一种结构健康监测数据异常诊断方法及系统技术方案

本发明专利技术属于深度学习

【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]通常一座大跨度桥梁
SHM
系统会布置成千上百个传感器，这些传感器时刻运行，因此产生的数据量将是巨大的，海量的数据对信号处理分析将会造成很大困扰
。
桥梁结构在服役期间受上述因素影响，系统将会不可避免地混杂各种异常，这些异常数据无法展示结构的真实情况，进而出现错误预警的情况
。
若是对于监测数据不作异常识别
、
修复等处理工作，而当异常数据直接应用于结构损伤识别时，必然会对性能评估的准确性产生极大干扰
。
因此，为了保证数据的严谨性和准确性，必须将异常数据部分检测出来并进行相应处理
。
这些异常数据特征繁杂，若是采用人工逐个检查的方式，费时费力，同时也会耗费大量成本
。
[0004]国内外关于结构健康监测的研究主要集中在健康监测的应用和结构安全性能评估等领域，对于数据异常诊断的研究相对匮乏，再加上监测数据的海量性，以及外界荷载与环境的不确定性，导致健康监测异常诊断工作困难重重
。
机器学习算法结合统计学理论能从已知数据中自动寻求规律，并预测未知数据，用于数据异常分类时提取特征能力较差，分类准确性不高
。
而深度学习则消除了机器学习算法提取合适特征能力差的局限性，基于人类视觉在图像分类和目标检测领域展示了优越的性能
。
当监测数据较少，不足以支撑卷积神经网络的完全训练时，则可以使用迁移学习技术，其通过对预训练模型结构的冻结和微调，不需要重新训练网络权重，即可实现对
SHM
数据的异常诊断
。
[0005]通过上述分析，现有技术存在的问题及缺陷为：（1）现有工程结构健康监测异常数据特征繁杂，若是采用人工逐个检查的方式则费时费力，同时也会耗费大量成本；（2）机器学习算法结合统计学理论能从已知数据中自动寻求规律，并预测未知数据，用于数据异常分类时提取特征能力较差，分类准确性不高；（3）当结构健康监测传感系统布置稀缺，监测数据较少时，则会对模型训练准确率
造成直接影响
。

技术实现思路

[0006]为克服相关技术中存在的问题，本专利技术公开实施例提供了一种结构健康监测数据异常诊断方法及系统，尤其涉及一种基于全卷积神经网络和迁移学习的结构健康监测数据异常诊断方法及系统，所述技术方案如下：本专利技术是这样实现的，结构健康监测数据异常诊断方法，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
。
[0007]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
。
[0008]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
。
[0009]在步骤
S2
中，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
。
[0010]进一步，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
sg本文档来自技高网...

【技术保护点】

【技术特征摘要】
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
‑

【专利技术属性】
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：