1.一种桥梁支座静位移超限预警模型校准方法，其特征在于：包括如下步骤：步骤一：获取主梁温度与支座位移的历史监测数据，从支座位移数据中提取对应的支座静位移数据，将主梁温度与支座静位移数据代入支座静位移贝叶斯线性回归模型，得到2

模型参数σ和β的分布，进而得到预测静位移分布；根据支座静位移数据以及预测静位移分布的均值建立预警指标，根据支座年度最大位移和最小位移确定超限预警控制限，根据预警指标和超限预警控制限建立超限预警模型；

步骤二：确定主梁温度变化量，获取一次温度变化对应时间段内主梁温度与支座静位T移的新监测数据，提取支座静位移的监测数据组成点观测数据组yobs＝[y1,y2,...,yN]，求得所有点观测数据的均值作为矩数据 根据点观测数据组yobs得到对应的预警指标，根据预警指标以及超限预警控制限得到可靠性数据R′；N为点观测数据组的样本总数；

步骤三：根据步骤一所述贝叶斯线性回归模型，构建输出变量y、中间变量β、超参数(μ,Σ)的先验联合概率分布；根据最大熵原则建立输出变量y、中间变量β、超参数(μ,Σ)的先验联合概率分布和后验联合概率分布的负相对熵并将负相对熵作为目标函数；将步骤二所得的点观测数据组yobs、可靠性数据R′和矩数据 转换为约束条件，采用拉格朗日乘子法将基于所述目标函数和约束条件的最优化问题转化为无约束优化问题并建立拉格朗日函数，根据拉格朗日函数得到中间变量β、超参数(μ,Σ)的联合后验分布p(β,μ,Σ)，同时得到拉格朗日乘子；

步骤四：采用切片分割技术生成N个模拟样本ysim并计算得到模拟样本ysim和点观测数据组yobs的Wasserstein距离，根据Wasserstein距离采用近似贝叶斯方法建立超参数(μ,Σ)的近似似然函数，并将近似似然函数替换步骤三联合后验分布p(β,μ,Σ)中的原始似然函数，得到超参数(μ,Σ)基于Wasserstein距离的后验分布；通过转移马尔科夫蒙特卡洛抽样算法对超参数进行(μ,Σ)校准，求解得到校准超参数(μ*,Σ*)的后验分布，进而得到校准中间变量β*以及校准超限预警模型。

2.如权利要求1所述的桥梁支座静位移超限预警模型校准方法，其特征在于：步骤一中，所述支座静位移贝叶斯线性回归模型按式(1.1)确定：2

y＝M(β|μ,Σ)＝xβ+ε,ε～N(0,σI)    (1.1)式中：y为支座静位移列向量；β为温度系数列向量；x为主梁温度矩阵；ε为误差列向量；

I为每项均为1的n维列向量，x的第一

列为常数1，其中yn为支座第n个时刻的静位移，xnk为第n个时刻第k号测点测得的温度；βk为2

第k号测点对应的温度系数；εn为第n个时刻回归模型的误差项；N(0,σI)表示均值为0、方差2

为σI的多元正态分布；

2

其中，参数β和σ分别服从正态分布如式(1.2)和逆Gamma分布如(1.3)：β～N(μ,Σ)    (1.2)

2

σ～IG(A,B)    (1.3)

式中：N(μ,Σ)表示均值为μ、方差为Σ的多元正态分布，μ为k×1的向量，Σ为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，根据获取的主梁温度与支座静位移的历史监测数据可计算得μ、Σ、A和B。

3.如权利要求1所述的桥梁支座静位移超限预警模型校准方法，其特征在于：步骤一中，根据预警指标和超限预警控制限，所述超限预警模型按式(1.4)、(1.5)建立：ηc＝0.1×|max[d]‑min[d]|    (1.5)式中：y为支座实测静位移；为支座静位移贝叶斯线性回归模型预测分布的均值；η为支座静位移的预警指标；ηc为支座静位移超限预警控制限；max[d]为支座年度最大位移；

min[d]为支座年度最小位移。

4.如权利要求1所述的桥梁支座静位移超限预警模型校准方法，其特征在于：步骤二中，所述可靠性数据按式(2.1)计算：

式中：R′为可靠性数据；H(·)为Heaviside阶跃函数；ηc为支座静位移超限预警控制限值；ηi为支座实测静位移第i个样本对应的预警指标，i＝1,2,...,N。

5.如权利要求1所述的桥梁支座静位移超限预警模型校准方法，其特征在于：步骤三中，根据最大熵原则，所述先验联合概率分布和后验联合概率分布的负相对熵按式(3.1)建立：式中：p(y,β,μ,Σ)为输出变量y、中间变量β、超参数(μ,Σ)的后验联合概率分布；p0(y,β,μ,Σ)为输出变量y、中间变量β、超参数(μ,Σ)的先验联合概率分布；S(p,p0)为先验联合概率分布和后验联合概率分布的负相对熵；Y和B分别为y和β的定义域；Θ为超参数(μ,Σ)的定义域；

其中，p0(y,β,μ,Σ)按式(3.2)构建：

p0(y,β,μ,Σ)＝p0(y|β)p0(β|μ,Σ)p0(μ,Σ)    (3.2)式中：p0(y|β)为给定中间变量β时输出变量y的先验分布；p0(β|μ,Σ)为给定超参数(μ,Σ)时中间变量β的先验分布；p0(μ,Σ)为超参数(μ,Σ)的先验分布。

6.如权利要求1所述的桥梁支座静位移超限预警模型校准方法，其特征在于：步骤三中，将步骤二所得点观测数据组yobs、可靠性数据R′和矩数据y转化为约束条件如式(3.3)～(3.6)：∫Y×B×Θp(y,β,μ,Σ)R(μ,Σ)dydβdμdΣ＝R′    (3.3)∫B×Θp(y,β,μ,Σ)dβdμdΣ＝δ(M(β|μ,Σ)‑yi)    (3.5)∫Y×B×Θp(y,β,μ,Σ)dydβdμdΣ＝1    (3.6)式中：p(y,β,μ,Σ)为输出变量y、中间变量β、超参数(μ,Σ)的后验联合概率分布；Y和B分别为y和β的定义域；Θ为超参数(μ,Σ)的定义域；yi为支座静位移的第i个点观测数据，i＝1,2,....N；R(μ,Σ)为可靠性函数；δ(·)为狄利克雷函数；

其中，可靠性函数R(μ,Σ)按式(3.7)确定：

式中：为支座静位移贝叶斯线性回归模型预测分布的方差；ηc为支座静位移超限预警控制限；Φ(·)为标准正态分布的累积分布函数。

7.如权利要求1所述的桥梁支座静位移超限预警模型校准方法，其特征在于：步骤三中，所述中间变量β、超参数(μ,Σ)的联合后验分布以及拉格朗日乘子按下述方法得到：采用拉格朗日乘子法将所述基于目标函数和约束条件的最优化问题转化为无约束优化问题，所述拉格朗日函数按式(3.8)构建：式中：F(p,p0,α,β,λ,η)为拉格朗日函数；p(y,β,μ,Σ)为输出变量y、中间变量β、超参数(μ,Σ)的后验联合概率分布；Y和B分别为y和β的定义域；Θ为超参数(μ,Σ)的定义域；yi为支座静位移的第i个点观测数据，i＝1,2,....N；R(μ,Σ)为可靠性函数；δ(·)为狄利克雷函数；α、β、λ、η(y)为拉格朗日乘子；

根据拉格朗日函数得到所述中间变量β、超参数(μ,Σ)的联合后验分布如式(3.11)：式中： 为积分常数；p(β,μ,Σ)

为中间变量β、超参数(μ,Σ)的联合后验分布；p0(β,μ,Σ|y)为给定输出变量y时中间变量β、超参数(μ,Σ)的先验分布；p0(y|β)为给定中间变量β时输出变量y的先验分布；p0(β|μ,Σ)为给定超参数(μ,Σ)时中间变量β的先验分布；p0(μ,Σ)为超参数(μ,Σ)的先验分布；

拉格朗日乘子β、λ为通过求解方程 和 得到的常数。

8.如权利要求1所述的桥梁支座静位移超限预警模型校准方法，其特征在于：步骤四中，根据模拟样本ysim和点观测数据组yobs的Wasserstein距离，所述超参数(μ,Σ)的近似似然函数采用近似贝叶斯方法按式(4.1)建立：式中：L(yobs|x)为超参数(μ,Σ)的近似似然函数；dwp(yobs,ysim)为模拟样本ysim和点观测数据组yobs的Wasserstein距离；ε为控制后验分布集中度的预定义宽度因子；

其中，dwp(yobs,ysim)按式(4.2)确定：

式中： 和 分别为观测样本yobs和模拟样本ysim的累积分布函数； 和为α分位数函数；p为参数空间维度。

9.如权利要求1所述的桥梁支座静位移超限预警模型校准方法，其特征在于：步骤四中，采用超参数(μ,Σ)的近似似然函数L(yobs|x)替换步骤三联合后验分布p(β,μ,Σ)中的原始似然函数，得到超参数(μ,Σ)基于Wasserstein距离的后验分布如式(4.3)：式中：p(μ,Σ|D)为超参数(μ,Σ)基于Wasserstein距离的后验分布；D为给定的监测数据集的简化表达；dwp(yobs,ysim)为模拟样本ysim和点观测数据组yobs的Wasserstein距离；p0(μ,Σ)为超参数(μ,Σ)的先验分布；R(μ,Σ)为可靠性函数；β、λ为拉格朗日乘子；

根据后验分布如式(4.3)，可得中间分布pj(μ,Σ)如式(4.4)：根据转移马尔科夫蒙特卡洛抽样算法和中间分布pj(μ,Σ)求解得到校准超参数(μ*,Σ*)的后验分布。

10.如权利要求1‑9任一项所述的桥梁支座静位移超限预警模型校准方法，其特征在于：在应用时，将根据当前时间段内获取的主梁温度与支座静位移的监测数据得到的校准中间变量β*，代入步骤一所述贝叶斯线性回归模型中得到校准超限预警模型，对当前时间段支座静位移进行超限预警；下一时间段时，将当前时段的监测数据归入历史数据，获取下一时间段内主梁温度与支座静位移的监测数据，重复步骤二至步骤五对当前时间段的校准中间变量β*及校准超限预警模型进行再次校准，对下一时间段支座静位移进行超限预警，如此循环校准和预警；所述时间段的长度根据步骤二所述的主梁温度变化量确定。