摘要:
桥梁监测系统通过实时监测桥梁的各项指标来保证桥梁的安全运行,但监测数据在传输的过程中,不可避免地会产生噪声,从而对后续的数据预测产生较大干扰。通常利用聚类找出离散点来去除噪声,传统的K-means算法聚类前需要指定聚类簇数,以空间中K个点为中心进行聚类,对最靠近的对象归类,但海量的桥梁数据易受环境因素影响,因而无法预先指定数据簇。DBSCAN无需事先知道要形成的簇类的数量,可以自动确定簇个数。另外,桥梁数据是以时间戳存储的时序数据,在时序数据预测算法中,LSTM和GRU算法能够解决RNN算法的梯度爆炸问题,而GRU比LSTM参数量少,可以减少过拟合风险。基于此,文中以郑万高铁巫山大宁河双线大桥为研究对象,提出一种DBSCAN和GRU神经网络相结合的数据预测算法,以DBSCAN剔除噪声数据,并利用GRU神经网络对桥梁的压力进行深度学习,预测下一时刻的数据,然后进行异常检测。实践结果表明:所提算法可以准确地预测桥梁下一时刻的压力值,与LSTM算法相比,该算法的决定系数提高5.2%,均方根误差和平均绝对误差分别降低8.3%和11.6%;同时系统还能及时发送预警短信,为桥梁的安全提供保障。