[发明专利]一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法

权利要求书

1.一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法，其特征在于，包括：

步骤一、将用于训练的监测数据由时间序列数据通过数据可视化处理转换为时域响应图像数据和频域响应图像数据；根据同一个数据段对应的时域响应图像数据和频域响应图像数据组成双通道时频响应图；从双通道时频响应图中选取样本并标注样本的异常类型，构成训练集，具体为：

步骤一一、将待诊断监测数据按照时距w切割成n个数据段d，生成数据集D{d}；

步骤一二、分别绘制数据集D内各数据段d的时域相应图和频域响应图，并根据同一个数据段的时域相应图和频域响应图生成双通道时频响应图p，构成数据集D{d,p}；

步骤一三、从D中随机抽取m个样本成训练集S{p}；

步骤一四、在训练集S中，根据时、频域响应特征评估样本的异常类型，并给样本标记上标签L；

步骤一五、重复步骤一四，直至训练集S中m个样本均被标记，生成训练集S{p,L}；

步骤二、将训练集输入至卷积神经网络模型中，将训练后的模型作为异常数据诊断器；

步骤三、将待诊断监测数据输入至异常数据诊断器中得到诊断结果。

2.根据权利要求1所述的基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法，其特征在于，双通道时频响应图p中用R通道表示时域响应图，用G通道表示频域响应图，时域响应图与频域响应图重合的区域设置为黑色。

3.根据权利要求1或2所述的基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法，其特征在于，步骤二中，卷积神经网络依次包括输入层、卷积层、池化层、全连接层以及分类层。

4.根据权利要求3所述的基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法，其特征在于，卷积层的卷积计算公式为：

式(1)中，l₁为卷积输入层号，l₂为卷积特征图层号，于是为l₂层j通道特征图，是l₂层j滤波器的i通道；是l₂层j滤波器的偏置项；I、J分别是l₁和l₂层的通道数量；f(·)表示激活函数。

5.根据权利要求4所述的基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法，其特征在于，池化操作的式如下

式(2)中，l₃为池化层号，是l₃层i通道数据，是l₃层i通道的池化算子；l₂和l₃层的通道数量相等，均为I。

6.根据权利要求5所述的基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法，其特征在于，全连接层的每个神经元均与前一层的所有神经元连接，全连接层的处理函数为：

式(3)中，l₄为全连接层号，是l₄层的j神经元；是上一层三维特征图中的神经元，其中i₁,i₂,i₃分别表示神经元在高度方向、宽度方向和通道中的位置；是与对应的l₃层和l₄层间的权值；是与对应输入的偏置项；f(·)表示激活函数。

7.根据权利要求6所述的基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法，其特征在于，分类层为Softmax Classifier分类器，其定义为：

式(4)中，l₅为Softmax Classifier层号，则y_k是第k类的概率值，K是类别总数；是l₅层的特征向量，尺寸为I×1；是权重矩阵中第k行的权重向量，尺寸为1×I。

8.根据权利要求7所述的基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法，其特征在于，步骤二中卷积神经网络模型的目标函数为交叉熵函数。