基于时空图卷积网络的结构健康监测数据异常识别方法技术

本发明专利技术涉及一种基于时空图卷积网络的结构健康监测数据异常识别方法，解决了现有基于建筑结构健康监测数据的异常识别方法难以区分传感器故障和结构变异的问题。识别方法如下：利用可学习邻接矩阵的时空图卷积网络对结构监测数据进行时空关联建模，将各阶相邻节点的信息分层次地用于数据回归，设计对应的网络结构和目标函数惩罚项；使用监测系统建成初期的实测数据作为训练集，训练网络并获取邻接矩阵，将后续的实测数据输入网络后计算模型残差及诊断指标，结合诊断指标和关键邻边判断数据异常源自传感器故障还是结构变异。本发明专利技术能有效区分传感器异常和结构异常的数据模式，准确识别故障传感器，适用于各类结构健康监测系统的管理与维护。

【技术实现步骤摘要】
基于时空图卷积网络的结构健康监测数据异常识别方法
本专利技术涉及建筑结构健康监测领域，具体涉及一种基于时空图卷积网络的结构健康监测数据异常识别方法。
技术介绍
建筑结构健康监测系统通过实时监测的方式及时识别损伤、评定结构状态和服役性能，为结构的安全运营和维护工作提供科学依据。桥梁健康监测系统实时记录了环境条件、结构温度、变形、应力、加速度等大量数据，为桥梁长期力学行为及其演化规律的研究奠定了基础。近年来，随着建筑结构健康监测领域的迅速发展，基于监测数据的结构异常诊断和结构状态评定方法也取得很大进步。这些方法通过关联分析和模式识别等手段进行异常检测，根据数据模式的变化分析服役结构的损伤与变异，为结构的安全运营和维护工作提供科学依据。但是，结构健康监测系统中布置的部分传感器在结构服役期间不可避免地出现信号漂移、幅值变化、噪声增大、精度下降等故障，传感器自身的不可靠严重影响了基于结构健康监测系统的结构状态评定方法的鲁棒性。传感器故障和结构变异都会影响监测数据的关联模式，但传统的结构变异或损伤诊断方法难以从数据模式上予以区分，而传感器故障识别和定位方法不适用于检测结构异常问题。因此有必要寻找一种结构健康监测数据异常识别方法，在识别数据模式异常的基础上，能够区分这种异常的成因是传感器故障还是结构变异。
技术实现思路
基于以上不足之处，本专利技术的目的是提供一种基于时空图卷积网络的结构健康监测数据异常识别方法，解决现有结构异常诊断方法难以区分传感器故障和结构变异的缺点，实现了故障传感器的定位和结构变异的识别。本专利技术所采用的技术如下：一种基于时空图卷积网络的结构健康监测数据异常识别方法，包括如下步骤：步骤1、对采集的结构健康监测数据进行预处理并创建训练实例。步骤2、利用可学习邻接矩阵的时空图卷积网络对结构监测数据进行时空关联建模，将不同距离节点的信息分层次地用于数据回归，设计对应的网络结构和目标函数惩罚项；步骤3、使用监测系统建成初期的实测数据作为训练集，训练网络并获取邻接矩阵，计算模型残差的阈值；步骤4、将后续的实测数据输入网络后计算模型残差和诊断指标，如果诊断指标超过阈值，视作数据模式异常的传感器；步骤5、罗列数据模式异常的传感器及关键邻接边，结合模型残差和边权重判断数据模式异常是局部的还是全局的，其中局部异常对应于传感器故障，全局异常对应于结构损伤或变异。进一步地，所述步骤1中：从结构健康监测系统中采集某项监测数据，经数据标准化处理后通过等时间间隔采样用作训练实例，训练实例包括模型输入矩阵和标签向量，对应于t时刻训练实例的模型输入表示为：标签表示为Xt，输入和标签的维度分别为N×S和N。其中，Xt是t时刻的传感器信号集合，N是考虑的传感器数量，S是模型输入选取的时间步，Δt是时间步间隔。进一步地，所述步骤2中：建立可学习邻接矩阵的时空图卷积网络，网络包括图卷积层、时间卷积层和融合层；在图卷积层，将传感器的空间关系表示为连通图，传感器是连通图上的顶点，顶点之间的有向边在模型训练中自动学习，通过图卷积操作聚合相邻的节点信息；在时间卷积层，一维卷积沿时间轴操作，聚合邻近时间点的信息；融合层将一阶相邻、二阶相邻和三阶相邻的节点信息分层次地融合。图卷积层采用可学习邻接矩阵的图卷积网络，第l个图卷积层的计算表示为Z＝A(l)XW(l)(2)式中A(l)是可学习的邻接矩阵，行归一化处理，维度为N×N；X是每个时间步的输入，维度为N×F(l)，F(l)是输入特征数；W(l)是待训练的权重参数，维度为F(l)×C(l)，C(l)是输出特征数。时间卷积层采用1维卷积神经网络。融合层的计算表示为式中表示考虑l阶相邻节点的输出，和分别对应于L1-5、L2-4和L3-3层的输出；kl为待训练的权重。时空图卷积网络结构及各层参数分别为：L1-1层，输入维度为N×S，对每个时间步的输入N执行图卷积层操作，图卷积层输出特征数量为10，输出维度为N×S×10；L1-2层，上接L1-1层，输入维度为N×S×10，对每个传感器的输入S×10执行时间卷积层操作，卷积核尺寸为3，数量为32，步距为d(1)，输出维度为N×S(1)×32；L1-3层，上接L1-2层，输入维度为N×S(1)×32，对每个传感器的输入S(1)×32执行时间卷积层操作，卷积核尺寸为3，数量为64，步距为d(2)，输出维度为N×S(2)×64；L1-4层，上接L1-3层，输入维度为N×S(2)×64，对每个传感器的输入S(2)×64执行时间卷积层操作，卷积核尺寸为S(2)，数量为64，输出维度为N×1×64；L1-5层，上接L1-4层，输入维度为N×1×64，执行线性变换操作，输出维度为N；L2-1层，上接L1-2层，输入维度为N×S(1)×32，对每个时间步的输入N×32执行图卷积层操作，图卷积层输出特征数量为10，输出维度为N×S(1)×10；L2-2层，上接L2-1层，输入维度为N×S(1)×10，对每个传感器的输入S(1)×10执行时间卷积层操作，卷积核尺寸为3，数量为64，步距为d(2)，输出维度为N×S(2)×64；L2-3层，上接L2-2层，输入维度为N×S(2)×64，对每个传感器的输入S(2)×64执行时间卷积层操作，卷积核尺寸为S(2)，数量为64，输出维度为N×1×64；L2-4层，上接L2-3层，输入维度为N×1×64，执行线性变换操作，输出维度为N；L3-1层，上接L2-2层，输入维度为N×S(2)×64，对每个时间步的输入N×64执行图卷积层操作，图卷积层输出特征数量为10，输出维度为N×S(1)×10；L3-2层，上接L3-1层，输入维度为N×S(2)×64，对每个传感器的输入S(2)×64执行时间卷积层操作，卷积核尺寸为S(2)，数量为64，输出维度为N×1×64；L3-3层，上接L3-2层，输入维度为N×1×64，执行线性变换操作，输出维度为N；L4，上接L1-5层、L2-4层、L3-3层，三个输入维度均为N，执行融合层操作，输出维度为N。其中，L1-5层、L2-4层、L3-3层选用Tanh激活函数，其他层可选用ReLU/LeakyReLU等其他激活函数。L1-5层、L2-4层、L3-3层的输出分别考虑了一阶相邻、二阶相邻和三阶相邻的传感器信息。目标函数选用均方误差MSE，在此基础上增加2个惩罚项。惩罚项表示为式中tr(·)表示矩阵的迹；λ1,l和λ2,l表示第1个和第2个惩罚项系数表示惩罚项系数。其中，惩罚项1的目的是避免节点自身信息用于自己的回归预测；惩罚项2的目的是保证一阶相邻信息在回归中占主导地位，二阶相邻和三阶相邻信息能提高回归精度，但在回归中占比极小。由于保证了一阶相邻的主导，传感器故障的引起的数据模式异常只会影响到自身和连通图上的一阶相邻节点，在后续分本文档来自技高网...

【技术保护点】
1.一种基于时空图卷积网络的结构健康监测数据异常识别方法，其特征在于，包括如下步骤：/n步骤1、对采集的结构健康监测数据进行预处理并创建训练实例；/n步骤2、利用可学习邻接矩阵的时空图卷积网络对结构监测数据进行时空关联建模，将不同距离节点的信息分层次地用于数据回归，设计对应的网络结构和目标函数惩罚项；/n步骤3、使用监测系统建成初期的实测数据作为训练集，训练网络并获取邻接矩阵，计算模型残差的阈值；/n步骤4、将后续的实测数据输入网络后计算模型残差和诊断指标，如果诊断指标超过阈值，视作数据模式异常的传感器；/n步骤5、罗列数据模式异常的传感器及关键邻接边，结合模型残差和边权重判断数据模式异常是局部的还是全局的，其中局部异常对应于传感器故障，全局异常对应于结构损伤或变异。/n

【技术特征摘要】
1.一种基于时空图卷积网络的结构健康监测数据异常识别方法，其特征在于，包括如下步骤：
步骤1、对采集的结构健康监测数据进行预处理并创建训练实例；
步骤2、利用可学习邻接矩阵的时空图卷积网络对结构监测数据进行时空关联建模，将不同距离节点的信息分层次地用于数据回归，设计对应的网络结构和目标函数惩罚项；
步骤3、使用监测系统建成初期的实测数据作为训练集，训练网络并获取邻接矩阵，计算模型残差的阈值；
步骤4、将后续的实测数据输入网络后计算模型残差和诊断指标，如果诊断指标超过阈值，视作数据模式异常的传感器；
步骤5、罗列数据模式异常的传感器及关键邻接边，结合模型残差和边权重判断数据模式异常是局部的还是全局的，其中局部异常对应于传感器故障，全局异常对应于结构损伤或变异。


2.根据权利要求1所述的一种基于时空图卷积网络的结构健康监测数据异常识别方法，其特征在于，步骤1中从结构健康监测系统中采集的监测数据在标准化处理后，通过等时间间隔采样用作训练实例，训练实例包括模型输入矩阵和标签向量，对应于t时刻训练实例的模型输入表示为：



标签表示为Xt，输入和标签的维度分别为N×S和N，其中，Xt是t时刻的传感器信号集合，N是考虑的传感器数量，S是模型输入选取的时间步，Δt是时间步间隔。


3.根据权利要求1或2所述的一种基于时空图卷积网络的结构健康监测数据异常识别方法，其特征在于，步骤2中建立可学习邻接矩阵的时空图卷积网络，包括图卷积层、时间卷积层和融合层，在图卷积层，将传感器的空间关系表示为连通图，传感器是连通图上的顶点，顶点之间的有向边在模型训练中自动学习，通过图卷积操作聚合相邻的节点信息；在时间卷积层，一维卷积沿时间轴操作，聚合邻近时间点的信息；融合层将一阶相邻、二阶相邻和三阶相邻的节点信息分层次地融合，
所述的图卷积层采用可学习邻接矩阵的图卷积网络，第l个图卷积层的计算表示为：
Z＝A(l)XW(l)(2)
式中A(l)是可学习邻接矩阵，行归一化处理，维度为N×N；X是每个时间步的输入，维度为N×F(l)，F(l)是输入特征数；W(l)是待训练的权重参数，维度为F(l)×C(l)，C(l)是输出特征数；
所述的时间卷积层采用1维卷积神经网络；
所述的融合层的计算表示为：



式中表示考虑l阶相邻节点的输出，和分别对应于L1-5、L2-4和L3-3层的输出；kl为待训练的权重；
所述的时空图卷积网络结构及各层参数分别为：
L1-1层，输入维度为N×S，对每个时间步的输入N执行图卷积层操作，图卷积层输出特征数量为10，输出维度为N×S×10；
L1-2层，上接L1-1层，输入维度为N×S×10，对每个传感器的输入S×10执行时间卷积层操作，卷积核尺寸为3，数量为32，步距为d(1)，输出维度为N×S(1)×32；
L1-3层，上接L1-2层，输入维度为N×S(1)×32，对每个传感器的输入S(1)×32执行时间卷积层操作，卷积核尺寸为3，数量为64，步距为d(2)，输出维度为N×S(2)×64；
L1-4层，上接L1-3层，输入维度为N×S(2)×64，对每个传感器的输入S(2)×64执行时间卷积层操作，卷积核尺寸为S(2)，数量为64，输出维度为N×1×64；
L1-5层，上接L1-4层，输...

【专利技术属性】
技术研发人员：李顺龙，牛津，李忠龙，
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