本發(fā)明涉及預警
技術領域：
，具體涉及一種高效的橋梁結構健康預警系統(tǒng)。
背景技術：
：橋梁結構健康預警是以橋梁結構為平臺，運用現代電子通訊和網絡技術，通過數據采集系統(tǒng)及時的獲取橋梁結構在各種荷載和作用下的響應信息，通過對信息的分析和處理實現對橋梁結構健康的預測，為橋梁結構的運營和維護提供依據?，F有的橋梁結構健康預警系統(tǒng)均存在數據收集類型單一、數據量少，數據處理周期長等缺陷，無法對橋梁結構健康進行準確預測和預警。大數據的特點可以概括為數據量巨大、數據類型繁多、處理周期短，大數據技術指在不同類型的大量數據中，快速處理獲得潛在的有價值信息的能力，使得原本很難收集和利用的數據開始容易被利用起來，在較短的時間內能快速處理大量數據并整理成為橋梁結構健康監(jiān)測需要的依據，在橋梁結構健康監(jiān)測方面具有極大的應用潛力。所以，開發(fā)一種基于大數據理念的橋梁結構健康預警系統(tǒng)很有必要。技術實現要素：針對上述問題，本發(fā)明旨在提供一種高效的橋梁結構健康預警系統(tǒng)。本發(fā)明的目的采用以下技術方案來實現：提供了一種高效的橋梁結構健康預警系統(tǒng)，包括橋梁結構大數據挖掘子系統(tǒng)、橋梁結構大數據存儲子系統(tǒng)、橋梁結構大數據分析子系統(tǒng)和橋梁結構健康預警子系統(tǒng)組成，所述橋梁結構大數據挖掘子系統(tǒng)借助傳感器、gps系統(tǒng)和互聯網創(chuàng)建橋梁結構大數據流，所述橋梁結構大數據存儲子系統(tǒng)對所述橋梁結構大數據流進行存儲，所述橋梁結構大數據分析子系統(tǒng)對所述存儲的橋梁結構大數據流進行處理，對橋梁結構健康做出預測，所述橋梁結構健康預警子系統(tǒng)用于根據預測結果判斷橋梁結構是否異常，若異常，則發(fā)出預警。本發(fā)明的有益效果為：能夠對橋梁結構健康進行準確預測和預警。附圖說明利用附圖對本發(fā)明作進一步說明，但附圖中的實施例不構成對本發(fā)明的任何限制，對于本領域的普通技術人員，在不付出創(chuàng)造性勞動的前提下，還可以根據以下附圖獲得其它的附圖。圖1是本發(fā)明的結構連接示意圖。附圖標記：橋梁結構大數據挖掘子系統(tǒng)1、橋梁結構大數據存儲子系統(tǒng)2、橋梁結構大數據分析子系統(tǒng)3、橋梁結構健康預警子系統(tǒng)4。具體實施方式結合以下實施例對本發(fā)明作進一步描述。參見圖1，本實施例的一種高效的橋梁結構健康預警系統(tǒng)，包括橋梁結構大數據挖掘子系統(tǒng)1、橋梁結構大數據存儲子系統(tǒng)2、橋梁結構大數據分析子系統(tǒng)3和橋梁結構健康預警子系統(tǒng)4組成，所述橋梁結構大數據挖掘子系統(tǒng)1借助傳感器、gps系統(tǒng)和互聯網創(chuàng)建橋梁結構大數據流，所述橋梁結構大數據存儲子系統(tǒng)2對所述橋梁結構大數據流進行存儲，所述橋梁結構大數據分析子系統(tǒng)3對所述存儲的橋梁結構大數據流進行處理，對橋梁結構健康做出預測，所述橋梁結構健康預警子系統(tǒng)4用于根據預測結果判斷橋梁結構是否異常，若異常，則發(fā)出預警。本實施例能夠對橋梁結構健康進行準確預測和預警。優(yōu)選的，所述傳感器包括溫度傳感器、濕度傳感器和壓力傳感器。本優(yōu)選實施例獲取了多種橋梁結構數據。優(yōu)選的，所述橋梁結構大數據存儲子系統(tǒng)2采用云存儲。本優(yōu)選實施例提高了對數據流的讀、寫速度。優(yōu)選的，所述橋梁結構大數據分析子系統(tǒng)3采用模型組合對橋梁結構健康進行預測，包括一次處理模塊、二次處理模塊、三次處理模塊和四次處理模塊，所述一次處理模塊用于建立備選模型庫，其中包含多個監(jiān)測模型，所述二次處理模塊用于為所述備選模型庫中的各個監(jiān)測模型設置權重，所述三次處理模塊用于根據所述權重確定關于所述各個監(jiān)測模型的最優(yōu)模型組合，所述四次處理模塊用于對所述最優(yōu)模型組合性能進行評價。本實施例獲取的橋梁結構健康預測更為準確。優(yōu)選的，所述一次處理模塊用于建立備選模型庫，采用以下方式進行：步驟1：確定備選模型庫，假設有n種監(jiān)測模型，備選模型庫可用向量rl表示為：rl＝(rl1,rl2,…,rln)，在式子里，rli表示第i個監(jiān)測模型，i＝1,2,…,n，n表示模型庫中監(jiān)測模型數量；步驟2：確定監(jiān)測模型的預測值，監(jiān)測模型的預測值向量y可相應表示為：y＝(y1,y2,…,yn)，在式子里，yi表示第i個監(jiān)測模型的預測值，i＝1,2,…,n，n表示模型庫中監(jiān)測模型數量。所述二次處理模塊用于確定所述備選模型庫中的監(jiān)測模型在所述模型組合中的權重，采用以下方式進行：步驟1：確定模型組合數，每次參與模型組合的監(jiān)測模型以及監(jiān)測模型數量是不確定的，且參與程度不同，將模型組合看作是一次隨機事件試驗，確定模型組合數c為：在式子里，i表示參與模型組合的監(jiān)測模型的數量，i＝2表示至少有兩個監(jiān)測模型參與模型組合,β表示參與程度復雜因子，β∈{2，3}；則所有的模型組合集向量gp可表示為：gp＝(gp1,gp2,…,gpc)，在式子里，gpj表示第j種模型組合，j＝1,2,…,c，c表示所有的模型組合數；步驟2：確定監(jiān)測模型參與程度，模型組合gpj可用向量表示為：gpj＝(σ(rl1),σ(rl2),…,σ(rln))，其中，σ(rli)表示監(jiān)測模型rli參與程度，i＝1,2,…,n，步驟3：確定監(jiān)測模型權值，對于第i個監(jiān)測模型rli，采用以下方式進行賦權：在式子里，bzi表示第i個監(jiān)測模型rli相應權重，yi表示第i個監(jiān)測模型的預測值，β表示參與程度復雜因子。本優(yōu)選實施例橋梁結構大數據分析子系統(tǒng)設置一次處理模塊和二次處理模塊，克服了傳統(tǒng)的模型組合預測存在參與組合的模型樣本空間不全面、比較容易因為個人能力不同導致忽略更為有效的模型等問題，為后續(xù)橋梁結構健康預測奠定了堅實基礎。優(yōu)選的，所述三次處理模塊用于根據所述監(jiān)測模型在所述模型組合中的權重確定最優(yōu)模型組合，具體包括以下步驟：步驟1：設j＝1，計算得到模型組合的組合預測值和實測值誤差fv：pai＝σ(rli)×bzi×yi，在式子里，y′表示實測值；j＝j+1，當j>c，所有模型組合計算完畢，找出最小計算誤差組合，得到最優(yōu)模型組合，采用該組合對橋梁結構健康進行預測；步驟2：每隔一定周期t重復步驟1，以保證模型組合不斷更新。本優(yōu)選實施例橋梁結構大數據分析子系統(tǒng)設置三次處理模塊，通過計算最小誤差對模型組合進行選擇，獲取了最優(yōu)組合，通過每隔一定周期對模型組合進行更新，克服了模型組合的不變性和歷史數據的局限性，保證了即時最優(yōu)預測。優(yōu)選的，所述四次處理模塊用于對所述最優(yōu)模型組合性能進行評價；所述評價函數tn可表示為：在式子里，kr表示預測誤差最小的次數，db表示預測誤差最大的次數，qm表示預測誤差處于中間的次數，評價函數值越大，預測精度越高。本優(yōu)選實施例橋梁結構大數據分析子系統(tǒng)設置四次處理模塊，通過建立評價函數，更加客觀的對預測精度進行評價，克服了帶有較強個人偏好的主觀性和經驗性的評價方式。采用本發(fā)明對橋梁結構健康進行預警，當備選模型庫中的監(jiān)測模型數量分別為20、25、30、35、40個時，對模擬預測結果進行了統(tǒng)計，與未采用本發(fā)明相比，產生的有益效果如下表所示：監(jiān)測模型數量預警時間縮短預警準確性提高4020％10％3525％15％3030％20％2532％24％2036％31％最后應當說明的是，以上實施例僅用以說明本發(fā)明的技術方案，而非對本發(fā)明保護范圍的限制，盡管參照較佳實施例對本發(fā)明作了詳細地說明，本領域的普通技術人員應當理解，可以對本發(fā)明的技術方案進行修改或者等同替換，而不脫離本發(fā)明技術方案的實質和范圍。當前第1頁12