本發(fā)明涉及結(jié)構(gòu)健康監(jiān)測，特別是指一種基于lstm模型的鋼結(jié)構(gòu)電梯井道沉降預測方法。

背景技術(shù)：

1、結(jié)構(gòu)健康監(jiān)測技術(shù)領(lǐng)域包含對建筑結(jié)構(gòu)、橋梁、隧道、電梯井道等關(guān)鍵承重構(gòu)件的狀態(tài)進行實時或周期性的監(jiān)測、評估和預警，核心內(nèi)容是通過布設(shè)傳感器設(shè)備，采集結(jié)構(gòu)在運行過程中的物理變化數(shù)據(jù)，如傾角、位移、應(yīng)變、振動等，并通過建立數(shù)學模型、信號解析和趨勢預測方法，對結(jié)構(gòu)健康狀態(tài)進行判斷和預測，結(jié)構(gòu)健康監(jiān)測的系統(tǒng)性涵蓋數(shù)據(jù)采集、狀態(tài)識別、模型構(gòu)建、閾值判斷和預警發(fā)布多個環(huán)節(jié)，旨在為結(jié)構(gòu)維護和運行決策提供依據(jù)，避免因結(jié)構(gòu)異?；驌p傷引發(fā)安全事故。

2、其中，基于lstm模型的鋼結(jié)構(gòu)電梯井道沉降預測方法是指基于時序數(shù)據(jù)處理特性，利用長短期記憶網(wǎng)絡(luò)模型對電梯井道結(jié)構(gòu)狀態(tài)中的傾斜角度和沉降位移進行建模和預測的方法，涉及鋼結(jié)構(gòu)電梯井道在長期使用過程中出現(xiàn)的傾斜和沉降變化，尤其是受環(huán)境、載荷及結(jié)構(gòu)特性影響所產(chǎn)生的微小形變的預測問題，具體包括通過安裝北斗gnss監(jiān)測設(shè)備采集電梯井道的傾角和位移數(shù)據(jù)，構(gòu)建時間序列監(jiān)測數(shù)據(jù)集為基礎(chǔ)，通過輸入至lstm神經(jīng)網(wǎng)絡(luò)模型中，利用內(nèi)部的輸入門、遺忘門與輸出門結(jié)構(gòu)處理歷史數(shù)據(jù)，形成對后續(xù)時間節(jié)點狀態(tài)的預測輸出，并通過多輪模型訓練與誤差計算完成模型優(yōu)化。

3、傳統(tǒng)鋼結(jié)構(gòu)電梯井道沉降預測技術(shù)在傾角與沉降數(shù)據(jù)的篩選邏輯中采用固定閾值判斷方式，缺乏對連續(xù)時間演化行為的細粒度響應(yīng)判斷，導致部分小幅變形無法在預處理階段被有效提取，在空間方向上忽略了傾角與三維位移間的動態(tài)協(xié)同關(guān)系，造成識別出的特征段在空間方向上具有漂移風險，樣本訓練過程中多以均值差或離群程度進行權(quán)重調(diào)整，無法有效識別并強化對多段高幅變形過程的關(guān)注，使模型在訓練階段喪失對結(jié)構(gòu)變形重點時段的敏感性，預測路徑采用固定時間點啟動，造成路徑起點偏移，缺少結(jié)構(gòu)狀態(tài)演化驅(qū)動機制，降低整體預測鏈條的結(jié)構(gòu)穩(wěn)定性與解釋性。

技術(shù)實現(xiàn)思路

1、為了解決現(xiàn)有技術(shù)存在的技術(shù)問題，本發(fā)明實施例提供了一種基于lstm模型的鋼結(jié)構(gòu)電梯井道沉降預測方法，優(yōu)化模型對關(guān)鍵變形時段的學習能力，利用跳變密度，設(shè)定預測路徑起點，提高了趨勢預測的行為響應(yīng)性，結(jié)合平移狀態(tài)殘差波動分析，增強預測結(jié)果的解釋性。

2、為了實現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)方案，一種基于lstm模型的鋼結(jié)構(gòu)電梯井道沉降預測方法，包括以下步驟：

3、s1：獲取x、y、z軸傾角數(shù)據(jù)，根據(jù)每個軸的傾角數(shù)據(jù)在連續(xù)時間點的斜率變化方向，識別拐點位置，比較各軸向在相同時間段的傾角變化幅度，分析傾角差異在時間上的分布狀態(tài)，篩選傾角變化有效區(qū)段；

4、s2：基于所述傾角變化有效區(qū)段，獲取結(jié)構(gòu)三維位移數(shù)據(jù)，計算相鄰時間點間的位移向量夾角和模長變化，判斷位移方向的一致性，分析主軸方向的穩(wěn)定性，識別位移方向和傾角變化趨勢一致的時間段，生成傾角聯(lián)動模式區(qū)間；

5、s3：調(diào)用所述傾角聯(lián)動模式區(qū)間，提取對應(yīng)傾角和沉降數(shù)據(jù)，并計算相對于樣本庫均值的變化幅度，判斷每個時間段數(shù)據(jù)的偏移程度，構(gòu)建樣本權(quán)重分配表；

6、s4：根據(jù)所述傾角聯(lián)動模式區(qū)間和樣本權(quán)重分配表，分析傾角變化序列并檢測微幅跳變點，根據(jù)微幅跳變點的分布密度，識別變化頻率峰值區(qū)段，設(shè)定趨勢預測路徑的起始位置，對電梯井的沉降行為進行預測，生成沉降預測信息。

7、作為本發(fā)明的進一步方案，所述傾角變化有效區(qū)段具體為多軸傾角聯(lián)合變化區(qū)、時序斜率反轉(zhuǎn)區(qū)、局部幅度差異聚集區(qū)，所述傾角聯(lián)動模式區(qū)間包括主軸方向持續(xù)段、位移傾角協(xié)同段、空間位移穩(wěn)定段，所述樣本權(quán)重分配表包括數(shù)據(jù)偏移分組項、樣本優(yōu)先級標簽、訓練階段權(quán)重系數(shù)，所述沉降預測信息具體為沉降趨勢路徑、跳變密集起始位置、預測目標數(shù)據(jù)序列。

8、作為本發(fā)明的進一步方案，獲取x、y、z軸傾角數(shù)據(jù)，根據(jù)每個軸的傾角數(shù)據(jù)在連續(xù)時間點的斜率變化方向，識別拐點位置，比較各軸向在相同時間段的傾角變化幅度，分析傾角差異在時間上的分布狀態(tài)，篩選傾角變化有效區(qū)段的步驟具體為：

9、s101：獲取x、y、z軸傾角數(shù)據(jù)，識別每個軸傾角序列中多個時間點的斜率方向，提取每條傾角曲線中的拐點位置，計算每條曲線中相鄰拐點間的時間間隔并記錄拐點索引，生成傾角變化趨勢節(jié)點組；

10、s102：基于所述傾角變化趨勢節(jié)點組，調(diào)用x、y、z三個軸向在相同時間段內(nèi)的傾角值，通過比較每個軸向在相同時間段的傾角變化幅度，分析傾角變化幅度的差異在時間上的分布狀態(tài)，生成傾角多軸差異變化區(qū)間；

11、s103：根據(jù)所述傾角多軸差異變化區(qū)間，根據(jù)傾角變化幅度的差異在時間上的分布狀態(tài)，識別連續(xù)變化趨勢，篩選傾角變化有效區(qū)段。

12、作為本發(fā)明的進一步方案，基于所述傾角變化有效區(qū)段，獲取結(jié)構(gòu)三維位移數(shù)據(jù)，計算相鄰時間點間的位移向量夾角和模長變化，判斷位移方向的一致性，分析主軸方向的穩(wěn)定性，識別位移方向和傾角變化趨勢一致的時間段，生成傾角聯(lián)動模式區(qū)間的步驟具體為：

13、s201：基于所述傾角變化有效區(qū)段，獲取對應(yīng)時間段內(nèi)的x、y、z三維位移數(shù)據(jù)，根據(jù)時間序列順序，構(gòu)建每相鄰時間點的空間位移向量組，計算每組向量的夾角與模長變化值，并記錄每個時間點對應(yīng)的方向變化趨勢與長度變化幅度，生成空間位移連續(xù)變化特征組；

14、s202：調(diào)用所述空間位移連續(xù)變化特征組，對連續(xù)時間段內(nèi)的向量夾角變化方向進行一致性分析，分析對應(yīng)時間段內(nèi)位移主軸的穩(wěn)定性，提取方向穩(wěn)定區(qū)段，生成主軸方向穩(wěn)定區(qū)間集合；

15、s203：根據(jù)所述主軸方向穩(wěn)定區(qū)間集合，獲取對應(yīng)時間段內(nèi)的傾角變化趨勢序列，識別位移方向和傾角變化趨勢一致的時間段，生成傾角聯(lián)動模式區(qū)間。

16、作為本發(fā)明的進一步方案，調(diào)用所述傾角聯(lián)動模式區(qū)間，提取對應(yīng)傾角和沉降數(shù)據(jù)，并計算相對于樣本庫均值的變化幅度，判斷每個時間段數(shù)據(jù)的偏移程度，構(gòu)建樣本權(quán)重分配表的步驟具體為：

17、s301：調(diào)用所述傾角聯(lián)動模式區(qū)間，提取對應(yīng)時間段內(nèi)的傾角序列與沉降序列，計算每個時間點的傾角值和樣本庫中對應(yīng)傾角均值間的差值，計算沉降值與樣本庫中沉降均值間的差值，生成傾角沉降偏移幅度組；

18、s302：基于所述傾角沉降偏移幅度組，對每個時間段的波動幅度在樣本集合中的相對位置進行排序，每個時間段數(shù)據(jù)的偏移程度，生成樣本偏移等級分布標簽；

19、s303：根據(jù)所述樣本偏移等級分布標簽，根據(jù)偏移程度，調(diào)整對應(yīng)樣本的訓練權(quán)重，建立樣本權(quán)重分配表。

20、作為本發(fā)明的進一步方案，根據(jù)所述傾角聯(lián)動模式區(qū)間和樣本權(quán)重分配表，分析傾角變化序列并檢測微幅跳變點，根據(jù)微幅跳變點的分布密度，識別變化頻率峰值區(qū)段，設(shè)定趨勢預測路徑的起始位置，對電梯井的沉降行為進行預測，生成沉降預測信息的步驟具體為：

21、s401：根據(jù)所述傾角聯(lián)動模式區(qū)間和樣本權(quán)重分配表，提取對應(yīng)時間段內(nèi)的傾角變化序列，通過與微幅跳變識別閾值進行對比，檢測微幅跳變點，生成微幅跳變點信息；

22、s402：基于所述微幅跳變點信息，分析微幅跳變點的分布密度，根據(jù)跳變點在時間序列中的位置，識別變化頻率峰值區(qū)段，并設(shè)定為趨勢預測路徑的起始位置，生成趨勢路徑起始位置參數(shù)；

23、s403：根據(jù)所述趨勢路徑起始位置參數(shù)，結(jié)合對應(yīng)區(qū)段內(nèi)連續(xù)時間點的傾角變化方向，對電梯井的沉降行為進行預測，生成沉降預測信息。

24、作為本發(fā)明的進一步方案，所述識別變化頻率峰值區(qū)段的具體公式為：

25、；

26、計算跳變分布密度指標；

27、其中，為第個時間窗口內(nèi)的跳變分布密度指標，為跳變點在當前時間窗口中的索引，為時間窗口的索引，為第個跳變點的原始時間索引，為第個跳變點的原始時間索引，為當前時間窗口的總時間長度，為第個跳變點所對應(yīng)的訓練樣本權(quán)重值，為第個跳變點的傾角變化幅度歸一化值，為殘差穩(wěn)定性修正項常數(shù)用于防止除零運算，為第個時間窗口內(nèi)檢測到的微幅跳變點的總數(shù)量。

28、作為本發(fā)明的進一步方案，還包括：

29、s5：調(diào)用所述沉降預測信息，獲取預測值和實際值間的殘差序列，分析每個時間步的預測誤差，調(diào)整時間窗口內(nèi)的平移步長，計算每種平移狀態(tài)下的誤差均值，通過對比每個平移步驟的殘差均值，根據(jù)誤差和殘差波動的穩(wěn)定性，識別最優(yōu)平移狀態(tài)和對應(yīng)的時間偏移距離，生成結(jié)構(gòu)預測偏移趨勢數(shù)據(jù)；

30、所述結(jié)構(gòu)預測偏移趨勢數(shù)據(jù)包括模型時間響應(yīng)偏移量、平移匹配最小殘差值、趨勢誤差分類標簽。

31、作為本發(fā)明的進一步方案，調(diào)用所述沉降預測信息，獲取預測值和實際值間的殘差序列，分析每個時間步的預測誤差，調(diào)整時間窗口內(nèi)的平移步長，計算每種平移狀態(tài)下的誤差均值，通過對比每個平移步驟的殘差均值，根據(jù)誤差和殘差波動的穩(wěn)定性，識別最優(yōu)平移狀態(tài)和對應(yīng)的時間偏移距離，生成結(jié)構(gòu)預測偏移趨勢數(shù)據(jù)的步驟具體為：

32、s501：調(diào)用所述沉降預測信息，獲取預測值序列和實際值序列，并構(gòu)建數(shù)據(jù)序列間的差值序列，生成預測誤差殘差序列；

33、s502：調(diào)用所述預測誤差殘差序列，設(shè)置多個連續(xù)的時間窗口，調(diào)整預測數(shù)據(jù)序列相對于實際監(jiān)測數(shù)據(jù)序列的平移步長，并在每種平移狀態(tài)下計算對應(yīng)時間窗口的殘差平均值，生成平移狀態(tài)誤差均值列表；

34、s503：調(diào)用所述平移狀態(tài)誤差均值列表，通過分析每個平移步長的誤差和殘差波動的穩(wěn)定性，識別最優(yōu)平移狀態(tài)和對應(yīng)的時間偏移距離，并標記為模型預測的響應(yīng)偏移量，生成結(jié)構(gòu)預測偏移趨勢數(shù)據(jù)。

35、作為本發(fā)明的進一步方案，所述分析每個平移步長的誤差和殘差波動的穩(wěn)定性的具體公式為：

36、；

37、計算殘差波動評分值；

38、其中，為平移步長編號為的歸一化殘差波動評分值，為平移步長編號為的時間窗口內(nèi)所有預測殘差值的算術(shù)平均值，為平移步長編號為且時間點索引為的單個預測殘差值，為當前時間窗口內(nèi)的時間點數(shù)量，為在所有平移步長編號為的殘差均值絕對值中的最大值，為常量修正項數(shù)值，表示用于分析的當前平移步長編號，表示當前時間窗口內(nèi)的離散時間點索引，表示所有待比較平移步長的遍歷索引編號。

39、本發(fā)明實施例提供的技術(shù)方案帶來的有益效果至少包括：

40、通過識別傾角拐點并結(jié)合三軸變化幅度差異，實現(xiàn)有效數(shù)據(jù)段的提取，結(jié)合主軸位移方向識別增強了結(jié)構(gòu)趨勢判斷的方向準確性，結(jié)合數(shù)據(jù)偏移幅度調(diào)整訓練樣本權(quán)重，優(yōu)化模型對關(guān)鍵變形時段的學習能力，利用跳變密度，設(shè)定預測路徑起點，提高了趨勢預測的行為響應(yīng)性，通過平移狀態(tài)殘差波動識別，增強模型預測結(jié)果的解釋性與容差識別能力，提升結(jié)構(gòu)狀態(tài)識別的精度，增強模型訓練聚焦性與預測誤差容忍合理性。