基于變分模態(tài)分解與相關(guān)向量機(jī)的變形特征提取及智能分析研究

羅亦泳

東華理工大學(xué)測繪工程學(xué)院，江西 南昌 330013

建筑物、大型工程結(jié)構(gòu)、邊坡等受到內(nèi)在與外在的復(fù)雜因素影響下，產(chǎn)生不同程度的變形。通過變形監(jiān)測及變形數(shù)據(jù)分析，可及時、準(zhǔn)確地掌握形變過程信息。變形特征提取與分析是變形數(shù)據(jù)處理的核心內(nèi)容之一，是建筑物與工程結(jié)構(gòu)精確健康監(jiān)測、預(yù)報預(yù)警的關(guān)鍵，是變形災(zāi)害防治的重要理論與實踐基礎(chǔ)。由于變形體變形過程及變形數(shù)據(jù)采集過程中受到多種不確定性環(huán)境因素與人為因素的影響，變形數(shù)據(jù)具有顯著的非線性、非平穩(wěn)、高噪聲和多尺度等特點，導(dǎo)致傳統(tǒng)的變形數(shù)據(jù)分析方法存在諸多不足之處。基于以上問題，論文引入變分模態(tài)分解算法(variational mode decomposition,VMD)及相關(guān)向量機(jī)算法(relevance vector machine,RVM)，構(gòu)建變形特征提取與智能分析的新方法，挖掘隱含的變形特征，提高變形數(shù)據(jù)分析的精度及可靠性。主要研究內(nèi)容如下：

(1)詳細(xì)分析了VMD、RVM算法的基本理論，并測試了VMD算法在時頻分析及特征提取方面的優(yōu)越性，驗證了RVM算法在建模精度、抗噪聲干擾、算法計算效率方面的優(yōu)勢。針對變形數(shù)據(jù)去噪及特征提取的特點，建立了VMD的K值確定策略，提高了VMD算法特征提取及去噪能力。建立了組合核函數(shù)RVM(MK-RVM)及其參數(shù)優(yōu)化方法，通過與多種算法進(jìn)行比較分析，證實了改進(jìn)方法的可行性，能有效提高RVM的建模精度。

(2)基于VMD算法建立了變形數(shù)據(jù)隨機(jī)噪聲去噪和GNSS變形數(shù)據(jù)多路徑誤差改正新方法。對VMD算法進(jìn)行改進(jìn)，提出來了變形數(shù)據(jù)中隨機(jī)噪聲的去噪方法。通過對模擬數(shù)據(jù)及工程數(shù)據(jù)進(jìn)行去噪試驗，證實新方法具有出色的去噪效果。將VMD與小波相干算法的優(yōu)點結(jié)合，建立了GNSS多路徑誤差提取及改正新方法。試驗表明，該方法能有效減弱低頻變形信息的干擾，能較好地提取及改正GNSS變形數(shù)據(jù)中的多路徑誤差。

(3)基于VMD建立了變形特征提取的方法。論文重點對橋梁、大壩與工程結(jié)構(gòu)的變形特征提取方法進(jìn)行研究，建立了變形體的動態(tài)特性參數(shù)、具有物理意義的變形分量、工程結(jié)構(gòu)模態(tài)特征參數(shù)的提取方法。分析了正則化的固有頻率變化率與損傷位置之間的關(guān)系。從系統(tǒng)能量分布及系統(tǒng)有序性角度定義了VMD能量譜及VMD熵，能較好地描述結(jié)構(gòu)損傷狀態(tài)的變化。以上變形特征，是建筑物、工程結(jié)構(gòu)健康監(jiān)測、預(yù)警預(yù)報的核心指標(biāo)。

(4)利用RVM算法建立了地面沉降及大壩變形預(yù)測新模型。基于改進(jìn)RVM算法構(gòu)建了地面沉降幾何參數(shù)預(yù)測及動態(tài)沉降位移預(yù)測模型，并彌補(bǔ)了當(dāng)前變形預(yù)測方法較少開展結(jié)果可靠性分析的不足，增加了預(yù)測結(jié)果的實用性。針對各變形分量的特征，基于RVM建立了多尺度大壩變形預(yù)測新模型。由于該模型的建模過程具有物理意義，有利于大壩變形的機(jī)理解釋。通過工程實例分析，驗證了以上變形預(yù)測新模型在預(yù)測精度及可靠性方面的優(yōu)勢。

(5)構(gòu)建了基于RVM的變形體損傷狀態(tài)預(yù)測及穩(wěn)定狀態(tài)估計的方法。基于正則化固有頻率變化率、固有頻率變化率、VMD能量譜等變形特征參數(shù)，主要建立了工程結(jié)構(gòu)損傷位置及程度預(yù)測模型，并利用測試數(shù)據(jù)驗證了方法的可靠性。基于RVM分類算法和多輸出RVM(MRVM)算法建立了邊坡穩(wěn)定狀態(tài)及幾何形變的預(yù)測新方法，通過與多種方法進(jìn)行對比，驗證了新方法在精度和計算效率方面的優(yōu)勢。