原文传递
基于机器学习的桥梁动态监测信号预测方法研究
| 论文题名： | 基于机器学习的桥梁动态监测信号预测方法研究 |
| 关键词： | 桥梁结构;健康监测;时间序列;机器学习;LSTM;SAM-LSTM |
| 摘要： | 在结构健康监测系统（SHM）中，由于传感器等各种因素存在，难免会出现数据丢失和损坏，数据丢失易导致桥梁结构出现不必要的损失。为了重建SHM中的缺失数据，研究了基于SAM-LSTM模型的缺失数据预测方法，内容如下： （1）首先应用长短期记忆网络（LSTM）模型对健康状态下波长、加速度数据进行预测。进行三种不同超参数预测试验，不同迭代次数预测试验，不同隐含层节点预测试验，不同学习率预测试验，优化设计了LSTM模型。对比了绝对百分比误差最大值（MAX）、平均绝对误差（MAE）、均方根误差（RMSE）和R2等评价指标，确定模型迭代次数1000、学习率0.01和隐含层节点数32，模型预测精度较好。在工字钢梁上进行激振试验，以光纤布拉格光栅（FBG）传感器和压电加速度传感器实测的振动信号作为训练测试数据，利用机器学习算法预测分析。 （2）融合自注意力机制方法（SAM）和LSTM模型，建立改进型SAM-LSTM模型，结合两种方法优点，将SAM层加在LSTM网络层之后。SAM分配数据不同权值，提取有效特征信息。基于FBG传感器和压电加速度传感器实测健康状态下结构动态响应数据，处理后作为SAM-LSTM输入。比较了LSTM、RNN、ARIMA算法与SAM-LSTM算法预测结果，对比了MAX、MAE、RMSE和R2等指标图，评估了不同算法对序列信号预测值与实测值的差异，验证了改进型SAM-LSTM预测效果较优异，误差最小。以健康状态下加速度预测为例，SAM-LSTM的MAE值比LSTM模型降低了59.4%，比ARIMA模型降低了74.5%，比RNN模型降低了62.9%。试验结果显示SAM-LSTM对健康状态下波长、加速度数据预测精度较高。 （3）当传感器发生故障时，无法在故障传感器处正确获取数据。这种情况，急需某种方法重建传感器丢失数据。将传感器的编号方向作为序列方向，利用相邻传感器之间监测数据重建传感器故障位置时间序列。从实际工程角度出发，基于SAM-LSTM进行横向信号预测。利用16个FBG传感器和6个压电加速度传感器实测健康状态下结构动态响应数据，处理后作为模型SAM-LSTM输入。通过和其他模型评价指标和预测结果对比，试验表明，SAM-LSTM可以有效预测不同位置故障传感器序列数据，且预测精度高于LSTM、ARIMA、RNN等算法。 （4）探究实际工程中SAM-LSTM模型对不同损伤状态下缺失波长、加速度数据的恢复性能，不同损伤工况下波长、加速度作为模型输入。SAM-LSTM对损伤信息进行预测，通过评价指标与LSTM、ARIMA和RNN预测结果对比，并与健康状态下波长、加速度预测结果对比，表明SAM-LSTM方法可以有效预测损伤后的波长、加速度数据。对实际工程中重建缺失损伤数据具有重要意义。 |
| 作者： | 王校昌 |
| 专业： | 桥梁与隧道工程 |
| 导师： | 王大鹏 |
| 授予学位： | 硕士 |
| 授予学位单位： | 苏州科技大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
