【摘要】：
隨著橋梁事故的逐年增加,橋梁健康監(jiān)測越來越受到政府和工程界重視。橋梁是一個比較復雜的系統,正常情況下劣化是一個緩慢的過程,橋梁的健康
監(jiān)測系統每天會產生大量的數據,而橋梁的老化、損傷往往是很長一段時間造成的,期間
監(jiān)測系統收集的數據量是驚人的,但是一般的健康監(jiān)測系統又無力分析處理長時間積累的大量的數據(數據量一般可達到GB級),也就無法從歷史數據中發(fā)現橋梁所存在的問題,使大量有價值的數據堆放在一邊無法使用.。
本文嘗試利用基于神經網絡的數據挖掘技術對
橋梁監(jiān)測數據進行挖掘,找出
橋梁監(jiān)測數據的
數據分析模型,獲得某個橋梁參數的變化(波動)規(guī)律,同時挖掘出橋梁參數之間隱含的關系。事實上對于大型建筑,如高樓、體育館、大壩、機場等的監(jiān)測數據的分析,本課題的研究也有實際意義的。
主要是在數據挖掘技術的基礎上,結合橋梁監(jiān)測系統的現狀,提出了利用數據挖掘技術處理大型數據集的能力來分析由橋梁監(jiān)測系統產生的數據的方案,采用基于神經網絡的數據挖掘技術對橋梁監(jiān)測數據進行分析,處理橋梁長期監(jiān)測中所產生的大量數據,建立了多種數據挖掘模型,分別是:①聚類模型,主要用于橋梁數據的異常情況監(jiān)測,數據的歸約。②關聯模型,主要用于發(fā)現橋梁結構或環(huán)境參數之間的關聯規(guī)則。③時間序列分析模型,主要用于觀察橋梁監(jiān)測數據的變化趨勢,各參數值變化趨勢的比較,以及參數值的預測,通過參數值的時序圖對比,也可以發(fā)現橋梁參數的相關關系。利用所建立的可以重復利用的各種數據挖掘模型,可對當前橋梁健康狀況的判斷和識別,發(fā)掘出數據所隱含的有用信息,提高橋梁健康狀況評估的自動程度和效率。
本文的研究成果能較大地提高橋梁健康狀況評估的自動程度和效率,但橋梁檢測數據的分析是一個復雜的系統,涉及很多方面的問題,同時,如何及時準確的判斷橋梁健康狀況,提高橋梁健康狀況預測的準確度也是一個值得研究的問題,所以要想基于神經網絡的橋梁檢測數據挖掘系統投入使用,需要做大量的工作。
【關鍵詞】：數據挖掘 健康監(jiān)測 聚類 關聯 時序分析 模型 橋梁 【學位授予單位】：重慶大學
【學位級別】：碩士
【學位授予年份】：2007
【分類號】：TP183;TP274.5
【DOI】：CNKI:CDMD:2.2007.180559
【目錄】：
- 中文摘要3-4
- 英文摘要4-8
- 1 緒論8-13
- 1.1 問題的提出及研究意義8-9
- 1.1.1 問題的提出8-9
- 1.1.2 研究的意義9
- 1.2 國內外現狀9-11
- 1.3 本文研究的目的和研究內容11-13
- 1.3.1 本文研究的目的11-12
- 1.3.2 本文研究的內容12-13
- 2 相關理論13-22
- 2.1 數據挖掘概述13
- 2.2 聚類分析模型13-16
- 2.3 關聯規(guī)則挖掘模型16-19
- 2.3.1 基本概念16-17
- 2.3.2 Apriori 算法17-19
- 2.4 時間序列的ARIMA 模型19-22
- 3 大佛寺大橋健康監(jiān)測系統簡介22-29
- 3.1 橋梁健康檢測系統22-24
- 3.2 大佛寺大橋監(jiān)測系統簡介24-27
- 3.3 大佛寺長江大橋監(jiān)測數據的特征27-29
- 4 橋梁監(jiān)測數據的挖掘29-45
- 4.1 橋梁監(jiān)測數據預處理29-32
- 4.1.1 橋梁監(jiān)測數據合并29
- 4.1.2 橋梁監(jiān)測數據中噪音數據的處理29
- 4.1.3 橋梁監(jiān)測數據的最大值，最小值29-31
- 4.1.4 橋梁監(jiān)測數據的平均值，標準方差31
- 4.1.5 橋梁監(jiān)測數據變換31-32
- 4.1.6 橋梁監(jiān)測數據主成分分析(PCA)32
- 4.2 橋梁監(jiān)測數據的聚類分析32-34
- 4.3 挖掘橋梁監(jiān)測數據的關聯規(guī)則34-38
- 4.4 橋梁監(jiān)測數據時序預測模型38-44
- 4.4.1 橋梁監(jiān)測數據時間序列的相似性38-40
- 4.4.2 橋梁監(jiān)測數據時序預測模型40-44
- 4.5 挖掘模型的使用44-45
- 5 總結45-46
- 致謝46-47
- 參考文獻47-49
- 附錄49
