CN113962407A - 一种现役土木建筑物监测数据多维特征分析方法 - Google Patents

一种现役土木建筑物监测数据多维特征分析方法 Download PDF

Info

Publication number
CN113962407A
CN113962407A CN202111212540.2A CN202111212540A CN113962407A CN 113962407 A CN113962407 A CN 113962407A CN 202111212540 A CN202111212540 A CN 202111212540A CN 113962407 A CN113962407 A CN 113962407A
Authority
CN
China
Prior art keywords
monitoring data
tensor
monitoring
multidimensional
dimension
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
CN202111212540.2A
Other languages
English (en)
Other versions
CN113962407B (zh
Inventor
靳启文
孙艺利
靳琳琳
郑德乾
薛晓锋
周亚栋
丁永刚
贺拴海
陈桂香
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.)
Changan University
Henan University of Technology
Original Assignee
Changan University
Henan University of Technology
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 Changan University, Henan University of Technology filed Critical Changan University
Priority to CN202111212540.2A priority Critical patent/CN113962407B/zh
Publication of CN113962407A publication Critical patent/CN113962407A/zh
Application granted granted Critical
Publication of CN113962407B publication Critical patent/CN113962407B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Analysis (AREA)
  • Operations Research (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Economics (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种现役土木建筑物监测数据多维特征分析方法，包括如下方法：a、监测数据预处理，b、监测数据多维张量模型构建，c、监测数据多维张量模型降维至低维张量模型，d、监测数据低维张量模型预测，e、监测数据多维张量模型重构，f、监测数据多维张量模型误差，g、当误差精度不满足设定值时，重复步骤c、d、e，通过增大秩的值或调整回归分析的预测周期参数或调整重构方法，直到误差精度达到设定精度值为止，得到理论预测模型；本发明采取了全要素监测数据多维张量分析方法，可根本解决数据利用率的问题，考虑数据组多维结构特征，能揭示结构真实服役状态，制定更有针对性的养管决策。

Description

一种现役土木建筑物监测数据多维特征分析方法
技术领域
本发明涉及现役土木建筑物智能监测与运维技术领域，特别涉及一种现役土木建筑物监测数据多维特征分析方法。
背景技术
目前，土木建筑物结构监测由于受监测设备、结构体系、桥位环境等因素影响，有很多采用多种类型、多个测点布置的传感器及采集设备，存在着海量监测数据周期性差、数据利用率低的现象，发生此类现象的原因主要在于以下3个方面：
1、不同类型客车、货车的混合、连续、快速通行时，监测传感器难以正常伸缩，尤其是面对较高或者较低的桥位温度，监测传感器灵敏度将显著降低，监测数据超量程卡死现象普遍，随着系统自动清零监测数据还将出现阶跃变换，使得监测数据周期性变差；
2、土木建筑物结构普遍采用较大设计规模，需布置数十种、百余个监测传感器，长期监测数据量十分庞大，已有计算机硬件及软件难以满足分析要求，研究人员多数情况下会主观选择部分样本数据展开分析；
3、已有监测数据分析多依托传统统计方法展开，并将其视为时间序列数据展开预测，未能充分考虑不同传感器类型、不同测点监测数据的相关性和关联性，也未能将其视作整体数据组对更深层次的多维特征展开研究。
监测数据周期性差，影响后续分析迭代收敛，容易增加分析难度；样本监测数据分析预测，未能考虑数据全要素，分析海量监测数据隐藏的多维信息，造成资源浪费；因此，展开全要素监测数据多维特征分析十分必要。
发明内容
本发明目的是为解决现有监测数据周期性差，影响后续分析迭代收敛，容易增加分析难度；样本监测数据分析预测，未能考虑全部数据，分析海量监测数据隐藏的多维信息，造成资源浪费的问题，提出一种现役土木建筑物监测数据多维特征分析方法，采取了全要素监测数据多维张量分析方法解决数据利用率的问题。
为达到上述目的所采取的技术方案是：
一种现役土木建筑物监测数据多维特征分析方法，包括如下方法：
a、监测数据预处理
对结构杆件、部件的安全性做出宏观判断，将结构杆件、部件对应的全尺度试验值、理论设计值、极限值作为参考数值，替换部分超量程卡死的监测数据；
对初步预处理后的监测数据实施0—1正则化变换，使得不同监测项的数据值处于同一取值区间[0,1]，所述不同监测项包括不同单位、不同属性、不同取值范围；
b、监测数据多维张量模型构建
考虑土木建筑物杆件、部件作为空间维度、监测属性作为监测项维度、运营时间作为监测时间维度，将预处理后的监测数据改写为涵盖空间维度、监测项维度与时间维度的多维可视化张量模型；
c、监测数据多维张量模型分解至多个低维张量模型
考虑改变的秩的值，实施多维张量试CP分解，将多维张量维度降低，分解为多个低维张量，所述低维张量的数量与秩的值对应；
d、监测数据低维张量模型预测
将监测数据低维张量数据分为测试集和训练集，考虑自回归分析实施低维张量数据短期预测；
e、监测数据多维张量模型重构
考虑Kruskal积对短期预测低维张量数据实施复原；
f、监测数据多维张量模型误差
考虑均方误差MSE、均方根误差RMSE、平均绝对误差MAE为评价指标，分析多维张量分解、张量数据短期预测、多维张量重构精度；
g、当误差精度不满足设定值时，重复步骤c、d、e，通过增大秩的值或调整回归分析的预测周期参数或调整重构方法，直到误差精度达到设定精度值为止，得到理论预测模型。
进一步，所述时间维度为周时间维度或月时间维度或季时间维度或年时间维度。
进一步，所述空间维度为结构梁、板、墩、塔、柱、索等杆件或部件维度。
进一步，所述监测项维度为位移、应变、加速度的测试属性维度。
进一步，所述步骤c中秩的最大值为多维张量最低的两个维度数积。
本发明所具有的有益效果为：
本发明为一种现役土木建筑物监测数据多维特征分析方法，通过建立涵盖空间维度、监测项维度与时间维度的现役土木建筑物监测数据的多维可视化张量模型，通过对多维可视化张量模型进行降维、低维张量模型短期预测和多维复原，并分析误差，得出短期预测的理论性多维张量模型；采取了全要素监测数据多维张量分析方法，可根本解决数据利用率的问题，考虑数据组多维结构特征，能揭示结构真实服役状态，制定更有针对性的养管决策。
附图说明
图1是本发明的主要步骤示意图；
图2是现役土木建筑物中常见的装配式梁板桥上部结构原始监测数据示意图；
图3是现役土木建筑物监测超量程数据预处理效果示意图；
图4是现役土木建筑物监测数据0—1标准化变换效果示意图；
图5是图2中监测数据多维张量分析模型构建示意图；
图6是图2中监测数据多维张量分析模型分解示意图；
图7是图2中监测数据多维张量模型降维分解误差示意图。
具体实施方式
下面结合附图对本发明进一步描述。
如图1所示，一种现役土木建筑物监测数据多维特征分析方法，包括如下方法：
a、监测数据预处理
首先，对结构杆件、部件的安全性做出宏观判断，待结构安全性确定之后，将结构杆件、部件对应的全尺度试验值、理论设计值、极限值作为参考数值，其中，将所述参考数值替换为由于传感器灵敏度等因素导致的部分超量程卡死数据，使数据更加平滑，
对初步预处理后的监测数据实施0—1正则化变换，使得不同监测项的数据值处于同一取值区间[0,1]，所述不同监测项包括不同单位、不同属性、不同取值范围；
b、监测数据多维张量模型构建
考虑土木建筑物杆件、部件作为空间维度、监测属性作为监测项维度、运营时间作为监测时间维度，将预处理后的监测数据改写为涵盖空间维度、监测项维度与时间维度的多维可视化张量模型；其中，所述时间维度为周时间维度或月时间维度或季时间维度或年时间维度；也可以是时间维度为周时间维度或月时间维度或季时间维度或年时间维度组成的多维时间维度。
c、监测数据多维张量模型分解至多个低维张量模型
考虑不同的秩的值，实施多维张量试CP分解，将多维张量维度降低，分解至多个低维张量，所述低维张量的数量与秩的值对应；在进行计算时，要结合计算机硬件配置，选择适当的秩和迭代次数，保障计算机运算效率；
d、监测数据低维张量模型预测
将监测数据低维张量数据分为测试集和训练集，并借助自回归分析实施低维张量数据短期预测；
e、监测数据多维张量模型重构
考虑Kruskal积对短期预测低维张量数据实施复原；
f、监测数据多维张量模型误差
考虑均方误差MSE、均方根误差RMSE、平均绝对误差MAE为评价指标，分析多维张量分解、张量数据短期预测、多维张量重构精度；
g、当误差精度不满足设定值时，重复步骤c、d、e，通过增大秩的值或调整回归分析的预测周期参数或调整重构方法，直到误差精度达到设定精度值为止，得到理论预测模型。
优选的，所述时间维度为周时间维度或月时间维度或季时间维度或年时间维度。
优选的，所述空间维度为结构梁、板、墩、塔、柱的各个杆件或部件维度。
优选的，所述监测项维度为位移、应变、加速度的测试属性维度。
优选的，所述步骤c中秩的最大值为多维张量最低的两个维度数积。
如图 1 所示，一种现役土木建筑物监测数据多维特征分析方法的流程图，监测数据多维张量模型构建（考虑结构空间维度、时间维度、监测项维度）；监测数据多维张量模型降维分解，考虑不同的秩，本实施例中秩的值为 3 时，分解为 3 个低维张量 A、B、T；考虑自回归分析，T 个周期实测数据，n 个周期预测数据，监测数据多维张量模型预测；基于Kruskal积的监测数据多维张量模型重构；考虑 MSE、RMSE、MAE 误差指标，进行监测数据多维张量误差分析。
图 2 为现役土木建筑物中常见的某装配式梁板桥上部结构 8日的原始监测数据示意图，D1～D5 表示 5 片预制梁的位移响应监测数据，M1～M5 表示 5 片预制梁的微应变响应监测数据，T1～T5 表示两边 1 号边预制梁和 5 号边预制梁的温度监测数据。
图 3 为大桥部分超量卡死监测数据（3日内 D1、D2）预处理后效果示意，D1 和D2数据经过预处理，可以观察到原始数据中隐藏的周期性特征。
图 4 通过 0—1 正则数学变换，将大桥不同测量属性（位移、微应变、温度）、不同数值范围的数据，置于同一个取值区间[0,1]，且没有改变原有监测数据的周期性。
图 5 为图 2 中张量模型构建示意图，考虑 12 个监测项维度、60 分钟维度、4小时维度（9月 3 日），构建了三维张量模型 R 1 12×60×4。
图 6 为图 2 中张量模型降维分解示意,考虑 12 个监测项维度、60 分钟维度、144 小时维度(9 月 3 日-8 日)，选择秩的值为 3，将三维张量模型 R 2 12×60×144分解为 3个二维张量模型，即R21 12×3、R22 60×3、R23 144×3。
图 7 是图 2 中监测数据多维张量模型降维分解误差示意，张量分解误差总体较小，且随着秩的值的增加而逐渐减小；当秩为 2 时，误差较大；当秩大于 300 时，误差逐渐趋于平稳，并满足工程计算分析精度。考虑计算机硬件配置及分析软件运算能力，此类数据降维分析可取秩值为300。
本实施例并非对本发明的形状、材料、结构等作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均属于本发明技术方案的保护范围。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，但这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1. 一种现役土木建筑物监测数据多维特征分析方法，包括如下方法：
a、监测数据预处理
对结构杆件、部件的安全性做出宏观判断，将结构杆件、部件对应的全尺度试验值、理论设计值、极限值作为参考数值，替换部分超量程卡死的监测数据；
对初步预处理后的监测数据实施0—1正则化变换，使得不同监测项的数据值处于同一取值区间[0,1]，所述不同监测项包括不同单位、不同属性、不同取值范围；
b、监测数据多维张量模型构建
考虑土木建筑物杆件、部件作为空间维度、监测属性作为监测项维度、运营时间作为监测时间维度，将预处理后的监测数据改写为涵盖空间维度、监测项维度与时间维度的多维可视化张量模型；
c、监测数据多维张量模型分解至多个低维张量模型
考虑改变的秩的值，实施多维张量试CP分解，将多维张量维度降低，分解为多个低维张量，所述低维张量的数量与秩的值对应；
d、监测数据低维张量模型预测
将监测数据低维张量数据分为测试集和训练集，考虑自回归分析实施低维张量数据短期预测；
e、监测数据多维张量模型重构
考虑Kruskal积对短期预测低维张量数据实施复原；
f、监测数据多维张量模型误差
考虑均方误差MSE、均方根误差RMSE、平均绝对误差MAE为评价指标，分析多维张量分解、张量数据短期预测、多维张量重构精度；
g、当误差精度不满足设定值时，重复步骤c、d、e，通过增大秩的值或调整回归分析的预测周期参数或调整重构方法，直到误差精度达到设定精度值为止，得到理论预测模型。
2. 根据权利要求1所述的一种现役土木建筑物监测数据多维特征分析方法，其特征在于， 所述时间维度为周时间维度或月时间维度或季时间维度或年时间维度。
3. 根据权利要求1所述的一种现役土木建筑物监测数据多维特征分析方法，其特征在于， 所述空间维度为结构梁、板、墩、塔、柱、索等杆件或部件维度。
4. 根据权利要求1所述的一种现役土木建筑物监测数据多维特征分析方法，其特征在于， 所述监测项维度为位移、应变、加速度的测试属性维度。
5. 根据权利要求1所述的一种现役土木建筑物监测数据多维特征分析方法，其特征在于， 所述步骤c中秩的最大值为多维张量最低的两个维度数积。
CN202111212540.2A 2021-10-19 2021-10-19 一种现役土木建筑物监测数据多维特征分析方法 Active CN113962407B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111212540.2A CN113962407B (zh) 2021-10-19 2021-10-19 一种现役土木建筑物监测数据多维特征分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111212540.2A CN113962407B (zh) 2021-10-19 2021-10-19 一种现役土木建筑物监测数据多维特征分析方法

Publications (2)

Publication Number Publication Date
CN113962407A true CN113962407A (zh) 2022-01-21
CN113962407B CN113962407B (zh) 2024-10-25

Family

ID=79464362

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111212540.2A Active CN113962407B (zh) 2021-10-19 2021-10-19 一种现役土木建筑物监测数据多维特征分析方法

Country Status (1)

Country Link
CN (1) CN113962407B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
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
CN106339820A (zh) * 2016-08-31 2017-01-18 中国电建集团昆明勘测设计研究院有限公司 一种基于虚拟现实的水工建筑物实测性态多维度分析方法及系统
CN109063366A (zh) * 2018-08-22 2018-12-21 深圳市建筑科学研究院股份有限公司 一种基于时间和空间加权的建筑性能数据在线预处理方法
CN110969370A (zh) * 2020-01-14 2020-04-07 深圳市建筑科学研究院股份有限公司 建筑结构构件的质量风险分析方法
CN112200237A (zh) * 2020-10-05 2021-01-08 武汉理工大学 一种结构健康监测系统时序监测数据异常诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
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
CN106339820A (zh) * 2016-08-31 2017-01-18 中国电建集团昆明勘测设计研究院有限公司 一种基于虚拟现实的水工建筑物实测性态多维度分析方法及系统
CN109063366A (zh) * 2018-08-22 2018-12-21 深圳市建筑科学研究院股份有限公司 一种基于时间和空间加权的建筑性能数据在线预处理方法
CN110969370A (zh) * 2020-01-14 2020-04-07 深圳市建筑科学研究院股份有限公司 建筑结构构件的质量风险分析方法
CN112200237A (zh) * 2020-10-05 2021-01-08 武汉理工大学 一种结构健康监测系统时序监测数据异常诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
唐浩;唐光武;孟利波;: "支持向量机对桥梁监测信息的预测", 工程勘察, no. 10, 1 October 2016 (2016-10-01), pages 47 - 56 *

Also Published As

Publication number Publication date
CN113962407B (zh) 2024-10-25

Similar Documents

Publication Publication Date Title
Xin et al. A signal recovery method for bridge monitoring system using TVFEMD and encoder-decoder aided LSTM
CN111967185B (zh) 基于索力和位移分布相关性建模的斜拉桥状态评估方法
CN105956216A (zh) 大跨钢桥基于均匀温度响应监测值的有限元模型修正方法
Lei et al. A deep reinforcement learning framework for life-cycle maintenance planning of regional deteriorating bridges using inspection data
Ye et al. Stochastic characterization of wind field characteristics of an arch bridge instrumented with structural health monitoring system
CN108733864B (zh) 一种基于支持向量机的飞机机翼结构全局灵敏度分析方法
CN112347537B (zh) 工程结构数值模型的校准方法、装置、电子设备及介质
Wang et al. Combined digital twin and hierarchical deep learning approach for intelligent damage identification in cable dome structure
CN113988210A (zh) 结构监测传感网失真数据修复方法、装置及存储介质
CN115271186A (zh) 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法
Lei et al. Condition level deteriorations modeling of RC beam bridges with U-Net convolutional neural networks
Yue et al. Ultra-high precise Stack-LSTM-CNN model of temperature-induced deflection of a cable-stayed bridge for detecting bridge state driven by monitoring data
Chen et al. Unsupervised anomaly detection for long-span bridges combining response forecasting by deep learning with Td-MPCA
Wang et al. Probabilistic model of traffic scenarios for extreme load effects in long-span bridges
CN113962407B (zh) 一种现役土木建筑物监测数据多维特征分析方法
Wong et al. Structural health monitoring of cable-supported bridges in Hong Kong
Tao et al. A structural monitoring data processing model based on signal musicalization
He et al. Digital twin Bayesian entropy framework for corrosion fatigue life prediction and calibration of bridge suspender
Qu et al. Short-term mathematical prediction model of air quality based on CEEMD-ELM-PSO
CN116663126A (zh) 一种基于通道注意力BiLSTM模型的桥梁温度效应预测方法
Chen et al. Smart bridge maintenance using cluster merging algorithm based on self-organizing map optimization
Wang et al. Deep learning-based prediction of wind-induced lateral displacement response of suspension bridge decks for structural health monitoring
CN114048646B (zh) 基于有限元修正与人工智能的沥青面层损伤状态反演方法
CN107766630B (zh) 高速铁路桥梁支座在设计使用寿命内累积磨损的评估方法
Li et al. Deterioration Model for Reinforced Concrete Bridge Girders Based on Survival Analysis

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