基于Informer模型概率时间序列和区间预测的风-车-桥系统安全性评估

《Engineering Structures》:Safety assessment of wind-vehicle-bridge system based on probabilistic time-series and interval prediction with informer model

【字体: 大 中 小 】 时间:2026年08月28日 来源:Engineering Structures 7.6

编辑推荐:

   **摘要** 风-车-桥(WVB)系统运行安全评估涉及多种强随机激励,至关重要,而传统方法难以同时应对计算效率和预测精度的双重挑战。该系统随机响应的长序列时程特性进一步加剧了计算精度与效率之间的平衡难题。为应对上述问题,本文提出了一种基于Informer模型的 probab

  

**摘要**

风-车-桥(WVB)系统运行安全评估涉及多种强随机激励,至关重要,而传统方法难以同时应对计算效率和预测精度的双重挑战。该系统随机响应的长序列时程特性进一步加剧了计算精度与效率之间的平衡难题。为应对上述问题,本文提出了一种基于Informer模型的 probabilistic safety assessment 方法。分别采用均方误差损失和分位数回归损失进行点预测和区间预测,从而实现脱轨系数的长期点预测和不确定性区间预测。此外,采用参数优化策略,在满足预测区间覆盖率大于95%的可靠性要求的前提下,最小化归一化区间宽度,从而获得不同风速条件下的最优预测区间。结果表明,该框架能够高效处理长期安全预测问题,并实现各种风速条件下的有效预测。随着风速增加,由于不确定性,点预测精度略有下降。最优预测区间的绝对宽度科学地反映了风险水平的增加。本研究为风-车-桥系统动态安全评估提供了高效可靠的预测工具,为运行安全提供了技术支持。

**引言**

风-车-桥(WVB)系统构成一个复杂的高阶动态系统,涉及风荷载、车辆动力荷载和轨道不平顺等随机激励。为覆盖列车在随机风激励下过桥的全动态特性,需要采用大量计算时间步来满足系统振动和轮轨相互作用的要求,从而形成典型的长期时间序列分析场景。因此,开发一种适合分析此类长期强随机过程、同时兼顾预测效率与可靠性的方法,已成为该领域的关键问题。

大量方法已被用于研究车桥系统的随机振动,并取得了令人瞩目的成果,如蒙特卡洛模拟[1,2,3,4]、概率密度演化法[5,6,7,8,9]和伪激励法[10,11,12]。随着人工智能方法的快速发展,大量研究将其应用于车桥系统,旨在探索其在推动智能工程优化方面的潜力[13,14,15,16,17,18,19]。He等[20]提出了一种集成时间卷积网络和加性高斯过程(GP-TCN)的深度学习模型,预测中考虑了轨道不平顺和结构随机参数的联合作用。Li等[21]集成了贝叶斯深度学习方法以表征系统不确定性,基于CNN-LSTM架构构建了代理模型,用于快速预测随机车桥耦联振动响应,同时也提高了计算效率。Li等[22]通过概率密度演化法引入系统不确定性,并采用贝叶斯优化对CNN-LSTM模型的超参数进行调优,该模型可有效评估随机车-轨-桥系统中列车的运行安全。因此,AI方法为处理高维、复杂非线性车桥系统提供了高效的新途径,并日益成为随机响应分析的研究趋势。然而,目前关于WVB系统随机特性的研究较少。Liu等[23]提出了一种融合FFE和CNN的混合模型,利用功率谱密度差异解耦车辆引起和风荷载引起的振动分量,有效量化了不同风速下的风荷载效应。Han等[24]提出了一种结合Transformer和长短期记忆网络架构的物理信息神经网络模型,用于预测加速度响应,以快速评估风荷载作用下桥上列车乘务员舒适性的失效概率。Xu等[25]提出了一种由麻雀搜索算法优化的门控循环单元网络模型,以高效预测WVB系统的随机动力响应。当前相关研究主要集中于随机响应的点预测,在评估WVB系统安全性方面存在局限性。为解决此问题,本研究引入了基于随机振动的区间预测,该方法能直观量化系统风险,从而有效映射和评估WVB系统的运行安全。虽然区间预测在风力发电等领域已有显著应用[26,27,28,29,30,31],但在WVB系统安全评估背景下的研究和应用仍相对有限且不够成熟。

在基于深度学习的时间序列预测中,已建立了定义长序列的统一经验范式。Zhou等[32]在其Informer工作中建立了预测步长为12、48、192、384和768的多窗口实验基准。该标准已被后续研究广泛采用,并形成了长序列时间序列预测的通用基准配置[33]。根据领域共识,预测步长≤48被归类为短期预测,而≥192则被定义为长序列预测任务。在本研究涉及的领域内,为确保WVB系统仿真的准确性和轮轨动力相互作用计算的稳定性,数值分析通常采用极小的时间增量[34,35,36],这导致数千个以上计算步的累积。因此,车桥系统的安全评估从根本上成为一个长期时间序列分析问题。然而,虽然这些长期特性在传统有限元分析或数值积分中常被忽视,但它们会对AI模型的准确性、泛化性和鲁棒性构成重大挑战。RNN[37]、LSTM[38]和GRU[39]等常见深度学习序列模型难以准确捕捉时间序列数据的长期依赖性,随着预测步长增加,累积误差会进一步降低模型预测精度。鉴于深度神经网络在建模长时间序列时面临的计算瓶颈,许多工程学者[40,41,42]通过采用分段生成的方式来应对动力响应的长时间序列挑战。然而,这些成果可能破坏WVB系统中动力响应的连续性,并可能导致极值丢失和关键物理信息的损失。Transformer模型[43]的引入为长序列建模提供了有效解决方案。其核心机制全局自注意力能够直接捕捉序列内的长程依赖关系。然而,该模型的计算复杂度以二次方增长(O(N2)),在训练过程中对图形内存资源的需求极高,使其实际应用成本过于昂贵。工程领域需要一种友好的建模环境,在保留全局注意力机制优势的同时,通过高效变体显著减少冗余计算开销。在此背景下,本研究采用Informer模型[32]来建模长时间序列。通过引入自适应稀疏采样机制和概率预测框架,该模型将计算复杂度降低至O(N(logN)),实现了更高的预测效率和精度。鉴于其在多个工业领域处理长期依赖关系的成功经验[44,45,46],Informer模型尤其适合本研究中的长序列建模任务。

当前WVB系统安全评估存在以下不足:(1) 现有计算方法难以高效处理由精细时间步长导致的长时间序列计算挑战,无法同时满足随机动力响应预测精度和计算效率的要求。(2) 目前WVB系统安全评估的大多数预测研究采用点预测,存在显著不确定性,可能为决策过程引入风险。鉴于现有研究的局限性,本研究旨在基于Informer模型提出一种随机风荷载作用下桥上列车的安全评估模型,同时包含点预测和区间预测。主要贡献可总结为:(1) 构建了适用于WVB系统动力响应长期时间序列预测的Informer模型。该模型能够有效捕捉不同风速条件下的数据特征,并在点预测任务中表现出良好的预测精度。(2) 提出了一种结合Informer和分位数回归的混合神经网络模型。该模型实现了WVB系统安全指标的区间预测,并能基于风速序列输出相应的预测区间。(3) 设计了一种基于参数化的最优区间搜索方法。通过综合评估指标以优化区间准确性和可靠性,基于多组风速预测结果构建了代表特定工况的最优预测区间,在保证置信水平的同时提高了区间质量。(4) 比较了两种区间交叉防止策略。分别从输出层结构和损失函数设计入手,有效避免了区间交叉问题。

**方法**

本研究旨在开发一种能够在随机风场激励下准确预测WVB系统全时程动力响应的模型。该框架首先对输入进行融合嵌入和位置编码。随后,编码器通过ProbSparse自注意力机制和自注意力蒸馏,从长输入序列中高效提取多尺度关键特征。解码器利用编码后的特征生成完整的波动风速序列。

**结果**

任务1为点预测,主要验证Informer模型在WVB系统动力响应和安全指标长期序列预测中的适用性和有效性。车速为100 km/h。横向和竖向波动风速作为输入数据,WVB系统的动力响应和脱轨系数为输出数据。Informer模型通过其关键模块——嵌入层、位置编码等逐步处理风速数据。

**结论**

本研究基于Informer架构开发了一种预测模型,以解决WVB系统中的长期序列预测挑战。对动力响应分别采用均方误差损失和分位数回归损失进行点预测和区间预测,为车辆安全评估提供了依据。对于区间预测,研究进行了最优预测区间搜索,并提出了两种解决潜在交叉现象的方案。

**CRediT作者贡献声明**

徐欣雨:软件、调查、数据整理。李永乐:资源、项目管理、资金获取。朱思宇:撰写——审阅与编辑、撰写——初稿、监督、项目管理、资金获取。杨梦雪:撰写——初稿、可视化、验证、软件、方法学、调查、形式化分析、概念化。

**利益冲突声明**

作者声明在研究、作者身份和/或本文发表方面不存在潜在利益冲突。

**致谢**

本研究得到国家自然科学基金(资助号52388102和U24A2014l)和教育部流体与动力机械重点实验室(西华大学)开放研究课题(资助号LTDL-2026016)的资助。

杨梦雪|朱思宇|李永乐|徐欣雨

成都理工大学环境与土木工程学院,中国四川成都610059
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号