一种结合相关性分析和神经网络的桥梁挠度异常检测方法

技术领域

本发明属于桥梁监测数据处理技术领域，具体涉及一种结合相关性分析和神经网络的桥梁挠度异常检测方法。

背景技术

异常监测数据是桥梁结构监测系统(Structure Health Monitoring System，SHMS)在实际使用过程中存在的主要问题。通常，SHMS采集的监测信息格式复杂且信息量大，如果不能有效地对这些数据进行处理，异常数据将不能被有效地检测，缺失信息将不能被有效地修复。而监测数据的分析必须建立在准确有效的监测数据之上，异常监测数据将影响SHMS对桥梁结构评估分析的结果，为桥梁的养护维修提供错误决策，造成不必要的经济损失。

SHMS传感器测量的结构响应是荷载作用结果，监测数据在时间、空间和类别上存在着明显的相关性，目前对监测数据间的相关性分析来实现对异常数据的检测。这种方法计算效率高，能满足SHMS实时性地要求。但是，仅基于时间序列间的相关程度无法精确定位异常数据出现的位置也无法对异常数据进行修复。

因此，现如今缺少一种结合相关性分析与径向基函数神经网络的桥梁挠度异常检测方法，以解决桥梁待检测挠度传感器异常数据准确定位与修复的问题，提升桥梁结构监测系统对挠度异常数据的检测能力。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种结合相关性分析和神经网络的桥梁挠度异常检测方法，其方法步骤简单、设计合理，以解决桥梁待检测挠度传感器异常数据准确定位与修复的问题，提升桥梁结构监测系统对挠度异常数据的检测能力。

为解决上述技术问题，本发明采用的技术方案是：一种结合相关性分析和神经网络的桥梁挠度异常检测方法，其特征在于，该方法包括以下步骤：

步骤一、在预应力混凝土连续梁桥上设置监测传感器；其中，所述监测传感器包括待检测挠度传感器及K种传感器；

步骤二、获取正常监测归一化序列：

在预应力混凝土连续梁桥结构状态正常且监测传感器正常工作过程中，获取正常监测序列，并将正常监测序列进行归一化处理，得到正常监测归一化序列；其中，将待检测挠度传感器获取的正常监测序列记作挠度正常监测序列，将第k种传感器获取的正常监测序列记作第k种传感器正常监测序列；

将待检测挠度传感器获取的正常监测归一化序列记作挠度正常监测归一化序列，将第k种传感器获取的正常监测归一化序列记作第k种传感器正常监测归一化序列；其中，k和K均为正整数，且1≤k≤K；

步骤三、获取与其它传感器强关联的挠度监测异常特征指标：

对挠度正常监测归一化序列和K种传感器正常监测归一化序列分别进行分段相关性分析，获取与R个传感器强关联的挠度监测异常特征指标；其中，与第r种传感器强关联的挠度监测异常特征指标记作

步骤四、获取挠度测试序列：

步骤401、从挠度正常监测序列中选择一个序列作为挠度待测试序列，将挠度待测试序列经过第e个传感器故障模拟，得到第e个异常挠度监测序列，并将挠度测试序列和第e个异常挠度监测序列记作挠度测试序列；其中，e为正整数；

将R个传感器对应的正常监测序列中记作R个强关联传感器测试序列；

步骤五、判断挠度测试序列是否异常：

对挠度测试序列和R个强关联传感器测试序列分别进行归一化和相关性分析，并根据与R个传感器强关联的挠度监测异常特征指标，判断挠度测试序列是否异常，如果挠度测试序列异常，执行步骤六；

步骤六、对R个强关联传感器测试序列进行判断，如果预应力混凝土连续梁桥结构状态异常，报警提醒；如果待检测挠度传感器故障，执行步骤七；

步骤七、基于径向基函数神经网络对异常的挠度测试序列进行修复，获取修复后的挠度序列。

上述的一种结合相关性分析和神经网络的桥梁挠度异常检测方法，其特征在于：步骤二中挠度正常监测归一化序列和第k种传感器正常监测归一化序列，具体获取过程如下：

步骤201、第k种传感器按照预先设定的采样间隔对预应力混凝土梁桥进行监测，获取第k种传感器监测到的时间序列，并记作第k种传感器正常监测序列

步骤202、待检测挠度传感器按照预先设定的采样间隔对预应力混凝土梁桥进行监测，并获取待检测挠度传感器监测到的时间序列，并记作挠度正常监测序列Z

步骤203、对第k种传感器正常监测序列

对挠度正常监测序列Z

上述的一种结合相关性分析和神经网络的桥梁挠度异常检测方法，其特征在于：步骤三中挠度正常监测归一化序列和K种传感器正常监测归一化序列分别进行分段相关性分析，具体过程如下：

步骤301、将第k种传感器正常监测归一化序列X

步骤302、按照步骤301所述的方法，将挠度正常监测归一化序列Z进行分段处理，得到L个正常监测挠度子序列；其中，第l个正常监测挠度子序列记作Z(l)；

步骤303、获取X

步骤304、多次重复步骤303，得到X

步骤305、对L个子序列对应的

步骤306、将

步骤307、将步骤305中获取的均值和方差根据3σ原则计算，得到与第r种强关联传感器相关的挠度监测异常特征指标

上述的一种结合相关性分析和神经网络的桥梁挠度异常检测方法，其特征在于：步骤五中判断挠度测试序列是否异常，具体过程如下：

步骤501、将第t个挠度测试序列和R个强关联传感器测试序列分别进行归一化处理，并将第t个挠度测试归一化序列记作Z′

步骤502、将Z

步骤502、对第t个挠度测试序列中第l个测试子序列，获取Z

步骤503、将

步骤504、多次重复步骤503，通过与R个传感器强关联的挠度监测异常特征指标对挠度测试序列进行判断，得到相关系数异常的总数Y

步骤505、如果Y

步骤506、按照步骤502至步骤505所述的方法，完成第t个挠度测试序列中第L个测试子序列的判断，并获取第t个挠度测试序列中的多个挠度正常子序列和挠度异常子序列。

上述的一种结合相关性分析和神经网络的桥梁挠度异常检测方法，其特征在于：步骤六中对R个强关联传感器测试序列进行判断，具体过程如下：

步骤601、将第r种强关联传感器测试归一化序列和第g种强关联传感器测试归一化序列进行皮尔逊相关系数计算，生成强关联测试序列相关性矩阵COR

步骤602、对第r种强相关正常监测归一化序列中第l个子序列和第g种强相关正常监测归一化序列中第l个子序列皮尔逊相关系数计算，生成正常序列相关性矩阵COR

步骤603、根据公式

步骤604、将强关联测试序列相关性矩阵COR

上述的一种结合相关性分析和神经网络的桥梁挠度异常检测方法，其特征在于：步骤七中对异常的挠度测试序列进行修复，获取修复后的挠度序列，具体过程如下：

步骤701、从步骤506中获取的第t个挠度测试序列中的多个挠度正常子序列选择I个挠度正常子序列作为I个正常训练子序列；其中，I为不小于4的正整数；

将与第i个挠度正常子序列对应的R个强关联传感器测试子序列记作第i个R种强关联传感器正常训练子序列；其中，1≤i≤I；

步骤702、构建径向基函数神经网络预测模型；

步骤703、将R种强关联传感器正常训练子序列作为输入层，正常训练子序列作为输出层，输入径向基函数神经网络预测模型进行训练，直至完成I个正常训练子序列的训练，得到训练好的径向基函数神经网络预测模型；

步骤704、将第i个正常训练子序列输入训练好的径向基函数神经网络预测模型，得到第i个挠度预测子序列

步骤705、将第i个正常训练子序列记作

步骤706、多次重复步骤704至步骤705，直至得到第I个正常训练子序列中各个训练误差，并对所有训练误差进行统计分析，得到误差均值μ

步骤707、将第t个挠度测试序列中第i′个挠度异常子序列输入训练好的径向基函数神经网络预测模型，得到第i′个挠度异常预测子序列

步骤708、将第i′个挠度异常子序列记作

步骤709、将第h

步骤70A、多次重复步骤708和步骤709，完成各个挠度异常子序列的修复，从而得到修复后的挠度序列。

本发明与现有技术相比具有以下优点：

1、本发明方法步骤简单，设计合理，解决桥梁待检测挠度传感器异常数据准确定位与修复的问题，提升桥梁结构监测系统对异常数据的检测能力。

2、本发明通过正常监测归一化序列，基于时间序列间的相关性分析，获取与R个传感器强关联的挠度监测异常特征指标，便于后续对预应力混凝土连续梁桥结构状态异常和待检测挠度传感器故障进行分辨。

3、本发明通过挠度正常监测序列中选择挠度待测试序列，基于序列数据间的相关性分析可以确定挠度正常子序列所在位置，并作为RBF神经网络模型的训练集，克服模型训练集选取的主观性。

4、本发明基于径向基函数神经网络可以对异常的挠度测试序列中异常数据出现的采样时刻位置进行准确的定位并进行修复，完成各个挠度异常子序列的修复，从而得到修复后的挠度序列，便于提高后续桥梁结构监测系统对挠度异常数据的检测能力。

综上所述，本发明方法步骤简单、设计合理，以解决桥梁待检测挠度传感器异常数据准确定位与修复的问题，提升桥梁结构监测系统对异常数据的检测能力。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明的方法流程框图。

具体实施方式

如图1所示，本发明包括以下步骤：

步骤一、在预应力混凝土连续梁桥上设置监测传感器；其中，所述监测传感器包括待检测挠度传感器及K种传感器；

步骤二、获取正常监测归一化序列：

在预应力混凝土连续梁桥结构状态正常且监测传感器正常工作过程中，获取正常监测序列，并将正常监测序列进行归一化处理，得到正常监测归一化序列；其中，将待检测挠度传感器获取的正常监测序列记作挠度正常监测序列，将第k种传感器获取的正常监测序列记作第k种传感器正常监测序列；

将待检测挠度传感器获取的正常监测归一化序列记作挠度正常监测归一化序列，将第k种传感器获取的正常监测归一化序列记作第k种传感器正常监测归一化序列；其中，k和K均为正整数，且1≤k≤K；

步骤三、获取与其它传感器强关联的挠度监测异常特征指标：

对挠度正常监测归一化序列和K种传感器正常监测归一化序列分别进行分段相关性分析，获取与R个传感器强关联的挠度监测异常特征指标；其中，与第r种传感器强关联的挠度监测异常特征指标记作

步骤四、获取挠度测试序列：

步骤401、从挠度正常监测序列中选择一个序列作为挠度待测试序列，将挠度待测试序列经过第e个传感器故障模拟，得到第e个异常挠度监测序列，并将挠度测试序列和第e个异常挠度监测序列记作挠度测试序列；其中，e为正整数；

将R个传感器对应的正常监测序列中记作R个强关联传感器测试序列；

步骤五、判断挠度测试序列是否异常：

对挠度测试序列和R个强关联传感器测试序列分别进行归一化和相关性分析，并根据与R个传感器强关联的挠度监测异常特征指标，判断挠度测试序列是否异常，如果挠度测试序列异常，执行步骤六；

步骤六、对R个强关联传感器测试序列进行判断，如果预应力混凝土连续梁桥结构状态异常，报警提醒；如果待检测挠度传感器故障，执行步骤七；

步骤七、基于径向基函数神经网络对异常的挠度测试序列进行修复，获取修复后的挠度序列。

本实施例中，步骤二中挠度正常监测归一化序列和第k种传感器正常监测归一化序列，具体获取过程如下：

步骤201、第k种传感器按照预先设定的采样间隔对预应力混凝土梁桥进行监测，获取第k种传感器监测到的时间序列，并记作第k种传感器正常监测序列

步骤202、待检测挠度传感器按照预先设定的采样间隔对预应力混凝土梁桥进行监测，并获取待检测挠度传感器监测到的时间序列，并记作挠度正常监测序列Z

步骤203、对第k种传感器正常监测序列

对挠度正常监测序列Z

本实施例中，步骤三中挠度正常监测归一化序列和K种传感器正常监测归一化序列分别进行分段相关性分析，具体过程如下：

步骤301、将第k种传感器正常监测归一化序列X

步骤302、按照步骤301所述的方法，将挠度正常监测归一化序列Z进行分段处理，得到L个正常监测挠度子序列；其中，第l个正常监测挠度子序列记作Z(l)；

步骤303、获取X

步骤304、多次重复步骤303，得到X

步骤305、对L个子序列对应的

步骤306、将

步骤307、将步骤305中获取的均值和方差根据3σ原则计算，得到与第r种强关联传感器相关的挠度监测异常特征指标

本实施例中，步骤五中判断挠度测试序列是否异常，具体过程如下：

步骤501、将第t个挠度测试序列和R个强关联传感器测试序列分别进行归一化处理，并将第t个挠度测试归一化序列记作Z

步骤502、将Z

步骤502、对第t个挠度测试序列中第l个测试子序列，获取Z

步骤503、将

步骤504、多次重复步骤503，通过与R个传感器强关联的挠度监测异常特征指标对挠度测试序列进行判断，得到相关系数异常的总数Y

步骤505、如果Y

步骤506、按照步骤502至步骤505所述的方法，完成第t个挠度测试序列中第L个测试子序列的判断，并获取第t个挠度测试序列中的多个挠度正常子序列和挠度异常子序列。

本实施例中，步骤六中对R个强关联传感器测试序列进行判断，具体过程如下：

步骤601、将第r种强关联传感器测试归一化序列和第g种强关联传感器测试归一化序列进行皮尔逊相关系数计算，生成强关联测试序列相关性矩阵COR

步骤602、对第r种强相关正常监测归一化序列中第l个子序列和第g种强相关正常监测归一化序列中第l个子序列皮尔逊相关系数计算，生成正常序列相关性矩阵COR

步骤603、根据公式

步骤604、将强关联测试序列相关性矩阵COR

本实施例中，步骤七中对异常的挠度测试序列进行修复，获取修复后的挠度序列，具体过程如下：

步骤701、从步骤506中获取的第t个挠度测试序列中的多个挠度正常子序列选择I个挠度正常子序列作为I个正常训练子序列；其中，I为不小于4的正整数；

将与第i个挠度正常子序列对应的R个强关联传感器测试子序列记作第i个R种强关联传感器正常训练子序列；其中，1≤i≤I；

步骤702、构建径向基函数神经网络预测模型；

步骤703、将R种强关联传感器正常训练子序列作为输入层，正常训练子序列作为输出层，输入径向基函数神经网络预测模型进行训练，直至完成I个正常训练子序列的训练，得到训练好的径向基函数神经网络预测模型；

步骤704、将第i个正常训练子序列输入训练好的径向基函数神经网络预测模型，得到第i个挠度预测子序列

步骤705、将第i个正常训练子序列记作

步骤706、多次重复步骤704至步骤705，直至得到第I个正常训练子序列中各个训练误差，并对所有训练误差进行统计分析，得到误差均值μ

步骤707、将第t个挠度测试序列中第i′个挠度异常子序列输入训练好的径向基函数神经网络预测模型，得到第i′个挠度异常预测子序列

步骤708、将第i′个挠度异常子序列记作

步骤709、将第h

步骤70A、多次重复步骤708和步骤709，完成各个挠度异常子序列的修复，从而得到修复后的挠度序列。

本实施例中，预先设定的采样间隔为1小时。

本实施例中，预应力混凝土连续梁桥为某跨度为(65+100+65)m的变截面预应力混凝土连续梁桥，设置的监测传感器，如表1所示。

表1传感器配置表

本实施例中，需要说明的是，K种传感器还可以为对桥梁的变形、应力、应变、裂缝宽度与深度、支座反力以及桥梁所处的环境温湿度进行测量的传感器。

本实施例中，序列间的相关程度、异常数据的检测精确度均与序列长度有直接关系，序列长度越短监测时间序列间的相关程度越不稳定，序列长度越长异常数据的检测精确度越低，因此长度m选取72。

本实施例中，监测序列的长度N为3888个采样点,长度m为72。

本实施例中，

本实施例中，ND01为待检测挠度传感器，经过步骤二和步骤三，得到正常监测序列ND02、LF01、LF03、LF06与ND01间具有强相关性，则R取值为4。

本实施例中，将ND02、LF01、LF03、LF06传感器记作强关联传感器。

本实施例中，仅对恒偏差(bias)、线性漂移(drifting)、恒增益(gain)、精度下降(precision degradation)4种传感器故障进行模拟测试，则e取值为1～4。

本实施例中，将挠度待测试序列经过第e个传感器故障模拟，得到第e个异常挠度监测序列，具体过程如下：

将待挠度测试序列经过恒偏差函数处理，得到第1个异常挠度监测序列；

将待挠度测试序列经过线性漂移函数处理，得到第2个异常挠度监测序列；

将待挠度测试序列经过恒增益函数处理，得到第3个异常挠度监测序列；

将待挠度测试序列经过精度下降函数处理，得到第4个异常挠度监测序列；

本实施例中，恒偏差函数如下：u′(n)＝u(n)+AH(n-n

本实施例中，A取值为4。

本实施例中，线性漂移函数如下：u″(n)＝u(n)+B×(n-n

本实施例中，B取值为0.05。

本实施例中，恒增益函数如下：u″′(n)＝u(n)+(G-1)×u(n)×H(n-n

本实施例中，G取值为2。

本实施例中，精度下降函数如下：u″″(n)＝u(n)+s(n)H(n-n

本实施例中，实际使用时，步骤506中挠度异常子序列的总数记作I′，且I′大于1；则1≤i′≤I′。

本实施例中，径向基函数神经网络是由输入层、隐含层、输出层构成，隐含层将径向基函数作为激活函数将输入向量映射到隐含空间，实现了输入变量与输出变量之间关系的建立，具有较强的多变量拟合能力。

本实施例中，步骤702中构建径向基函数神经网络预测模型，具体如下：输入层的神经元个数为R×m，隐含层和输出层的神经元个数为L。

本实施例中，从剩余的多个挠度正常子序列中的选择J个挠度正常子序列作为J个正常测试子序列，将与J个挠度正常子序列对应的R个强关联传感器测试子序列记作J个R种强关联传感器正常测试子序列；其中，j和J均为正整数；3≤J；

本实施例中，将J个R种强关联传感器正常测试子序列和J个正常测试子序列作为测试集进行测试，输入训练好的径向基函数神经网络预测模型进行测试，模型预测值与实际测量值间的相对误差均在[-5％，5％]内，说明基于RBF神经网络的挠度预测模型满足要求。

综上所述，本发明方法步骤简单、设计合理，以解决桥梁待检测挠度传感器异常数据准确定位与修复的问题，提升桥梁结构监测系统对异常数据的检测能力。

以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。