本文選題：橋梁健康監(jiān)測　切入點：預(yù)處理　出處：《重慶大學(xué)》2015年碩士論文　論文類型：學(xué)位論文

【摘要】：幾十年來,隨著中國的經(jīng)濟飛速發(fā)展,橋梁的建造數(shù)量越來越大,但橋梁的坍塌事件也是時有發(fā)生,因此對橋梁的安全極為重視,橋梁健康監(jiān)測系統(tǒng)也應(yīng)運而生,并已成為國內(nèi)外學(xué)者的研究熱點。橋梁健康監(jiān)測系統(tǒng)通過安裝的傳感器獲取橋梁的各種狀態(tài),并據(jù)此進行安全評估,因此傳感器數(shù)據(jù)的正確性是監(jiān)測系統(tǒng)的基礎(chǔ)和關(guān)鍵。為此需要對傳感器數(shù)據(jù)的可信度進行評價,檢測并剔除異常數(shù)據(jù),以及對剔除數(shù)據(jù)進行插補。雖然橋梁健康監(jiān)測技術(shù)經(jīng)過多年的發(fā)展取得了較大的進展,監(jiān)測數(shù)據(jù)的采集、存儲技術(shù)也日臻完善。但現(xiàn)有的數(shù)據(jù)可信度評估的研究還不多,而目前針對橋梁健康監(jiān)測數(shù)據(jù)異常檢測方法也存在著一些問題,數(shù)據(jù)插補技術(shù)還需要做針對性改進。同時監(jiān)測數(shù)據(jù)中還有很多隱含待挖掘的信息,時間序列分析和數(shù)據(jù)挖掘技術(shù)已經(jīng)成功應(yīng)用在這上面,但還存在一些問題需要進一步研究。本文研究了橋梁健康監(jiān)測數(shù)據(jù)的預(yù)處理和分析,主要針對數(shù)據(jù)可信度評估、數(shù)據(jù)插補技術(shù)、監(jiān)測數(shù)據(jù)的時間序列分析。對于數(shù)據(jù)的可信度評估,提出了基于灰色關(guān)聯(lián)度分析的傳感器數(shù)據(jù)可信度評估方法,并用灰色關(guān)聯(lián)度分析定位不可信數(shù)據(jù)的時間段,為橋梁結(jié)構(gòu)預(yù)警提供依據(jù)。針對監(jiān)測數(shù)據(jù)的異常值,采用基于統(tǒng)計特征的方法對異常值進行剔除。為了對剔除異常值的數(shù)據(jù)進行插補,提出了基于灰色關(guān)聯(lián)度分析的預(yù)測模型與時間序列ARMA模型預(yù)測的結(jié)合方案。長期的橋梁監(jiān)測數(shù)據(jù)的趨勢反映了橋梁的健康狀況的變化趨勢,本文以多種時間角度的對監(jiān)測數(shù)據(jù)的整體發(fā)展趨勢進行了觀察分析,并利用ARMA模型對其建立了最佳的擬合模型,利用此模型對橋梁進行預(yù)警。并利用此預(yù)測模型結(jié)合基于關(guān)聯(lián)度分析的預(yù)測模型對異常值做了預(yù)測分析實驗,表明基于灰色關(guān)聯(lián)度分析的預(yù)測模型與時間序列ARMA模型結(jié)合的預(yù)測方法的預(yù)測效果比單獨ARMA模型預(yù)測效果好。本文的主要創(chuàng)新點是把灰色關(guān)聯(lián)度理論應(yīng)用于數(shù)據(jù)的預(yù)測上,并把這種預(yù)測方法與時間序列模型預(yù)測結(jié)合起來,消除了時間序列模型預(yù)測的誤差。最后通過實驗驗證了論文所提出的數(shù)據(jù)處理和分析方法,結(jié)果符合預(yù)期要求,并且已成功應(yīng)用于多座橋梁監(jiān)測系統(tǒng)中。
[Abstract]:In recent decades, with the rapid development of Chinese economy, the number of bridges has been increasing, but the collapse of bridges has occurred from time to time. Therefore, the safety of bridges has been attached great importance, and the bridge health monitoring system has emerged as the times require. The bridge health monitoring system obtains the various states of the bridge through the sensor installed, and carries on the safety evaluation accordingly. Therefore, the correctness of sensor data is the basis and key of the monitoring system. Therefore, it is necessary to evaluate the credibility of sensor data, detect and eliminate abnormal data. Although the bridge health monitoring technology has made great progress after years of development, the monitoring data collection and storage technology are also improving, but the existing data credibility evaluation research is still few. At present, there are some problems in the anomaly detection method of bridge health monitoring data, and the data interpolation technology needs to be improved. At the same time, there are many hidden information to be mined in the monitoring data. Time series analysis and data mining techniques have been successfully applied in this field, but there are still some problems that need to be further studied. In this paper, the preprocessing and analysis of bridge health monitoring data is studied, which is mainly aimed at the reliability evaluation of bridge health monitoring data. Data interpolation technology, time series analysis of monitoring data. For the reliability evaluation of data, a method of reliability evaluation of sensor data based on grey correlation analysis is proposed, and the grey correlation analysis is used to locate the time period of untrusted data. The method based on statistical features is used to eliminate the outliers. In order to interpolate the outliers, the outliers of the monitoring data are interpolated. This paper puts forward a scheme of combining prediction model based on grey correlation analysis with ARMA model of time series. The trend of long-term bridge monitoring data reflects the changing trend of bridge health status. In this paper, the overall development trend of monitoring data is observed and analyzed from various time angles, and the best fitting model is established by using ARMA model. The model is used to predict the bridge, and the prediction model based on the correlation analysis is used to predict and analyze the outliers. The results show that the prediction method based on grey correlation degree analysis and time series ARMA model has better prediction effect than that of single ARMA model. The main innovation of this paper is to apply the grey correlation degree theory to the prediction of data. Combining this method with time series model prediction, the error of time series model prediction is eliminated. Finally, the data processing and analysis method proposed in this paper is verified by experiments, and the results meet the expected requirements. And has been successfully applied to many bridge monitoring systems.
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：U446

【相似文獻】

相關(guān)期刊論文 前10條

1 ;2009年度(第七屆)國際水利先進技術(shù)(產(chǎn)品)推介會推介技術(shù)[J];中國水利;2009年09期

2 胡志斌;時間序列的非線性測試及其應(yīng)用[J];武漢水利電力大學(xué)(宜昌)學(xué)報;1997年03期

3 胡志斌;時間序列的非線性測試及其應(yīng)用[J];武漢水利電力大學(xué)(宜昌)學(xué)報;1998年04期

4 石巖,胡昌振,馬寶華,譚惠民;模糊時間序列的最優(yōu)預(yù)測方法[J];探測與控制學(xué)報;1999年03期

5 孫青華,張世英;長記憶向量時間序列的非線性協(xié)整關(guān)系研究[J];天津大學(xué)學(xué)報;2002年03期

6 于景華,田立新;混沌時間序列及其在能源系統(tǒng)中的應(yīng)用[J];江蘇大學(xué)學(xué)報(自然科學(xué)版);2002年04期

7 曹廣喜;;向量分整時間序列的協(xié)整關(guān)系探討[J];河海大學(xué)學(xué)報(自然科學(xué)版);2006年04期

8 許娜;商朋見;胡廣生;;氣溫變化時間序列的復(fù)雜性分析[J];北京交通大學(xué)學(xué)報;2008年03期

9 熊有倫,楊叔子,王躍科;復(fù)時間序列與主軸回轉(zhuǎn)精度[J];華中工學(xué)院學(xué)報;1987年02期

10 陳章潮;用時間序列預(yù)測電力系統(tǒng)負荷[J];電力系統(tǒng)自動化;1982年04期

相關(guān)會議論文 前10條

1 周家斌;張海福;楊桂英;;多維多步時間序列預(yù)報方法及其應(yīng)用[A];中國現(xiàn)場統(tǒng)計研究會第九屆學(xué)術(shù)年會論文集[C];1999年

2 馬培蓓;紀軍;;基于時間序列的航空備件消耗預(yù)測[A];中國系統(tǒng)工程學(xué)會決策科學(xué)專業(yè)委員會第六屆學(xué)術(shù)年會論文集[C];2005年

3 盧世坤;李夕海;牛超;陳蛟;;時間序列的非線性非平穩(wěn)特性研究綜述[A];國家安全地球物理叢書（八）——遙感地球物理與國家安全[C];2012年

4 李強;;基于線性模型方法對時間序列中異常值的檢測及證券實證分析[A];加入WTO和中國科技與可持續(xù)發(fā)展——挑戰(zhàn)與機遇、責(zé)任和對策（上冊）[C];2002年

5 戴麗金;何振峰;;基于云模型的時間序列相似性度量方法[A];第八屆中國不確定系統(tǒng)年會論文集[C];2010年

6 謝美萍;趙希人;莊秀龍;;多維非線性時間序列的投影尋蹤學(xué)習(xí)逼近[A];'99系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會論文集[C];1999年

7 張大斌;李紅燕;劉肖;張文生;;非線性時問序列的小波-模糊神經(jīng)網(wǎng)絡(luò)集成預(yù)測方法[A];第十五屆中國管理科學(xué)學(xué)術(shù)年會論文集（下）[C];2013年

8 黃云貴;;基于時間序列的電網(wǎng)固定資產(chǎn)投資規(guī)模研究[A];2012年云南電力技術(shù)論壇論文集（文摘部分）[C];2012年

9 李松臣;張世英;;時間序列高階矩持續(xù)和協(xié)同持續(xù)性研究[A];21世紀數(shù)量經(jīng)濟學(xué)（第8卷）[C];2007年

10 陳赫;羅聲求;;歷史橫斷面數(shù)據(jù)的時間序列化[A];科學(xué)決策與系統(tǒng)工程——中國系統(tǒng)工程學(xué)會第六次年會論文集[C];1990年

相關(guān)重要報紙文章 前6條

1 ;《時間序列與金融數(shù)據(jù)分析》[N];中國信息報;2004年

2 何德旭 王朝陽;時間序列計量經(jīng)濟學(xué)：協(xié)整與有條件的異方差自回歸[N];中國社會科學(xué)院院報;2003年

3 劉俏;讓數(shù)據(jù)坦白真相[N];21世紀經(jīng)濟報道;2003年

4 西南證券高級研究員 董先安邋德圣基金研究中心 郭奔宇;預(yù)計6月CPI同比上漲7.2%[N];證券時報;2008年

5 東證期貨 王愛華　楊衛(wèi)東;兩年漲跌輪回 秋季普遍下跌[N];期貨日報;2009年

6 任勇邋鄭重;中國對世界鋼材價格的影響實證分析[N];現(xiàn)代物流報;2007年

相關(guān)博士學(xué)位論文 前10條

1 張墨謙;遙感時間序列數(shù)據(jù)的特征挖掘：在生態(tài)學(xué)中的應(yīng)用[D];復(fù)旦大學(xué);2014年

2 張德成;滑坡預(yù)測預(yù)報研究[D];昆明理工大學(xué);2015年

3 苗圣法;時間序列的模式檢測[D];蘭州大學(xué);2015年

4 翁同峰;時間序列與復(fù)雜網(wǎng)絡(luò)之間等價性問題及表征應(yīng)用研究[D];哈爾濱工業(yè)大學(xué);2015年

5 楊婷婷;用Argo浮標結(jié)合衛(wèi)星觀測估算北太平洋經(jīng)向熱輸運[D];中國科學(xué)院研究生院(海洋研究所);2015年

6 王曉曄;時間序列數(shù)據(jù)挖掘中相似性和趨勢預(yù)測的研究[D];天津大學(xué);2003年

7 李桂玲;時間序列的分割及不一致發(fā)現(xiàn)研究[D];華中科技大學(xué);2012年

8 周勇;時間序列時序關(guān)聯(lián)規(guī)則挖掘研究[D];西南財經(jīng)大學(xué);2008年

9 張勇;時間序列模式匹配技術(shù)研究[D];華中科技大學(xué);2012年

10 董曉莉;時間序列數(shù)據(jù)挖掘相似性度量和周期模式挖掘研究[D];天津大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 陳健;基于多變量相空間重構(gòu)的投資組合策略研究[D];華南理工大學(xué);2015年

2 蘭鑫;時間序列的復(fù)雜網(wǎng)絡(luò)轉(zhuǎn)換策略研究[D];西南大學(xué);2015年

3 米曉將;區(qū)域尺度下月均氣溫的時空演化格局研究[D];昆明理工大學(xué);2015年

4 張鳴敏;基于支持向量回歸的PM_(2.5)濃度預(yù)測研究[D];南京信息工程大學(xué);2015年

5 林健;基于改進小世界回聲狀態(tài)網(wǎng)的時間序列預(yù)測[D];渤海大學(xué);2015年

6 曹智麗;日氣溫和干旱指數(shù)支持向量回歸預(yù)測方法[D];南京信息工程大學(xué);2015年

7 高雄飛;基于分形理論的土壤含水量時間序列特性分析[D];長安大學(xué);2015年

8 姚茜;城市安全生產(chǎn)發(fā)展目標研究[D];中國地質(zhì)大學(xué)(北京);2015年

9 謝翠穎;蘇州社會消費品零售總額簡析[D];蘇州大學(xué);2015年

10 包仁義;基于時間序列的搜索引擎評估模型算法研究[D];東北師范大學(xué);2015年

，

本文編號：1558102