本發明涉及結構健康監測，特別是指一種基于lstm模型的鋼結構電梯井道沉降預測方法。
背景技術：
1、結構健康監測技術領域包含對建筑結構、橋梁、隧道、電梯井道等關鍵承重構件的狀態進行實時或周期性的監測、評估和預警，核心內容是通過布設傳感器設備，采集結構在運行過程中的物理變化數據，如傾角、位移、應變、振動等，并通過建立數學模型、信號解析和趨勢預測方法，對結構健康狀態進行判斷和預測，結構健康監測的系統性涵蓋數據采集、狀態識別、模型構建、閾值判斷和預警發布多個環節，旨在為結構維護和運行決策提供依據，避免因結構異常或損傷引發安全事故。
2、其中，基于lstm模型的鋼結構電梯井道沉降預測方法是指基于時序數據處理特性，利用長短期記憶網絡模型對電梯井道結構狀態中的傾斜角度和沉降位移進行建模和預測的方法，涉及鋼結構電梯井道在長期使用過程中出現的傾斜和沉降變化，尤其是受環境、載荷及結構特性影響所產生的微小形變的預測問題，具體包括通過安裝北斗gnss監測設備采集電梯井道的傾角和位移數據，構建時間序列監測數據集為基礎，通過輸入至lstm神經網絡模型中，利用內部的輸入門、遺忘門與輸出門結構處理歷史數據，形成對后續時間節點狀態的預測輸出，并通過多輪模型訓練與誤差計算完成模型優化。
3、傳統鋼結構電梯井道沉降預測技術在傾角與沉降數據的篩選邏輯中采用固定閾值判斷方式，缺乏對連續時間演化行為的細粒度響應判斷，導致部分小幅變形無法在預處理階段被有效提取，在空間方向上忽略了傾角與三維位移間的動態協同關系，造成識別出的特征段在空間方向上具有漂移風險，樣本訓練過程中多以均值差或離群程度進行權重調整，無法有效識別并強化對多段高幅變形過程的關注，使模型在訓練階段喪失對結構變形重點時段的敏感性，預測路徑采用固定時間點啟動，造成路徑起點偏移，缺少結構狀態演化驅動機制，降低整體預測鏈條的結構穩定性與解釋性。
技術實現思路
1、為了解決現有技術存在的技術問題，本發明實施例提供了一種基于lstm模型的鋼結構電梯井道沉降預測方法，優化模型對關鍵變形時段的學習能力，利用跳變密度，設定預測路徑起點，提高了趨勢預測的行為響應性，結合平移狀態殘差波動分析，增強預測結果的解釋性。
2、為了實現上述目的，本發明采用了如下技術方案，一種基于lstm模型的鋼結構電梯井道沉降預測方法，包括以下步驟：
3、s1：獲取x、y、z軸傾角數據，根據每個軸的傾角數據在連續時間點的斜率變化方向，識別拐點位置，比較各軸向在相同時間段的傾角變化幅度，分析傾角差異在時間上的分布狀態，篩選傾角變化有效區段；
4、s2：基于所述傾角變化有效區段，獲取結構三維位移數據，計算相鄰時間點間的位移向量夾角和模長變化，判斷位移方向的一致性，分析主軸方向的穩定性，識別位移方向和傾角變化趨勢一致的時間段，生成傾角聯動模式區間；
5、s3：調用所述傾角聯動模式區間，提取對應傾角和沉降數據，并計算相對于樣本庫均值的變化幅度，判斷每個時間段數據的偏移程度，構建樣本權重分配表；
6、s4：根據所述傾角聯動模式區間和樣本權重分配表，分析傾角變化序列并檢測微幅跳變點，根據微幅跳變點的分布密度，識別變化頻率峰值區段，設定趨勢預測路徑的起始位置，對電梯井的沉降行為進行預測，生成沉降預測信息。
7、作為本發明的進一步方案，所述傾角變化有效區段具體為多軸傾角聯合變化區、時序斜率反轉區、局部幅度差異聚集區，所述傾角聯動模式區間包括主軸方向持續段、位移傾角協同段、空間位移穩定段，所述樣本權重分配表包括數據偏移分組項、樣本優先級標簽、訓練階段權重系數，所述沉降預測信息具體為沉降趨勢路徑、跳變密集起始位置、預測目標數據序列。
8、作為本發明的進一步方案，獲取x、y、z軸傾角數據，根據每個軸的傾角數據在連續時間點的斜率變化方向，識別拐點位置，比較各軸向在相同時間段的傾角變化幅度，分析傾角差異在時間上的分布狀態，篩選傾角變化有效區段的步驟具體為：
9、s101：獲取x、y、z軸傾角數據，識別每個軸傾角序列中多個時間點的斜率方向，提取每條傾角曲線中的拐點位置，計算每條曲線中相鄰拐點間的時間間隔并記錄拐點索引，生成傾角變化趨勢節點組；
10、s102：基于所述傾角變化趨勢節點組，調用x、y、z三個軸向在相同時間段內的傾角值，通過比較每個軸向在相同時間段的傾角變化幅度，分析傾角變化幅度的差異在時間上的分布狀態，生成傾角多軸差異變化區間；
11、s103：根據所述傾角多軸差異變化區間，根據傾角變化幅度的差異在時間上的分布狀態，識別連續變化趨勢，篩選傾角變化有效區段。
12、作為本發明的進一步方案，基于所述傾角變化有效區段，獲取結構三維位移數據，計算相鄰時間點間的位移向量夾角和模長變化，判斷位移方向的一致性，分析主軸方向的穩定性，識別位移方向和傾角變化趨勢一致的時間段，生成傾角聯動模式區間的步驟具體為：
13、s201：基于所述傾角變化有效區段，獲取對應時間段內的x、y、z三維位移數據，根據時間序列順序，構建每相鄰時間點的空間位移向量組，計算每組向量的夾角與模長變化值，并記錄每個時間點對應的方向變化趨勢與長度變化幅度，生成空間位移連續變化特征組；
14、s202：調用所述空間位移連續變化特征組，對連續時間段內的向量夾角變化方向進行一致性分析，分析對應時間段內位移主軸的穩定性，提取方向穩定區段，生成主軸方向穩定區間集合；
15、s203：根據所述主軸方向穩定區間集合，獲取對應時間段內的傾角變化趨勢序列，識別位移方向和傾角變化趨勢一致的時間段，生成傾角聯動模式區間。
16、作為本發明的進一步方案，調用所述傾角聯動模式區間，提取對應傾角和沉降數據，并計算相對于樣本庫均值的變化幅度，判斷每個時間段數據的偏移程度，構建樣本權重分配表的步驟具體為：
17、s301：調用所述傾角聯動模式區間，提取對應時間段內的傾角序列與沉降序列，計算每個時間點的傾角值和樣本庫中對應傾角均值間的差值，計算沉降值與樣本庫中沉降均值間的差值，生成傾角沉降偏移幅度組；
18、s302：基于所述傾角沉降偏移幅度組，對每個時間段的波動幅度在樣本集合中的相對位置進行排序，每個時間段數據的偏移程度，生成樣本偏移等級分布標簽；
19、s303：根據所述樣本偏移等級分布標簽，根據偏移程度，調整對應樣本的訓練權重，建立樣本權重分配表。
20、作為本發明的進一步方案，根據所述傾角聯動模式區間和樣本權重分配表，分析傾角變化序列并檢測微幅跳變點，根據微幅跳變點的分布密度，識別變化頻率峰值區段，設定趨勢預測路徑的起始位置，對電梯井的沉降行為進行預測，生成沉降預測信息的步驟具體為：
21、s401：根據所述傾角聯動模式區間和樣本權重分配表，提取對應時間段內的傾角變化序列，通過與微幅跳變識別閾值進行對比，檢測微幅跳變點，生成微幅跳變點信息；
22、s402：基于所述微幅跳變點信息，分析微幅跳變點的分布密度，根據跳變點在時間序列中的位置，識別變化頻率峰值區段，并設定為趨勢預測路徑的起始位置，生成趨勢路徑起始位置參數；
23、s403：根據所述趨勢路徑起始位置參數，結合對應區段內連續時間點的傾角變化方向，對電梯井的沉降行為進行預測，生成沉降預測信息。
24、作為本發明的進一步方案，所述識別變化頻率峰值區段的具體公式為：
25、；
26、計算跳變分布密度指標；
27、其中，為第個時間窗口內的跳變分布密度指標，為跳變點在當前時間窗口中的索引，為時間窗口的索引，為第個跳變點的原始時間索引，為第個跳變點的原始時間索引，為當前時間窗口的總時間長度，為第個跳變點所對應的訓練樣本權重值，為第個跳變點的傾角變化幅度歸一化值，為殘差穩定性修正項常數用于防止除零運算，為第個時間窗口內檢測到的微幅跳變點的總數量。
28、作為本發明的進一步方案，還包括：
29、s5：調用所述沉降預測信息，獲取預測值和實際值間的殘差序列，分析每個時間步的預測誤差，調整時間窗口內的平移步長，計算每種平移狀態下的誤差均值，通過對比每個平移步驟的殘差均值，根據誤差和殘差波動的穩定性，識別最優平移狀態和對應的時間偏移距離，生成結構預測偏移趨勢數據；
30、所述結構預測偏移趨勢數據包括模型時間響應偏移量、平移匹配最小殘差值、趨勢誤差分類標簽。
31、作為本發明的進一步方案，調用所述沉降預測信息，獲取預測值和實際值間的殘差序列，分析每個時間步的預測誤差，調整時間窗口內的平移步長，計算每種平移狀態下的誤差均值，通過對比每個平移步驟的殘差均值，根據誤差和殘差波動的穩定性，識別最優平移狀態和對應的時間偏移距離，生成結構預測偏移趨勢數據的步驟具體為：
32、s501：調用所述沉降預測信息，獲取預測值序列和實際值序列，并構建數據序列間的差值序列，生成預測誤差殘差序列；
33、s502：調用所述預測誤差殘差序列，設置多個連續的時間窗口，調整預測數據序列相對于實際監測數據序列的平移步長，并在每種平移狀態下計算對應時間窗口的殘差平均值，生成平移狀態誤差均值列表；
34、s503：調用所述平移狀態誤差均值列表，通過分析每個平移步長的誤差和殘差波動的穩定性，識別最優平移狀態和對應的時間偏移距離，并標記為模型預測的響應偏移量，生成結構預測偏移趨勢數據。
35、作為本發明的進一步方案，所述分析每個平移步長的誤差和殘差波動的穩定性的具體公式為：
36、；
37、計算殘差波動評分值；
38、其中，為平移步長編號為的歸一化殘差波動評分值，為平移步長編號為的時間窗口內所有預測殘差值的算術平均值，為平移步長編號為且時間點索引為的單個預測殘差值，為當前時間窗口內的時間點數量，為在所有平移步長編號為的殘差均值絕對值中的最大值，為常量修正項數值，表示用于分析的當前平移步長編號，表示當前時間窗口內的離散時間點索引，表示所有待比較平移步長的遍歷索引編號。
39、本發明實施例提供的技術方案帶來的有益效果至少包括：
40、通過識別傾角拐點并結合三軸變化幅度差異，實現有效數據段的提取，結合主軸位移方向識別增強了結構趨勢判斷的方向準確性，結合數據偏移幅度調整訓練樣本權重，優化模型對關鍵變形時段的學習能力，利用跳變密度，設定預測路徑起點，提高了趨勢預測的行為響應性，通過平移狀態殘差波動識別，增強模型預測結果的解釋性與容差識別能力，提升結構狀態識別的精度，增強模型訓練聚焦性與預測誤差容忍合理性。