CN117725792A - 基于时间序列和模型修正的建筑安全监测预警方法 - Google Patents
基于时间序列和模型修正的建筑安全监测预警方法 Download PDFInfo
- Publication number
- CN117725792A CN117725792A CN202311748232.0A CN202311748232A CN117725792A CN 117725792 A CN117725792 A CN 117725792A CN 202311748232 A CN202311748232 A CN 202311748232A CN 117725792 A CN117725792 A CN 117725792A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- early warning
- time sequence
- monitoring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012937 correction Methods 0.000 title claims abstract description 45
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000012806 monitoring device Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 238000009434 installation Methods 0.000 claims abstract description 4
- 238000005311 autocorrelation function Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000012986 modification Methods 0.000 claims description 7
- 230000004048 modification Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000013112 stability test Methods 0.000 claims description 4
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000002277 temperature effect Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 9
- 230000003902 lesion Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 230000004807 localization Effects 0.000 description 3
- 238000001278 Kwiatkowski–Phillips–Schmidt–Shin (KPSS) test Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001499740 Plantago alpina Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Alarm Systems (AREA)
Abstract
本发明公开了基于时间序列和模型修正的建筑安全监测预警方法,包括:监测数据预处理;针对不同的监测设备及安装位置构建不同的ARIMA时间序列模型,确定模型的各项参数,依据构建完毕的ARIMA模型预测结构未来短时时间序列数据,并用后续实测到的时间序列数据与之对比,若两者偏差超过预设范围,则进行第一次预警提醒;依据预警的监测设备的编号,对结构损伤位置进行初步判断,建立同尺寸的有限元模型,利用模型修正理论将计算值和实测值间的误差构造为目标函数,模拟结构的实际损伤,完成损伤定位分析,并进行第二次预警提醒;本发明的优点在于:能够避免温度效应对监测预警的影响,且能够确定结构发生损伤的位置。
Description
技术领域
本发明涉及土木工程中建筑结构监测领域,具体涉及基于时间序列和模型修正的建筑安全监测预警方法。
背景技术
我国是世界上每年新增建筑最多的国家,但由于建造年代久远、缺乏维修养护、自然灾害、房屋改扩建等因素导致危旧建筑逐年增多,近年来,全国各地多次发生楼房垮塌的事故,造成人员伤亡和财产损失。各项政策明确提出要通过数字化、智能化技术的手段,建立城市全生命周期管理,提高建筑结构的韧性水平,因此越来越多的建筑结构进行了风险监测。
针对大量监测数据,如何分析,如何预警,如何损伤定位是现阶段需要解决的问题。目前的监测预警是通过设置固定阈值进行超限分析,尚未考虑温度效应和非结构性随机事件对监测数据的波动影响,并且损伤识别往往考虑全局结构,尚未和报警设备的位置信息关联起来,其高效性有待提升,中国专利公开号CN116090347A公开了一种平稳荷载下历史建筑结构智能监测与预警系统,包括监测数据采集传输模块、监测数据预处理模块、监测模型建立与训练模块以及监测预警与处理模块。利用神经网络等人工智能方法,提出的一种基于智能时序神经网络的平稳荷载下历史建筑结构智能监测与预警系统,以代替人为设置阈值的监测预警方法,实现高效率、高精度、高水准的历史建筑结构智能实时监测与预警,可以补充并完善既有的历史建筑监测中人为设置极限阈值监测方法,改进并解决目前监测预警方法无法精细化挖掘历史建筑结构阈值范围内物理量实时变化中隐藏风险的问题。但是该专利申请无法避免温度效应对监测预警的影响,也无法确定结构发生损伤的位置。
发明内容
本发明所要解决的技术问题在于现有技术建筑结构监测与预警系统无法避免温度效应对监测预警的影响,也无法确定结构发生损伤的位置的问题。
本发明通过以下技术手段解决上述技术问题的:基于时间序列和模型修正的建筑安全监测预警方法,包括以下步骤:
S1:监测数据预处理;
S2:针对不同的监测设备及安装位置构建不同的ARIMA时间序列模型,确定模型的各项参数,依据构建完毕的ARIMA模型预测结构未来短时时间序列数据,并用后续实测到的时间序列数据与之对比,若两者偏差超过预设范围,则进行第一次预警提醒;
S3:依据预警的监测设备的编号,对结构损伤位置进行初步判断,建立同尺寸的有限元模型,利用模型修正理论将计算值和实测值间的误差构造为目标函数,通过折减构件的刚度,模拟结构的实际损伤,完成损伤定位分析,并进行第二次预警提醒。
进一步地,所述监测数据预处理的过程为:
S11:对预先安装在建筑结构上的n个监测设备进行编号;
S12:对各监测设备所在测点测到的时间序列数据进行缺失项检验,若数据存在缺失项则执行S13,否则执行S14;
S13:对数据的缺失项进行补齐,之后执行S14;
S14:对数据进行平稳性检验,若数据不平稳则执行S15,否则执行S2;
S15:对时间序列进行i阶差分运算,直至数据为平稳,之后执行S2。
更进一步地,所述S14包括:
采用KPSS检验数据平稳性,检验时间序列数据是否具有单位根,若没有单位根,则时间序列数据是平稳的,若有单位根,则时间序列数据不是平稳的。
进一步地,所述S2包括:
S21:确定ARIMA模型的阶数p,d,q,其中,p表示自回归的阶数,d表示差分的次数,q表示移动平均的阶数;
S22:构建ARIMA模型;
S23:对构建的ARIMA模型进行模型验证;
S24:ARIMA模型预测短期未来Tf个步长的时间序列数据;
S25:获取该测点实时监测到的实测时间序列Tm;
S26:将Tf和Tm进行误差分析,若两者偏差超过预设范围则怀疑结构存在损伤,发出第一次预警提醒且执行S3,否则返回执行S1,进行下一个时间段的预警分析。
更进一步地,所述S21包括:
结合自相关函数和偏自相关函数分析数据,观察自相关图,如果在p阶之后的自相关项急剧下降并在p阶之后不显著,则确定自回归的阶数p,观察偏自相关图,如果在q阶之后的偏自相关项急剧下降并在q阶之后不显著,则确定移动平均的阶数q;差分的次数d等于S15中对时间序列进行i阶差分运算的最终阶数。
更进一步地,所述S22包括:
通过公式构建ARIMA模型;
其中,为自相关系数多项式;K为滞后算子;/>为d阶后向差分;Xt为时间序列;t为期数;θ(K)为移动平均系数多项式;εt为第t期的残差项;
其中,与θ(K)表示为:
其中,θi分别为自相关系数和移动平均系数。
更进一步地,所述S23包括:
将原始信号与模型拟合信号做差构建残差信号,若残差信号为随机正态分布且无自相关性,则认为残差为白噪声信号,即时间序列数据的有效信息已被ARIMA模型学习到。
更进一步地,所述白噪声信号的检验过程为:绘制直方图判断残差信号是否符合正态分布,通过D-W检验分析残差信号的相关性,若残差信号为随机正态分布且无自相关性,则认为残差为白噪声信号。
进一步地,所述S3包括:
S31:建立建筑结构的同尺寸有限元数值模型;
S32:将第一次预警的监测设备的测点位置投影到有限元数值模型上,将其周边的构件定义为疑似损伤构件;
S33:结合结构的其他响应数据,基于有限元模型修正理论,将实测值与模型计算值的误差构造为目标函数,通过折减疑似损伤构件的刚度信息,模拟结构的实际损伤;
S34:通过优化算法的迭代计算,求得目标函数最优解,更新有限元模型的参数信息,建立有限元损伤模型;
S35:依据有限元损伤模型,进行荷载组合计算,将损伤信息和计算结果推送,进行第二次预警提醒,之后返回执行S1,进行下一个时间段的预警分析。
更进一步地,在所述步骤S33中,有限元模型修正理论的数学模型为:
其中,xi为模型修正的待修正参数;E为材料弹性模量;D为材料密度;G为材料刚度;Jfre为模型修正的目标函数;为修正参数下限;/>为修正参数上限。
本发明的优点在于:
(1)本发明基于ARIMA模型可以有效的获取时间序列数据信息进而用来预测短期未来趋势,通过比对实测数据,可以做到实时监测预警,因而能够根据不同的结构类型,构建不同的模型,设置不同的动态阈值,从而最大程度的避免温度效应对监测预警的影响,另外,结合模型修正理论,能够直观的展示出结构损伤部位,有利于解决建筑安全监测的损伤判断和损伤定位问题。
(2)本发明将预警信息转为可视化的损伤信息,进而融合模型修正理论建立建筑损伤模型。对比初始的设计模型,本发明建立的损伤模型可以更加贴近真实结构,对损伤模型开展场景分析将更科学、具体。
附图说明
图1为本发明实施例所公开的基于时间序列和模型修正的建筑安全监测预警方法的流程图;
图2为本发明实施例所公开的基于时间序列和模型修正的建筑安全监测预警方法的算法原理图;
图3为本发明实施例所公开的基于时间序列和模型修正的建筑安全监测预警方法中历史监测数据示意图;
图4为本发明实施例所公开的基于时间序列和模型修正的建筑安全监测预警方法中一阶差分数据示意图;
图5为本发明实施例所公开的基于时间序列和模型修正的建筑安全监测预警方法中自相关与偏自相关图;其中,图5(a)为自相关图,图5(b)为偏自相关图;
图6为本发明实施例所公开的基于时间序列和模型修正的建筑安全监测预警方法中残差检验示意图;其中,图6(a)为残差信号示意图,图6(b)为残差信号的直方图,图6(c)为ACF图,图6(d)为PACF图;
图7为本发明实施例所公开的基于时间序列和模型修正的建筑安全监测预警方法中ARIMA模型预测数据与实测数据对比图;
图8为本发明实施例所公开的基于时间序列和模型修正的建筑安全监测预警方法中有限元模型图;
图9为本发明实施例所公开的基于时间序列和模型修正的建筑安全监测预警方法中不同工况下的自振频率对比图。
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,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。
如图1所示,本发明提供基于时间序列和模型修正的建筑安全监测预警方法,包括以下步骤:
S1:监测数据预处理
对预先安装在建筑结构上的n个监测设备进行编号(n=1,2,3...),通过实时监测获取监测设备在历史时间段内的t个时间序列数据,进一步采用平稳性检验判断历史监测数据是否平稳,若不平稳则采用多阶差分使时间序列数据平稳,得到d阶差分下的t-d个时间序列数据,定义为d阶差分数据。
详细的监测数据预处理的过程为:
S11:对预先安装在建筑结构上的n个监测设备进行编号(n=1,2,3...);
S12:对各监测设备所在测点测到的时间序列数据进行缺失项检验,若数据存在缺失项则执行S13,否则执行S14;
S13:对数据的缺失项进行补齐,之后执行S14;
S14:对数据进行平稳性检验,若数据不平稳则执行S15,否则执行S2;
平稳性检验主要是采用KPSS(Kwiatkowski-Phillips-Schmidt-Shin)检验数据平稳性,检验时间序列数据是否具有单位根,若没有单位根,则时间序列数据是平稳的,若有单位根,则时间序列数据不是平稳的。具体的,KPSS是现有技术,其基本的数学逻辑是:假设0:时间序列是平稳的,因为没有单位根(if p>0.05);假设1:时间序列不是平稳的,因为有一个单位根(if p≤0.05);若不能拒绝KPSS检验的零假设,则时间序列是平稳的。
S15:对时间序列进行i阶差分运算,直至数据为平稳,之后执行S2。
S2:基于时间序列的损伤判断
针对不同的监测设备及安装位置构建不同的差分自回归移动平均(AutoRegression Integreate Moving Average,ARIMA)模型,确定模型的各项参数,并判断所定模型参数的合理性。进而依据构建完毕的ARIMA模型预测结构未来短时时间序列数据,并用后续实测到的时间序列数据与之对比,若两者偏差超过预设范围,则进行第一次预警提醒,并开展建筑结构损伤定位专项分析。
详细的损伤判断过程为:
S21:确定ARIMA模型的阶数p,d,q,其中,p表示自回归的阶数,d表示差分的次数,q表示移动平均的阶数;
模型定阶具体分析过程如下:结合自相关函数(Autocorrelation Function,ACF)和偏自相关函数(Partial Autocorrelation Function,PACF)分析数据的截尾性或拖尾性,进而确定自回归(Auto Regression,AR)模型的阶数p和移动平均(Moving Average,MA)模型的阶数q:
AR(p)模型:自相关拖尾,偏自相关截尾;
MA(q)模型:自相关截尾,偏自相关拖尾;
ARIMA(p,i,q):自相关拖尾,偏自相关截尾。
除上述判断外,还可采用赤池信息量准则(Akaike Information Criterion,AIC)以及贝叶斯信息量准则(Bayesian Information Criterion,BIC)权衡所估计模型的复杂度和此模型拟合数据的优良性。
本实施例中,结合自相关函数和偏自相关函数分析数据,观察自相关图,如果在p阶之后的自相关项急剧下降并在p阶之后不显著,则确定自回归的阶数p,观察偏自相关图,如果在q阶之后的偏自相关项急剧下降并在q阶之后不显著,则确定移动平均的阶数q;差分的次数d等于S15中对时间序列进行i阶差分运算的最终阶数。
S22:构建ARIMA模型;
ARIMA模型如下:
其中,K为滞后算子;为d阶后向差分;Xt为时间序列;t为期数;εt为第t期的残差项;/>为自相关系数多项式,θ(K)为移动平均系数多项式,/>与θ(K)具体表达式如下:
其中,θi分别为自相关系数和移动平均系数。
S23:对构建的ARIMA模型进行模型验证;
模型验证的具体过程为:将原始信号与模型拟合信号做差构建残差信号,若残差信号为随机正态分布且无自相关性,则认为残差为白噪声信号,即时间序列数据的有效信息已被ARIMA模型学习到。所述白噪声信号的检验过程为:绘制直方图判断残差信号是否符合正态分布,通过D-W检验分析残差信号的相关性,若残差信号为随机正态分布且无自相关性,则认为残差为白噪声信号。
S24:ARIMA模型预测短期未来Tf个步长的时间序列数据;
S25:获取该测点实时监测到的实测时间序列Tm;
S26:将Tf和Tm进行误差分析,若两者偏差超过预设范围则怀疑结构存在损伤,发出第一次预警提醒且执行S3,否则返回执行S1,进行下一个时间段的预警分析。
S3:基于模型修正的损伤定位
依据预警设备的编号,对结构损伤位置进行初步判断。建立同尺寸的有限元模型,利用模型修正理论将计算值和实测值间的误差构造为目标函数,通过折减构件的刚度,模拟结构的实际损伤,以此完成损伤定位专项分析,并进行第二次预警提醒。
基于模型修正的损伤定位的详细过程如下:
S31:建立建筑结构的同尺寸有限元数值模型;
S32:将第一次预警的监测设备的测点位置投影到有限元数值模型上,将其周边的构件定义为疑似损伤构件;
S33:结合结构的其他响应数据,基于有限元模型修正理论,将实测值与模型计算值的误差构造为目标函数,通过折减疑似损伤构件的刚度信息,模拟结构的实际损伤;
其中,有限元模型修正理论的数学模型为:
其中,xi为模型修正的待修正参数;E为材料弹性模量;D为材料密度;G为材料刚度;Jfre为模型修正的目标函数;为修正参数下限;/>为修正参数上限。
S34:通过优化算法的迭代计算,求得目标函数最优解,更新有限元模型的参数信息,建立有限元损伤模型;
S35:依据有限元损伤模型,进行荷载组合计算,将损伤信息和计算结果推送,进行第二次预警提醒,之后返回执行S1,进行下一个时间段的预警分析。
以下给出一个在实际应用中的仿真实例,以验证本发明的效果。
本实施例选取某测点在2023年5月1日0时到31日0时的挠度的监测数据进行分析和验证,因原数据采集频率较高,数据量庞大,先对原数据进行稀疏化,取每1小时的数据进行分析,此外,取2023年5月31日1时到10时的实时监测数据作为验证。依据图1流程图和图2具体步骤图对实施例进行验证。
一、监测数据预处理
1、首先对预先安装在实施例的监测点位进行编号;
2、获取某一测点时域数据,如图3所示,进一步分析时间序列数据无缺失项;
3、通过KPSS检验数据平稳性,得到结果KPSS=1,因此为非平稳信号;
4、进一步对数据进行一阶差分,如图4所示,再次通过KPSS检验发现一阶差分下KPSS=0,故一阶差分数据为平稳信号,故模型参数d=1。
二、基于时间序列的损伤判断
1、绘制上述一阶差分数据的ACF(自相关)和PACF(偏自相关)图,如图5(a)和图5(b)所示,分析可知模型参数p和q无法快速确定,进一步采用AIC和BIC准则帮助确定模型阶数,准则输出p=5、q=3。
2、依据上述结果,初步构建ARIMA(5,1,3)模型,具体是,P=5,d=1,q=3。
3、将数据导入模型中进行拟合,输出残差信号,如图6(a)所示,绘制残差信号的直方图、ACF图、PACF图,如图6(b)、图6(c)、图6(d)所示,检验结果可以证明,残差接近正态分布且无自相关性,可认为ARIMA建模符合要求。
4、基于所建立的ARIMA(5,1,3)模型对未来10个步长进行短期未来预测,定义为Tf。
5、获取2023年5月31日1时到10时共10个步长的实时监测数据,定义为Tm。
6、对比预测的Tf和实测的Tm数据,分析两者偏差,如图7所示。实施例在现实情况中暂时未出现明显的结构损伤,分析图7可知,ARIMA预测的短期未来数据和实时监测的数据贴合程度高,偏差较小,因此可以认为基于ARIMA模型有学习到结构的特性信息,基于ARIMA模型进行实时动态监测预警是可行的,若结构在某一突发事件下发生了结构损伤,实时监测数据必会偏离所预测的趋势,届时将会发出第一次预警提醒。
三、基于模型修正的损伤定位
1、依据设计图纸建立建筑结构的有限元模型,如图8所示;
2、假设步骤二中1#测点的预测数据和实时监测数据偏差较大,届时1#测点设备发出第一次预警提醒,此时将对建筑结构开展损伤定位专项分析;
3、对1#测点所在构件的弹性模量进行折减,模拟构件损伤导致的刚度下降。并采用多重Ritz向量法求解结构特征值,进一步将折减前和折减后的前三阶自振频率误差定义为目标函数,如图9所示;
4、选择使用优化算法,对目标函数最小化寻优,当迭代完毕后,输出此时的有限元模型参数,更新损伤模型;
5、基于损伤场景对损伤模型进行最不利荷载演算,输出结果和第二次预警提醒,完成损伤定位分析。
通过以上技术方案,本发明基于ARIMA模型可以有效的获取时间序列数据信息进而用来预测短期未来趋势,通过比对实测数据,可以做到实时监测预警。对比现有的固定阈值预警方法,本发明方法可以根据不同的结构类型,构建不同的模型,设置不同的动态阈值,最大程度的避免温度效应对监测预警的影响。另外,本发明将预警信息转为可视化的损伤信息,进而融合模型修正理论建立建筑损伤模型。对比初始的设计模型,本发明建立的损伤模型可以更加贴近真实结构,对损伤模型开展场景分析将更科学、具体。其次,本发明提出的方法,可以实时预测短期未来数据,进而设置监测预警的动态阈值;结合模型修正理论,能够直观的展示出结构损伤部位,有利于解决建筑安全监测的损伤判断和损伤定位问题。
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 (10)
1.基于时间序列和模型修正的建筑安全监测预警方法,其特征在于,包括以下步骤:
S1:监测数据预处理;
S2:针对不同的监测设备及安装位置构建不同的ARIMA时间序列模型,确定模型的各项参数,依据构建完毕的ARIMA模型预测结构未来短时时间序列数据,并用后续实测到的时间序列数据与之对比,若两者偏差超过预设范围,则进行第一次预警提醒;
S3:依据预警的监测设备的编号,对结构损伤位置进行初步判断,建立同尺寸的有限元模型,利用模型修正理论将计算值和实测值间的误差构造为目标函数,通过折减构件的刚度,模拟结构的实际损伤,完成损伤定位分析,并进行第二次预警提醒。
2.根据权利要求1所述的基于时间序列和模型修正的建筑安全监测预警方法,其特征在于,所述监测数据预处理的过程为:
S11:对预先安装在建筑结构上的n个监测设备进行编号;
S12:对各监测设备所在测点测到的时间序列数据进行缺失项检验,若数据存在缺失项则执行S13,否则执行S14;
S13:对数据的缺失项进行补齐,之后执行S14;
S14:对数据进行平稳性检验,若数据不平稳则执行S15,否则执行S2;
S15:对时间序列进行i阶差分运算,直至数据为平稳,之后执行S2。
3.根据权利要求2所述的基于时间序列和模型修正的建筑安全监测预警方法,其特征在于,所述S14包括:
采用KPSS检验数据平稳性,检验时间序列数据是否具有单位根,若没有单位根,则时间序列数据是平稳的,若有单位根,则时间序列数据不是平稳的。
4.根据权利要求1所述的基于时间序列和模型修正的建筑安全监测预警方法,其特征在于,所述S2包括:
S21:确定ARIMA模型的阶数p,d,q,其中,p表示自回归的阶数,d表示差分的次数,q表示移动平均的阶数;
S22:构建ARIMA模型;
S23:对构建的ARIMA模型进行模型验证;
S24:ARIMA模型预测短期未来Tf个步长的时间序列数据;
S25:获取该测点实时监测到的实测时间序列Tm;
S26:将Tf和Tm进行误差分析,若两者偏差超过预设范围则怀疑结构存在损伤,发出第一次预警提醒且执行S3,否则返回执行S1,进行下一个时间段的预警分析。
5.根据权利要求4所述的基于时间序列和模型修正的建筑安全监测预警方法,其特征在于,所述S21包括:
结合自相关函数和偏自相关函数分析数据,观察自相关图,如果在p阶之后的自相关项急剧下降并在p阶之后不显著,则确定自回归的阶数p,观察偏自相关图,如果在q阶之后的偏自相关项急剧下降并在q阶之后不显著,则确定移动平均的阶数q;差分的次数d等于S15中对时间序列进行i阶差分运算的最终阶数。
6.根据权利要求4所述的基于时间序列和模型修正的建筑安全监测预警方法,其特征在于,所述S22包括:
通过公式构建ARIMA模型;
其中,为自相关系数多项式;K为滞后算子;/>为d阶后向差分;Xt为时间序列;t为期数;θ(K)为移动平均系数多项式;εt为第t期的残差项;
其中,与θ(K)表示为:
θ(K)=1+θ1K+θ2K2+…+θpKp
其中,θi分别为自相关系数和移动平均系数。
7.根据权利要求4所述的基于时间序列和模型修正的建筑安全监测预警方法,其特征在于,所述S23包括:
将原始信号与模型拟合信号做差构建残差信号,若残差信号为随机正态分布且无自相关性,则认为残差为白噪声信号,即时间序列数据的有效信息已被ARIMA模型学习到。
8.根据权利要求7所述的基于时间序列和模型修正的建筑安全监测预警方法,其特征在于,所述白噪声信号的检验过程为:绘制直方图判断残差信号是否符合正态分布,通过D-W检验分析残差信号的相关性,若残差信号为随机正态分布且无自相关性,则认为残差为白噪声信号。
9.根据权利要求1所述的基于时间序列和模型修正的建筑安全监测预警方法,其特征在于,所述S3包括:
S31:建立建筑结构的同尺寸有限元数值模型;
S32:将第一次预警的监测设备的测点位置投影到有限元数值模型上,将其周边的构件定义为疑似损伤构件;
S33:结合结构的其他响应数据,基于有限元模型修正理论,将实测值与模型计算值的误差构造为目标函数,通过折减疑似损伤构件的刚度信息,模拟结构的实际损伤;
S34:通过优化算法的迭代计算,求得目标函数最优解,更新有限元模型的参数信息,建立有限元损伤模型;
S35:依据有限元损伤模型,进行荷载组合计算,将损伤信息和计算结果推送,进行第二次预警提醒,之后返回执行S1,进行下一个时间段的预警分析。
10.根据权利要求9所述的基于时间序列和模型修正的建筑安全监测预警方法,其特征在于,在所述S33中,有限元模型修正理论的数学模型为:
其中,xi为模型修正的待修正参数;E为材料弹性模量;D为材料密度;G为材料刚度;Jfre为模型修正的目标函数;为修正参数下限;/>为修正参数上限。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311748232.0A CN117725792A (zh) | 2023-12-18 | 2023-12-18 | 基于时间序列和模型修正的建筑安全监测预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311748232.0A CN117725792A (zh) | 2023-12-18 | 2023-12-18 | 基于时间序列和模型修正的建筑安全监测预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117725792A true CN117725792A (zh) | 2024-03-19 |
Family
ID=90199480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311748232.0A Pending CN117725792A (zh) | 2023-12-18 | 2023-12-18 | 基于时间序列和模型修正的建筑安全监测预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117725792A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118090078A (zh) * | 2024-04-19 | 2024-05-28 | 山东艾克索仑电气有限公司 | 一种闭式循环水冷系统渗漏在线监测方法 |
-
2023
- 2023-12-18 CN CN202311748232.0A patent/CN117725792A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118090078A (zh) * | 2024-04-19 | 2024-05-28 | 山东艾克索仑电气有限公司 | 一种闭式循环水冷系统渗漏在线监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10521490B2 (en) | Equipment maintenance management system and equipment maintenance management method | |
CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
CN109325692B (zh) | 水管网的数据实时分析方法及装置 | |
CN107622308B (zh) | 一种基于dbn网络的发电设备参数预警方法 | |
CN117725792A (zh) | 基于时间序列和模型修正的建筑安全监测预警方法 | |
CN109255517B (zh) | 风控策略的生成方法、装置、服务器及可读存储介质 | |
CN113240211B (zh) | 废水排放预测方法、装置、计算机设备和存储介质 | |
CN109598052B (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
CN114066262A (zh) | 一种电网调度后评估异常指标溯因推理方法、系统、装置及存储介质 | |
CN116163807A (zh) | 一种基于arima模型的隧道健康监测异常数据动态预警方法 | |
CN116451514A (zh) | 桥梁结构状态评估方法、装置以及电子设备 | |
CN112183906A (zh) | 一种基于多模型组合模型的机房环境预测方法及系统 | |
CN109543894B (zh) | 一种核电站松脱部件事前预测系统及预测方法 | |
CN116823067B (zh) | 管网水质清污状态的确定方法、装置及电子设备 | |
CN112128950A (zh) | 一种基于多种模型对比的机房温湿度预测方法及系统 | |
Zhang et al. | A verification methodology for prognostic algorithms | |
KR102110319B1 (ko) | 학습 데이터 생성 시스템 | |
CN116049958A (zh) | 历史建筑结构监测数据异常诊断与修复系统 | |
CN116664098A (zh) | 一种光伏电站的异常检测方法及系统 | |
CN114462309B (zh) | 一种物理仿真模型训练方法、装置、设备和存储介质 | |
Qu et al. | Outlier Detection and Forecasting for Bridge Health Monitoring Based on Time Series Intervention Analysis. | |
CN114408694A (zh) | 一种电梯故障预测系统及其预测方法 | |
Marsili et al. | Bayesian approaches to lifetime prediction | |
CN117808157B (zh) | 基于智能识别的未报备停电行为预测分析系统 | |
CN113282988B (zh) | 一种大跨度桥梁上部结构状态评估方法及系统 |
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 |