基于數(shù)據(jù)關聯(lián)度的監(jiān)測數(shù)據(jù)預測方法

周 岳，朱 毅，喬升訪*，胡賀松，唐孟雄，李 鵬，李高堂

(1.珠海大橫琴股份有限公司, 珠海 519000; 2.廣州市建筑科學研究院有限公司, 廣州 510440；3.中鐵二十局集團有限公司,西安 710000)

智能化健康監(jiān)測經(jīng)過多年發(fā)展,已逐步應用于土木工程領域。如吳海軍等[1]分析了橋梁健康監(jiān)測系統(tǒng)中的影響因素；郁雯等[2]對超高層建筑施工階段的動態(tài)變形進行監(jiān)測分析；奚家米等[3]對基坑變形規(guī)律進行分析。智能化健康監(jiān)測系統(tǒng)[4]由傳感子系統(tǒng)、數(shù)據(jù)傳輸子系統(tǒng)和損傷識別及狀態(tài)評估子系統(tǒng)三部分組成。其中,數(shù)據(jù)傳輸子系統(tǒng)發(fā)揮著承上啟下的作用,現(xiàn)場傳感子系統(tǒng)采集數(shù)據(jù),通過數(shù)據(jù)傳輸子系統(tǒng),錄入數(shù)據(jù)庫中進行評估分析。數(shù)據(jù)傳輸子系統(tǒng)與傳統(tǒng)人工監(jiān)測相比,可實現(xiàn)監(jiān)測數(shù)據(jù)實時上傳和連續(xù)監(jiān)測。

盡管網(wǎng)絡化控制的數(shù)據(jù)傳輸子系統(tǒng)[5]擁有眾多優(yōu)勢,但是也存在著以下缺點:基于無線通信的網(wǎng)絡傳輸會誘導網(wǎng)絡延時、數(shù)據(jù)丟包和數(shù)據(jù)亂序等；儀器在工作過程中易受到外界環(huán)境、電磁波干擾、傳感器和執(zhí)行器故障等偶然因素干擾。由于以上諸多不確定因素的影響,監(jiān)測數(shù)據(jù)經(jīng)常出現(xiàn)丟失、病態(tài)等問題。數(shù)據(jù)病態(tài)與數(shù)據(jù)丟失現(xiàn)象都會對數(shù)據(jù)評價造成不良影響。當數(shù)據(jù)丟失發(fā)生在重要的數(shù)據(jù)段時,會對結(jié)構(gòu)分析造成較大影響；當發(fā)生在不影響分析的數(shù)據(jù)段時,造成的影響較少。而病態(tài)數(shù)據(jù)是與實際監(jiān)測數(shù)據(jù)趨勢不符的數(shù)據(jù)點,在整體監(jiān)測曲線中與大部分數(shù)據(jù)點相差甚遠,具有較強的跳躍性,極易造成結(jié)構(gòu)安全性狀態(tài)誤判和預警系統(tǒng)崩潰[6],會引起不必要的恐慌和經(jīng)濟損失。為此,合理分析病態(tài)數(shù)據(jù)尤為迫切。

為解決病態(tài)數(shù)據(jù)對監(jiān)測結(jié)果造成的不良影響,本文探討基于數(shù)據(jù)間關聯(lián)度的監(jiān)測數(shù)據(jù)預測方法,并采用珠海某立交橋監(jiān)測系統(tǒng)中樁基礎軸力監(jiān)測數(shù)據(jù)進行驗證分析。

1 基于數(shù)據(jù)關聯(lián)度的監(jiān)測數(shù)據(jù)預測方法

1.1 數(shù)據(jù)關聯(lián)度模型建立

實際工程中常用的無線監(jiān)測儀器有二通道、四通道、八通道及以上。由于眾多不確定因素的影響,多通道中的監(jiān)測數(shù)據(jù)存在丟失、病態(tài)等問題。為克服病態(tài)數(shù)據(jù)的影響,以BP神經(jīng)網(wǎng)絡算法建立監(jiān)測數(shù)據(jù)間的關聯(lián)度模型,并對病態(tài)數(shù)據(jù)進行預測和修正。

1.2 BP神經(jīng)網(wǎng)絡分析

BP神經(jīng)網(wǎng)絡[7]通過學習可實現(xiàn)以任意精度擬合任意函數(shù),特別適合預測不滿足疊加原理的系統(tǒng)。如陳濤[8]采用BP神經(jīng)網(wǎng)絡對大壩變形進行預測；黎善武[9]運用大數(shù)據(jù)技術對監(jiān)測數(shù)據(jù)進行分析；韓大建等[10]基于用神經(jīng)網(wǎng)絡方法建立橋梁損傷評價模型。

BP神經(jīng)網(wǎng)絡算法的特征在于信號的前向傳播和誤差的反向隱藏層傳播。在正向上,輸入信號從輸入層逐層傳播至隱藏層,經(jīng)處理直到輸出層。如果在輸出層不能獲得期望的效果,將重復調(diào)整網(wǎng)絡層中的權重和閾值,然后將BP神經(jīng)網(wǎng)絡轉(zhuǎn)移至反向傳播,圖1為BP神經(jīng)網(wǎng)絡的結(jié)構(gòu)。X1,X2,…，Xn代表BP神經(jīng)網(wǎng)絡的輸入值Y1,Y2,…，Ym代表BP神經(jīng)網(wǎng)絡的預測值,wij和vij為網(wǎng)絡的權值。

圖1 BP神經(jīng)網(wǎng)絡訓練結(jié)構(gòu)圖Fig.1 BP neural network training structure diagram

1.3 預測結(jié)果評價

通過誤差Di與誤差百分比Si兩個指標對數(shù)據(jù)的擬合精度進行評價,具體如下:

Di=|Bi-Ai|

(1)

Si=|Di/Ai|

(2)

式中：Di為誤差的絕對值；Ai為真實值;Bi為預測值；Si為精度，%。并運用相關系數(shù)、協(xié)方差、標準差等參數(shù)對預測數(shù)據(jù)規(guī)律進行分析：

(3)

式(3)中：Cov(Ai,Bi)為Ai與Bi的協(xié)方差；Var(Ai)為Ai的方差；Var(Bi)為Bi的方差。此時,Corr(Ai,Bi)可表征Ai與Bi間線性緊密程度。當Corr(Ai,Bi)較大時,可認為Ai與Bi相關程度較好；反之,則認為Ai與Bi相關程度較差[11]。

2 案例分析

2.1 項目概況

圖2 某監(jiān)測樁基礎圖Fig.2 Monitoring pile foundation diagram

依托某立交橋工程項目,該項目位于珠海市橫琴新區(qū),場地內(nèi)分布深厚軟土層(可達40 m),鉆(沖)孔灌注樁的長度可達90 m,如圖2(a)所示。由于場地條件復雜、不確定因素多,需要對超長樁基礎受力狀態(tài)進行實時監(jiān)控,為此采用振弦式鋼筋計監(jiān)測樁基礎縱筋受力變化,運用4通道無線自動采集儀實現(xiàn)監(jiān)測數(shù)據(jù)采集,并通過4G無線模塊將采集數(shù)據(jù)實時上傳至監(jiān)控云平臺,如圖2(b)所示。現(xiàn)場監(jiān)測儀器安裝與保護如圖2(c)、圖2(d)所示,限于篇幅,這里不再詳細介紹樁基礎自動化監(jiān)測系統(tǒng)。

2.2 建立數(shù)據(jù)預測模型

采用該監(jiān)測系統(tǒng)中95組4通道監(jiān)測數(shù)據(jù)作為樣本數(shù)據(jù),如圖3所示,其中4條數(shù)據(jù)曲線分別代表無線自動采集儀四個通道(CH1、CH2、CH3、CH4)在某一時間段內(nèi)的監(jiān)測數(shù)據(jù)。其中前90組數(shù)據(jù)作為樣本數(shù)據(jù)庫進行數(shù)據(jù)訓練,挖掘無線應變監(jiān)測儀中通道數(shù)據(jù)間關聯(lián)度,并利用訓練樣本數(shù)據(jù)庫對余下5組數(shù)據(jù)進行預測,進一步將預測得到的5組數(shù)據(jù)與實際監(jiān)測數(shù)據(jù)進行對比分析。

圖3 采用的樣本數(shù)據(jù)組Fig.3 Data sets for this study

主要對三個通道和四個通道數(shù)據(jù)間的關聯(lián)度進行討論。其中,三個通道間的關聯(lián)度是指兩個通道數(shù)據(jù)組合預測余下一個通道數(shù)據(jù)情況,四個通道間的關聯(lián)度是指三個通道數(shù)據(jù)組合預測余下一個通道數(shù)據(jù)的情況。兩個通道數(shù)據(jù)預測一個通道數(shù)據(jù)具有多種組合情況,這里隨機選擇三種情況下的兩個通道數(shù)據(jù)進行預測,盡量減少耦合因素影響；四個通道數(shù)據(jù)間相互預測的組合情況有四種,將全部進行分析。具體流程如圖4所示,采用不同通道數(shù)據(jù)組合,分別對四個通道的數(shù)據(jù)進行預測分析。YC3表示三個通道數(shù)據(jù)預測余下一個通道數(shù)據(jù)，YC2表示兩個通道數(shù)據(jù)預測余下一個通道數(shù)據(jù)，YC1表示自身數(shù)據(jù)進行預測。以CH1為例，分別由CH2、CH3和CH4的數(shù)據(jù)組合進行預測得到，CH2和CH4的數(shù)據(jù)組合進行預測得到，以及CH1自身數(shù)據(jù)進行預測得到，進而分析不同預測情況下的變化規(guī)律。CH2、CH3、CH4與CH1的數(shù)據(jù)預測流程相同。為此，可分別得到5組數(shù)據(jù)的預測值，如圖5所示。

圖4 案例分析流程圖Fig.4 Flow chart of case study

圖5 預測數(shù)據(jù)與真值比較Fig.5 Comparison of prediction data and true value

2.3 預測結(jié)果討論

在圖5中,每組4個數(shù)據(jù)值,包括3個預測值(YC1、YC2、YC3)和1個真值；組數(shù)1～5表示CH1的預測值和真值；組數(shù)6～10表示CH2的預測值和真值。如此類推,可得CH1～CH4的數(shù)據(jù)預測值,共20組。根據(jù)圖5,可得20組預測情況下的頻率誤差,如圖6所示；同時可得到每個預測值對應的應力值及誤差值,如圖7、圖8所示。由圖6可知:YC3的預測誤差為-3～3 Hz,精度為0.06%～0.28%,且波動較??；而YC2和YC1的預測誤差分別為-22～15 Hz (0.09%～0.37%)和-26～24 Hz(0.08%～2.35%),且預測誤差值的波動較大。另外,由圖8可知:YC3的預測應力誤差為-0.05～0.05 MPa,且波動較??；而YC2和YC1的預測應力誤差分別在-2.2～1.2 MPa和-2.3～1.6 MPa,且波動較大。由此可見,YC3的預測結(jié)果最貼近真值,預測精度最高,而且預測精度波動最小。另外,YC3、YC2和YC1的預測誤差值標準差分別為1.34、7.45、10.34 Hz,相應預測值與真值的相關系數(shù)分別為0.99、0.95和0.89。這說明多通道數(shù)據(jù)組合關聯(lián)的預測精度比單通道更高,且隨著通道組合數(shù)的增加,預測精度會得到進一步提高。此外,對振弦式傳感器而言,盡管自身通道數(shù)據(jù)的頻率預測值具有較高精度(誤差3%以內(nèi)),但應力誤差卻可達-2.3～1.6 MPa。

圖6 預測精度Fig.6 Prediction accuracy

圖7 預測應力與真值比較Fig.7 Comparison of prediction stress and true value

圖8 預測應力誤差Fig.8 Prediction error of stress

2.4 預測精度影響分析

影響數(shù)據(jù)預測精度的因素眾多,其中樣本訓練模型的監(jiān)測數(shù)據(jù)組數(shù)和通道組合數(shù)對數(shù)據(jù)預測精度影響較大。這里探討數(shù)據(jù)組數(shù)(30組、20組、10組)和通道組合數(shù)對預測結(jié)果的影響,選取圖4中待預測5組數(shù)據(jù)最近的30組、20組和10組數(shù)據(jù)分別作為訓練模型的樣本數(shù)據(jù)。這樣組數(shù)與通道組合數(shù)的情況共有9種,分別是110、120、130、210、220、230、310、320、330。百位數(shù)字表示通道組合數(shù)(1、2、3分別表示YC1、YC2、YC3),十位和個位代表為數(shù)據(jù)組數(shù)。為此,5組數(shù)據(jù)預測結(jié)果如圖9所示。根據(jù)圖9可得不同通道組合數(shù)下的預測應力誤差,如圖10所示。其中,區(qū)域A中樣本訓練模型的數(shù)據(jù)組數(shù)是10組,B、C分別為20、30組。

圖9 預測應力比較Fig.9 Comparison of prediction stress

圖10 預測應力精度Fig.10 Prediction accuracy of stress

由圖10可知:YC3的應力誤差曲線最平穩(wěn),而YC1的誤差值曲線波動最大,這說明通道組合數(shù)越多,數(shù)據(jù)預測精度越多,這與上文結(jié)論一致。區(qū)域A數(shù)據(jù)波動幅度最大；區(qū)域B次之；區(qū)域C最小,這意味著樣本訓練模型組數(shù)對預測精度影響較大,數(shù)據(jù)組數(shù)越多,預測精度越高。其次,數(shù)據(jù)組數(shù)對YC2和YC1的精度影響較大,而對YC3的精度影響較小。這也表明采用單通道數(shù)據(jù)進行數(shù)據(jù)預測時,需要的樣本訓練模型組數(shù)足夠大時,才能滿足預測精度要求；而利用多通道數(shù)據(jù)間關聯(lián)度進行數(shù)據(jù)預測時,對樣本訓練模型組數(shù)需求較小,通過較小的數(shù)據(jù)量即可滿足預測精度要求。

3 結(jié)論

提出了基于數(shù)據(jù)關聯(lián)度的監(jiān)測數(shù)據(jù)預測方法,通過BP神經(jīng)網(wǎng)絡算法建立多通道數(shù)據(jù)間的相關度模型,以多通道數(shù)據(jù)間的相關度對病態(tài)數(shù)據(jù)通道進行預測和校正,最后以實際工程中的實測數(shù)據(jù)對該方法進行了驗證。得到以下結(jié)論。

(1)基于數(shù)據(jù)關聯(lián)度的監(jiān)測數(shù)據(jù)預測方法的預測精度在0.06%～2.35%,BP神經(jīng)網(wǎng)絡算法能夠?qū)ΣB(tài)數(shù)據(jù)進行精確預測和校正。

(2)基于多通道數(shù)據(jù)間關聯(lián)度的BP神經(jīng)網(wǎng)絡預測方法的預測精度比單通道更高,且隨著通道數(shù)的增加,預測精度會得到進一步提高,誤差波動范圍變小。

(3)BP神經(jīng)網(wǎng)絡預測方法的預測精度能夠滿足工程要求。在條件允許的情況下,使用多通道數(shù)據(jù)組合關聯(lián)對病態(tài)數(shù)據(jù)的預測效果更佳。

(4)在監(jiān)測數(shù)據(jù)較少的情況下,基于單通道數(shù)據(jù)進行數(shù)據(jù)預測時,其預測精度稍差；而基于多通道數(shù)據(jù)間關聯(lián)度進行數(shù)據(jù)預測時,對樣本訓練模型組數(shù)需求較小,通過較小的數(shù)據(jù)量即可實現(xiàn)較高的預測精度。