[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

说明书

本专利涉及桥梁健康监测技术领域，具体公开了一种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，包括定义桥梁的子结构；采集各子结构以及各子结构上的传感器均处于健康的时间段内，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LSTM神经网络，利用训练样本集对神经网络进行训练并计算形成残差序列，依该残差序列的均值及方差确定各传感器的故障阈值；采集一抽样时间段内各子结构上传感器的输出数据序列，并将该输出数据序列输入到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，并确定子结构中故障传感器的个数以判断异常数据的来源。

技术领域

本发明涉及桥梁健康监测技术领域，具体涉及一种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。

背景技术

桥梁跨越天堑，连接南北，保证了运输的安全通畅，在交通运输网络中占有重要地位，而且桥梁造型多样，形态柔美，还是社会的宝贵财富。改革开放以来，我国整体经济实力及综合国力迅速提升，桥梁建设事业也如雨后春笋般迅速发展，取得了众多举世瞩目的科研成就。我国的桥梁建设已朝着大型桥梁方向前进，达到世界顶尖水平的大跨度桥梁不断涌现，许多桥梁已成为城市的重要地标。

大型的桥梁结构一般都有标志性的外观和独特的造型，结构受力十分复杂，而且受到环境和荷载的长期作用，以及其材料本身退化等因素，桥梁必然会产生累积损伤现象和抗力缩减现象。这导致桥梁在某些突发情况下发生结构破坏事故，甚至有可能导致整体结构垮塌酿成突发性灾难事故。事故的发生不言而喻对人民的生命、财产安全造成了巨大损失。

大型桥梁建成后，其运营阶段的养护维修至关重要。由于大桥受力状态的不确定性，导致传统的管养方式效率低下，同时还需要很高的人力成本，检测过程中也存在很强的主观性。加上国内外的桥梁事故频发，使得寻找一种稳定高效且科学智能的养护管理方法变得更为迫切。工程师们很早以前就萌生了对桥梁进行实时监测、及时识别损伤的想法，但由于当时客观因素的限制而未能如愿。人们并未停止科研的脚步，伴随着材料、传感、计算机、通讯、数据分析等技术的创新发展，结构健康监测(Structural health monitoring,SHM)技术应运而生。

目前针对结构健康监测系统的大多数研究主要集中在传感器优化布置和安全状态评估这两个方面，而很少关注所监测到的异常信号来源，究竟是结构损伤导致还是传感器故障所致。往往过去在识别结构损伤或评估结构性能时，通常并未判断传感器是否发生故障，而默认测量的数据是真实的结构响应。然而，当传感器故障时往往会返回错误的测量信息，覆盖真实结构的响应，进而影响健康监测系统最终的安全评估结果，使其出现漏报警或误报警。桥梁结构的设计寿命往往长达百年以上，而作为一种电子元件，传感器寿命仅为十几年甚至几年，在服役中必因老化而出现故障。另一方面，外界高温、高湿等恶劣环境因素均易使传感器发生故障。众多的桥梁结构健康监测系统实践表明，传感器故障已严重影响了桥梁结构健康监测系统的应用。因此，在大型桥梁结构健康监测系统中，能够准确识别异常数据来源，并隔离出相关故障，无疑对保证桥梁健康监测系统的正常运行以及后期结构安全状态正确评估具有重要意义。

目前对异常数据故障诊断的理论和方法基本上可总结为3种，分别是基于解析模型的方法，基于信号处理的方法和基于知识的方法。与基于解析模型和信号的方法相比，基于知识的深度学习方法(神经网络方法)优势在于不需要精确的数学模型，并通过机器学习了诊断对象的许多信息后可诊断出较小故障幅度故障，且由于其自身独特的学习规则尤其适合应用于非线性系统和复杂的大型土木结构监测系统。

发明内容

本发明意在提供一种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，利用传感器和结构健康条件下的数据对改进的长短时记忆神经网络进行训练，采用训练好的网络结构对测量数据进行非线性预测，通过统计学方法来确定数据故障阈值，最后观察所定义的子结构内所有传感器是否同时发生故障来确定异常数据是由结构损伤导致还是传感器故障所致。

本发明中的基于深度学习的桥梁健康监测系统中传感器的故障诊断方法包括：