基于數據關聯度的監測數據預測方法

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)

智能化健康監測經過多年發展,已逐步應用于土木工程領域。如吳海軍等[1]分析了橋梁健康監測系統中的影響因素；郁雯等[2]對超高層建筑施工階段的動態變形進行監測分析；奚家米等[3]對基坑變形規律進行分析。智能化健康監測系統[4]由傳感子系統、數據傳輸子系統和損傷識別及狀態評估子系統三部分組成。其中,數據傳輸子系統發揮著承上啟下的作用,現場傳感子系統采集數據,通過數據傳輸子系統,錄入數據庫中進行評估分析。數據傳輸子系統與傳統人工監測相比,可實現監測數據實時上傳和連續監測。

盡管網絡化控制的數據傳輸子系統[5]擁有眾多優勢,但是也存在著以下缺點:基于無線通信的網絡傳輸會誘導網絡延時、數據丟包和數據亂序等；儀器在工作過程中易受到外界環境、電磁波干擾、傳感器和執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,監測數據經常出現丟失、病態等問題。數據病態與數據丟失現象都會對數據評價造成不良影響。當數據丟失發生在重要的數據段時,會對結構分析造成較大影響；當發生在不影響分析的數據段時,造成的影響較少。而病態數據是與實際監測數據趨勢不符的數據點,在整體監測曲線中與大部分數據點相差甚遠,具有較強的跳躍性,極易造成結構安全性狀態誤判和預警系統崩潰[6],會引起不必要的恐慌和經濟損失。為此,合理分析病態數據尤為迫切。

為解決病態數據對監測結果造成的不良影響,本文探討基于數據間關聯度的監測數據預測方法,并采用珠海某立交橋監測系統中樁基礎軸力監測數據進行驗證分析。

1 基于數據關聯度的監測數據預測方法

1.1 數據關聯度模型建立

實際工程中常用的無線監測儀器有二通道、四通道、八通道及以上。由于眾多不確定因素的影響,多通道中的監測數據存在丟失、病態等問題。為克服病態數據的影響,以BP神經網絡算法建立監測數據間的關聯度模型,并對病態數據進行預測和修正。

1.2 BP神經網絡分析

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

BP神經網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,將重復調整網絡層中的權重和閾值,然后將BP神經網絡轉移至反向傳播,圖1為BP神經網絡的結構。X1,X2,…，Xn代表BP神經網絡的輸入值Y1,Y2,…，Ym代表BP神經網絡的預測值,wij和vij為網絡的權值。

圖1 BP神經網絡訓練結構圖Fig.1 BP neural network training structure diagram

1.3 預測結果評價

通過誤差Di與誤差百分比Si兩個指標對數據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、協方差、標準差等參數對預測數據規律進行分析：

(3)

式(3)中：Cov(Ai,Bi)為Ai與Bi的協方差；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,場地內分布深厚軟土層(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進行實時監控,為此采用振弦式鋼筋計監測樁基礎縱筋受力變化,運用4通道無線自動采集儀實現監測數據采集,并通過4G無線模塊將采集數據實時上傳至監控云平臺,如圖2(b)所示。現場監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測系統。

2.2 建立數據預測模型

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

圖3 采用的樣本數據組Fig.3 Data sets for this study

主要對三個通道和四個通道數據間的關聯度進行討論。其中,三個通道間的關聯度是指兩個通道數據組合預測余下一個通道數據情況,四個通道間的關聯度是指三個通道數據組合預測余下一個通道數據的情況。兩個通道數據預測一個通道數據具有多種組合情況,這里隨機選擇三種情況下的兩個通道數據進行預測,盡量減少耦合因素影響；四個通道數據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,采用不同通道數據組合,分別對四個通道的數據進行預測分析。YC3表示三個通道數據預測余下一個通道數據，YC2表示兩個通道數據預測余下一個通道數據，YC1表示自身數據進行預測。以CH1為例，分別由CH2、CH3和CH4的數據組合進行預測得到，CH2和CH4的數據組合進行預測得到，以及CH1自身數據進行預測得到，進而分析不同預測情況下的變化規律。CH2、CH3、CH4與CH1的數據預測流程相同。為此，可分別得到5組數據的預測值，如圖5所示。

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

圖5 預測數據與真值比較Fig.5 Comparison of prediction data and true value

2.3 預測結果討論

在圖5中,每組4個數據值,包括3個預測值(YC1、YC2、YC3)和1個真值；組數1～5表示CH1的預測值和真值；組數6～10表示CH2的預測值和真值。如此類推,可得CH1～CH4的數據預測值,共20組。根據圖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%,且波動較小；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,且波動較小；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分別為0.99、0.95和0.89。這說明多通道數據組合關聯的預測精度比單通道更高,且隨著通道組合數的增加,預測精度會得到進一步提高。此外,對振弦式傳感器而言,盡管自身通道數據的頻率預測值具有較高精度(誤差3%以內),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

影響數據預測精度的因素眾多,其中樣本訓練模型的監測數據組數和通道組合數對數據預測精度影響較大。這里探討數據組數(30組、20組、10組)和通道組合數對預測結果的影響,選取圖4中待預測5組數據最近的30組、20組和10組數據分別作為訓練模型的樣本數據。這樣組數與通道組合數的情況共有9種,分別是110、120、130、210、220、230、310、320、330。百位數字表示通道組合數(1、2、3分別表示YC1、YC2、YC3),十位和個位代表為數據組數。為此,5組數據預測結果如圖9所示。根據圖9可得不同通道組合數下的預測應力誤差,如圖10所示。其中,區域A中樣本訓練模型的數據組數是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,而YC1的誤差值曲線波動最大,這說明通道組合數越多,數據預測精度越多,這與上文結論一致。區域A數據波動幅度最大；區域B次之；區域C最小,這意味著樣本訓練模型組數對預測精度影響較大,數據組數越多,預測精度越高。其次,數據組數對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據進行數據預測時,需要的樣本訓練模型組數足夠大時,才能滿足預測精度要求；而利用多通道數據間關聯度進行數據預測時,對樣本訓練模型組數需求較小,通過較小的數據量即可滿足預測精度要求。

3 結論

提出了基于數據關聯度的監測數據預測方法,通過BP神經網絡算法建立多通道數據間的相關度模型,以多通道數據間的相關度對病態數據通道進行預測和校正,最后以實際工程中的實測數據對該方法進行了驗證。得到以下結論。

(1)基于數據關聯度的監測數據預測方法的預測精度在0.06%～2.35%,BP神經網絡算法能夠對病態數據進行精確預測和校正。

(2)基于多通道數據間關聯度的BP神經網絡預測方法的預測精度比單通道更高,且隨著通道數的增加,預測精度會得到進一步提高,誤差波動范圍變小。

(3)BP神經網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,使用多通道數據組合關聯對病態數據的預測效果更佳。

(4)在監測數據較少的情況下,基于單通道數據進行數據預測時,其預測精度稍差；而基于多通道數據間關聯度進行數據預測時,對樣本訓練模型組數需求較小,通過較小的數據量即可實現較高的預測精度。