[发明专利]基于深度学习确定桥梁健康监测系统异常数据来源的方法

权利要求书

1.基于深度学习确定桥梁健康监测系统异常数据来源的方法，其特征在于，包括：

定义桥梁的子结构，所述子结构为连续梁中的一跨或框架结构中某一杆件单元；

采集各子结构以及各子结构上的传感器均处于健康状态的时间段内，各个传感器的输出数据序列作为相应传感器的训练样本集；

构建含有LSTM层的长短时记忆神经网络，利用所述训练样本集对所述长短时记忆神经网络进行训练，并计算训练样本集中每一观测值与预测值之间的残差，形成残差序列，并以该残差序列的均值及方差根据拉依达准则确定各传感器的故障阈值；所述长短时记忆神经网络中，依次包括一输入层、一隐藏层、一LSTM层、二隐藏层及一输出层；

采集一抽样时间段内各个子结构上所有传感器的输出数据序列，并将该输出数据序列输入到各传感器所对应的训练好的长短时记忆神经网络进行预测，计算该输出数据序列的残差序列；

将计算所得残差序列与各传感器的故障阈值进行比较，如果该残差序列中，未超过故障阈值的占比高于设定的置信度，则认为输出数据序列正常；反之，则认为输出数据序列异常；

如果同一个子结构中的所有传感器的输出数据序列均异常则认为结构损伤，如单个传感器数据异常则认为传感器故障；

其中，构建含有LSTM层的长短时记忆神经网络，利用所述训练样本集对所述长短时记忆神经网络进行训练包括：将所述训练样本集中的训练样本分为多个批次输入所述长短时记忆神经网络进行训练，每一批次的训练样本数逐次增加；且在后一批次中的训练样本，包含在前一批次的所有训练样本，直至最后一个批次输入所有的训练样本。

2.根据权利要求1所述的基于深度学习确定桥梁健康监测系统异常数据来源的方法，其特征在于：所述长短时记忆神经网络中LSTM层内的记忆模块具体设置如下：

LSTM层的记忆模块包括输入门层、忘记门层、更新门层以及输出门层；

输入门层，该门会读取上一时间点的细胞状态C_t-1、输出m_t-1和当前时间点的输入x_t，该门包含两个部分，第一部分，通过sigmoid函数决定需要输入什么值，即I_t，另一部分，通过tanh函数创建一个新的候选值向量该向量会被加入到细胞状态C_t中，此过程计算公式为：

I_t＝σ(W_ixx_t+W_imm_t-1+W_icc_t-1+b_i)

式中：W_ix是从输入门到输入的矩阵权重，W_im是上一层的输出m_t-1到输入门的矩阵权重，W_ic是输入门peephole连接的对角权重矩阵，peephole连接使得其他门能够在由输出门处理之前知道存储单元的真实状态，b_i是输入门偏差，W_cx是从更新门到输入的矩阵权重，W_cm是上一层的输出m_t-1到更新门的矩阵权重，b_c是更新门偏差；

忘记门层，该门会读取上一时间点的细胞状态C_t-1、输出m_t-1和当前时间点的输入x_t，将其赋值给当前细胞状态C_t中,所得赋值f_t的计算公式为：

f_t＝σ(W_fxx_t+W_fmm_t-1+W_fcc_t-1+b_f)，

式中：W_fx是从忘记门到输入的矩阵权重，W_fm是上一层的输出m_t-1到忘记门的矩阵权重，W_fc是忘记门连接神经元上一时间点的细胞状态C_t-1的对角权重矩阵，b_f是忘记门偏差；

更新门层，该层更新旧细胞状态，将C_t-1更新为C_t，此过程公式如下：

其中：表示两个向量的标量乘积，b_c是更新门偏差；

输出门层，该层将确定输出部分m_t，计算公式为：

o_t＝σ(W_oxx_t+W_omm_t-1+W_occ_t-1+b_o)

式中：W_ox是从输出门到输入的矩阵权重，W_om是上一层的输出m_t-1到输出门的矩阵权重；W_OC是输出门peephole连接的对角权重矩阵，b_o是输出门偏差；

tanh(.)和σ(.)是定义的两种激活函数，定义如下：