[发明专利]一种基于SCA-GRU的桥梁异常监测方法、系统、设备及存储介质

说明书

本发明提出一种基于SCA‑GRU的桥梁异常监测方法、系统、设备及存储介质，属于桥梁监测技术领域。将桥梁监测数据作为样本数据集对数据进行归一化处理，将数据集划分为训练集和测试集，将训练集作为GRU模型的输入层输入数据，输出层输出预测类型；使用均方误差函数计算实际值与预测值间差距；优化目标函数，在每次训练迭代GRU时计算损失函数的梯度，更新GRU模型的网络权重和偏置；判断迭代次数，当迭代次数等于D时，获得最优参数，并将最优参数应用于GRU模型；将测试集输入优化后的GRU模型中，输出预测结果。解决桥梁监测准确率低的技术问题，实现实时监测桥梁状态，对桥梁进行故障排查和诊断并针对桥梁异常进行告警的效果。

技术领域

本申请涉及一种桥梁监测方法，尤其涉及一种基于SCA-GRU的桥梁异常监测方法、系统、设备及存储介质，属于桥梁监测技术领域。

背景技术

传统桥梁的管养体系以人工定期巡检为主，当前的桥梁健康监测系统只是利用数据采集系统采集桥梁上的传感器传回的数据，并根据系统设置的阈值进行异常或正常的判断，当桥梁出现异常时，告警系统进行告警，而具体异常原因需要专家对数据进行分析甚至实地考察才能确定异常原因。传统的检测方法对异常的判断存在高度依赖技术人才，无法及时定位异常原因等问题，桥梁异常如果没有及早发现和处理容易发生安全隐患。桥梁正常与否通常通过传感器来检测，但是庞大的数据量对于传统检测方法来说存在很大挑战，而神经网络善于处理庞大的数据。

神经网络如今也被应用于桥梁异常检测领域。神经网络是一种可针对过去经验(信息)的重复学习，而具有分析、预测、推理、分类等能力的技术，能够仿效人类大脑去解决复杂问题。比起常规使用统计方法、模式识别、分类、线性或非线性方法而言，以神经网络为基础的系统具有更强大的功能和分析问题技巧，可以用来解决信号处理、仿真预测、分析决策等复杂的问题。神经网络技术已广泛应用于自动控制领域、处理组合优化问题、模式识别、图像处理、信号处理等领域。

现有技术提出一种基于改进LSTM的桥梁传感器异常数据的检测方法，利用两层LSTM对序列进行向量表示、逆序重构，利用贝叶斯优化算法对LSTM网络进行参数优化，最终通过极大似然估计对该段序列进行异常得分估计，最终通过学习异常报警阈值实现时间序列异常检测并发现潜在异常。长短期记忆网络(Long short-term memory，LSTM)是循环神经网络(Recurrent Neural Network，RNN)的一种变体，RNN是一类以序列数据为输入，在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络，RNN对具有序列特性的数据非常有效，它能挖掘数据中的时序信息以及语义信息，利用了RNN的这种能力，使深度学习模型在解决语音识别、语言模型、机器翻译以及时序分析等NLP领域的问题时有所突破。RNN将输入的信息它都存下来，对所有信息进行处理，因为它没有挑选的能力，而LSTM不一样，它拥有强大的门控系统，分别是记忆门、遗忘门和输出门，会选择性的存储信息，因此它可以对输入的信息进行选择性的记录或遗忘。现有技术中改进的LSTM网络结构比较复杂，会导致网络模型训练时间和异常检测时间过长，超参数参数优化的寻优可能陷入局部最优，导致桥梁异常检测效率不高。

发明内容

在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。

鉴于此，为解决现有技术中存在检测的准确率低的技术问题，本发明提供一种基于SCA-GRU的桥梁异常监测方法、系统、设备及存储介质。

方案一：一种基于SCA-GRU的桥梁异常监测方法，包括以下步骤：

步骤一、收集桥梁监测数据，将数据作为样本数据集；

步骤二、将步骤一所述监测数据进行归一化处理；