原文传递
基于PSO-VMD和LSTM神经网络的桥梁健康监测数据分析
| 论文题名： | 基于PSO-VMD和LSTM神经网络的桥梁健康监测数据分析 |
| 关键词： | 桥梁健康监测;粒子群;变分模态分解;长短时记忆神经网络;数据降噪 |
| 摘要： | 目前，很多桥梁加装了桥梁结构健康监测系统。由于桥梁监测数据具有时序性和不平稳性，导致监测所获取的数据缺乏实用性。为此，本文提出了一种基于粒子群优化变分模态参数分解-长短时记忆神经网络的数据降噪-预测的 PSO-VMD-LSTM组合模型，以实现桥梁监测数据从采集降噪到预测的全过程。 本文的主要内容包括：（1）提出粒子群（PSO）优化变分模态分解（VMD）参数的数据降噪组合算法对数据进行降噪及重构。以跨径为271m的连续刚构桥为背景桥模拟并收集桥梁运营时的挠度变化，并采用 PSO 优化 VMD 算法的分解模态数K和惩罚因子α参数对数据进行分解降噪。同时采用小波阈值降噪方法和经验模态分解（EMD）方法对比降噪效果，验证了所提出的PSO-VMD降噪方法在剔除原始数据序列中所含噪声的有效性和优越性。 （2）多源桥梁数据集的构建和长短时记忆神经网络（LSTM）模型的搭建实现。对各输入特征进行划分组合，建立组合数据集 A-D 并训练实验。将模型预测效果最好的输入组合 B（应变+加速度）作为后续研究的输入特征组合来选取最终的模型最优超参数组合。基于此组合参数下实现LSTM模型的搭建训练。 （3）以实例验证PSO-VMD-LSTM桥梁挠度降噪-预测组合模型。采用PSO-VMD-LTSM 方法将监测数据进行挠度预测，得组合模型的预测值。并通过模型对比，得出对数据降噪可以提高预测模型的预测精度，且经PSO-VMD分解降噪后的精度最高的结论；并对比验证 LSTM 深度神经网络在挠度预测上可以提高模型的预测精度，减少预测值和真实值的误差。 综合结果，说明使用本文所提出的PSO-VMD-LSTM模型有效的剔除了监测数据序列中的噪声和干扰，同时将深度学习技术应用到桥梁健康监测领域。在数据降噪、预测桥梁挠度方面，相较于其他预测模型在性能上都有较大的优势，预测精度最高。在基于历史的监测数据的基础上能够为桥梁后续的加固、维修养护提供依据，保证桥梁在役期间的安全运营，对我国的基建行业的发展具有积极的贡献价值。 |
| 作者： | 齐庆英 |
| 专业： | 土木水利 |
| 导师： | 杜斌 |
| 授予学位： | 硕士 |
| 授予学位单位： | 贵州大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
