1.一种桥梁支座静位移概率预测模型构建方法，其特征在于：包括如下步骤：步骤一：通过桥梁健康监测系统获取主梁温度与支座位移的监测信号；

步骤二：对步骤一所得支座位移信号先后进行傅里叶变换和归一化得到支座位移信号在2π范围内的傅里叶频谱，根据傅里叶频谱中极大值点在频域内对应的角频率确定频带边界，根据频带边界将傅里叶支撑区间[0,π]划分为N个连续的频带区间并确定对应的频带过渡段；

步骤三：采用Littlewood‑Paley和Meyer小波理论构造在所述N个频带区间上的小波紧凑框架，根据小波紧凑框架对支座位移信号进行重构，分解重构位移信号得到频率由低到高的调幅‑调频单分量，将频率最低的分量定义为支座静位移信号；

步骤四：根据支座静位移和主梁温度的线性回归模型，构建线性回归模型未知参数(β,

2 2 2

σ)的似然函数，假设参数(β,σ)的共轭先验服从正态逆Gamma分布，根据参数(β,σ)的先验2

分布及似然函数推导得到参数(β,σ)边缘后验分布，将步骤一所得主梁温度及步骤三所得支座静位移作为样本数据代入边缘后验分布中得到基于样本数据的参数 边缘后验分布，根据参数 构建表征桥梁支座静位移和主梁温度关系的概率预测模型。

2.如权利要求1所述的桥梁支座静位移概率预测模型构建方法，其特征在于：S21：检测支座位移信号傅里叶频谱中的m个极大值点，将m个极大值点按降序排列成一个集合{Mi}(i＝1,2,3,...,m)，根据阈值Mm+α(M1+Mm)筛选出前N个大于阈值的极大值点，其中α为相对振幅比；

S22：根据前N个极大值点在频域内对应的角频率Ωs，所述频带边界按式(2.1)确定：式中：ωs为频带边界；Ωs为第s个极大值点在频域内对应的角频率，s＝1,2,...,N；

S23：根据频带边界ωs将傅里叶支撑区间[0,π]划分为N个带宽不等的频带区间，频带区间记为Λs＝[ωs‑1,ωs]，其中ω0＝0，ωN＝π；

S24：构造以边界ωs为中心，宽度为2τs的过渡段，τs为频带过渡段的半径，其中τs＝γωs， 且0＜γ＜1。

3.如权利要求1所述的桥梁支座静位移概率预测模型构建方法，其特征在于：步骤三中，所述重构后的支座位移信号及支座静位移信号按以下步骤得到：S31、采用Littlewood‑Paley和Meyer小波理论构造在所述N个频带区间上的小波紧凑框架 对于任意s＞0，经验小波函数ψs(ω)和经验尺度函数φs(ω)分别按式(3.1)和式(3.2)定义：

4 2 3

式中：ψs(ω)为经验小波函数；φs(ω)为经验尺度函数；β(x)＝x (35‑84x+x‑20x)，x为S32、根据小波紧凑框架对支座位移信号进行重构，支座位移信号的重构表达式如式(3.3)：式中： 为逼近系数； 为细节系数；*表示卷积； 和 分别为‑1

和 的傅里叶变换；F [·]为傅里叶逆变换；

其中， 为经验尺度函数φ1和支座位移原始信号d(t)内积，即按式(3.4)确定：式中： 为φ1(τ‑t)的复共轭， 为φ1(ω)的傅里叶变换；d(τ)为过渡段的位移信号，d(ω)为频带位移信号；

其中， 为经验小波函数ψs与支座位移原始信号d(t)的内积，即按式(3.5)确定：式中： 为ψs(τ‑t)的复共轭， 为ψs(ω)的傅里叶变换；

S33、分解重构后的支座位移信号得到频率由低到高的调幅‑调频单分量如式(3.6)、(3.7)，提取频率最低的分量作为支座静位移实测信号：式中：d0(t)为分解信号中的基频信号；dj(t)为频率由低到高的调幅‑调频单分量，j＝

1,2...。

4.如权利要求1所述的桥梁支座静位移概率预测模型构建方法，其特征在于：步骤四中，所述桥梁支座静位移与主梁温度的线性回归模型按式(4.1)确定：2

d＝Tβ+ε,ε～N(0,σI)    (4.1)式中：d为支座静位移列向量；β为温度系数列向量；T为主梁温度矩阵；ε为误差列向量；

I为每一项的值均为1的n维列向量，dn为

第n个支座的静位移，Tnk为第n个支座对应的k号测点测得的温度，βk为k号测点对应的温度

2 2

系数，εn为第n个回归模型的误差项；N(0,σI)表示均值为0、方差为σI的多元正态分布。

5.如权利要求4所述的桥梁支座静位移概率预测模型构建方法，其特征在于：2

步骤四中，所述线性回归模型未知参数(β,σ)的似然函数按式(4.2)确定：

2 2 T

式中：f(d|T,β,σ)为参数(β,σ)的似然函数；SSR(β)＝(d‑Tβ) (d‑Tβ)；

2

所述参数(β,σ)的共轭先验服从的正态逆Gamma分布按式(4.3)、(4.4)确定：

2 2

式中：f(β)为参数β的先验分布；f(σ)为参数σ的先验分布；N(μ,Σ0)表示均值为μ、方差为Σ0的多元正态分布，μ为k×1的向量，Σ0是k×k对角矩阵；IG(A,B)为逆Gamma分布，A和B分别为逆Gamma分布的形状参数和尺度参数。

6.如权利要求5所述的桥梁支座静位移概率预测模型构建方法，其特征在于：步骤四中，所述基于样本数据的参数 边缘后验分布按式(4.5)、(4.7)得到：2

式中：f(β*|σ ,d,T)为参数β*的边缘后验分布；

式中： 为参数 的边缘后验分布； 为参数 的似然函

2 2

数； 为参数1/σ的先验分布， 为f(σ)的倒数；n为支座静位移的样本数量。

7.如权利要求1所述的桥梁支座静位移概率预测模型构建方法，其特征在于：步骤四中，根据基于样本数据的参数 边缘后验分布，所述桥梁支座静位移和主梁温度的概率预测模型按式(4.9)构建：式中： 为当前时刻主梁温度的实测值矩阵；为当前时刻桥梁支座静位移的预测分布；和 分别为当前时刻桥梁支座静位移预测分布的均值和方差； 为将样本数据2

代入至边缘后验分布后得到的未知参数(β,σ)的解析参数； 表示均值为0、方差为的多元正态分布。

8.一种桥梁支座静位移预警方法，其特征在于：将获取的支座位移和主梁温度的历史监测信号作为样本数据，按权利要求1‑7任一项所述桥梁支座静位移概率预测模型构建方法，构建支座静位移概率预测模型对当前时刻支座静位移进行预测，根据当前时刻的实测支座静位移和预测支座静位移的差值建立预警指标，按异常预警控制限和超限预警控制限对桥梁支座静位移进行分级预警。

9.如权利要求8所述的桥梁支座静位移预警方法，其特征在于：桥梁支座静位移的预警指标按式(5.1)确定：式中：di为第i个支座静位移的实测值； 为第i个支座静位移预测分布的均值；ηi为第i个支座静位移的预警指标；

根据概率预测模型中桥梁支座静位移的方差，确定支座静位移的异常预警控制限如式(5.2)：式中： 为第i个支座静位移预测误差的方差；

根据桥梁支座静位移的年度最大、最小值，确定支座静位移的超限预警控制限如式(5.3)：‑0.1×|max[d]‑min[d]|≤ηi≤+0.1×|max[d]‑min[d]|    (5.3)式中：max[d]为支座静位移的年度最大值；min[d]为支座静位移的年度最小值。

10.如权利要求8所述的桥梁支座静位移预警方法，其特征在于：根据异常预警控制限和超限预警控制限，按下述方法对服役桥梁支座静位移预警进行分级，并根据预警分级给出相应预警提示：(1)预警指标在异常预警线之内，桥梁支座静位移处于健康状态，无需提示；

(2)预警指标在异常预警线和超限预警线之间但预警指标的3倍标准差在超限预警线内，桥梁支座静位移处于预警触发状态，则提示注意预警信息变化；

(3)预警指标在异常预警线和超限预警线之间且预警指标的3倍标准差在超限预警线外，桥梁支座静位移处于异常状态，则提示对桥梁支座进行检查；

(4)预警指标在超限预警线之外但预警指标的3倍标准差在超限预警线内，桥梁支座静位移处于超限预警触发状态，则提示对桥梁支座进行详细检修；

(5)预警指标在超限预警线之外且预警指标的3倍标准差在超限预警线外，桥梁支座静位移处于超限状态，则提示桥梁停止运营并进行全面检修；

其中，预警指标的3倍标准差范围为