CN102323049A - 数据不完备下基于一致性数据替换的结构异常检测方法 - Google Patents
数据不完备下基于一致性数据替换的结构异常检测方法 Download PDFInfo
- Publication number
- CN102323049A CN102323049A CN201110200656A CN201110200656A CN102323049A CN 102323049 A CN102323049 A CN 102323049A CN 201110200656 A CN201110200656 A CN 201110200656A CN 201110200656 A CN201110200656 A CN 201110200656A CN 102323049 A CN102323049 A CN 102323049A
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- incomplete
- sampling
- inferior
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
本发明涉及一种数据不完备下基于一致性数据替换的结构异常检测方法。该方法首先利用多个传感器对结构响应进行采集,其中某些传感器失效,从而得到含有不完备数据的响应信号;然后对采集到的所有信号进行去噪处理;接着对其中的不完备数据利用一致性数据替换方法进行完备化处理;最后将完备化处理后的数据利用小波分解实现结构异常检测。该方法能够很好地处理多自由度、非自由振动、非线性、非稳态及不完备的响应信号,可用于土木工程、航空航天、自动控制、机械工程、桥梁工程、水利工程等领域的信号处理,具有提高数据的抗干扰能力,提高不完备数据下的结构异常检测准确率的特点。
Description
技术领域
本发明涉及一种数据不完备下基于一致性数据替换方法的结构异常检测方法,特别涉及一种处理不完备数据的新技术——一致性数据替换方法。
背景技术
随着经济的发展和科学技术的进步,许多大型工程如超大跨桥梁、超高层建筑、海洋平台结构等得以兴建,它们的使用期长达几十年、甚至上百年,环境侵蚀、材料老化和荷载的长期效应、疲劳与突变等灾害因素的耦合作用将不可避免地导致结构和系统的损伤积累和抗力衰减,从而在极端情况下引发灾难性的突发事故。因此对大型工程结构进行结构健康监测和安全性评估具有极其重要的意义。结构健康监测系统和损伤检测是目前保证大型结构安全运行的主要措施。然而,由于传感器、网络线路长期暴露在环境中,导致传感器、传输网络或者仪器失效使得采集的信息不完备,形成不完备数据。如何运用不完备的实测数据进行结构的健康监测与安全性评定成为国内外研究的热点和难点。
目前处理不完备数据的方法主要有:直接删除法、数据补齐法和直接挖掘法。直接删除法指直接把缺失的数据删除,从而使得整个信息完整。数据补齐法是指先把不完备的信息先补充完整,再将数据补齐后的信息用完备信息的识别方法进行识别,通常基于统计学原理,根据其余对象取值的分布情况来对缺失值进行填补,如用其余对象该值的平均值来进行补充等。直接挖掘法是指直接在包含缺失值的数据上进行数据挖掘,这类方法主要有贝叶斯网络、人工神经网络和粗糙集方法等。然而,研究发现采用此三种方法处理后的数据,并不能运用于结构的异常检测,即在不完备点会出现错误的诊断结果。
基于以上情况,本发明提出了一种新的不完备数据处理方法——一致性数据融合方法,并结合小波分解技术,最终很好地实现了不完备数据下的结构异常检测。
发明内容
本发明的目的在于提出一种数据不完备下基于一致性数据替换方法的结构异常检测方法,并使完备化后的数据能很好地实现结构的异常检测,该方法能够很好地处理多自由度、非自由振动、非线性、非稳态、不完备的响应信号,可用于土木工程、航空航天、自动控制、机械工程、桥梁工程、水利工程等领域的信号处理,具有提高数据的抗干扰能力,提高不完备数据下的结构异常检测准确率的特点。
本发明的目的是通过以下技术方案实现的:
一种数据不完备下基于一致性数据替换的结构异常检测方法,其特征在于:首先首先在部分传感器失效的情况下对结构响应进行采集,得到含有不完备数据的响应信号;然后对采集到的所有信号进行去噪处理;接着对其中的不完备数据利用一致性数据替换方法进行完备化处理;最后将完备化处理后的数据利用小波分解实现结构异常检测。
所述信号的去噪处理包括以下步骤:
①选择小波函数对含噪信号进行小波分解;
②利用门限阈值方法对分解所得的小波系数进行处理;
③将处理后的小波系数进行小波重构;
所述不完备数据利用一致性数据替换方法进行完备化处理包括以下步骤:
设有n个传感器,其中传感器p在采样m次后失效;
①计算出前m次采样时每次采样所对应的n个传感器之间的支持矩阵R k (k=1,2,…,m);具体的步骤如下:
首先,根据同一次采样时每个传感器的观测值和测量方差计算出任意两个传感器i和j之间的置信距离d ij k ,0≤d ij k ≤1,d ij m 越小表示两个传感器的支持度越高;
然后,令r ij k =1-d ij k ,则r ij k 越大表示两个传感器之间的支持度越高;
②给由上步计算出来的每个支持矩阵中的支持度指标r ip k 标上正负号,即:
④计算第k次采样的加权系数,即:
式中:β a k 表示传感器a在第k次采样时,对传感器p的权系数;β b k 表示传感器b在第k次采样时,对传感器p的权系数;
⑤对m个加权系数进行取平均值,即:
式中:x p i 为传感器p的第i次的采样数据;x a i 为传感器a的第i次得采样数据;x b i 为传感器b的第i次得采样数据。
所述将完备化处理后的数据利用小波分解实现结构异常检测包括以下步骤:
①提取经一致性数据替换方法完备化处理后的数据;
②选择小波函数,并对提取出的数据进行多尺度的小波分解;
③观察分解后信号的高频成分,看高频成分波形有无突变点,若存在突变点,则表示结构存在异常,且突变点的位置就是结构异常发生的时间,否则,则结构正常。
至此,根据以上步骤,即能实现数据不完备下的结构异常检测。
本发明的优点与效果是:
1. 本发明技术实现了利用不完备数据对结构进行异常检测;
2. 本发明技术提出了一种新的处理不完备数据的方法——一致性数据替换;
3. 本发明技术能充分地利用失效传感器所采集到的有限数据;
4. 本发明技术对不完备数据完备化后(替换后)得到的数据与原完备数据的拟合性较好;
5. 本发明技术可提高数据的抗干扰能力。
附图说明
图1为本发明所采用的结构模型。
图2为本发明采用的含有不完备数据的加速度时程曲线。
图3为本发明经过去噪处理后的各层加速度响应曲线。
图4为本发明采用一致性数据替换处理后的数据与原完备数据的比较。
图5为本发明利用一致性数据替换方法处理后的数据进行的异常检测。
具体实施方式
下面参照附图对本发明进行详细说明。
本发明提供一种数据不完备下基于一致性数据替换方法的结构异常检测方法,其特征在于首先利用多个传感器对结构响应进行采集,其中某些传感器失效,从而得到含有不完备数据的响应信号;然后对采集到的所有信号进行去噪处理;接着对其中的不完备数据利用一致性数据替换方法进行完备化处理;最后将完备化处理后的数据利用小波分解实现结构异常检测。
所述信号的去噪处理包括以下步骤:
①选择小波函数对含噪信号进行小波分解;
②利用门限阈值方法对分解所得的小波系数进行处理;
③将处理后的小波系数进行小波重构;
所述不完备数据利用一致性数据替换方法进行完备化处理包括以下步骤:
设有n个传感器,其中传感器p在采样m次后失效;
①计算出前m次采样时每次采样所对应的n个传感器之间的支持矩阵R k (k=1,2,…,m。);具体的步骤如下:
首先,根据同一次采样时每个传感器的观测值和测量方差计算出任意两个传感器i和j之间的置信距离d ij k ,0≤d ij k ≤1,d ij m 越小表示两个传感器的支持度越高;
然后,令r ij k =1-d ij k ,则r ij k 越大表示两个传感器之间的支持度越高;
②给由上步计算出来的每个支持矩阵中的支持度指标r ip k 标上正负号,即:
④计算第k次采样的加权系数,即:
式中:β a k 表示传感器a在第k次采样时,对传感器p的权系数;β b k 表示传感器b在第k次采样时,对传感器p的权系数;
⑤对m个加权系数进行取平均值,即:
式中:x p i 为传感器p的第i次的采样数据;x a i 为传感器a的第i次得采样数据;x b i 为传感器b的第i次得采样数据。
所述将完备化处理后的数据利用小波分解实现结构异常检测包括以下步骤:
①提取经一致性数据替换方法完备化处理后的数据;
②选择小波函数,并对提取出的数据进行多尺度的小波分解;
③观察分解后信号的高频成分,若存在突变点,则表示结构存在异常,且突变点的位置就是结构异常发生的时间,否则,则结构正常。
至此,根据以上步骤,即能实现数据不完备下的结构异常检测。
具体的,设5层剪切型结构的各层质量分别为m1=m2=1520×103 kg,m3=m4=1349×103 kg,m5=1287×103 kg,层间刚度分别为k1=2.0×106 kN/m,k2=1.5×106 kN/m,k3=1.43×106 kN/m, k4=1.11×106 kN/m,k5=1.0×106 kN/m,层间阻尼采用比例阻尼C=aM+bK,计算简图如图1所示。结构的底部受到一个正弦波的激励,在结构每层布置一个加速度传感器来对结构的加速度进行实时监测。提取时持16 s的加速度数据进行结构分析。以结构在提取第8 s的加速度数据时第三层刚度k3退化为k3=1.2×106 kN/m来模拟损伤。
为了模拟实际采集情况,对结构各层传感器性能作如下假设(图2):
1)第二层传感器一开始就受到信噪比为10%的高斯白噪声污染;
2)第三层传感器在3s时开始失效;
3)第五层传感器在12s时开始受到信噪比为10%的高斯白噪声污染。
首先,对含噪信号进行处理;去噪后的各层加速度信号如图3所示。
其次,将不完备的数据利用所述的一致性数据替换方法的6个步骤进行处理,处理后的数据如图4中的粗线;为了说明替换后的数据与完备下的原数据具有良好的拟合性,图4中对两种信号进行了比较,从图中可以看出两者拟合较好;
最后,将替换后的数据利用小波分解技术进行分解,分解后的各个信号成分如图5。从图中的高频成分d2、d1中可以看出,该方法能准确的实现不完备数据下的结构异常检测。
Claims (4)
1.一种数据不完备下基于一致性数据替换的结构异常检测方法,其特征在于:首先在部分传感器失效的情况下对结构响应进行采集,得到含有不完备数据的响应信号;然后对采集到的所有信号进行去噪处理;接着对其中的不完备数据利用一致性数据替换方法进行完备化处理;最后将完备化处理后的数据利用小波分解实现结构异常检测。
2.根据权利要求1所述的数据不完备下基于一致性数据替换的结构异常检测方法,其特征在于,所述信号的去噪处理包括以下步骤:
①选择小波函数对含噪信号进行小波分解;
②利用门限阈值方法对分解所得的小波系数进行处理;
③将处理后的小波系数进行小波重构。
3. 根据权利要求1所述的数据不完备下基于一致性数据替换的结构异常检测方法,其特征在于,所述不完备数据利用一致性数据替换方法进行完备化处理包括以下步骤:
设有n个传感器,其中传感器p在采样m次后失效;
①计算出前m次采样时每次采样所对应的n个传感器之间的支持矩阵R k (k=1,2,…,m);具体的步骤如下:
首先,根据同一次采样时每个传感器的观测值和测量方差计算出任意两个传感器i和j之间的置信距离d ij k ,0≤d ij k ≤1,d ij m 越小表示两个传感器的支持度越高;
然后,令r ij k =1-d ij k ,则r ij k 越大表示两个传感器之间的支持度越高;
②给由上步计算出来的每个支持矩阵中的支持度指标r ip k 标上正负号,即:
④计算第k次采样的加权系数,即:
,(k=1,2,…,m)
式中:β a k 表示传感器a在第k次采样时,对传感器p的权系数;β b k 表示传感器b在第k次采样时,对传感器p的权系数;
⑤对m个加权系数进行取平均值,即:
式中:x p i 为传感器p的第i次的采样数据;x a i 为传感器a的第i次得采样数据;x b i 为传感器b的第i次得采样数据。
4. 根据权利要求1所述的数据不完备下基于一致性数据替换的结构异常检测方法,其特征在于,所述将完备化处理后的数据利用小波分解实现结构异常检测包括以下步骤:
①提取经一致性数据替换方法完备化处理后的数据;
②选择小波函数,并对提取出的数据进行多尺度的小波分解;
③观察分解后信号的高频成分,看高频成分波形有无突变点,若存在突变点,则表示结构存在异常,且突变点的位置就是结构异常发生的时间,否则,则结构正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110200656 CN102323049B (zh) | 2011-07-18 | 2011-07-18 | 数据不完备下基于一致性数据替换的结构异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110200656 CN102323049B (zh) | 2011-07-18 | 2011-07-18 | 数据不完备下基于一致性数据替换的结构异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102323049A true CN102323049A (zh) | 2012-01-18 |
CN102323049B CN102323049B (zh) | 2013-07-03 |
Family
ID=45450838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110200656 Active CN102323049B (zh) | 2011-07-18 | 2011-07-18 | 数据不完备下基于一致性数据替换的结构异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102323049B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488884A (zh) * | 2013-09-12 | 2014-01-01 | 北京航空航天大学 | 基于小波神经网络的退化数据缺失插补方法 |
CN106021842A (zh) * | 2016-03-02 | 2016-10-12 | 浙江工业大学 | 一种基于小波低频子带与相关性分析的桥梁监测异常趋势数据识别方法 |
CN103793613B (zh) * | 2013-12-13 | 2017-01-11 | 北京航空航天大学 | 基于回归分析和rbf神经网络的退化数据缺失插补方法 |
WO2018149387A1 (zh) * | 2017-02-16 | 2018-08-23 | 大连理工大学 | 一种动态非高斯结构监测数据异常识别方法 |
CN110213788A (zh) * | 2019-06-15 | 2019-09-06 | 福州大学 | 基于数据流时空特征的wsn异常检测及类型识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080120348A1 (en) * | 2006-11-20 | 2008-05-22 | John Field | Data-oriented programming model for loosely-coupled applications |
CN101281117A (zh) * | 2008-05-29 | 2008-10-08 | 上海交通大学 | 大跨度轨道交通桥梁损伤识别方法 |
CN101876585A (zh) * | 2010-05-31 | 2010-11-03 | 福州大学 | 基于小波包估计噪声方差的ica收缩去噪方法 |
-
2011
- 2011-07-18 CN CN 201110200656 patent/CN102323049B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080120348A1 (en) * | 2006-11-20 | 2008-05-22 | John Field | Data-oriented programming model for loosely-coupled applications |
CN101281117A (zh) * | 2008-05-29 | 2008-10-08 | 上海交通大学 | 大跨度轨道交通桥梁损伤识别方法 |
CN101876585A (zh) * | 2010-05-31 | 2010-11-03 | 福州大学 | 基于小波包估计噪声方差的ica收缩去噪方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488884A (zh) * | 2013-09-12 | 2014-01-01 | 北京航空航天大学 | 基于小波神经网络的退化数据缺失插补方法 |
CN103488884B (zh) * | 2013-09-12 | 2016-07-13 | 北京航空航天大学 | 基于小波神经网络的退化数据缺失插补方法 |
CN103793613B (zh) * | 2013-12-13 | 2017-01-11 | 北京航空航天大学 | 基于回归分析和rbf神经网络的退化数据缺失插补方法 |
CN106021842A (zh) * | 2016-03-02 | 2016-10-12 | 浙江工业大学 | 一种基于小波低频子带与相关性分析的桥梁监测异常趋势数据识别方法 |
WO2018149387A1 (zh) * | 2017-02-16 | 2018-08-23 | 大连理工大学 | 一种动态非高斯结构监测数据异常识别方法 |
US11003738B2 (en) | 2017-02-16 | 2021-05-11 | Dalian University Of Technology | Dynamically non-gaussian anomaly identification method for structural monitoring data |
CN110213788A (zh) * | 2019-06-15 | 2019-09-06 | 福州大学 | 基于数据流时空特征的wsn异常检测及类型识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102323049B (zh) | 2013-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feng et al. | Damage detection of metro tunnel structure through transmissibility function and cross correlation analysis using local excitation and measurement | |
CN102323049B (zh) | 数据不完备下基于一致性数据替换的结构异常检测方法 | |
Liu et al. | Structure damage diagnosis using neural network and feature fusion | |
CN106053330A (zh) | 土壤紧实度及水分复合测量方法及装置 | |
CN105133667B (zh) | 一种降雨条件下土质边坡安全性态的时空动态评价方法 | |
Umesha et al. | Crack detection and quantification in beams using wavelets | |
CN101498688B (zh) | 基于结构振动的海洋平台整体无损检测方法 | |
CN108875178B (zh) | 用于减小结构模态识别不确定性的传感器布置方法 | |
CN107144255B (zh) | 一种边坡自动化实时立体监测与预警的方法 | |
CN105834835A (zh) | 一种基于多尺度主元分析的刀具磨损在线监测方法 | |
Ridolfi et al. | An entropy approach for evaluating the maximum information content achievable by an urban rainfall network | |
CN102795323B (zh) | 一种基于ukf的水下机器人状态和参数联合估计方法 | |
CN104880217B (zh) | 一种基于测量值关联度的故障传感器信息重构方法 | |
Thomas et al. | Variability in soil-water retention properties and implications for physics-based simulation of landslide early warning criteria | |
CN111382472A (zh) | 随机森林融合svm预测盾构引起近接结构变形方法及装置 | |
CN111609805A (zh) | 基于全分布应变测点断面曲率的隧道结构状态诊断方法 | |
KR101579732B1 (ko) | 스마트 콘크리트 구조물의 건전성을 모니터링하기 위한 방법 | |
Temple et al. | Low-cost pressure gauges for measuring water waves | |
Hartmann | Experiences in calibrating and evaluating lumped karst hydrological models | |
CN110146108B (zh) | 一种用于无人机蜂群协同导航的故障在线评估方法 | |
Wang et al. | Hydrodynamic characteristics of idealized flexible vegetation under regular waves: Experimental investigations and analysis | |
CN113627268A (zh) | 模型训练方法、矿井提升机用减速器故障检测方法和装置 | |
CN116662920A (zh) | 钻爆法施工装备异常数据辨识方法、系统、装备及介质 | |
Pailoplee et al. | CU-PSHA: A Matlab software for probabilistic seismic hazard analysis | |
JP6406488B1 (ja) | 植生影響定量化装置、定量化システム及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |