基于LSTM_eKan模型的建筑结构安全监测研究

摘 要：随着建筑结构日益复杂和规模不断扩大，结构安全监测在保障工程安全和延长结构使用寿命方面变得至关重要。该文提出一种基于LSTM_eKan深度学习模型的综合评估方法，用于监测和评估工程结构的安全状况。研究的核心在于开发和优化一套高效的数据预处理技术及预测模型，以提高监测数据的准确性和可靠性。LSTM_eKan模型通过引入注意力机制，能够更加精准地捕捉时间序列数据中的关键特征，减少冗余信息的干扰，从而大幅提升预测的精度与稳定性。与传统方法相比，LSTM_eKan在结构安全监测任务中展现显著的优势。

关键词：结构安全监测;卡尔曼滤波;LSTM;BiLSTM;LSTM_eKan

中图分类号：TU714 文献标志码：A 文章编号：2095-2945（2024）34-0097-04

Abstract： With the increasing complexity and scale of building structures， structural safety monitoring has become crucial for ensuring engineering safety and extending the lifespan of structures. This paper proposes a comprehensive evaluation method based on the LSTM_eKan deep learning model， aimed at monitoring and assessing the safety condition of engineering structures. The core of the study focuses on developing and optimizing an efficient data preprocessing technique and predictive model to enhance the accuracy and reliability of monitoring data. By introducing an attention mechanism， the LSTM_eKan model is able to capture key features in time-series data more effectively， reducing interference from redundant information. This significantly improves the precision and stability of the predictions. Compared to traditional methods， LSTM_eKan demonstrates notable advantages in structural safety monitoring tasks.

Keywords： structural health monitoring; Kalman Filter; LSTM; BiLSTM; LSTM_eKan

随着建筑结构的日益复杂化和大型化，结构安全监测的重要性愈发突出。结构安全监测技术（Structural Health Monitoring， SHM）能够实时监控建筑结构的动态响应，评估其安全性，并预防潜在的结构损害。通过硬件设备监测建筑结构的温度和位移等形变因素，可以有效评估结构在不同环境和荷载作用下的响应[1]。

在建筑物的服役过程中，地震、风荷载、温度变化等自然因素以及交通荷载、施工活动等人为因素可能导致结构损伤或性能退化，威胁到其安全性和耐久性[2]。因此，结构安全监测技术应运而生，旨在通过实时或周期性的监测，获取建筑结构在各种环境和荷载作用下的响应数据，及时发现潜在的结构问题。这项技术对保障工程安全、延长结构寿命、降低维护成本以及优化资产管理具有重要意义[3]。在结构安全监测中，位移监测直接反映结构在受力后的变形情况，是评估结构稳定性的重要指标。而温度监测有助于理解材料性能随温度变化的规律以及热效应对结构的影响[4]。

结合LSTM（长短期记忆网络，Long Short-Term Memory）网络和注意力机制的模型在处理时间序列数据方面展现了显著优势。LSTM擅长捕捉长期依赖关系，而注意力机制则能更好地提取关键特征。这种结合提高了对复杂监测数据的分析精度，增强了结构安全监测的准确性。

1 数据预处理流程设计

1.1 数据收集与存储

数据的搜集通过位移计获取，位移计选用的是基康的传感器，通过位移计监测结构的温度和位移是一种常见的安全监测方法，特别适用于建筑物、桥梁、隧道等工程结构。这种监测方法可以帮助工程师实时了解结构的状态，及时发现异常情况，并采取必要的措施进行维修或加固，以确保结构的安全性。以防止结构的进一步损坏[5]。采集到的数据使用时序数据库进行存储，然后获取之后进行数据的判断和处理。

1.2 数据清洗和预处理

数据清洗是一个细致且系统化的过程，旨在提高数据的可用性和可靠性。以下是数据清洗模块的关键步骤。无效数据识别与移除：通过预设的规则，识别并排除那些不符合逻辑、格式错误或明显偏离正常范围的数据记录。经过异常值筛选和去除之后留下正常的值[6]。缺失值处理：对于缺失的数据，采用均值填充的方法。这种方法通过计算相应特征的均值来填补缺失值，以保持数据的完整性和一致性。

异常值检测：通过箱线图和统计方法（如标准差和Z-score）识别数据中的异常值。箱线图提供了数据分布的直观视图，数据序列的中位数对应箱子的中心位置，上、下四分位数分别位于箱子的两端，上下四分位数的间距（QR）表示箱子的长度，最大上限（Q3+1.5QR）和最小下限（Q1-1.5QR）分别位于距箱子边缘1.5倍上下四分位的间距处，则超过上下限则定义为异常数据， 位于上下限内的数据则为正常数据[7]。

数据标准化是一种重要的数据预处理技术，用于在数据分析和机器学习过程中消除不同特征量纲和量级带来的影响。这使得不同特征的取值范围相同，从而在训练模型时不会因为某些特征的数值较大而导致它们对模型的影响过大[8]。Z-score标准化： 通过减去均值并除以标准差，将数据转换为均值为0，标准差为1的标准正态分布。公式如式（1）

Z= ， （1）

式中：X是原始数据，μ是均值，是标准差。

1.3 卡尔曼滤波

通过卡尔曼滤波，可以有效地降低数据中的噪声和突变，使数据变得更加平滑和连续，有利于进一步的数据分析和建模。特别是在实时数据处理和传感器数据处理领域，卡尔曼滤波常被广泛应用，用于提高数据的准确性和稳定性。处理流程中，卡尔曼滤波的应用有助于对数据列进行进一步平滑处理。通过这种技术处理可以获得更加平滑和连续的数据序列，有助于准确分析数据的趋势和特征，提高数据处理的准确性和可靠性。从而为后续的数据分析和建模提供更加稳定和可靠的数据基础[9]。将位移和温度进行卡尔曼滤波处理之后的结果如图2和图3所示。

2 模型实现

在处理时间序列数据时，LSTM网络中含有门控单元，包括输入门、输出门和遗忘门。在门的作用下，LSTM具有长期记忆数据信息并对数据筛选处理的能力，使其克服了传统神经网络难以处理长时间序列的缺点。如图4所示，公式如式（2）所示

式中：为激活函数;Wi，Wo，Wf为输入门、输出门和遗忘门的权重矩阵;bi，bo，bf为输入门、输出门和遗忘门的偏置因子;tanh为双曲正切函数[10]。

选择LSTM处理时间序列数据的原因主要有以下几点。时间序列数据通常具有长期依赖性，未来的值不仅依赖于近期的观察，还可能受到很久以前的事件影响。传统的RNN（递归神经网络）在处理这种长期依赖性时会遇到梯度消失或梯度爆炸问题，从而导致模型难以捕捉长期依赖关系。而LSTM的设计中引入了细胞状态和3个门（输入门、遗忘门和输出门），能够有效地控制信息的流动，记住或忘记信息，从而解决了传统RNN的这些问题。通过这种方式，LSTM能够更好地捕捉到时间序列中的长期依赖性[11]。

LSTM通过其独特的门结构，使得模型具有强大的记忆能力，能够在较长的时间步长内保留关键信息。这对于预测未来值至关重要，特别是当序列中的某些关键事件对未来值有重要影响时。LSTM可以灵活地保留这些关键信息，并在需要时利用它们进行预测。

时间序列数据往往具有高度的非线性关系，传统的线性模型难以捕捉这些复杂的模式。LSTM作为一种非线性模型，能够通过多层网络结构和激活函数捕捉数据中的复杂模式和非线性关系，从而提高预测的准确性和鲁棒性。

双向LSTM的主要优势在于其能够同时捕捉到序列中的前向和后向信息，这对于需要上下文完整理解的任务非常重要。例如，在自然语言处理（NLP）任务中，单词的含义通常依赖于其前后文，而双向LSTM能够更好地捕捉这种依赖关系，从而提高模型的性能[12]。

2.1 注意力机制

LSTM_eKan是在LSTM基础上的一种扩展模型，eKan扩展引入了额外的机制或模块，以增强模型在特定任务中的表现。例如，eKan扩展可以包含注意力机制（attention mechanism），从而使模型能够聚焦于序列中的重要部分。动态聚焦能够根据当前任务动态调整对输入序列中每个时间步的关注程度，提升模型在长序列处理中的性能。增强可解释性，通过注意力权重，模型的决策过程变得更透明，可以直观地看到哪些部分的输入对预测结果影响最大。减少信息丢失，相比于传统的固定窗口方法，注意力机制让模型可以灵活地选择最重要的信息，而不必局限于序列的固定范围。例如在某一个时间段数据动态分配权重如图5所示。

将加权后的输入向量输入到LSTM单元或其他网络层中，进行下一步的计算。可以说明状态更新在LSTM单元中，当前时间步的加权输入将与之前的隐藏状态和记忆单元一起，在预测生成经过多次迭代处理后，最终生成的输出将用于预测或分类任务[13]。

2.2 模型效果比对

在对比LSTM、BiLSTM和LSTM_eKan模型性能时，通常采用多种评价指标，如准确率（accuracy）、精确率（precision）、召回率（recall）。使用3种模型结果对比之后发现，将LSTM结合一个注意力机制之后，预测的结果更为精准和准确。从而对建筑的安全结构有着更为精确的意义，结果对比如图6所示。

LSTM_eKan模型通过结合长短期记忆网络（LSTM）和注意力机制，显著提升了位移预测的精度。注意力机制能够动态地分配注意力权重，使模型更加关注时间序列数据中的关键特征，从而更有效地利用历史信息。这种机制的引入使得LSTM_eKan模型在处理长时间序列数据时能够捕捉到更有用的信息，避免了冗余信息的干扰。相比之下，BiLSTM虽然能够捕捉序列的前后信息，但其复杂性较高，且在某些情况下并不能显著提高预测性能。单纯的LSTM虽然能够解决长期依赖问题，但缺乏对重要时间点的动态关注能力。在这种情况下，LSTM_eKan模型通过注意力机制显著增强了对关键时间点信息的利用，提高了预测的准确性。

从结果对比来看，LSTM_eKan模型在各项评估指标上都表现出色。其均方根误差（RMSE）为10.08，显著低于BiLSTM的16.13和LSTM的25.18，表明LSTM_eKan在预测误差方面表现更好。平均绝对百分比误差（MAPE）为20.6%，低于BiLSTM的35.6%和LSTM的67.3%，显示出其在实际值和预测值的相对误差方面的优势。决定系数（R2）为0.92，高于BiLSTM的0.89和LSTM的0.87，表明LSTM_eKan模型解释了更多的数据方差，预测效果更为精准。

3 结论

LSTM_eKan模型通过融合LSTM和注意力机制，成功地提升了位移预测的精度和准确性。这种改进在建筑安全结构预测中具有重要意义，能够提供更精确和可靠的预测结果，从而更好地指导建筑设计和安全评估。在处理长时间序列数据时，避免冗余信息的干扰。这种动态关注能力使得LSTM_eKan模型在提取和利用关键时间点的信息时表现更好，显著提升了预测的精度和准确性。

参考文献：

[1] 王洽亲.2010上海世博会英国馆结构安全监测研究[D].杭州：浙江大学，2011.

[2] 李帆.云计算技术在桥梁结构安全监测中的应用[J].公路，2022（4）：177-181.

[3] 高珂，邓德员，朱宏平，等.超高层建筑施工期结构静动态变形监测[J].工业建筑，2024，54（1）：130-139.

[4] 左润，李林.基于安全监测系统对斜跨拱桥的安全状态评估方法[J].工业建筑，2023，53（S2）：394-397.

[5] 李帆.云计算技术在桥梁结构安全监测中的应用[J].公路，2022（4）：177-181.

[6] 吴继业.时空融合的堆石坝变形预测模型及在安全监测中的应用[J].水利学报，2024，55（5）：564-576.

[7] 孙振林.基于Python的房屋安全监测数据处理与预测分析[J].科学技术与工程，2024，24（6）：2469-2479.

[8] 朱金成.结构可视化安全监测系统开发与基于LSTM的预测预警方法研究[D].武汉：华中科技大学，2022.

[9] 王松.基于卡尔曼滤波算法的桥梁结构振动识别方法研究[J].工程机械与维修，2024（6）：118-120.

[10] 罗潇远，刘杰，杨斌，等.基于改进鱼鹰优化算法与VMD-LSTM的超短期风电功率预测[J/OL].太阳能学报，1-9[2024-11-01].https：//doi.org/10.19912/j.0254-0096.tynxb.2023-1942.

[11] 杨建喜.联合卷积与长短记忆神经网络的桥梁结构损伤识别研究[J].铁道科学与工程学报，2020（8）：1893-1902.

[12] 陈术波.基于BiLSTM的物联网安全态势预测研究[D].北京：北方工业大学，2024.

[13] 王惊华.结构安全监测国内外规范编制研究现状及展望[J].建筑安全，2021，36（4）：41-45.

第一作者简介：黄衡（1999-），男，硕士研究生。研究方向为灾害信息处理技术。

*通信作者：潘志安（1983-），男，硕士，教授。研究方向为大数据处理、计算机网络。