【摘要】：
隨著橋梁事故的逐年增加,橋梁健康監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
監測系統收集的數據量是驚人的,但是一般的健康監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
橋梁監測數據進行挖掘,找出
橋梁監測數據的
數據分析模型,獲得某個橋梁參數的變化(波動)規律,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測數據進行分析,處理橋梁長期監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測,數據的歸約。②關聯模型,主要用于發現橋梁結構或環境參數之間的關聯規則。③時間序列分析模型,主要用于觀察橋梁監測數據的變化趨勢,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 大佛寺大橋監測系統簡介24-27
- 3.3 大佛寺長江大橋監測數據的特征27-29
- 4 橋梁監測數據的挖掘29-45
- 4.1 橋梁監測數據預處理29-32
- 4.1.1 橋梁監測數據合并29
- 4.1.2 橋梁監測數據中噪音數據的處理29
- 4.1.3 橋梁監測數據的最大值，最小值29-31
- 4.1.4 橋梁監測數據的平均值，標準方差31
- 4.1.5 橋梁監測數據變換31-32
- 4.1.6 橋梁監測數據主成分分析(PCA)32
- 4.2 橋梁監測數據的聚類分析32-34
- 4.3 挖掘橋梁監測數據的關聯規則34-38
- 4.4 橋梁監測數據時序預測模型38-44
- 4.4.1 橋梁監測數據時間序列的相似性38-40
- 4.4.2 橋梁監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
