基于HHT-LSTM的冬奥会临时设施运行趋势预测方法研究.pdf
《基于HHT-LSTM的冬奥会临时设施运行趋势预测方法研究.pdf》由会员分享,可在线阅读,更多相关《基于HHT-LSTM的冬奥会临时设施运行趋势预测方法研究.pdf(10页珍藏版)》请在咨信网上搜索。
1、DOI:10.11992/tis.202303003网络出版地址:https:/ HHT-LSTM 的冬奥会临时设施运行趋势预测方法研究常明煜1,2,田乐1,2,郭茂祖1,2(1.北京建筑大学 电气与信息工程学院,北京 100044;2.北京建筑大学 建筑大数据智能处理方法研究北京市重点实验室,北京 100044)摘 要:针对冬奥会延庆赛区临时设施的安全性和可使用性,本文充分结合信号处理算法与深度神经网络,提出了一种由希尔伯特黄变换(Hilbert-Huang transform,HHT)对时序数据进行信号分解和信号特征提取,长短期记忆网络(long short-term memory,LST
2、M)进行临时设施运行趋势预测 2 部分构成模型。该模型基于受严寒天气和大客流诱发的看台振动等一系列外因影响所测得的真实振动和倾角数据,实现对设施进行有效的预测,以避免发生安全问题,解决了由于受数据中一些无关特征因素的干扰导致预测准确度低的问题。论文提出的方法与循环神经网络(recurrent neural network,RNN)、门控循环网络(gated recurrent neural network,GRU)、双向RNN 和双向 GRU 等运行趋势预测方法进行比较,验证了本文方法的可行性和有效性,实验结果也说明所提出的模型在此类任务中表现非常出色。关键词:时间序列预测;希尔伯特黄变换;长
3、短期记忆网络;信号处理;趋势预测;临时设施;预测方法;数据分析;自然语言处理中图分类号:TP911.7 文献标志码:A 文章编号:16734785(2024)01022810中文引用格式:常明煜,田乐,郭茂祖.基于 HHT-LSTM 的冬奥会临时设施运行趋势预测方法研究 J.智能系统学报,2024,19(1):228237.英文引用格式:CHANG Mingyu,TIAN Le,GUO Maozu.Research on the HHT-LSTM-based operation trend prediction method oftemporary facilities for the Win
4、ter Olympic GamesJ.CAAI transactions on intelligent systems,2024,19(1):228237.Research on the HHT-LSTM-based operation trend prediction method oftemporary facilities for the Winter Olympic GamesCHANG Mingyu1,2,TIAN Le1,2,GUO Maozu1,2(1.School of Electrical and Information Engineering,Beijing Univers
5、ity of Civil Engineering and Architecture,Beijing 100044,China;2.Research on Intelligent Processing Method of Building Big Data Beijing Key Laboratory,Beijing University of Civil Engin-eering and Architecture,Beijing 100044,China)Abstract:For the safety and availability of temporary facilities in th
6、e Yanqing area of the Winter Olympic Games,bysufficiently combining signal processing algorithm and deep neural network,this paper proposes a brand-new model thatconsists of two parts:Hilbert-Huang transform(HHT)used for signal decomposition and extraction of signal feature fortime-series data,and l
7、ong short-term memory(LSTM)for prediction of the operation trend of temporary facility.Basedon the real vibration and tilt angle data measured while it is affected by a series of exogenous factors such as grandstandvibration induced by severe cold weather and heavy passenger flow,the model realizes
8、effective prediction for facilities,so as to avoid safety problems and solve the problem of low prediction accuracy due to the interference of some irrelev-ant feature factors in the data.By comparing with such operational trend prediction methods as recurrent neural network(RNN),gated recurrent neu
9、ral network(GRU),bi-directional RNN and bi-directional GRU,the feasibility and effective-ness of the method was demonstrated.The experimental results also show that the proposed model performs very well insuch tasks.Keywords:time series;Hilbert-Huang transform;long short-term memory network;signal p
10、rocessing;temporary facil-ities;temporary facilities;prediction methods;data analysis;natural language processing 临时设施故障预测是学界研究重点之一,通过提前预判相关设施的状态和未来一段时间的变收稿日期:20230306.网络出版日期:20230731.基金项目:科技部科技冬奥重点专项(2021YFF0306303);国家自然科学基金项目(62271036).通信作者:郭茂祖.E-mail:.第 19 卷第 1 期智能系统学报Vol.19 No.12024 年 1 月CAAI Tr
11、ansactions on Intelligent SystemsJan.2024智能系统学报编辑部版权所有化趋势,有助于提高其安全性。在大型体育赛事中,因临时设施具有安装方便、拆卸容易、能重复使用的特点,因此会有大量修建的临时设施,其中就包括临时看台、转播塔、临时桥架以及为偏远赛场电力运营所建造的输电塔等临时设施结构。由此可见,临时设施在我国建设体育强国中有着愈发重要的地位。本文研究主要是基于 2022 年举办的北京冬奥会。为举办绿色奥运,勤俭办奥,大量易于搭建和重复利用的临时设施被大范围采用,其中就有临时看台以及放置转播设备的转播塔等。临时看台主要承受人群荷载,当人群拥挤、摇摆、跳跃时,容
12、易引发强烈振动,直接影响看台结构的整体强度和刚度,导致该类结构安全事故可能发生,而转播塔也可能由于施工缺陷、各种复杂荷载的作用或者杆件老化等原因,转播塔结构在运行中会存在疲劳裂纹、螺栓松动等损伤。除此之外,转播塔结构比较高耸,而且其最上面的平台会放置转播设备,使得转播塔对风荷载、雪荷载、低温环境等具有很强的敏感性。因此,有必要对看台、转播塔等临时设施结构进行荷载和损伤识别,从而能够为建立冬奥临时设施结构安全智能预警提供关键技术支撑。本文提出了以希尔伯特黄变换(Hilbert-Huangtransform,HHT)和长短期记忆网络(long short-term memory network,L
13、STM)为基础的一种全新的组合模型。希尔伯特黄变换由经验模态分解(empirical mode decomposition,EMD)和希尔伯特变换(Hilbert)两部分组成,通过 EMD 将给定信号分解成若干固有模态函数(intrinsic mode function,IMF),这些函数是满足特定条件的分量;然后再对各个分量进行 Hilbert 变换得到瞬时频率。相比于传统的时频分析方法,瞬时频率和幅度都可以通过 HHT 得到,而且该方法所得时频矩阵更精细,同时也不存在频谱泄漏风险。HHT 具有自适应性和清晰的物理含义,是一种适合处理突变信号的方法,可以有效解决线性和平稳性束缚问题,可以有效
14、提取到信号的时间、频率、能量分布特征。LSTM 网络也可以有效避免长期依赖性问题。所谓长期依赖的问题指的是随着时空距离的增加,信号之间的相关性常常变得越来越弱,不确定性越来越大。传统的神经网络没有记忆功能,而循环神经网络(recurrent neural network,RNN)能够连续不断地进行信息循环,保证信息存在,RNN 可以利用以前的信息对当前任务进行相应的操作,如果这次任务的有用信息与需要进行处理信息的地方之间距离较远,容易导致 RNN不能学习到有用的信息,导致推导任务失败,造成梯度消失或梯度爆炸。LSTM 可以避免 RNN梯度消失解决长依赖问题,因此本文采用 LSTM来解决临时设施
15、未来趋势预测问题。该算法为临时设施运行趋势预测提供了一种有效的方法,实现临时设施倾斜、振动等状态信息的监测与智能分析需求,及时捕捉到异常点,最大限度降低安全隐患。1 临时设施预测方法相关工作对于临时设施趋势预测主流方法包括时间序列预测、智能算法和组合模型等。其中,传统的时间序列预测方法虽然对线性数据处理效果良好,但是处理非线性数据时该类算法的效果不佳。智能算法目前主要有机器学习和深度学习2 类,其中常见的主要包括随机森林算法1、BP 神经网络2、时频分析3与特征融合方法、小波变换4、傅里叶变换5等。文献 6 利用粒子群算法(particle swarm optimization,PSO)优化的
16、 BP 神经网络来对办公建筑视觉舒适度进行预测,提供了一种高效准确的办公建筑预测方法。在日常工作中,机械设备会产生特征性的振动、噪声等信息,因此出现了很多以数据驱动和信号处理为基础的方法。文献 7 通过峭度解卷积降噪与经验小波变换的方法,达到了诊断滚动轴承故障的目的。文献 8 采取了时频变换和特征融合策略,达到了诊断内燃机故障的目的。文献 9 深入研究了以自适应经验傅里叶分解为基础的故障识别策略。文献 10 以小波变换为基础,实现了诊断液压缸泄漏故障的目的。利用智能算法虽然能很好地处理非线性问题,但在处理大样本数据时计算速度慢、计算效率低。就原理而言,组合模型通过对各个单一模型的组合,可以充分
17、发挥各自优点,在提高效率的同时提高预测精度。此外,通过组合模型所得到的结果,比单一模型更加稳定可靠,这也是它能够广泛运用于经济、工业等诸多领域的原因所在。文献 11 通过人工神经网络和卡尔曼滤波达到了诊断浮式风力机桨距系统故障的目的。文献 12 充分结合了多点最优最小熵解卷积和增强倒频谱技术,并将其运用到诊断风电机组齿轮箱多故障中。很多预测方法不仅应用于机电设备故障预测和办公建筑领域,而且在电力负荷预测和价格数据预测领域应用也十分广229常明煜,等:基于 HHT-LSTM 的冬奥会临时设施运行趋势预测方法研究第 1 期 泛。文献 13 利用 PSO 优化长短期记忆神经网络(LSTM)模型的参数
18、,大大提高了预测精度。文献 14 结合 LSTM 模型处理长时间序列的优势和支持向量机回归(support vector machine regres-sion,SVR)模型处理非线性问题的优点,并利用果蝇优化算法优化参数建立组合模型,预测了烟用白卡纸价格和短期卷烟销量,并取得显著成果。除了设计各种模型,一些学者还结合了时频分析丰富信号原始信息,最终达到增强预测准确性的目的。如 Giulia 等15提出了经验模态分解与人工神经网络(empirical mode decomposition-artifi-cial neural network,EMD-ANN)分解集成模型,大幅提高了预测准确性;
19、Tayyab 等16则构建了离散小波变换神经网络(discrete wavelet transform-back propagation,DWT-BP)和离散小波变换径向基神经网络(discrete wavelet transform-radial basisfunction network,DWT-RBF)组合模型,预测效果也明显提升;刘艳等17提出的传统时序建模方法(auto regressive integrated moving average,ARIMA)组合模型也拥有不错的预测效果;赵力学等18通过变分模态分解反向传播神经网络(variationalmode decompositi
20、on-back propagation,VMD-BP)模型完成了水位流量的非线性拟合,所得效果也很好;詹可等19针对海洋环境中非线性、非平稳的实际波高时间序列,提出了一种经验模态分解与长短期记忆网络(empirical mode decomposition-long short-term memory,EMD+LSTM)短期预报模型,相比于传统的时间序列预测模型具有更高的精度;姚洪刚等20针对金融序列高噪声以及非线性的特点,提出了一种 EMD+LSTM的金融时间序列预测模型,取得了很好的预测效果。在设计引入时频分析的模型时,可能会存在以下不足21:1)传统的时频分析方法在积分变换的过程中会产生
21、频谱泄漏,局部细节无法被很好地刻画出来。2)对一维信号进行转化时,虽然可以得到丰富的特征,但是特征空间的维度也会增加,这样就需要采用复杂的神经网络去进行特征提取和处理,会导致梯度消失,不收敛等问题。因此本文采用了 HHT 和 LSTM 构建了一种预测模型。通过 HHT 将一维信号转换成二维的时频矩阵。HHT 与传统的基于积分变换时频分析方法相比,能获得瞬时频率和幅度,时频矩阵更好地展示信号在不同时间和频率上的特征而且不会发生频谱泄漏。所以,HHT 可以弥补传统时频分析方法的缺陷,更好地刻画信号的局部细节。2 HHT+LSTM 的临时设施运行趋势预测 2.1 HHT+LSTM 组合模型本文实验所
22、使用的数据源于北京冬奥会延庆赛区高山滑雪中心临时看台支撑架上的加速度传感器,所测得的数据信号有不同的振幅、形态和频率存在。此数据的信号属于一类非线性非稳态的信号时间序列。如果采用传统的时频分析方法,无法有效地提本文到此类非平稳信号的特征。HHT 结合了 EMD 和希尔伯特变换,可以计算瞬时频率和幅度,对于此类信号处理属于最佳的选择。因此,HHT 的作用是将时域的信号进行转换进而得到包含时域和频域对应关系的时频图。首先采用 EMD 将振动信号进行分解,得到若干个内涵模态分量(IMF),然后通过希尔伯特变换计算出每个 IMF 的瞬时频率和幅值。最后采用 LSTM 来处理精细的时频特征信息完成最终的
23、预测。HHT+LSTM 的预测模型整体框架如图 1所示。在 HHT+LSTM 的预测模型中,可以通过EMD 把原始信号分解为诸多子序列,将分解后的 IMF 进行希尔伯特变换,该方法所得时频分布的信号能量更加完整、精确,同时,还可以继续得到信号的 Hilbert 边际谱,从而达到精确反映信号幅值随频率变化规律的目的。通过信号处理方法得到的时频特征,将其作为输入送到 LSTM 网络进行训练和预测。下面将展开介绍希尔伯特黄变换和长短期记忆网络。传感器数据EMD 分解IMF0IMF1IMF2IMFn.输入数据输入层隐藏层全连接层输出LSTMHilbert 变换 图 1 HHT+LSTM 的预测模型整体
24、框架Fig.1 Overall framework of HHT+LSTM prediction model 第 19 卷智能系统学报230 2.2 希尔伯特黄变换对于希尔伯特黄变换22而言,经验模态分解和希尔伯特变换是其最重要的部分,这个信号处理方法利用了信号的局部信息,从而获得信号某一时刻的瞬时状态。信号处理的本质都是将接收的高频实信号,结合已知的载频信息,还原出基带的复信号。在自然界中实际观测到的都是实信号,复信号是观测不到的。而在对信号处理方面,复信号相比于实信号处理起来非常容易。所以在趋势预测的任务上,本文首先采用对采集到的信号数据进行处理,将其与深度神经网络进行结合来实现更加准确的
25、预测。2.2.1 经验模态分解x(t)将原始信号通过 EMD 分解,得到若干个IMF 分量,所有 IMF 分量都需满足下述条件:1)极值点与零点数量之差应小于等于 1;2)局部最大值与最小值的包络线间均值必须是 0。具体EMD 计算过程如下:x(t)xmax(t)xmin(t)m1(t)1)用一条连续的光滑曲线将时间序列信号中全部极大值点进行串联,形成上包络线,同上所述确定下包络线。定义 2 条包络线的平均线:m1(t)=xmax(t)+xmin(t)2(1)x(t)m1(t)h1(t)利用原始序列与之差得到第 1 个分量:h1(t)=x(t)m1(t)(2)h1(t)h1(t)2)对于不同的
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 HHT LSTM 冬奥会 临时 设施 运行 趋势 预测 方法 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。