由于高铁站台雨棚需要满足大体量、大跨度的设计要求，同时考虑到结构体系的稳定性和美观性，因此多采用网架、张弦、桁架等钢结构形式作为主体结构。在运营期间，这些主体结构很难进行更换或维修，因此需要有较高的耐久性与可靠性。高铁站台雨棚钢结构在服役期间，会受到环境因素、列车进站等多方面的影响，导致构件损伤和安全问题。高铁运营安全离不开雨棚钢结构的健康监测系统，该系统能够实时监测钢结构节点的应变、振动和环境信息，及时发现异常情况，进行预警与处理。本文基于实际工程背景，研究搭建了雨棚钢结构健康监测系统，并利用大数据分析方法、深度学习预测模型，综合环境因素和历史数据，对钢结构健康状态进行预测评估。进行了基于数据清洗的钢结构健康监测系统数据预处理研究，结合实际数据特征设计数据清洗识别算法。通过基于门控循环神经网络(GRU)预测方法，进行钢结构健康监测数据的预测，进而评估结构健康状况。通过学习率衰减策略与AdamW对GRU神经网络进行优化，由于钢结构健康状况还受气候、风速、高温等外界因素的影响，为提高预测的准确率，借助对抗式生成网络捕捉非线性数据间的复杂关系，具体采用WGAN模型解决生成对抗式网络存在的梯度消失与模式崩溃问题，生成器与判别器内部结构选为优化后的GRU神经网络模型，提高模型的预测精度，主要研究内容分为以下3部分内容：
（1）基于工程实际情况的大跨度站台雨棚钢结构健康监测系统，系统由数据采集系统采集端与数据展示客户端组成。数据采集系统实时采集监测数据，并存储到数据中心，监测系统客户端子系统读取服务器中存储监测数据并进行数据展示，结合实际数据特征，进行数据预处理工作，具体包括数据缺失、数据跳点、数据漂移、数据噪声四种异常情况下的数据清洗算法，结合实际采集数据，验证清洗算法的有效性，研究适合本监测系统下的数据预处理的方法，为钢结构健康状况预测评估打下坚实基础。
（2）提出基于学习率衰减策略与AdamW优化的GRU神经网络预测模型。通过监测系统采集的多类型数据，具体包括历史应变值、风速、温度的数据变化规律，经过分析发现应变数据具有较强的时序周期特性，且结合沿海地区高温、台风等极端天气环境因素影响，结合工程实际监测数据预测分析，对比其他时间序列神经网络，验证其模型在预测性能上的优势。
（3）针对钢结构监测数据的时序性与非线性的特点，同时结构监测数据受温度、天气等因素影响，因此监测数据还具有波动性与周期性特点，为捕捉这些非线性影响因素下的复杂关系，提出基于WGAN的对抗式生成网络，生成器与判别器内部结构选取优化后的GRU模型，把历史监测数据、风速、温度、是否极端天气等影响因素作为输入数据输入生成器，把条件数据分别与生成样本、真实样本作为输入数据与输入判别模型，通过WGAN对抗式网络博弈训练，使得生成器生成监测数据预测值，当模型训练稳定后，相较于传统对抗式网络、GRU神经网络展现出更准确的预测效果。
本文建立WGAN-GRU预测模型，并将预测模型内嵌到钢结构监测系统中，结合课题来源进行实际健康状况预测评估，通过该模型的监测数据预测，监测系统可以较准确的生成预测数据，与真实值的误差较小，进而可以较稳定地监测雨棚钢结构的健康状态并进行预警报警工作。
谷歌
火狐
