CN101576445B - 拟人记忆的结构健康监测失效传感器数据重现方法 - Google Patents

Abstract

本发明公开了一种拟人记忆的结构健康监测失效传感器数据重现方法：将传感器采集到的多种结构状态信息，按时序保存到长时记忆储存区形成记忆映像，建立结构状态信息与记忆映像的线索关系；根据线索关系对新结构状态信息进行识别并作后续处理：或者，根据线索关系对新结构状态信息进行筛选以实现数据约简，或者，根据线索关系找到新结构状态信息对应的记忆映像，对新结构状态信息中的缺失部分进行补偿、重现。本发明的有益技术效果：1)通过结构状态记忆识别功能将结构状态监测信息标识为“旧状态”或“新状态”，根据系统需要可摒弃大量标识为“旧状态”的信息，从而实现结构健康监测的数据约简；2)当长期工作的传感器失效时，通过结构状态记忆回想功能从记忆库中恢复失效传感器的监测数据，从而节省了后期系统维护成本。

Description

拟人记忆的结构健康监测失效传感器数据重现方法

技术领域

本发明涉及一种计算机数据处理技术，尤其涉及一种拟人记忆的结构健康监测失效传感器数据重现方法。

背景技术

结构健康监测(Structural Health Monitoring，简称SHM)已广泛应用于航空航天飞行器、海陆舰船车辆等复杂移动设备以及大型桥梁、宏大建筑等重大土木工程，其任务是依托大量挠度、应变、位移、温度等传感器，实时感测并评估结构健康状态参量。长期工作的SHM系统必然会因为传感器的老化而导致部分传感器失效，对失效传感器的及时发现及替换修复是SHM系统后期维护的主要工作之一。实际工程中，硬件更换涉及安装、调试等复杂工序。此外，某些SHM使用的传感器，例如光纤传感器在使用时已经预埋进结构内，传感器失效后很难进行替换修复。目前一种思路是利用软件方案做硬件修复，常见的是利用数据的空间关联性由相邻位置的测点推算出失效传感器的测量数据，具体方法可采用数据插值方法或数据融合技术。但上述方法需要了解结构细节并建立数学模型，在工程实施上具有一定困难。

记忆是人脑对过去经验的反映，诸如过去感知过的事物、思考过的问题、体验过的情绪与情感、做过的动作等，都可能保存于头脑中。它包括识记、保持、再认与重现四个过程。从记忆保持的时间角度来看可分为：瞬时记忆、短时记忆、长时记忆。在记忆形成的步骤中，可分为下列三种信息处理方式(人脑工作模型参见图1)：

1)编码：获得信息并加以处理和组合；

2)储存：将组合整理过的信息做永久纪录；

3)检索：将被储存的信息取出，回应一些暗示和事件。

记忆检索又可分为记忆识别和记忆回想。记忆回想模型由Raaijmakers和Shiffrin在研究联想记忆模型(SAM)时提出，在此基础上由Gillund and Shiffrin提出记忆识别模型。

在记忆检索模型中，大脑记忆住的映像信息存储在长时记忆区，而记忆线索在短时记忆区合成。每条记忆线索和映像信息建立有连接关系，每个连接关系标记有连接强度。记忆识别是将记忆线索引导的信息和长时记忆区中所有映像信息进行综合比较，判别其为新信息还是旧信息。而记忆回想则是在长时记忆区记录的所有映像信息中搜索一条特定信息(人脑的记忆检索模型结构见图2)。

发明内容

本发明提出了一种拟人记忆的结构健康监测失效传感器数据重现方法，该方法包括：将传感器采集到的多种结构状态信息，按时序保存到长时记忆储存区形成记忆映像，建立结构状态信息与记忆映像的线索关系；根据线索关系对新结构状态信息进行识别并作后续处理：或者，根据线索关系对新结构状态信息进行筛选以实现数据约简，或者，根据线索关系找到新结构状态信息对应的记忆映像，对新结构状态信息中的缺失部分进行补偿、重现。

根据下式建立结构状态信息与记忆映像的线索关系，

$F(P_1,P_2\·\·\·P_N)=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\Π}}_{j=1}^N\frac{{R(P_j,S_k)}^{W_j}}{S(P_j,S_k[P_j\left]\right)}$

式中，M为记忆映像的数量；N为记忆线索的数量；

P_j、P_N分别是第j种和第N种结构状态信息所对应的记忆线索，也即第j种和第N种结构状态信息的当前数据值，j为序数值，且j＝1，2…N；

S_k是结构状态信息的第k个记忆映像；S_M是结构状态信息的第M个记忆映像，也是最末位的记忆映像；S_k和S_M中都包含了所有的原始记忆线索对应的历史数据值，即相同时刻的P₁，P₂…P_N对应的结构状态信息保存在同一记忆映像中，k为序数值，且k＝1，2…M；{S₁，S₂，S₃…S_M}所组成的数据集合即为记忆映像库，新加入的记忆映像记为S_M+1；

W_j是权重指数；

R(P_j，S_k)是P_j和S_k的连接强度；

S_k[P_j]是记忆线索为P_j的结构状态信息保存在S_k中的历史数据值；

S(P_j，S_k[P_j])是记忆线索P_j与S_k[P_j]中保存的P_j的历史数据值的亲缘度算式。

本发明采用的S(P_j，S_k[P_j])表达式如下：

$S(P_j,S_k[P_j\left]\right)=\left|\frac{P_j-S_k\left[P_j\right]}{S_k\left[P_j\right]}\right|$

式中，P_j是第j种结构状态信息所对应的记忆线索，也即第j种结构状态信息的当前数据值；

S_k[P_j]是记忆线索为P_j的结构状态信息保存在S_k中的历史数据值；

对采集到的新结构状态信息进行识别的方法，包括：定义新结构状态信息为多种结构状态信息的当前数据值(如应变、压力、挠度、振动、温度等)；将各种结构状态信息的当前数据值P_j，代入结构状态信息与记忆映像的线索关系表达式F(P₁，P₂…P_N)：

若F(P₁，P₂…P_N)≥θ，则将该新结构状态信息识别为“旧状态”，即该新状态信息已经存在于记忆映像库中；

若F(P₁，P₂…P_N)＜θ，则将该新结构状态信息识别为“新状态”，需要将该新结构状态信息添加进记忆映像库中，形成S_M+1；

其中，F(P₁，P₂…P_N)为结构状态信息与记忆映像信息的线索关系表达式；

θ为既定域值。

对新结构状态信息进行筛选以实现数据约简的方法为：若某一新结构状态信息被识别为“旧状态”，则将该新结构状态信息删除。

对新结构状态信息中的缺失部分进行补偿、重现的方法为：

若某一新结构状态信息中的部分结构状态信息的当前数据值因传感器失效无法得到，而另一部分结构状态信息的当前数据值被识别为“旧状态”，则根据可识别的结构状态信息所对应的记忆线索，从记忆映像库中寻找最大相似匹配的记忆映像，根据找到的最大相似匹配的记忆映像对因传感器失效无法得到的数据值进行补偿、重现，同时，对找到的最大相似匹配的记忆映像所对应的P_j和S_k连接强度累加一微小增量，使搜索被多次访问的记忆映像的时间越来越短。

补偿、重现的方法可总结为如下步骤：1)若缺失的当前数据值所对应的记忆线索为P_T，则忽略公式 $F(P_1,P_2\·\·\·P_N)=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\Π}}_{j=1}^N\frac{{R(P_j,S_k)}^{W_j}}{S(P_j,S_k[P_j\left]\right)}$ 中的S(P_T，S_k[P_T])项后计算其结果；T为序数值，且1≤T≤N；

若F(P₁，P₂…P_N)满足F(P₁，P₂…P_N)≥θ，即，新结构状态信息中除P_T外的其余记忆线索所对应的当前数据值已保存在记忆库中，则判断该新结构状态信息中的缺失数据具有可重现性；

2)在缺失数据具有可重现性的前提下，利用记忆回想相似度算式查找记忆库中的最大相似匹配的记忆映像，并将查找到的记忆映像中的与记忆线索P_T对应的S_k[P_T]赋予给当前数据值缺失的记忆线索P_T，从而实现对缺失数据的补偿、重现；

记忆回想相似度算式如下：

$J(P_1,P_2\·\·\·P_N|S_k)=\frac{1}{N}\sqrt{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left[\frac{S(P_j,S_k[P_j\left]\right)}{R{(P_j,S_k)}^{W_j}}\right]}^2}$

其中，S_k是结构状态信息的第k个记忆映像；

P_j是第j种结构状态信息所对应的记忆线索；j为序数值，且j＝1，2…N，N为记忆线索的数量；

W_j是权重指数；

S_k[P_j]是记忆线索为P_j的结构状态信息保存在S_k中的历史数据值；k为序数值，且k＝1，2…M，M为记忆映像的数量；

查找最大相似匹配记忆映像的方法为：

若缺失的当前数据值所对应的记忆线索为P_T，T为序数值，且1≤T≤N，则忽略公式 $J(P_1,P_2\·\·\·P_N|S_k)=\frac{1}{N}\sqrt{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left[\frac{S(P_j,S_k[P_j\left]\right)}{R{(P_j,S_k)}^{W_j}}\right]}^2}$ 中的S(P_T，S_k[P_T])项，根据公式计算所有的J(P₁，P₂…P_N|S_q)，q＝1，2…M，取最小J(P₁，P₂…P_N|S_q)值(最小J(P₁，P₂…P_N|S_q)值对应的记忆映像即为最大相似匹配记忆映像)；定义查找到的记忆映像的对应序数为K，则查找到的记忆映像为S_K[P_T]，将S_K[P_T]赋予给当前数据值缺失的记忆线索P_T；

其中，S(P_T，S_k[P_T])是记忆线索P_T与S_k[P_T]中保存的P_T的历史数据值的亲缘度算式；

S_K[P_T]是记忆线索为P_T的结构状态信息保存在S_K中的历史数据值；1≤K≤M

S_q是结构状态信息的第q个记忆映像，S_q中包含了记忆线索P_T所对应的历史数据值；q＝1，2…M；

对P_j和S_k连接强度累加一微小增量的方法为：通过记忆线索P₁，P₂…P_N进行查找，某一记忆映像S_k被成功识别为最大相似匹配的记忆映像，则对该记忆映像和对应的记忆线索P₁，P₂…P_N所对应的连接强度累加一微小增量v，即：

R(P_j，S_k)＝R(P_j，S_k)+v，k＝1，2…M

其中，P_j是第j种结构状态信息所对应的记忆线索，也即第j种结构状态信息的当前数据值，j为序数值，且j＝1，2…N；

S_k是结构状态信息的第k个记忆映像；k＝1，2…M，M为记忆映像数量。

本发明的有益技术效果：1)通过结构状态记忆识别功能将结构状态监测信息标识为“旧状态”或“新状态”，根据系统需要可摒弃大量标识为“旧状态”的信息，从而实现结构健康监测的数据约简；2)当长期工作的传感器失效时，通过结构状态记忆回想功能从记忆库中恢复失效传感器的监测数据，从而节省了后期系统维护成本。

附图说明

图1、人脑记忆工作模型；

图2、人脑记忆检索模型；

图3、本发明构造的记忆线索关系模型；

图4、本发明记忆重现流程；

图5、应变监测实验平台系统组成实物照片；

图6、应变监测实验平台；

图7、应变桥电路原理图

图8、应变桥安装示意图；

图9、熟悉度计算结果；

图10、新记忆映像数据存储图；

图11、失效传感器数据重现图；

图12、记忆映像数据被访问几率分布图；

具体实施方式

发明人提出了一种拟人记忆的结构健康监测失效传感器数据重现方法，此方法是模拟人类记忆模式，针对SHM系统后期维护中出现的传感器失效问题，当某维或少数几维数据缺失时模型根据记忆住的数据规律进行信息重现，给出正确的评估结论，从而避免因传感器自身故障导致的监测系统误判断，同时降低SHM系统后期维护成本。该方法核心在于：将传感器采集到的多种结构状态信息，按时序保存到长时记忆储存区形成记忆映像，建立结构状态信息与记忆映像的线索关系；根据线索关系对新结构状态信息进行识别并作后续处理：或者，根据线索关系对新结构状态信息进行筛选以实现数据约简，或者，根据线索关系找到新结构状态信息对应的记忆映像，对新结构状态信息中的缺失部分进行补偿、重现。

采用该方法的系统可分为两个工作阶段：前期学习阶段，后期运行阶段；

参见图3，系统处于前期学习阶段时：针对某一结构物，将传感器采集到的不同种类的结构状态信息顺次标记为P₁，P₂…P_N，P_N就称为第N种结构状态信息的记忆线索，P_N的数值即为传感器采集到的当前数据；在T₁时刻，将采集到的P₁，P₂…P_N数据记录在记忆映像S₁中，将T₂时刻采集到的P₁，P₂…P_N数据记录在记忆映像S₂中，如此方式，将后续的相同时刻的P₁，P₂…P_N数据记录在顺序编号的记忆映像S_k中，在记忆映像数量形成适度规模后，即可认为记忆映像库(记忆库)基本形成；值得指出的是，记忆库形成后并不是一尘不变的，运行过程中还可能需要添加新的记忆映像。

后期运行阶段：结构经长时间使用后，有的传感器由于疲劳寿命到期，或其它原因损毁，导致部分传感器已经无法采集数据了，这时，采集到的表征结构健康状态的P₁，P₂…P_N数据就有一部分缺失，而在大多数传感器还能正常工作的情况下，我们可以根据正常工作的传感器采集到的数据，查找记忆库中与此部分正常数据相似的记忆映像，根据记忆映像中对应缺失数据的历史数据对缺失数据进行重现，为结构健康状态的评价提供依据。数据重现只是本发明应用的一个方面，本发明的另一个应用方面是，根据新采集到的P₁，P₂…P_N数据，查找记忆库中是否保存有相似度满足要求的类似记忆映像，如果有则删除新采集到的P₁，P₂…P_N数据，实现系统数据的约简。

前面对本发明的概要阐述中，涉及到的几个关键问题是：如何建立结构状态信息与记忆映像的线索关系、如何查找(识别)记忆库中与正常数据相似的记忆映像、如何判断记忆映像与新数据的相似度；下面就以上3个问题进一步进行说明。

(一)记忆识别法则：

Gillund·G和Shiffrin·R·M提出了一个比较简单的人脑记忆熟悉度算式：

$F\left(P_1{,P}_2{\·\·\·P}_N\right)=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\Π}}_{j=1}^{N}R{(P_j,S_k)}^{W_j}$

该算式通过引入连接强度R(P_j，S_k)指标在记忆线索和记忆映像间建立了具有强度量化的映射关系，为分析人脑记忆功能提供了数学模型基础。借鉴该技术思想并结合结构健康监测的特点，本发明在前式中引入亲缘度计算函数，提出如下记忆识别熟悉度算式：

$F(P_1,P_2\·\·\·P_N)=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\Π}}_{j=1}^N\frac{{R(P_j,S_k)}^{W_j}}{S(P_j,S_k[P_j\left]\right)}$

式中，M为记忆映像的数量；N为记忆线索的数量；

P_j、P_N分别是第j种和第N种结构状态信息所对应的记忆线索，也即第j种和第N种结构状态信息的当前数据值，j为序数值，且j＝1，2…N；

S_k是结构状态信息的第k个记忆映像；S_M是结构状态信息的第M个记忆映像，也是最末位的记忆映像；S_k和S_M中都包含了所有的原始记忆线索对应的历史数据值，即相同时刻的P₁，P₂…P_N对应的结构状态信息保存在同一记忆映像中，k为序数值，且k＝1，2…M；{S₁，S₂，S₃…S_M}所组成的数据集合即为记忆映像库，新加入的记忆映像记为S_M+1；

W_j是反映记忆线索P_j对记忆映像S_k重要性的权重指数；

R(P_j，S_k)是P_j和S_k的连接强度；

S_k[P_j]是记忆线索为P_j的结构状态信息保存在S_k中的历史数据值；

S(P_j，S_k[P_j])是记忆线索P_j与S_k[P_j]中保存的P_j的历史数据值的亲缘度算式，可根据SHM应用系统的需求构造；本发明采用的S(P_j，S_k[P_j])表达式如下：

$S(P_j,S_k[P_j\left]\right)=\left|\frac{P_j-S_k\left[P_j\right]}{S_k\left[P_j\right]}\right|$

式中，P_j是第j种结构状态信息所对应的记忆线索，也即第j种结构状态信息的当前数据值；

S_k[P_j]是记忆线索为P_j的结构状态信息保存在S_k中的历史数据值；

对既定域值θ，记忆识别法则如下：

1)如果F(P₁，P₂…P_N)≥θ，数据处理模型向系统提示该记忆线索代表的结构状态是一个“旧状态”，已经存在于记忆映像库中；

2)如果F(P₁，P₂…P_N)＜θ，数据处理模型向系统提示该记忆线索代表的结构状态是一个“新状态”，需要添加进记忆映像库中，产生记忆映像S_M+1，S_M+1即为在学习阶段结束后运行过程中新添加的记忆映像(与前文相照应)。

上述记忆识别过程使传感器采集数据得到有效管理，大量冗余数据被识别为“旧状态”剔除，进入长时记忆区的是记忆映像信息的精简集。

(二)记忆回想法则：

对结构状态被识别为“旧状态”的记忆线索P₁，P₂…P_N，如果要在记忆映像库中寻找其相似的记录，该过程即记忆回想。考虑到记忆回想实质上是一个寻找最大相似匹配项的过程，本发明提出如下记忆回想相似度算式：

$J(P_1,P_2\·\·\·P_N|S_k)=\frac{1}{N}\sqrt{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left[\frac{S(P_j,S_k[P_j\left]\right)}{R{(P_j,S_k)}^{W_j}}\right]}^2}$

其中，S_k是结构状态信息的第k个记忆映像；

P_j是第j种结构状态信息所对应的记忆线索；j为序数值，且j＝1，2…N，N为记忆线索的数量；

W_j是权重指数；

S_k[Pj]是记忆线索为P_j的结构状态信息保存在S_k中的历史数据值；k为序数值，且k＝1，2…M，M为记忆映像的数量；

查找最大相似匹配记忆映像的方法为：

若缺失的当前数据值所对应的记忆线索为P_T，T为序数值，且1≤T≤N，则忽略公式 $J(P_1,P_2\·\·\·P_N|S_k)=\frac{1}{N}\sqrt{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left[\frac{S(P_j,S_k[P_j\left]\right)}{R{(P_j,S_k)}^{W_j}}\right]}^2}$ 中的S(P_T，S_k[P_T])项，根据公式计算所有的J(P₁，P₂…P_N|S_q)，q＝1，2…M，取最小J(P₁，P₂…P_N|S_q)值；定义查找到的记忆映像的对应序数为K，则查找到的记忆映像为S_K[P_T]，将S_K[P_T]赋予给当前数据值缺失的记忆线索P_T；

其中，S(P_T，S_k[P_T])是记忆线索P_T与S_k[P_T]中保存的P_T的历史数据值的亲缘度算式；

S_K[P_T]是记忆线索为P_T的结构状态信息保存在S_K中的历史数据值；1≤K≤M

S_q是结构状态信息的第q个记忆映像，S_q中包含了记忆线索P_T所对应的历史数据值；q＝1，2…M；

人脑记忆理论认为重复学习会增强记忆，与此相映的，本发明通过增进P_j和S_k的连接强度R(P_j，S_k)值来模拟该记忆特性：通过一次成功的结构状态记忆回想，找到最大相似匹配的记忆映像S_k和记忆线索P₁，P₂…P_N相匹配，则设置：

R(P_j，S_k)＝R(P_j，S_k)+v，k＝1，2…M

其中，P_j是第j种结构状态信息所对应的记忆线索，也即第j种结构状态信息的当前数据值，j为序数值，且j＝1，2…N；

S_k是结构状态信息的第k个记忆映像；k＝1，2…M，M为记忆映像数量。

公式R(P_j，S_k)＝R(P_j，S_k)+v的含义为：在一个长时监测过程中，如果某个记忆映像的数据被频繁地回忆(回想)，该记忆映像和记忆线索之间的连接强度将被增强，这意味着这个记忆映像在下一次记忆回想过程中有更多的几率被优先回想到，也即缩减搜索时间。根据概率理论，S_k被优先回想的机会概率可通过下式计算：

$P\left(S_k\right|P_1,P_2{\·\·\·P}_N)=\frac{{\mathrm{\Π}}_{j=1}^{N}R{(P_j,S_k)}^{W_j}}{\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\Π}}_{j=1}^{N}R{(P_j,S_k)}^{W_j}}$

公式中，算式 ${\mathrm{\Π}}_{j=1}^{N}R{(P_j,S_k)}^{W_j}$ 反映S_k和P₁，P₂…P_N之间的连接强度综合效应。 ${\mathrm{\Π}}_{j=1}^{N}R{(P_j,S_k)}^{W_j}$ 的值越大，记忆映像数据S_k越有可能被优先访问回想到。

(三)失效传感器数据重现：

记忆识别法则提供了失效传感器数据可重现性的判据，即：经记忆识别判定为“旧状态”的结构状态具备数据的可重现性，可进一步通过记忆回想法则实现数据重现。将上述两个法则结合应用于失效传感器的数据重现过程如图4所示。其方法如下：

若某一新结构状态信息中的部分结构状态信息的当前数据值因传感器失效无法得到，而另一部分结构状态信息的当前数据值被识别为“旧状态”，则根据可识别的结构状态信息所对应的记忆线索，从记忆映像库中寻找最大相似匹配的记忆映像，根据找到的最大相似匹配的记忆映像对因传感器失效无法得到的数据值进行补偿、重现。

具体做法是：

1)若缺失的当前数据值所对应的记忆线索为P_T，则忽略公式 $F(P_1,P_2\·\·\·P_N)=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\Π}}_{j=1}^N\frac{{R(P_j,S_k)}^{W_j}}{S(P_j,S_k[P_j\left]\right)}$ 中的S(P_T，S_k[P_T])项后计算其结果；T为序数值，且1≤T≤N；

若F(P₁，P₂…P_N)满足F(P₁，P₂…P_N)≥θ，即，新结构状态信息中除P_T外的其余记忆线索所对应的当前数据值已保存在记忆库中，则判断该新结构状态信息中的缺失数据具有可重现性；

2)在缺失数据具有可重现性的前提下，利用记忆回想相似度算式查找记忆库中的最大相似匹配的记忆映像，并将查找到的记忆映像中的与记忆线索P_T对应的S_k[P_T]赋予给当前数据值缺失的记忆线索P_T，从而实现对缺失数据的补偿、重现；

下面结合实施例进一步阐述本发明的方法。

实施例：

一个简支梁应变监测实验平台，实验系统如图5所示；实验平台主体由

1200mm跨径的微曲钢板及扭矩施力装置组成，微曲钢板上等距分布六组基于金属箔电阻应变片的应变测量全桥电路，从左至右编号序列为6，4，2，1，3，5。通过将人工施加的扭矩转化为压力并作用于微曲钢板中心，引起钢板结构应变，见图6所示。应变片全桥电路感测各监测位置的应变并经数据采集装置上传到上位机作数据处理。数据采集装置采用NI公司CRIO 9237及嵌入式控制器CRIO-9014，负责采集并处理得到应变值。经以太网接口上传到工控机进行数据分析处理。每个应变桥是典型的惠更斯全桥电路，电路原理及安装图见图7、8所示。

和记忆模型相对应，NI CRIO-9237的功能类似瞬时记忆，结构应变状态被全桥应变计采集转换为电信号，CRIO-9237作为瞬时记忆存储区采集该信号并传给控制器CRIO-9014。此后，控制器CRIO-9014作为记忆模型中的短时记忆区将电信号转化处理为应变数据并将不同位置的数据组合为记忆线索。工控机作为记忆模型中的长时记忆区将有用信息永久保存并开展结构状态数据重现等处理工作。

结构状态数据重现实验分为两部分：结构状态记忆识别和结构状态记忆回想。通过转动扭矩手柄模拟结构的退化过程。由于简支梁是具有柔性的钢材，因此扭矩手柄回转时，简支梁会恢复到它的初始状态。这种特性使整个实验具有可重复性。我们首先给结构记忆输入先验知识，然后再开展结构状态记忆识别和记忆回想过程。

(1)结构状态记忆识别实验

首先，通过一个学习过程获取基本的记忆数据。扭矩手柄被顺时针依次旋转180度，如此7次。一个序列的六组应变数据被存储进工控机的长时记忆区，见表1所示。

表1

本实验将亲缘度算式S(P_j，S_k[P_j])定义如下：

$S(P_j,S_k[P_j\left]\right)=\left|\frac{P_j-S_k\left[P_j\right]}{S_k\left[P_j\right]}\right|$

如果P_j＝S_k[P_j]，则设置S(P_j，S_k[P_j])＝10^-6此外，所有R(P_j，S_k)的初始值都设为0.1，k＝1，2…M；W_j(j＝1，2…N)都设为1。

将记忆线索的模拟数据输入记忆映像S_t1，S_t2，...S_t8并代入公式 $F(P_1,P_2\·\·\·P_N)=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\Π}}_{j=1}^N\frac{{R(P_j,S_k)}^{W_j}}{S(P_j,S_k[P_j\left]\right)}$ 以确定熟悉度域值θ，得到如下记忆映像序列：

S_t1＝[1   50  16   130  50  30]*(-1.0000e-006)

S_t2＝[27  30  147  26   23  30]*(-1.0000e-006)

S_t3＝[27  41  147  30   23  25]*(-1.0000e-006)

S_t4＝[27  41  166  40   25  38]*(-1.0000e-006)

S_t5＝[27  41  166  150  26  40]*(-1.0000e-006)

S_t6＝[27  41  166  150  57  40]*(-1.0000e-006)

S_t7＝[27  41  166  150  57  18]*(-1.0000e-006)

S_t8＝[26  42  164  151  58  20]*(-1.0000e-006)

将表1中的记忆映像S₄中的记忆线索和上述记忆映像中的记忆线索相比较：S_t1和S₄完全不一样，S_t2有一个线索元素和S₄一样，S_t3有两个线索元素和S₄一样，S_t4，S_t5，S_t6，S_t7以此类推。S_t8的每个线索元素都和S₄接近。

熟悉度的计算结果见图9，如图所示，记忆线索和记忆映像间的熟悉度被分为了不同的等级，这表明对某个特定系统而言，可通过定义一个域值θ来区分熟悉度等级。

本实验设置域值θ＝20。此后将扭矩手柄从0度旋转到180×n(n＝1，2，...)度。对每一次旋转，数据重现模型都能依据域值指示结构应变状态对记忆映像数据是“旧状态”还是“新状态”作出判断。

例如，当扭矩手柄被转到180×3度时，记忆映像中的线索数据为[23  32  148  129  4312]*(-1.0000e-006)，熟悉度计算结果F(P₁，P₂…P_N)＝3935＞θ，这表明该应变状态是一个曾经发生过的“旧状态”；当扭矩手柄被转到180×9度时，记忆映像中的线索数据为[47  103  268251  118  38]*(-1.0000e-006)，F(P₁，P₂…P_N)＝0.0059＜θ，数据重现模型由此识别出该应变状态是一个“新状态”，应该存储进长时记忆区中。新的记忆映像数据存储见图10所示。

(2)结构状态记忆回想实验

被识别为“旧状态”的记忆线索可通过结构状态记忆回想在记忆映像存储数据中寻找其匹配数据。例如，对记忆线索数据为[23  32  148  129  43  12]*(-1.0000e-006)，应用公式 $J(P_1,P_2\·\·\·P_N|S_k)=\frac{1}{N}\sqrt{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left[\frac{S(P_j,S_k[P_j\left]\right)}{R{(P_j,S_k)}^{W_j}}\right]}^2},$ 相似度计算结果J(P₁，P₂…P_N|S_k)＝[7.9763  1.6262  0.1880  0.8710  1.3751  1.7296  1.9918  2.3833]。由于min(J(P₁，P₂…P_N|S_k))＝0.1880，因此回想到的记忆映像S_k的序号为3。该记忆线索数据和准确的记忆映像数据S₃＝[24  30  147  130  44  13]*(-1.0000e-006)相近似。这表明结构状态记忆回想模型可用作干扰抑制过滤，即使获取的监测数据有一定噪声，通过记忆回想过程可以消除噪声影响。

(3)结构状态失效传感器数据重现实验

利用结构状态的记忆识别和记忆回想功能可实现结构监测失效传感器的数据恢复。例如，当拔掉图6中应变计4和1的测试插头，将扭矩手柄转到约180×9位置，获取的记忆线索数据为[46X268X11938]*(-1.0000e-006)。设P₂＝P₄＝0，由公式 $F(P_1,P_2\·\·\·P_N)=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\Π}}_{j=1}^N\frac{{R(P_j,S_k)}^{W_j}}{S(P_j,S_k[P_j\left]\right)}$ 计算得到S(P₂，S_k[P₂])＝1，S(P₄，S_k[P₄])＝1，F(P₁，P₂…P_N)＝56＞θ，这表明尽管记忆线索不完整，但它对记忆映像而言是一个“旧状态”，具有可重现性。由公式 $J(P_1,P_2\·\·\·P_N|S_k)=\frac{1}{N}\sqrt{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left[\frac{S(P_j,S_k[P_j\left]\right)}{R{(P_j,S_k)}^{W_j}}\right]}^2}$ 可计算得到J(P₁，P₂…P_N|S_k)＝[14.8458  8.0691  5.3024  3.8335  3.1072  2.6952  2.4910  2.3577]。由于min(J(P₁，P₂…P_N|S_k))＝2.3577，因此记忆回想到的记忆映像S_k的序号为8。据此可以从记忆映像库中找到缺失的数据值P₂＝S₈[P₂]＝103，P₄＝S₈[P₄]＝251。原始采集的数据和恢复的数据见图11所示。

上述实验假定R(P_j，S_k)(k＝1，2，...M)的值是一个恒定量。如果考虑增强记忆连接强度，可设置公式R(P_j，S_k)＝R(P_j，S_k)+v中的微小增量v＝0.001，当记忆映像数据S₃被回想访问达10次时，记忆映像数据S_k(k＝1，2，...8)被再次访问时被优先访问到的几率分布见图12。从图12可见，在被回想访问10次后，S₃有更高的几率被优先回想到，这种现象和人脑记忆特性近似。

Claims (5)

1.一种拟人记忆的结构健康监测失效传感器数据重现方法，其特征在于：将传感器采集到的多种结构状态信息，按时序保存到长时记忆储存区形成记忆映像，建立结构状态信息与记忆映像的线索关系；根据线索关系对新结构状态信息进行识别并作后续处理：或者，根据线索关系对新结构状态信息进行筛选以实现数据约简，或者，根据线索关系找到新结构状态信息对应的记忆映像，对新结构状态信息中的缺失部分进行补偿、重现；

根据下式建立结构状态信息与记忆映像的线索关系，

$F(P_1,P_2...P_N)=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\Π}}_{j=1}^N\frac{R{(P_j,S_k)}^{W_j}}{S(P_j,S_k[P_j\left]\right)}$

式中，M为记忆映像的数量；N为记忆线索的数量；

P_j、P_N分别是第j种和第N种结构状态信息所对应的记忆线索，也即第j种和第N种结构状态信息的当前数据值，j为序数值，且j＝1，2…N；

S_k是结构状态信息的第k个记忆映像；S_M是结构状态信息的第M个记忆映像，也是最末位的记忆映像；S_k和S_M中都包含了所有的原始记忆线索对应的历史数据值，即相同时刻的P₁，P₂…P_N对应的结构状态信息保存在同一记忆映像中，k为序数值，且k＝1，2…M；{S₁，S₂，S₃…S_M}所组成的数据集合即为记忆映像库，新加入的记忆映像记为S_M+1；

W_j是权重指数；

R(P_j，S_k)是P_j和S_k的连接强度；

S_k[P_j]是记忆线索为P_j的结构状态信息保存在S_k中的历史数据值；

S(P_j，S_k[P_j])是记忆线索P_j与S_k[P_j]中保存的P_j的历史数据值的亲缘度算式；

S(P_j，S_k[P_j])表达式如下：

$S(P_j,S_k[P_j\left]\right)=\left|\frac{P_j-S_k\left[P_j\right]}{S_k\left[P_j\right]}\right|$

式中，P_j是第j种结构状态信息所对应的记忆线索，也即第j种结构状态信息的当前数据值；

S_k[P_j]是记忆线索为P_j的结构状态信息保存在S_k中的历史数据值。

2.根据权利要求1所述的拟人记忆的结构健康监测失效传感器数据重现方法，其特征在于：对采集到的新结构状态信息进行识别的方法，包括：

定义新结构状态信息为多种结构状态信息的当前数据值；

将各种结构状态信息的当前数据值P_j，代入结构状态信息与记忆映像的线索关系表达式F(P₁，P₂…P_N)：

若F(P₁，P₂…P_N)≥θ，则将该新结构状态信息识别为“旧状态”，即该新状态信息已经存在于记忆映像库中；

若F(P₁，P₂…P_N)＜θ，则将该新结构状态信息识别为“新状态”，需要将该新结构状态信息添加进记忆映像库中，形成S_M+1；

其中，F(P₁，P₂…P_N)为结构状态信息与记忆映像信息的线索关系表达式；

θ为既定域值。

3.根据权利要求2所述的拟人记忆的结构健康监测失效传感器数据重现方法，其特征在于：对新结构状态信息进行筛选以实现数据约简的方法为：

若某一新结构状态信息被识别为“旧状态”，则将该新结构状态信息删除。

4.根据权利要求2所述的拟人记忆的结构健康监测失效传感器数据重现方法，其特征在于：对新结构状态信息中的缺失部分进行补偿、重现的方法为：

若某一新结构状态信息中的部分结构状态信息的当前数据值因传感器失效无法得到，而另一部分结构状态信息的当前数据值被识别为“旧状态”，则根据可识别的结构状态信息所对应的记忆线索，从记忆映像库中寻找最大相似匹配的记忆映像，根据找到的最大相似匹配的记忆映像对因传感器失效无法得到的数据值进行补偿、重现，同时，对找到的最大相似匹配的记忆映像所对应的P_j和S_k连接强度累加一微小增量，使搜索被多次访问的记忆映像的时间越来越短；

对P_j和S_k连接强度累加一微小增量，包括：

通过记忆线索P₁，P₂…P_N进行查找，某一记忆映像S_k被成功识别为最大相似匹配的记忆映像，则对该记忆映像和对应的记忆线索P₁，P₂…P_N所对应的连接强度累加一微小增量v，即：

R(P_j，S_k)＝R(P_j，S_k)+v，k＝1，2…M

其中，P_j是第j种结构状态信息所对应的记忆线索，也即第j种结构状态信息的当前数据值，j为序数值，且j＝1，2…N；

S_k是结构状态信息的第k个记忆映像；k＝1，2…M，M为记忆映像数量。

5.根据权利要求4所述的拟人记忆的结构健康监测失效传感器数据重现方法，其特征在于：1)若缺失的当前数据值所对应的记忆线索为P_T，则忽略公式

$F(P_1,P_2...P_N)=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\Π}}_{j=1}^N\frac{R{(P_j,S_k)}^{W_j}}{S(P_j,S_k[P_j\left]\right)}$ 中的S(P_T，S_k[P_T])项后计算其结果；T为序数值，且1≤T≤N；

若F(P₁，P₂…P_N)满足F(P₁，P₂…P_N)≥θ，即，新结构状态信息中除P_T外的其余记忆线索所对应的当前数据值已保存在记忆库中，则判断该新结构状态信息中的缺失数据具有可重现性；

2)在缺失数据具有可重现性的前提下，利用记忆回想相似度算式查找记忆库中的最大相似匹配的记忆映像，并将查找到的记忆映像中的与记忆线索P_T对应的S_k[P_T]赋予给当前数据值缺失的记忆线索P_T，从而实现对缺失数据的补偿、重现；

记忆回想相似度算式如下：

$J(P_1,P_2...P_N|S_k)=\frac{1}{N}\sqrt{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left[\frac{S(P_j,S_k[P_j\left]\right)}{R{(P_j,S_k)}^{W_j}}\right]}^2}$

其中，S_k是结构状态信息的第k个记忆映像；

P_j是第j种结构状态信息所对应的记忆线索；j为序数值，且j＝1，2…N，N为记忆线索的数量；

W_j是权重指数；

S_k[P_j]是记忆线索为P_j的结构状态信息保存在S_k中的历史数据值；k为序数值，且k＝1，2…M，M为记忆映像的数量；

查找最大相似匹配记忆映像的方法为：

若缺失的当前数据值所对应的记忆线索为P_T，T为序数值，且1≤T≤N，则忽略公式

中的S(P_T，S_k[P_T])项，根据公式计算所有的J(P₁，P₂…P_N|S_q)，q＝1，2…M，取最小J(P₁，P₂…P_N|S_q)值；定义查找到的记忆映像的对应序数为K，则查找到的记忆映像为S_K[P_T]，将S_K[P_T]赋予给当前数据值缺失的记忆线索P_T；

其中，S(P_T，S_k[P_T])是记忆线索P_T与S_k[P_T]中保存的P_T的历史数据值的亲缘度算式；

S_K[P_T]是记忆线索为P_T的结构状态信息保存在S_K中的历史数据值；1≤K≤M

S_q是结构状态信息的第q个记忆映像，S_q中包含了记忆线索P_T所对应的历史数据值；q＝1，2…M。

Images