[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

说明书

本发明提供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，是为了解决现有方法难以处理具有多种异常模式的情形，容易产生过处理和欠处理的问题，且人工专家干预的自动化程度低，成本昂贵的缺点而提出的，包括：将待诊断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；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；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。本发明适用于结构健康数据监测。

技术领域

本发明涉及机器学习、信号处理、土木工程结构健康监测技术领域，具体涉及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。

背景技术

在当今土木工程领域，随着很多建筑结构的老化和越来越多大型复杂基础设施的兴建，结构健康监测(Structural Health Monitoring,SHM)作为监测、管理和维护的重要工具，已广泛应用于工程实践中。监测系统不仅能够实时监测结构的多种响应，为结构的状态评估提供参考，也能为结构的维修和养护提供依据。其作用直接关系到结构的安全性和可用性。自上世纪80年代将结构健康监测技术初步应用以来，中国已成长为结构健康监测技术应用大国，在许多工程结构如大型桥梁、隧道、大坝、海洋平台、高层建筑、大跨空间结构等安装了实施在线监测系统。单个系统普遍含有多种传感器阵列，节点总数可达数百个。监测内容可分为结构周边环境监测，结构荷载监测以及结构响应监测。其中环境监测项目包括温度、湿度、风速、地震动和降雨等；结构荷载监测包括行人、车流量、水位等；结构响应监测包括加速度、位移、应变、倾斜、挠度、腐蚀等。持续不断的全方位监测产生的数据总量可达每年数百TB。这些监测数据记录了结构在运营过程中丰富的性能演化信息，包含结构在常规运营状态下的响应行为规律，也包含结构在如地震、台风、火灾、船撞、交通事故等的紧急事件中的罕遇响应。截至目前，各类结构配备的健康监测系统已经积累了可长达十余年的监测数据。发展基于数据驱动的结构性能评估方法，能为当前结构的整体性能、局部性能做出基于原址数据的直接评价，也能基于结构的全寿命演化规律，预测结构的未来长期性能。

然而，结构的服役环境恶劣，以大跨度桥梁为例，常年面临海水腐蚀、台风致振动以及行车荷载引起的钢箱梁疲劳裂纹等问题。其结构健康监测系统的大部分功能模块均于户外工作，如传感器阵列、数据传输线缆、子系统网关等。严苛的系统工作环境导致监测数据中普遍混杂了多种异常数据，如数据缺失、离群值(数据跳点)以及数据漂移等。这些异常数据既可能是记录有特殊事件以及结构损伤等蕴含丰富信息的罕遇数据，也可能是由于监测系统故障生成的错误数据。二者的高度相似性是制约目前监测系统的容错能力、实时预警精度的重要因素之一。在对数据属性进行判定之前，一个更基本的问题是如何从监测大数据中探测异常数据。现有的数据预处理方法主要有滤波降噪、滑动平均降噪、设置阈值剔除离群值，并且近年来发展了使用压缩感知(Compressive Sensing,CS)技术和基于数据分布回归的丢失数据恢复等方法。然而当监测数据具有多种异常模式，并且各个异常模式在时空中具有变异性时，这些单目标的基本方法相互影响，容易产生过处理和欠处理的问题，无法满足在线预警和结构状态评估的精度和效率需求。人工专家干预决策的精度高，适应性强，但是自动化程度低，成本昂贵。

发明内容

本发明的目的是为了解决现有的压缩感知、基于数据分布回归的丢失数据恢复等单目标方法难以处理具有多种异常模式的情形，容易产生过处理和欠处理的问题，无法满足在线预警和结构状态评估的精度和效率需求，且人工专家干预的自动化程度低，成本昂贵的缺点，而提出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。

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，包括：