CN109583570A - 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 - Google Patents

Abstract

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。

Description

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

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：

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。

进一步，所述长短时记忆神经网络中，依次包括一输入层、一隐层、一LSTM层、二隐层及一输出层。

进一步，所述长短时记忆神经网络中LSTM层内的记忆模块具体设置如下：

LSTM层的记忆模块包括，输入门层(Input Gate)、忘记门层(Forget Gate)、更新门层以及输出门层(Output Gate)，用于根据当前输入；

输入门层，该门会读取上一时间点的细胞状态C_t-1、输出m_t-1和当前时间点的输入x_t，该门包含两个部分，第一部分，通过sigmoid函数决定需要输入什么值，即I_t，另一部分，通过tanh函数创建一个新的候选值向量该向量会被加入到细胞状态C_t中，此过程计算公式为：

I_t＝σ(W_ixx_t+W_imm_t-1+W_icc_t-1+b_i)

式中：W_ix是从输入门到输入的矩阵权重，W_im是上一层的输出m_t-1到输入门的矩阵权重，W_ic是输入门peephole连接的对角权重矩阵，peephole连接使得其他门能够在由输出门处理之前知道存储单元的真实状态，b_i是输入门偏差，W_cx是从更新门到输入的矩阵权重，W_cm是上一层的输出m_t-1到更新门的矩阵权重，b_c是更新门偏差；

忘记门层，该门会读取上一时间点的细胞状态C_t-1、输出m_t-1和当前时间点的输入x_t，将其赋值给当前细胞状态C_t中,所得赋值f_t的计算公式为：

f_t＝σ(W_fxx_t+W_fmm_t-1+W_fcc_t-1+b_f)，

式中：W_fx是从忘记门到输入的矩阵权重，W_fm是上一层的输出m_t-1到忘记门的矩阵权重，W_fc是忘记门连接神经元上一时间点的细胞状态C_t-1的对角权重矩阵，b_f是忘记门偏差；

更新门层，该层更新旧细胞状态，将C_t-1更新为C_t此过程公式如下：

其中：表示两个向量的标量乘积，b_c是更新门偏差；

输出门层，该层将确定输出部分m_t，计算公式为：

o_t＝σ(W_oxx_t+W_omm_t-1+W_occ_t-1+b_o)

式中：W_ox是从输出门到输入的矩阵权重，W_om是上一层的输出m_t-1到输出门的矩阵权重；W_OC是输出门peephole连接的对角权重矩阵，b_o是输出门偏差；

tanh(.)和σ(.)是定义的两种激活函数，定义如下：

进一步，所述隐层的神经元的输出计算公式为：

y_t＝W_ymm_t+b_y，

式中，W_ym是输出向量的权重矩阵，b_y输出向量的偏差。

进一步，所述残差Re求取如下：

式中：为长短时记忆神经网络的预测值，y为观测值；

所述故障阈值为：

λ＝μ(R_e)+3σ²(R_e)

残差序列的均值和方差求取方法分别为：

式中：R_ei为不同时刻对应的Re值。

进一步，将所述训练样本分为多个批次输入所述长短时记忆神经网络进行训练，每一批次的训练样本数逐次增加，且在后一批次中的训练样本，包含在前一批次的所有训练样本，直至最后一个批次输入所有的训练样本。

进一步，每一批次所用的训练样本数成等差数列递增，所述等差数列的差值等于第一批次所用的训练样本数。

进一步，所述输入层包含5个并列的神经元，所述隐层包括128个并列的神经元，所述LSTM层包括256个并列的记忆模块，所述输出层包含1个神经元。

进一步，所述置信度取99.74％。

进一步，还包括，利用已知故障类型的传感器，从每类故障类型所对应的传感器输出序列以及传感器健康时的传感器输出序列中，各选取多个样本序列作为第二训练样本；

利用Tsfresh工具包，对上述第二训练样本进行前624种特征值的提取，每一第二训练样本的统计特征集；

以每一第二训练样本的统计特征集为输入，对一LSTM分类器进行针对所述每种故障类型的分类训练；

利用Tsfresh工具包，对被判断为发生故障的传感器的输出序列进行前624种特征值的提取，获得分类特征集；

将分类特征集输入训练好的LSTM分类器进行分类，分类结果则为所述发生故障的传感器的故障类型。

本方法首先利用结构以及传感器均健康时的数据，训练具有“记忆”的长短时记忆神经网络，这样的神经网络在对具有时序的输入的数据的预测上具有先天的优势，而由于训练数据采集时，桥梁结构以及传感器均健康，所以训练好的神经网络对于桥梁结构以及传感器均健康时的数据可以做到非常精确的预测，也就是说当桥梁结构以及传感器均健康时，预测值与真实的测量值之间的残差会非常的小，反过来则可以推断，如果预测值与真实的测量值之间的残差过大，则意味着要么桥梁结构不健康，要么传感器本身出现了故障。

另一方面，本方法利用统计规律，首先在训练时统计残差序列的均值及方差来锁定桥梁结构以及传感器均健康时，利用神经网络所得到的预测值与真实的测量值间的残差的正常“波动范围”，即故障阈值，而长短时记忆神经网络对与此类具有时序的输入数据的预测，可以达到很高的精度，这也就是意味着，由于预测本身所带来的残差范围非常小，于是可以很精确的诊断出较小故障幅度的故障；

于是，在实际诊断时，先对比利用某传感器的某一段输出数据序列所得到的残差序列中，是否出现有残差值超过了正常的“波动范围”，也就残差值是否大于了故障阈值，再统计残差值大于故障阈值的情况在整个残差序列中的出现占比，通过该占比是否达到了统计“置信度”来最终判断该传感器是否异常；最后，为了区别传感器故障和结构不健康(受损)这两种都可能带来异常的情形，本方法以事先划分的同一子结构内，是单个还是多个传感器出现异常来区分判断当前状况属于传感器故障和结构不健康中的哪一种，这是因为如果结构上出现受损的情况，必定会带来可以监察到该子结构的多个传感器的数据异常，反之，如果与同一子结构相关的多个传感器中仅一个出现异常，则不符合力学规律，所以可以断定是传感器本身出现了故障；

而对于长短时记忆神经网络的训练，是一个逐渐优化的过程，通常在完成一个阶段的训练和参数优化后，再利用全新的训练样本进行训练；本发明采取逐次增加训练样本的策略，利用了长短时记忆神经网络具有“记忆”的特点，后一批次的训练样本包含在前一批次的所有训练样本，最大限度的利用长短时记忆神经网络对时序信号的“记忆”，在每一阶段的训练中保持训练样本在时间上的延续性，从而逐次迭代，使得训练好的神经网络的预测准确度更高。

Tsfresh是开源的提取时序数据特征的python工具包，可以自动提取出4764种时序信号的统计特征，本例中将所提取的所有特征进行特征选择，只保留可以正确区分所有故障的统计特征(624种)来计算每一训练样本的统计特征集，选取的特征值主要特征包括：时间序列的平方和、返回序列的连续变化的绝对值之和、近似熵、自回归模型系数、小于均值的最长连续子序列长度、大于均值的最长连续子序列长度等。利用对每一训练样本计所算出的统计特征集作为LSTM分类器的分类标准，以已知的故障类型，如恒偏差、线性漂移、恒增益、卡死和底噪以及传感器健康这六种情况为分类目标，从初始开始训练LSTM分类器，目的是让训练好的LSTM分类器可以根据输入的分类特征集，判断输出该样本的传感器发生了何种故障。

综上所述，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，可以非常准确的诊断出传感器的异常并且分辨出造成异常的原因是否为传感器故障所致。此方法应用在大型桥梁结构健康监测系统中，对保证大型土木结构的正常使用以及后期结构安全状态正确评估具有重要意义。

附图说明

图1为本发明实施例中的长短时记忆神经网络(LSTM NN)的结构示意图。

图2为图1中LSTM层所包含的记忆模块的示意性框图。

图3为本发明实施例中的三跨连续梁模型的示意图。

图4为本发明实施例中的三跨连续梁模型上的传感器布置位置示意图。

图5为本发明实施例中利用仿真得到的仅传感器故障时的异常数据统计图。

图6本发明实施例中利用仿真得到的发生结构损伤时的异常数据统计图。

图7为发明实施例中的试验例1的示意图。

图8为图7中的试验例1中传感器故障和结构损伤分别发生的异常数据统计图。

图9为通过本发明实施例中的试验例2所得的各故障类型的分类判断准确率统计图。

具体实施方式

本实施例中所采用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，包括以下步骤：

1.定义子结构：子结构为连续梁中的一跨或框架结构中某一杆件单元，如一根梁或一根柱。

2.采集子结构和传感器均健康时，桥梁上每一传感器的输出数据序列作为相应传感器的训练样本集。

3.利用Keras平台，构建如图1中所示的长短时记忆神经网络(LSTM NN)，该网络依次包括一输入层、一隐层、一LSTM层、二隐层及一输出层；其中输入层包含5个并列的神经元，每一隐层包括128个并列的神经元，LSTM层包括256个并列的记忆模块；输出层则包含1个神经元，层与层的神经元/记忆模块之间均采用现有技术中的全连接方式，在此不作赘述。

LSTM层中的记忆模块，采用了具有“peephole”的内部层间结构，具体如图2所示。

LSTM记忆模块通过刻意的设计来避免长期依赖问题，本实施例中的每个记忆模块中包含四个交互的层，分别为输入门层(Input Gate)、忘记门层(Forget Gate)、更新门层(Cell activition)以及输出门层(Output Gate)。

输入门层，该门包含两个部分，第一部分，通过sigmoid函数决定需要输入什么值，即I_t，另一部分，通过tanh函数创建一个新的候选值向量该向量会被加入到细胞状态C_t中。此过程计算公式为：

I_t＝σ(W_ixx_t+W_imm_t-1+W_icc_t-1+b_i)

式中：W_ix是从输入门到输入的矩阵权重，W_im是上一层的输出m_t-1到输入门的矩阵权重，W_ic是输入门peephole连接的对角权重矩阵，peephole连接使得其他门能够在由输出门处理之前知道存储单元的真实状态，b_i是输入门偏差，W_cx是从更新门到输入的矩阵权重，W_cm是上一层的输出m_t-1到更新门的矩阵权重，b_c是更新门偏差。

忘记门层，该门层会读取上一层的输出m_t-1和当前时间点的输入x_t，输出一个在0到1之间的数值，将其赋值给当前细胞状态C_t-1中，其中f_t计算公式为：

f_t＝σ(W_fxx_t+W_fmm_t-1+W_fcc_t-1+b_f)

式中：W_fx是从忘记门到输入的矩阵权重，W_fm是上一层的输出m_t-1到忘记门的矩阵权重，W_fc是忘记门peephole连接的对角权重矩阵，b_f是忘记门偏差。

更新门层，该层更新旧细胞状态，将C_t-1更新为C_t，此过程公式如下：

其中：表示两个向量的标量乘积，b_c是更新门偏差。

输出门层，该层输出将会基于细胞的状态，但是也是一个过滤后的版本，首先，运行一个sigmoid层来确定细胞状态的哪个部分将输出出去，接着，把细胞状态通过tanh进行处理(得到一个在-1到1之间的值)并将它和sigmoid门的输出相乘，最终会输出确定输出的那部分，该层计算公式为：

o_t＝σ(W_oxx_t+W_omm_t-1+W_occ_t-1+b_o)

y_t＝W_ymm_t+b_y

式中：W_ox是从输出门到输入的矩阵权重，W_om是上一层的输出m_t-1到输出门的矩阵权重，W_OC是输出门peephole连接的对角权重矩阵，b_o是输出门偏差，W_ym是输出向量的权重矩阵，b_y输出向量的偏差；

tanh(.)和σ(.)是定义的两种激活函数，表达式如下：

4.利用采集到训练样本集对所构建的网络进行训练，将所述训练样本分为多个批次输入所述长短时记忆神经网络进行训练，每一批次所用的训练样本数成等差数列递增，所述等差数列的差值等于第一批次所用的训练样本数，在后一批次中的训练样本，包含在前一批次的所有训练样本，直至最后一个批次输入所有的训练样本；本实施例采用神经网络所通用的训练方案进行训练，以求得到用于预测的各个权值矩阵和偏差的值，即神经网络的参数，该过程为现有技术，在此不做赘述。

5.利用训练好的网络进行预测，并计算训练样本集中观测值与预测值之间的残差，并确定故障阈值；

将统计学中参数置信区间的思想应用于阈值的设计，残差Re求取如下：

式中：为预测值，y为观测值，残差的均值和方差求取方法分别为：

式中：R_ei为不同时刻对应的Re值；

置信度为(1-α)的均值的置信区间可表示为：

式中：α为置信水平；z为与置信水平相关的系数。在实际应用中，置信度(1-α)通常选为95％～99.99％，这里取置信度为99.74％，Z取3，于是，根据拉依达准则得故障阈值为：

λ＝μ(R_e)+3σ²(R_e)

6.同样的方法确定所有传感器的长短时记忆神经网络参数和故障阈值。

7.在子结构和传感器本身的健康状态未知时，利用训练好的长短时记忆神经网络，计算此时各传感器的输出数据序列的残差序列。

8.将计算所得残差序列与所设故障阈值进行比较，如果该残差序列中未超过故障阈值的占比超过99.74％置信度范围，则认为数据正常，反之，则认为数据异常；如果同一个子结构中的所有传感器数据均异常则认为结构损伤，如果单个传感器数据异常则认为传感器故障。

9.利用已知故障类型的传感器，从每类故障类型所对应的传感器输出序列以及传感器健康时的传感器输出序列中，各选取多个样本序列作为第二训练样本集；

利用Tsfresh工具包，对上述第二训练样本进行前624种特征值的提取，每一第二训练样本的统计特征集；

用所述统计特征集，对一LSTM分类器进行针对所述每种故障类型的分类训练；利用Tsfresh工具包，对被判断为发生故障的传感器的输出序列进行前624种特征值的提取，获得分类特征集。

下面通过对上述方法的计算机仿真和试验进一步详细说明：

一.计算机仿真例；

采用ANSYS软件建立三跨连续梁模型，如图3所示模型的弹性模量E＝3×10¹⁰N/m²，泊松比μ＝0.3，密度ρ＝2500kg/m³，模型尺寸为梁长40m，截面为矩形，尺寸为0.25m×0.6m。将三跨连续梁均分为200个单元，即每个单元长度为0.2m。采用白噪声地脉动作为连续梁的激励，使用Newmark-β法计算连续梁的加速度时程响应。假设加速度传感器布设在距离左端支座3m、6m、9m、15m、18m、21m、25m、33m、35m、38m处，共计10个传感器，依次编号为1～10，如图4所示，可在传感器S5到S6之间模拟30％的结构损伤。

(1)定义图4中的中间跨为子结构，设定所有传感器和结构健康，提取各个传感器的加速度时程响应，采样频率为200Hz，采样时长200s，共40000个时间点的数据；

(2)将所提取的加速度时程响应按时间顺序划分，前68％的响应作为训练样本集对长短时记忆神经网络进行训练，后32％的响应则留作测试集；训练中第一批次采用100个样本进行训练；第二批次采用200个样本进行训练，并包含前一批次的100个样本；以此类推，直至最后一个批次的训练样本为所有的训练样本，最终得到训练好的LSTM神经网络。

(3)根据上一节计算公式所示计算各个传感器的故障阈值，每跨随机选取一个传感器作为示例如下表：

表1传感器阈值

(4)在传感器S1的测试集中，人为添加四种传感器常见故障(卡死，增益，偏差，纯噪声)，对所提算法进行验证。当仅传感器S1故障时由各传感器测试集序列所得的残差序列中各自异常数据的占比统计结果如图5所示。由图中可知，当仅传感器S1被设定为不同的故障时，均出现了传感器S1测试集序列所得的残差序列中异常数据的百分比占比(纵轴)超过0.26％的残差值超过了传感器S1的故障阈值0.0455，也就是说正常数据的占比不在99.74％的置信范围内，所以被判定为异常，而由其他传感器的测试集序列所得的残差序列中的异常数据的百分比占比(纵轴)均低于0.26％，均被判定为正常，所以从统计结果中，传感器S1出现故障的情况可以被识别出来。

(5)在传感器S5到S6之间模拟30％的结构损伤后，重新取得各各传感器的测试集，重新计算各测试集的残差序列后，统计结果如图6所示，而从图中可知，传感器S4、S5、S6及S7的数据可被判定为异常，而传感器S5到S6之间模拟设定了30％的结构损伤，该损伤还影响到了邻近的传感器S4和S7，该损伤最终带来了整个子结构上的多个传感器异常，因此统计结果有别于单个传感器出现故障的情况，出现结构损伤的情况可以被识别出来了。

二.试验例1传感器是否出现故障的判断

在实验室中对3层两跨钢框架进行了试验，其加速度传感器布置如图7所示。梁、柱由350mm×65mm×4mm钢板组成，与L型钢板和两根螺栓连接。用12mm厚的钢板模拟地基，结构整体受到环境激励。采样频率为200Hz，研究的采样持续时间为300秒。在本结构中，左侧3层边柱被定义为一个子结构。以同样的计算流程进行训练与计算，对各传感器所对应的残差序列中的残差是否超过故障阈值的统计结果如图8所示，并可以得到与仿真例相同的结果，即：

当仅传感器S1被设定为故障时，出现了传感器S1测试集序列所得的残差序列中异常数据的百分比占比(纵轴)超过0.26％的残差值超过了传感器S1的故障阈值，也就是说正常数据的占比低于99.74％的置信范围，所以被判定为异常，而由其他传感器的测试集序列所得的残差序列中的异常数据的百分比占比(纵轴)均低于0.26％，均被判定为正常，所以从统计结果中，传感器S1出现故障的情况可以被识别出来。

而当传感器S1到S2之间的钢板换成具有损伤的钢板时，该子结构上传感器S1和S2，以及与S2十分接近的传感器S3的数据可被判定为异常，该损伤最终带来了整个子结构上的所有传感器异常，甚至波及到了临近子结构上的传感器，统计结果有别于单个传感器出现故障的情况，出现结构损伤的情况可以被识别出来了。

三.试验例2故障类型判断：

首先，利用已知出现了故障以及故障的类型的传感器的时序输出作为训练样本；

例如，采用实验例1中的设定，加速度传感器的采样频率为200Hz，每个一样本序列为采样持续时间为10秒所得到的加速度响应时间序列，共有五类已知的故障类型，包括恒偏差、线性漂移、恒增益、卡死和底噪；从每类故障类型所对应的加速度响应以及加速度传感器健康时的加速度响应中，各选取多个样本序列作为训练样本。

利用Tsfresh工具包，对上述训练样本进行自动的特征值提取；

Tsfresh是开源的提取时序数据特征的python工具包，可以自动提取出4764种时序信号的统计特征，本例中将所提取的所有特征进行特征选择，只保留可以正确区分所有故障的统计特征(624种)来计算每一训练样本的统计特征集，选取的特征值主要特征包括：时间序列的平方和、返回序列的连续变化的绝对值之和、近似熵、自回归模型系数、小于均值的最长连续子序列长度、大于均值的最长连续子序列长度等。

利用对训练样本所计算出的统计特征集作为LSTM分类器的分类标准，以五类已知的故障类型，包括恒偏差、线性漂移、恒增益、卡死和底噪以及传感器健康这六种情况为类为分类目标，从初始开始训练LSTM分类器，目的是让训练好的LSTM分类器可以根据输入的分类特征集，判断输出该样本的传感器发生了何种故障，本实施例中的LSTM分类器的结构采用单LSTM层的设置，在其他一些实施例中可以使用结构更为复杂的LSTM分类器，此均为现有技术，在此不做赘述。

在实际监测过程中，截取某段时间内某已经被判定为故障的加速度传感器的加速度响应输出序列为监测样本，监测样本的形式与训练样本相同(本例中，采样频率为200Hz，每个一样本序列采样持续时间为10秒),对该监测样本(本质为一时序信号)通过Tsfresh工具包提取与前述训练时相同的统计特征集，并输入到训练好的LSTM分类器中，从而对当前加速度传感器的故障种类进行分类判断，具体是属于恒偏差、线性漂移、恒增益、卡死和底噪中的哪一种。

于是，利用实验例1中搭建的系统，人为设定传感器S1出现五种故障，恒偏差、线性漂移、恒增益、卡死、底噪以采集训练样本；采集传感器处于健康状态下的训练样本2000个；每种故障情况各采集2000个检测样本，。

利用训练样本训练好LSTM分类器后，将检测样本输入LSTM分类器进行分类测试，并统计分类判断的准确率。

图9中显示了选用不同种类数量的特征值进行训练和分类判断时，各种不同类型的故障/健康的判断准确率(纵轴)，横很轴上，F1表示“恒偏差”、F2表示“线性漂移”，F3表示“恒增益”，F4表示“卡死”，F5表示“底噪”，H1表示“健康”。

从图中得知，当选用624种特征值进行训练和分类判断时，各类故障的判断准确率均达到或者接近最高值，其中，对于健康(H1)的判断准确率可以达到100％，恒偏差(F1)的判断准确率为97.6％，线性漂移(F2)的判断准确率为93.3％，恒增益(F3)的判断准确率达到98.5％，卡死(F4)的判断准确率：达到67.7％,底噪(F5)的判断准确率达到65.6％。总的判断准确率达到86.7％。

另一方面，随着选用特征种类数的提高，各类情况的判断准确率均有上升，但特征值种类数量从624增加至724时，在采用同样算力配置的情况下，计算耗时从40分钟陡增至1小时20分钟；特征值种类数量增加至824种时，计算耗时更是增加到了2小时17分钟；而各类故障的判断准确率却仅有十分微小的提升甚至没有任何提升。由此可知，选取624种特征值进行训练和计算，其计算效率为特征种类数取724时的两倍，特征种类数取824时的3.4倍左右。具有最为优选的计算效能。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (10)

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。

2.根据权利要求1所述的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：所述长短时记忆神经网络中，依次包括一输入层、一隐层、一LSTM层、二隐层及一输出层。

3.根据权利要求1所述的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：所述长短时记忆神经网络中LSTM层内的记忆模块具体设置如下：

LSTM层的记忆模块包括输入门层、忘记门层、更新门层以及输出门层；

输入门层，该门会读取上一时间点的细胞状态C_t-1、输出m_t-1和当前时间点的输入x_t，该门包含两个部分，第一部分，通过sigmoid函数决定需要输入什么值，即I_t，另一部分，通过tanh函数创建一个新的候选值向量该向量会被加入到细胞状态C_t中，此过程计算公式为：

I_t＝σ(W_ixx_t+W_imm_t-1+W_icc_t-1+b_i)

式中：W_ix是从输入门到输入的矩阵权重，W_im是上一层的输出m_t-1到输入门的矩阵权重，W_ic是输入门peephole连接的对角权重矩阵，peephole连接使得其他门能够在由输出门处理之前知道存储单元的真实状态，b_i是输入门偏差，W_cx是从更新门到输入的矩阵权重，W_cm是上一层的输出m_t-1到更新门的矩阵权重，b_c是更新门偏差；

忘记门层，该门会读取上一时间点的细胞状态C_t-1、输出m_t-1和当前时间点的输入x_t，将其赋值给当前细胞状态C_t中,所得赋值f_t的计算公式为：

f_t＝σ(W_fxx_t+W_fmm_t-1+W_fcc_t-1+b_f)，

式中：W_fx是从忘记门到输入的矩阵权重，W_fm是上一层的输出m_t-1到忘记门的矩阵权重，W_fc是忘记门连接神经元上一时间点的细胞状态C_t-1的对角权重矩阵，b_f是忘记门偏差；

更新门层，该层更新旧细胞状态，将C_t-1更新为C_t，此过程公式如下：

其中：表示两个向量的标量乘积，b_c是更新门偏差；

输出门层，该层将确定输出部分m_t，计算公式为：

o_t＝σ(W_oxx_t+W_omm_t-1+W_occ_t-1+b_o)

式中：W_ox是从输出门到输入的矩阵权重，W_om是上一层的输出m_t-1到输出门的矩阵权重；W_OC是输出门peephole连接的对角权重矩阵，b_o是输出门偏差；

tanh(·)和σ(·)是定义的两种激活函数，定义如下：

4.根据权利要求2所述的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：所述隐层的神经元的输出计算公式为：

y_t＝W_ymm_t+b_y，

式中，W_ym是输出向量的权重矩阵，b_y输出向量的偏差。

5.根据权利要求1所述的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：所述残差Re求取如下：

式中：为长短时记忆神经网络的预测值，y为观测值；

所述故障阈值为：

λ＝μ(R_e)+3σ²(R_e)

残差序列的均值和方差求取方法分别为：

式中：R_ei为不同时刻对应的Re值。

6.根据权利要求1所述的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：将所述训练样本集中的训练样本分为多个批次输入所述长短时记忆神经网络进行训练，每一批次的训练样本数逐次增加；且在后一批次中的训练样本，包含在前一批次的所有训练样本，直至最后一个批次输入所有的训练样本。

7.根据权利要求6所述的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：每一批次所用的训练样本数成等差数列递增，所述等差数列的差值等于第一批次所用的训练样本数。

8.根据权利要求2所述的基于深度学习的桥梁健康监测系统异常数据来源的方法，其特征在于：所述输入层包含5个并列的神经元，所述隐层包括128个并列的神经元，所述LSTM层包括256个并列的记忆模块，所述输出层包括1个神经元。

9.根据权利要求1所述的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：所述置信度取99.74％。

10.根据权利要求1所述的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，还包括，利用已知故障类型的传感器，从每类故障类型所对应的传感器输出序列以及传感器健康时的传感器输出序列中，各选取多个样本序列作为第二训练样本；

利用Tsfresh工具包，对上述第二训练样本进行前624种特征值的提取，每一第二训练样本的统计特征集；

以每一第二训练样本的统计特征集为输入，对一LSTM分类器进行针对每类故障类型的分类训练；

利用Tsfresh工具包，对被判断为发生故障的传感器的输出序列进行前624种特征值的提取，获得分类特征集；

将分类特征集输入训练好的LSTM分类器进行分类，分类结果则为所述发生故障的传感器的故障类型。