【技术实现步骤摘要】
一种基于生成对抗网络的监测数据异常诊断方法
本专利技术涉及一种数据异常诊断方法，尤其是结构健康监测系统长期监测数据的异常诊断，属于数据异常诊断
技术介绍
结构健康监测系统(SHMS)包含众多的传感器，用于监测加速度、速度、位移和应变等结构响应以及温度、风速、湿度等环境因素，长期监测数据可为结构损伤识别和状态评估提供参考。在开展损伤识别、状态评估之前，必须确保监测数据的准确性，否则将导致错误的评估结果。然而，传感器大多处在恶劣的环境中，传感器难以避免出现故障，因此异常数据的诊断和剔除是健康监测领域需要面对和解决的关键问题之一，是实现自动预警和状态评估的重要前提。SHMS记录海量的监测数据，难以采用人工方式逐一观察和剔除异常数据。随着深度学习技术的快速发展，一些深度人工神经网络已被应用于监测数据的异常诊断中。目前大多数方法均基于有监督机器学习方法，当训练数据集的数量足够且平衡时，训练后的网络能对异常数据进行有效地诊断与分类。但是，有监督机器学习方法应用于数据异常诊断仍面临两个困难：(1)训练数据集的非均衡性即不...
【技术保护点】
1.一种基于生成对抗网络的监测数据异常诊断方法，其特征在于，所述方法包括以下步骤：步骤1：训练数据准备阶段，/n步骤2：网络训练阶段，/n步骤3：数据异常诊断阶段。/n
【技术特征摘要】
1.一种基于生成对抗网络的监测数据异常诊断方法，其特征在于，所述方法包括以下步骤：步骤1：训练数据准备阶段，
步骤2：网络训练阶段，
步骤3：数据异常诊断阶段。
2.根据权利要求1所述的基于生成对抗网络的监测数据异常诊断方法，其特征在于，所述步骤1：训练数据准备阶段，具体如下：
步骤1-1：根据分析目的确定所需数据的最低采样频率，对待检测的结构健康监测系统(SHMS)记录的数据进行重采样操作；
步骤1-2：.设定基本时距，将实测数据分成若干子段，对各子段数据进行归一化操作，然后，将各子段的数据集转换为格拉姆角场(GAF)图像。
3.根据权利要求2所述的基于生成对抗网络的监测数据异常诊断方法，其特征在于，所述步骤2：网络训练阶段，具体如下：
步骤2-1：基于训练阶段得到的GAF图像，训练生成对抗网络(GANs)；
步骤2-2：基于正态分布函数生成随机向量，利用GANs中的生成器(G)生成与正常样本的GAF图像相似度较高GAF图像；
步骤2-3：提取GANs中的生成器G，将G作为解码器(Decoder)嵌入到自编码器(AE)中，并采用训练阶段得到的GAF图像训练AE。
4.根据权利要求2所述的基于生成对抗网络的监测数据异常诊断方法，其特征在于，所述步骤3：数据异常诊断阶段，具体如下：
步骤3-1：基于训练完成的GANs和AE，提取GANs中的G以及AE中的Encoder；
步骤3-2：将基本时距内的监测数据从时间序列转换成...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。