【技术实现步骤摘要】
一种结构健康监测数据异常诊断方法及系统
[0001]本专利技术属于深度学习
、
迁移学习及结构健康监测
,尤其涉及一种结构健康监测数据异常诊断方法及系统
。
技术介绍
[0002]众多大跨度桥梁
、
地下工程
、
海洋工程等工程设施日益增多,这些工程结构正向着跨度越来越大
、
结构越来越复杂的趋势发展,同时,自然作用和环境因素等都严重影响着这些结构的安全性
。
这些大型结构在服役过程中,在遭受环境侵蚀
、
荷载与疲劳效应的作用下,结构本身也难免出现失稳断裂
、
疲劳开裂和材料老化等问题,导致结构承载力下降,引发结构垮塌事故,造成人力
、
物力损失
。
结构健康监测(
Structural Health Monitoring
,
SHM
)系统作为保障大型结构运营安全的重要技术手段,能对环境
、
荷载状况和结构响应进行实时监测,已广泛应用于桥梁工程实践中
。
传感器系统是桥梁
SHM
系统的硬件基础,各种类型的传感器通过监测结构承受的荷载与环境作用,以及相应的结构响应,以实时或定时的模式采集各个待感测物理量
。
这些稠密的监测数据中蕴含着桥梁运营过程中重要的性能信息
、
结构荷载
、
响应规律等
。
[0003]通常一座大 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.
一种结构健康监测数据异常诊断方法,其特征在于,该方法包括以下步骤:
S1、
利用数据可视化工具将分割好的应变分段时间序列数据进行转换,将清洗后的数据以时域形式保存在灰度图像中;根据可视化后的不同时域响应图像特征进行人工标记,随机选取带有人工标记的异常类型的图像组成应变训练验证集
ST
;
S2、
对预训练模型
FCN
进行优化,得到包括全卷积单元的全卷积神经网络模型;
S3、
将应变训练验证集
ST
输入到用于异常诊断的全卷积神经网络模型中,得到训练好的预训练模型
FCN
;
S4、
将加速度分段时间序列数据进行可视化处理,组成加速度训练验证集
CT
,并将剩余的加速度数据组成测试集
CF
;
S5、
在训练好的预训练模型
FCN
的基础上加入加速度训练验证集
CT
进行迁移学习,将训练好的迁移学习模型
FCN
‑
TL
模型作为分类检测器,实现对结构健康监测异常数据的诊断
。2.
根据权利要求1所述的结构健康监测数据异常诊断方法,其特征在于,步骤
S1
具体包括:将待诊断的监测数据按小时
h
划分,切割成
N
个数据段,每一数据段按日期
、
时段
、
传感器编号分别命名保存在表格文件中,采样频率
fs
决定数据段长度,则每一数据段
di
长度为
di=fs
×
h
;分别绘制每一时段时域数据段相应的图像,将主要信息保存在单通道图像中,构成应变和加速度数据集;依据每个图像对应的特征,人工标记上标签;从应变数据集中随机选取
m
个样本组成应变训练验证集
ST
m
,从加速度数据集中随机选取
n
个样本组成加速度训练验证集
CT
n
,剩余的
p
个加速度样本组成测试集
CF
p
。3.
根据权利要求1所述的结构健康监测数据异常诊断方法,其特征在于,在步骤
S2
中,对预训练模型
FCN
进行优化,得到包括全卷积单元的全卷积神经网络模型,包括:修改网络的输入层以适配图像尺寸输入,更换网络的激活函数为
Elu
,将全连接层或其它用于分类的层以全卷积单元代替;全卷积神经网络模型的全卷积单元由一层卷积层
、
一层激活层和一层池化层组成
。4.
根据权利要求3所述的结构健康监测数据异常诊断方法,其特征在于,全卷积神经网络模型包括:输入层
、
卷积层
、
激活层
、
池化层
、
冻结层
、Softmax
分类层和输出层
。5.
根据权利要求4所述的结构健康监测数据异常诊断方法,其特征在于,全卷积神经网络模型的训练设置为:选用带有动量的随机梯度下降
sgdm
优化器,初始学习率为
0.00001
,每迭代3次学习率降为原来的
0.9
倍;采用批处理方式,最小批次
MiniBatchSize
为
48
,
L2
正则化系数为
0.03
,全局最大迭代次数为
30
次
。6.
根据权利要求5所述的结构健康监测数据异常诊断方法,其特征在于,在全卷积神经网络模型
FCN
训练时,选用
sgdm
优化器,在随机梯度下降过程中引入一阶动量,加快收敛并减小震荡
。7.
根据权利要求1所述的结构健康监测数据异常诊断方法,其特征在于,在步骤
S5
中,迁移学习模型
FCN
‑
技术研发人员:闰金明,夏云霞,张云龙,倪一清,
申请(专利权)人:青岛理工大学,
类型:发明
国别省市:
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。