【摘要】： 随着桥梁事故的逐年增加,桥梁健康监测越来越受到政府和工程界重视。桥梁是一个比较复杂的系统,正常情况下劣化是一个缓慢的过程,桥梁的健康监测系统每天会产生大量的数据,而桥梁的老化、损伤往往是很长一段时间造成的,期间监测系统收集的数据量是惊人的,但是一般的健康监测系统又无力分析处理长时间积累的大量的数据(数据量一般可达到GB级),也就无法从历史数据中发现桥梁所存在的问题,使大量有价值的数据堆放在一边无法使用.。 本文尝试利用基于神经网络的数据挖掘技术对桥梁监测数据进行挖掘,找出桥梁监测数据的数据分析模型,获得某个桥梁参数的变化(波动)规律,同时挖掘出桥梁参数之间隐含的关系。事实上对于大型建筑,如高楼、体育馆、大坝、机场等的监测数据的分析,本课题的研究也有实际意义的。 主要是在数据挖掘技术的基础上,结合桥梁监测系统的现状,提出了利用数据挖掘技术处理大型数据集的能力来分析由桥梁监测系统产生的数据的方案,采用基于神经网络的数据挖掘技术对桥梁监测数据进行分析,处理桥梁长期监测中所产生的大量数据,建立了多种数据挖掘模型,分别是:①聚类模型,主要用于桥梁数据的异常情况监测,数据的归约。②关联模型,主要用于发现桥梁结构或环境参数之间的关联规则。③时间序列分析模型,主要用于观察桥梁监测数据的变化趋势,各参数值变化趋势的比较,以及参数值的预测,通过参数值的时序图对比,也可以发现桥梁参数的相关关系。利用所建立的可以重复利用的各种数据挖掘模型,可对当前桥梁健康状况的判断和识别,发掘出数据所隐含的有用信息,提高桥梁健康状况评估的自动程度和效率。 本文的研究成果能较大地提高桥梁健康状况评估的自动程度和效率,但桥梁检测数据的分析是一个复杂的系统,涉及很多方面的问题,同时,如何及时准确的判断桥梁健康状况,提高桥梁健康状况预测的准确度也是一个值得研究的问题,所以要想基于神经网络的桥梁检测数据挖掘系统投入使用,需要做大量的工作。 【关键词】：数据挖掘 健康监测 聚类 关联 时序分析 模型 桥梁
【学位授予单位】：重庆大学
【学位级别】：硕士
【学位授予年份】：2007
【分类号】：TP183;TP274.5
【DOI】：CNKI:CDMD:2.2007.180559
【目录】：

• 中文摘要3-4
• 英文摘要4-8
• 1 绪论8-13
• 1.1 问题的提出及研究意义8-9
• 1.1.1 问题的提出8-9
• 1.1.2 研究的意义9
• 1.2 国内外现状9-11
• 1.3 本文研究的目的和研究内容11-13
• 1.3.1 本文研究的目的11-12
• 1.3.2 本文研究的内容12-13
• 2 相关理论13-22
• 2.1 数据挖掘概述13
• 2.2 聚类分析模型13-16
• 2.3 关联规则挖掘模型16-19
• 2.3.1 基本概念16-17
• 2.3.2 Apriori 算法17-19
• 2.4 时间序列的ARIMA 模型19-22
• 3 大佛寺大桥健康监测系统简介22-29
• 3.1 桥梁健康检测系统22-24
• 3.2 大佛寺大桥监测系统简介24-27
• 3.3 大佛寺长江大桥监测数据的特征27-29
• 4 桥梁监测数据的挖掘29-45
• 4.1 桥梁监测数据预处理29-32
• 4.1.1 桥梁监测数据合并29
• 4.1.2 桥梁监测数据中噪音数据的处理29
• 4.1.3 桥梁监测数据的最大值，最小值29-31
• 4.1.4 桥梁监测数据的平均值，标准方差31
• 4.1.5 桥梁监测数据变换31-32
• 4.1.6 桥梁监测数据主成分分析(PCA)32
• 4.2 桥梁监测数据的聚类分析32-34
• 4.3 挖掘桥梁监测数据的关联规则34-38
• 4.4 桥梁监测数据时序预测模型38-44
• 4.4.1 桥梁监测数据时间序列的相似性38-40
• 4.4.2 桥梁监测数据时序预测模型40-44
• 4.5 挖掘模型的使用44-45
• 5 总结45-46
• 致谢46-47
• 参考文献47-49
• 附录49