【技术实现步骤摘要】
本专利技术涉及交通运输业桥涵工程，特别是一种基于动态阈值的斜拉桥健康监测方法及系统。
技术介绍
1、大跨桥梁作为交通体系中的重要组成部分，其健康状况与运营环境是社会普遍关注的问题。桥梁结构的实时预警方法研究对于及时发现结构的异常状况、排除危险因素，保证桥梁的正常运营有着重要意义。
2、目前的技术是通过前反馈bp神经网络，以健康状态下结构的实测自振频率作为输入进行神经网络训练，当频率变化超过2.5％时给予报警。利用监测模态参数建立了结构损伤预警的新指标，该指标表现出抗噪性及损伤的敏感性。分别在具有95％和99.86％保值率下的平均值和标准差计算出两条预警线，并在监测过程中逐年更新。将贝叶斯模型与可靠性理论相结合，实现了桥梁伸缩缝的预警，该方法能考虑监测数据中的不确定性。在静态阈值监测体系由于环境温度的变化对桥梁结果的影响，可能存在误报和漏报的问题。
技术实现思路
1、鉴于现有的基于动态阈值的斜拉桥健康监测及系统中存在的问题，提出了本专利技术。
2、因此，本专利技术所要解决的问题在于考虑温度效应作用所导致的固定阈值监测系统可能存在漏报或错报的问题。
3、为解决上述技术问题，本专利技术提供如下技术方案：
4、第一方面，本专利技术实施例提供了一种基于动态阈值的斜拉桥健康监测方法，其包括，根据广义pareto分布极值分析理论以及分离出的桥梁跨中挠度监测数据，预测基准阈值，并选取最优阈值。使用sarima模型对从挠度信号中分离出来的温度效应数据作
5、作为本专利技术所述基于动态阈值的斜拉桥健康监测方法的一种优选方案，其中：所述基准阈值的预测包括使用广义pareto分布极值分析理论，其中，所述广义pareto分布极值分析理论包括广义pareto分布和参数估计，所述广义pareto分布为，假设x1、x2、x3……xn是相互独立的随机变量，并服从同一分布f(x)，以某固定较大值u为阈值，若xi>u，则称为超阈值，y＝xi-u为对应的超出量，因此有超出量的分布函数为，
6、
7、定义e(u)为x的平均超出量函数为，
8、e(u)＝e(x-u|x>u) (2)
9、若对某一阈值u，考虑超阈值事件{xi>u}，t年重现水平u(t)，即要求在t年的观测时间内，超过基准阈值u(t)的平均次数为1，xi为第i年的观测值，则有，
10、u(t)＝f-1(1-1/t) (3)
11、u(t)为f(x)的(1-1/t)分位数，由p(xi>u(t))＝1-f(u(t))＝1/t，t年重现水平u(t)表示某个最大观测值超过u(t)的概率为1/t；
12、设第一次出现超过基准阈值u(t)的时间为τ1＝min{m:xm>u(t)}，则第r次超过基准阈值的时间为τr＝min{m>τr-1:xm>u(t)}，r>1；
13、
14、其中，q＝1-f(u(t))；
15、基准阈值由t年具有的保证率a，得对应的分位数为，
16、p(τ1≤t)≤1-a (5)
17、其中，t为估计的年限，a为保证率；
18、由式(2～4)得：
19、
20、将式(5)带入式(6)求出q，由q＝1/t及式(3)得到基准阈值u(t)；
21、在f(x)未知的条件下，给出超阈值分布函数的渐进分布，即广义pareto分布：
22、
23、式中μ为位置参数，σ为尺度参数，ξ为形状参数。
24、作为本专利技术所述基于动态阈值的斜拉桥健康监测方法的一种优选方案，其中：所述参数估计为广义pareto分布gpd的位置参数，即阈值，其中最优阈值的选取是通过建立平均超出量函数e(u)和阈值u的关系图来选取，对于服从广义pareto分布的数据，其平均超出量函数e(u)表示为：
25、
26、其中，u为阈值，ξ为形状参数，σu为阈值为u所对应的尺度参数，由式(7)可知e(u)与u呈线性关系，对数据集x1、x2、x3……xn，e(u)的经验估计值为：
27、
28、其中，nu为数据集中超阈值的数量；
29、对于某个阈值u0，超出量近似服从形状参数为尺度参数为的广义pareto分布，当u＞u0时，平均超出量函数在一条直线附近波动；当u0>0时，使得平均超出量函数图像在u>u0后，其斜率近似不变，则选取u0为最优阈值。
30、作为本专利技术所述基于动态阈值的斜拉桥健康监测方法的一种优选方案，其中：所述sarima模型是基于自回归滑动平均模型arma模型的基础上发展而来，自回归滑动平均模型arma具体为，
31、假设{xt},t＝1,2,…,n，是均值为零的平稳时间序列，则在t时刻的观测值xt可通过其前p个时刻的观测值进行线性估计，记为ar(p)，如下式所示：
32、
33、其中，为自回归系数，et为残差，p为自回归模型的阶数；
34、所述时间序列{xt},t＝1,2,…,n在t时刻的观测值xt，也可以表示为前q个时刻预测残差的线性组合，记为ma(q)：
35、xt＝et-θ1et-1-θ2et-2-…-θqet-q (11)
36、其中，θi(i＝1,2,…,p)为移动平均系数，q为自回归模型的阶数；
37、自回归滑动平均结合了ar模型和ma模型，记为arma(p,q)，可表示为：
38、
39、可简记为：
40、
41、其中，θ(b)＝1-θ1b-θ2b2-…-θpbp，b为后移算子。
42、作为本专利技术所述基于动态阈值的斜拉桥健康监测方法的一种优选方案，其中：所述sarima模型一般表示为sarima(p,d,q)(p,d,q,s)，p为自回归阶数、d为非季节性差分阶数、q为移动平均阶数、p为季节性自回归阶数、d为季节性差分阶数、q为季节性移动平均阶数，s为周期，公式如下：
43、
44、其中，xt为非平稳时间序列{xt}中t时刻的观测值，s为季节性周期长度，d为时间序列进行平稳化操作时的阶数，分别表示d阶季节差分算子和d阶逐期差分算子；φp(bs)＝1-φ1bs-φ2b2s-…-φpbps，θq(bs)＝1-θ1bs-θ2b2s-…-θqbqs，
45、采用aic准则对模型阶数进行选定，其表达式如下：
46、
47、其中，p为模型独立参数的个数，n为时间序列的长度，为模型残差的方差；当aic取最小值时就是模型的最优阶数。
48、作为本专利技术所述基于动态阈值的斜拉桥健本文档来自技高网...
【技术保护点】
1.一种基于动态阈值的斜拉桥健康监测方法，其特征在于：包括，
2.如权利要求1所述的基于动态阈值的斜拉桥健康监测方法，其特征在于：所述基准阈值的预测包括使用广义Pareto分布极值分析理论，其中，所述广义Pareto分布极值分析理论包括广义Pareto分布和参数估计，所述广义Pareto分布为，
3.如权利要求2所述的基于动态阈值的斜拉桥健康监测方法，其特征在于：所述参数估计为广义Pareto分布GPD的位置参数，即阈值，其中最优阈值的选取是通过建立平均超出量函数e(u)和阈值u的关系图来选取，对于服从广义Pareto分布的数据，其平均超出量函数e(u)表示为，
4.如权利要求1所述的基于动态阈值的斜拉桥健康监测方法，其特征在于：所述SARIMA模型是基于自回归滑动平均模型ARMA改进得到，所述自回归滑动平均模型ARMA具体为，
5.如权利要求4所述的基于动态阈值的斜拉桥健康监测方法，其特征在于：所述SARIMA模型表示为SARIMA(p,d,q)(P,D,Q,s)，p为自回归阶数、d为非季节性差分阶数、q为移动平均阶数、P为季节性
6.如权利要求1所述的基于动态阈值的斜拉桥健康监测方法，其特征在于：所述温度效应的预测包括，
7.如权利要求1所述的基于动态阈值的斜拉桥健康监测方法，其特征在于：所述动态监测是以预测温度效应的数据为依据，对基准阈值进行修正，其具体计算公式为，
8.一种基于动态阈值的斜拉桥健康监测系统，基于权利要求1～7任一所述的基于动态阈值的斜拉桥健康监测方法，其特征在于：包括，
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～7任一所述的基于动态阈值的斜拉桥健康监测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1～7任一所述的基于动态阈值的斜拉桥健康监测方法的步骤。
...【技术特征摘要】
1.一种基于动态阈值的斜拉桥健康监测方法，其特征在于：包括，
2.如权利要求1所述的基于动态阈值的斜拉桥健康监测方法，其特征在于：所述基准阈值的预测包括使用广义pareto分布极值分析理论，其中，所述广义pareto分布极值分析理论包括广义pareto分布和参数估计，所述广义pareto分布为，
3.如权利要求2所述的基于动态阈值的斜拉桥健康监测方法，其特征在于：所述参数估计为广义pareto分布gpd的位置参数，即阈值，其中最优阈值的选取是通过建立平均超出量函数e(u)和阈值u的关系图来选取，对于服从广义pareto分布的数据，其平均超出量函数e(u)表示为，
4.如权利要求1所述的基于动态阈值的斜拉桥健康监测方法，其特征在于：所述sarima模型是基于自回归滑动平均模型arma改进得到，所述自回归滑动平均模型arma具体为，
5.如权利要求4所述的基于动态阈值的斜拉桥健康监测方法，其特征在于：所述sarima模型表示为sarima(p,d,q)(p,d,q...
【专利技术属性】
技术研发人员：谭冬梅，郭泰，罗豪，李安，陶雨，段嘉仪，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。