基于大数据挖掘的桥梁结构健康状态分析与评估研究

With the development of large-scale bridge structural health monitoring system, bridge monitoring information becomes to show typical "big data" features, such as large quantity, variety, and fast growth. Traditional univariate time series data mining technology can not effectively analyze multiple parameter information due to high data storage cost , low computational efficiency, and poor extraction of structure condition information. Aiming at the above limitations, by studying big data characteristics of bridge structural health monitoring information in big data environment, approximate time series data model and univariate/multivariate time series data mining algorithms are proposed to solve the key problems of the mass heterogeneous bridge monitoring information data compression and multiple parameter fusion, and bridge structure condition data character extraction and assessment model in big data environment, and to further construct big data based bridge structure condition analysis and assessment theory methods and technology system. The proposals are further verified and optimized by combining model tests and real applications. This research project promotes the development of big data mining technology, is expected to enrich the bridge structural health condition analysis and assessment theory and method system, and has important application value for bridge maintenance, operation management, and disaster warning.

随着大型桥梁结构健康监测系统的不断发展, 桥梁监测信息呈现数据量巨大、种类多，增长快等显著的“大数据”特征，传统的单一时序数据挖掘技术由于数据存储成本高、计算效率低、且不能有效分析多参数信息，已无法有效分析处理结构状态信息。本项目针对以上问题，通过研究桥梁结构健康监测信息大数据特征，提出大数据环境下的近似时序数据模型、单/多元时序数据挖掘算法，解决海量异构桥梁监测信息数据压缩、多参数数据融合和大数据环境下的桥梁结构状态表征参数提取及评估等关键问题，构建基于大数据挖掘的桥梁结构状态综合分析与评估理论方法与技术体系，进一步结合模型试验与实际工程应用，验证并优化完善以上理论与技术。本项目研究在推动大数据挖掘技术的发展的同时，可望丰富桥梁结构健康状态分析与评估的理论和方法系统，对大型桥梁的养护、运营管理和灾难预警等具有重要应用价值。

随着大型桥梁结构健康监测系统的不断发展, 监测信息呈现数据量巨大、种类多，增长快等显著的“大数据”特征，传统的单一时序数据挖掘技术由于数据存储成本高、计算效率低、且不能有效分析多参数信息，已无法充分提取结构状态信息。.本项目针对以上问题，主要研究大数据环境下桥梁结构健康监测数据分析和挖掘方法。主要研究内容包括：（1）针对结构健康监测系统采集到的数据很容易产生大量的数据缺失、异常问题，严重降低了数据集的质量，提出了一种基于优化训练的结构健康状态评估方法，实验结果证明优化后的训练集不仅减少了训练集中样本的数目，且有效提升了训练集的质量，从而提高桥梁结构健康状态分析准确性和效率；（2）通过研究结构健康监测信息大数据特征，利用符号化聚合近似时序模型将原始数据分段聚合并符号化表示，有效解决大数据环境下数据压缩问题，提供数据处理分析效率，经实验证明该方法可大大提高了结构健康状态分析效率，相较于原始数据，该方法不仅将处理时间从原来的数小时降低至数秒，且评估结果正确率得到大幅提升。相较于传统的基于时间序列分析的桥梁结构损伤识别框架，我们提出的框架更加高效、灵活，可更好地分析海量的桥梁结构健康监测时序数据，实时评估桥梁结构状态。（3）基于多元时序数据挖掘的多参数融合技术，通过处理多维数据，对整体结构健康状态进行全面有效分析评价，实验证明该方法能够对多维数据进行分析并具有较高的精准率，比其他传统方法有显著提升，从而提高在复杂因素耦合作用下结构健康状态分析和评估的准确性和可靠性。.综上所述，本项目创新性地提出了基于大数据挖掘的桥梁结构健康状态评估理论与技术，并结合模型试验与实际工程应用进行了验证，其研究成果丰富桥梁结构健康状态分析与评估的理论和方法系统，对桥梁、地铁隧道等大型工程结构的养护、运营管理和灾难预警等具有重要应用价值。