考图1，本发明所述的基于EMD-SVR-WNN的结构沉降变形预测方法包括如下步骤：
1)测量实际结构的沉降监测数据，并根据实际监测数据样本大小决定是否对监测数据进行插值加噪处理。若得到的实际监测数据样本足够大时，则直接对监测数据进行处理；若监测数据样本过小影响数据预测精度时，则对实际结构沉降变形监测数据进行插值加噪及预处理；其中，插值加噪后的实际结构的沉降监测数据进行预处理，以去除实际结构的沉降监测数据中的异常数据及突变数据。
2)对经步骤1)处理后的实际结构的沉降监测数据进行EMD分解，并将EMD分解得到的最低频分量作为该沉降监测数据的趋势项，再将剩余的IMF分量叠加结果作为该沉降监测数据的随机项；
3)对步骤2)得到的沉降监测数据的随机项进行SVR建模预测，得随机项预测结果；
步骤3)的具体操作为：将实际结构中相同断面对应的随机项分为两组，其中，以第一组随机项作为训练集、以第二组随机项作为验证集对SVR预测模型进行训练，然后利用训练后的SVR预测模型进行随机项的预测，其中，SVR预测模型中的核函数为径向基函数，惩罚因子为0.01，迭代次数为300次。
4)对步骤2)得到的沉降监测数据的趋势项进行WNN建模预测，得趋势项预测结果；
步骤2)的具体操作为：将实际结构中相同断面对应的趋势项分为两组，其中，以第一组趋势项作为训练集、以第二组趋势项作为验证集对WNN预测模型进行训练，然后利用训练后的WNN预测模型进行趋势项的预测，其中，WNN预测模型的迭代次数设置为1000，隐含层的节点数设为3。
5)将随机项预测结果与趋势项预测结果进行融合，得最终预测的结构沉降变形。
本发明适用于结构沉降变形预测，如图1所示，先根据实际监测数据样本长度决定是否对数据进行插值加噪处理，若数据样本足够大时，则直接对数据进行处理；若数据样本过小影响预测精度时，则对获取的实际工程中的结构沉降变形监测数据进行插值加噪处理，以增加数据的长度及有效性；再对插值加噪后的数据进行预处理，去除其中的异常及突变数据，使测试数据的趋势更明显；如图2所示，对预处理后的数据进行EMD分解，得数据的趋势项及随机项；如图3所示，将分解后数据的最低频分量作为该数据序列的趋势项，该趋势项包含数据中的主要有效成分；如图4所示，将分解后的去除最低频分量的其余IMF分量进行叠加得到该数据序列的随机项；分别得到数据的趋势项及随机项后，利用SVR预测方法对数据的随机项进行建模预测，SVR预测结果如图5所示，然后利用WNN预测方法对数据的趋势项进行建模预测，WNN预测结果如图6所示；最后将趋势项的预测结果与随机项的预测结果进行叠加，得最终的沉降数据预测结果，结果如图7所示。
Claims (1)
1.一种基于EMD-SVR-WNN的结构沉降变形预测方法，其特征在于，包括如下步骤：
1)测量实际结构的沉降监测数据，若得到的实际监测数据样本足够大时，则直接对监测数据进行处理；若监测数据样本过小影响数据预测精度时，则对测量得到的实际结构的沉降监测数据进行插值加噪及预处理；
2)对经步骤1)处理后的实际结构的沉降监测数据进行EMD分解，并将EMD分解得到的最低频分量作为该沉降监测数据的趋势项，再将剩余的IMF分量叠加结果作为该沉降监测数据的随机项；
3)对步骤2)得到的沉降监测数据的随机项进行SVR建模预测，得随机项预测结果；
4)对步骤2)得到的沉降监测数据的趋势项进行WNN建模预测，得趋势项预测结果；
5)将随机项预测结果与趋势项预测结果进行融合，得最终预测的结构沉降变形；
步骤3)的具体操作为：将实际结构中相同断面对应的随机项分为两组，其中，以第一组随机项作为训练集、以第二组随机项作为验证集对SVR预测模型进行训练，然后利用训练后的SVR预测模型进行随机项的预测；
SVR预测模型中的核函数为径向基函数，惩罚因子为0.01，迭代次数为300次；
步骤4)的具体操作为：将实际结构中相同断面对应的趋势项分为两组，其中，以第一组趋势项作为训练集、以第二组趋势项作为验证集对WNN预测模型进行训练，然后利用训练后的WNN预测模型进行趋势项的预测；
WNN预测模型的迭代次数设置为1000，隐含层的节点数设为3；
若监测数据样本较小影响数据预测精度时，对数据进行插值加噪以增加数据样本长度，插值加噪后的实际结构的沉降监测数据进行预处理，以去除实际结构的沉降监测数据中的异常数据及突变数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910893924.1A CN110617927B (zh) | 2019-09-20 | 2019-09-20 | 一种基于emd-svr-wnn的结构沉降变形预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910893924.1A CN110617927B (zh) | 2019-09-20 | 2019-09-20 | 一种基于emd-svr-wnn的结构沉降变形预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110617927A CN110617927A (zh) | 2019-12-27 |
| CN110617927B true CN110617927B (zh) | 2022-04-05 |
Family
ID=68923768
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910893924.1A Active CN110617927B (zh) | 2019-09-20 | 2019-09-20 | 一种基于emd-svr-wnn的结构沉降变形预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110617927B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104239708A (zh) * | 2014-09-09 | 2014-12-24 | 北京迈赛富特科技有限责任公司 | 基于小波神经网络的岩溶陷落柱预测方法 |
| CN107092744A (zh) * | 2017-04-16 | 2017-08-25 | 北京工业大学 | 基于emd‑svr的地表沉降量预测方法 |
| CN108256697A (zh) * | 2018-03-26 | 2018-07-06 | 电子科技大学 | 一种用于电力系统短期负荷的预测方法 |
| CN108596242A (zh) * | 2018-04-20 | 2018-09-28 | 浙江大学 | 基于小波神经网络和支持向量机的电网气象负荷预测方法 |
| CN108733624A (zh) * | 2018-04-11 | 2018-11-02 | 杭州电子科技大学 | 一种水质异常数据检测与重构方法 |
-
2019
- 2019-09-20 CN CN201910893924.1A patent/CN110617927B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104239708A (zh) * | 2014-09-09 | 2014-12-24 | 北京迈赛富特科技有限责任公司 | 基于小波神经网络的岩溶陷落柱预测方法 |
| CN107092744A (zh) * | 2017-04-16 | 2017-08-25 | 北京工业大学 | 基于emd‑svr的地表沉降量预测方法 |
| CN108256697A (zh) * | 2018-03-26 | 2018-07-06 | 电子科技大学 | 一种用于电力系统短期负荷的预测方法 |
| CN108733624A (zh) * | 2018-04-11 | 2018-11-02 | 杭州电子科技大学 | 一种水质异常数据检测与重构方法 |
| CN108596242A (zh) * | 2018-04-20 | 2018-09-28 | 浙江大学 | 基于小波神经网络和支持向量机的电网气象负荷预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110617927A (zh) | 2019-12-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | PM2. 5 concentration forecasting at surface monitoring sites using GRU neural network based on empirical mode decomposition | |
| Zou et al. | Bearing fault diagnosis method based on EEMD and LSTM | |
| CN107092744B (zh) | 基于emd-svr的地表沉降量预测方法 | |
| CN110261109B (zh) | 一种基于双向记忆循环神经网络的滚动轴承故障诊断方法 | |
| CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
| CN110377984A (zh) | 一种工业设备剩余有效寿命预测方法、系统及电子设备 | |
| CN105275833A (zh) | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 | |
| Wang et al. | A hybrid prognostics approach for estimating remaining useful life of wind turbine bearings | |
| CN108304348B (zh) | 一种基于二元维纳过程的轴承剩余寿命预测方法 | |
| CN104764868A (zh) | 一种基于地理加权回归的土壤有机碳预测方法 | |
| CN111367959B (zh) | 一种零时滞非线性扩展Granger因果分析方法 | |
| Guo et al. | Interpretable deep learning approach for tool wear monitoring in high-speed milling | |
| CN108168924B (zh) | 一种基于vmd和mfss模型的往复压缩机寿命预测方法 | |
| CN110533007B (zh) | 一种桥梁车载应变影响线特征智能识别与提取方法 | |
| CN113642666B (zh) | 一种基于样本扩充和筛选的主动增强软测量方法 | |
| CN113687433B (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
| Cao et al. | Deterioration state diagnosis and wear evolution evaluation of planetary gearbox using vibration and wear debris analysis | |
| Qin et al. | Remaining useful life prediction for rotating machinery based on optimal degradation indicator | |
| CN111291918B (zh) | 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法 | |
| Li et al. | Canonical correlation analysis of dimension reduced degradation feature space for machinery condition monitoring | |
| CN111415008B (zh) | 一种基于vmd-foa-grnn的船舶流量预测方法 | |
| Liu et al. | Harmonic reducer fault detection with acoustic emission | |
| CN115076620A (zh) | 基于改进upemd和dtwsvm的埋地输油管道泄漏检测方法 | |
| Fang et al. | Detecting anomalies and de-noising monitoring data from sensors: A smart data approach | |
| CN110617927B (zh) | 一种基于emd-svr-wnn的结构沉降变形预测方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210629 Address after: 710064 middle section of south 2nd Ring Road, Xi'an, Shaanxi Applicant after: CHANG'AN University Applicant after: CHINA RAILWAY FIRST SURVEY AND DESIGN INSTITUTE Group Ltd. Address before: 710064 middle section, south two ring road, Shaanxi, Xi'an Applicant before: CHANG'AN University |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |