[发明专利]一种桥梁变形实时预测方法

说明书

本发明公开了一种桥梁变形实时预测方法，包括如下步骤：连续获取一段时间内的桥梁变形信号；自适应地确定变分模态分解的最优分解层数；基于最优分解层数将桥梁变形信号分解为多个变分模态子序列，识别变分模态子序列中的相关成分及不相关成分，基于相关成分及不相关成分将变分模态子序列重构为预测用子序列；基于预测用子序列预测桥梁变形数据。与现有技术相比，本发明可以自适应地确定变分模态分解的最优分解层数，进而识别出相关成分与不相关成分，并基于相关成分和不相关成分重建用于预测的子序列，能够极大程度的抑制不相关成分对变形预测的干扰，提高预测的准确性。

技术领域

本发明涉及桥梁领域，具体涉及一种桥梁变形实时预测方法。

背景技术

结构变形是外部激励下系统运行状态的直观表达，其蕴含着结构内部损伤的演化信息，并能有效反映结构性能状态。因此，变形预测对于获得变形演化趋势和掌握桥梁运行状态具有重要的工程意义。在众多桥梁变形预测方法中，数据驱动方法因聚焦于桥梁的宏观特征，从而可以有效避免结构复杂的内在演化机制。由于大跨度桥梁通常会遇到复杂的运营环境，进而导致变形数据具有多种特征，如非线性和强非平稳性等。在这种情况下，基于分解的数据驱动方法，因具有时频分析的优势，而受到了广泛的关注。

基于分解的数据驱动方法通常使用“分解和集成”框架，i)将原始数据分解为若干个相对平稳、规则的子系列；ii)针对子序列进行建模并执行预测；iii)汇总各个子序列的预测结果以获得最终预测结果。显然，该类方法的核心在于原始数据的分解，以及子序列的预测、汇总。由于VMD能够分离具有相似频率的信号，并且对采样频率和噪声表现出很好的鲁棒性，因此其已成为目前首选的分解技术。图1、图2、图3分别表示使用VMD分解技术时，某一信号在分解层数k＝6，k＝2，k＝4的分解结果。由图1可知，当分解层数k＝6时，出现了明显的过分解现象，子序列s₅、s₆即为引入的无关成分；而图2中，当分解层数k＝2时，显然原始信号没有得到充分分解，也就是说信号中所蕴含的结构状态信息无法得到深入挖掘，即出现了欠分解。相反在图4中，当分解层数k＝4时，各子序列很好的刻画了原始信号所包含的不同层次的特征信息。实际上，k＝4是最佳的分解层数。

通过对图1至图3的阐述，可以看出分解层数的选择对于取得满意的预测结果至关重要。但是，现有VMD技术的分解层数是根据经验选取的，通常缺乏自适应的过程，这可能会使分解后的得到的数据不都适合用于预测(例如可能引入了不相关成分)，进而使预测的结果不准确。

因此，如何确定VMD技术的最佳分解层数，进而提高桥梁变形实时预测的准确性成为了本领域技术人员急需解决的问题。

发明内容

针对上述现有技术的不足，本发明实际解决的问题是：如何确定VMD技术的最佳分解层数，进而提高桥梁变形实时预测的准确性。

为了解决上述技术问题，本发明采用了如下的技术方案：

一种桥梁变形实时预测方法，包括如下步骤：

S1、连续获取一段时间内的桥梁变形信号x(t)，t＝1,2,...,T；

S2、自适应地确定变分模态分解的最优分解层数；

S3、基于最优分解层数将桥梁变形信号分解为多个变分模态子序列，识别变分模态子序列中的相关成分及不相关成分，基于相关成分及不相关成分将变分模态子序列重构为预测用子序列；

S4、基于预测用子序列预测桥梁变形数据。

优选地，步骤S2包括：

S201、利用经验模态分解将桥梁变形信号分解为多个经验模态子序列，第j个经验模态子序列表示为s_j(t),j＝1,2,...,k’，k’为经验模态分解层数；

S202、按下式转换经验模态子序列得到新的子序列：