基于边缘计算的桥梁健康监测多采集仪数据预处理方法技术

本发明专利技术公开了基于边缘计算的桥梁健康监测多采集仪数据预处理方法，通过对桥梁的传感器划定区域的方式，在划定区域设置一个边缘计算设备。一方面，该边缘计算设备中的深度学习模型可以使得采集仪输出的传感器数据互相校验，保证数据的可靠性的同时，对异常的数据可进行下一步的处理，如数据剔除或对该数据对应的传感器进行检修等。另一方面，在边缘计算设备上植入传感器数据过滤算法，降低采集仪的数据采集功耗，减少信号传输带宽，降低云端或服务器端数据处理的复杂度，提高了服务器或者云端数据处理效率，同时能提高传感器的使用寿命。命。命。

【技术实现步骤摘要】
基于边缘计算的桥梁健康监测多采集仪数据预处理方法


[0001]本专利技术涉及桥梁数据监测处理
，尤其涉及基于边缘计算的桥梁健康监测多采集仪数据预处理方法。

技术介绍

[0002]桥梁健康监测系统，是通过对桥梁结构力学性能进行静力监测，实时监测结构的整体力学行为，对桥梁结构的状态进行诊断，对桥梁的健康情况进行智能评估，为桥梁的维修、养护与管理决策提供依据。桥梁健康监测的目的是通过实时掌握桥梁的量变数据，以便及时采取应对措施，避免桥梁发生结构质变。目前，测量仪器效率低下一直是困扰桥梁检测的一大难题。
[0003]桥梁健康监测系统主要包括传感器模块、数据采集模块和数据传输模块，其传感器类型和数量繁多，主要用于监测结构载荷变化、结构实际的工况、结构所处环境变化等，常用的传感器有应变片、静力水准仪、振动加速度传感器、温湿度传感器等。当前遇到的主要问题有：
[0004]桥梁健康监测的传感器类型和数量较多，传感器的数据经过采集仪解析后，部分数据的客观真实性无法得到验证，如传感器设备异常产生的数据或者不明原因产生的传感器信号跳变，如果异常的数据没有经过处理直接通过无线网络传输至云端/服务器端，会降低网络传输效率，也会降低云端或服务端数据的处理效率。
[0005]采集仪实时获取的海量数据通过无线网络传输给云端/服务器，大量实时采集的数据传输对网络的带宽要求较高，若网络资源受限制，容易造成网络拥塞，严重时会导致数据包延迟或丢失。

技术实现思路

[0006]为解决上述数据处理效率低以及易延迟丢失的问题，本专利技术提出了基于边缘计算的桥梁健康监测多采集仪数据预处理方法。
[0007]基于边缘计算的桥梁健康监测多采集仪数据预处理方法，通过对桥梁传感器划定区域并在划定区域设置边缘计算设备处理多采集仪数据，所述边缘计算设备包含深度学习模型及传感器过滤算法，数据处理方法包括以下步骤：
[0008]步骤S1：建立深度神经网络的传感器相互校验模型，通过自注意力机制及自注意力网络，在桥梁划定区域内，每个传感器可获取其他传感器的信息，实现信息交叉验证；
[0009]步骤S2：模型训练，将桥梁所有划定区域的多个传感器数据作为模型的训练数据集，对部分传感器的数值进行加噪处理，经过自注意力网络得到其重构输出；
[0010]步骤S3：模型使用，使用训练后的模型计算每个传感器的输出，将桥梁划定区域的多个传感器的数值作为输入，经过自注意力网络进行信息融合和特征提取，再生成多个传感器数值的重构输出；
[0011]步骤S4：植入数据过滤算法，通过多种获取方式获取传感器的数据，将边缘计算设
备过滤后的传感器数据通过无线传输模块传输给服务器网络进行处理。
[0012]进一步，所述步骤S1自注意力机制包括：
[0013]输入经过一次线性变换后，进入多头注意力运算，使数据之间进行特征融合；
[0014]利用残差结构使梯度传播更快捷，缓解深度网络中梯度消散的问题，层标准化运算使网络每层获得相同的分布，加快网络收敛；
[0015]数据再经过多层前馈网络，进行进一步的特征提取，再次进入残差结构和层标准化运算；
[0016]上述整个流程被称为一个编码块，将上述编码块重复多次，再通过线性层进行整合，组成自注意力网络。
[0017]进一步，所述自注意力机制可表示为：
[0018][0019]其中，Q，K，V分别被称为查询，键和值，是输入X经过三次不同的可学习的线性变换得到的张量，d
k
为网络的尺寸；QK
T
相当于Q的每个分量与K的每个分量作内积，在深度特征空间中，内积越大说明相似度越高，该值经过缩小和softmax归一化后作为V对应分量的权重，对V的每个分量进行加权运算，完成数据的特征融合。
[0020]进一步，所述步骤S2模型训练包括：
[0021]对数据集中部分传感器进行加噪；
[0022]输入自注意力网络得到重构输出；
[0023]与传感器真实数值比较，计算损失函数并训练网络；
[0024]网络收敛，深度神经网络的传感器相互校验模型具备特征提取、信息融合及信息去噪能力。
[0025]进一步，所述自注意力网络损失函数计算公式为：
[0026][0027]其中，Y和分别为传感器未加噪的真实值与重构输出值，M为加噪传感器的数量，并通过反向传播训练该网络，y
j
与分别是第j个传感器的真实值与重构输出值。
[0028]进一步，所述步骤S3重构输出表示多个传感器的理论数值，在多传感器的数值已知的情况下，将传感器的理论数值与真实数值作对比，验证该多个传感器中的一个或者多个是否存在异常的情况；如果存在传感器的实际数值与重构输出之间存在较大偏差，则说明该传感器数据可能存在异常，需要进行进一步检查和干预。
[0029]进一步，所述步骤S4获取传感器数据的获取方式包括定时获取、事件触发获取和不同采样间隔获取。
[0030]本专利技术的有益效果：本专利技术提出了基于边缘计算的桥梁健康监测多采集仪数据预处理方法，通过对桥梁的传感器划定区域的方式，在划定区域设置一个边缘计算设备。一方面，该边缘计算设备中的深度学习模型可以使得采集仪输出的传感器数据互相校验，保证数据的可靠性的同时，对异常的数据可进行下一步的处理，如数据剔除或对该数据对应的传感器进行检修等。另一方面，在边缘计算设备上植入传感器数据过滤算法，降低采集仪的
数据采集功耗，减少信号传输带宽，降低云端或服务器端数据处理的复杂度，提高了服务器或者云端数据处理效率，同时能提高传感器的使用寿命。
附图说明
[0031]图1是本专利技术深度神经网络的传感器相互校验模型训练及使用示意图；
[0032]图2是本专利技术实施例中自注意力网络示意图；
[0033]图3是本专利技术实施例中传感器交叉验证示意图。
具体实施方式
[0034]为了对本专利技术的技术特征、目的和效果有更加清楚的理解，现对照附图说明本专利技术的具体实施方式。
[0035]边缘计算是在靠近物或数据源的网络边缘端，融合网络、计算、存储、应用核心能力的开放平台，就近提供边缘智能服务，满足在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。边缘计算能够在靠近用户或数据源的位置提供网络、计算、存储服务，能够实现流量的本地化处理，降低对云端/服务器端的流量冲击，提供低时延和高稳定的应用运行环境，有助于实现场景需求、算力分布和部署成本的最佳匹配。为了克服现有技术的缺点与不足，提出了一种基于边缘计算的桥梁健康监测多采集仪数据预处理方法，该方法通过对桥梁的传感器划定区域的方式，在划定区域设置一个边缘计算设备。一方面，该边缘计算设备中的深度学习模型可以使得采集仪输出的传感器数据互相校验，保证数据的可靠性的同时，对异常的数据可进行下一步的处理，如数据剔除或对该数据对应的传感器进行检修等。另一方面，在边缘计算设备上植入传感器数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于边缘计算的桥梁健康监测多采集仪数据预处理方法，其特征在于，通过对桥梁传感器划定区域并在划定区域设置边缘计算设备处理多采集仪数据，所述边缘计算设备包含深度学习模型及传感器过滤算法，数据处理方法包括以下步骤：步骤S1：建立深度神经网络的传感器相互校验模型，通过自注意力机制及自注意力网络，在桥梁划定区域内，每个传感器可获取其他传感器的信息，实现信息交叉验证；步骤S2：模型训练，将桥梁所有划定区域的多个传感器数据作为模型的训练数据集，对部分传感器的数值进行加噪处理，经过自注意力网络得到其重构输出；步骤S3：模型使用，使用训练后的模型计算每个传感器的输出，将桥梁划定区域的多个传感器的数值作为输入，经过自注意力网络进行信息融合和特征提取，再生成多个传感器数值的重构输出；步骤S4：植入数据过滤算法，通过多种获取方式获取传感器的数据，将边缘计算设备过滤后的传感器数据通过无线传输模块传输给服务器网络进行处理。2.根据权利要求1所述的基于边缘计算的桥梁健康监测多采集仪数据预处理方法，其特征在于，所述步骤S1自注意力机制包括：输入经过一次线性变换后，进入多头注意力运算，使数据之间进行特征融合；利用残差结构使梯度传播更快捷，缓解深度网络中梯度消散的问题，层标准化运算使网络每层获得相同的分布，加快网络收敛；数据再经过多层前馈网络，进行进一步的特征提取，再次进入残差结构和层标准化运算；上述整个流程被称为一个编码块，将上述编码块重复多次，再通过线性层进行整合，组成自注意力网络。3.根据权利要求2所述的基于边缘计算的桥梁健康监测多采集仪数据预处理方法，其特征在于，所述自注意力机制可表示为：其中，Q，K，V分别被称为查询，键和值，是输入X经过三次不...

【专利技术属性】
技术研发人员：卢家莉，陈囡，黄文清，霍仕峰，刘嘉，
申请(专利权)人：广东诚泰交通科技发展有限公司，
类型：发明
国别省市：