Page 89 - 2024年第55卷第8期

Ｓｅｑ２Ｓｅｑ） ［１３］ 的方法实现了指定时间窗内的结构地震响应多步预测。然而，上述研究方法的输入条件均
依赖于物理传感器记录的完整自由场地震信息，导致其分析和决策滞后于地震事件的发生时刻，难以
实现 “震时” 的大坝地震响应的快速预测和超前分析。
虚拟传感器能够在物理传感器精度下降或失效时，对难以直接观测的物理量进行连续监测 ［１４］ ，这
为解决坝区自由场地震时程的多信号超前感知提供了思路。虚拟传感器通过建立待监测指标与多个相
关物理变量之间的耦合关系，实现对待监测指标的虚拟感知 ［１５ － １６］ 。建立虚拟传感器的常用方法包括信
号重构方法 ［１７］ 、多物理传感器信号融合算法 ［１８］ 、ＬＳＴＭ（ＬｏｎｇＳｈｏｒｔ － Ｔｅｒｍ Ｍｅｍｏｒｙ） ［１９］ 、ＩＭＣ（Ｉｎｔｅｒｎａｌ
ＭｏｄｅｌＣｏｎｔｒｏｌ ） ［２０］ 和 ＤＢＮ（ＤｅｅｐＢｅｌｉｅｆＮｅｔｗｏｒｋ） ［２１］ 等。虚拟传感器和物理传感器的结合应用能够保证结
构运行过程中动态监控的稳定性 ［１９］ ，因而广泛应用于结构振动监测领域，如使用模态参数预估简支梁
的振动响应 ［２２］ ，通过快速和慢速双系统建立机械臂振动速度和位移观测器 ［２３］ ，基于已布设的传感器
对充液管道无传感器区域的振动加速度监测 ［２４］ ，使用挖泥船物理传感器收集的发动机功率和流量等信
号对振扭信号实现虚拟感知 ［２１］ 。然而，上述研究建立的虚拟传感器仅实现了物理信号和虚拟信号的同
步感知，且所建立的方法主要针对单一信号的短序列预测，对于具有多维、非平稳长时序特征的地震
信号，上述研究难以实现三个方向地震信号的长时序超前准确感知。
针对上述问题，本文首先基于多任务 Ｓｅｑ２Ｓｅｑ设计虚拟传感器的多解码器（Ｄｅｃｏｄｅｒ）结构和对应的
损失函数，实现同时输出坝区自由场三个方向地震信号的虚拟感知任务；其次，在 Ｓｅｑ２Ｓｅｑ中，分别
通过引入时频变换层（ Ｔｉｍｅ － Ｆｒｅｑｕｅｎｃｙｔｒａｎｓｆｏｒｍ，ＴＦ）和注意力机制（Ａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ，Ａ），形成基
于 ＴＦＡ － Ｓｅｑ２Ｓｅｑ虚拟传感器的坝区多输出自由场地震时程长序列预测模型及方法，提高 Ｓｅｑ２Ｓｅｑ全局
信息搜索能力，解决模型在长序列预测中精度不足的问题，并通过强制学习策略提高模型训练过程中
的收敛性，通过多个坝体地震响应的物理传感器信号实现坝区自由场地震时程的超前感知。最后，将
该方法应用于我国西南某土石坝的实际地震信号感知分析中，并与其他方法对比，验证所提方法的有
效性和准确性。

２ 研究框架

基于虚拟传感器的坝区多输出自由场地震时程长序列预测方法的研究框架如图 １所示。图中绿框
为采用 ＴＦＡ － Ｓｅｑ２Ｓｅｑ模型建立的多输出长时序预测虚拟传感器（后文简称 ＴＦＡ － Ｓｅｑ２Ｓｅｑ虚拟传感器），
其以坝体多个物理信号作为输入信息，通过一个 Ｅｎｃｏｄｅｒ对所有物理信号进行编码，并通过 ３个不同
Ｄｅｃｏｄｅｒ解码，实现坝区自由场三个方向地震时程的超前虚拟感知信号的输出。在 ＴＦＡ － Ｓｅｑ２Ｓｅｑ模型
中，添加注意力机制模块（图中黄框）以提取 Ｅｎｃｏｄｅｒ对物理信号时域编码的信息，并通过为 Ｄｅｃｏｄｅｒ
计算时间步权重以提高模型预测精度。此外，图中蓝框和橙框分别为采用 ＴＦ层和 ＩＴＦ （ＩｎｖｅｒｓｅＴｉｍｅ －
Ｆｒｅｑｕｅｎｃｙｔｒａｎｓｆｏｒｍ） 层改进的 Ｅｎｃｏｄｅｒ和 Ｄｅｃｏｄｅｒ，通过缩短地震信号的时域、提取频域特征，以实现
长序列预测。最后，将所提方法应用于工程实例，验证该模型的有效性和准确性，并通过对比分析证
明改进模型的优越性。

３ 基于虚拟传感器的坝区多输出自由场地震时程长序列预测方法

３．１ 基于多任务 Ｓｅｑ２Ｓｅｑ的虚拟传感器架构 为了确保大坝地震安全，加强地震监测预警和防御，通
常在大坝表面和内部安装地震传感器，对坝体地震响应进行监控。通过该响应信号预测坝区自由场地
震入射 波 的 时 程 属 于 一 个 序 列 到 序 列 的 任 务。 Ｓｅｑ２Ｓｅｑ模 型 是 处 理 这 类 任 务 最 常 用 的 模 型。
Ｓｅｑ２Ｓｅｑ ［２５ － ２６］ 一般采用 “编码器－ 解码器” （Ｅｎｃｏｄｅｒ － Ｄｅｃｏｄｅｒ）架构来实现单序列到单序列的预测，其
中 Ｅｎｃｏｄｅｒ和 Ｄｅｃｏｄｅｒ均使用循环神经网络架构。由于地震信号具有采样率高、数据量大和非平稳性
等特点 ［２７］ ，需建立多输入、多输出的长时序预测模型，以满足自由场地震虚拟传感器对三个方向地震
时程的感知。

— ９ ６ ７ —