[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

说明书

本发明公开了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,根据加速度数据的异常分类，确定用于加速度数据异常多标签分类任务的异常标签；进而构建加速度数据异常多标签分类数据集；构建用于数据异常多标签分类的深度学习模型并对模型进行训练、评估；将未标注的海量加速度监测数据输入到训练好的多标签分类模型中，可实现对每一数据段内正常数据与不同类型数据异常存在状态的识别，及各数据异常类型对后续分析可用性的判断；本申请解决了海量加速度监测数据下无法对定长数据段中同时存在的多种数据异常及正常数据进行识别的问题，可为数据异常分析提供可靠的数据基础。

技术领域

本发明属于桥梁结构健康监测与计算机深度学习应用技术领域，特别涉及一种基于多标签分类深度神经网络的桥梁加速度监测数据异常识别方法及系统。

背景技术

加速度是桥梁结构健康监测的一个重要监测项，是基于振动的结构损伤识别与状态评估所主要使用的数据类型。桥梁的加速度响应由车辆、风等外部荷载作用激励产生，通过安装在不同结构部位的加速度传感器观测得到。由于加速度传感器长期暴露在恶劣的服役环境下，工作性能不可避免的会随服役时间的累积而退化，加之传感器本身可能存在的性能缺陷和数据传输问题，所采集的数据中会存在较多因设备故障引发的数据异常。这些数据异常会影响后续数据分析结果的可靠性，需要在相应的数据分析前予以准确的识别并进行有针对性的处理。

小数据量下的数据异常识别可通过手动筛选实现。不过，在海量数据下，手动筛选将极为低效。对此，当下已有较多自动化的数据异常识别方法，可归纳为基于信号分析、基于统计分析、基于机器学习等几类。这些方法仍然存在许多不足，例如，基于信号分析或统计分析的方法或仅能识别某一特定异常，或会因算法本身的缺陷产生较多误判；传统基于机器学习的方法将数据异常识别视为单目标分类问题，虽能通过学习人为标注数据降低误判率，却也只能将给定数据段归类为其中具有显著特征的某一特定数据异常类别，并不能对该数据段中是否还存在正常数据或其它类别的数据异常进行判断。实际上，加速度监测数据中会存在多种类型的数据异常，其中的一些数据异常类型对后续特定的数据分析仍然是可用的。例如，增益异常会使加速度幅值大幅变大或变小，但这并不影响结构固有频率的计算，因此该数据异常类型在后续以计算频率为目的的数据分析中仍然是可用的。除此之外，一些数据异常类型只会阶段性地发生，数据段内其余的数据仍可能是正常的数据，并不妨碍在后续的分析中被合理的使用。因此，若不能在识别给定数据段中最显著数据异常类型的同时，辨识是否仍存在正常数据或其它数据异常类型及各数据异常类型对后续分析的可用性，后续的数据预处理过程中，将可能在剔除首要数据异常类型时弃用整段数据，造成可用数据的浪费和相应时段的信息缺失。

目前，多标签分类技术未应用在时间序列类型数据上，也尚未在加速度数据异常识别中得到使用。

发明内容

本发明的目的在于：针对现有技术的不足，本申请提供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，针对海量加速度监测数据的异常识别，实现自动化的识别，能识别给定数据中正常数据与不同类型数据异常的存在状态，并可对各种数据异常对后续分析的可用性进行判断。

本发明具体技术方案为：

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，包括以下步骤：

步骤1，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，绘制数据段(固定时长加速度数据段)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，将数据段划分为多个若干个数据子段，绘制子段时程图和子段频谱图，根据数据段内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，数据异常标签用于多标签分类任务；