1.一种用于结构监测数据异常识别的加权主成分分析方法,其特征在于,步骤如下:
步骤一:监测数据建模
(1)建立结构正常监测数据的多变量统计分析模型:
Σ=E{y*y*T}=QΞQT
式中:表示结构的某一正常监测数据,包含m个测量变量;Σ表示协方差矩阵;Ξ=diag(ξ1,ξ2,...,ξm)包含所有特征值ξi;Q=[q1,q2,...,qm]包含所有特征向量qi,qi即为第i个主方向;
步骤二:推导敏感因子
(2)对实际监测过程中采集到的某一监测数据y而言,第i个主方向qi对应的统计量定义如下:
对y中某一测量变量发生的异常而言,每个qi的敏感性不同,即每个Hi的异常识别能力不同;
(3)若y中第j个测量变量发生异常,则其表达式为:
y=y*+δjζj
式中:δj表示第j个测量变量中发生异常的幅度;ζj表示m阶单位矩阵的第j列;
(4)此时,qi对应的统计量为:
式中:是正常监测数据定义在qi上的统计量,它不引起Hi超限;是由于监测数据发生异常所导致的Hi的增量,它越大越可能引起Hi超限;
(5)由于且则ΔHi简化为:
式中:qji表示qi的第j个元素;表示y*在qi上的投影;
(6)由于y*具有随机性,则也具有随机性;进一步,推断ΔHi具有随机性,为了量化ΔHi,计算其平均值:
若在预处理阶段将正常监测数据中心化,则有因此,ΔHi的平均值为:
(7)上式表明:在异常幅度不变的情况下,越大,ΔHi的平均值也越大;换言之,定义在qi上的统计量Hi对第j个测量变量中发生异常的识别能力取决于的大小;因此,定义敏感因子如下:
敏感因子βj,i越大,Hi越可能识别出第j个测量变量中发生的异常;
步骤三:定义加权统计量
(8)对第j个测量变量而言,qi对应的权系数计算如下:
(9)进一步,对第j个测量变量定义加权统计量如下:
加权统计量对第j个测量变量发生的异常更敏感;这样,监测数据中的每个测量变量均对应一组权系数和一个加权统计量,可将所有加权统计量组成一个向量
步骤四:融合加权统计量
(10)条件下判断监测数据发生异常的概率为:
式中:P(·)表示某变量的概率;F表示监测数据的异常状态;
(11)的计算公式如下:
式中:N表示监测数据的正常状态;正常和异常状态下统计量出现的条件概率分别为和是的控制限;
(12)给定所有的加权统计量则监测数据中是否存在异常的判断准则为:
式中:α表示显著性水平,一般取0.01;满足上式可判断监测数据中存在异常。