CN116451322A - 基于贝叶斯优化的lstm深度学习网络的力学预测方法 - Google Patents
基于贝叶斯优化的lstm深度学习网络的力学预测方法 Download PDFInfo
- Publication number
- CN116451322A CN116451322A CN202310385163.5A CN202310385163A CN116451322A CN 116451322 A CN116451322 A CN 116451322A CN 202310385163 A CN202310385163 A CN 202310385163A CN 116451322 A CN116451322 A CN 116451322A
- Authority
- CN
- China
- Prior art keywords
- prediction
- data
- lstm
- network
- cable force
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005457 optimization Methods 0.000 title claims abstract description 39
- 238000013135 deep learning Methods 0.000 title claims abstract description 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 11
- 238000012937 correction Methods 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims abstract description 7
- 230000015654 memory Effects 0.000 claims description 16
- 230000036541 health Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 27
- 230000008569 process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005481 string theory Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000000332 black box Nutrition 0.000 description 1
- 210000003040 circulating cell Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000000547 structure data 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
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Architecture (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于贝叶斯优化的LSTM深度学习网络的力学预测方法,包括:步骤S1:索力数据采集,生成训练数据集、测试数据集与验证数据集,并进行进一步数据处理;步骤S2:LSTM索力预测模型建立,由遗忘门、输入门与输出门组成;步骤S3:多重指标判断预测效果,预测未来索力的LSTM网络模型评估;步骤S4:监测数据网络自修正;步骤S5:网络超参数优化,应用贝叶斯优化算法对LSTM网络中学习速率、隐含层个数、迭代次数超参数进行优化得到模型最优解,突破传统的仅是人为选择参数的LSTM算法,实现了智能化自动选取最优的网络参数,从而提高LSTM网络的预测精度与效率。本发明利用大量数据确定模型关键参数,以实现对桥梁结构拉索索力精准预测,达到评估桥梁重要部件的受力技术状况等级的目的,为桥梁安全运维提供技术保障。
Description
技术领域
本发明涉及桥梁工程技术领域,尤其涉及一种基于贝叶斯优化的LSTM深度学习网络的力学预测方法。
背景技术
缆索承重桥以其用料省、自重轻、跨越能力强等特点成为交通生命线中不可或缺的一部分,确定缆索的状态是确保桥梁安全运维的一项重要工程,桥梁健康监测技术作为保障在役桥梁结构状态的重要技术手段得到广泛的关注,是目前研究的热点问题,也是桥梁工程领域的前沿课题之一。
结构健康监测(Structural Health Monitoring,SHM)旨在采用无损传感技术,并结合结构特性分析手段监测结构状态的演化趋势,探究和揭示结构损伤发生机理。桥梁健康监测近年来融合了监测数据感知、数据远程通信、大数据处理、人工智能等技术,对桥梁结构数据的获取与处理能力逐步提升。缆索承重桥的索力是运营状态的重要评价指标,索力的变化反映了桥梁的力学行为和结构性能的变化规律,应用大数据处理方法对健康监测积累的海量数据进行数据挖掘,以求获得高精度的模型进行未来索力状况的预测,以便精确把控拉索索力的趋势,从而保证了桥梁结构的正常安全运营。
但是,目前国内外的相关研究,对索力的分析方法多为应用神经网络或数字孪生等方法对过去数据的处理和当前数据的判断,缆索性能预测的深度学习方法存在着预测精度低、效率差、随着数据量的增加而梯度爆炸等问题。
故针对现有技术存在的问题,本案发明人凭借从事此行业多年的技术储备和经验积累,积极探索研究关键技术,于是有了本发明一种基于贝叶斯优化的LSTM深度学习网络的力学预测方法。
发明内容
本发明是针对现有技术中,对索力的分析方法多为应用神经网络或数字孪生等方法对过去数据的处理和当前数据的判断,缆索性能预测的深度学习方法存在着预测精度低、效率差、随着数据量的增加而梯度爆炸等缺陷提供一种基于贝叶斯优化的LSTM深度学习网络的力学预测方法。
为实现本发明之目的,本发明提供一种基于贝叶斯优化的LSTM深度学习网络的力学预测方法,所述基于贝叶斯优化的LSTM深度学习网络的力学预测方法,包括:
执行步骤S1:索力数据采集,基于振动法索力识别的基础对桥梁使用阶段索力进行采集,每半小时采集时域数据一次,以频域分析的前10阶频率进行预处理后对应的索力数值生成训练数据集、测试数据集与验证数据集,并对索力数据集进行进一步数据处理;
执行步骤S2:LSTM索力预测模型建立,LSTM网络由遗忘门、输入门与输出门组成,利用训练数据集训练网络,利用验证数据集调整LSTM网络的超参数,确定最终的网络模型;
执行步骤S3:多重指标判断预测效果,预测未来索力的LSTM网络模型评估,通过测试数据集的测试,利用均方误差、均方根误差、平均绝对误差与决定系数指标来确定斜拉索力的预测效果;
执行步骤S4:监测数据网络自修正,对网络模型的未来预测,利用训练好的网络模型进行未来一定时间内的索力预测,并可以通过继续测试的索力数据进行模型的自我修正,实现模型不断地融入环境和拉索材料的时变特性,准确性不断提高,从而进一步降低索力预测的误差,提高了预测的精度;
执行步骤S5:网络超参数优化,应用贝叶斯优化算法对LSTM网络中的学习速率、隐含层个数、迭代次数超参数进行优化得到模型最优解,突破传统的仅是人为选择参数的LSTM算法,实现了智能化自动选取最优的网络参数,从而提高LSTM网络的预测精度与效率。
可选地,所述基于贝叶斯优化的LSTM深度学习网络的力学预测方法,进一步包括:
执行步骤S6:随着桥梁监测时间的增加斜拉桥索力数据不断增加,应用不断更新的索力值对上述建立的模型进行模型更新,实现模型的自我修正。
可选地,拉索索力采集应用HCF400-A0传感器,每半小时采集拉索振动时域信号,经过FFT变化得到拉索的频域的频率分布是基频整数倍的数学关系表达式,最后应用经典弦理论计算拉索的索力。
可选地,利用kernel k-means聚类算法,丢弃远离其他簇的小簇,将离群点作为影响数据质量的异常点考虑,在对聚类后的数据进行处理,从而提高了原始数据的可靠性,为拉索索力高精度的预测奠定了基础。
可选地,对索力数据集进行进一步数据处理,包括首先去除趋势项,根据数据特点去除温度、风力等环境因素作用的影响,获得车致索力的响应数据,并将数据归一化,对整体数据进行分析,对数据进行每小时分组挑选出极值点;其次进行分组计算标准差,与每小时均值相差大于一倍标准差的极值点认为是车致极值点,将其去除只保留噪音极值点;对保留下的噪音极值点进行中值滤波并进行光滑处理,并在原始数据中将趋势项减去作为预处理的车致拉索索力,最后对趋势项数据进行归一化处理使数值保持在[-1,1]范围内。
可选地,LSTM深度学习网络的遗忘门所保留的记忆由前一时刻的输出和这一时刻的输入共同决定。
可选地,所述平方根误差RMSE,
yi:第i个样本的真实值;第i个样本的预测值;m为样本个数。
可选地,所述均方误差MSE,
yi:第i个样本的真实值;第i个样本的预测值;m为样本个数。
可选地,所述决定系数R方值,
yi:第i个样本的真实值;第i个样本的预测值;m为样本个数。
可选地,所述贝叶斯优化是对隐藏节点个数,LSTM堆叠层数,初始学习率与L2正则化强度四个超参数进行优化。
可选地,建立基于大量时间点数据的LSTM-Bayes的预测模型,融合桥梁结构的健康监测系统连续采集的数据,以此实现预测模型参数的持续更新,进而不断地提高拉索索力预测的精度。
综上所述,本发明基于贝叶斯优化的LSTM深度学习网络的力学预测方法的目的是为了解决桥梁结构健康监测海量数据的预处理和以及对缆索体系桥梁重要受力构件拉索索力高精度预测问题,提出了一种基于LSTM深度学习网络的模型构建方法,实现了大量数据的预处理与预测,实现了对桥梁索力的高精度实时预测,达到桥梁安全评估目的,为桥梁结构的安全运维提供技术保障。
附图说明
图1所示为本发明基于贝叶斯优化的LSTM深度学习网络结构图;
图2所示为本发明LSTM索力预测模型训练流程图。
具体实施方式
为详细说明本发明创造的技术内容、构造特征、所达成目的及功效,下面将结合实施例并配合附图予以详细说明。
请参阅图1、图2,图1所示为本发明基于贝叶斯优化的LSTM深度学习网络结构图。图2所示为本发明LSTM索力预测模型训练流程图。所述基于贝叶斯优化的LSTM深度学习网络(LSTM-Bayes)的力学预测方法,包括:
执行步骤S1:索力数据采集,基于振动法索力识别的基础对桥梁使用阶段索力进行采集,每半小时采集时域数据一次,以频域分析的前10阶频率进行预处理后对应的索力数值生成训练数据集、测试数据集与验证数据集,并对索力数据集进行进一步数据处理;
执行步骤S2:LSTM索力预测模型建立,LSTM网络由遗忘门(forget gate)1、输入门(input gate)2与输出门(output gate)3组成,利用训练数据集训练网络,利用验证数据集调整LSTM网络的超参数,确定最终的网络模型;
执行步骤S3:多重指标判断预测效果,预测未来索力的LSTM网络模型评估,通过测试数据集的测试,利用均方误差、均方根误差、平均绝对误差与决定系数指标来确定斜拉索力的预测效果;
执行步骤S4:监测数据网络自修正,对网络模型的未来预测,利用训练好的网络模型进行未来一定时间内的索力预测,并可以通过继续测试的索力数据进行模型的自我修正,实现模型不断地融入环境和拉索材料的时变特性,准确性不断提高,从而进一步降低索力预测的误差,提高了预测的精度;
执行步骤S5:网络超参数优化,应用贝叶斯优化算法对LSTM网络中的学习速率、隐含层个数、迭代次数超参数进行优化得到模型最优解,突破传统的仅是人为选择参数的LSTM算法,实现了智能化自动选取最优的网络参数,从而提高LSTM网络的预测精度与效率。
作为本领域技术人员,容易知晓地,与现有技术相比,本发明突出的实质性特点和显著进步体现为:
(1)本发明基于贝叶斯优化的LSTM深度学习网络的力学预测方法,突破传统的仅是人为选择参数的LSTM算法,实现了智能化自动选取最优的网络参数,能够更快速地进行数据处理与预测,应用自我循环单元引入“门”来提高标准循环细胞的记忆能力,通过对LSTM网络时间戳与训练轮数的调整,多次修正输入层与隐藏层的结构,提高了模型精度,降低了预测误差,实现高精确的进行拉索索力的预测,从而实现预测缆索体系桥梁的使用性能和评估桥梁的技术状况。
(2)本发明可以预测索力的变化情况,可在索力超过阈值之前发出警报信息,避免结构损伤或发生事故,可为桥梁养护部门对斜拉索的维护提供精确的指导,且能够嵌入到现有的拉索监测系统进行实时变化趋势的预测。
为了更直观的揭露本发明之技术方案,凸显本发明之有益效果,现结合具体实施方式,对所述基于贝叶斯优化的LSTM深度学习网络的力学预测方法和原理进行阐述。在具体实施方式中,数据的采集、网络结构的布置等仅为列举,不应视为对本发明技术方案的限制。
请继续参阅图1、图2,所述基于贝叶斯优化的LSTM深度学习网络的力学预测方法,包括:
执行步骤S1:自斜拉桥成桥以来持续进行索力的检测,拉索索力采集应用HCF400-A0传感器,每半小时采集拉索振动时域信号,经过FFT变化得到拉索的频域的频率分布是基频整数倍的数学关系表达式,最后应用经典弦理论计算拉索的索力;
执行步骤S2:利用kernel k-means聚类算法,丢弃远离其他簇的小簇,将离群点作为影响数据质量的异常点考虑,在对聚类后的数据进行处理;
进一步地,第一、对实测索力进行预处理,首先去除趋势项并根据数据特点去除温度影响,获得车致索力的响应并将数据归一化。对整体数据进行分析,对数据进行每小时分组挑选出极值点;第二、分组计算标准差,与每小时均值相差大于一倍标准差的极值点认为是车致极值点,将其去除只保留噪音极值点;第三、对保留下的噪音极值点进行中值滤波并进行光滑处理,并在原始数据中将趋势项减去作为预处理的车致拉索索力,最后对趋势项数据进行归一化处理使数值保持在[1,1]范围内。
执行步骤S3:搭建LSTM深度学习网络,进行数据的导入、模型的训练以及预测;使用LSTM可以有效的传递和表达长时间序列中的信息并且不会导致长时间前的有用信息被忽略(或遗忘)。与此同时,LSTM还可以解决RNN中的梯度消失/爆炸问题。如图1所示为LSTM的抽象网络结构示意图,由图可知LSTM由三个门来控制,这三个门分别是输入门、遗忘门和输出门。遗忘门的作用是决定之前的哪些记忆将被保留,哪些记忆将被去掉,正是由于遗忘门的作用,使得LSTM具有了长时记忆的功能,对于给定的任务,遗忘门能够自己学习保留多少以前的记忆,这使得不再需要人为干扰,网络就能够自主学习。
网络中的参数获取方式如下:
记忆衰减系数ft:
ft=σ(Wf·[ht-1,xt]+bf)
首先将t-1时刻的网络输出ht-1和这一步的网络输入xt结合起来,然后作用线性变换Wf·[ht-1,xt]+bf,最后再经过sigmoid激活函数,将结果映射到0-1作为记忆的衰减系数,记作ft。可以知晓地,网络具体要保留多少记忆是由前一时刻的输出和这一时刻的输入共同决定的。
对t时刻学到的记忆而言:
it=σ(Wi·[ht-1,xt]+bi)
对该时刻学习到的记忆应用衰减系数,再使用线性变换,应用sigmoid激活函数将结果映射到0-1之间,将其作为当前的衰减函数为it,当前状态学习到的记忆乘以相应的衰减函数it,最后将t-1时刻的衰减系数ft乘该时刻的记忆Ct-1,加上该时刻t下学到的记忆乘以它对应的衰减函数ft得到t时刻下的记忆状态Ct。
最后的输出ht取决于当前时刻t的记忆状态Ct和当前时刻的输入xt、前一时刻的输出ht-1。
ot=σ(W0[ht-1,xt]+b0)
ht=ot·tanh(Ct)
执行步骤S4:对训练完成的模型利用均方误差、均方根误差、平均绝对误差与决定系数指标来确定斜拉索力的预测效果,误差值越小模型预测越准确;
yi:第i个样本的真实值;第i个样本的预测值;m为样本个数;
平方根误差RMSE,
均方误差MSE,
平均绝对误差MAE,
R方值,
执行步骤S5:应用贝叶斯优化调整LSTM模型超参数,对于深度学习参数调整为黑盒问题,在调整的过程中只能看到模型的输入与输出,对于训练的过程以及相关的梯度信息并不能获取,贝叶斯优化适合于对回归模型进行参数优化,可以对不可微分、不连续的函数进行优化;
优化问题本质是要选择一组变量或参数,在满足一系列有关的约束条件下,使设计目标达到最优值。
minx∈Df(x)
subject to gi(x)≤0,i=1,…m
hj(x)=0,j=1,…r
贝叶斯优化为全局优化算法,根据对未知目标函数f获取的信息,找到下一个有潜力的评估点,重复着过程获得大量的关于目标函数f的信息,可以找到目标函数f的最优解,也就是不断应用贝叶斯公式,对于求解的问题,根据经验赋予一个合理的假设,根据观察到的数据计算后验分布,不断迭代更新。
贝叶斯优化的数学过程为:
1.优化与概率代理模型后验分布相关的采集函数a(x)得到下一次评估点xt;
2.将x带入目标函数,得到观测值yt=f(xt)+ξt;
3.更新观测数据中D1:t=D1:t-1∪{xt,yt},然后更新概率代理模型。
假设一组参数值为X=x1,x2,…xn,对于深度学习模型不同的超参数值有着不同的效果,贝叶斯优化对损失函数与假设的超参数值建立函数关系。假设这个函数为f,上述过程即为在中找到:
在机器学习过程中函数f的计算通常需花费大量资源(expensive black-boxfunction)。对于贝叶斯优化算法来说可大大降低计算维数,SMBO(SequentialModel-BasedGlobal Optimization)为贝叶斯优化的典型形式,算法思路如下:
input:f,χ,S,M
式中:f为黑盒函数,即输入-输出函数;
χ为超参数搜索空间;
S为采集函数(Acquisition Function)。
INITSAMPLES(f,χ)→D
式中:D为数据集(x,y),x为超参数,y为该超参数对应的结果;
M为对数据集拟合得到的模型,以高斯模型为主。
将数据的输出建立完成后,对数据进行初始化处理,对于每一次选出的参数x都需要计算f(x),需要固定函数评估次数以降低计算次数。
FITMODEL(M,D)→p(y|x,D)
前述步骤已经假设f~GP(μ,K),GP为高斯过程,μ为均值,K为协方差。所以数据的预测服从正态分布,即存在
y=(y1,y2,...,yi)T
对于采集函数(Acquisition Function)的选取方式常采用Probability ofimprovement方法,先假设f′=minf,f′为已知f的最小值,定义方程:
式中:u(x)为回报函数(Reward function)。
根据上述函数建立基于高斯分布的采集函数:
只需要求出a(x)的最大值即可求出基于高斯分布的满足要求的x。
此过程中对隐藏节点个数,LSTM堆叠层数,初始学习率与L2正则化强度四个超参数进行优化。
执行步骤S6:随着桥梁监测时间的增加斜拉桥索力数据不断增加,应用不断更新的索力值对上述建立的模型进行模型更新,实现模型的自我修正使LSTM索力预测模型更加准确,保证结构安全运营。
显然地,本发明建立基于大量时间点数据的LSTM-Bayes预测模型,融合桥梁结构的健康监测系统连续采集的数据,以此实现预测模型参数的持续更新,进而不断地提高拉索索力预测的精度。
综上所述,本发明基于贝叶斯优化的LSTM深度学习网络的力学预测方法的目的是为了解决桥梁结构健康监测海量数据的预处理和以及对缆索体系桥梁重要受力构件拉索索力高精度预测问题,提出了一种基于LSTM深度学习网络的模型构建方法,实现了大量数据的预处理与预测,实现了对桥梁索力的高精度实时预测,达到桥梁安全评估目的,为桥梁结构的安全运维提供技术保障。
本领域技术人员均应了解,在不脱离本发明的精神或范围的情况下,可以对本发明进行各种修改和变型。因而,如果任何修改或变型落入所附权利要求书及等同物的保护范围内时,认为本发明涵盖这些修改和变型。
Claims (11)
1.一种基于贝叶斯优化的LSTM深度学习网络的力学预测方法,其特征在于,所述基于贝叶斯优化的LSTM深度学习网络的力学预测方法,包括:
执行步骤S1:索力数据采集,基于振动法索力识别的基础对桥梁使用阶段索力进行采集,每半小时采集时域数据一次,以频域分析的前10阶频率进行预处理后对应的索力数值生成训练数据集、测试数据集与验证数据集,并对索力数据集进行进一步数据处理;
执行步骤S2:LSTM索力预测模型建立,LSTM网络由遗忘门、输入门与输出门组成,利用训练数据集训练网络,利用验证数据集调整LSTM网络的超参数,确定最终的网络模型;
执行步骤S3:多重指标判断预测效果,预测未来索力的LSTM网络模型评估,通过测试数据集的测试,利用均方误差、均方根误差、平均绝对误差与决定系数指标来确定斜拉索力的预测效果;
执行步骤S4:监测数据网络自修正,对网络模型的未来预测,利用训练好的网络模型进行未来一定时间内的索力预测,并可以通过继续测试的索力数据进行模型的自我修正,实现模型不断地融入环境和拉索材料的时变特性,准确性不断提高,从而进一步降低索力预测的误差,提高了预测的精度;
执行步骤S5:网络超参数优化,应用贝叶斯优化算法对LSTM网络中的学习速率、隐含层个数、迭代次数超参数进行优化得到模型最优解,突破传统的仅是人为选择参数的LSTM算法,实现了智能化自动选取最优的网络参数,从而提高LSTM网络的预测精度与效率。
2.如权利要求1所述基于贝叶斯优化的LSTM深度学习网络的力学预测方法,其特征在于,所述基于贝叶斯优化的LSTM深度学习网络的力学预测方法,进一步包括:
执行步骤S6:随着桥梁监测时间的增加斜拉桥索力数据不断累积增加,应用不断更新的索力数值对上述建立的模型进行自我修正,实现模型不断更新。
3.如权利要求1所述基于贝叶斯优化的LSTM深度学习网络的力学预测方法,其特征在于,拉索索力采集应用HCF400-A0传感器,每半小时采集拉索振动时域信号,经过FFT变化得到拉索的频域的频率分布是基频整数倍的数学关系表达式,最后应用经典弦理论计算拉索的索力。
4.如权利要求1所述基于贝叶斯优化的LSTM深度学习网络的力学预测方法,其特征在于,利用kernel k-means聚类算法,丢弃远离其他簇的小簇,将离群点作为影响数据质量的异常点考虑,在对聚类后的数据进行处理,从而提高了原始数据的可靠性,为拉索索力高精度的预测奠定了基础。
5.如权利要求1所述基于贝叶斯优化的LSTM深度学习网络的力学预测方法,其特征在于,对实测索力进行进一步数据处理,包括首先去除趋势项,根据数据特点去除温度、风力等环境因素作用的影响,获得车致索力的响应数据,并将数据归一化,对整体数据进行分析,对数据进行每小时分组挑选出极值点;其次进行分组计算标准差,与每小时均值相差大于一倍标准差的极值点认为是车致极值点,将其去除只保留噪音极值点;对保留下的噪音极值点进行中值滤波并进行光滑处理,并在原始数据中将趋势项减去作为预处理的车致拉索索力,最后对趋势项数据进行归一化处理使数值保持在[-1,1]范围内。
6.如权利要求1所述基于贝叶斯优化的LSTM深度学习网络的力学预测方法,其特征在于,LSTM深度学习网络的遗忘门所保留的记忆由前一时刻的输出和这一时刻的输入共同决定。
7.如权利要求1所述基于贝叶斯优化的LSTM深度学习网络的力学预测方法,其特征在于,所述平方根误差RMSE,
yi:第i个样本的真实值;第i个样本的预测值;m为样本个数。
8.如权利要求1所述基于贝叶斯优化的LSTM深度学习网络的力学预测方法,其特征在于,所述均方误差MSE,
yi:第i个样本的真实值;第i个样本的预测值;m为样本个数。
9.如权利要求1所述基于贝叶斯优化的LSTM深度学习网络的力学预测方法,其特征在于,所述决定系数R方值,
yi:第i个样本的真实值;第i个样本的预测值;m为样本个数。
10.如权利要求1所述基于贝叶斯优化的LSTM深度学习网络的力学预测方法,其特征在于,所述贝叶斯优化是对隐藏节点个数,LSTM堆叠层数,初始学习率与L2正则化强度四个超参数进行优化。
11.如权利要求1所述基于贝叶斯优化的LSTM深度学习网络的力学预测方法,其特征在于,建立基于大量时间点数据的LSTM-Bayes的预测模型,融合桥梁结构的健康监测系统连续采集的数据,以此实现预测模型参数的持续更新,进而不断地提高拉索索力预测的精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310385163.5A CN116451322A (zh) | 2023-04-11 | 2023-04-11 | 基于贝叶斯优化的lstm深度学习网络的力学预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310385163.5A CN116451322A (zh) | 2023-04-11 | 2023-04-11 | 基于贝叶斯优化的lstm深度学习网络的力学预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116451322A true CN116451322A (zh) | 2023-07-18 |
Family
ID=87127100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310385163.5A Pending CN116451322A (zh) | 2023-04-11 | 2023-04-11 | 基于贝叶斯优化的lstm深度学习网络的力学预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116451322A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117894397A (zh) * | 2024-03-15 | 2024-04-16 | 北京科技大学 | 一种基于机器学习的连铸保护渣粘度预报方法 |
-
2023
- 2023-04-11 CN CN202310385163.5A patent/CN116451322A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117894397A (zh) * | 2024-03-15 | 2024-04-16 | 北京科技大学 | 一种基于机器学习的连铸保护渣粘度预报方法 |
CN117894397B (zh) * | 2024-03-15 | 2024-05-28 | 北京科技大学 | 一种基于机器学习的连铸保护渣粘度预报方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263846B (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
CN111813084B (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
CN111461413B (zh) | 一种公路路面使用性能检测系统 | |
WO2024001942A1 (zh) | 一种基于mi-gra与改进pso-lstm的山区边坡位移预测方法 | |
CN112287602B (zh) | 一种基于机器学习和孤立森林的动车轴温故障预警方法 | |
CN113723010A (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
CN115271186B (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 | |
CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
CN110598902A (zh) | 一种基于支持向量机与knn相结合的水质预测方法 | |
CN112232561A (zh) | 基于约束并行lstm分位数回归的电力负荷概率预测方法 | |
CN116451322A (zh) | 基于贝叶斯优化的lstm深度学习网络的力学预测方法 | |
Tang et al. | Multivariable LS-SVM with moving window over time slices for the prediction of bearing performance degradation | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
CN116109039A (zh) | 一种数据驱动异常检测与预警系统 | |
CN117077870B (zh) | 一种基于人工智能的水资源数字化管理方法 | |
Lin et al. | Damage detection in a benchmark structure using long short-term memory networks | |
CN114596726A (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
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 | |
CN114386672B (zh) | 环境大数据物联网智能检测系统 | |
CN111160419B (zh) | 一种基于深度学习的电子式互感器数据分类预测方法及装置 | |
Li et al. | A data-driven rutting depth short-time prediction model with metaheuristic optimization for asphalt pavements based on RIOHTrack | |
Bi et al. | A fault diagnosis algorithm for wind turbine blades based on bp neural network | |
CN110837932A (zh) | 基于dbn-ga模型的太阳能集热系统热功率预测方法 | |
Bai et al. | Remaining useful life prediction of wheel of heavy-duty railway train based on dual channel multi-scale deep convolution multi-scale deep long short-term memory network |
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 |