一种基于LSTM温度-位移相关模型的桥梁损伤预警方法与流程

一种基于lstm温度
‑
位移相关模型的桥梁损伤预警方法
技术领域
1.本发明涉及桥梁监测技术领域，具体涉及一种基于lstm温度
‑
位移相关模型的桥梁损伤预警方法。


背景技术：

2.随着铁路和高速公路的快速发展，桥梁的数量也在不断增多。然而桥梁结构易受外在和内在因素的影响发生变化，从而导致安全事故的发生，因此对桥梁健康状况的监测也就尤为重要。虽然当今国内外很多大跨度桥梁基本都安装了桥梁健康监测系统，监测内容不仅是桥梁自身的状况与行为，更注重对环境条件的监测与记录分析，但是这些桥梁健康监测系统极大部分仅对监测数据进行采集和保存，极少具备数据分析的功能。对桥梁监测数据进行数据分析的主要目的是为了实现桥梁损伤预警，提供桥梁健康评估功能，同时减少传统桥梁检测所需要投入的人力与物力。目前常用的桥梁预警方法包括神经网络预警方法、时间序列预警方法、灰色系统预警方法等。
3.目前桥梁健康监测系统在桥梁上的应用日益增多，损伤预警健康监测理论也取得相应的进展，如：趋势预测应用于山西风陵渡大桥上、时间序列arma模型应用于重庆高家花园嘉陵江大桥长期检测扰度数据预测、神经网络应用于重庆马桑溪大桥跨中扰度数据预测等，通过预测数据与真实数据的比较能够对桥梁损伤起到预警作用。
4.应变能够表征大跨桥梁由于局部损伤或构件破坏引起的受力性能变化，是评估大跨桥梁服役安全的有效指标。然而，不仅损伤会导致大跨桥梁应变变化，温度也会引起显著的应变变化。错误估计温度引起的应变不仅会降低桥梁安全评估结果的可靠性，甚至可能得出错误的结论。因此，有必要深入研究温度引起的桥梁应变响应。
5.然而应用于桥梁损伤预警的时间序列模型和深度学习中的序列模型大都仅考虑传感器数据的自相关性，即用该传感器的历史数据建立模型来预测下一时刻的数据，忽略了其它因素可能对该传感器数据产生的影响。本专利是一种基于lstm温度
‑
位移相关模型的桥梁损伤预警方法，不仅考虑单个应变传感器数据的历史信息，同时将与之相关性较强的温度传感器数据也纳入模型训练进行预测，从而实现桥梁损伤预警。


技术实现要素：

6.本发明的目的在于提供一种基于lstm温度
‑
位移相关模型的桥梁损伤预警方法，该方法使用温度
‑
应变多变量的lstm模型预测应变，相比现有的使用单变量lstm模型进行预测，本发明模型预测值与真实值之间的平均绝对误差更小，模型的预测更为精准。
7.为实现上述目的，本发明的技术方案是：一种基于lstm温度
‑
位移相关模型的桥梁损伤预警方法，包括如下步骤：
8.s1、对桥梁监测数据进行预处理；
9.s2、对预处理后的数据进行相关性分析，提取出相关性最强的温度传感器数据和应变传感器数据；
10.s3、遍历基于步骤s2提取的温度传感器数据和应变传感器数据，进行数据分割；
11.s4、融合温度传感器数据和应变传感器数据，提取两个传感器数据间的低阶信息和高阶信息，并得到融合后的温度
‑
应变传感器数据；
12.s5、将融合后的温度
‑
应变传感器数据划分为训练集和测试集，并打乱每组训练集中数据的顺序；
13.s6、搭建具有两个lstm层和一个dense层的神经网络模型，输入训练集数据进行训练，得到基于lstm温度
‑
应变相关模型；
14.s7、根据当前时刻桥梁数据通过基于lstm温度
‑
应变相关模型进行预测，当桥梁下一时刻的真实数据传回时，计算真实值与预测值之间的偏差，判断偏差是否大于设定的阈值，从而实现桥梁损伤预警。
15.在本发明一实施例中，所述步骤s1具体实现方式为：
16.s11、准备桥梁监测数据原始数据集，其数据结构为【时间、桥梁名称、传感器类型、传感器编号、对应时间的传感器数据平均值、传感器位置】；将桥梁监测数据原始数据集按时间属性进行排序；
17.s12、将桥梁监测数据原始数据集整理成时间为唯一索引，列名为传感器编号的数据表，其数据为对应时间的传感器数据单位时间的平均值；将数据整理成数据表后，对单位时间间隔的时间缺失进行填补，将该时间所对应的缺失数据使用空值来进行替代；
18.s13、对所有接收到的传感器数据进行筛选，筛选出不在量程、精度误差范围内的所有异常值并剔除，剔除完成后在对应位置使用空值进行替代；
19.s14、对于数据中存在的空值，将空值用对应列的均值填补；
20.s15、对温度传感器和应变传感器的数据做归一化的处理，将数据映射到0和1之间：
[0021][0022]
其中x为待归一化的数据，x_min和x_max分别表示待归一化数据中的最小值和最大值。
[0023]
在本发明一实施例中，所述步骤s2具体实现方式为：
[0024]
s21、对数据表中各个温度传感器和应变传感器进行相关性分析，计算两两传感器之间的皮尔逊相关系数；根据相关系数的强弱，找出相关性最强的温度传感器和应变传感器；
[0025]
s22、筛选出相关性最强的温度传感器和应变传感器后，将两个传感器的数据按时间进行内连接，其数据结构为【时间、温度传感器、应变传感器】，其对应数据为传感器单位时间的平均值。
[0026]
在本发明一实施例中，所述步骤s3具体实现方式为：
[0027]
将步骤s2提取的相关性最强的温度传感器数据和应变传感器数据中温度传感器的数据记为：
[0028][0029]
其中表示温度传感器数据中第i个数据，i∈{1,2
…
n}；
[0030]
应变传感器的数据记为：
[0031][0032]
其中表示应变传感器数据中第i个数据，i∈{1,2
…
n}；
[0033]
遍历温度传感器数据和应变传感器数据，设置滑动窗口的长度为w，提取连续w个单位时间的温度数据和应变数据作为输入特征，第w 1到w f单位时间的应变数据作为标签对数据进行分割，窗口滑动步长为1，其中f为预测长度，表示向后预测f个单位时间的应变数据。
[0034]
在本发明一实施例中，所述步骤s4具体实现方式为：
[0035]
将连续w个小时的温度数据和应变数据进行融合，提取温度与应变数据间的低阶信息和高阶信息，其中：
[0036]
低阶信息为温度与应变数据的线性变换，表示为：
[0037]
x
l
＝w
l
[x
t
,x
s
] b
l
[0038]
其中w
l
为可训练参数矩阵，x
t
和x
s
分别为温度数据与应变数据，b
l
为偏置量；
[0039]
高阶信息为温度与应变数据的线性变换再加上交叉项信息，表示为：
[0040]
x
m
＝w
m
[x
t
,x
s
] w
ts
x
t
x
s
b
m
[0041]
其中w
m
为可训练参数矩阵，x
t
和x
s
分别为温度数据与应变数据，b
m
为偏置量；
[0042]
低阶信息和高阶信息经过sigmoid函数激活后便得到最终的特征：
[0043]
x＝sigmoid(x
l
x
m
)。
[0044]
x
l
和x
m
为计算出的低阶信息和高阶信息。
[0045]
在本发明一实施例中，所述步骤s5具体实现方式为：
[0046]
将融合后的温度
‑
应变传感器数据划分为训练集和测试集，其中80％的数据用于训练，20％的数据用于测试，并对训练集数据进行shuffle，打乱每组训练集中数据的顺序。
[0047]
在本发明一实施例中，所述步骤s6具体实现方式为：
[0048]
搭建两个lstm层，和一个全连接dense层的神经网络模型，设置激活函数为tanh，同时，为避免模型过拟合，每层lstm设置dropout率为0.2；在训练过程中以平均绝对误差mae作为损失函数，以平均绝对误差最小化为优化目标，采用adam优化器，设置每批训练的样本数batchsize为128，训练集最大迭代次数epoch为500，模型训练过程如下：
[0049]
s61、数据输入
[0050]
将步骤s5的数据作为神经网络模型的输入；
[0051]
s62、lstm层和dense层
[0052]
输入的数据经过两个lstm层和一个dense层后输出预测应变数据；
[0053]
s63、计算损失函数
[0054]
采用mae作为模型的损失函数，计算dense层输出的预测应变与真实应变间的损失；
[0055]
s64、梯度下降
[0056]
使用adam优化器梯度下降更新参数，使得模型的损失函数最小化，直到模型收敛或者模型到达最大之迭代次数，得到训练后的基于lstm温度
‑
应变相关模型。
[0057]
在本发明一实施例中，所述mae公式如下：
[0058][0059]
其中x为样本空间，h为训练的模型，m为样本总数，h(x
i
)表示第i个样本经过模型h输出的预测值，y
i
表示第i个样本的真实值。
[0060]
在本发明一实施例中，步骤s63中，为更加直观的体现模型在训练集和测试集上的误差，绘制损失曲线，其中横轴为训练集迭代次数epoch，纵轴为模型的损失函数值loss。
[0061]
相较于现有技术，本发明具有以下有益效果：
[0062]
1、本发明提出的基于温度
‑
应变相关模型的lstm桥梁损伤预警方法，使用温度
‑
应变多特征融合的lstm模型预测应变，相比现有的使用单变量lstm模型进行预测，我们的模型预测值与真实值之间的平均绝对误差更小，模型的预测更为精准；
[0063]
2、本发明通过设置超参数w、f对数据分隔进行控制，设置滑动窗口的长度为w，提取训练集中连续f个单位时间的温度和应变数据作为输入特征，第w到w f个单位时间的应变数据作为标签对训练集进行分割，采用同样的方式处理测试集。其中f为预测长度，表示向后预测f个单位时间，提升模型的泛化能力。
[0064]
3、本发明采用没有长期依赖问题的lstm算法，是因为桥梁的数据都为时间序列数据，时间序列数据是在不同时间点上统计同一指标，并按照时间先后排列成的一个集合。时间序列的主要作用是了解一个指标的长期趋势和预测未来，由于传统的rnn存在长期依赖问题，长期依赖的根本问题在于，多阶段的反向传播会导致梯度消失和梯度爆炸。因此相比传统的rnn，使用lstm能够有更好的表现。
[0065]
4、本发明使用adam优化器可以使计算更加高效，使得模型更有效更稳定，适合应用于桥梁大规模的数据和参数的场景；使用shuffle方法避免了数据投入的顺序对网络训练造成影响，增加随机性，提高模型的泛化能力；激活函数使用tanh可以提高模型的训练效率；使用dropout防止模型过拟合，提升模型泛化能力。
附图说明
[0066]
图1为本发明方法流程图。
[0067]
图2为lstm原理图。
[0068]
图3为本发明一实例损失曲线图。
[0069]
图4为本发明一实例预测值与真实值对比图。
具体实施方式
[0070]
下面结合附图，对本发明的技术方案进行具体说明。
[0071]
本发明一种基于lstm温度
‑
位移相关模型的桥梁损伤预警方法，包括如下步骤：
[0072]
s1、对桥梁监测数据进行预处理；
[0073]
s2、对预处理后的数据进行相关性分析，提取出相关性最强的温度传感器数据和应变传感器数据；
[0074]
s3、遍历基于步骤s2提取的温度传感器数据和应变传感器数据，进行数据分割；
[0075]
s4、融合温度传感器数据和应变传感器数据，提取两个传感器数据间的低阶信息
和高阶信息，并得到融合后的温度
‑
应变传感器数据；
[0076]
s5、将融合后的温度
‑
应变传感器数据划分为训练集和测试集，并打乱每组训练集中数据的顺序；
[0077]
s6、搭建具有两个lstm层和一个dense层的神经网络模型，输入训练集数据进行训练，得到基于lstm温度
‑
应变相关模型；
[0078]
s7、根据当前时刻桥梁数据通过基于lstm温度
‑
应变相关模型进行预测，当桥梁下一时刻的真实数据传回时，计算真实值与预测值之间的偏差，判断偏差是否大于设定的阈值，从而实现桥梁损伤预警。
[0079]
以下为本发明具体实施实例。
[0080]
如图1所示，本发明一种基于lstm温度
‑
位移相关模型的桥梁损伤预警方法，利用桥梁传感器传回的历史数据，首先对其进行预处理，主要包括去除异常值、填补缺失值以及归一化处理。然后进行相关性分析，提取出相关性较强的温度和应变传感器数据。进一步遍历提取的温度和应变传感器数据，设置滑动窗口的长度为w，提取连续w个单位时间的温度和应变数据作为输入特征，第w 1到w f单位时间的应变数据作为标签对数据进行分割。同时融合温度和应变数据，提取两个传感器数据间的低阶信息和高阶信息。划分训练集和测试集，其中80％的数据用于训练模型，20％的数据用于测试。最终搭建具有两个lstm层和一个dense层的神经网络结构，以前w个单位时间的温度和应变数据作为输入，以w 1到w f个单位时间的应变数据作为标签纳入模型训练，在训练过程中以平均绝对误差(mean absolute error，mae)作为损失函数,以平均绝对误差最小化为优化目标，采用adam优化器，设置每批训练的样本数(batchsize)为128，训练集最大迭代次数(epoch)500，最终输出预测应变数据。当下一时刻的真实数据传回时，计算真实值与预测值之间的偏差，判断偏差是否大于设定的阈值，从而实现桥梁损伤预警。具体流程如下：
[0081]
步骤1、桥梁监测数据
[0082]
步骤1.1、数据输入
[0083]
准备桥梁监测数据原始数据集，其数据结构为：【时间、桥梁名称、传感器类型、传感器编号、对应时间的传感器数据平均值(时间间隔可为小时、分钟或秒，根据计算能力调整)、传感器位置】。将桥梁监测数据原始数据集按时间属性进行排序。
[0084]
步骤1.2、数据整理
[0085]
将桥梁监测数据原始数据集整理成时间为唯一索引，列名为传感器编号的数据表，其数据为对应时间的传感器数据单位时间的平均值。将数据整理成数据表后，对单位时间间隔的时间缺失进行填补，将该时间所对应的缺失数据使用空值来进行替代。以这样的格式进行输入，方便后续的步骤2进行处理。
[0086]
步骤2、数据预处理
[0087]
步骤2.1、异常值处理
[0088]
步骤1.2完成之后，对所有接收到的传感器数据进行筛选，筛选出不在量程、精度误差范围内的所有异常值并剔除，剔除完成后在对应位置使用空值进行替代。
[0089]
步骤2.2、缺失值填补
[0090]
步骤2.1完成之后，对于数据中存在的空值，将空值用对应列的均值填补。
[0091]
步骤2.3、数据归一化
[0092]
为了提升模型的精度，同时加快模型的收敛速度，剔除量纲对模型的影响。对温度传感器和应变传感器的数据做归一化(min
‑
max normalization)的处理，将数据映射到0和1之间。
[0093][0094]
步骤3、相关性分析
[0095]
步骤3.1
[0096]
对数据表中各个温度和应变传感器进行相关性分析，计算两两传感器之间的皮尔逊相关系数。根据相关系数的强弱，找出相关性最强的温度和应变传感器。
[0097]
步骤3.2
[0098]
筛选出最相关的温度和应变传感器，将两个传感器的数据按时间进行内连接，其数据结构为【时间、温度传感器、应变传感器】，其对应数据为传感器单位时间的平均值。
[0099]
步骤4、数据分隔
[0100]
由步骤3的相关性分析已经得出了相关性最强的温度和应变传感器数据，其中温度传感器的数据记为：
[0101][0102]
应变传感器的数据记为：
[0103][0104]
遍历提取的温度和应变传感器数据，设置滑动窗口的长度为w，提取连续w个单位时间的温度和应变数据作为输入特征，第w 1到w f单位时间的应变数据作为标签对数据进行分割，窗口滑动步长为1。其中f为预测长度，表示向后预测f个单位时间的应变数据。
[0105]
步骤5、特征融合
[0106]
由于以往的时间序列模型仅考虑单个数据的自相关性，忽略了其他信息可能对数据产生的影响，因此将步骤4的输入特征(连续w个小时的温度和应变数据)进行融合，提取温度与应变数据间的低阶信息和高阶信息。
[0107]
低阶信息为温度与应变数据的线性变换，表示为：
[0108]
x
l
＝w
l
[x
t
,x
s
] b
l
[0109]
高阶信息为温度与应变数据的线性变换再加上交叉项信息，表示为：
[0110]
x
m
＝w
m
[x
t
,x
s
] w
ts
x
t
x
s
b
m
[0111]
低阶信息和高阶信息经过sigmoid函数激活后便得到最终的特征：
[0112]
x＝sigmoid(x
l
x
m
)
[0113]
步骤6、训练集测试集划分
[0114]
将融合后的温度和应变传感器的数据划分为训练集和测试集，其中80％的数据用于训练模型，20％的数据用于测试。
[0115]
步骤7、shuffle
[0116]
为了避免数据投入的顺序对网络训练造成影响，增加随机性，提高模型的泛化能力，导致权重更新时的梯度过于极端，避免模型最终过拟合或者欠拟合，对分割后的训练集数据进行shuffle(即打乱每组训练数据的顺序)。
[0117]
步骤8、模型训练
[0118]
搭建两个lstm层(图2为lstm原理图)，和一个全连接(dense)层的神经网络模型，设置激活函数为tanh，同时，为了避免模型过拟合，每层lstm设置dropout率为0.2。在训练过程中以平均绝对误差(mean absolute error)作为损失函数,以平均绝对误差最小化为优化目标，采用adam优化器，设置每批训练的样本数(batchsize)为128，训练集最大迭代次数(epoch)500。
[0119]
步骤8.1数据输入
[0120]
将步骤7整合好的数据作为深度学习模型的输入。
[0121]
步骤8.2 lstm层和dense层
[0122]
输入的数据经过两个lstm层和一个dense层后输出预测应变数据。
[0123]
步骤8.3计算损失函数
[0124]
采用mae作为模型的损失函数，计算dense层输出的预测应变与真实应变间的损失。
[0125]
步骤8.4梯度下降
[0126]
使用adam优化器梯度下降更新参数，使得模型的损失函数最小化。直到模型收敛或者模型到达最大之迭代次数。
[0127]
步骤9、模型评估
[0128]
为评估模型的预测准确度，使用绝对平均误差(mae)对模型进行打分评价。平均绝对误差是所有单个观测值与算术平均值的偏差的绝对值的平均。平均绝对误差可以避免误差相互抵消的问题，因而可以准确反映实际预测误差的大小。其计算方法如下:
[0129][0130]
同时为了更加直观的体现模型在训练集和测试集上的误差，绘制损失曲线，其中横轴为训练集迭代次数(epoch),纵轴为模型的损失函数值(loss)。当训练集迭代次数达到100次时，绝对平均误差在训练集和验证集上得分都趋于稳定。
[0131]
进一步地，为了检验基于lstm温度
‑
应变相关模型的有效性，与仅用应变的lstm模型和rnn模型作对比，结果表明在测试集上基于lstm温度
‑
应变相关模型的均方误差、均方根误差和平均绝对误差均优于仅用应变的lstm模型和rnn模型。
[0132]
步骤10、桥梁损伤预警
[0133]
当桥梁下一时刻的真实数据传回时，计算真实值与预测值之间的偏差，若偏差大于设定的阈值m，则进行预警。
[0134]
模型案例
[0135]
1、损失曲线
[0136]
如损失曲线图3所示，横轴是训练集迭代次数(epoch)，可见循环次数越多，绝对平均误差越小。当迭代次数为100次时，绝对平均误差在训练集和验证集上得分都表现的很好。因此我们将迭代次数设置为100次。
[0137]
2、预测值与真实值对比
[0138]
设置超参数w为60，f为1的情形下，绘制了140个单位时间(小时)的预测与真实值
的对比图，如图4所示。可见，预测值和真实值吻合较好。表1为前10个单位时间的预测值与真实值的具体数值。说明基于lstm温度
‑
应变相关模型的桥梁损伤预警方法的预测较为准确。
[0139]
表1前10个单位时间的预测值与真实值的具体数值
[0140][0141][0142]
3、与其它模型的对比
[0143]
如表2,所示，为了检验基于lstm温度
‑
应变相关模型的有效性，与仅用应变的lstm模型和rnn模型作对比，结果表明在测试集上基于lstm温度
‑
应变相关模型的均方误差、均方根误差和平均绝对误差均优于仅用应变的lstm模型和rnn模型。
[0144]
表2本发明模型与其他模型对比
[0145]
模型msermsemaernn10.243.202.58lstm13.733.702.69mf
‑
lstm(ours)7.512.742.20
[0146]
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。