[发明专利]一种基于稀疏贝叶斯学习的桥梁振动响应数据预测方法

说明书

本发明公开了一种基于稀疏贝叶斯学习的桥梁振动响应数据预测方法。该方法包括步骤：S1，根据桥梁结构的动力响应数据，绘制相应的时域图，对时域图进行时域分析，依据不同动力分析方法选取相应的振动响应数据段；S2，将振动数据段按照时间序列分析法排序输入至稀疏贝叶斯学习(SBL)算法中，适当调整稀SBL中高斯核函数的基宽参数，初定SBL回归模型；S3，检验初定SBL回归模型的拟合度和稀疏性，适当调整基宽参数直至确定最终的SBL回归模型；S4，依据最终的SBL回归模型，预测下一时刻振动数据。本发明基于高斯核函数的稀疏贝叶斯学习算法，不仅适用于非线性强的振动数据，而且预测过程考虑了振动数据的不确定性，数学模型鲁棒性好，预测结果的精度高。

技术领域

本发明属于结构健康监测技术领域，涉及一种基于稀疏贝叶斯学习的桥梁振动响应数据预测方法。

背景技术

大型桥梁结构是组成基础设施的重要部分。然而，由于交通荷载的长期作用、材料的老化以及地震、台风等极端天气的影响，在役大型桥梁不可避免地会发生损伤。为避免桥梁因损伤而造成经济损失和人员伤亡，结构健康监测系统作为保证结构可靠性和安全运行的一个有力工具，正以极快的速度向前发展。结构健康监测系统通过在桥梁结构上安装多种传感器，可获得多种结构响应数据，如应变、加速度、位移等。其中结构加速度(振动)响应数据可反映结构的基本动力学参数(即结构自振频率、振型等)，通过这些参数可判定结构系统运行是否安全可靠。因结构动力特性反映着结构自身所处状态，在结构健康监测的损伤识别领域中结构动力特性也往往作为损伤识别结果的必要分析信息而存在，故若通过振动数据去预测结构未来的动力特性，提前对结构进行损伤识别分析，进而依据预测数据所得到的损伤识别结果，可达到提前获知结构所处状态的目的。

振动响应数据预测方法根据是否需要结构模型信息，分为基于结构模型的方法和无结构模型方法。基于结构模型的方法要求结构模型能够尽可能准确、全面地描述实际结构的信息，而此类方法通常会出现结构模型的材料参数、边界情况等参数的界定难以准确地模拟实际结构的问题。无结构模型的方法则不需要结构模型，它仅需要实际结构采集到的一系列实测的振动响应数据便可进行数据的预测工作。

然而在土木工程领域，由于环境因素对数据的影响、传感器精度对数据的影响等，所测得振动数据具有不确定性，这使得无结构模型的预测方法具有挑战性，故需要一种能够量化振动数据不确定性的方法。同时，桥梁的振动响应数据的非线性十分明显，故也需一种能够处理非线性问题的方法。在解决非线性问题的同时，还要防止数学模型出现过拟合的问题，因为过拟合的问题一旦出现，会导致数学模型的鲁棒性降低，进而降低预测数据的精度。因此，亟需发展一种能同时解决结构模型难以复刻实际模型、振动数据具有不确定性、振动数据具有非线性、数学模型过拟合问题的振动响应数据预测方法。

发明内容

针对上述存在的问题，本发明提出了一种纯数据驱动、具有不确定性量化能力、处理非线性问题能力、鲁棒性强的桥梁振动响应数据的预测方法。

本发明提出的一种基于稀疏贝叶斯学习的桥梁振动响应数据预测方法，具体包括以下步骤：

S1、根据桥梁结构的动力响应数据，绘制相应的时域图；对时域图进行时域分析，依据不同动力分析方法选取相应的振动响应数据段；

S2、将S1的振动响应数据段按照时间序列分析法排序输入至稀疏贝叶斯学习算法中，其中为时间序列，为振动数据，N为数据点数，适当调整稀疏贝叶斯学习中高斯核函数的基宽参数γ，计算稀疏贝叶斯学习回归模型的权重参数w，初定振动响应数据段的稀疏贝叶斯学习回归模型；

S3、根据S2的稀疏贝叶斯学习回归模型，检验其拟合度和稀疏性(两者越大，预测精度越高)，若拟合度和稀疏性不满足要求，则重复S2、S3直至确定最终的稀疏贝叶斯学习回归模型；

S4、根据S3确定的最终的稀疏贝叶斯学习回归模型，计算第N+1时刻数据点的预测值；