CN112434624A - 结构健康监测数据失真检测方法、系统、装置及存储介质 - Google Patents
结构健康监测数据失真检测方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN112434624A CN112434624A CN202011369191.0A CN202011369191A CN112434624A CN 112434624 A CN112434624 A CN 112434624A CN 202011369191 A CN202011369191 A CN 202011369191A CN 112434624 A CN112434624 A CN 112434624A
- Authority
- CN
- China
- Prior art keywords
- monitoring data
- distortion
- time
- image set
- structural health
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种结构健康监测数据失真检测方法、系统、装置及存储介质,方法包括:获取预设的原始监测数据,并根据原始监测数据的失真类型对原始监测数据进行分类,得到第一监测数据;对第一监测数据进行时频分析,得到第一监测数据的第一时频图;根据第一时频图确定训练图像集和验证图像集,并根据训练图像集和验证图像集建立用于识别失真类型的第一深度学习网络;对待检测的结构健康监测数据进行时频分析得到结构健康监测数据的第二时频图,并将第二时频图输入第一深度学习网络进行识别,得到待检测数据的失真类型。本发明能识别出待检测数据的失真类型,提高了数据失真检测的效率和准确度,可广泛应用于土木工程结构健康监测技术领域。
Description
技术领域
本发明涉及土木工程结构健康监测技术领域,尤其是一种结构健康监测数据失真检测方法、系统、装置及存储介质。
背景技术
结构健康监测(SHM)旨在通过实时监测结构响应和评估结构性能,及时识别结构损伤,已成为土木工程领域的重要研究方向。越来越多的桥梁安装了结构健康监测系统。其中,传感器用于获取结构响应和其他各种监测信息。获取传感器收集的准确数据是SHM的一项重要任务。但是,收集的数据可能受不同因素的影响,例如环境、传感器的质量等。与结构的使用寿命相比,传感器故障变得更加频繁。异常数据可能导致结构安全状态评估出现误报,造成不必要的经济损失。因此,为了对结构进行可靠的在线振动监测,必须提供准确的传感器数据。
以完善的统计理论为背景,基于统计过程控制的异常识别方法得到了广泛的研究与应用。一些经典的数据异常检测方法主要有:基于单变量控制图、基于多变量统计分析和基于模型残差的方法。然而这些传统的检测方法存在以下缺陷:一方面,传统方法只能解决"二分类"问题(即识别为正常或异常);另一方面,由于SHM系统中的数据量巨大,需要多种信号处理技术来检测异常,效率低下,且从海量的SHM数据中提取的特征变化很大,使得异常的数据容易被过度处理或处理不正确,导致检测结果并不准确。
发明内容
本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
为此,本发明实施例的一个目的在于提供一种结构健康监测数据失真检测方法,该方法通过时频分析得到失真数据的时频图,并根据该时频图构建用于识别失真类型的深度学习网络,进而通过该深度学习网络对待检测的结构健康监测数据进行识别。本发明实施例相对现有技术而言,一方面不仅可以识别待检测数据为正常或失真,还可以识别出待检测数据的失真类型,另一方面,提高了数据失真检测的效率,也提升了数据失真检测的准确度。
本发明实施例的另一个目的在于提供一种结构健康监测数据失真检测系统。
为了达到上述技术目的,本发明实施例所采取的技术方案包括:
第一方面,本发明实施例提供了一种结构健康监测数据失真检测方法,包括以下步骤:
获取预设的原始监测数据,并根据所述原始监测数据的失真类型对所述原始监测数据进行分类,得到第一监测数据;
对所述第一监测数据进行时频分析,得到所述第一监测数据的第一时频图;
根据所述第一时频图确定训练图像集和验证图像集,并根据所述训练图像集和所述验证图像集建立用于识别失真类型的第一深度学习网络;
对待检测的结构健康监测数据进行时频分析得到所述结构健康监测数据的第二时频图,并将所述第二时频图输入所述第一深度学习网络进行识别,得到所述结构健康监测数据的失真类型。
进一步地,在本发明的一个实施例中,所述获取预设的原始监测数据,并根据所述原始监测数据的失真类型对所述原始监测数据进行分类,得到第一监测数据这一步骤,其具体包括:
获取预设的原始监测数据并确定所述原始监测数据的失真类型;
根据失真类型对所述原始监测数据进行数据分类,得到若干个失真数据集合,并根据失真类型对所述失真数据集合进行标注,得到第一监测数据;
其中,所述失真类型包括缺失失真、次小值失真、离群值失真、超量程振荡失真、趋势失真以及漂移失真。
进一步地,在本发明的一个实施例中,所述对所述第一监测数据进行时频分析,得到所述第一监测数据的第一时频图这一步骤,其具体为:
通过小波变换或短时傅里叶变换对所述第一监测数据进行预处理,得到包含时域信息和频域信息的第一时频图。
进一步地,在本发明的一个实施例中,所述根据所述第一时频图确定训练图像集和验证图像集,并根据所述训练图像集和所述验证图像集建立用于识别失真类型的第一深度学习网络这一步骤,其具体包括:
以预设比例从所述第一时频图中随机抽取第一样本和第二样本;
根据失真类型分别对所述第一样本和所述第二样本进行标注,并根据标注后的第一样本建立训练图像集、根据标注后的第二样本建立验证图像集;
将所述训练图像集和所述验证图像集输入到预设深度学习网络,训练得到用于识别失真类型的第一深度学习网络。
进一步地,在本发明的一个实施例中,所述第一深度学习网络包括依次连接的第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一全连接层、第二全连接层以及第三全连接层,所述第一卷积层用于输入所述第二时频图,所述第三全连接层用于输出所述待检测数据的失真类型。
进一步地,在本发明的一个实施例中,所述结构健康监测数据失真检测方法还包括以下步骤:
根据所述第一时频图确定测试图像集,并将所述测试图像集输入所述第一深度学习网络进行识别,并根据识别得到的测试结果确定所述第一深度学习网络的识别性能指标。
进一步地,在本发明的一个实施例中,所述根据识别得到的测试结果确定所述第一深度学习网络的识别性能指标这一步骤,其具体包括:
根据所述测试结果确定各个失真类型的真阳性样本数、假阳性样本数、真阴性样本数以及假阴性样本数;
根据所述真阳性样本数、所述假阳性样本数、所述真阴性样本数以及所述假阴性样本数确定第一深度学习网络的精度、召回率、准确率以及F-Score值。
第二方面,本发明实施例提出了一种结构健康监测数据失真检测系统,包括:
监测数据分类模块,用于获取预设的原始监测数据,并根据所述原始监测数据的失真类型对所述原始监测数据进行分类,得到第一监测数据;
时频分析模块,用于对所述第一监测数据进行时频分析,得到所述第一监测数据的第一时频图;
深度学习网络建立模块,用于根据所述第一时频图确定训练图像集和验证图像集,并根据所述训练图像集和所述验证图像集建立用于识别失真类型的第一深度学习网络;
识别模块,用于对待检测的结构健康监测数据进行时频分析得到所述结构健康监测数据的第二时频图,并将所述第二时频图输入所述第一深度学习网络进行识别,得到所述结构健康监测数据的失真类型。
第三方面,本发明实施例提供了一种结构健康监测数据失真检测装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行时,使得所述至少一个处理器实现上述的一种结构健康监测数据失真检测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于执行上述的一种结构健康监测数据失真检测方法。
本发明的优点和有益效果将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到:
本发明实施例根据失真类型对原始监测数据进行分类得到第一监测数据,通过时频分析得到第一监测数据的时频图,该时频图包括第一监测数据的时域信息和频域信息,并根据该时频图构建用于识别失真类型的深度学习网络,进而通过该深度学习网络对待检测的结构健康监测数据进行识别。本发明实施例相对现有技术而言,一方面由于对失真数据进行了分类,训练得到的深度学习网络不仅可以识别待检测数据为正常或失真,还可以识别出待检测数据的失真类型,另一方面,由于本发明实施例采用时频图作为训练图像和验证图像集,不仅提高了数据失真检测的效率,也提升了数据失真检测的准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面对本发明实施例中所需要使用的附图作以下介绍,应当理解的是,下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例,对于本领域的技术人员来说,在无需付出创造性劳动的前提下,还可以根据这些附图获取到其他附图。
图1为本发明实施例提供的一种结构健康监测数据失真检测方法的步骤流程图;
图2为本发明实施例提供的一种结构健康监测数据失真检测方法的具体实施流程示意图;
图3为本发明实施例提供的一种结构健康监测数据失真检测系统的结构框图;
图4为本发明实施例提供的一种结构健康监测数据失真检测装置的结构框图;
图5为本发明实施例提供的各失真类型的失真数据示意图;
图6为本发明实施例提供的各失真类型对应的第一时频图;
图7为本发明实施例提供的第一深度学习网络对各个图像集进行识别的准确率及F-Score值示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中,多个的含义是两个或两个以上,如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。此外,除非另有定义,本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。
参照图1,本发明实施例提供了一种结构健康监测数据失真检测方法,具体包括以下步骤:
S101、获取预设的原始监测数据,并根据原始监测数据的失真类型对原始监测数据进行分类,得到第一监测数据;
具体地,本发明实施例先获取预先原始监测数据,同时确定原始监测数据的失真类型,根据失真类型对失真数据进行分类得到第一监测数据。本发明实施例中,失真类型包括缺失失真、次小值失真、离群值失真、超量程振荡失真、趋势失真以及漂移失真,各失真类型的失真数据的如图5所示,其中,(a)对应缺失失真,(b)对应次小值失真,(c)对应离群值失真,(d)对应超量程振荡失真,(e)对应趋势失真,(f)对应漂移失真。步骤S101具体包括以下步骤:
S1011、获取预设的原始监测数据并确定原始监测数据的失真类型;
S1012、根据失真类型对原始监测数据进行数据分类,得到若干个失真数据集合,并根据失真类型对失真数据集合进行标注,得到第一监测数据。
具体地,失真类型根据原始检测数据关于失真类型的具体描述确定,缺失失真即传感器大部分/所有数据丢失或者所有数据恒定为一个常数;次小值失真即振动响应以微小振幅振荡,类似一个锯齿状;离群值失真即数据中出现一个或者多个离群值;超量程振荡失真即振动响应在加速度计范围内异常振荡,类似一个矩形;趋势失真即振动响应是非平稳的,具有单调的趋势;漂移失真即振动响应为非平稳随机漂移。
本发明实施例先将失真数据按照不同的失真类型进行分类,便于后续根据不同失真类型的时频图进行深度学习网络的训练,从而能够对待检测数据的失真类型进行识别。
S102、对第一监测数据进行时频分析,得到第一监测数据的第一时频图;
具体地,可通过小波变换或短时傅里叶变换对第一监测数据进行预处理,得到包含时域信息和频域信息的第一时频图。本发明实施例根据小波变换理论,通过连续小波变换滤波器组,求解出第一监测数据的小波变换系数,根据小波变换系数绘制出第一时频图,各失真类型对应的第一时频图如图6所示,其中,(a)对应缺失失真,(b)对应次小值失真,(c)对应离群值失真,(d)对应超量程振荡失真,(e)对应趋势失真,(f)对应漂移失真。
可以理解的是,本发明实施例通过小波变换得到的第一时频图同时包括失真数据的时域信息和频域信息,无需对失真数据进行多次处理分别获取时域信息和频域信息,避免了失真数据的过度处理,进而提高了数据失真检测的效率,也提升了数据失真检测的准确度。
S103、根据第一时频图确定训练图像集和验证图像集,并根据训练图像集和验证图像集建立用于识别失真类型的第一深度学习网络;
进一步作为可选的实施方式,根据第一时频图确定训练图像集和验证图像集,并根据训练图像集和验证图像集建立用于识别失真类型的第一深度学习网络这一步骤S103,其具体包括:
S1031、以预设比例从第一时频图中随机抽取第一样本和第二样本;
S1032、根据失真类型分别对第一样本和第二样本进行标注,并根据标注后的第一样本建立训练图像集、根据标注后的第二样本建立验证图像集;
S1033、将训练图像集和验证图像集输入到预设深度学习网络,训练得到用于识别失真类型的第一深度学习网络。
进一步作为可选的实施方式,第一深度学习网络包括依次连接的第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一全连接层、第二全连接层以及第三全连接层,第一卷积层用于输入第二时频图,第三全连接层用于输出待检测数据的失真类型。
具体地,本发明实施例中,第一深度学习网络包含8个带权重的层:前5层是卷积层,剩下的3层是全连接层。最后一层全连接层的输出是7维softmax的输入,softmax会产生7类标签的分布,7个标签分别对应6种失真类型的标签以及数据正常的标签。相关说明如下:
第一卷积层:输入数据尺寸为227×227×3,使用96个大小为11×11、步长为4的卷积核,对数据进行卷积提取得到的数据尺寸为55×55×96;池化层窗口大小为3×3、步长为2,经池化后得到的数据尺寸为27×27×96。
第二卷积层(上接第一卷积层):输入数据尺寸为27×27×96,使用256个大小为5×5、步长为1的卷积核,对数据进行卷积提取得到的数据尺寸为27×27×256;池化层窗口大小为3×3、步长为2,经池化后得到的数据尺寸为13×13×256。
第三卷积层(上接第二卷积层):输入数据尺寸为13×13×256,使用384个大小为3×3、步长为1的卷积核,对数据进行卷积提取得到的数据尺寸为13×13×384。
第四卷积层(上接第三卷积层):输入数据尺寸为13×13×384,使用384个大小为3×3、步长为1的卷积核,对数据进行卷积提取得到的数据尺寸为13×13×384。
第五卷积层(上接第四卷积层):输入数据尺寸为13×13×384,使用256个大小为3×3、步长为1的卷积核,对数据进行卷积提取得到的数据尺寸为13×13×256;池化层窗口大小为3×3、步长为2,经池化后得到的数据尺寸为6×6×256。
第一全连接层(上接第五卷积层):输入数据尺寸为6×6×256,输出数据尺寸为4096。丢弃概率为0.5。
第二全连接层(上接第一全连接层):输入数据尺寸为4096,输出数据尺寸为4096。丢弃概率为0.5。
第三全连接层(上接第一全连接层):输入数据尺寸为4096,输出数据尺寸为7(即最终分类数)。
S104、对待检测的结构健康监测数据进行时频分析得到结构健康监测数据的第二时频图,并将第二时频图输入第一深度学习网络进行识别,得到结构健康监测数据的失真类型。
本发明实施例根据失真类型对原始监测数据进行分类得到第一监测数据,通过时频分析得到第一监测数据的时频图,该时频图包括第一监测数据的时域信息和频域信息,并根据该时频图构建用于识别失真类型的深度学习网络,进而通过该深度学习网络对待检测的结构健康监测数据进行识别。本发明实施例相对现有技术而言,一方面由于对失真数据进行了分类,训练得到的深度学习网络不仅可以识别待检测数据为正常或失真,还可以识别出待检测数据的失真类型,另一方面,由于本发明实施例采用时频图作为训练图像和验证图像集,不仅提高了数据失真检测的效率,也提升了数据失真检测的准确度。
进一步作为可选的实施方式,结构健康监测数据失真检测方法还包括以下步骤:
根据第一时频图确定测试图像集,并将测试图像集输入第一深度学习网络进行识别,并根据识别得到的测试结果确定第一深度学习网络的识别性能指标。
具体地,本发明实施例对第一时频图随机抽取样本划分为三个图像集:训练图像集、验证图像集以及测试图像集,其比例设为训练图像集:验证图像集:测试图像集=4:3:3。其中,训练图像及和验证图像集用于训练深度学习网络,测试图像集用于对训练得到的第一深度学习网络进行识别性能的评估,后续可根据得到的识别性能指标确定第一深度学习网络是否可用于数据失真检测,当识别性能指标不满足预设的要求时,可重新获取样本失真数据训练深度学习网络或调整深度学习网络参数。
进一步作为可选的实施方式,根据识别得到的测试结果确定第一深度学习网络的识别性能指标这一步骤,其具体包括:
A1、根据测试结果确定各个失真类型的真阳性样本数、假阳性样本数、真阴性样本数以及假阴性样本数;
A2、根据真阳性样本数、假阳性样本数、真阴性样本数以及假阴性样本数确定第一深度学习网络的精度、召回率、准确率以及F-Score值。
具体地,真阳性表示正确分类为对象失真类型的样本数,假阳性表示从其他失真类型错误分类为对象失真类型的样本数量;真阴性表示属于其他失真类型且正确分类的样本数;假阴性表示被归类为对象失真类型中其他失真类型的样本数。各识别性能指标的计算方法如下:
根据上述识别性能指标可以对第一深度学习网络的识别性能进行评估,当其中一个或多个指标不满足预设要求时,可重新获取原始失真数据训练深度学习网络,直至识别性能达标。
以上对本发明的方法步骤进行了说明,下面结合附图对本发明一具体实施例的实施流程以及检测效果进行说明。
参照图2,本发明实施例首先对原始监测数据的失真类型进行分类得到第一监测数据,然后通过时频分析得到第一监测数据的第一时频图,按照预设的比例将第一时频图划分为训练图像集、验证图像集和测试图像集,根据训练图像集和验证图像集训练得到第一深度学习网络,然后根据测试图像集对第一深度学习网络进行测试得到其识别性能,确定第一深度学习网络的识别性能符合预设要求后,输入待检测的结构健康检测数据的第二时频图进行识别分类。
本发明实施例中,第一监测数据中各失真类型的数量及在各个图像集中的分布如下表1所示。
表1
本发明实施例中,第一深度学习网络对各个图像集进行识别的准确率及F-Score值如图7所示,其中(a)为对训练图像集识别的准确率,(b)为对验证图像集识别的准确率,(c)为对测试集识别的准确率,(d)为对各类数据识别的F-Score值。由图7可知,正常、缺失和超量程振荡的识别准确率分别在训练集、验证集、测试集中的均以超过98%;识别效果最差的为离群值,在测试集中的识别准确率仅为82.3%;根据F-Score值,可以将这7类数据所对应的识别性能分为三档:正常、缺失和超量程振荡为第一档;次小值和趋势为第二档;离群值和漂移为第三档。
由上可知,采用本发明实施例的方法,从整体上来看数据失真检测的准确度较高,且可以识别出数据失真的类型,可应用于土木工程结构健康检测中。
参照图3,本发明实施例提供了一种结构健康监测数据失真检测系统,包括:
监测数据分类模块,用于获取预设的原始监测数据,并根据原始监测数据的失真类型对原始监测数据进行分类,得到第一监测数据;
时频分析模块,用于对第一监测数据进行时频分析,得到第一监测数据的第一时频图;
深度学习网络建立模块,用于根据第一时频图确定训练图像集和验证图像集,并根据训练图像集和验证图像集建立用于识别失真类型的第一深度学习网络;
识别模块,用于对待检测的结构健康监测数据进行时频分析得到结构健康监测数据的第二时频图,并将第二时频图输入第一深度学习网络进行识别,得到结构健康监测数据的失真类型。
上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
参照图4,本发明实施例提供了一种结构健康监测数据失真检测装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当上述至少一个程序被上述至少一个处理器执行时,使得上述至少一个处理器实现上述的一种结构健康监测数据失真检测方法。
上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例还提供了一种计算机可读存储介质,其中存储有处理器可执行的程序,该处理器可执行的程序在由处理器执行时用于执行上述一种结构健康监测数据失真检测方法。
本发明实施例的一种计算机可读存储介质,可执行本发明方法实施例所提供的一种结构健康监测数据失真检测方法,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图1所示的方法。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或上述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,上述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印上述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得上述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的上述描述中,参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于上述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种结构健康监测数据失真检测方法,其特征在于,包括以下步骤:
获取预设的原始监测数据,并根据所述原始监测数据的失真类型对所述原始监测数据进行分类,得到第一监测数据;
对所述第一监测数据进行时频分析,得到所述第一监测数据的第一时频图;
根据所述第一时频图确定训练图像集和验证图像集,并根据所述训练图像集和所述验证图像集建立用于识别失真类型的第一深度学习网络;
对待检测的结构健康监测数据进行时频分析得到所述结构健康监测数据的第二时频图,并将所述第二时频图输入所述第一深度学习网络进行识别,得到所述结构健康监测数据的失真类型。
2.根据权利要求1所述的一种结构健康监测数据失真检测方法,其特征在于,所述获取预设的原始监测数据,并根据所述原始监测数据的失真类型对所述原始监测数据进行分类,得到第一监测数据这一步骤,其具体包括:
获取预设的原始监测数据并确定所述原始监测数据的失真类型;
根据失真类型对所述原始监测数据进行数据分类,得到若干个失真数据集合,并根据失真类型对所述失真数据集合进行标注,得到第一监测数据;
其中,所述失真类型包括缺失失真、次小值失真、离群值失真、超量程振荡失真、趋势失真以及漂移失真。
3.根据权利要求1所述的一种结构健康监测数据失真检测方法,其特征在于,所述对所述第一监测数据进行时频分析,得到所述第一监测数据的第一时频图这一步骤,其具体为:
通过小波变换或短时傅里叶变换对所述第一监测数据进行预处理,得到包含时域信息和频域信息的第一时频图。
4.根据权利要求1所述的一种结构健康监测数据失真检测方法,其特征在于,所述根据所述第一时频图确定训练图像集和验证图像集,并根据所述训练图像集和所述验证图像集建立用于识别失真类型的第一深度学习网络这一步骤,其具体包括:
以预设比例从所述第一时频图中随机抽取第一样本和第二样本;
根据失真类型分别对所述第一样本和所述第二样本进行标注,并根据标注后的第一样本建立训练图像集、根据标注后的第二样本建立验证图像集;
将所述训练图像集和所述验证图像集输入到预设深度学习网络,训练得到用于识别失真类型的第一深度学习网络。
5.根据权利要求1所述的一种结构健康监测数据失真检测方法,其特征在于:所述第一深度学习网络包括依次连接的第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一全连接层、第二全连接层以及第三全连接层,所述第一卷积层用于输入所述第二时频图,所述第三全连接层用于输出所述待检测数据的失真类型。
6.根据权利要求1至5任一项所述的一种结构健康监测数据失真检测方法,其特征在于,所述结构健康监测数据失真检测方法还包括以下步骤:
根据所述第一时频图确定测试图像集,并将所述测试图像集输入所述第一深度学习网络进行识别,并根据识别得到的测试结果确定所述第一深度学习网络的识别性能指标。
7.根据权利要求6所述的一种结构健康监测数据失真检测方法,其特征在于,所述根据识别得到的测试结果确定所述第一深度学习网络的识别性能指标这一步骤,其具体包括:
根据所述测试结果确定各个失真类型的真阳性样本数、假阳性样本数、真阴性样本数以及假阴性样本数;
根据所述真阳性样本数、所述假阳性样本数、所述真阴性样本数以及所述假阴性样本数确定第一深度学习网络的精度、召回率、准确率以及F-Score值。
8.一种结构健康监测数据失真检测系统,其特征在于,包括:
监测数据分类模块,用于获取预设的原始监测数据,并根据所述原始监测数据的失真类型对所述原始监测数据进行分类,得到第一监测数据;
时频分析模块,用于对所述第一监测数据进行时频分析,得到所述第一监测数据的第一时频图;
深度学习网络建立模块,用于根据所述第一时频图确定训练图像集和验证图像集,并根据所述训练图像集和所述验证图像集建立用于识别失真类型的第一深度学习网络;
识别模块,用于对待检测的结构健康监测数据进行时频分析得到所述结构健康监测数据的第二时频图,并将所述第二时频图输入所述第一深度学习网络进行识别,得到所述结构健康监测数据的失真类型。
9.一种结构健康监测数据失真检测装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1至7中任一项所述的一种结构健康监测数据失真检测方法。
10.一种计算机可读存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序在由处理器执行时用于执行如权利要求1至7中任一项所述的一种结构健康监测数据失真检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011369191.0A CN112434624A (zh) | 2020-11-30 | 2020-11-30 | 结构健康监测数据失真检测方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011369191.0A CN112434624A (zh) | 2020-11-30 | 2020-11-30 | 结构健康监测数据失真检测方法、系统、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112434624A true CN112434624A (zh) | 2021-03-02 |
Family
ID=74699280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011369191.0A Pending CN112434624A (zh) | 2020-11-30 | 2020-11-30 | 结构健康监测数据失真检测方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112434624A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114623799A (zh) * | 2022-02-10 | 2022-06-14 | 广州大铁锐威科技有限公司 | 结构健康监测数据异常预警方法、系统、装置及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764601A (zh) * | 2018-04-03 | 2018-11-06 | 哈尔滨工业大学 | 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法 |
CN109946389A (zh) * | 2019-01-31 | 2019-06-28 | 青岛理工大学 | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 |
CN111726351A (zh) * | 2020-06-16 | 2020-09-29 | 桂林电子科技大学 | 基于Bagging改进的GRU并行网络流量异常检测方法 |
-
2020
- 2020-11-30 CN CN202011369191.0A patent/CN112434624A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764601A (zh) * | 2018-04-03 | 2018-11-06 | 哈尔滨工业大学 | 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法 |
CN109946389A (zh) * | 2019-01-31 | 2019-06-28 | 青岛理工大学 | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 |
CN111726351A (zh) * | 2020-06-16 | 2020-09-29 | 桂林电子科技大学 | 基于Bagging改进的GRU并行网络流量异常检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114623799A (zh) * | 2022-02-10 | 2022-06-14 | 广州大铁锐威科技有限公司 | 结构健康监测数据异常预警方法、系统、装置及存储介质 |
CN114623799B (zh) * | 2022-02-10 | 2024-03-08 | 广州大铁锐威科技有限公司 | 结构健康监测数据异常预警方法、系统、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20200096861A (ko) | 불량 감지 방법 및 장치 | |
CN111914090B (zh) | 一种企业行业分类识别及其特征污染物识别的方法及装置 | |
CN110370649A (zh) | 3d打印设备的在线监测装置、系统 | |
CN114563150B (zh) | 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置 | |
US20210034918A1 (en) | Method and apparatus for detecting signal features | |
CN116383737B (zh) | 基于聚类对比学习的旋转机械故障诊断方法及系统 | |
Kaji et al. | Constructing a reliable health indicator for bearings using convolutional autoencoder and continuous wavelet transform | |
CN113807396B (zh) | 一种物联网高维数据异常检测方法、系统、装置及介质 | |
CN109254577A (zh) | 一种基于深度学习的智能制造过程故障分类方法及装置 | |
CN112733884A (zh) | 焊接缺陷识别模型训练方法、装置和计算机终端 | |
CN115034286A (zh) | 一种基于自适应损失函数的异常用户识别方法和装置 | |
CN115456107A (zh) | 一种时间序列异常检测系统及方法 | |
CN116012681A (zh) | 基于声振信号融合的管道机器人电机故障诊断方法及系统 | |
CN112434624A (zh) | 结构健康监测数据失真检测方法、系统、装置及存储介质 | |
JP7115346B2 (ja) | 異常検知装置 | |
Pillai et al. | Deep learning for machine health prognostics using Kernel-based feature transformation | |
CN113723467A (zh) | 用于缺陷检测的样本收集方法、装置和设备 | |
CN106096634B (zh) | 基于自适应滑动窗口算法与区间折半算法的故障检测方法 | |
CN114218487B (zh) | 一种视频推荐方法、系统、装置及存储介质 | |
CN114187292B (zh) | 棉纺纸筒的异常检测方法、装置、设备及存储介质 | |
CN107067034B (zh) | 一种快速识别红外光谱数据分类的方法及系统 | |
CN112132173A (zh) | 一种基于聚类特征树的变压器无监督运行状态识别方法 | |
Singh et al. | Predicting the remaining useful life of ball bearing under dynamic loading using supervised learning | |
Richter et al. | Automatic Defect Detection by Classifying Aggregated Vehicular Behavior | |
Hwang et al. | Anomaly Detection in Time Series Data and its Application to Semiconductor Manufacturing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |