CN117172136B - 基于ssa-lstm算法的风车桥系统振动响应预测方法 - Google Patents

Abstract

本发明涉及风车桥耦合系统技术领域，公开了一种基于SSA‑LSTM算法的风车桥系统振动响应预测方法，将麻雀搜索算法与长短时记忆网络进行结合，充分利用SSA的寻优特性和较好的适应性，用SSA来搜索LSTM模型的最优超参数，并建立一个可靠的网络模型；建立神经网络来构建数值模型，由两个功能模块组成：用于超参数搜索的SSA和用于风‑车‑桥系统响应预测的LSTM层；LSTM单元通过引入系统激励和结构参数的随机性作为单元的一部分进行建模，使数值模型能够传达火车‑桥梁‑系统的随机性并获得其随机响应。本发明风‑车‑‑桥梁结构之间的动态相互作用被集成到神经网络模型中，利用SSA缩短建模时间，提高建模精确度，降低了计算成本，对系统响应进行了更精确的预测。

Description

基于SSA-LSTM算法的风车桥系统振动响应预测方法

技术领域

本发明涉及风车桥耦合系统技术领域，具体为基于SSA-LSTM算法的风车桥系统振动响应预测方法。

背景技术

近年来，铁路工程中强横风等意外灾害的外力作用下，桥梁和列车的结构稳定性和运行安全性受到多数学者的关注。由于我国西部地区投资的增加，大部分铁路会经过山区路段，这些地方一年四季的风速变化很大，会对列车行驶产生影响。因此，评估风-车-桥系统在横风作用下的稳定性和安全性非常重要。由于风和轨道不规则的双重激励，车桥系统的情况更加复杂。由于风的空间相关性很强，且风向随机，研究风荷载下的车桥系统变得极为复杂。许多学者在研究风-车-桥系统的方法上不断创新。基于车辆动力学系统的理论，一些人应用了离散阵风模型。主要通过人工阵风考虑风的非稳态特性，风的波动成分由随机过程产生，取决于功率谱密度函数的随机模型。可以看出，解决方法的创新从未停止过，与传统方法的创新相比，人工智能大放异彩，受到学术界的欢迎。

人工智能现在被用于各行各业，对于车桥也不例外。它的显著优势是可以只用样本来训练模型，避免了繁琐的建模过程，提高了计算效率。随着人工智能在其他研究领域中的迅速提高，深度学习方法在随机振动分析中变得越来越流行。利用人工神经网络的优势，其强大的特征提取能力和卓越的鲁棒性被应用于研究随机载荷引起的结构响应，但其中大部分没有考虑不确定因素对振动的影响。然而，深度学习方法在车桥系统动态分析中的应用却相当有限。就比如传统的神经网络，它的网络结构，组合搭配还有超参数的设置都是根据训练数据模型人为的进行调整的，会根据不同的模型组合参数都不同。其中超参数是一个神经网络模型的重要参数指标，影响着建模的准确性与预测的结果。人为设置无疑加大了建模模型的困难程度，增加了建模的时间成本，人为设置神经网络模型的超参数或多或少都有一定的误差，达不到最佳适应状态，因此寻找最佳超参数来避免人为设置误差是值得研究的。

发明内容

针对上述问题，本发明的目的在于提供一种基于SSA-LSTM算法的风车桥系统振动响应预测方法。将麻雀搜索算法SSA (Sparrow Search Algorithm)与人工智能算法中的深度学习网络引用到风车桥耦合系统响应的求解预测当中。将SSA用于神经网络的超参数寻优，利用SSA迭代寻优，通过适应度函数值的降低最后达到一个最佳寻优匹配度，输出最佳超参数。本文采用长短时记忆单元LSTM（Long Short Term Memory）作为神经网络模型，利用SSA寻找的最佳超参数进行建模，获得匹配度最高的人工神经网络模型，即SSA-LSTM。需要通过纽马克法计算得到风车桥响应样本，把获得的风车桥系统响应样本作为输出数据，随机风速样本作为输出数据，把输出数据和输入数据一同输入到神经网络中进行训练与预测。利用生物算法与神经网络结合的形式建立最佳模型，可以为建立准确的神经网络模型提供一种高效的手段。技术方案如下：

基于SSA-LSTM算法的风车桥系统振动响应预测方法，包括以下步骤：

步骤1：通过商业有限元软件Ansys建立车辆模型和桥梁模型，根据解析解验证车辆模型的自振频率和桥梁模型自振频率，并根据计算得到的桥梁模型的自振频率及模态验证桥梁模型的正确性；

步骤2：通过风谱获得风速样本，利用三分力系数根据风速样本计算出风荷载；

步骤3：通过轨道谱采用三角级数法计算出轨道不平顺激励样本；

步骤4：将计算出来的风荷载与轨道不平顺激励样本，结合车辆模型和桥梁模型，通过纽马克法进行求解，得到风车桥响应随机样本；

步骤5：构建SSA-LSTM模型，SSA-LSTM模型包括两个模块SSA模块和LSTM模块，SSA模块用于寻找最佳超参数，LSTM模块用于完成风车桥随机响应的预测工作；根据实际建模需要确定LSTM模型中的建模参数，并确定建模参数合理的数值范围；

步骤6：将计算得到的风速样本和轨道不平顺激励样本作为输入数据，将计算得到风车桥响应随机样本作为输出数据，带入SSA-LSTM模型中寻找最佳超参数；

步骤7：基于SSA寻找的最佳超参数建立精确的神经网络模型，通过输入数据和输出数据对LSTM模型进行训练；

步骤8：完成训练后，实现对风车桥系统随机响应的预测。

进一步的，所述步骤2中通过风谱获得风速样本，利用三分力系数根据风速样本计算出风荷载：

（1）；

（2）；

（3）；

公式中，D _bu （x，t）、L _bu （x，t）和M _bu （x，t）分别代表结构在风中所受x位置t时刻的阻力荷载、升力荷载和扭力荷载；α为桥面与来流风的夹角，C _D 、C _L 和C _M 分别为结构截面的阻力系数、升力系数和扭力系数，和/>表示助力系数、升力系数和扭力系数的斜率；u（x，t）和w（x，t）分别为表示x位置处横向和纵向的脉动风时程风速；γ ₁~γ ₆为时域空气动力导函数，B、U和/>分别是结构迎风面面积、平均风速和空气质量密度。

更进一步的，所述步骤5中，SSA-LSTM模型采用两层LSTM网络单元，将两层网络进行串联；需要被寻优的超参数有6个，包括：第一层的隐藏单元数量L1、第二层的隐藏单元数量为L2、模型的正则化参数L2Regularization、最大训练次数Max-epoch、模型的单元尺寸BatchSize和模型的初始学习率InitialLearnRate；输入数据和输出数据被送入LSTM层，并使用SSA搜索模型的超参数，利用SSA的反捕食机制选择最佳超级参数；当适配函数没有达到最优时，寻找超参数的过程继续进行，直到设定的迭代次数用完。

更进一步的，所述步骤6中对模型进行寻找最佳超参数为利用SSA寻找LSTM模型中的最佳超参数；

设置安全值A∈[0.5，1]，对于警示值Y∈[0,1]，即均值为0，标准差为1的一个随机数，有如下情况：

当警示值Y小于安全值A的时候，即Y＜A，麻雀发现天敌会立即报警，当警示值大于安全值时，发现者会带着加入者去其它安全区域进行觅食，麻雀的位置在不断的更新，具体如下：

（4）；

当警示值Y大于等于安全值A的时候，即Y≥A，麻雀的位置也在不断的更新，具体如下：

（5）；

公式中，和/>表示参数在第t次迭代中的第i只麻雀在j维中的位置信息和t+1次迭代的位置信息，/>与/>一样属于t+1迭代的位置信息，属于意识到危险的位置；为最优探索者的位置，上标表示迭代次数；α∈(0,1]是一个随机数；A ^＋表示一个1×d的矩阵，d为矩阵的维度，其中每个元素随机赋值为1或-1，并且A⁺=A^T(AA^T)^-1；N是服从正态分布的随机数；M表示一个1×d的矩阵，其中该矩阵内每个元素全部为1；n _max是一个常数，表示最大的迭代次数；/>和/>表示麻雀跟随参数在t次迭代的过程中第i只麻雀在j维中的偏置状态函数和附加函数，其随着取值不同有所变化；/>表示与麻雀位置信息相关的权重系数，exp为指数函数e；/>表示当前的全局最优位置；/>表示当前的全局最差位置；β作为步长控制参数，是服从均值为0，方差为1的正态分布的随机数；K∈[-1,1]是一个随机数；f _i 是当前麻雀个体的适应度值；f _w 是当前全局最差的适应度值；ε是最小的常数，以避免分母出现零，x为寻优参数；y为t+1时刻的位置信息数据；

偏置状态函数、权重系数/>和附加函数/>取值如下：

（6）；

（7）；

（8）。

更进一步的，所述步骤8中对风车桥系统响应的智能预测具体为：

通过卷积提取特征数据输入到LSTM层进行预测，将风速样本获得的特征数据值输入到长短时记忆网络中，进行标记和预测，具体计算公式如下所示：

（9）；

上式中，表示长短时记忆网络模型中的激励函数；w _mk 代表输入数据的信号和单个神经元k相连接的权重值；b _f 代表偏置值反映了神经元内部的状态；y ^l 表示神经元的输出第l层的预测值，/>为D _bu （x，t），L _bu （x，t），M _bu （x，t）特征输入数据，其中m表示为第m个特征输入数据。

与现有技术相比，本发明的有益效果是：

本发明充分的将SSA与LSTM进行结合，SSA是一种新群智能优化算法，具有良好的全局搜索能力和快速收敛性。可以利用SSA对于寻优收敛快，准确度高、适应度函数值更优的特性，并使用SSA搜索模型的超参数，利用SSA的反捕食机制选择最佳超级参数。为LSTM模型寻找最佳建模参数。进而避免了传统神经网络只能通过人为设置超参数且容错率高的弊端。需要注意的是，当适配函数没有达到最优时，寻找超参数的过程继续进行，直到设定的迭代次数用完。利用最佳参数建立最佳训练模型，通过深度学习将简化车辆模型和桥梁模型的建立以达到缩短计算时间的目的，同时能建立不确定模型，准确预测不确定车桥系统响应，提高预测精度。

本发明增加偏置状态函数是为了改进在第t次迭代中的第i只麻雀在第j维中的位置信息/>，使得其更加准确，权重系数/>和附加函数/>同样的也是为了改进在第t+1次迭代中的位置信息/>和/>，当随着迭代的进行位置信息也跟着快速的更替，为了解决这一问题，直接引入偏置状态函数/>、权重系数/>和附加函数/>分别对不同的迭代次数所得到位置信息进行改进。

附图说明

图1为神经网络架构图。

图2为SSA适应度曲线。

图3（a）为训练之均方根误差图。

图3（b）为训练之损失值曲线图。

图4（a）为预测桥梁响应之桥梁竖向位移预测图。

图4（b）为预测桥梁响应之桥梁横向位移预测图。

图5（a）为预测车梁响应之车辆竖向加速度预测图。

图5（b）为预测车梁响应之车辆横向加速度预测图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步详细说明。

本发明为了寻找最优模型参数和实现了最佳预测，所提出的方法在高速铁路桥梁上进行了验证，经过实验验证的三维车桥耦合模型被用来生成训练数据集，使用本方法描述的概念来设计和开发一个优化算法SSA-LSTM。其中，SSA（Sparrow Search Algorithm麻雀搜索算法）用于搜索最优超参数，建立LSTM（Long Short-Term Memory长短期记忆网络）网络的最佳模型，SSA可以避免搜索过程中的误差，并通过反捕食机制提高搜索的准确性。该方法以纽马克法得到的样本为数据集，以轨道不规则性、风速激励和结构参数为输入数据，在LSTM层通过时间序列估计实现对火车桥振动响应的逐点预测。利用该方法获取最佳参数建立最佳训练模型，通过深度学习将简化车辆模型和桥梁模型的建立以达到缩短计算时间的目的，同时能建立不确定模型，准确预测不确定车桥系统响应，提高预测精度。

1）本发明采用的技术方案步骤如下：

步骤1：通过商业有限元软件Ansys建立车辆模型和桥梁模型，根据解析解验证车辆模型的自振频率和桥梁模型自振频率，并根据计算得到的桥梁模型的自振频率及模态验证桥梁模型的正确性。

所述桥梁模型为：

（10）；

公式中，M _b 、C _b 、K _b 分别表示桥梁质量矩阵、桥梁阻尼矩阵、桥梁刚度矩阵，分别表示桥梁加速度、速度、位移响应，F _b 表示桥梁受到的外力作用。

所述车辆模型为：

（11）；

公式中，M _v 、C _v 、K _v 分别为车辆的质量矩阵、阻尼矩阵、刚度矩阵，表示车辆运动的加速度、速度、位移向量；f _v 为作用在车辆上的激励力或荷载。

步骤2：通过风谱采用谱解法获得风速样本，利用三分力系数根据风速样本计算出风荷载。

计算公式如下：

（12）；

（13）；

（14）；

公式中，D _bu （x，t）、L _bu （x，t）和M _bu （x，t）分别代表结构在风中所受x位置t时刻的阻力荷载、升力荷载和扭力荷载；α为桥面与来流风的夹角，C _D 、C _L 和C _M 分别为结构截面的阻力系数、升力系数和扭力系数，和/>分别为阻力系数、升力系数和扭力系数的斜率；u（x，t）和w（x，t）分别表示x位置处横向和纵向的脉动风时程风速；γ ₁~γ ₆为时域空气动力导函数，B、U和/>分别为结构迎风面面积、平均风速和空气质量密度。

步骤3：通过轨道谱采用三角级数法计算出轨道不平顺激励样本。

步骤4：将计算出来的风荷载与轨道不平顺激励样本结合车辆模型和桥梁模型通过纽马克法进行求解，得到风车桥响应随机样本。

所述风车桥系统响应的求解办法，根据纽马克法假设：

（15）；

公式中，Δt为时间步长；为风车桥系统的t＋Δt时刻的加速度、速度、位移；/>分别为风车桥系统在t时刻的加速度、速度、位移；β、γ参数，由积分精度和稳定性确定。参数β、γ对该计算的影响比较大，根据研究表明，当满足以下关系时，纽马克法无条件稳定，此时时间步长Δt的值可以只根据精度的要求来确定。

β≥0.5，γ≥（0.5＋β ²）／4（16）；

当β、γ分别取值为0.5和0.25时，纽马克法就是平均加速度法。根据公式（15），将用/>以及Z _t+Δt 来表示：

（17）；

（18）；

则t＋Δt时刻系统的振动微分方程可表示为：

（19）；

公式中，F _t+Δt 表示为t＋Δt时刻的风车桥系统受到的所有荷载，在Z _t+Δt 可表示为：

（20）；

其中，

（21）；

（22）；

公式中，为系统的有效刚度；/>为系统的有效荷载向量。

根据公式（16）选择β、γ的值，根据精度要求选择适当的时间步长Δt，并计算下面的相关常数，/>，/>，/>，/>，，a ₆＝Δt（1－β），a7＝βΔt。

将公式（19）进行整理，计算有效刚度矩阵：

＝K＋a ₀ M＋a ₁ C（23）；

将有效刚度矩阵进行三角分解：

＝LDL ^T （24）；

公式中，L、D、L ^T 分别代表车桥系统的振型数据矩阵、模型数据矩阵和振型数据的转置矩阵。

对每个时间步长进行积分计算：

计算t＋Δt时刻的有效荷载向量：

（25）；

更进一步的，所述步骤4中获得风车桥系统响应随机样本，具体包括：

计算t＋Δt时刻的位移：

（26）

计算t＋Δt时刻的加速度和速度：

（27）；

步骤5：确定SSA-LSTM模型中需要被寻优的参数。

本发明提出了一种混合算法，所述SSA-LSTM算法，包括两个模块，第一个模块为SSA模块，用于寻找最佳超参数，第二个模块为LSTM模块，用于完成风车桥随机响应的预测工作，所提算法的构架如图1所示。

本神经网络模型设置了6个需要被寻优的超参数：采用两层LSTM网络单元，将两层网络进行串联，第一层的隐藏单元数量为L1；第二层隐藏单元数量为L2；以及模型的正则化参数L2Regularization；最大训练次数Max-epoch；模型的单元尺寸BatchSize；模型的初始学习率InitialLearnRate。输入数据和输出数据被送入LSTM层，并使用SSA搜索模型的超参数，利用SSA的反捕食机制选择最佳超级参数。需要注意的是，当适配函数没有达到最优时，寻找超参数的过程继续进行，直到设定的迭代次数用完。通过在SSA找到的最佳超参数的基础上建立一个最佳模型，并随后进行预测，可以达到最佳效果。

步骤6：将计算得到的风速样本和轨道不平顺激励样本作为输入数据，将计算得到风车桥响应随机样本作为输出数据，带入SSA-LSTM模型中进行寻找最佳超参数。

SSA-LSTM算法中，SSA属于新群智能优化算法，具有良好的全局搜索能力和快速收敛性。利用SSA寻找LSTM模型中的最佳超参数具体为：

设置安全值A∈[0.5,1]，对于警示值Y∈[0,1]，即均值为0，标准差为1的一个随机数，有如下情况：

当警示值Y小于安全值A的时候，即Y＜A，麻雀发现天敌会立即报警，当警示值大于安全值时，发现者会带着加入者去其它安全区域进行觅食，麻雀的位置在不断的更新，具体如下：

（28）；

当警示值Y大于安全值A的时候，即Y≥A，麻雀的位置也在不断的更新，具体如下：

（29）；

公式中，和/>表示参数在第t次迭代中的第i只麻雀在j维中的位置信息和t+1次迭代的位置信息，/>与/>一样属于t+1迭代的位置信息，属于意识到危险的位置；α∈(0,1]是一个随机数；A ^＋表示一个1×d的矩阵，d为矩阵的维度，其中每个元素随机赋值为1或-1，并且A⁺=A^T(AA^T)^-1；N是服从正态分布的随机数；M表示一个1×d的矩阵，其中该矩阵内每个元素全部为1；n _max是一个常数，表示最大的迭代次数；/>和/>表示麻雀跟随参数在t次迭代的过程中第i只麻雀在j维中的偏置状态函数和附加函数，其随着取值不同有所变化；/>表示与麻雀位置信息相关的权重系数，exp为指数函数e；/>表示当前的全局最优位置；/>表示当前的全局最差位置；β作为步长控制参数，是服从均值为0，方差为1的正态分布的随机数；K∈[-1,1]是一个随机数；fi是当前麻雀个体的适应度值；f _w 是当前全局最差的适应度值；ε是最小的常数，以避免分母出现零。

引入的函数为跃阶函数，取值如下：

（30）；

（31）；

（32）。

偏置状态函数是根据预警值来的，小于安全值取0，大于安全值取1，是为了保证每次位置的更新在安全值以内；权重系数/>取值是根据t时刻的位置信息与下一个时刻的位置信息来的，为了保证每个时刻都是在进行位置信息的更新，当t小于等于t+1时刻位置信息取1，大于则为0，首先需要赋一个初始值1；附加函数/>取值与权重系数原理相似，根据t时刻位置信息来判断的，y是t+1时刻的位置信息数据。考虑加入阶跃函数是对位置信息的加强，同时也不影响最终的取值效果。

本发明增加偏置状态函数是为了改进在第t次迭代中的第i只麻雀在第j维中的位置信息/>，使得其更加准确，权重系数/>和附加函数/>同样的也是为了改进在第t+1次迭代中的位置信息/>和/>，当随着迭代的进行位置信息也跟着快速的更替，为了解决这一问题，发明中直接引入偏置状态函数/>、权重系数/>和附加函数分别对不同的迭代次数所得到位置信息进行改进，一般的分别取偏置状态函数∈[0,1)，取值与x有关,由于权重系数/>的状态与上次迭代的位置信息/>有关，一般取1，附加函数/>与y有关，且/>∈[0,1]。

步骤7：基于SSA寻找的最佳超参数建立精确的神经网络模型，通过输入数据和输出数据对LSTM模型进行训练。

步骤8：完成训练后，实现对风车桥系统随机响应进行预测。

将输入数据输入到LSTM层进行预测，将轨道不平顺样本和风速样本/>输入到长短时记忆网络中，进行预测，具体计算公式如下所示：

（33）；

上式中，表示长短时记忆网络模型中的激励函数；w _mk 代表输入数据的信号和单个神经元k相连接的权重值；b _f 代表偏置值反映了神经元内部的状态；y ^l 表示神经元的输出第l层的预测值，/>为D _bu （x，t），L _bu （x，t），M _bu （x，t）特征输入数据，其中m表示为第m个特征输入数据。

3）实例分析

为了更好地验证和应用文中提出的优化算法，将SSA-LSTM应用于高速列车跨越斜拉桥的模型。研究采用8节车厢的列车组，基于随机风速和随机轨道不平度激励作用下的桥梁耦合模型进行。列车速度为200m/s，整个桥梁长度为640m。计算了5000个随机样本，以确保有足够数量的训练样本。本文以跨度组合为60+135+250+135+60m的双塔双索面桥为研究对象，主桥总长640米的双塔双索桥作为研究对象。主梁为单箱单室混凝土箱梁，结构阻尼比为2%，梁高为3.5米，梁宽为15米，斜拉索段设有横隔板。该桥的结构参数见表1。两种软件结合设计图纸进行建模，两者的动态特性相似，误差都在允许的范围内，如表2所示。车辆模型采用德国ICE高速列车模型，其具体参数见表3。

表1桥梁结构主要参数

。

表2桥梁自振特性验证

。

表3弹性悬挂车辆模型参数

风和轨道不规则度样本被用作SSA-LSTM模型的输入，数值解被用作训练样本。需要重新设置SSA的参数，现在样本数量明显增多，需要设置更大的种群规模，种群数量设置为20，迭代次数增加到50。为优化搜索设置了六个超参数，即LSTM隐藏单元L1和L2的数量、最大训练期epoch、BatchSize、InitialLearnRate和L2Regularization。通过SSA的连续搜索，通过20个种群的50次迭代，最终找到了六个超级参考的最佳值，如表4所示。为了更好地表现搜索过程，提取了每个迭代的适应性函数曲线，如图2所示。从图中可以看出，健身值在前五次迭代中大幅下降，在18次迭代后趋于稳定。因此，将迭代次数设置为18次对该模型是合适的，这也可以大大减少优化过程所消耗的时间。

表4模型的最佳超参数

。

将优化后的神经网络模型，用样本进行训练，为了直观地表达训练过程，绘制了训练的均方根误差（RMSE）和损失度曲线，验证了桥梁位移和加速度，以及车辆位移加速度响应的训练过程，如图3（a）和图3（b）所示。将RMSE和损失度曲线部分放大，可以看到，车辆响应和桥梁响应是不同的，车辆位移和加速度比较接近，桥梁加速度和位移比较接近。总的来说，训练中的桥梁和车辆响应与训练模型的曲线都很吻合，符合后续的预测要求。

训练好的模型，用于预测分析风车桥系统的响应，以预测的1500个样本为分析样本，分别统计其位移和加速度的标准偏差（SD），以方便观察预测样本的随机性，验证其预测的正确性，如图4（a）、图4（b）、图5（a）和图5（b）所示。在两个独立载荷的叠加下，WTB系统的标准偏差在跨度上有很大的变化。用数值解的结果与SSA-LSTM的预测结果进行了比较。由于车辆重力对耦合系统的垂直响应有很强的影响，因此车辆垂直加速度响应的一致性很好。两种方法计算的结果吻合度高，误差小，符合工程要求。

表5预测效率对比

。/>

响应和SD的比较表明，SSA-LSTM的预测精度更高。为了进一步证明预测结果的准确性和评估SSA-LSTM算法的效率，将车辆和桥梁的响应数据制成表格，结果见表5。对桥梁跨度位移和车辆垂直加速度的结果给予了更多的关注，因此统计了桥梁位移响应的平均值以及SD，以及车辆加速度的平均值和SD以及计算5000个样本的时间。以数值解的结果为基础进行比较，其中车辆加速度的预测误差最小，但其标准差的误差较大，说明风荷载对车辆响应的影响更为显著。值得肯定的是，SSA-LSTM在时间上比数值解有很大的改进，从189.614小时到81.124小时，改进了57.22%。

Claims (5)

1.基于SSA-LSTM算法的风车桥系统振动响应预测方法，其特征在于，包括以下步骤：

步骤1：通过商业有限元软件Ansys建立车辆模型和桥梁模型，根据解析解验证车辆模型的自振频率和桥梁模型自振频率，并根据计算得到的桥梁模型的自振频率及模态验证桥梁模型的正确性；

步骤2：通过风谱获得风速样本，利用三分力系数根据风速样本计算出风荷载；

步骤3：通过轨道谱采用三角级数法计算出轨道不平顺激励样本；

步骤4：将计算出来的风荷载与轨道不平顺激励样本，结合车辆模型和桥梁模型，通过纽马克法进行求解，得到风车桥响应随机样本；

步骤5：构建SSA-LSTM模型，SSA-LSTM模型包括两个模块SSA模块和LSTM模块，SSA模块用于寻找最佳超参数，LSTM模块用于完成风车桥随机响应的预测工作；根据实际建模需要确定LSTM模型中的建模参数，并确定建模参数合理的数值范围；

步骤6：将计算得到的风速样本和轨道不平顺激励样本作为输入数据，将计算得到风车桥响应随机样本作为输出数据，带入SSA-LSTM模型中寻找最佳超参数；

步骤7：基于SSA寻找的最佳超参数建立精确的神经网络模型，通过输入数据和输出数据对LSTM模型进行训练；

步骤8：完成训练后，实现对风车桥系统随机响应的预测。

2.根据权利要求1所述的基于SSA-LSTM算法的风车桥系统振动响应预测方法，其特征在于，所述步骤2中通过风谱获得风速样本，利用三分力系数根据风速样本计算出风荷载的计算公式如下：

（1）；

（2）；

（3）；

公式中，D _bu （x，t）、L _bu （x，t）和M _bu （x，t）分别代表结构在风中所受x位置t时刻的阻力荷载、升力荷载和扭力荷载；α为桥面与来流风的夹角，C _D 、C _L 和C _M 分别为结构截面的阻力系数、升力系数和扭力系数，和/>分别为阻力系数、升力系数和扭力系数的斜率；u（x，t）和w（x，t）分别表示x位置处横向和纵向的脉动风时程风速；γ ₁~γ ₆为时域空气动力导函数，B、U和/>分别为结构迎风面面积、平均风速和空气质量密度。

3.根据权利要求1所述的基于SSA-LSTM算法的风车桥系统振动响应预测方法，其特征在于，所述步骤5中，SSA-LSTM模型采用两层LSTM网络单元，将两层网络进行串联；需要被寻优的超参数有6个，包括：第一层的隐藏单元数量L1、第二层的隐藏单元数量为L2、模型的正则化参数L2Regularization、最大训练次数Max-epoch、模型的单元尺寸BatchSize和模型的初始学习率InitialLearnRate；输入数据和输出数据被送入LSTM层，并使用SSA搜索模型的超参数，利用SSA的反捕食机制选择最佳超级参数；当适配函数没有达到最优时，寻找超参数的过程继续进行，直到设定的迭代次数用完。

4.根据权利要求1所述的基于SSA-LSTM算法的风车桥系统振动响应预测方法，其特征在于，所述步骤6中对模型进行寻找最佳超参数具体为利用SSA寻找LSTM模型中的最佳超参数；

设置安全值A∈[0.5，1]，对于警示值Y∈[0,1]，即均值为0，标准差为1的一个随机数，有如下情况：

当警示值Y小于安全值A的时候，即Y＜A，麻雀发现天敌会立即报警，当警示值大于安全值时，发现者会带着加入者去其它安全区域进行觅食，麻雀的位置在不断的更新，具体如下：

（4）；

当警示值Y大于等于安全值A的时候，即Y≥A，麻雀的位置也在不断的更新，具体如下：

（5）；

公式中，和/>分别表示参数在第t次和第t+1次迭代中的第i只麻雀在j维中的位置信息，/>也表示第t+1迭代的位置信息，属于意识到危险的位置；/>为最优探索者的位置，上标表示迭代次数；α∈(0,1]是一个随机数；A ^＋表示一个1×d的矩阵，d为矩阵的维度，其中每个元素随机赋值为1或-1，并且A⁺=A^T(AA^T)^-1；N是服从正态分布的随机数；M表示一个1×d的矩阵，其中该矩阵内每个元素全部为1；n _max是一个常数，表示最大的迭代次数；和/>表示麻雀跟随参数在t次迭代的过程中第i只麻雀在j维中的偏置状态函数和附加函数，其随着取值不同有所变化；/>表示与麻雀位置信息相关的权重系数，exp为指数函数e；/>表示当前的全局最优位置；/>表示当前的全局最差位置；β作为步长控制参数，是服从均值为0，方差为1的正态分布的随机数；K∈[-1，1]是一个随机数；f _i 是当前麻雀个体的适应度值；f _w 是当前全局最差的适应度值；ε是最小的常数，以避免分母出现零；x为寻优参数；y为t+1时刻的位置信息数据；

偏置状态函数、权重系数/>和附加函数/>取值如下：

（6）；

（7）；

（8）。

5.根据权利要求2所述的基于SSA-LSTM算法的风车桥系统振动响应预测方法，其特征在于，所述步骤8中对风车桥系统响应的智能预测具体为：

通过卷积提取特征数据输入到LSTM层进行预测，将风速样本获得的特征数据值输入到长短时记忆网络中，进行标记和预测，具体计算公式如下所示：

（9）；

上式中，表示长短时记忆网络模型中的激励函数；w _mk 代表输入数据的信号和单个神经元k相连接的权重值；b _f 代表偏置值反映了神经元内部的状态；y ^l 表示神经元的输出第l层的预测值，/>为D _bu （x，t），L _bu （x，t），M _bu （x，t）特征输入数据，其中m表示为第m个特征输入数据。