[发明专利]隧道监测设备故障判断方法、装置及电子设备

权利要求书

1.一种隧道监测设备故障判断方法，其特征在于，所述方法包括：

对获取到的隧道中每个断面的原始隧道数据进行预处理，得到每个断面的预处理隧道数据；

基于每个断面的不同项预处理隧道数据进行相关性计算，得到所述不同项预处理隧道数据之间的相关系数；

筛选出所述相关系数大于第一阈值的预处理隧道数据，得到相关数据集；

以所述相关数据集中的任意一项预处理隧道数据作为对象集，以所述相关数据集中除所述对象集之外的预处理隧道数据作为基础集，基于所述对象集以及所述基础集进行数据切分得到训练集、验证集以及测试集；

通过权重初始化函数进行神经网络权重初始化设置分别得到神经网络各层的初始权重值；

基于所述训练集、所述验证集、所述测试集以及各层的所述初始权重值得到所述神经网络的精度值；

基于所述神经网络的精度值分布得到所述断面的隧道监测设备故障判断结果；

其中，所述基于所述训练集、所述验证集、所述测试集以及各层的所述初始权重值得到所述神经网络的精度值，包括：

基于第三计算公式、所述训练集、所述验证集、所述测试集以及所述各层的初始权重值计算所述神经网络中每一层输出值，所述神经网络的输入为所述训练集、所述验证集或者所述测试集中的预处理隧道数据，所述神经网络的每个隐藏层的输入为所述神经网络的上一层的输出；所述第三计算公式包括：

其中，x_m表示所述神经网络的第m层的输入数据，LeakyReLU(x)_m表示所述神经网络的第m层的输入数据的输出数据，a表示修正斜率系数；

基于所述输出值以及所述输出值在所述训练集、所述验证集或所述测试集中对应的所述神经网络中的输入值通过第四计算公式计算所述神经网络的精度值；所述第四计算公式包括：

其中，R²表示所述神经网络的精度值，x表示所述输出值，x_i表示所述输出值在所述训练集、所述验证集或所述测试集中对应的所述神经网络中的输入值中第i个取值，n表示所述输出值在所述训练集、所述验证集或所述测试集中对应的所述神经网络中的输入值的取值数目,表示所述输出值在所述训练集、所述验证集或所述测试集中对应的所述神经网络中的输入值的平均值。

2.根据权利要求1所述的方法，其特征在于，所述基于每个断面的不同项预处理隧道数据进行相关性计算，得到所述不同项预处理隧道数据之间的相关系数，包括：

基于每个断面的不同项的预处理隧道数据通过第一计算公式进行两两皮尔森相关性计算得到所述相关系数；

所述第一计算公式包括：

其中，表示r表示每个断面的任意两项预处理隧道数据的相关系数，n表示所述断面中任意一项预处理隧道数据中包括的数据数目，X_i、Y_i表示所述断面中任意两项预处理隧道数据中的第i个取值，表示X_i所在项对应的预处理隧道数据的平均值，表示Y_i所在项对应的预处理隧道数据的平均值，S_X表示X_i所在项对应的预处理隧道数据的方差值，S_Y表示Y_i所在项对应的预处理隧道数据的方差值。

3.根据权利要求1所述的方法，其特征在于，所述通过权重初始化函数进行神经网络权重初始化设置分别得到神经网络各层的初始权重值，包括：

通过第二计算公式计算所述神经网络各层的初始权重值；

所述第二计算公式包括：

其中，fan_in表示所述神经网络第k层的输入量个数，所述神经网络第k层的初始权重值为[-L_k，L_k]均匀分布中的随机抽取值。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

基于所述神经网络中每一层的当前权重值以及学习率计算得到所述神经网络中每一层的更新后的权重值。