[发明专利]基于时空图卷积网络的结构健康监测数据异常识别方法

权利要求书

1.一种基于时空图卷积网络的结构健康监测数据异常识别方法，其特征在于，包括如下步骤：

步骤1、对采集的结构健康监测数据进行预处理并创建训练实例；

步骤2、利用可学习邻接矩阵的时空图卷积网络对结构监测数据进行时空关联建模，将不同距离节点的信息分层次地用于数据回归，设计对应的网络结构和目标函数惩罚项；

本步骤中建立可学习邻接矩阵的时空图卷积网络，包括图卷积层、时间卷积层和融合层，在图卷积层，将传感器的空间关系表示为连通图，传感器是连通图上的顶点，顶点之间的有向边在模型训练中自动学习，通过图卷积操作聚合相邻的节点信息；在时间卷积层，一维卷积沿时间轴操作，聚合邻近时间点的信息；融合层将一阶相邻、二阶相邻和三阶相邻的节点信息分层次地融合，

所述的图卷积层采用可学习邻接矩阵的图卷积网络，第l个图卷积层的计算表示为：

Z＝A^(l)XW^(l) (2)

式中A^(l)是可学习邻接矩阵，行归一化处理，维度为N×N；X是每个时间步的输入，维度为N×F^(l)，F^(l)是输入特征数；W^(l)是待训练的权重参数，维度为F^(l)×C^(l)，C^(l)是输出特征数；

所述的时间卷积层采用1维卷积神经网络；

所述的融合层的计算表示为：

式中表示考虑l阶相邻节点的输出，和分别对应于L1-5、L2-4和L3-3层的输出；k_l为待训练的权重；

所述的时空图卷积网络结构及各层参数分别为：

L1-1层，输入维度为N×S，对每个时间步的输入N执行图卷积层操作，图卷积层输出特征数量为10，输出维度为N×S×10；

L1-2层，上接L1-1层，输入维度为N×S×10，对每个传感器的输入S×10执行时间卷积层操作，卷积核尺寸为3，数量为32，步距为d⁽¹⁾，输出维度为N×S⁽¹⁾×32；

L1-3层，上接L1-2层，输入维度为N×S⁽¹⁾×32，对每个传感器的输入S⁽¹⁾×32执行时间卷积层操作，卷积核尺寸为3，数量为64，步距为d⁽²⁾，输出维度为N×S⁽²⁾×64；

L1-4层，上接L1-3层，输入维度为N×S⁽²⁾×64，对每个传感器的输入S⁽²⁾×64执行时间卷积层操作，卷积核尺寸为S⁽²⁾，数量为64，输出维度为N×1×64；

L1-5层，上接L1-4层，输入维度为N×1×64，执行线性变换操作，输出维度为N；

L2-1层，上接L1-2层，输入维度为N×S⁽¹⁾×32，对每个时间步的输入N×32执行图卷积层操作，图卷积层输出特征数量为10，输出维度为N×S⁽¹⁾×10；

L2-2层，上接L2-1层，输入维度为N×S⁽¹⁾×10，对每个传感器的输入S⁽¹⁾×10执行时间卷积层操作，卷积核尺寸为3，数量为64，步距为d⁽²⁾，输出维度为N×S⁽²⁾×64；

L2-3层，上接L2-2层，输入维度为N×S⁽²⁾×64，对每个传感器的输入S⁽²⁾×64执行时间卷积层操作，卷积核尺寸为S⁽²⁾，数量为64，输出维度为N×1×64；

L2-4层，上接L2-3层，输入维度为N×1×64，执行线性变换操作，输出维度为N；

L3-1层，上接L2-2层，输入维度为N×S⁽²⁾×64，对每个时间步的输入N×64执行图卷积层操作，图卷积层输出特征数量为10，输出维度为N×S⁽¹⁾×10；

L3-2层，上接L3-1层，输入维度为N×S⁽²⁾×64，对每个传感器的输入S⁽²⁾×64执行时间卷积层操作，卷积核尺寸为S⁽²⁾，数量为64，输出维度为N×1×64；

L3-3层，上接L3-2层，输入维度为N×1×64，执行线性变换操作，输出维度为N；

L4，上接L1-5层、L2-4层、L3-3层，三个输入维度均为N，执行融合层操作，输出维度为N；

其中，L1-5层、L2-4层、L3-3层选用Tanh激活函数，其他层选用ReLU或Leaky ReLU激活函数；

步骤3、使用监测系统建成初期的实测数据作为训练集，训练网络并获取邻接矩阵，计算模型残差的阈值；

步骤4、将后续的实测数据输入网络后计算模型残差和诊断指标，如果诊断指标超过阈值，视作数据模式异常的传感器；

步骤5、罗列数据模式异常的传感器及关键邻接边，结合模型残差和边权重判断数据模式异常是局部的还是全局的，其中局部异常对应于传感器故障，全局异常对应于结构损伤或变异。