(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110227278.2 (22)申请日 2021.03.01 (65)同一申请的已公布的文献号 申请公布号 CN 112966435 A (43)申请公布日 2021.06.15 (73)专利权人 重庆交通大 学 地址 400074 重庆市南岸区学府大道6 6号 (72)发明人 周建庭　姜言　唐启智　辛景舟　 张洪　杨俊　 (74)专利代理 机构 重庆博凯知识产权代理有限 公司 50212 代理人 胡逸然 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/00(2022.01) G06F 17/18(2006.01) (56)对比文件 CN 111488710 A,2020.08.04 CN 111062079 A,2020.04.24 CN 107493 317 A,2017.12.19CN 110414045 A,2019.1 1.05 CN 1096825 61 A,2019.04.26 CN 109357822 A,2019.02.19 US 2020284687 A1,2020.09.10 姜言.“基于T-B谱方法的风 致疲劳分析以及 在桥梁主梁抖振疲劳中的应用 ”. 《中国博士学位 论文全文数据库(工程科技 Ⅱ辑)》 .2020,(第 2020年第0 3期), 罗亦泳 等.“基于改进VMD的变形 特征提取 与分析”. 《武汉大 学学报· 信息科学版》 .2020, 第45卷(第4期), 赵亚军 等. “基于变分模态分解的模态参数 识别研究 ”. 《振动与 冲击》 .2015,第39卷(第2 期), 黄大荣 等. “一种参数优化VMD多尺度熵的 轴承故障诊断新方法 ”. 《控制与决策》 .2019,第 35卷(第07期), Ittipong Khemapec h 等.“A real-time Health Mo nitoring and warn ing system for bridge structures ”. 《2016 IE EE Region 10 Conference (TENCON)》 .2017, 审查员 赵识谦 (54)发明名称 一种桥梁变形实时预测方法 (57)摘要 本发明公开了一种桥梁变形实时预测方法， 包括如下步骤： 连续获取一段时间内的桥梁变形 信号； 自适应地确定变分模态分解的最优分解层 数； 基于最优分解层数将桥梁变形信号分解为多 个变分模态子序列， 识别变分模态子序列中的相 关成分及不相关成分， 基于相关成分及不相关成 分将变分模态子序列重构为预测用子序列； 基于 预测用子序列预测桥梁变形数据。 与现有技术相 比， 本发明可以自适应地确定变分模态分解的最 优分解层数， 进而识别出相关成分与不相关成 分， 并基于相关成分和不相关成分重建用于预测 的子序列， 能够极大程度的抑制不相关成分对变形预测的干 扰， 提高预测的准确性。 权利要求书2页 说明书11页 附图9页 CN 112966435 B 2022.04.01 CN 112966435 B 1.一种桥梁变形实时预测方法， 其特 征在于， 包括如下步骤： S1、 连续获取一段时间内的桥梁变形信号x(t)， t＝1,2,. ..,T； S2、 自适应地确定变分模态分解的最优分解层数； 步骤S2包括： S201、 利用经验模态分解将桥梁变形信号分解为多个经验模态子序列， 第j个经验模态 子序列表示 为sj(t),j＝1,2,. ..,k’， k’为经验模态分解层数； S202、 按下式转换 经验模态子序列得到新的子序列： 式中， 为sj(t)对应的新的子序列， τ 为滞后时间； S203、 按下式计算中心频率： 式中， 为 对应的中心频率， n 为训练样本总数； S204、 按下式计算中心频率的变异系数CoVk： 式中， k为变分模态分解层数， k的取值范围是[k ’ ‑3， k’+3]； S205、 选取最大的变异系数CoVk所对应的k作为 最优分解层数； S3、 基于最优分解层数将桥梁变形信号分解为多个变分模态子序列， 识别变分模态子 序列中的相关成分及不相关成分， 基于相关成分及不相关成分将 变分模态子序列重构为预 测用子序列； 步骤S3包括： S301、 将桥梁变形信号分解为多个变分模态分解子序列， 第i个变分模态分解子序列表 示为s’i(t),i＝1,2,...,k， k为最优分解层数； S302、 按下式计算相对熵KLD： 式中， D(f||g)和D(g||f)为概率密度函数f(x)和g(s ’i)之间的相对熵 值， f(x)和g(s ’i) 分别是x(t)和s ’i(t)的概率密度函数； 权　利　要　求　书 1/2 页 2 CN 112966435 B 2式中， x为训练样本， h为带宽参数， K( ·)为对称核函数； σ 表示样本标准差的估计值； S303、 按下式计算s ’i(t)和x(t)之间夹角的余弦函数值： 式中， 表示s’i(t)和x(t)之间的夹角； S304、 将使KLD和 最大的变分模态分解子序列 作为不相关成分， 叠加构建不相关 序列c1(t)， 将其他变分模态分解子序列作为相关成分， 叠加构建相关序列c2(t)， 将c1(t)和 c2(t)作为预测用子序列； S4、 基于预测用子序列预测桥梁变形 数据。 2.如权利要求1所述的桥梁变形实时预测方法， 其特 征在于， 步骤S4包括： S401、 按下式分别对c1(t)和c2(t)建模， 得到对应的线性预测结果和误差项： Φ(B)·(1‑B)Δ·cα(t)＝θ(B) ·ε(t) 式中， α ＝1,2， B为后移算子， Δ为差分阶数， ε(t)为时刻t的误差， p和q分别为自回归过 程和移动平均 过程的阶数， {Φp}和{θq}分别为自回归过程和 移动平均过程部分的系数， Φ (B)为自回归过程的后移算式， θ(B)为移动平均过程的后移算式； S402、 根据误差修正预测策略， 建立条件核密度估计来进一步分析前述的误差项， 进而 执行预测修正， 并生成误差期望和方差； S403、 将线性预测结果与条件核密度估计的期望值相加， 以生成最终的确定性预测， 即 目标变形的期 望； 根据中心极限定理， 假设目标变形服从 高斯分布， 并结合确定性预测结果 与条件核密度中获得的方差， 从而得到预测结果的概率密度函数表达式； 通过该表达式， 可 以得到最终的概 率预测。权　利　要　求　书 2/2 页 3 CN 112966435 B 3