DBSCAN和GRU算法在桥梁监测系统的研究

作     者：刘欢 李富年 颜永逸 宋晓东 杨国静 林俊平 LIU Huan;LI Funian;YAN Yongyi;SONG Xiaodong;YANG Guojing;LIN Junping

作者机构：武汉科技大学信息科学与工程学院湖北武汉430081 中铁二院工程集团有限责任公司湖北武汉430061 华中科技大学土木工程与力学学院湖北武汉430074 

基　　金：国家自然科学基金项目(51778258) 国家自然科学基金项目(51922046) 中铁二院工程集团有限责任公司科研项目(KYY2019029(19-21)) 中铁第四勘察设计院集团有限公司科研项目(2020K006,2019D001,2020D002) 

出 版 物：《现代电子技术》 (Modern Electronics Technique)

年 卷 期：2022年第45卷第20期

页      码：114-118页

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。

主 题 词：桥梁监测 时序数据 噪声数据 K-means DBSCAN RNN LSTM GRU 异常检测 

学科分类：0810[工学-土木类] 08[工学] 081001[081001] 

D　O　I：10.16652/j.issn.1004-373x.2022.20.023

馆 藏 号：203114609...