建筑结构监测性态指标趋势预测与评估方法及系统与流程

本发明涉及建筑结构智能监测，具体涉及一种建筑结构监测性态指标趋势预测与评估方法及系统。

背景技术：

1、基于既有结构性态指标（应变、挠度、沉降、加速度等）的时序数据，推演其未来发展变化规律，预警潜在的危险部位，进而诊断结构安全状况，是建筑结构智能监测领域的重要问题。由于各类型指标的影响因素多、变化随机性强，因而仅依赖模型驱动的结构性能预测难度较大。

2、鉴于此，国内外学者广泛使用了数据驱动的预测评估方法，该方法属于正向分析方法，基于实际监测数据，通过非线性拟合和统计分析等，计算推演各类型监测指标的潜在变化趋势，进而对结构风险状况做出研判。然而，该方法在实际监测项目中的推广应用程度仍然受限，主要原因如下：

3、（1）时序预测模型参数标定困难。基于深度学习的预测算法模型已在监测领域得到广泛研究，但模型参数的种类多、影响大，如何标定各类型参数，得到最优时序预测模型，成为其推广应用的关键问题。

4、（2）异常数据降噪处理不足。实际监测数据受环境因素干扰，个别数据易出现异常、离散等问题，如何实现各类型监测指标异常数据的降噪处理，是保证后期预测评估精度的前提。

5、（3）预警评估机制尚不健全。既有基于实测数据的风险预警方法，尚未考虑监测指标的未来演化趋势，且未做到风险程度的分级评估，因而阻碍了各类型监测指标的定量化预警评估。

技术实现思路

1、本技术提供一种建筑结构监测性态指标趋势预测与评估方法及系统，以解决现有预测评估方法存在的时序预测模型参数标定困难、异常数据降噪处理不足、预警评估机制尚不健全等的问题。

2、根据第一方面，一种实施例中提供一种建筑结构监测性态指标趋势预测与评估方法，所述方法包括：

3、监测获取结构性态指标的时序数据，并划分训练集和测试集；

4、对得到的所述训练集和测试集进行降噪处理、归一化以及滑动窗口划分，得到划分后的训练集和测试集；

5、构建基于lstm的时序预测模型，使用划分后的训练集和测试集对所述时序预测模型进行训练和测试；

6、基于模型预测结果的拟合优度构建优化目标函数，利用粒子群优化算法对时序预测模型的关键参数组进行优化，得到最优参数组及优化后的时序预测模型；

7、利用优化后的时序预测模型预测未来的监测指标数据变化，并基于预设预警阈值对预测结果进行超限分级预警与评估。

8、进一步地，所述结构性态指标包括应变、挠度、沉降、位移及加速度。

9、进一步地，对训练集和测试集进行降噪处理，具体包括：

10、基于hampel滤波器进行数据降噪处理，包括：

11、复制训练集 d tr和测试集 d te，得到训练集 d tr_ copy和测试集 d te_ copy，作为待滤波数据集；

12、循环遍历待滤波数据集，设置遍历间隔为 k，第 q个滑动窗口设定为[ q- k: q+ k+1]，计算每个滑动窗口中数据的中值 med q：

13、

14、其中， med q为第 q个滑动窗口的数据中值， numpy. median为求取数据中值的函数；

15、计算第 q个滑动窗口中每个数据与中值 med q的差值，并计算差值数据的中值 mad q：

16、

17、其中， numpy. abs为求取数据绝对值的函数；

18、循环遍历第 q个滑动窗口中的每个数据，如果当前数据与 med q的差值超过 mad q的 t倍，则当前数据为异常数据，并将异常数据更换为数据的中值 med q，其中， t为预设的数据异常幅度；

19、对两个待滤波数据集中所有数据的异常值进行排查和更新，将经过降噪处理后的数据集存储为新的训练集 d trh和测试集 d teh。

20、进一步地，对训练集和测试集进行归一化以及滑动窗口划分，具体包括：

21、创建上限为1、下限为0的拟合模型，拟合模型计算原理为：

22、

23、其中，为第 i个监测性态指标归一化后的值；为第 i个监测性态指标的实测值；、为监测性态指标数据集中的最大值、最小值；

24、利用拟合模型将训练集 d trh和测试集 d teh拟合至[0,1]区间内；

25、设定滑动窗口尺寸为 win，读取数据集长度 len；

26、从1到（ len- win）遍历数据集 d trh、 d teh，每隔 win个提取数据集 d trh和 d teh中对应目标数据，存储于列表 d trh_ x、 d teh_ x中，将列表转化为数组格式，通过转置函数将三维数组数据的 j轴和 k轴交换，调整维度顺序：

27、

28、其中， x为三维数据集； i、 j、 k表示三个维度上的数据索引。

29、进一步地，构建基于lstm的时序预测模型，具体包括：

30、创建空的s equential模型；

31、添加包含 n1个神经元、激活函数为 relu的lstm层；

32、添加包含 n2个神经元、激活函数为 relu的全连接层；

33、添加包含1个神经元的输出层；

34、确定损失函数及优化器，完成时序预测模型的构建。

35、进一步地，利用粒子群优化算法对时序预测模型的关键参数进行优化，包括：

36、确定待优化参数组及取值范围；

37、确定种群规模 n、迭代次数 z、学习因子 c1和 c2、惯性权重 w max和 w min、速度限值 v max和 v min、位置限值 x max和 x min；

38、在限值范围内，随机初始化待优化参数组中各元素的位置和速度；

39、通过优化目标函数计算得到粒子群个体最优值 p p及群体最优值 p g；

40、判断当前迭代次数 z是否等于 z，若等于则终止，并输出最优解和优化目标函数值；若不等于，则更新粒子群的速度及位置：

41、

42、

43、其中，、和、分别为第 z次和第 z+1次迭代中粒子群参数的速度矩阵和位置矩阵； r1和 r2为区间[0,1]内的随机数；

44、通过迭代计算更新个体和群体最优值，直至达到最终迭代次数，输出最优解及最优目标函数值。

45、进一步地，所述待优化参数组包括滑动窗口尺寸 win、lstm层神经元个数 n1、全连接层神经元个数 n2、时序预测模型训练次数 e、每次训练样本数 b；

46、基于拟合优度构建优化目标函数 f：

47、

48、其中，预测结果拟合优度 r2的计算式为：

49、

50、其中， num为样本数量；为第 n个样本的实际值；为第 n个样本的预测值；为样本数据的均值。

51、进一步地，利用优化后的时序预测模型预测未来的监测指标数据变化，具体包括：

52、使用优化后的时序预测模型，反向逐步计算未来 x天中每天的指标数据，包括：

53、读取窗口划分后的训练集的最后一组窗口数据；

54、根据窗口数据，利用训练后的时序预测模型计算预测值；

55、删除窗口内的第1个时间步，并将预测值添加至最后一个时间步；

56、循环处理直至计算出未来 x天的全部预测结果。

57、进一步地，根据预测结果进行超限分级预警与评估，具体包括：

58、针对各类监测指标，依据规范条文要求确定预警阈值；

59、循环遍历预测数据，如超过预警阈值，则获取超限监测指标的类型、超限日期及超限幅度，并评估预警等级；

60、超限幅度的计算公式为：

61、

62、其中，为第 i类监测指标在第 n个时间步的预测值；为第 i类监测指标的预警值；

63、若在预设的三级预警范围内，则为三级警报；若在预设的二级预警范围内，则为二级警报；若在预设的一级预警范围内，则为一级警报。

64、根据第二方面，一种实施例中提供一种建筑结构监测性态指标趋势预测与评估系统，所述系统包括：

65、数据集构建模块，用于监测获取结构性态指标的时序数据，并划分训练集和测试集；

66、数据集处理模块，用于对得到的所述训练集和测试集进行降噪处理、归一化以及滑动窗口划分，得到划分后的训练集和测试集；

67、预测模型训练模块，用于构建基于lstm的时序预测模型，使用划分后的训练集和测试集对所述时序预测模型进行训练和测试；

68、预测模型优化模块，用于基于模型预测结果的拟合优度构建优化目标函数，利用粒子群优化算法对时序预测模型的关键参数组进行优化，得到最优参数组及优化后的时序预测模型；

69、预测与评估模块，用于利用优化后的时序预测模型预测未来的监测指标数据变化，并基于预设预警阈值对预测结果进行超限分级预警与评估。

70、本技术提供一种建筑结构监测性态指标趋势预测与评估方法及系统，监测获取结构性态指标的时序数据，并划分训练集和测试集；对得到的所述训练集和测试集进行降噪处理、归一化以及滑动窗口划分，得到划分后的训练集和测试集；构建基于lstm的时序预测模型，使用划分后的训练集和测试集对所述时序预测模型进行训练和测试；基于模型预测结果的拟合优度构建优化目标函数，利用粒子群优化算法对时序预测模型的关键参数组进行优化，得到最优参数组及优化后的时序预测模型；利用优化后的时序预测模型预测未来的监测指标数据变化，并基于预设预警阈值对预测结果进行超限分级预警与评估。本发明提供的融合粒子群优化（particleswarm optimization，pso）算法和长短期记忆网络（longshort-term memory，lstm）的建筑结构监测性态指标趋势预测与评估方法，通过构建适用于多类型结构性能指标趋势预测的lstm时序预测模型，借助pso算法确定最优时序预测模型的关键参数，利用最优时序预测模型预测指标数据未来演化趋势，建立监测指标数据的超限分级预警机制，实现监测指标预测数据的风险评估。