一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法技术

本发明专利技术提供一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法，是为了解决现有方法难以处理具有多种异常模式的情形，容易产生过处理和欠处理的问题，且人工专家干预的自动化程度低，成本昂贵的缺点而提出的，包括：将待诊断监测数据由时间序列数据通过数据可视化处理转换为时域响应图像数据和频域响应图像数据；根据同一个数据段对应的时域响应图像数据和频域响应图像数据组成双通道时频响应图；从双通道时频响应图中选取样本并标注样本的异常类型，构成训练集；将训练集输入至卷积神经网络模型中，将训练后的模型作为异常数据诊断器；将待诊断监测数据输入至异常数据诊断器中得到诊断结果。本发明专利技术适用于结构健康数据监测。

A method for diagnosing abnormal data of structural health monitoring based on computer vision and deep learning technology

The invention provides a structural health monitoring abnormal data diagnosis method based on computer vision and in-depth learning technology, in order to solve the shortcomings of existing methods that are difficult to deal with situations with multiple abnormal patterns, easy to produce problems of over-processing and under-processing, and low degree of automation and high cost of manual expert intervention. The proposed method includes: converting the time series data to time domain response image data and frequency domain response image data through data visualization processing; composing a two-channel time-frequency response image based on the time domain response image data and frequency domain response image data corresponding to the same data segment; and converting the time series data to time-frequency response image data from two-channel time-frequency response image. The training set is constructed by selecting samples and labeling the abnormal types of samples. The training set is input into the convolutional neural network model, and the trained model is used as the abnormal data diagnoser. The monitoring data to be diagnosed is input into the abnormal data diagnoser to obtain the diagnosis results. The invention is suitable for monitoring structural health data.

【技术实现步骤摘要】
一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法
本专利技术涉及机器学习、信号处理、土木工程结构健康监测
，具体涉及一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法。
技术介绍
在当今土木工程领域，随着很多建筑结构的老化和越来越多大型复杂基础设施的兴建，结构健康监测(StructuralHealthMonitoring,SHM)作为监测、管理和维护的重要工具，已广泛应用于工程实践中。监测系统不仅能够实时监测结构的多种响应，为结构的状态评估提供参考，也能为结构的维修和养护提供依据。其作用直接关系到结构的安全性和可用性。自上世纪80年代将结构健康监测技术初步应用以来，中国已成长为结构健康监测技术应用大国，在许多工程结构如大型桥梁、隧道、大坝、海洋平台、高层建筑、大跨空间结构等安装了实施在线监测系统。单个系统普遍含有多种传感器阵列，节点总数可达数百个。监测内容可分为结构周边环境监测，结构荷载监测以及结构响应监测。其中环境监测项目包括温度、湿度、风速、地震动和降雨等；结构荷载监测包括行人、车流量、水位等；结构响应监测包括加速度、位移、应变、倾斜、挠度、腐蚀等本文档来自技高网...

【技术保护点】
1.一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法，其特征在于，包括：步骤一、将用于训练的监测数据由时间序列数据通过数据可视化处理转换为时域响应图像数据和频域响应图像数据；根据同一个数据段对应的时域响应图像数据和频域响应图像数据组成双通道时频响应图；从双通道时频响应图中选取样本并标注样本的异常类型，构成训练集；步骤二、将训练集输入至卷积神经网络模型中，将训练后的模型作为异常数据诊断器；步骤三、将待诊断监测数据输入至异常数据诊断器中得到诊断结果。

【技术特征摘要】
1.一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法，其特征在于，包括：步骤一、将用于训练的监测数据由时间序列数据通过数据可视化处理转换为时域响应图像数据和频域响应图像数据；根据同一个数据段对应的时域响应图像数据和频域响应图像数据组成双通道时频响应图；从双通道时频响应图中选取样本并标注样本的异常类型，构成训练集；步骤二、将训练集输入至卷积神经网络模型中，将训练后的模型作为异常数据诊断器；步骤三、将待诊断监测数据输入至异常数据诊断器中得到诊断结果。2.根据权利要求1所述的基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法，其特征在于，步骤一具体为：步骤一一、将待诊断监测数据按照时距w切割成n个数据段d，生成数据集D{d}；步骤一二、分别绘制数据集D内各数据段d的时域相应图和频域响应图，并根据同一个数据段的时域相应图和频域响应图生成双通道时频响应图p，构成数据集D{d,p}；步骤一三、从D中随机抽取m个样本成训练集S{p}；步骤一四、在训练集S中，根据时、频域响应特征评估样本的异常类型，并给样本标记上标签L；步骤一五、重复步骤一四，直至训练集S中m个样本均被标记，生成训练集S{p,L}。3.根据权利要求2所述的基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法，其特征在于，双通道时频响应图p中用R通道表示时域响应图，用G通道表示频域响应图，时域响应图与频域响应图重合的区域设置为黑色。4.根据权利要求2或3所述的基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法，其特征在于，步骤二中，卷积神经网络依次包括输入层、卷积层、池化层、全连接层以及分类层...

【专利技术属性】
技术研发人员：鲍跃全，李惠，唐志一，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23