一种基于多变量统计分析的结构监测数据异常识别方法技术

本发明专利技术属于土木工程结构健康监测领域，提供了一种基于多变量统计分析的结构监测数据异常识别方法。首先，对结构的正常监测数据建立多变量统计分析模型；其次，在模型的噪声子空间中将监测数据的异常识别过程转换为统计假设检验问题；接着，求解该统计假设检验问题以推导一个新的统计量，用于识别异常监测数据；最后，确定出该统计量的合理阈值，当统计量超过阈值即可判断监测数据中存在异常。

An anomaly identification method for structural monitoring data based on multivariate statistical analysis

The invention belongs to the field of structural health monitoring of civil engineering, and provides an abnormal identification method of structural monitoring data based on multivariate statistical analysis. First, the statistical analysis model of normal monitoring data structure of a multi variable; secondly, in the process of anomaly recognition model of noise subspace in the monitoring data into the statistical hypothesis testing problem; then, to solve the problem of statistical hypothesis test to derive a new statistical quantity, used to identify abnormal monitoring data; finally, determined the reasonable threshold of the statistics, when the statistic exceeds the threshold can be determined in the presence of abnormal monitoring data.

【技术实现步骤摘要】

本专利技术属于土木工程结构健康监测领域，提出了一种基于多变量统计分析的结构监测数据异常识别方法。
技术介绍
土木工程结构在长期荷载、环境侵蚀和疲劳效应等因素的共同作用下，其服役性能的退化不可避免。深入分析结构监测数据，可以及时发现结构的异常状态并提供准确的安全预警，对确保土木工程结构的安全运营具有重要的现实意义。目前，结构监测数据的异常识别主要通过统计方法实现，一般分为两大类：1)单变量控制图，如休哈特控制图、累积和控制图等，该类方法对每个测点的监测数据分别建立控制图，以识别监测数据中的异常；2)多变量统计分析，如主成分分析、独立分量分析等，该类方法利用多测点监测数据之间的相关性建立统计模型，并定义相应的统计量以识别监测数据中的异常。由于结构变形的连续性，结构相邻测点之间的响应数据也具有一定的相关性。因此，在实际工程应用中，能够考虑这种相关性的多变量统计分析方法更具优越性。此外，该类方法仅需定义1～2个统计量，即可判别监测数据是否异常，这对于包含众多传感器的结构健康监测系统而言，非常便捷。然而，常用的多变量统计分析方法对结构监测数据中的微小异常有时不够敏感，若能有效解决该问题，则多变量统计分析在结构监测数据异常识别中将更具实用价值。
技术实现思路
本专利技术旨在提出一种结构监测数据异常识别方法，以有效解决多变量统计分析对结构监测数据中微小异常不敏感的问题。其技术方案是：首先，对结构的正常监测数据建立多变量统计分析模型；其次，在模型的噪声子空间中将监测数据的异常识别过程转换为统计假设检验问题；接着，求解该统计假设检验问题以推导一个新的统计量，用于识别异常监测数据；最后，确定出该统计量的合理阈值，当统计量超过阈值即可判断监测数据中存在异常。一种基于多变量统计分析的结构监测数据异常识别方法，步骤如下：步骤一：监测数据建模(1)对结构的正常监测数据建立多变量统计分析模型：S＝E{xxT本文档来自技高网...

【技术保护点】
一种基于多变量统计分析的结构监测数据异常识别方法，其特征在于，步骤如下：步骤一：监测数据建模(1)对结构的正常监测数据建立多变量统计分析模型：S＝E{xxT}＝VΞVT式中：x＝[x1,x2,...,xm]T表示结构的某一正常监测数据，共包含m个变量；S表示协方差矩阵；Ξ＝diag(ξ1,ξ2,...,ξm)包含所有特征值ξi；V＝[v1,v2,...,vm]包含所有特征向量vi，vi即为第i个主方向；(2)设噪声子空间中包含r个主方向，则其表达式为N＝[vm‑r+1,vm‑r+2,...,vm]T，r按如下条件确定：且步骤二：将异常识别过程转换为统计假设检验问题(3)正常监测数据x在噪声子空间N上的投影为n＝Nx；(4)设结构的某一异常监测数据表示为δ表示异常量，则其在噪声子空间N上的投影为n＝Nx+Nδ；(5)令η＝Nx且ε＝Nδ，则异常识别过程可转换为如下统计假设检验问题：H0:n=ηH1:n=ϵ+η]]>式中：Η0代表零假设，该条件下不存在异常；Η1代表备选假设，该条件下存在异常；一般认为正常或异常状态下的监测数据服从高斯分布，则Η0条件下有n～G(0,Ση)，而Η1条件下有n～G(ε,Ση)，Ση代表变量η的协方差矩阵；步骤三：求解统计假设检验问题，推导统计量(6)采用包含l个监测数据的移动窗，在该移动窗内分别计算第i个样本在N上的投影ni，i＝1,2,...,l；当满足以下条件时，广义似然比检验方法判断Η1成立，即该移动窗内的监测数据存在异常：T=Σi=1llnp(ni;ϵ^,H1)p(ni;H0)>τ]]>式中：表示ε的最大似然估计；p(·)表示某变量的概率；T表示统计量；τ表示阈值；(7)进一步推导，将上式中的对数似然比表示为：lnp(ni;ϵ^,H1)p(ni;H0)=-12[(ni-ϵ^)TΣη-1(ni-ϵ^)T-niTΣη-1ni]=-12[niTΣη-1ni-2niTΣη-1ϵ^+ϵ^TΣη-1ϵ^-niTΣη-1ni]=niTΣη-1ϵ^-12ϵ^TΣη-1ϵ^]]>(8)上式中包含的项是固定值，将其移至阈值部分，则判别式进一步简化为：T=Σi=1lniTΣη-1ϵ^>τ]]>(9)由于ε的最大似然估计为则判别式最终简化为：T=1lΣi=1lΣj=1lniTΣη-1nj>τ]]>式中：nj表示移动窗内第j个样本在N上的投影，j＝1,2,...,l；当统计量T超过阈值τ时，表明移动窗内的监测数据存在异常；步骤四：确定统计量的合理阈值(10)对结构的正常监测数据而言，设定移动窗长度l后，计算每个移动窗对应的统计量直至所有的监测数据全部计算完；然后，估计所有统计量的概率密度分布，再依据99％置信准则(即显著性水平为1％)确定出合理的阈值τ。...

【技术特征摘要】
1.一种基于多变量统计分析的结构监测数据异常识别方法，其特征在于，步骤如下：步骤...

【专利技术属性】
技术研发人员：伊廷华，黄海宾，李宏男，马树伟，
申请(专利权)人：大连理工大学，大连莱立佰信息技术有限公司，
类型：发明
国别省市：辽宁;21