基于深度学习确定桥梁健康监测系统异常数据来源的方法技术方案

本专利涉及桥梁健康监测技术领域，具体公开了一种基于深度学习确定桥梁健康监测系统异常数据来源的方法，包括定义桥梁的子结构；采集各子结构以及各子结构上的传感器均处于健康的时间段内，各个传感器的输出数据序列作为相应传感器的训练样本集；构建LSTM神经网络，利用训练样本集对神经网络进行训练并计算形成残差序列，依该残差序列的均值及方差确定各传感器的故障阈值；采集一抽样时间段内各子结构上传感器的输出数据序列，并将该输出数据序列输入到训练好的长短时记忆神经网络进行预测，计算该输出数据序列的残差序列；将计算所得残差序列与各传感器的故障阈值进行比较，并确定子结构中故障传感器的个数以判断异常数据的来源。

Method of Determining Abnormal Data Source of Bridge Health Monitoring System Based on Deep Learning

This patent relates to the technical field of bridge health monitoring, and specifically discloses a method of determining abnormal data sources of bridge health monitoring system based on in-depth learning, including defining the substructures of bridges, collecting the sensors on each substructure in a healthy period of time, and using the output data sequence of each sensor as the training sample set of corresponding sensors; and constructing L. STM neural network trains the neural network with training sample set and calculates the residual sequence, determines the fault threshold of each sensor according to the mean and variance of the residual sequence, collects the output data sequence of each sub-structure in a sampling period, and inputs the output data sequence to the trained long-term and short-term memory neural network for prediction, and calculates the output. The residual sequence of the data sequence is compared with the fault threshold of each sensor, and the number of fault sensors in the sub-structure is determined to determine the source of the abnormal data.

【技术实现步骤摘要】
基于深度学习确定桥梁健康监测系统异常数据来源的方法
本专利技术涉及桥梁健康监测
，具体涉及一种基于深度学习确定桥梁健康监测系统异常数据来源的方法。
技术介绍
桥梁跨越天堑，连接南北，保证了运输的安全通畅，在交通运输网络中占有重要地位，而且桥梁造型多样，形态柔美，还是社会的宝贵财富。改革开放以来，我国整体经济实力及综合国力迅速提升，桥梁建设事业也如雨后春笋般迅速发展，取得了众多举世瞩目的科研成就。我国的桥梁建设已朝着大型桥梁方向前进，达到世界顶尖水平的大跨度桥梁不断涌现，许多桥梁已成为城市的重要地标。大型的桥梁结构一般都有标志性的外观和独特的造型，结构受力十分复杂，而且受到环境和荷载的长期作用，以及其材料本身退化等因素，桥梁必然会产生累积损伤现象和抗力缩减现象。这导致桥梁在某些突发情况下发生结构破坏事故，甚至有可能导致整体结构垮塌酿成突发性灾难事故。事故的发生不言而喻对人民的生命、财产安全造成了巨大损失。大型桥梁建成后，其运营阶段的养护维修至关重要。由于大桥受力状态的不确定性，导致传统的管养方式效率低下，同时还需要很高的人力成本，检测过程中也存在很强的主观性。加上国内外的桥梁事故频发，使得寻找一种稳定高效且科学智能的养护管理方法变得更为迫切。工程师们很早以前就萌生了对桥梁进行实时监测、及时识别损伤的想法，但由于当时客观因素的限制而未能如愿。人们并未停止科研的脚步，伴随着材料、传感、计算机、通讯、数据分析等技术的创新发展，结构健康监测(Structuralhealthmonitoring,SHM)技术应运而生。目前针对结构健康监测系统的大多数研究主要集中在传感器优化布置和安全状态评估这两个方面，而很少关注所监测到的异常信号来源，究竟是结构损伤导致还是传感器故障所致。往往过去在识别结构损伤或评估结构性能时，通常并未判断传感器是否发生故障，而默认测量的数据是真实的结构响应。然而，当传感器故障时往往会返回错误的测量信息，覆盖真实结构的响应，进而影响健康监测系统最终的安全评估结果，使其出现漏报警或误报警。桥梁结构的设计寿命往往长达百年以上，而作为一种电子元件，传感器寿命仅为十几年甚至几年，在服役中必因老化而出现故障。另一方面，外界高温、高湿等恶劣环境因素均易使传感器发生故障。众多的桥梁结构健康监测系统实践表明，传感器故障已严重影响了桥梁结构健康监测系统的应用。因此，在大型桥梁结构健康监测系统中，能够准确识别异常数据来源，并隔离出相关故障，无疑对保证桥梁健康监测系统的正常运行以及后期结构安全状态正确评估具有重要意义。目前对异常数据故障诊断的理论和方法基本上可总结为3种，分别是基于解析模型的方法，基于信号处理的方法和基于知识的方法。与基于解析模型和信号的方法相比，基于知识的深度学习方法(神经网络方法)优势在于不需要精确的数学模型，并通过机器学习了诊断对象的许多信息后可诊断出较小故障幅度故障，且由于其自身独特的学习规则尤其适合应用于非线性系统和复杂的大型土木结构监测系统。
技术实现思路
本专利技术意在提供一种基于深度学习确定桥梁健康监测系统异常数据来源的方法，利用传感器和结构健康条件下的数据对改进的长短时记忆神经网络进行训练，采用训练好的网络结构对测量数据进行非线性预测，通过统计学方法来确定数据故障阈值，最后观察所定义的子结构内所有传感器是否同时发生故障来确定异常数据是由结构损伤导致还是传感器故障所致。本专利技术中的基于深度学习的桥梁健康监测系统中传感器的故障诊断方法包括：定义桥梁的子结构，所述子结构为连续梁中的一跨或框架结构中某一杆件单元；采集各子结构以及各子结构上的传感器均处于健康状态的时间段内，各个传感器的输出数据序列作为相应传感器的训练样本集；构建含有LSTM层的长短时记忆神经网络，利用所述训练样本集对所述长短时记忆神经网络进行训练，并计算训练样本集中每一观测值与预测值之间的残差，形成残差序列，并以该残差序列的均值及方差根据拉依达准则确定各传感器的故障阈值；采集一抽样时间段内各个子结构上所有传感器的输出数据序列，并将该输出数据序列输入到各传感器所对应的训练好的长短时记忆神经网络进行预测，计算该输出数据序列的残差序列；将计算所得残差序列与各传感器的故障阈值进行比较，如果该残差序列中，未超过故障阈值的占比高于设定的置信度，则认为输出数据序列正常；反之，则认为输出数据序列异常；如果同一个子结构中的所有传感器的输出数据序列均异常则认为结构损伤，如单个传感器数据异常则认为传感器故障。进一步，所述长短时记忆神经网络中，依次包括一输入层、一隐层、一LSTM层、二隐层及一输出层。进一步，所述长短时记忆神经网络中LSTM层内的记忆模块具体设置如下：LSTM层的记忆模块包括，输入门层(InputGate)、忘记门层(ForgetGate)、更新门层以及输出门层(OutputGate)，用于根据当前输入；输入门层，该门会读取上一时间点的细胞状态Ct-1、输出mt-1和当前时间点的输入xt，该门包含两个部分，第一部分，通过sigmoid函数决定需要输入什么值，即It，另一部分，通过tanh函数创建一个新的候选值向量该向量会被加入到细胞状态Ct中，此过程计算公式为：It＝σ(Wixxt+Wimmt-1+Wicct-1+bi)式中：Wix是从输入门到输入的矩阵权重，Wim是上一层的输出mt-1到输入门的矩阵权重，Wic是输入门peephole连接的对角权重矩阵，peephole连接使得其他门能够在由输出门处理之前知道存储单元的真实状态，bi是输入门偏差，Wcx是从更新门到输入的矩阵权重，Wcm是上一层的输出mt-1到更新门的矩阵权重，bc是更新门偏差；忘记门层，该门会读取上一时间点的细胞状态Ct-1、输出mt-1和当前时间点的输入xt，将其赋值给当前细胞状态Ct中,所得赋值ft的计算公式为：ft＝σ(Wfxxt+Wfmmt-1+Wfcct-1+bf)，式中：Wfx是从忘记门到输入的矩阵权重，Wfm是上一层的输出mt-1到忘记门的矩阵权重，Wfc是忘记门连接神经元上一时间点的细胞状态Ct-1的对角权重矩阵，bf是忘记门偏差；更新门层，该层更新旧细胞状态，将Ct-1更新为Ct此过程公式如下：其中：表示两个向量的标量乘积，bc是更新门偏差；输出门层，该层将确定输出部分mt，计算公式为：ot＝σ(Woxxt+Wommt-1+Wocct-1+bo)式中：Wox是从输出门到输入的矩阵权重，Wom是上一层的输出mt-1到输出门的矩阵权重；WOC是输出门peephole连接的对角权重矩阵，bo是输出门偏差；tanh(.)和σ(.)是定义的两种激活函数，定义如下：进一步，所述隐层的神经元的输出计算公式为：yt＝Wymmt+by，式中，Wym是输出向量的权重矩阵，by输出向量的偏差。进一步，所述残差Re求取如下：式中：为长短时记忆神经网络的预测值，y为观测值；所述故障阈值为：λ＝μ(Re)+3σ2(Re)残差序列的均值和方差求取方法分别为：式中：Rei为不同时刻对应的Re值。进一步，将所述训练样本分为多个批次输入所述长短时记忆神经网络进行训练，每一批次的训练样本数逐次增加，且在后一批次中的训练样本，包含在前一批次的所有训练样本，直至最后一个批次输入所有的本文档来自技高网...

【技术保护点】
1.基于深度学习确定桥梁健康监测系统异常数据来源的方法，其特征在于，包括：定义桥梁的子结构，所述子结构为连续梁中的一跨或框架结构中某一杆件单元；采集各子结构以及各子结构上的传感器均处于健康状态的时间段内，各个传感器的输出数据序列作为相应传感器的训练样本集；构建含有LSTM层的长短时记忆神经网络，利用所述训练样本集对所述长短时记忆神经网络进行训练，并计算训练样本集中每一观测值与预测值之间的残差，形成残差序列，并以该残差序列的均值及方差根据拉依达准则确定各传感器的故障阈值；采集一抽样时间段内各个子结构上所有传感器的输出数据序列，并将该输出数据序列输入到各传感器所对应的训练好的长短时记忆神经网络进行预测，计算该输出数据序列的残差序列；将计算所得残差序列与各传感器的故障阈值进行比较，如果该残差序列中，未超过故障阈值的占比高于设定的置信度，则认为输出数据序列正常；反之，则认为输出数据序列异常；如果同一个子结构中的所有传感器的输出数据序列均异常则认为结构损伤，如单个传感器数据异常则认为传感器故障。

【技术特征摘要】
1.基于深度学习确定桥梁健康监测系统异常数据来源的方法，其特征在于，包括：定义桥梁的子结构，所述子结构为连续梁中的一跨或框架结构中某一杆件单元；采集各子结构以及各子结构上的传感器均处于健康状态的时间段内，各个传感器的输出数据序列作为相应传感器的训练样本集；构建含有LSTM层的长短时记忆神经网络，利用所述训练样本集对所述长短时记忆神经网络进行训练，并计算训练样本集中每一观测值与预测值之间的残差，形成残差序列，并以该残差序列的均值及方差根据拉依达准则确定各传感器的故障阈值；采集一抽样时间段内各个子结构上所有传感器的输出数据序列，并将该输出数据序列输入到各传感器所对应的训练好的长短时记忆神经网络进行预测，计算该输出数据序列的残差序列；将计算所得残差序列与各传感器的故障阈值进行比较，如果该残差序列中，未超过故障阈值的占比高于设定的置信度，则认为输出数据序列正常；反之，则认为输出数据序列异常；如果同一个子结构中的所有传感器的输出数据序列均异常则认为结构损伤，如单个传感器数据异常则认为传感器故障。2.根据权利要求1所述的基于深度学习确定桥梁健康监测系统异常数据来源的方法，其特征在于：所述长短时记忆神经网络中，依次包括一输入层、一隐层、一LSTM层、二隐层及一输出层。3.根据权利要求1所述的基于深度学习确定桥梁健康监测系统异常数据来源的方法，其特征在于：所述长短时记忆神经网络中LSTM层内的记忆模块具体设置如下：LSTM层的记忆模块包括输入门层、忘记门层、更新门层以及输出门层；输入门层，该门会读取上一时间点的细胞状态Ct-1、输出mt-1和当前时间点的输入xt，该门包含两个部分，第一部分，通过sigmoid函数决定需要输入什么值，即It，另一部分，通过tanh函数创建一个新的候选值向量该向量会被加入到细胞状态Ct中，此过程计算公式为：It＝σ(Wixxt+Wimmt-1+Wicct-1+bi)式中：Wix是从输入门到输入的矩阵权重，Wim是上一层的输出mt-1到输入门的矩阵权重，Wic是输入门peephole连接的对角权重矩阵，peephole连接使得其他门能够在由输出门处理之前知道存储单元的真实状态，bi是输入门偏差，Wcx是从更新门到输入的矩阵权重，Wcm是上一层的输出mt-1到更新门的矩阵权重，bc是更新门偏差；忘记门层，该门会读取上一时间点的细胞状态Ct-1、输出mt-1和当前时间点的输入xt，将其赋值给当前细胞状态Ct中,所得赋值ft的计算公式为：ft＝σ(Wfxxt+Wfmmt-1+Wfcct-1+bf)，式中：Wfx是从忘记门到输入的矩阵权重，Wfm是上一层的输出mt-1到忘记门的矩阵权重，Wfc是忘记门连接神经元上一时间点的细胞状态Ct-1的对角权重矩阵，bf是忘记门偏差；更新...

【专利技术属性】
技术研发人员：刘纲，李立力，蒋伟，高凯，李青，王惊华，唐伟，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆,50