[发明专利]基于多标签分类的桥梁加速度监测数据异常识别方法及系统

权利要求书

1.一种基于多标签分类的桥梁加速度监测数据异常识别方法，其特征在于，包括以下步骤：

步骤1，采集桥梁的加速度响应数据作为原始数据，基于固定时长将原始数据分割后建立数据段，绘制数据段的时程图、频谱图和幅值分布直方图，筛选存在数据异常的数据段，并对数据段进行初步的数据异常分类；

步骤2，将数据段划分为若干个数据子段，绘制子段时程图和子段频谱图，根据各数据子段中存在的数据异常类型确定数据段的数据异常标签；

步骤3，从原始数据中随机选取部分数据作为样本集，剩余部分的数据作为识别数据集，基于数据异常标签逐一对样本集中的数据段进行标注，构建多标签分类数据集；

步骤4，以卷积神经网络为基础架构，构建多标签分类深度神经网络模型，用于对识别数据集内各数据段中正常数据与和异常数据的数据异常类型进行识别；

步骤5，基于多标签分类数据集对多标签分类深度神经网络模型进行训练，对训练后的多标签分类深度神经网络模型性能进行评估；

步骤6，将识别数据集中的加速度响应数据输入到训练好的多标签分类深度神经网络中，对可能存在的数据异常进行识别；

步骤4具体包括以下步骤：

(401)多标签分类深度神经网络模型架构包括输入层、卷积层、池化层、展平层、全连接层和输出层；其中，输入层用于接受输入数据；卷积层用于学习不同类型数据异常的特征，激活函数为ReLU；每一个卷积层后均设置池化层；展平层设置于最后一个池化层之后，用于将二维的特征图转换成一维的特征向量；全连接层用于将展平层的数据特征映射到最终的输出层；

(402)模型训练的损失函数设定为带权重的二分类交叉熵，具体表达式为式(1)，以减轻数据集中各数据异常类别不均衡的问题；

式中，N表示训练集内的样本数据量，C表示数据异常标签的种类，表示第i个训练样本、第j个标签的实际值，表示第i个训练样本第j个标签的预测值，W_j表示每一类数据异常标签的权重；

(403)将输出层长度设置为9，其中的每一神经元对应着一个数据异常标签；将输出层的激活函数设置为Sigmoid。

2.根据权利要求1所述基于多标签分类的桥梁加速度监测数据异常识别方法，其特征在于，

步骤1具体包括以下步骤：

(101)采集桥梁在环境与运营荷载激励下的加速度响应数据构成原始数据，基于固定时长将原始数据分割后建立数据段，以自适应的Y轴上下限值绘制每一数据段的Y轴自适应时程图，以固定的Y轴上下限值绘制数据段的Y轴固定时程图；同时绘制数据段的频谱图和幅值分布直方图；

(102)基于时程图对数据段进行筛选，若在Y轴自适应时程图上存在限定比例的数据超出限定幅值范围，判定存在“大幅值”数据异常；若在Y轴固定时程图上数据在限定幅值范围内波动，使波动形状无法辨识，判定存在“小幅值”数据异常；否则，判定数据段的幅值为“正常值”；

由频谱图对数据段进行筛选，若频谱图中无法识别各阶振动频率对应的波峰，判定所述数据段不可用，且存在“波形异常”数据异常，否则判定“波形正常”；

若幅值分布直方图并非对称分布，判定数据段存在“波形异常”数据异常；

基于时程图、频谱图、幅值分布直方图的筛选结果将数据段按数据异常类型进行初步的分类，异常类型包括“大幅值”、“正常值”、“小幅值”、“波形正常”和“波形异常”，基于异常类型对数据段标记数据异常标签。