桥梁极值应力的改进高斯混合粒子滤波器动态预测

为合理地动态预测在役桥梁的极值应力信息,应用桥梁健康监测(BHM)系统的长期日常监测极值应力数据,建立非线性动态模型,引入扩展卡尔曼滤波器(EKF)与高斯混合粒子滤波器(GMPF)相结合的改进高斯混合粒子滤波器(IGMPF)预测算法,对监测极值应力的一步向前预测分布参数及其状态变量的后验分布参数进行预测分析,并进行了实例验证.IGMPF不仅可以得到实测极值应力状态的合理重要性函数,还可以解决传统预测方法的短期性和精度不高的问题,为实际BHM系统的动力响应预测提供了理论基础.

应用高斯粒子滤波器的桥梁可靠性在线预测

为采用实时监测信息对桥梁结构构件的可靠性进行动态预测分析,应用健康监测系统的长期大量监测数据,建立了基于监测数据的动态模型(监测方程与状态方程),引入混合高斯粒子滤波器(MGPF),基于粒子滤波方法、贝叶斯方法以及动态模型,对监测信息状态变量的后验分布参数和监测值的一步向前预测分布参数进行预测分析.混合高斯粒子滤波方法通过重抽样技术,提高了动态模型的预测精度.基于实时监测信息可以不断修正抽样粒子的权重,进而解决粒子退化问题.最后基于实时预测的分布参数,结合一次二阶矩(FOSM)方法,对桥梁结构构件的可靠性进行在线动态预测分析.

基于改进高斯混合粒子滤波新算法的桥梁极值应力动态预测

将极值应力数据视为时间序列,提出了桥梁结构极值应力的改进高斯混合粒子滤波(IGMPF)动态预测新方法。首先,利用桥梁健康监测极值应力数据建立动态非线性模型,将其作为粒子滤波算法的状态方程和监测方程;然后,引入最大期望(EM)算法来估计目标状态的概率分布,并嵌入高斯混合粒子滤波器中,进而利用改进高斯混合粒子滤波算法,结合应力监测数据实现结构极值应力的动态预测;最后,通过在役桥梁监测数据对本文模型和方法的合理性进行验证。结果表明:本文方法预测精度高,可用于工程实际应用中。

应用新数据同化算法的桥梁极值应力预测

为合理动态预测桥梁极值应力,将极值应力监测数据视为时间序列,提出桥梁极值应力预测的数据同化新方法。利用极值应力监测数据建立动态非线性模型,引入K均值聚类算法与最大期望算法,并将两者融合嵌入到高斯混合粒子滤波器,得到改进高斯混合粒子滤波算法,结合监测数据实现桥梁极值应力的动态预测,通过在役桥梁监测数据对所提算法的合理性进行验证,并与其他预测算法进行比较,结果发现改进算法更具可行性且预测精度较高。