基于时间序列和模型修正的建筑安全监测预警方法

本发明涉及土木工程中建筑结构监测领域，具体涉及基于时间序列和模型修正的建筑安全监测预警方法。

背景技术：

1、我国是世界上每年新增建筑最多的国家，但由于建造年代久远、缺乏维修养护、自然灾害、房屋改扩建等因素导致危旧建筑逐年增多，近年来，全国各地多次发生楼房垮塌的事故，造成人员伤亡和财产损失。各项政策明确提出要通过数字化、智能化技术的手段，建立城市全生命周期管理，提高建筑结构的韧性水平，因此越来越多的建筑结构进行了风险监测。

2、针对大量监测数据，如何分析，如何预警，如何损伤定位是现阶段需要解决的问题。目前的监测预警是通过设置固定阈值进行超限分析，尚未考虑温度效应和非结构性随机事件对监测数据的波动影响，并且损伤识别往往考虑全局结构，尚未和报警设备的位置信息关联起来，其高效性有待提升，中国专利公开号cn116090347a公开了一种平稳荷载下历史建筑结构智能监测与预警系统，包括监测数据采集传输模块、监测数据预处理模块、监测模型建立与训练模块以及监测预警与处理模块。利用神经网络等人工智能方法，提出的一种基于智能时序神经网络的平稳荷载下历史建筑结构智能监测与预警系统，以代替人为设置阈值的监测预警方法，实现高效率、高精度、高水准的历史建筑结构智能实时监测与预警，可以补充并完善既有的历史建筑监测中人为设置极限阈值监测方法，改进并解决目前监测预警方法无法精细化挖掘历史建筑结构阈值范围内物理量实时变化中隐藏风险的问题。但是该专利申请无法避免温度效应对监测预警的影响，也无法确定结构发生损伤的位置。

技术实现思路

1、本发明所要解决的技术问题在于现有技术建筑结构监测与预警系统无法避免温度效应对监测预警的影响，也无法确定结构发生损伤的位置的问题。

2、本发明通过以下技术手段解决上述技术问题的：基于时间序列和模型修正的建筑安全监测预警方法，包括以下步骤：

3、s1：监测数据预处理；

4、s2：针对不同的监测设备及安装位置构建不同的arima时间序列模型，确定模型的各项参数，依据构建完毕的arima模型预测结构未来短时时间序列数据，并用后续实测到的时间序列数据与之对比，若两者偏差超过预设范围，则进行第一次预警提醒；

5、s3：依据预警的监测设备的编号，对结构损伤位置进行初步判断，建立同尺寸的有限元模型，利用模型修正理论将计算值和实测值间的误差构造为目标函数，通过折减构件的刚度，模拟结构的实际损伤，完成损伤定位分析，并进行第二次预警提醒。

6、进一步地，所述监测数据预处理的过程为：

7、s11：对预先安装在建筑结构上的n个监测设备进行编号；

8、s12：对各监测设备所在测点测到的时间序列数据进行缺失项检验，若数据存在缺失项则执行s13，否则执行s14；

9、s13：对数据的缺失项进行补齐，之后执行s14；

10、s14：对数据进行平稳性检验，若数据不平稳则执行s15，否则执行s2；

11、s15：对时间序列进行i阶差分运算，直至数据为平稳，之后执行s2。

12、更进一步地，所述s14包括：

13、采用kpss检验数据平稳性，检验时间序列数据是否具有单位根，若没有单位根，则时间序列数据是平稳的，若有单位根，则时间序列数据不是平稳的。

14、进一步地，所述s2包括：

15、s21：确定arima模型的阶数p，d，q，其中，p表示自回归的阶数，d表示差分的次数，q表示移动平均的阶数；

16、s22：构建arima模型；

17、s23：对构建的arima模型进行模型验证；

18、s24：arima模型预测短期未来tf个步长的时间序列数据；

19、s25：获取该测点实时监测到的实测时间序列tm；

20、s26：将tf和tm进行误差分析，若两者偏差超过预设范围则怀疑结构存在损伤，发出第一次预警提醒且执行s3，否则返回执行s1，进行下一个时间段的预警分析。

21、更进一步地，所述s21包括：

22、结合自相关函数和偏自相关函数分析数据，观察自相关图，如果在p阶之后的自相关项急剧下降并在p阶之后不显著，则确定自回归的阶数p，观察偏自相关图，如果在q阶之后的偏自相关项急剧下降并在q阶之后不显著，则确定移动平均的阶数q；差分的次数d等于s15中对时间序列进行i阶差分运算的最终阶数。

23、更进一步地，所述s22包括：

24、通过公式构建arima模型；

25、其中，为自相关系数多项式；k为滞后算子；为d阶后向差分；xt为时间序列；t为期数；θ(k)为移动平均系数多项式；εt为第t期的残差项；

26、其中，与θ(k)表示为：

27、

28、

29、其中，θi分别为自相关系数和移动平均系数。

30、更进一步地，所述s23包括：

31、将原始信号与模型拟合信号做差构建残差信号，若残差信号为随机正态分布且无自相关性，则认为残差为白噪声信号，即时间序列数据的有效信息已被arima模型学习到。

32、更进一步地，所述白噪声信号的检验过程为：绘制直方图判断残差信号是否符合正态分布，通过d-w检验分析残差信号的相关性，若残差信号为随机正态分布且无自相关性，则认为残差为白噪声信号。

33、进一步地，所述s3包括：

34、s31：建立建筑结构的同尺寸有限元数值模型；

35、s32：将第一次预警的监测设备的测点位置投影到有限元数值模型上，将其周边的构件定义为疑似损伤构件；

36、s33：结合结构的其他响应数据，基于有限元模型修正理论，将实测值与模型计算值的误差构造为目标函数，通过折减疑似损伤构件的刚度信息，模拟结构的实际损伤；

37、s34：通过优化算法的迭代计算，求得目标函数最优解，更新有限元模型的参数信息，建立有限元损伤模型；

38、s35：依据有限元损伤模型，进行荷载组合计算，将损伤信息和计算结果推送，进行第二次预警提醒，之后返回执行s1，进行下一个时间段的预警分析。

39、更进一步地，在所述步骤s33中，有限元模型修正理论的数学模型为：

40、

41、其中，xi为模型修正的待修正参数；e为材料弹性模量；d为材料密度；g为材料刚度；jfre为模型修正的目标函数；为修正参数下限；为修正参数上限。

42、本发明的优点在于：

43、(1)本发明基于arima模型可以有效的获取时间序列数据信息进而用来预测短期未来趋势，通过比对实测数据，可以做到实时监测预警，因而能够根据不同的结构类型，构建不同的模型，设置不同的动态阈值，从而最大程度的避免温度效应对监测预警的影响，另外，结合模型修正理论，能够直观的展示出结构损伤部位，有利于解决建筑安全监测的损伤判断和损伤定位问题。

44、(2)本发明将预警信息转为可视化的损伤信息，进而融合模型修正理论建立建筑损伤模型。对比初始的设计模型，本发明建立的损伤模型可以更加贴近真实结构，对损伤模型开展场景分析将更科学、具体。