CN114510870B - 一种城市轨道交通地下结构的剩余寿命预测方法及装置 - Google Patents
一种城市轨道交通地下结构的剩余寿命预测方法及装置 Download PDFInfo
- Publication number
- CN114510870B CN114510870B CN202210016921.1A CN202210016921A CN114510870B CN 114510870 B CN114510870 B CN 114510870B CN 202210016921 A CN202210016921 A CN 202210016921A CN 114510870 B CN114510870 B CN 114510870B
- Authority
- CN
- China
- Prior art keywords
- prediction
- underground structure
- residual life
- prediction model
- data
- 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 39
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 210000000349 chromosome Anatomy 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 claims 2
- 230000008439 repair process Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种城市轨道交通地下结构的剩余寿命预测方法及装置，方法包括：将历史城市轨道交通地下结构的剩余寿命预测相关数据中的不同特征序列输入至预设的多变量灰色预测模型中，并对输出的特征预测值进行标准化处理，使构建时间序列数据；基于时间序列数据以及网络参数构建GA‑GM‑ABiLSTM循环预测模型；将实时获取的待预测地下结构剩余寿命预测相关数据输入至GA‑GM‑ABiLSTM循环预测模型中，使得到某一当前结构剩余寿命预测值，计算某一当前结构剩余寿命预测值的置信度，将置信度下的剩余寿命预测值确认为待预测城市轨道交通地下结构当前时刻下的剩余使用寿命并将结果返回到数字孪生DT平台。可以使得能够合理的定制、安排地下结构维修策略。
Description
技术领域
本发明属于地下结构剩余寿命预测技术领域，尤其涉及一种城市轨道交通地下结构的剩余寿命预测方法及装置。
背景技术
城市轨道交通是国家重要基础设施，轨道交通地下结构在服役期间由于环境变化、低频振动等因素作用，可能出现损伤甚至失效，病害和缺陷引起基础结构服役状态与动态性能持续改变。
轨道交通地下结构是竖向多层、纵向异性的带状系统，在长期复杂运营环境、使用状态及载荷差异条件下，基础结构不可避免的出现损伤和老化，轨道交通地下结构的各个部件由于材料属性和结构形式的差异，其劣化现象与状态演化预测亦不相同。
而日常巡检时间间隔长，不能及时的获取城市轨道交通地下结构具体位置，也不能对地下结构在运营期间有效的监控，从而也无法对地下结构得到及时的检修，传统的寿命预测多采用CNN算法，但其存在梯度消失及梯度爆炸问题，影响地下结构寿命预测的准确性。
发明内容
本发明提供一种城市轨道交通地下结构的剩余寿命预测方法及装置，用于至少解决存在梯度消失及梯度爆炸现象，影响地下结构寿命预测的准确性的问题。
第一方面，本发明提供一种城市轨道交通地下结构的剩余寿命预测方法，包括：将历史城市轨道交通地下结构的剩余寿命预测相关数据中的不同特征序列输入至预设的多变量灰色预测模型中，并对输出的特征预测值进行标准化处理，使构建时间序列数据，所述时间序列数据包括训练时间序列数据以及测试时间序列数据；基于所述时间序列数据以及网络参数构建GA-GM-ABiLSTM循环预测模型，所述GA-GM-ABiLSTM循环预测模型的输入参数的公式为：δ＝(1-α)×Yt-1+α×Xt，[net，Yt]＝predicAndUpdataState(net，δ)，式中，δ为预测中要输入的参数，Yt-1为整个模型t时刻的前一个时间段的预测结果，α为预设的多变量灰色预测模型中预测结果的学习因子，Xt为t时刻多变量灰色预测模型的预测值，net为在训练和更新后的网络层；将实时获取的待预测地下结构剩余寿命预测相关数据输入至所述GA-GM-ABiLSTM循环预测模型中，使得到某一当前结构剩余寿命预测值；计算所述某一当前结构剩余寿命预测值的置信度，并判断所述置信度是否大于预设阈值；若所述置信度大于预设阈值，则确定所述某一当前结构剩余寿命预测值为待预测地下结构剩余寿命。
第二方面，本发明提供一种城市轨道交通地下结构的剩余寿命预测装置，包括：输出模块，配置为将历史城市轨道交通地下结构的剩余寿命预测相关数据中的不同特征序列输入至预设的多变量灰色预测模型中，并对输出的特征预测值进行标准化处理，使构建时间序列数据，所述时间序列数据包括训练时间序列数据以及测试时间序列数据；构建模块，配置为基于所述时间序列数据以及网络参数构建GA-GM-ABiLSTM循环预测模型，所述GA-GM-ABiLSTM循环预测模型的输入参数的公式为：δ＝(1-α)×Yt-1+α×Xt，[net，Yt]＝predicAndUpdataState(net，δ)，式中，δ为预测中要输入的参数，Yt-1为整个模型t时刻的前一个时间段的预测结果，α为预设的多变量灰色预测模型中预测结果的学习因子，Xt为t时刻多变量灰色预测模型的预测值，net为在训练和更新后的网络层；预测模块，配置为将实时获取的待预测地下结构剩余寿命预测相关数据输入至所述GA-GM-ABiLSTM循环预测模型中，使得到某一当前结构剩余寿命预测值；判断模块，配置为计算所述某一当前结构剩余寿命预测值的置信度，并判断所述置信度是否大于预设阈值；确定模块，配置为若所述置信度大于预设阈值，则确定所述某一当前结构剩余寿命预测值为待预测地下结构剩余寿命。
第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的城市轨道交通地下结构的剩余寿命预测方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行本发明任一实施例的城市轨道交通地下结构的剩余寿命预测方法的步骤。
本申请的城市轨道交通地下结构的剩余寿命预测方法及装置，采用灰色预测模型获取时间序列数据，考虑影响因素对剩余寿命的趋势影响，适用于地下结构的剩余寿命预测，接着针对灰色模型预测数据量较大时不稳定的问题，将其与非线性预测性能好但短期预测不稳定的LSTM网络模型结合成为GA-GM-ABiLSTM循环预测模型，通过遗传算法降低超参数对预测结果的影响，从而提高了城市轨道交通地下结构的剩余寿命预测方法的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种城市轨道交通地下结构的剩余寿命预测方法的流程图；
图2为本发明一实施例提供的一种城市轨道交通地下结构的剩余寿命预测装置的结构框图；
图3是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，其示出了本申请的一种城市轨道交通地下结构的剩余寿命预测方法的流程图。
如图1所示，城市轨道交通地下结构的剩余寿命预测方法具体包括以下步骤：
步骤S101，将历史城市轨道交通地下结构的剩余寿命预测相关数据中的不同特征序列输入至预设的多变量灰色预测模型中，并对输出的特征预测值进行标准化处理，使构建时间序列数据，所述时间序列数据包括训练时间序列数据以及测试时间序列数据。
在本实施例中，根据待预测的城市轨道交通地下结构物理模型，建立与地下结构相对应的地下结构数字孪生体，并建立与地下结构数字孪生体相应的地下结构剩余寿命预测相关数据集，以及将信息分别写入所述地下结构信息所对应的位置中的数字孪生DT平台，数字孪生DT平台获取与其相连接的地下结构剩余寿命预测相关数据，对获取的地下结构剩余寿命预测相关数据进行主成分分析操作，使得到与城市轨道交通地下结构的剩余寿命预测相关的主要特征，所述主成分分析操作包括：对于给定的一组数据其数据中心位于/>将坐标原点移到中心点后，坐标变换为：
式中，/>为第n组列向量，/>为中心点的坐标，/>为第i组列向量；
计算样本相关系数矩阵，相关系数为采用雅克比方法求相关系数矩阵的特征值和相应的特征向量，计算变量的贡献率，选择重要的主成分，贡献率为：/>式中，p为原始变量的个数，rij为，xti为，xtj为，γi为。
在得到与城市轨道交通地下结构的剩余寿命预测相关的主要特征后，对不同的特征建立多变量灰色预测模型GM(1，n)，对每个特征生成依次累加序列，其中i为特征的个数，j为序列的长度，/>为第j个累加后的序列，/>为第i个序列长度为k的原始序列，由/>生成紧邻均值序列
其中，λ为背景值，默认为0.5，为第k个均值生成数据，Z(1)为邻值生成数据的序列，/>为第k-1个累加后的序列，/>为第k个累加后的序列。建立微分方程，GM(1，n)模型的基本模式为：
式中，为第1个序列长度为k的原始序列，a、bi均为参数，n为特征的个数；
令参数列u＝[a，b2，b3，...，bN]T，
GM(1，n)的微分方程为：Y＝Bu，可以解得u＝(BTB)-1BTY，将参数列u＝[a，b2，b3，...，bN]T带入，通过最小二乘估计可求得白化方程的解：
GM(1，n)的时间响应式为：
对预测后得到的各分量序列数据进行标准化，构建用于ABILSTM网络相关的时间序列数据，并对训练数据和测试数据进行划分，前90％用于训练，后10％用于测试模型的精度。
步骤S102，基于所述时间序列数据以及网络参数构建GA-GM-ABiLSTM循环预测模型。
在本实施例中，随机初始化某一种群作为初始解，采用染色体编码并计算每个个体的适应度值，其中适应度值的计算函数为：F＝ki(∑|Ti-yi|)，式中，k为系数，Ti为期望的输出值，yi为预测的输出值，确定遗传算法的参数，所述参数包括种群规模、交叉率以及变异率，基于选择函数、交叉和变异操作对某一种群进行迭代，使得到与GA-GM-ABiLSTM循环预测模型相关联的网络参数，所述网络参数包括初始阈值和权重，其中，所述选择函数为：Pi＝(1/Fi)/(∑1/Fi)，式中，Pi为第i个体被选中的概率，Fi为第i个体的适应度值，
根据时间序列数据、初始阈值以及权重构建在经过数据处理后，创建带注意力机制的BiLSTM网络，网络由输入层、Embedding层、LSTM层，Attention层以及输出层组成。一组时间序列输入后被向量矩阵Wwrd转换为一个实数向量，再经过双向LSTM网络，充分利用前向和后向的特征信息。其中遗忘门负责选择性的以往历史数据，输入门将当前数据与历史数据相结合，输出门决定了当前状态对隐含层的影响，BILSTM的参数计算公式：
it＝σ(Wxi·xt+Whi·ht-1+Wci·ct-1+bi)，
ft＝σ(Wxf·xt+Whf·ht-1+Wcf·ct-1+bf)，
ct＝ftct-1+ittan h(Wxc·xt+Whc·ht-1+Wcc·ct-1+bc)，
ot＝σ(Wxo·xt+Who·ht-1+Wco·ct-1+bo)
ht＝ot·tanh(ct)，
式中，it为输入门，Jt为遗忘门，ct为存储细胞状态，ot为输出门，xt为t时刻的输入，ht-1为t-1时刻的输出值，σ为Sigmiod激活函数，W为输入权重矩阵。经过双向LSTM后分别获得前向和后向的输出值和/>将前向LSTM的输出与后向LSTM的输出拼接，得到完整的输出ht。
BiLSTM层输出的集合为H＝[h1，h2，...，hT]，由遗传算法得到注意力的权重值、超参数后，计算出带有注意力机制的BiLSTM层输出St，注意力机制主要的的公式如下：
et＝μtanh(w·ht+b)，
其中，et为t时刻的注意力分布值，αt为双向长短期记忆网络的各通道权重值，St为权重矩阵的与ht加权后的结果，b为偏置，ej为j时刻的注意力分布值，exp(et)为以e为底的指数函数。
对于每次预测，使用前一次的预测结果作为参数输入的下一次predict AndUpdate State函数进行预测，GA-GM-ABiLSTM循环预测模型的输入参数的公式为：
δ＝(1-α)×Yt-1+α×Xt，[net，Yt]＝predicAndUpdataState(net，δ)，
式中，δ为预测中要输入的参数，Yt-1为整个模型t时刻的前一个时间段的预测结果，α为预设的多变量灰色预测模型中预测结果的学习因子，Xt为t时刻多变量灰色预测模型的预测值，net为在训练和更新后的网络层。
本实施例的方法，采用灰色预测模型GM(1，n)，它可以考虑影响因素对剩余寿命的趋势影响，适用于地下结构的剩余寿命预测。接着针对灰色模型预测数据量较大时不稳定的问题，将其与非线性预测性能好但短期预测不稳定的LSTM网络模型结合成为新预测模型，通过遗传算法降低超参数对预测结果的影响，从而提高了城市轨道交通地下结构的剩余寿命预测方法的准确性。
步骤S103，将实时获取的待预测地下结构剩余寿命预测相关数据输入至所述GA-GM-ABiLSTM循环预测模型中，使得到某一当前结构剩余寿命预测值。
步骤S104，计算所述某一当前结构剩余寿命预测值的置信度，并判断所述置信度是否大于预设阈值；
步骤S105，若所述置信度大于预设阈值，则确定所述某一当前结构剩余寿命预测值为待预测地下结构剩余寿命。
在本实施例中，得到预测结果后，计算预测值的置信度，当置信度高于95％时，确认模型的预测值为所述待预测地下结构的剩余寿命，并将剩余寿命结果返回给数字孪生DT平台，可以根据数字孪生DT平台中所显示的剩余寿命结果，合理的定制修检方案。
综上，本申请的方法通过筛选GA-GM-ABiLSTM循环预测模型相关数据来减少数字孪生DT平台的的数据处理量，并且筛选掉不符合的数据对建立地下结构剩余寿命预测模型的准确性有一定的提升，且所采用的特征能够表征地下结构尽可能多的信息。采用灰色预测模型GM(1，n)，它可以考虑影响因素对剩余寿命的趋势影响，适用于地下结构的剩余寿命预测。接着针对灰色模型预测数据量较大时不稳定的问题，将其与非线性预测性能好但短期预测不稳定的LSTM网络模型结合成为新预测模型，通过遗传算法降低超参数对预测结果的影响，从而提高了城市轨道交通地下结构的剩余寿命预测方法的准确性。而数字孪生DT平台则可以将各部位的预测结果集成到地下结构的数字孪生体中，可以使得能够合理的定制、安排维修策略。
请参阅图2，其示出了本申请的一种城市轨道交通地下结构的剩余寿命预测装置的结构框图。
如图2所示，剩余寿命预测装置200，包括输出模块210、构建模块220、预测模块230、判断模块240以及确定模块250。
其中，输出模块210，配置为将历史城市轨道交通地下结构的剩余寿命预测相关数据中的不同特征序列输入至预设的多变量灰色预测模型中，并对输出的特征预测值进行标准化处理，使构建时间序列数据，所述时间序列数据包括训练时间序列数据以及测试时间序列数据；
构建模块220，配置为基于所述时间序列数据以及网络参数构建GA-GM-ABiLSTM循环预测模型，所述GA-GM-ABiLSTM循环预测模型的输入参数的公式为：
δ＝(1-α)×Yt-1+α×Xt，[net，Yt]＝predicAndUpdataState(net，δ)，
式中，δ为预测中要输入的参数，Yt-1为整个模型t时刻的前一个时间段的预测结果，α为预设的多变量灰色预测模型中预测结果的学习因子，Xt为t时刻多变量灰色预测模型的预测值，net为在训练和更新后的网络层；
预测模块230，配置为将实时获取的待预测地下结构剩余寿命预测相关数据输入至所述GA-GM-ABiLSTM循环预测模型中，使得到某一当前结构剩余寿命预测值；
判断模块240，配置为计算所述某一当前结构剩余寿命预测值的置信度，并判断所述置信度是否大于预设阈值；
确定模块250，配置为若所述置信度大于预设阈值，则确定所述某一当前结构剩余寿命预测值为待预测地下结构剩余寿命。
应当理解，图2中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图2中的诸模块，在此不再赘述。
在另一些实施例中，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的手术器械清点方法；
作为一种实施方式，本发明的计算机可读存储介质存储有计算机可执行指令，计算机可执行指令设置为：
将历史城市轨道交通地下结构的剩余寿命预测相关数据中的不同特征序列输入至预设的多变量灰色预测模型中，并对输出的特征预测值进行标准化处理，使构建时间序列数据，所述时间序列数据包括训练时间序列数据以及测试时间序列数据；
基于所述时间序列数据以及网络参数构建GA-GM-ABiLSTM循环预测模型；
将实时获取的待预测地下结构剩余寿命预测相关数据输入至所述GA-GM-ABiLSTM循环预测模型中，使得到某一当前结构剩余寿命预测值；
计算所述某一当前结构剩余寿命预测值的置信度，并判断所述置信度是否大于预设阈值；
若所述置信度大于预设阈值，则确定所述某一当前结构剩余寿命预测值为待预测地下结构剩余寿命。
计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据手术器械清点装置的使用所创建的数据等。此外，计算机可读存储介质可以包括高速随机存取存储器，还可以包括存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至手术器械清点装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图3是本发明实施例提供的电子设备的结构示意图，如图3所示，该设备包括：一个处理器310以及存储器320。电子设备还可以包括：输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接，图3中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例手术器械清点方法。输入装置330可接收输入的数字或字符信息，以及产生与手术器械清点装置的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
作为一种实施方式，上述电子设备应用于手术器械清点装置中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
将历史城市轨道交通地下结构的剩余寿命预测相关数据中的不同特征序列输入至预设的多变量灰色预测模型中，并对输出的特征预测值进行标准化处理，使构建时间序列数据，所述时间序列数据包括训练时间序列数据以及测试时间序列数据；
基于所述时间序列数据以及网络参数构建GA-GM-ABiLSTM循环预测模型；
将实时获取的待预测地下结构剩余寿命预测相关数据输入至所述GA-GM-ABiLSTM循环预测模型中，使得到某一当前结构剩余寿命预测值；
计算所述某一当前结构剩余寿命预测值的置信度，并判断所述置信度是否大于预设阈值；
若所述置信度大于预设阈值，则确定所述某一当前结构剩余寿命预测值为待预测地下结构剩余寿命。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
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；而这些修改或者替换，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 (7)
1.一种城市轨道交通地下结构的剩余寿命预测方法，其特征在于，包括：
将历史城市轨道交通地下结构的剩余寿命预测相关数据中的不同特征序列输入至预设的多变量灰色预测模型中，并对输出的特征预测值进行标准化处理，使构建时间序列数据，所述时间序列数据包括训练时间序列数据以及测试时间序列数据；
基于所述时间序列数据以及网络参数构建GA-GM-ABiLSTM循环预测模型，所述GA-GM-ABiLSTM循环预测模型的输入参数的公式为：
，/>，
式中，为预测中要输入的参数，/>为整个模型t时刻的前一个时间段的预测结果，/>为预设的多变量灰色预测模型中预测结果的学习因子，/>为t时刻多变量灰色预测模型的预测值，/>为在训练和更新后的网络层，ABiLSTM循环预测模型为待注意机制的BiLSTM神经网络，所述基于所述时间序列数据以及网络参数构建GA-GM-ABiLSTM循环预测模型包括：
随机初始化某一种群作为初始解，采用染色体编码并计算每个个体的适应度值，其中适应度值的计算函数为：
，
式中，k为系数，为期望的输出值，/>为预测的输出值；
确定遗传算法的参数，所述参数包括种群规模、交叉率以及变异率；
基于选择函数、交叉和变异操作对某一种群进行迭代，使得到与GA-GM-ABiLSTM循环预测模型相关联的网络参数，所述网络参数包括初始阈值和权重，其中，所述选择函数为：
，
式中，为第i个体被选中的概率，/>为第i个体的适应度值；
根据时间序列数据、初始阈值以及权重构建GA-GM-ABiLSTM循环预测模型；
将实时获取的待预测地下结构剩余寿命预测相关数据输入至所述GA-GM-ABiLSTM循环预测模型中，使得到某一当前结构剩余寿命预测值；
计算所述某一当前结构剩余寿命预测值的置信度，并判断所述置信度是否大于预设阈值；
若所述置信度大于预设阈值，则确定所述某一当前结构剩余寿命预测值为待预测地下结构剩余寿命。
2.根据权利要求1所述的一种城市轨道交通地下结构的剩余寿命预测方法，其特征在于，在将历史城市轨道交通地下结构的剩余寿命预测相关数据中的不同特征序列输入至预设的多变量灰色预测模型中之前，所述方法还包括：
对获取的历史城市轨道交通地下结构的剩余寿命预测相关数据进行主成分分析操作，使得到与城市轨道交通地下结构的剩余寿命预测相关的主要特征，所述主成分分析操作包括：对于给定的一组数据，其数据中心位于/>，将坐标原点移到中心点后，坐标变换为：
，
式中，为第n组列向量，/>为中心点的坐标，/>为第i组列向量；
计算样本相关系数矩阵，相关系数为，采用雅克比方法求相关系数矩阵的特征值和相应的特征向量，计算变量的贡献率，选择重要的主成分，贡献率为：，
式中，为原始变量的个数，/>为相关系数，/>为第i行的原始矩阵，/>为第j列的原始矩阵，/>为第i个成分的贡献，即相关系数矩阵求出来的特征值。
3.根据权利要求2所述的一种城市轨道交通地下结构的剩余寿命预测方法，其特征在于，在对获取的历史城市轨道交通地下结构的剩余寿命预测相关数据进行主成分分析操作之前，所述方法还包括：
根据待预测的城市轨道交通地下结构物理模型，建立与所述地下结构相对应的地下结构数字孪生体，并建立与所述地下结构数字孪生体相应的地下结构剩余寿命预测相关数据集。
4.根据权利要求1所述的一种城市轨道交通地下结构的剩余寿命预测方法，其特征在于，所述待预测地下结构剩余寿命预测相关数据包括侵蚀性介质的浓度数据、裂缝连通性数据、裂缝密度数据以及裂缝强度数据。
5.一种城市轨道交通地下结构的剩余寿命预测装置，其特征在于，包括：
输出模块，配置为将历史城市轨道交通地下结构的剩余寿命预测相关数据中的不同特征序列输入至预设的多变量灰色预测模型中，并对输出的特征预测值进行标准化处理，使构建时间序列数据，所述时间序列数据包括训练时间序列数据以及测试时间序列数据；
构建模块，配置为基于所述时间序列数据以及网络参数构建GA-GM-ABiLSTM循环预测模型，ABiLSTM循环预测模型的输入参数的公式为：
，/>，
式中，为预测中要输入的参数，/>为整个模型t时刻的前一个时间段的预测结果，/>为预设的多变量灰色预测模型中预测结果的学习因子，/>为t时刻多变量灰色预测模型的预测值，/>为在训练和更新后的网络层，ABiLSTM循环预测模型为待注意机制的BiLSTM神经网络，所述基于所述时间序列数据以及网络参数构建GA-GM-ABiLSTM循环预测模型包括：
随机初始化某一种群作为初始解，采用染色体编码并计算每个个体的适应度值，其中适应度值的计算函数为：
，
式中，k为系数，为期望的输出值，/>为预测的输出值；
确定遗传算法的参数，所述参数包括种群规模、交叉率以及变异率；
基于选择函数、交叉和变异操作对某一种群进行迭代，使得到与GA-GM-ABiLSTM循环预测模型相关联的网络参数，所述网络参数包括初始阈值和权重，其中，所述选择函数为：
，
式中，为第i个体被选中的概率，/>为第i个体的适应度值；
根据时间序列数据、初始阈值以及权重构建GA-GM-ABiLSTM循环预测模型；
预测模块，配置为将实时获取的待预测地下结构剩余寿命预测相关数据输入至所述GA-GM-ABiLSTM循环预测模型中，使得到某一当前结构剩余寿命预测值；
判断模块，配置为计算所述某一当前结构剩余寿命预测值的置信度，并判断所述置信度是否大于预设阈值；
确定模块，配置为若所述置信度大于预设阈值，则确定所述某一当前结构剩余寿命预测值为待预测地下结构剩余寿命。
6.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至4任一项所述的方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210016921.1A CN114510870B (zh) | 2022-01-07 | 2022-01-07 | 一种城市轨道交通地下结构的剩余寿命预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210016921.1A CN114510870B (zh) | 2022-01-07 | 2022-01-07 | 一种城市轨道交通地下结构的剩余寿命预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114510870A CN114510870A (zh) | 2022-05-17 |
| CN114510870B true CN114510870B (zh) | 2024-04-16 |
Family
ID=81550713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210016921.1A Active CN114510870B (zh) | 2022-01-07 | 2022-01-07 | 一种城市轨道交通地下结构的剩余寿命预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114510870B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115879359B (zh) * | 2022-06-21 | 2024-02-23 | 广州汽车集团股份有限公司 | 电子元件寿命预测方法、装置、电子设备及存储介质 |
| CN115481788B (zh) * | 2022-08-31 | 2023-08-25 | 北京建筑大学 | 相变储能系统负荷预测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109993270A (zh) * | 2019-03-27 | 2019-07-09 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN110807257A (zh) * | 2019-11-04 | 2020-02-18 | 中国人民解放军国防科技大学 | 航空发动机剩余寿命预测方法 |
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN113094822A (zh) * | 2021-03-12 | 2021-07-09 | 华中科技大学 | 一种机械设备剩余寿命预测方法和系统 |
| CN113537469A (zh) * | 2021-07-19 | 2021-10-22 | 河海大学 | 一种基于LSTM网络和Attention机制的城市需水预测方法 |
-
2022
- 2022-01-07 CN CN202210016921.1A patent/CN114510870B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109993270A (zh) * | 2019-03-27 | 2019-07-09 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN110807257A (zh) * | 2019-11-04 | 2020-02-18 | 中国人民解放军国防科技大学 | 航空发动机剩余寿命预测方法 |
| CN113094822A (zh) * | 2021-03-12 | 2021-07-09 | 华中科技大学 | 一种机械设备剩余寿命预测方法和系统 |
| CN113537469A (zh) * | 2021-07-19 | 2021-10-22 | 河海大学 | 一种基于LSTM网络和Attention机制的城市需水预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于LSTM的风机滚动轴承剩余寿命预测研究;薛嫣;朱静;翟怡萌;邓艾东;;工业控制计算机;20200625(06);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114510870A (zh) | 2022-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114510870B (zh) | 一种城市轨道交通地下结构的剩余寿命预测方法及装置 | |
| CN108287808B (zh) | 一种面向结构可靠性分析的通用动态追踪序列采样方法 | |
| Johari et al. | Modelling the mechanical behaviour of unsaturated soils using a genetic algorithm-based neural network | |
| CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
| CN112528365B (zh) | 一种地下基础设施结构健康演化趋势预测方法 | |
| CN111030889B (zh) | 一种基于gru模型的网络流量预测方法 | |
| Song et al. | Value of information analysis in non-stationary stochastic decision environments: A reliability-assisted POMDP approach | |
| CN114912578B (zh) | 结构响应预测模型的训练方法、装置和计算机设备 | |
| CN115423167A (zh) | 一种地铁深基坑施工安全预警及辅助决策方法及系统 | |
| CN115587666A (zh) | 基于季节趋势分解和混合神经网络的负荷预测方法及系统 | |
| CN114694379B (zh) | 一种基于自适应动态图卷积的交通流预测方法及系统 | |
| CN116451556A (zh) | 一种混凝土坝变形观测量统计模型构建方法 | |
| Li et al. | Fast seismic response estimation of tall pier bridges based on deep learning techniques | |
| Stöcker et al. | A novel self-adversarial training scheme for enhanced robustness of inelastic constitutive descriptions by neural networks | |
| CN111144636A (zh) | 一种边坡变形预测方法 | |
| Wang et al. | A DES-BDNN based probabilistic forecasting approach for step-like landslide displacement | |
| CN116303786B (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
| Inzunza-Aragón et al. | Use of artificial neural networks and response surface methodology for evaluating the reliability index of steel wind towers | |
| CN115952901A (zh) | 一种基于集成学习的电力负荷预测方法 | |
| CN115618751A (zh) | 一种钢板力学性能预测方法 | |
| CN115510748A (zh) | 基于变分模态分解和cnn-gru的滑坡位移预测方法 | |
| Yingshi et al. | Safety lifetime analysis method for multi-mode time-dependent structural system | |
| CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及系统 | |
| CN109376957A (zh) | 一种火电厂负荷的预测方法 | |
| Zhao et al. | Predicting steel column stability with uncertain initial defects using bayesian deep learning |
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 |