[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

摘要

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。

主权项

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；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。