CN116842431A - 一种钢结构健康监测评估方法 - Google Patents
一种钢结构健康监测评估方法 Download PDFInfo
- Publication number
- CN116842431A CN116842431A CN202311108777.5A CN202311108777A CN116842431A CN 116842431 A CN116842431 A CN 116842431A CN 202311108777 A CN202311108777 A CN 202311108777A CN 116842431 A CN116842431 A CN 116842431A
- Authority
- CN
- China
- Prior art keywords
- steel structure
- state
- clustering
- monitoring
- time
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 109
- 239000010959 steel Substances 0.000 title claims abstract description 109
- 238000012544 monitoring process Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000036541 health Effects 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000013210 evaluation model Methods 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 15
- 230000006378 damage Effects 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 13
- 238000003064 k means clustering Methods 0.000 claims description 8
- 238000007621 cluster analysis Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 235000012571 Ficus glomerata Nutrition 0.000 claims description 3
- 244000153665 Ficus glomerata Species 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 13
- 238000011161 development Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000002355 dual-layer Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种钢结构健康监测评估方法，包括如下步骤：S01：提取钢结构工程危险源分布点位的监测数据，构建归一化样本数据集；S02：采用二次聚类算法构建归一化样本数据集的双层聚类分析模型，对钢结构危险源分布点位的安全状态进行精确划分；S03：根据划分的安全状态指导长短时记忆神经网络的初始化训练，构建基于长短时记忆神经网络的实时状态评估模型；S04：基于实时状态评估模型，对钢结构的非健康状态点位进行安全预警。本发明提出的钢结构健康监测评估方法能够对钢结构潜在危险点位的安全状态进行精确划分及评估，解决了传统钢结构监测技术难以解决的监测精度、状态判定等技术难题，实现对钢结构建筑质量、安全的有效控制。
Description
技术领域
本发明涉及结构监测技术领域，具体涉及一种钢结构健康监测评估方法。
背景技术
随着经济技术的发展，钢结构在工程建筑方面的应用越来越广泛。钢结构工程具有空间跨度大、结构复杂等特点，随着外部荷载增加、环境腐蚀和结构自身损耗等原因，导致钢结构建筑的危险点位失稳破坏，从而造成事故的发生。
结构监测的主要目标之一是及早发现结构缺陷或其他不利的结构条件，通过结构监测手段对钢结构工程潜在的危险点位进行监测评估，及时掌握钢结构危险点位所处的安全状态，从而对钢结构整体安全状态做出有效把控。
现有监测技术中，并没有对钢结构潜在危险点位的安全状态进行划分，这样会导致预测的钢结构危险点位的发展状态精度不高。
发明内容
鉴于现有技术的不足，本发明的主要目的是提供一种钢结构健康监测评估方法，对钢结构潜在危险点位的安全状态进行精确划分评估，提高钢结构危险点位发展状况的预测精度。
本发明的技术方案如下：
本发明提出一种钢结构健康监测评估方法，包括如下步骤：
S01：提取钢结构工程危险源分布点位的监测数据，构建归一化样本数据集；
S02：采用二次聚类算法构建归一化样本数据集的双层聚类分析模型，对钢结构危险源分布点位的安全状态进行精确划分；
S03：根据划分的安全状态指导长短时记忆神经网络的初始化训练，构建基于长短时记忆神经网络的实时状态评估模型；
S04：基于实时状态评估模型，对钢结构的非健康状态点位进行安全预警。
在一些实施例中，S01中，所述提取钢结构工程危险源分布点位的监测数据，构建归一化样本数据集，具体包括：
根据钢结构工程危险源分布点位的历史监测记录，提取各个点位破坏发生前的监测数据，将监测数据进行归一化处理，构建归一化样本数据集。
在一些实施例中，S02中，构建所述双层聚类分析模型具体包括：
通过K-means聚类算法对样本数据集中钢结构各个点位的监测数据进行一次聚类，得到k种聚类的类别数目，针对某一类别进行二次聚类，实现对钢结构危险点位安全状态的精确划分。
在一些实施例中，所述实现对钢结构危险点位安全状态的精确划分具体包括：
S021：根据K-means聚类算法对输入样本数据集X={x1，x2，…，xm}进行一次聚类，其中xi为样本数据，聚类的簇树为k，最大迭代次数为n，确定出一次聚类的类别数目C={C1，C2，…，Ck}，其中Ci为不同安全状态类别；
S022：从数据集X中随机选择k个样本数据作为初始聚类中心u={u1，u1，…，uk}；计算样本数据xi（i=1，2，…，m）到各个初始聚类中心uj（j=1，2，…，k）之间的距离；
S023：选取每个待聚类样本数据对象的最小距离，并将该待聚类的样本对象划分到最小距离对应的初始聚类中心所属的安全状态类别Ci中；
S024：计算各安全状态类别中样本数据对象的平均值，并将每类数据对象的平均值作为新的聚类中心，重复S023，直至聚类中心不再发生变化，从而完成聚类中心的更新，得到一次聚类结果；
S025：根据所述一次聚类结果，有选择的将某一安全状态类别进行二次聚类分析，并重复S022-S024，得到二次聚类结果。
在一些实施例中，所述一次聚类结果为钢结构点位的健康状态、风险状态和破坏状态；所述二次聚类结果为所述风险状态下的低风险状态、中风险状态和高风险状态。
在一些实施例中，S03中，所述构建基于长短时记忆神经网络的实时状态评估模型，包括如下步骤：
S031：确定长短时记忆神经网络模型的结构，设定学习速率、期望误差、迭代次数以及神经元个数；
S032：输入二次聚类分类后的样本数据进行初始化训练；
S033：进行误差判断，满足则输出结果，不满足则进行初始权重调整，并重复S032和S033，直至输出满足误差要求的结果；
S034：得到实时状态评估模型。
在一些实施例中，具体包括：
（1）设定初始学习速率取值在0-1之间，并按照训练轮数增长指数差值递减对学习速率进行调整：
其中，α为当前状态的学习速率，α0为初始学习速率，epoch_num为训练轮数；
（2）设定期望误差为1e-5；
（3）设定最大迭代次数1000次，当迭代超过最大次数则停止，如果达到最大迭代次数后精度未达到模型要求，则继续增加训练次数，直至达到精度要求后停止；
（4）根据长短时记忆神经网络模型的结构，设置输入层神经元个数为I（i=1，2，…，I），隐藏层神经元个数为J（j=1，2，…，J），输出层神经元个数为K（k=1，2，…，K），采用ELU型函数作为输入层的激活函数，公式如下：
式中，ELU（x）为ELU型激活函数，x和β(ex)-1分别为激活函数的分段表达式；
（5）根据所述二次聚类分类后的样本数据，将每一类中的监测指标数据作为长短时记忆神经网络模型的输入，将对应的安全状态类别作为所述长短时记忆神经网络模型监督学习的输出，对长短时记忆神经网络模型进行初始化训练；
（6）采用绝对平均误差作为判断长短时记忆神经网络训练效果好坏的评价指标，具体公式为：
式中，eMAE为绝对平均误差，m为样本个数，为预测输出，/>为实际输出；
设定期望误差为ε，若eMAE≤ε，则训练结果符合要求，训练过程结束；若eMAE＞ε，则对初始权重进行调节，重复上述步骤（5）和（6），直至训练结果符合要求，ε为规定的某一正数。
在一些实施例中，单个所述长短时记忆神经网络模型的结构计算公式如下：
式中，Wf、Wi、Wc和Wo分别代表当前t时刻遗忘门ft、输入门it、中间参数和输出门Ot对应的权重指标，bf、bi、bc、和bo分别表示当前时刻遗忘门ft、输入门it、中间参数/>和输出门Ot对应的偏差向量，ht和ht-1分别表示当前t时刻和上一时刻的隐藏层状态，vt表示当前输入量，ELU表示ELU型激活函数，tanh表示tanh激活函数，Ct和Ct-1分别表示当前t时刻和上一时刻的单元状态；/>表示逐点相乘，/>表示逐点相加。
在一些实施例中，S04中，所述基于实时状态评估模型，对钢结构的非健康状态点位进行安全预警，具体包括：
S041：输入实时监测数据样本；
S042：基于实时状态评估模型对钢结构潜在危险点位的实时监测数据进行状态判定；
S043：输出钢结构安全状态类别；
S044：对钢结构超过设定阈值的非健康状态的危险点位进行及时预警。
在一些实施例中，所述钢结构安全状态类别包括钢结构危险点位的健康状态、低风险状态、中风险状态、高风险状态和破坏状态。
本发明提出一种钢结构健康监测评估方法，该方法可以实现海量监测数据根据二次聚类分析划分好的样本数据对象训练神经网络，构建钢结构实时状态评估模型，并对钢结构潜在危险点位的实时监测数据进行状态判定，输出钢结构健康状态、风险状态或故障状态，对钢结构超过设定阈值的非健康状态点位进行及时预警，解决了传统钢结构监测技术难以解决的监测精度、状态判定等技术难题，实现对钢结构建筑质量、安全的有效控制。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引申获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容涵盖的范围内。
图1为本发明一些实施例的钢结构健康监测评估方法的流程示意图；
图2为本发明一些实施例的钢结构安全状态双层聚类分析模型结构示意图；
图3为本发明一些实施例的长短时记忆神经网络单个神经元的结构示意图。
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明白，下面结合实施例和附图，对本发明实施例作进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
应当理解，术语“包括/包含”、“由……组成”或者任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的产品、设备、过程或方法不仅包括那些要素，而且需要时还可以包括没有明确列出的其他要素，或者是还包括为这种产品、设备、过程或方法所固有的要素。在没有更多限制的情况下，由语句“包括/包含……”、“由……组成”限定的要素，并不排除在包括所述要素的产品、设备、过程或方法中还存在另外的相同要素。
以下结合较佳的实施方式对本发明的实现进行详细的描述。
参见图1，本发明提出一种钢结构健康监测评估方法，基于二次聚类分析进行。包括如下步骤：
S01：提取钢结构工程危险源分布点位的监测数据，构建归一化样本数据集；
S02：采用二次聚类算法构建归一化样本数据集的双层聚类分析模型，对钢结构危险源分布点位的安全状态进行精确划分；
S03：根据划分的安全状态指导长短时记忆神经网络的初始化训练，构建基于长短时记忆神经网络的实时状态评估模型；
S04：基于实时状态评估模型，对钢结构的非健康状态点位进行安全预警。
本发明提出的钢结构健康监测评估方法能够对钢结构潜在危险点位的安全状态进行精确划分及评估，以提高钢结构危险点位发展状况的预测精度。
该方法使钢结构测量技术向精准、高效和自动化、智能化、可视化的技术方向发展，提高了钢结构建筑的施工精度、效率，提升了钢结构工程的建设整体质量。
具体来说，S01中，提取钢结构工程危险源分布点位的监测数据，构建归一化样本数据集，具体包括：
根据钢结构工程危险源分布点位的历史监测记录，提取各个点位破坏发生前的监测数据，将监测数据进行归一化处理，构建归一化样本数据集。
这里提取的监测数据是利用钢结构工程危险源分别点位的多物理场传感器进行监测获取的数据。
本发明中，将多物理场监测数据进行归一化处理，转化为无量纲的纯量，便于不同单位和不同量级的指标进行对比。
S02中，采用二次聚类算法构建归一化样本数据集的双层聚类分析模型，具体包括：
利用K-means聚类算法对样本数据集中钢结构各个点位的监测数据进行一次聚类，得到k种聚类的类别数目，针对某一类别进行二次聚类，实现对钢结构危险点位安全状态的精确划分。
容易理解，K-means聚类算法又叫K均值聚类算法，是一种迭代求解的聚类分析算法。聚类，简单来说，就是将一个庞杂数据集中具有相似特征的数据自动归类到一起，称为一个簇，簇内的对象越相似，聚类的效果越好。它是一种无监督的学习(UnsupervisedLearning)方法，不需要预先标注好的训练集。
参见图2，采用二次聚类算法对钢结构危险点位的历史监测数据进行状态划分，具体步骤为：
S021：根据K-means聚类算法对输入样本数据集X={x1，x2，…，xm}进行一次聚类，其中xi为样本数据，聚类的簇树为k，最大迭代次数为n，确定出一次聚类的类别数目C={C1，C2，…，Ck}，其中Ci为不同安全状态类别。
这里不同安全状态类别包括健康状态、风险状态和破坏状态。
S022：从数据集X中随机选择k个样本数据作为初始聚类中心u={u1，u1，…，uk}；其中，聚类的类别数目和初始聚类中心的数目一致，即有多少个聚类中心，聚类分析就会根据聚类中心得到对应数量的聚类类别。计算样本数据xi（i=1，2，…，m）到各个初始聚类中心uj（j=1，2，…，k）之间的距离。
其距离公式dij为：
（1）；
式中，xi为样本数据，ui为初始聚类中心数据。
S023：根据上述各待聚类的样本数据对象到每个初始聚类中心的距离，选取出每个待聚类样本数据对象的最小距离，并将该待聚类的样本对象划分到最小距离对应的初始聚类中心所属的安全状态类别Ci中。
S024：计算各安全状态类别中样本数据对象的平均值，并将每类数据对象的平均值作为新的聚类中心，重复S023，直至聚类中心不再发生变化，从而完成聚类中心的更新，得到一次聚类结果。
这里得到的一次聚类结果为钢结构点位的健康状态、风险状态和破坏状态。
钢结构点位的健康状态、风险状态和破坏状态可以认为是含有上下阈值的区间数据。
S025：根据上述一次聚类结果，有选择的将某一安全状态类别进行二次聚类分析，并重复S022-S024，得到二次聚类结果。
这里所说的有选择的将其中一个安全状态类别进行二次聚类分析，是技术专家根据实际情况结合个人经验人为将某一类别进行更细致的划分，从而进行二次聚类。
本实施例中，是将风险状态的钢结构点位监测数据进行的二次聚类分析。
这里得到的二次聚类结果为选择的风险状态下划分的低风险状态、中风险状态和高风险状态。
在本实施例中，由于钢结构危险源分布点位破坏前的监测数据波动较大，不能很好的对非健康状态进行聚类划分，因此，首先对钢结构危险源分布点位的监测数据进行一次聚类分析，输出钢结构点位的健康状态、风险状态和破坏状态。
然后，提取出处于风险状态的钢结构点位监测数据，对其进行二次聚类分析，输出低风险状态、中风险状态和高风险状态，实现对钢结构危险源分布点位安全状态的精确划分，从而能够高效的针对不同发展状态采取相应防护措施。
本发明中，一次聚类只得到健康，风险，破坏状态，二次聚类可以针对风险状态具体划分为低风险，中风险，高风险，从而可以针对不同等级的风险状态进行不同的防护措施，既能保证结构的安全，同时不会过度保护浪费资源。
S03中，构建基于长短时记忆神经网络的实时状态评估模型；包括如下步骤：
S031：确定长短时记忆神经网络模型的结构，设定学习速率、期望误差、迭代次数以及神经元个数；
S032：输入二次聚类分类后的样本数据进行初始化训练；
S033：进行误差判断，满足则输出结果，不满足则进行初始权重调整，并重复S032和S033，直至输出满足误差要求的结果；
S034：得到实时状态评估模型。
具体来说，（1）设定初始学习速率取值在0-1之间，合适的学习速率能够在较短的时间内使模型在最优值附近收敛，因此按照训练轮数增长指数差值递减对学习速率进行调整：
（2）；
其中，α为当前状态的学习速率，α0为初始学习速率，epoch_num为训练轮数。
（2）设定期望误差为1e-5，即训练结果所需达到的精度。
（3）设定最大迭代次数1000次，当迭代超过最大次数则停止，如果达到最大迭代次数后精度未达到模型要求，则继续增加训练次数，直至达到精度要求后停止。
（4）根据长短时记忆神经网络模型的结构，设置输入层神经元个数为I（i=1，2，…，I），隐藏层神经元个数为J（j=1，2，…，J），输出层神经元个数为K（k=1，2，…，K），采用ELU型函数作为输入层的激活函数，公式如下：
（3）；
式中，ELU(x)为ELU型激活函数，x和β(ex)-1分别为激活函数的分段表达式。
参见图3，单个上述长短时记忆神经网络模型的结构计算公式如下：
（4）；
式中，Wf、Wi、Wc和Wo分别代表当前t时刻遗忘门ft、输入门it、中间参数和输出门Ot对应的权重指标，bf、bi、bc、和bo分别表示当前时刻遗忘门ft、输入门it、中间参数/>和输出门Ot对应的偏差向量，ht和ht-1分别表示当前t时刻和上一时刻的隐藏层状态，vt表示当前输入量，ELU表示ELU型激活函数，tanh表示tanh激活函数，Ct和Ct-1分别表示当前t时刻和上一时刻的单元状态；/>表示逐点相乘，/>表示逐点相加。
（5）根据上述二次聚类分类后的样本数据，将每一类中的监测指标数据作为长短时记忆神经网络模型的输入，将对应的安全状态类别作为所述长短时记忆神经网络模型监督学习的输出，对长短时记忆神经网络模型进行初始化训练。
（6）采用绝对平均误差作为判断长短时记忆神经网络训练效果好坏的评价指标，具体公式为：
（5）；
式中，eMAE为绝对平均误差，m为样本个数，为预测输出，/>为实际输出；
设定期望误差为ε，将设定的ε作为判断依据，若eMAE≤ε，则训练结果符合要求，训练过程结束；若eMAE＞ε，则采用梯度下降法对初始权重进行调节，权重衰减的表示形式为：
（6）；
其中，λ为权重调节的比率，α为学习速率，θt为当前t时刻的权重，θt-1为t-1时刻的权重。
重复上述步骤（5）和（6），直至训练结果符合要求，ε为规定的某一正数。
这里所说的ε是技术专家根据实际情况结合个人经验人为设定的正数值，可以理解为精度要求，当误差小于我们设定的期望误差时，我们就可以接受这个学习结果。
在本实施例中，根据二次聚类分析划分好的样本数据对象训练并优化长短时记忆神经网络，构建钢结构危险点位的实时状态评估模型，对钢结构危险点位的实时监测数据进行状态判定，输出钢结构危险点位的健康状态、低风险状态、中风险状态、高风险状态和破坏状态。
S04中，基于实时状态评估模型，对钢结构的非健康状态点位进行安全预警，具体包括：
S041：输入实时监测数据样本；
S042：基于实时状态评估模型对钢结构潜在危险点位的实时监测数据进行状态判定；
S043：输出钢结构安全状态类别；
S044：对钢结构超过设定阈值的非健康状态的危险点位进行及时预警。
这里所说的设定阈值，是人为设定的输出的安全状态类别不能超过的上限值。
本发明提出的钢结构健康监测评估方法可以实现海量监测数据根据二次聚类分析划分好的样本数据对象训练神经网络，构建钢结构实时状态评估模型，并对钢结构潜在危险点位的实时监测数据进行状态判定，输出钢结构健康状态、风险状态或故障状态，并对钢结构超过设定阈值的非健康状态点位进行及时预警。提高了钢结构危险点位发展状况的预测精度。
本领域技术人员容易理解的是，在不冲突的前提下，上述各优选方案可以自由地组合、叠加。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种钢结构健康监测评估方法，其特征在于，包括如下步骤：
S01：提取钢结构工程危险源分布点位的监测数据，构建归一化样本数据集；
S02：采用二次聚类算法构建归一化样本数据集的双层聚类分析模型，对钢结构危险源分布点位的安全状态进行精确划分；
S03：根据划分的安全状态指导长短时记忆神经网络的初始化训练，构建基于长短时记忆神经网络的实时状态评估模型；
S04：基于实时状态评估模型，对钢结构的非健康状态点位进行安全预警。
2.根据权利要求1所述的钢结构健康监测评估方法，其特征在于，S01中，所述提取钢结构工程危险源分布点位的监测数据，构建归一化样本数据集，具体包括：
根据钢结构工程危险源分布点位的历史监测记录，提取各个点位破坏发生前的监测数据，将监测数据进行归一化处理，构建归一化样本数据集。
3.根据权利要求1所述的钢结构健康监测评估方法，其特征在于，S02中，构建所述双层聚类分析模型具体包括：
通过K-means聚类算法对样本数据集中钢结构各个点位的监测数据进行一次聚类，得到k种聚类的类别数目，针对某一类别进行二次聚类，实现对钢结构危险点位安全状态的精确划分。
4.根据权利要求3所述的钢结构健康监测评估方法，其特征在于，所述实现对钢结构危险点位安全状态的精确划分具体包括：
S021：根据K-means聚类算法对输入样本数据集X={x1，x2，…，xm}进行一次聚类，其中xi为样本数据，聚类的簇树为k，最大迭代次数为n，确定出一次聚类的类别数目C={C1，C2，…，Ck}，其中Ci为不同安全状态类别；
S022：从数据集X中随机选择k个样本数据作为初始聚类中心u={u1，u1，…，uk}；计算样本数据xi（i=1，2，…，m）到各个初始聚类中心uj（j=1，2，…，k）之间的距离；
S023：选取每个待聚类样本数据对象的最小距离，并将该待聚类的样本对象划分到最小距离对应的初始聚类中心所属的安全状态类别Ci中；
S024：计算各安全状态类别中样本数据对象的平均值，并将每类数据对象的平均值作为新的聚类中心，重复S023，直至聚类中心不再发生变化，从而完成聚类中心的更新，得到一次聚类结果；
S025：根据所述一次聚类结果，有选择的将某一安全状态类别进行二次聚类分析，并重复S022-S024，得到二次聚类结果。
5.根据权利要求4所述的钢结构健康监测评估方法，其特征在于，所述一次聚类结果为钢结构点位的健康状态、风险状态和破坏状态；所述二次聚类结果为所述风险状态下的低风险状态、中风险状态和高风险状态。
6.根据权利要求1所述的钢结构健康监测评估方法，S03中，所述构建基于长短时记忆神经网络的实时状态评估模型，包括如下步骤：
S031：确定长短时记忆神经网络模型的结构，设定学习速率、期望误差、迭代次数以及神经元个数；
S032：输入二次聚类分类后的样本数据进行初始化训练；
S033：进行误差判断，满足则输出结果，不满足则进行初始权重调整，并重复S032和S033，直至输出满足误差要求的结果；
S034：得到实时状态评估模型。
7.根据权利要求6所述的钢结构健康监测评估方法，其特征在于，具体包括：
（1）设定初始学习速率取值在0-1之间，并按照训练轮数增长指数差值递减对学习速率进行调整：
；
其中，α为当前状态的学习速率，α0为初始学习速率，epoch_num为训练轮数；
（2）设定期望误差为1e-5；
（3）设定最大迭代次数1000次，当迭代超过最大次数则停止，如果达到最大迭代次数后精度未达到模型要求，则继续增加训练次数，直至达到精度要求后停止；
（4）根据长短时记忆神经网络模型的结构，设置输入层神经元个数为I（i=1，2，…，I），隐藏层神经元个数为J（j=1，2，…，J），输出层神经元个数为K（k=1，2，…，K），采用ELU型函数作为输入层的激活函数，公式如下：
；
式中，ELU（x）为ELU型激活函数，x和β(ex)-1分别为激活函数的分段表达式；
（5）根据所述二次聚类分类后的样本数据，将每一类中的监测指标数据作为长短时记忆神经网络模型的输入，将对应的安全状态类别作为所述长短时记忆神经网络模型监督学习的输出，对长短时记忆神经网络模型进行初始化训练；
（6）采用绝对平均误差作为判断长短时记忆神经网络训练效果好坏的评价指标，具体公式为：
；
式中，eMAE为绝对平均误差，m为样本个数，为预测输出，/>为实际输出；
设定期望误差为ε，若eMAE≤ε，则训练结果符合要求，训练过程结束；若eMAE＞ε，则对初始权重进行调节，重复上述步骤（5）和（6），直至训练结果符合要求，ε为规定的某一正数。
8.根据权利要求7所述的钢结构健康监测评估方法，其特征在于，单个所述长短时记忆神经网络模型的结构计算公式如下：
；
式中，Wf、Wi、Wc和Wo分别代表当前t时刻遗忘门ft、输入门it、中间参数和输出门Ot对应的权重指标，bf、bi、bc、和bo分别表示当前时刻遗忘门ft、输入门it、中间参数/>和输出门Ot对应的偏差向量，ht和ht-1分别表示当前t时刻和上一时刻的隐藏层状态，vt表示当前输入量，ELU表示ELU型激活函数，tanh表示tanh激活函数，Ct和Ct-1分别表示当前t时刻和上一时刻的单元状态；/>表示逐点相乘，/>表示逐点相加。
9.根据权利要求1所述的钢结构健康监测评估方法，其特征在于，S04中，所述基于实时状态评估模型，对钢结构的非健康状态点位进行安全预警，具体包括：
S041：输入实时监测数据样本；
S042：基于实时状态评估模型对钢结构潜在危险点位的实时监测数据进行状态判定；
S043：输出钢结构安全状态类别；
S044：对钢结构超过设定阈值的非健康状态的危险点位进行及时预警。
10.根据权利要求9所述的钢结构健康监测评估方法，其特征在于，所述钢结构安全状态类别包括钢结构危险点位的健康状态、低风险状态、中风险状态、高风险状态和破坏状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311108777.5A CN116842431A (zh) | 2023-08-31 | 2023-08-31 | 一种钢结构健康监测评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311108777.5A CN116842431A (zh) | 2023-08-31 | 2023-08-31 | 一种钢结构健康监测评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116842431A true CN116842431A (zh) | 2023-10-03 |
Family
ID=88172830
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311108777.5A Pending CN116842431A (zh) | 2023-08-31 | 2023-08-31 | 一种钢结构健康监测评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116842431A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111199252A (zh) * | 2019-12-30 | 2020-05-26 | 广东电网有限责任公司 | 一种电力通信网络智能运维系统的故障诊断方法 |
| CN112650146A (zh) * | 2020-12-18 | 2021-04-13 | 国家机床质量监督检验中心 | 一种数控机床多工况下故障诊断优化方法、系统及设备 |
| CN113562562A (zh) * | 2021-06-23 | 2021-10-29 | 合肥工业大学 | 一种电梯安全预警监测系统及其判断方法 |
| CN113742163A (zh) * | 2021-02-02 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种故障预警方法、装置、设备及存储介质 |
| CN113900381A (zh) * | 2021-12-10 | 2022-01-07 | 西南科技大学 | 一种基于物联网的钢结构远程健康监测平台及应用方法 |
| CN114609245A (zh) * | 2022-05-10 | 2022-06-10 | 西南交通大学 | 一种阵列式超声导波仪、钢结构损伤监测系统及方法 |
| CN115419558A (zh) * | 2022-09-27 | 2022-12-02 | 许继电气股份有限公司 | 一种风电机组运行状态评估方法及装置 |
| CN116010828A (zh) * | 2022-12-16 | 2023-04-25 | 珠海格力电器股份有限公司 | 一种机组故障原因诊断方法及系统 |
-
2023
- 2023-08-31 CN CN202311108777.5A patent/CN116842431A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111199252A (zh) * | 2019-12-30 | 2020-05-26 | 广东电网有限责任公司 | 一种电力通信网络智能运维系统的故障诊断方法 |
| CN112650146A (zh) * | 2020-12-18 | 2021-04-13 | 国家机床质量监督检验中心 | 一种数控机床多工况下故障诊断优化方法、系统及设备 |
| CN113742163A (zh) * | 2021-02-02 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种故障预警方法、装置、设备及存储介质 |
| CN113562562A (zh) * | 2021-06-23 | 2021-10-29 | 合肥工业大学 | 一种电梯安全预警监测系统及其判断方法 |
| CN113900381A (zh) * | 2021-12-10 | 2022-01-07 | 西南科技大学 | 一种基于物联网的钢结构远程健康监测平台及应用方法 |
| CN114609245A (zh) * | 2022-05-10 | 2022-06-10 | 西南交通大学 | 一种阵列式超声导波仪、钢结构损伤监测系统及方法 |
| CN115419558A (zh) * | 2022-09-27 | 2022-12-02 | 许继电气股份有限公司 | 一种风电机组运行状态评估方法及装置 |
| CN116010828A (zh) * | 2022-12-16 | 2023-04-25 | 珠海格力电器股份有限公司 | 一种机组故障原因诊断方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108629144B (zh) | 一种桥梁健康评估方法 | |
| CN113837477B (zh) | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 | |
| CN110263846B (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
| Wu et al. | A real-time forecast of tunnel fire based on numerical database and artificial intelligence | |
| CN111415492B (zh) | 一种基于模糊综合评价算法的边坡滑坡预警方法及系统 | |
| CN111813084B (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
| CN112819207B (zh) | 基于相似性度量的地质灾害空间预测方法、系统及存储介质 | |
| CN104270281B (zh) | 一种Web Service QoS组合预测方法 | |
| CN113378990B (zh) | 基于深度学习的流量数据异常检测方法 | |
| Dimitriou et al. | Fuzzy modeling of freeway accident duration with rainfall and traffic flow interactions | |
| CN105046389A (zh) | 一种用于电力安全风险评估的智能风险评估方法及其系统 | |
| CN114997578A (zh) | 一种基于深度学习的智慧风电场实时状态评估方法 | |
| Subramanian et al. | Deep-learning based time series forecasting of go-around incidents in the national airspace system | |
| CN112257914A (zh) | 一种基于随机森林的航空安全因果预测方法 | |
| CN112149750A (zh) | 一种供水管网爆管识别数据驱动方法 | |
| CN112541636A (zh) | 输电线路覆冰风险预警方法、装置、介质和电子设备 | |
| CN118037065B (zh) | 一种数据驱动下的内河水域航行风险动态评估方法 | |
| CN113435124A (zh) | 一种基于长短时记忆和径向基函数神经网络的水质时空关联预测方法 | |
| CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
| CN111860971A (zh) | 道岔转辙机剩余寿命预测方法及装置 | |
| CN115329799A (zh) | 桥梁安全状态监测方法、装置、计算机设备和存储介质 | |
| CN114417729A (zh) | 一种基于bp神经网络的矿区环境安全预警方法 | |
| CN117743487A (zh) | 一种rf和lstm组合的船舶轨迹预测模型 | |
| CN112330114B (zh) | 基于混合深度神经网络的飞机危险识别方法 | |
| CN112711912B (zh) | 基于云计算和机器学习算法的空气质量监测与告警方法、系统、装置和介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20231003 |