[发明专利]一种结构健康监测系统时序监测数据异常诊断方法

权利要求书

1.一种结构健康监测系统时序监测数据异常诊断方法，其特征在于，包括以下步骤：

1)以已知结构健康监测结果的基础设施为数据采集对象，通过加速度传感器获取m天的加速度数据；

设共有n个传感器，采样频率为f，获取数据集，每小时的时间序列信号的信号长度为3600*f，标记数据集的维数为24*m*n；

2)对数据集做随机函数平衡抽取之后获得平衡数据集，然后通过数据增强，由平衡数据集的一阶导数导出增强型数据集；平衡数据集和增强数据集构成总数据集；

3)对平衡数据集和增强数据集中的样本进行分段，对数据集做基于等长分割的数据增强处理；

4)利用统计指标作为训练的输入特征，代替分段后的等长片段及其一阶导数序列；

5)将总数据集分为训练样本子集和测试样本子集，训练样本子集分为两部分，即培训样本和验证样本，测试样本子集作为测试样本；

6)根据步骤3)所提出的数据增强方法，将3600*f个维度的原始样本转化为等长分割的矩阵；每个矩阵的第一行由未分割的原始样本及其一阶导数组成，剩余行是一阶导数以及相同的一阶导数片段组成；

7)建立时序监测数据异常诊断模型，根据训练得到的模型进行监测数据异常诊断；

通过cnn依次建立两个基于监督学习的模型；其中，第一阶段模型用于识别正常标签和异常标签；第二阶段模型用于识别异常标签相对应的详细类别。

2.根据权利要求1所述的结构健康监测系统时序监测数据异常诊断方法，其特征在于，所述步骤3)中数据增强处理如下：

假设原始样本数据维度为N，通过将之等长分割为p个维度N/p的等长样本，并且固定等长样本与等长样本之间重叠维度为N/q，通过叠加等长样本将样本由N维转化为了(q-1)个N/p的序列；将每小时的时间序列信号表示为(q-1)*N/p的矩阵。

3.根据权利要求1所述的结构健康监测系统时序监测数据异常诊断方法，其特征在于，所述步骤4)中统计指标选取如下：

4.1)从原始时域信号和经过一阶导后的时域信号中统计得到10个统计指标特征，分别为最大值、最小值、平均值、中位数、标准差、极差、有效值、众数、峰度、偏度；

4.2)根据PIM基于随机森林的策略，评价不同统计指标作为候选特征的贡献重要性；

4.3)根据重要性选择前六项统计指标。

4.根据权利要求1所述的结构健康监测系统时序监测数据异常诊断方法，其特征在于，所述步骤4)中统计指标的组合遵循以下原则：

选择统计指标来构造样本的组合训练输入时，有三种排列方式：

排列一、基于原始子片段的选取的统计指标以及基于其一阶导数序列的选取的统计指标的组合；

排列二、基于原始子片段的选取的统计指标以及基于原始子片段的选取的统计指标的组合；

排列三、基于其一阶导数序列的选取的统计指标以及基于其一阶导数序列的选取的统计指标的组合；

根据三种排列方式在测试集当中的准确率效果，确定作为训练的输入特征组合。

5.根据权利要求1所述的结构健康监测系统时序监测数据异常诊断方法，其特征在于，所述步骤7)中第一阶段模型的训练方法如下：

训练具体步骤如下：

7.1)二分类模型由输入层、隐藏层和输出层组成；设置输入层、输出层节点个数为b，隐藏层节点个数为t，初始化每层连接的权值为0到1之间的随机数矩阵，每层的偏置值为默认值，每层连接的激活函数为sigmoid函数；

7.2)设置模型学习率为c，训练最大次数epoch为s；

7.3)定义模型的损失函数为输入样本数据和输出样本数据的均方误差；

7.4)在训练过程中，通过调整c、s、b、t以及batch_size的大小，使用十倍交叉验证法来评估各个参数的大小对模型效能的影响；完成二分类模型的训练。