CN113312696B - 基于arima算法的桥梁健康状况动态预测告警方法 - Google Patents
基于arima算法的桥梁健康状况动态预测告警方法 Download PDFInfo
- Publication number
- CN113312696B CN113312696B CN202110576376.7A CN202110576376A CN113312696B CN 113312696 B CN113312696 B CN 113312696B CN 202110576376 A CN202110576376 A CN 202110576376A CN 113312696 B CN113312696 B CN 113312696B
- Authority
- CN
- China
- Prior art keywords
- data
- time
- stack
- sensor
- real
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 title claims abstract description 37
- 230000036541 health Effects 0.000 title claims abstract description 24
- 230000003068 static effect Effects 0.000 claims abstract description 11
- 230000003862 health status Effects 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000014759 maintenance of location Effects 0.000 claims description 7
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 238000013112 stability test Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 241001123248 Arma Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000012850 discrimination method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 231100000206 health hazard Toxicity 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000001744 unit root test Methods 0.000 description 1
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Abstract
本发明提出一种基于ARIMA算法的桥梁健康状况动态预测告警方法，使用ARIMA算法对桥梁传感器回传的历史数据进行静态预测，从而得到初始的预测安全区间并进行储存；当传感器监测的实时数据回传时，与初始安全区间对比，若回传数据在安全区间内，则将回传数据导入的数据库进行ARIMA算法参数的优化，以实现动态预测；若回传数据不在安全区间内，则进行告警。如此预测桥梁健康状况，在最大程度上降低了桥梁检修时间和成本从而确保桥梁安全使用。
Description
技术领域
本发明属于数据挖掘分析技术领域，尤其涉及一种基于ARIMA算法的桥梁健康状况动态预测告警方法。
背景技术
桥梁的维护和监测都是非常必要的。传统检修是相关专业人员根据自己的感官去检测桥梁可能存在的健康危害，但该检测方式每年都需要投入巨大的人力和财力。随着桥梁的修建增加，传统的维护与检测方式已不能与之相适应，随着计算机、传感器技术的发展，远程桥梁健康状况的监测已经成为现实，我们可以轻松的获得传感器对桥梁构建监测的数据，但桥梁的结构复杂往往需要较多不同种类的传感器，因此传感器回传的数据量是巨大的，以往基于桥梁历史数据的研究大多采用时间序列进行静态的短期预测，其具有一定的滞后性，同时随着时间的推移其预测准确率逐渐降低，所以不具有使用价值。
传统的监测方法，不仅需要投入大量的人力和资源，而且随着桥梁数量和长度的增加该监测方法具有较高的滞后性，导致了不能及时检修和检修不到位等问题频发。随着计算机，传感技术的发展，我们可以对桥梁的各个部位进行实时的监测，但由于桥梁的结构复杂多样，因此监测一座桥梁往往需要数量较多的不同类型传感器，所以传感器回传数据处理是一个比较复杂的过程，现有技术多是基于传感器回传历史数据，采用时间序列算法对桥梁的健康状况进行短期预测，只能静态的把握桥梁就近一段时间健康状况，该技术不但随着时间的推移其预测准确率逐渐降低，而且不能更新传感器回传的数据，从而无法对桥梁健康状况进行动态的把握和实时监测告警。
发明内容
针对现有技术存在的不足和空白，本发明提出一种基于ARIMA算法的桥梁健康状况动态预测告警方法，可以对桥梁的健康状况进行精确的动态预测，同时进行实时告警。在桥梁传感器数据的基础上进行数据挖掘和分析以实现桥梁健康状况的动态预测和实时告警。该方案使用ARIMA算法对桥梁传感器回传的历史数据进行静态预测，从而得到初始的预测安全区间并进行储存。当传感器监测的实时数据回传时，会与初始安全区间对比，若回传数据在安全区间内，则桥梁健康状况良好，并将回传数据导入的数据库进行算法参数的优化，从而实现动态预测；反之若回传数据不在安全区间内则进行告警等级判定，显示告警信息并抛出数据从而实现实时告警。如此预测桥梁健康状况，在最大程度上降低了桥梁检修时间和成本从而确保桥梁安全使用。
本发明具体采用以下技术方案：
一种基于ARIMA算法的桥梁健康状况动态预测告警方法，其特征在于：
使用ARIMA算法对桥梁传感器回传的历史数据进行静态预测，从而得到初始的预测安全区间并进行储存；
当传感器监测的实时数据回传时，与初始安全区间对比，若回传数据在安全区间内，则将回传数据导入的数据库进行ARIMA算法参数的优化，以实现动态预测；
若回传数据不在安全区间内，则进行告警。
进一步地，包括以下步骤：
步骤S1：数据预处理及检验；
步骤S2：模型构建；
步骤S3：动态预测；
步骤S4：实时告警。
进一步地，步骤S1具体包括以下步骤：
步骤S11：将对应桥梁同一传感器数据导入，其中数据包含时间和平均值属性；
步骤S12：对传感器数据进行异常值检测，并使用样本均值对异常值替换处理；
步骤S13：将数据进行Z-Score标准化，消除量纲的影响；
步骤S14：对时间序列进行平稳性检验，若为平稳序列则执行步骤S15，若为非平稳序列，对时间序列进行差分，并重复执行步骤S14；
步骤S15：检验数据是否为白噪声，如通过检验则执行步骤S2，如通不过检验则丢弃该组数据。
进一步地，步骤S2具体包括以下步骤：
步骤S21：模型定阶：绘制出ACF图和PCF图，结合定阶标准初步确定模型的阶数；再使用贝叶斯信息准则确定模型，使用贝叶斯信息准则，绘制热力图，进行模型参数的确定；
步骤S22：模型训练：对确定好参数的模型，导入不同的数据集进行训练；
步骤S23：传感器实时数据动态建模预测：将训练好的模型，导入传感器传回需预测的时间序列集，进行预测。
进一步地，步骤S3具体包括以下步骤：
步骤S31：预测安全区间动态提取：数据基于ARIMA算法预测后，生成未来一段时间的预测趋势和置信区间，作为安全区间，该区间随着时间向前推移而呈现动态变化，即每一个时间节点都有其唯一对应的安全区间；
将未来一段带有时间标签的初始预测安全区间提取作为预测初始安全区间；
并将预测初始安全区间段提取后执行步骤S32；
步骤S32：设预测初始安全区间提取的时间为t1,t2,t3，…,tn，n≥1时间序列为f(t1),f(t2),f(t3),…,f(tn)，n≥1将该序列存入动态安全区间储存池中，安全区间栈的a栈从动态安全区间储存池中读取数据的起点为t'＝t0+Δt'；
其中t0间为当前时间，Δt'为接收到传感器实时数据并将其输入对比系统的操作时长；
设接收到传感器实时数据的时间为T0，在T0＝t'时运行对比系统，以进行对比系统初始化；
当数据对比系统初始化完成后，持续地进行时间序列的实时对比；将接收到的传感器实时数据以安全区间栈的b栈中保留数据进行实时同步对比：
当接收的传感器实时数据在安全区间栈的b栈保存的安全区间内，将数据按步骤S11进行对应桥梁同一传感器数据的更新；
当接收的传感器实时数据不在安全区间栈的b栈保存的安全区间内，则执行步骤S4。
进一步地，当接收的传感器实时数据在安全区间栈的b栈保存的安全区间内，将数据按步骤S11进行对应桥梁同一传感器数据的更新的具体过程为：令新增数据数量为d，数据样本总数为N，当N≤xd时执行步骤S12至步骤S31，同时进行动态安全区间储存池的数据更新；当N＞xd时执行步骤S11、步骤S21和步骤S22，同时进行动态安全区间储存池的数据更新。
进一步地，对于所述动态安全区间储存池，其工作方法为：将步骤S31中提取到的预测初始安全区间段，按照时间的顺序存入池中，当成为失效数据后动态安全区间储存池对其进行自动丢弃；
所述失效数据的定义为：设当前时间为t0，预测的一段时间序列为t1,t2,…,tn，n>1，随着时间的推移，推移到t'0(t0≠t'0)，若有tn＜t'0则tn,tn-1,tn-2,…,t1，n≥1皆为过去时间，其对应的数据为失效数据；
所述安全区间栈工作方法为：在内存中创建两个栈链表a,b，其中a栈从动态安全区间储存池中提取数据，按时间前后进栈，b栈只设置一个长度，b栈的初始值为预测初始安全区间段t1对应的安全预测区间，b栈中数据保留时间长度为T，该长度时长应满足ΔT'+Δt≤T≤ΔT-Δt其中取ΔT中为接收传感器实时数据的时间间隔，ΔT'为接收到的传感器实时数据b栈中数据对比完成时长；Δt为b栈更新数据需要的程序运行时长；当b栈中数据保留时间不满足ΔT'+Δt≤T≤ΔT-Δt该条件将数据出栈，同时a栈中数据进入b栈。
进一步地，在步骤S4中，采用时间连续算法进行告警真伪判别：
假设该告警是虚假告警；
令接收到传感器数据的时间序列为T1,T2,T3,…,Tn，接收到传感器数据序列为F(T1),F(T2),F(T3),…,F(Tn)判别公式如下：
F(Tn)＝F(Tn+1)+ω＝F(Tn+2)+ω＝…＝F(T2n)+ω＝…
式中ω传感器测量传输中产生的随机误差；
当数据传入后对数据进行物理判别，如果是物理异常则直接丢弃数据，如不是物理异常则进行连续时间判别，将其标记为F(Tn)，当接受到传感器实时数据对其进行标记为F(Tn+1)，以此类推，一直给未来接收到的传感器实时数据进行标记，其标记的个数可由接受到数据的时间间隔进行确定，结合拉依达准则得标记数不少于3个；标记完成后代入时间连续算法，如满足算法F(Tn)＝F(Tn+1)+ω＝F(Tn+2)+ω＝…＝F(T2n)+ω＝…，则拒绝原假设，认为该告警不是虚假告警。
进一步地，所述物理判别用于判别包括：超出传感器量程和空值的异常情况。
进一步地，所述平稳性检验包括：时序图检验、单位根检验和ACF自相关图。
本发明及其优选方案对桥梁的健康状况不再是简单的监测和静态预测。其相对于现有技术的主要关键点和区别点包括：
1、提出了动态预测方法
该系统采用ARIMA算法对桥梁的健康状况进行了静态的初始预测，提取出初始预测的初始安全区间，但在某一个时间点对时间序列进行分析得到的最优模型不一定始终都是最优的，随着时间延续,由于事件外部环境的变化，会对模型拟合优度和数据发展趋势造成较明显的影响。ARIMA模型的预测方差与预测步长呈正相关关系，会极大地影响后续预测和判断。
因此我们设定当实时数据回传后，进行数据的对比，若回传数据位于安全区间内，则将数据回传到原始数据序列并更新，不断地加入新的观察值从而更新模型，预测区间更新存储，如此重复，从而达到动态预测的目的，使模型永远保持最新状态而预测的下一时间点数据的准确度永远保持理论最高，充分发挥ARIMA模型在短期预测上的优良性能。而将这种建模及预测过程全程自动化并与桥梁安全监测报告系统进行集成,实现实时动态建模和预测,可为后开展工程监测提供便捷的手段。
2、提出了实时告警方法
该系统ARIMA算法对桥梁的健康状况进行了静态的初始预测，提取出初始预测的初始安全区间，当实时数据回传后，进行数据的对比，如不在安全区间内，进行数据的告警真伪判断，如告警为真则进行告警等级的判断，发出告警信息，信息包括桥梁编号、桥梁名称、传感器编号、传感器类型、数据回传时间、监测项目、回传数值、告警等级、传感器坐标。
3、提出了数据同步对比方法
数据同步对比算法：
设项目预测初始安全区间提取的时间为t1,t2,t3，…,tn(n≥1)时间序列为f(t1),f(t2),f(t3),…,f(tn)(n≥1)将该序列存入动态安全区间储存池中，a栈从动态安全区间储存池中读取数据的起点为t'＝t0+Δt'起其中t0间为当前时间，Δt'为接收到传感器实时数据并将其输入对比系统的操作时长。设接收到传感器实时数据的时间为T0，在T0＝t'时运行对比系统(以下称对比系统初始化)。对比系统初始化完成后就能保证数据对比的同步性即一致性。
4、提出了告警真伪判别方法，以最大限度避免了误判、误告警的发生，其主要采用时间连续算法：
原假设：该告警是虚假告警。
令接收到传感器数据的时间序列为T1,T2,T3,…,Tn，接收到传感器数据序列为F(T1),F(T2),F(T3),…,F(Tn)判别公式如下：
F(Tn)＝F(Tn+1)+ω＝F(Tn+2)+ω＝…＝F(T2n)+ω＝…
式中ω传感器测量传输中产生的随机误差。
当数据传入后对数据进行物理判别，如果是物理异常则直接丢弃数据，如不是物理异常则进行连续时间判别，将其标记为F(Tn)，当接受到传感器实时数据对其进行标记为F(Tn+1)，以此类推，一直给未来接收到的传感器实时数据进行标记，其标记的个数可由接受到数据的时间间隔进行确定，结合拉依达准则得标记数不少于3个。标记完成后代入时间连续算法，如满足算法F(Tn)＝F(Tn+1)+ω＝F(Tn+2)+ω＝…＝F(T2n)+ω＝…，则拒绝原假设，认为该告警不是虚假告警。
在现有技术中，每年都需要投入大量的人力和资源来进行维护，且效果不佳。即使采用传感器监测，对于数据的使用度不高，大多集中在静态预测。本方案则具备了耗费小，实时精准告警和动态预测分析的优势。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
图1为本发明实施例方法流程示意图；
图2为本发明实施例ARIMA算法流程示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：
名词释义：
1 ARIMA算法
1.1 ARIMA算法概述
ARIMA算法又称求和自回归移动平均模型，简记为ARIMA(p,d,q)模型，其算法如下：
式中，▽d＝(1-B)d；Φ(B)＝1-φ1B-…-φpBp,，为平稳可逆ARMA(p,q)模型的自回归系数多项式；Θ(B)＝1-θ1B-···-θqBq平稳可逆ARMA(p,q)模型的移动平滑系数多项式；为自回归移动平均模型即d阶差分后的数据序列。
ARIMA模型既考虑了时间序列上的依存性,又考虑了随机波动的干扰性,因此对于短期的预测较为准确。而将建模及预测过程全程自动化并与传感器监测数据系统进行集成,及时将新的数据加入时间序列参与预测，实现实时动态建模和预测,可为开展桥梁或其他工程监测提供便捷可靠的手段。
1.2 ARIMA算法流程，具体参见图2.
2自相关图(ACF)和偏自相关图(PACF)
数据预处理和检验符合条件后就可以对数据进行时间序列模型的建立，建立的过程主要就是参数的选择。我们通过研究数据的自相关性(ACF)和偏自相关性(PACF)并绘制自相关图(以下称ACF图)和偏自相关图(以下称PACF图)以观察分析来初步确定模型，根据ACF图和PACF图来判断模型的拖尾性和截尾性以确定模型参数(阶数)：
ACF定义：ACF是衡量yt和yt-k之间的相关性。
PACF定义：PACF是在去除yt-1,yt-2,…yt-k+1等影响后，衡量yt和yt-k之间的相关性。
3.预测安全区间
桥梁数据预测的安全区间实际来源于预测模型的中的置信区间概念，置信区间简单理解为估计值±误差幅度形成的上下限之间的范围。同时它还有一个置信度的概念，置信度决定了置信区间的范围，我们一般选取95％的置信度。
4.贝叶斯信息准则
贝叶斯信息准则(BIC)，BIC是衡量统计模型拟合优良性的一种标准，用于模型的选择，其原理如下：
BIC＝kln(n)-2ln(L)
其中k是模型参数个数，L是似然函数。从一组可供选择的模型中选择最佳模型时，通常选择BIC最小的模型。BIC可以实时评价用于预测的ARIMA模型的拟合优良性从而判断预测性能。
如图1所示，本实施例设计的基于ARIMA算法的桥梁健康状况动态预测告警方法具体包括以下步骤：
步骤1数据预处理及相关检验
步骤1.1对应桥梁同一传感器数据导入
将研究对应桥梁同一传感器数据导入，其中数据应包含时间和平均值属性。步骤1.2桥梁传感器数据异常值处理
对传感器数据进行异常值检测，如空值、超出传感器量程的值等，同时使用样本均值对异常值替换处理。
步骤1.3判断数据是否受量纲影响
数据受到量纲影响，将数据进行Z-Score标准化，消除量纲的影响，其计算公式为：
其中z为标准化后的数据，x为需要标准化的数据，μ为此数据的均值，σ为此数据的标准差；未受到量纲影响的数据序列直接进行步骤1.4。
步骤1.4平稳性检验
将处理后的时间序列导入，进行以下三种检验：时序图检验，就数据绘制出时间序列图，观察时间序列的趋势性，周期性和季节性；单位根检验，将时间序列进行单位根检验以判断其是否存在单位根，若ADF值分别大于三种不同检验水平的三个临界值，单位检测统计量对应的p值显著大于0.05，说明序列可以判定为非平稳序列；ACF自相关图绘制时间序列的ACF自相关，当拖尾，k很大时，ACF(k)显著，为不平稳序列。
步骤1.5判断是否为平稳序列
时间序列为平稳序列直接进行下一步操作；时间序列为非平稳序列，对时间序列进行差分使平稳，差分完成后重复1.4操作。
步骤1.6白噪声检验
检验数据是否为白噪声，本实施例使用BP检验和LB检验，最后根据Box和Pierce的Q统计量的p值小于0.05，则拒绝原假设，可以认为该序列不是白噪声。
步骤1.7判断是否为白噪声
检验数据是白噪声，则数据的前后不具有关联性，没有分析的意义，实验结束；检验数据不是白噪声，该时间序列前后具有关联性，直接进行步骤2.1操作。
步骤2模型构建
步骤2.1模型定阶
绘制出ACF图和PCF图，结合定阶标准初步确定模型的阶数；再使用贝叶斯信息准则(BIC)确定模型，使用贝叶斯信息准则(BIC)，绘制热力图，进行模型参数的确定。
步骤2.2模型训练
对确定好参数的模型，导入不同的数据集进行训练，提高模型的准确性。
步骤2.3传感器实时数据动态建模预测
将训练好的模型，导入传感器传回需预测的时间序列集，进行预测。
步骤3动态预测系统
步骤3.1预测安全区间动态提取
数据基于ARIMA算法预测后，生成未来一段时间的预测趋势和置信区间(以下称安全区间)，该区间随着时间向前推移而呈现动态变化，即每一个时间节点都有其唯一对应的安全区间，项目将未来一段带有时间标签的初始预测安全区间提取(以下称预测初始安全区间)。将预测初始安全区间段提取后进行步骤执行步骤3.2.
步骤3.2动态安全区间储存池
将步骤3.1中提取到的预测初始安全区间段，按照时间的顺序存入池中，当成为失效数据(设当前时间为t0，项目预测的一段时间序列为t1,t2,…,tn(n＞1)，随着时间的推移，推移到t'0(t0≠t'0)，若有tn＜t'0则tn,tn-1,tn-2,…,t1(n≥1)皆为过去时间，其对应的数据皆为失效数据)后动态安全区间储存池会对其进行自动丢弃以保证数据的实时性和未来性。
步骤3.3安全区间栈
当接收带有时间标签的传感器数据数据(以下称传感器实时数据)后，如何保证传感器实时数据与动态安全区间储存池中存储数据进行实时对比，即保证两组数据的时间一致性，针对以上问题，本实施例提出安全区间栈方法。
安全区间栈工作方法：在内存中创建两个栈链表a,b，其中a栈从动态安全区间储存池中提取数据，按时间前后进栈，b栈只设置一个长度，b栈的初始值为预测初始安全区间段t1对应的安全预测区间，b栈中数据保留时间长度为T，该长度时长应满足ΔT'+Δt≤T≤ΔT-Δt其中取ΔT中为接收传感器实时数据的时间间隔，ΔT'为接收到的传感器实时数据b栈中数据对比完成时长。Δt为b栈更新数据需要的程序运行时长。当b栈中数据保留时间不满足ΔT'+Δt≤T≤ΔT-Δt该条件将数据出栈，同时a栈中数据进入b栈。
步骤3.4实时数据同步对比
预测初始安全区间提取时项目将提取的时间延后了一段时间，以保证能进行实时数据的同步对比。其实现同步对比的方法如下：
设项目预测初始安全区间提取的时间为t1,t2,t3，…,tn(n≥1)时间序列为f(t1),f(t2),f(t3),…,f(tn)(n≥1)将该序列存入动态安全区间储存池中，a栈从动态安全区间储存池中读取数据的起点为t'＝t0+Δt'起其中t0间为当前时间，Δt'为接收到传感器实时数据并将其输入对比系统的操作时长。设接收到传感器实时数据的时间为T0，在T0＝t'时运行对比系统(以下称对比系统初始化)。对比系统初始化完成后就能保证数据对比的同步性即一致性。
当数据对比系统初始化完成后，就持续的进行时间序列的实时对比。将接收到的传感器实时数据以b栈中保留数据进行实时同步对比。
当接收的传感器实时数据在b栈保存的安全区间内，将数据传输至步骤1.1进行对应桥梁同一传感器数据的更新。令新增数据数量为d，数据样本总数为N，当N≤xd时执行步骤1.2至步骤3.1，同时进行步骤3.2动态安全区间储存池的数据更新；当N＞xd时执行步骤1.1，步骤2.1，步骤2.2，同时进行步骤3.2动态安全区间储存池的数据更新；这一步中，是否进行建模前各类检验操作步骤，判断条件即x的取值取决于实际工程监测需要和监测数据更新密度，可根据工程总体或阶段性监测数据量进行设定，这样可以大大降低建模过程中需要的算力，以提高动态预测和告警的速度。
当接收的传感器实时数据不在b栈保存的安全区间内，执行步骤4.1。
步骤4实时告警系统
步骤4.1告警真伪判别
接收到传感器实时数据，将实时数据与动态安全区间栈中保留具有时间标签的数据进行同步对比，接收到的传感器实时数据不在动态安全区间内，此时桥梁健康状况应是异常的，需要进行告警等级的判断，进而进行告警，但是若接受到的传感器的实时数据其本身就是异常的，那么就会造成虚假告警，这是我们不允许存在的。针对上述问题，本实施例设计了以下算法来判断告警的真伪。算法采用物理判别法结合本实施例自设计时间连续算法，进行告警的真伪判断，具体算法如下：
物理判别法：传感器测量过程中，超出传感器量程，空值等异常情况。
时间连续算法：
原假设：该告警是虚假告警。
令接收到传感器数据的时间序列为T1,T2,T3,…,Tn，接收到传感器数据序列为F(T1),F(T2),F(T3),…,F(Tn)判别公式如下：
F(Tn)＝F(Tn+1)+ω＝F(Tn+2)+ω＝…＝F(T2n)+ω＝…
式中ω传感器测量传输中产生的随机误差。
当传感器实时数据完成同步对比，传入步骤4.1后，先对数据进行物理判别，如果是物理异常则直接丢弃数据，如不是物理异常则进行连续时间判别，将其标记为F(Tn)，当接受到传感器实时数据对其进行标记为F(Tn+1)，以此类推，一直给未来接收到的传感器实时数据进行标记，其标记的个数可由接受到数据的时间间隔进行确定，结合拉依达准则得标记数不少于3个。标记完成后代入时间连续算法，如满足算法F(Tn)＝F(Tn+1)+ω＝F(Tn+2)+ω＝…＝F(T2n)+ω＝…，则拒绝原假设，认为该告警不是虚假告警，进行步骤4.2。
步骤4.2判断告警等级
将传感器实时数据与告警等级标准对比，判断出相应的等级后执行步骤4.3。
步骤4.3发出告警
步骤4.2中数据进行输出，输出信息应包括桥梁编号、桥梁名称、传感器编号、传感器类型、接收数据时间、监测项目、接收的数据、告警等级、传感器坐标。
本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的基于ARIMA算法的桥梁健康状况动态预测告警方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。
Claims (7)
1.一种基于ARIMA算法的桥梁健康状况动态预测告警方法，其特征在于：
使用ARIMA算法对桥梁传感器回传的历史数据进行静态预测，从而得到初始的预测安全区间并进行储存；
当传感器监测的实时数据回传时，与初始安全区间对比，若回传数据在安全区间内，则将回传数据导入的数据库进行ARIMA算法参数的优化，以实现动态预测；若回传数据不在安全区间内，则进行告警；
具体包括以下步骤：
步骤S1：数据预处理及检验；
步骤S2：模型构建；
步骤S3：动态预测；
步骤S4：实时告警；
步骤S3具体包括以下步骤：
步骤S31：预测安全区间动态提取：数据基于ARIMA算法预测后，生成未来一段时间的预测趋势和置信区间，作为安全区间，该区间随着时间向前推移而呈现动态变化，即每一个时间节点都有其唯一对应的安全区间；
将未来一段带有时间标签的初始预测安全区间提取作为预测初始安全区间；
并将预测初始安全区间段提取后执行步骤S32；
步骤S32：设预测初始安全区间提取的时间为t1,t2,t3，…,tn，n≥1时间序列为f(t1),f(t2),f(t3),…,f(tn)，n≥1将该序列存入动态安全区间储存池中，安全区间栈的a栈从动态安全区间储存池中读取数据的起点为t'＝t0+Δt'；
其中t0间为当前时间，Δt'为接收到传感器实时数据并将其输入对比系统的操作时长；
设接收到传感器实时数据的时间为T0，在T0＝t'时运行对比系统，以进行对比系统初始化；
当数据对比系统初始化完成后，持续地进行时间序列的实时对比；将接收到的传感器实时数据以安全区间栈的b栈中保留数据进行实时同步对比：
当接收的传感器实时数据在安全区间栈的b栈保存的安全区间内，进行对应桥梁同一传感器数据的更新，其中数据包含时间和平均值属性；
当接收的传感器实时数据不在安全区间栈的b栈保存的安全区间内，则执行步骤S4；
在步骤S4中，采用时间连续算法进行告警真伪判别：
假设该告警是虚假告警；
令接收到传感器数据的时间序列为T1,T2,T3,…,Tn，接收到传感器数据序列为F(T1),F(T2),F(T3),…,F(Tn)判别公式如下：
F(Tn)＝F(Tn+1)+ω＝F(Tn+2)+ω＝…＝F(T2n)+ω＝…
式中ω传感器测量传输中产生的随机误差；
当数据传入后对数据进行物理判别，如果是物理异常则直接丢弃数据，如不是物理异常则进行连续时间判别，将其标记为F(Tn)，当接受到传感器实时数据对其进行标记为F(Tn+1)，以此类推，一直给未来接收到的传感器实时数据进行标记，其标记的个数可由接受到数据的时间间隔进行确定，结合拉依达准则得标记数不少于3个；标记完成后代入时间连续算法，如满足算法F(Tn)＝F(Tn+1)+ω＝F(Tn+2)+ω＝…＝F(T2n)+ω＝…，则拒绝原假设，认为该告警不是虚假告警。
2.根据权利要求1所述的基于ARIMA算法的桥梁健康状况动态预测告警方法，其特征在于，步骤S1具体包括以下步骤：
步骤S11：将对应桥梁同一传感器数据导入，其中数据包含时间和平均值属性；
步骤S12：对传感器数据进行异常值检测，并使用样本均值对异常值替换处理；
步骤S13：将数据进行Z-Score标准化，消除量纲的影响；
步骤S14：对时间序列进行平稳性检验，若为平稳序列则执行步骤S15，若为非平稳序列，对时间序列进行差分，并重复执行步骤S14；
步骤S15：检验数据是否为白噪声，如通过检验则执行步骤S2，如通不过检验则丢弃该组数据。
3.根据权利要求2所述的基于ARIMA算法的桥梁健康状况动态预测告警方法，其特征在于，步骤S2具体包括以下步骤：
步骤S21：模型定阶：绘制出ACF图和PCF图，结合定阶标准初步确定模型的阶数；再使用贝叶斯信息准则确定模型，使用贝叶斯信息准则，绘制热力图，进行模型参数的确定；
步骤S22：模型训练：对确定好参数的模型，导入不同的数据集进行训练；
步骤S23：传感器实时数据动态建模预测：将训练好的模型，导入传感器传回需预测的时间序列集，进行预测。
4.根据权利要求3所述的基于ARIMA算法的桥梁健康状况动态预测告警方法，其特征在于：当接收的传感器实时数据在安全区间栈的b栈保存的安全区间内，将数据按步骤S11进行对应桥梁同一传感器数据的更新的具体过程为：令新增数据数量为d，数据样本总数为N，当N≤xd时执行步骤S12至步骤S31，同时进行动态安全区间储存池的数据更新；当N＞xd时执行步骤S11、步骤S21和步骤S22，同时进行动态安全区间储存池的数据更新。
5.根据权利要求4所述的基于ARIMA算法的桥梁健康状况动态预测告警方法，其特征在于：
对于所述动态安全区间储存池，其工作方法为：将步骤S31中提取到的预测初始安全区间段，按照时间的顺序存入池中，当成为失效数据后动态安全区间储存池对其进行自动丢弃；
所述失效数据的定义为：设当前时间为t0，预测的一段时间序列为t1,t2,…,tn，n>1，随着时间的推移，推移到t'0(t0≠t'0)，若有tn＜t'0则tn,tn-1,tn-2,…,t1，n≥1皆为过去时间，其对应的数据为失效数据；
所述安全区间栈工作方法为：在内存中创建两个栈链表a,b，其中a栈从动态安全区间储存池中提取数据，按时间前后进栈，b栈只设置一个长度，b栈的初始值为预测初始安全区间段t1对应的安全预测区间，b栈中数据保留时间长度为T，该长度时长应满足ΔT'+Δt≤T≤ΔT-Δt其中取ΔT中为接收传感器实时数据的时间间隔，ΔT'为接收到的传感器实时数据b栈中数据对比完成时长；Δt为b栈更新数据需要的程序运行时长；当b栈中数据保留时间不满足ΔT'+Δt≤T≤ΔT-Δt该条件将数据出栈，同时a栈中数据进入b栈。
6.根据权利要求1所述的基于ARIMA算法的桥梁健康状况动态预测告警方法，其特征在于：所述物理判别用于判别包括：超出传感器量程和空值的异常情况。
7.根据权利要求2所述的基于ARIMA算法的桥梁健康状况动态预测告警方法，其特征在于：所述平稳性检验包括：时序图检验、单位根检验和ACF自相关图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110576376.7A CN113312696B (zh) | 2021-05-26 | 2021-05-26 | 基于arima算法的桥梁健康状况动态预测告警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110576376.7A CN113312696B (zh) | 2021-05-26 | 2021-05-26 | 基于arima算法的桥梁健康状况动态预测告警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113312696A CN113312696A (zh) | 2021-08-27 |
| CN113312696B true CN113312696B (zh) | 2024-02-13 |
Family
ID=77374979
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110576376.7A Active CN113312696B (zh) | 2021-05-26 | 2021-05-26 | 基于arima算法的桥梁健康状况动态预测告警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113312696B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113945632A (zh) * | 2021-09-08 | 2022-01-18 | 浙江省北大信息技术高等研究院 | 一种钢结构网架的健康监测装置和方法 |
| 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 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106599487A (zh) * | 2016-12-16 | 2017-04-26 | 天津大学 | 基于arima模型和用户调控的动态方差实时报警方法 |
| 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 |
| CN109684310A (zh) * | 2018-11-22 | 2019-04-26 | 安徽继远软件有限公司 | 一种基于大数据分析的信息系统性能态势感知方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190102718A1 (en) * | 2017-09-29 | 2019-04-04 | Oracle International Corporation | Techniques for automated signal and anomaly detection |
-
2021
- 2021-05-26 CN CN202110576376.7A patent/CN113312696B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106599487A (zh) * | 2016-12-16 | 2017-04-26 | 天津大学 | 基于arima模型和用户调控的动态方差实时报警方法 |
| 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 |
| CN109684310A (zh) * | 2018-11-22 | 2019-04-26 | 安徽继远软件有限公司 | 一种基于大数据分析的信息系统性能态势感知方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于实时跟踪ARIMA大坝安全监控模型;黄梦婧等;《中国农村水利水电》;第142-143页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113312696A (zh) | 2021-08-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sarmadi et al. | Structural health monitoring by a novel probabilistic machine learning method based on extreme value theory and mixture quantile modeling | |
| Sarmadi et al. | Early damage detection by an innovative unsupervised learning method based on kernel null space and peak‐over‐threshold | |
| Sarmadi et al. | Bridge health monitoring in environmental variability by new clustering and threshold estimation methods | |
| Dervilis et al. | On robust regression analysis as a means of exploring environmental and operational conditions for SHM data | |
| Daneshvar et al. | Unsupervised learning-based damage assessment of full-scale civil structures under long-term and short-term monitoring | |
| CN113312696B (zh) | 基于arima算法的桥梁健康状况动态预测告警方法 | |
| CN108508863A (zh) | 一种基于灰色模型的机电设备故障诊断方法 | |
| CN113297272B (zh) | 一种桥梁监测数据关联规则挖掘及健康预警方法及系统 | |
| Shahidi et al. | Structural damage detection and localisation using multivariate regression models and two-sample control statistics | |
| Lu et al. | Graph-based structural change detection for rotating machinery monitoring | |
| Entezami et al. | A novel double-hybrid learning method for modal frequency-based damage assessment of bridge structures under different environmental variation patterns | |
| Sarmadi et al. | Probabilistic data self-clustering based on semi-parametric extreme value theory for structural health monitoring | |
| RU2745136C1 (ru) | Автоматизированная система выявления и прогнозирования осложнений в процессе строительства нефтяных и газовых скважин | |
| JPH08234832A (ja) | プラント監視診断装置および方法 | |
| CN116343359B (zh) | 一种工业生产异常行为态势检测方法及系统 | |
| Chegeni et al. | New supervised learning classifiers for structural damage diagnosis using time series features from a new feature extraction technique | |
| Barontini et al. | Deterministically generated negative selection algorithm for damage detection in civil engineering systems | |
| Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
| Catbas | Structural health monitoring: applications and data analysis | |
| Entezami et al. | Probabilistic damage localization by empirical data analysis and symmetric information measure | |
| CN110298409A (zh) | 面向电力可穿戴设备的多源数据融合方法 | |
| JP2024045515A (ja) | 構造物診断システム、構造物診断方法、および構造物診断プログラム | |
| CN104504265A (zh) | 一种在役桥梁监测信息安全评估的方法 | |
| CN115469585B (zh) | 一种基于大数据的水电机组状态监测方法及系统 | |
| RU2745137C1 (ru) | Автоматизированная система выявления и прогнозирования осложнений в процессе строительства нефтяных и газовых скважин |
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 |