CN112836990B - 隧道监测设备故障判断方法、装置及电子设备 - Google Patents
隧道监测设备故障判断方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112836990B CN112836990B CN202110232602.XA CN202110232602A CN112836990B CN 112836990 B CN112836990 B CN 112836990B CN 202110232602 A CN202110232602 A CN 202110232602A CN 112836990 B CN112836990 B CN 112836990B
- Authority
- CN
- China
- Prior art keywords
- neural network
- value
- tunnel
- data
- layer
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013528 artificial neural network Methods 0.000 claims abstract description 271
- 238000004364 calculation method Methods 0.000 claims abstract description 99
- 238000012549 training Methods 0.000 claims abstract description 80
- 238000012360 testing method Methods 0.000 claims abstract description 79
- 238000012795 verification Methods 0.000 claims abstract description 69
- 238000009826 distribution Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims description 64
- 230000006870 function Effects 0.000 claims description 30
- 238000012806 monitoring device Methods 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 12
- 238000010200 validation analysis Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 6
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 claims description 5
- 238000009827 uniform distribution Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 22
- 230000004913 activation Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000002689 soil Substances 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000004590 computer program Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本申请提供了一种隧道监测设备故障判断方法、装置及电子设备,涉及数据处理技术领域,该方法包括:基于对每个断面的原始隧道数据得到的不同项预处理隧道数据进行相关性计算得到不同项预处理隧道数据之间的相关系数,并基于第一阈值得到相关数据集。在相关数据集中指定对象集、基础集并切分得到训练集、验证集以及测试集。通过权重初始化函数得到神经网络各层的初始权重值,基于训练集、验证集、测试集以及各层的初始权重值通过精度函数分别得到神经网络的精度值。基于各层的精度值分布得到隧道监测设备故障判断结果。本申请基于精度值得到隧道的每个断面的隧道监测设备故障判断结果,提高隧道监测设备故障判断的效率。
Description
技术领域
本申请涉及数据处理技术领域,具体而言,涉及一种隧道监测设备故障判断方法、装置及电子设备。
背景技术
随着我国隧道工程从“以建为主”向“建养并重”转变,以及倡导“新基建”技术发展的指引,我国隧道结构运维监测技术正迅速崛起。但是隧道结构设计使用年限大多在100年及以上,在长期隧道结构监测过程中,由于系统老化、信号采集器失效、电路故障等各种因素的影响,会出现隧道监测失灵的情况。此外,由于隧道结构监测信号采集器具有数量大、体积小、功率低的特点以及有供电与数据传输共用同一线路的情况,因此,现阶段通过人工检测电流、电压等电信号进行隧道监测设备故障判断的技术存在人工作业量大、诊断效率低的问题。
发明内容
本申请的实施例在于提供一种隧道监测设备故障判断方法、装置及电子设备,以解决目前方法进行隧道监测设备故障判断时诊断效率低的问题。
本申请的实施例提供了一种隧道监测设备故障判断方法,所述方法包括:
对获取到的隧道中每个断面的原始隧道数据进行预处理,得到每个断面的预处理隧道数据;
基于每个断面的不同项预处理隧道数据进行相关性计算,得到所述不同项预处理隧道数据之间的相关系数;
筛选出所述相关系数大于第一阈值的预处理隧道数据,得到相关数据集;
以所述相关数据集中的任意一项预处理隧道数据作为对象集,以所述相关数据集中除所述对象集之外的预处理隧道数据作为基础集,基于所述对象集以及所述基础集进行数据切分得到训练集、验证集以及测试集;
通过权重初始化函数进行神经网络权重初始化设置分别得到神经网络各层的初始权重值;
基于所述训练集、所述验证集、所述测试集以及所述各层的初始权重值得到所述神经网络的精度值;
基于所述神经网络的精度值的分布得到所述断面的隧道监测设备故障判断结果。
在上述实现过程中,通过进行相关性计算筛选出相关性较大的各项预处理隧道数据得到所述相关数据集,在所述相关数据集的基础上指定基础集以及对象,并基于基础集和对象集进行数据切分得到输入神经网络的训练集、验证集以及测试集,通过基于所述训练集、所述验证集、所述测试集以及所述各层的初始权重值得到所述神经网络的精度值,以所述精度值的分布呈现出的集中程度判定隧道监测设备是否存在故障,能够避免人工逐一通过隧道监测设备的电信号判断隧道中各个隧道监测设备的工作状态,提高隧道监测设备故障判断的效率。
可选地,所述基于每个断面的不同项预处理隧道数据进行相关性计算,得到所述不同项预处理隧道数据之间的相关系数,包括:
基于每个断面的不同项的预处理隧道数据通过第一计算公式进行两两皮尔森相关性计算得到所述相关系数;
所述第一计算公式包括:
其中,表示r表示每个断面的任意两项预处理隧道数据的相关系数,n表示所述断面中任意一项预处理隧道数据中包括的数据数目,Xi、Yi表示所述断面中任意两项预处理隧道数据中的第i个取值,表示Xi所在项对应的预处理隧道数据的平均值,/>表示Yi所在项对应的预处理隧道数据的平均值,SX表示Xi所在项对应的预处理隧道数据的方差值,SY表示Yi所在项对应的预处理隧道数据的方差值。
在上述实现过程中,皮尔森相关性计算的能够衡量所述预处理隧道数据的中任意两项所述预处理隧道数据之间的线性相关性,并且能够通过皮尔森相关性计算得到的所述相关系数反映出所述预处理隧道数据的中任意两项所述预处理隧道数据之间的相关性的大小,以基于所述相关系数进行数据筛选,筛选出相关性较大的各项所述预处理隧道数据,以避免相关性较低的各项所述预处理隧道数据造成所述神经网络的精度值分布的大幅波动,提高得到所述断面的隧道监测设备故障判断结果的准确性。
可选地,所述通过权重初始化函数进行神经网络权重初始化设置分别得到神经网络各层的初始权重值,包括:
通过第二计算公式计算所述神经网络各层的初始权重值,所述第二计算公式包括:
其中,fanin表示所述神经网络第k层的输入量个数,所述神经网络第k层的初始权重值为[-Lk,Lk]均匀分布中的随机抽取值。
在上述实现过程中,通过[-Lk,Lk]均匀分布的随机抽取值对所述神经网络中各层的权重进行初始化设置,避免因所述神经网络中各层的权重过大导致所述神经网络的每一层取值过大或者接近于0,以避免所述神经网络的每一层的计算失效,提高在所述神经网络的每一层进行计算时的有效性。
可选地,所述基于所述训练集、所述验证集、所述测试集以及所述各层的初始权重值得到所述神经网络的精度值,包括:
基于激活函数、所述训练集、所述验证集、所述测试集以及所述各层的初始权重值计算所述神经网络中的输出值;
基于所述输出值与所述输出值在所述训练集、所述验证集、所述测试集中对应的所述神经网络中的输入值计算所述神经网络的所述神经网络的精度值。
在上述实现过程中,所述神经网络的精度值的分布情况能够反映出所述隧道监测设备的工作状况,当所述神经网络的精度值均呈现较集中的分布状态,表明所述隧道监测设备处于正常工作状态,当所述神经网络的精度值均呈现较分散的分布状态,表明所述隧道监测设备发生故障导致所述神经网络的精度值出现较大的浮动。
可选地,所述基于激活函数、所述训练集、所述验证集、所述测试集以及所述各层的初始权重值计算所述神经网络中的输出值,包括:
基于第三计算公式、所述训练集、所述验证集、所述测试集以及所述各层的初始权重值计算所述神经网络中每一层输出值,所述神经网络的输入为所述训练集、所述验证集或者所述测试集中的预处理隧道数据,所述神经网络的每个隐藏层的输入为所述神经网络的上一层的输出;
所述第三计算公式包括:
其中,xm表示所述神经网络的第m层的输入数据,LeakyReLU(x)m表示所述神经网络的第m层的输入数据的输出数据,a表示修正斜率系数。
在上述实现过程中,所述第三计算公式中的LeakyReLU函数在取值小于零的部分设置一个较小的梯度,由于LeakyReLU函数的导数总是不为零,能够减少所述神经网络中静默神经元的出现,提高所述神经网络计算的准确性。
可选地,所述基于所述输出值与所述输出值在所述训练集、所述验证集、所述测试集中对应的所述神经网络中的输入值计算所述神经网络的所述神经网络的精度值,包括:
基于所述输出值以及所述输出值在所述训练集、所述验证集或所述测试集中对应的所述神经网络中的输入值通过第四计算公式计算所述神经网络的精度值;
所述第四计算公式包括:
其中,R2表示所述神经网络的精度值,x表示所述输出值,xi表示所述输出值在所述训练集、所述验证集或所述测试集中对应的所述神经网络中的输入值中第i个取值,n表示所述输出值在所述训练集、所述验证集或所述测试集中对应的所述神经网络中的输入值的取值数目,表示所述输出值在所述训练集、所述验证集或所述测试集中对应的所述神经网络中的输入值的平均值。
在上述实现过程中,所述神经网络的精度值能够反映所述神经网络的进行隧道监测设备故障判断时的精确程度,所述精度值越高表明所述神经网络在进行隧道监测设备故障判断时的精确度越高。
可选地,所述方法还包括:
基于所述神经网络中每一层的当前权重值以及所述学习率计算得到所述神经网络中每一层的更新后的权重值。
在上述实现过程中,通过所述神经网络中每一层的所述更新后的权重值进行更新,以确保所述神经网络的精度值更高,提高所述神经网络在进行隧道监测设备故障判断时的精确度。
可选地,所述基于所述神经网络中每一层的所述权重值以及所述学习率计算得到所述神经网络中每一层的更新后的权重值,包括:
基于所述神经网络中每一层的所述权重值以及所述学习率,通过第五计算公式计算的所述神经网络中每一层的更新后的权重值;
所述第五计算公式包括:
其中,α表示学习率,wt表示所述神经网络中每一层的所述更新后的权重值,wt-1表示所述神经网络中每一层在得到所述更新后的权重值之前的更新前权重,t表示当前迭代次数,mt=β1*mt-1+(1-β1)*gt,/>β1表示一阶矩估计的指数衰减率,β2表示二阶矩估计的指数衰减率,gt表示当前迭代的平方梯度的移动平均值,∈表示接近于0的常数。
在上述实现过程中,通过不断的迭代以不断更新所述神经网络中每一层的所述更新后的权重值,以确保所述神经网络的精度值更高,提高所述神经网络在进行隧道监测设备故障判断时的精确度。
本申请的实施例提供了一种隧道监测设备故障判断装置,所述隧道监测设备故障判断装置包括:
预处理模块,用于对获取到的隧道中每个断面的原始隧道数据进行预处理,得到每个断面的预处理隧道数据;
相关分析模块,用于基于每个断面的不同项预处理隧道数据进行相关性计算,得到所述不同项预处理隧道数据之间的相关系数;
筛选模块,用于筛选出所述相关系数大于第一阈值的预处理隧道数据,得到相关数据集;
切分模块,用于以所述相关数据集中的任意一项预处理隧道数据作为对象集,以所述相关数据集中除所述对象集之外的预处理隧道数据作为基础集,基于所述对象集以及所述基础集进行数据切分得到训练集、验证集以及测试集;
权重初始化模块,用于通过权重初始化函数进行神经网络权重初始化设置分别得到神经网络各层的初始权重值;
计算模块,用于基于所述训练集、所述验证集、所述测试集以及各层的所述初始权重值得到所述神经网络的精度值;
判定模块,用于基于所述神经网络的精度值的分布得到所述断面的隧道监测设备故障判断结果。
在上述实现过程中,通过进行相关性计算筛选出相关性较大的各项预处理隧道数据得到所述相关数据集,在所述相关数据集的基础上指定基础集以及对象,并基于基础集和对象集进行数据切分得到输入神经网络的训练集、验证集以及测试集,通过基于所述训练集、所述验证集、所述测试集以及所述各层的初始权重值得到所述神经网络的精度值,以所述精度值的分布呈现出的集中程度判定隧道监测设备是否存在故障,能够避免人工逐一通过隧道监测设备的电信号判断隧道中各个隧道监测设备的工作状态,提高隧道监测设备故障判断的效率。
可选地,所述相关分析模块用于:
基于每个断面的不同项的预处理隧道数据通过第一计算公式进行两两皮尔森相关性计算得到所述相关系数;
所述第一计算公式包括:
其中,表示r表示每个断面的任意两项预处理隧道数据的相关系数,n表示所述断面中任意一项预处理隧道数据中包括的数据数目,Xi、Yi表示所述断面中任意两项预处理隧道数据中的第i个取值,表示Xi所在项对应的预处理隧道数据的平均值,/>表示Yi所在项对应的预处理隧道数据的平均值,SX表示Xi所在项对应的预处理隧道数据的方差值,SY表示Yi所在项对应的预处理隧道数据的方差值。
在上述实现过程中,皮尔森相关性计算的能够衡量所述预处理隧道数据的中任意两项所述预处理隧道数据之间的线性相关性,并且能够通过皮尔森相关性计算得到的相所述关系数反映出所述预处理隧道数据的中任意两项所述预处理隧道数据之间的相关性的大小,以基于所述相关系数进行数据筛选,筛选出相关性较大的各项所述预处理隧道数据,以避免相关性较低的各项所述预处理隧道数据造成所述神经网络的精度值分布的大幅波动,提高得到所述断面的隧道监测设备故障判断结果的准确性。
可选地,所述权重初始化模块用于:
通过第二计算公式计算所述神经网络各层的初始权重值,所述第二计算公式包括:
其中,fanin表示所述神经网络第k层的输入量个数,所述神经网络第k层的初始权重值为[-Lk,Lk]均匀分布中的随机抽取值。
在上述实现过程中,通过[-Lk,Lk]均匀分布的随机抽取值对所述神经网络中各层的权重进行初始化设置,避免因所述神经网络中各层的权重过大导致所述神经网络的每一层取值过大或者接近于0,以避免所述神经网络的每一层的计算失效,提高在所述神经网络的每一层进行计算时的有效性。
可选地,所述计算模块用于:
基于激活函数、所述训练集、所述验证集、所述测试集以及所述各层的初始权重值计算所述神经网络中的输出值;
基于所述输出值与所述输出值在所述训练集、所述验证集、所述测试集中对应的所述神经网络中的输入值计算所述神经网络的所述神经网络的精度值。
在上述实现过程中,所述神经网络的精度值的分布情况能够反映出所述隧道监测设备的工作状况,当所述神经网络的精度值均呈现较集中的分布状态,表明所述隧道监测设备处于正常工作状态,当所述神经网络的精度值均呈现较分散的分布状态,表明所述隧道监测设备发生故障导致所述神经网络的精度值出现较大的浮动。
可选地,所述计算模块用于:
基于第三计算公式、所述训练集、所述验证集、所述测试集以及所述各层的初始权重值计算所述神经网络中每一层输出值,所述神经网络的输入为所述训练集、所述验证集或者所述测试集中的预处理隧道数据,所述神经网络的每个隐藏层的输入为所述神经网络的上一层的输出;
所述第三计算公式包括:
其中,xm表示所述神经网络的第m层的输入数据,LeakyReLU(x)m表示所述神经网络的第m层的输入数据的输出数据,a表示修正斜率系数。
在上述实现过程中,所述第三计算公式中的LeakyReLU函数在取值小于零的部分设置一个较小的梯度,由于LeakyReLU函数的导数总是不为零,能够减少所述神经网络中静默神经元的出现,提高所述神经网络计算的准确性。
可选地,所述计算模块用于:
基于所述输出值以及所述输出值在所述训练集、所述验证集或所述测试集中对应的所述神经网络中的输入值通过第四计算公式计算所述神经网络的精度值;
所述第四计算公式包括:
其中,R2表示所述神经网络的精度值,x表示所述输出值,xi表示所述输出值在所述训练集、所述验证集或所述测试集中对应的所述神经网络中的输入值中第i个取值,n表示所述输出值在所述训练集、所述验证集或所述测试集中对应的所述神经网络中的输入值的取值数目,表示所述输出值在所述训练集、所述验证集或所述测试集中对应的所述神经网络中的输入值的平均值。
在上述实现过程中,所述神经网络的精度值能够反映所述神经网络的进行隧道监测设备故障判断时的精确程度,所述精度值越高表明所述神经网络在进行隧道监测设备故障判断时的精确度越高。
可选地,所述隧道监测设备故障判断装置还包括更新模块,所述更新模块用于:
基于所述神经网络中每一层的当前权重值以及所述学习率计算得到所述神经网络中每一层的更新后的权重值。
在上述实现过程中,通过所述神经网络中每一层的更新后的权重值进行更新,以确保所述神经网络的精度值更高,提高所述神经网络在进行隧道监测设备故障判断时的精确度。
可选地,所述更新模块用于:
基于所述神经网络中每一层的所述权重值以及所述学习率,通过第五计算公式计算的所述神经网络中每一层的更新后的权重值;
所述第五计算公式包括:
其中,α表示学习率,wt表示所述神经网络中每一层的所述更新后的权重值,wt-1表示所述神经网络中每一层在得到所述更新后的权重值之前的更新前权重,t表示当前迭代次数,mt=β1*mt-1+(1-β1)*gt,/>β1表示一阶矩估计的指数衰减率,β2表示二阶矩估计的指数衰减率,gt表示当前迭代的平方梯度的移动平均值,∈表示接近于0的常数。
在上述实现过程中,通过不断的迭代以不断更新所述神经网络中每一层的所述更新后的权重值,以确保所述神经网络的精度值更高,提高所述神经网络在进行隧道监测设备故障判断时的精确度。
本实施例还提供了一种电子设备,所述电子设备包括存储器和处理器,所述存储器中存储有程序指令,所述处理器运行所述程序指令时,执行上述任意方法中的步骤。
本实施例还提供了一种存储介质,所述存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器运行时,执行上述任意方法中的步骤。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
图1为本申请实施例提供的一种隧道监测设备故障判断方法的流程图。
图2为本申请实施例提供的一种计算神经网络的精度值的步骤的流程图。
图3为本申请实施例提供的一种隧道监测设备故障判断装置示意图。
图例:90-隧道监测设备故障判断装置;901-预处理模块;902-相关分析模块;903-筛选模块;904-切分模块;905-权重初始化模块;906-计算模块;907-判定模块;908-更新模块。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
在本申请的描述中,需要说明的是,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例而了解。本申请的目的和其他优点可通过在所写的说明书、以及附图中所特别指出的结构来实现和获得。
可以理解的是,隧道监测设备可以为隧道各个断面的信号采集器,为了判断各个信号采集器的工作状态是否出现故障,本申请的实施例提供了一种隧道监测设备故障判断方法,请参看图1,图1为本申请实施例提供的一种隧道监测设备故障判断方法的流程图,所述隧道监测设备故障判断方法包括以下分步骤:
步骤S1:对获取到的隧道中每个断面的原始隧道数据进行预处理,得到每个断面的预处理隧道数据。
可以理解的是,可以在隧道的每个断面处设置信号采集器,信号采集器用于获取该断面的原设计隧道数据,原始隧道数据包括断面温度、土压力、水压力、隧道倾斜程度等不同项的数据。对原始隧道数据进行预处理,也就是对各项不同量纲的原始隧道数据进行归一化处理得到无量纲的、数值差距较小的预处理隧道数据,降低基于预处理隧道数据进行相关运算的复杂度,提高基于预处理隧道数据进行相关运算的效率。
步骤S2:基于每个断面的不同项预处理隧道数据进行相关性计算,得到不同项预处理隧道数据之间的相关系数。
可以理解的是,以步骤S1中不同项的原始隧道数据为例进行预处理之后得到不同项的原始隧道数据对应的预处理隧道数据,例如断面温度进行预处理之后得到预处理断面温度,土压力进行预处理之后得到预处理土压力,水压力进行预处理之后得到预处理水压力,隧道倾斜程度进行预处理之后得到预处理隧道倾斜程度。不同项预处理数据之间进行相关性计算,能够得到各项与处理数据之间的相关程度。
可选地,步骤S2包括以下分步骤:
步骤S21:基于每个断面的不同项的预处理隧道数据通过第一计算公式进行两两皮尔森相关性计算得到相关系数。
步骤S22:第一计算公式包括:其中,其中,表示r表示每个断面的任意两项预处理隧道数据的相关系数,n表示断面中任意一项预处理隧道数据中包括的数据数目,Xi、Yi表示断面中任意两项预处理隧道数据中的第i个取值,/>表示Xi所在项对应的预处理隧道数据的平均值,/>表示Yi所在项对应的预处理隧道数据的平均值,SX表示Xi所在项对应的预处理隧道数据的方差值,SY表示Yi所在项对应的预处理隧道数据的方差值。
可以理解的是,皮尔森相关性计算的能够衡量各项预处理隧道数据的中任意两项预处理隧道数据之间的线性相关性,并且能够通过皮尔森相关性计算得到的相关系数反映出所述预处理隧道数据的中任意两项所述预处理隧道数据之间的相关性的大小。当相关系数为1的时候,说明参与运算的两项预处理隧道数据的正向相似度最大,当相关系数为-1的时候,说明参与运算的两项预处理隧道数据的反向相似度最大,相关系数的取值区间为[-1,1],当相关系数为0的时候,说明参与运算的两项预处理隧道数据无关。
步骤S3:筛选出相关系数大于第一阈值的预处理隧道数据,得到相关数据集。
可以理解的是,可以根据实际情况设置第一阈值的数值,第一阈值的绝对值越高,得到的相关数据集中的各个预处理隧道变量两两之间的相关程度越高,能够避免相关性较低的各项预处理隧道数据造成神经网络的精度值分布的大幅波动,提高得到断面的隧道监测设备故障判断结果的准确性。可以理解的是,这里的相关系数为所述相关系数的绝对值。作为一种实施方式,将第一阈值设置为0.85或者-0.85。
步骤S4:以相关数据集中的任意一项预处理隧道数据作为对象集,以相关数据集中除对象集之外的预处理隧道数据作为基础集,基于对象集以及基础集进行数据切分得到训练集、验证集以及测试集。
可以理解的是,在相关数据集中任意指定一项预处理隧道数据作为对象集,以步骤S1中的各项预处理隧道数据为例,假设预处理断面温度、预处理土压力、预处理水压力以及预处理隧道倾斜程度两两之间的相关系数的绝对值均大于第一阈值,任意选取预处理断面温度的各个数据作为对象集,将剩余的预处理土压力、预处理水压力以及预处理隧道倾斜程度对应的数据作为基础集,将基础集和对象集的数据随机抽取70%作为训练集,将基础集和对象集的数据随机抽取20%作为验证集,将基础集和对象集的数据随机抽取10%得到测试集作为神经网络的输入值。可以理解的是数据切分比例70%、20%以及10%并不唯一,可以根据实际情况进行设定。
步骤S5:通过权重初始化函数进行神经网络权重初始化设置分别得到神经网络各层的初始权重值。
可以理解的是,在未进行神经网络的训练之前,需要对神经网络各层的权重值进行初始化设置,避免随着神经网络的岑树的增加,在提速下降的过程中,出现梯度消失或者提速爆炸的情况。
步骤S51:通过第二计算公式计算神经网络各层的初始权重值。
步骤S52:第二计算公式包括:
其中,fanout,k表示神经网络第k层的输出量个数,神经网络第k层的初始权重值为[-Lk,Lk]均匀分布中的随机抽取值。
可以理解的是,在步骤S51以及步骤S52中通过[-Lk,Lk]均匀分布的随机抽取值对神经网络中各层的初始权重进行初始化设置,避免因神经网络中各层的权重过大导致神经网络的每一层取值过大或者接近于0,以避免神经网络的每一层的计算失效,提高在神经网络的每一层进行计算时的有效性。
步骤S6:基于训练集、验证集、测试集以及各层的初始权重值得到神经网络的精度值。
可以理解的是,神经网络的精度值的分布情况能够反映出隧道监测设备的工作状况,即当神经网络的精度值均呈现较集中的分布状态,表明隧道监测设备处于正常工作状态。当神经网络的精度值均呈现较分散的分布状态,表明隧道监测设备由于发生故障导致神经网络的精度值出现较大的浮动。
作为一种实施方式,可以通过精度值判定神经网络构建的模型是否合格,可以设定精度阈值,在当前的精度值大于精度阈值时,说明当前神经网络构建的模型符合要求,进一步通过判定精度值的分布判定隧道监测设备是否处于正常工作状态。在当前的精度值小于或等于精度阈值时,说明当前神经网络构建的模型不符合要求,重复执行基于训练集、验证集、测试集以及各层的当前权重值得到神经网络的精度值。可以理解的是,在第一次计算神经网络的精度值的过程中,当前权重值指的就是初始权重值。当前权重值指的是神经网络模在当前状态下的各层的权重值。
作为一种实施方式,可以通过误差值判定神经网络构建的模型是否合格,可以设定误差阈值,在当前的误差值大于误差阈值时,说明当前神经网络构建的模型符合要求,进一步通过判定误差值的分布判定隧道监测设备是否处于正常工作状态。在当前的误差值小于或等于误差阈值时,说明当前神经网络构建的模型不符合要求,重复执行基于训练集、验证集、测试集以及各层的当前权重值得到神经网络的误差值。可以理解的是,在第一次计算神经网络的误差值的过程中,当前权重值指的就是初始权重值。当前权重值指的是神经网络模在当前状态下的各层的权重值。
作为一种实施方式,可以同时计算误差值以及精度值,在误差值大于误差阈值以及精度值大于精度阈值的情况下,认为当前神经网络构建的模型符合要求。
作为一种实施方式,基于所述输出值以及所述输出值在所述训练集、所述验证集或所述测试集中对应的所述神经网络中的输入值通过第五计算公式得到所述神经网络的误差函数;所述第五计算公式包括:
其中,MSE表示神经网络的误差值,x表示输出值,xi表示输出值在训练集、验证集或测试集中对应的神经网络中的输入值中第i个取值,n表示输出值在训练集、验证集或测试集中对应的神经网络中的输入值的取值数目,表示误差函数表达式。
可以理解的是,通过神经网络的误差函数得到的误差值能够反映神经网络的输出值与表示输出值在训练集、验证集或测试集中对应的神经网络中的输入值的离散程度,作为衡量神经网络是否符合要求的指标,能够提高神经网络构建模型的可靠性。
请参看图2,图2为本申请实施例提供的一种计算神经网络的精度值的步骤的流程图。可选地,步骤S6包括以下分步骤:
步骤S61:基于激活函数、训练集、验证集、测试集以及各层的初始权重值计算神经网络中的输出值。
可以理解的是,在神经网络的输入层中,训练集、验证集或者测试集中的数据作为神经网络的输入层的输入,经过神经网络中各个隐藏层的计算最终的输出层输出得到输出值。隐藏层为神经网络中输入层和输出层之外的其他层。在包括输入层、隐藏层以及输出层的各个层中,均会有输入以及输出,在每一层中基于激活函数得到的运算函数计算该层的输出值,上一层的输出为下一层的输入。运算函数为激活函数的变形,可以根据实际情况进行设置。
可选地,步骤S61包括以下分步骤:
步骤S611:基于第三计算公式、训练集、验证集、测试集以及各层的初始权重值计算神经网络中每一层输出值,神经网络的输入为训练集、验证集或者测试集中的预处理隧道数据,神经网络的每个隐藏层的输入为神经网络的上一层的输出。
步骤S612:第三计算公式包括:
其中,xm表示神经网络的第m层的输入数据,LeakyReLU(x)m表示神经网络的第m层的输入数据的输出数据,a表示修正斜率系数。
可以理解的是,在步骤S611以及步骤S612中,第三计算公式中的LeakyReLU函数在取值小于零的部分设置一个较小的梯度,由于LeakyReLU函数的导数总是不为零,能够减少神经网络中静默神经元的出现,提高神经网络计算的准确性。
步骤S62:基于输出值与输出值在训练集、验证集、测试集中对应的神经网络中的输入值计算神经网络的精度值。
可选地,步骤S62包括以下分步骤:
步骤S621:基于输出值以及输出值在训练集、验证集或测试集中对应的神经网络中的输入值通过第四计算公式计算神经网络的精度值。
步骤S622:第四计算公式包括:
其中,R2表示神经网络的精度值,x表示输出值,xi表示输出值在所述训练集、验证集或测试集中对应的神经网络中的输入值中第i个取值,n表示输出值在训练集、验证集或测试集中对应的神经网络中的输入值的取值数目,/>表示输出值在训练集、验证集或测试集中对应的神经网络中的输入值的平均值。
可以理解的是,选定观测时间(根据实际情况设定),判断得到的精度值的分布情况,可以通过计算各个精度值的方差值判断各个精度值之间的离散程度。可以设定方差值的阈值,当各个精度值之间的方差值大于方差值的阈值,认定精度值出现较大的波动,认定该断面的隧道监测设备出现故障。
作为一种实施方式,还可以在观测时间内你计算精度值的下降值,设定下降值阈值,当精度值的下降值大于下降阈值,判定精度值出现较大的波动,认定该断面的隧道监测设备出现故障。或者判定精度值的下降时间,当下降时间大于下降时间阈值,则得到隧道监测设备故障判断结果为出现故障。
步骤S7:基于神经网络的精度值分布得到断面的隧道监测设备故障判断结果。
可选地,所述隧道监测设备故障判断方法还包括步骤S8:基于神经网络中每一层的当前权重值以及学习率计算得到神经网络中每一层的更新后的权重值。
可以理解的是,在步骤S8中,可以通过每一层的当前权重值以及学习率反向从神经网络的最低层(越靠近输出层为越低层)计算反向更新每一层的权重,通过神经网络的方向传播法进行计算,学习率的计算可以参考神经网络模型的学习率计算方式,在此不再赘述。
可选地,步骤S8包括以下分步骤:
步骤S81:基于神经网络中每一层的权重值以及学习率,通过第五计算公式计算的神经网络中每一层的更新后的权重值。
步骤S82:第五计算公式包括:
其中,α表示学习率,wt表示神经网络中每一层的更新后的权重值,wt-1表示神经网络中每一层的当前权重值,t表示当前迭代次数, mt=β1*nt-1+(1-β1)*gt,/>β1表示一阶矩估计的指数衰减率,β2表示二阶矩估计的指数衰减率,gt表示当前迭代的平方梯度的移动平均值,∈表示接近于0的常数。/>
可以理解的是,通过不断的迭代以不断更新神经网络中每一层的更新后的权重值,以确保神经网络的精度值更高,提高神经网络在进行隧道监测设备故障判断时的精确度。
请参看图3,图3为本申请实施例提供的一种隧道监测设备故障判断装置示意图。隧道监测设备故障判断装置90包括:
预处理模块901,用于对获取到的隧道中每个断面的原始隧道数据进行预处理,得到每个断面的预处理隧道数据。
相关分析模块902,用于基于每个断面的不同项预处理隧道数据进行相关性计算,得到不同项预处理隧道数据之间的相关系数。
筛选模块903,用于筛选出相关系数大于第一阈值的预处理隧道数据,得到相关数据集。
切分模块904,用于以相关数据集中的任意一项预处理隧道数据作为对象集,以相关数据集中除对象集之外的预处理隧道数据作为基础集,基于对象集以及基础集进行数据切分得到训练集、验证集以及测试集。
权重初始化模块905,用于通过权重初始化函数进行神经网络权重初始化设置分别得到神经网络各层的初始权重值。
计算模块906,用于基于训练集、验证集、测试集以及各层的初始权重值得到神经网络的精度值。
判定模块907,用于基于神经网络的精度值的分布得到断面的隧道监测设备故障判断结果。
可选地,相关分析模块902用于:
基于每个所述断面中不同项的预处理隧道数据通过第一计算公式进行两两皮尔森相关性计算得到相关系数;
第一计算公式包括:
其中,表示r表示每个断面的任意两项预处理隧道数据的相关系数,n表示断面中任意一项预处理隧道数据中包括的数据数目,Xi、Yi表示断面中任意两项预处理隧道数据中的第i个取值,表示Xi所在项对应的预处理隧道数据的平均值,/>表示Yi所在项对应的预处理隧道数据的平均值,SX表示Xi所在项对应的预处理隧道数据的方差值,SY表示Yi所在项对应的预处理隧道数据的方差值。
可选地,权重初始化模块905用于:
通过第二计算公式计算神经网络各层的权重值,第二计算公式包括:
其中,fanin表示神经网络第k层的输入量个数,所述神经网络第k层的权重值为[-Lk,Lk]均匀分布中的随机抽取值。
可选地,计算模块906用于:
基于激活函数、训练集、验证集、测试集以及各层的初始权重值计算神经网络中的输出值;
基于输出值与输出值在训练集、验证集、测试集中对应的神经网络中的输入值计算神经网络的精度值。
可选地,计算模块906用于:
基于第三计算公式、训练集、验证集、测试集以及各层的初始权重值计算神经网络中每一层输出值,神经网络的输入为训练集、验证集或者测试集中的预处理隧道数据,神经网络的每个隐藏层的输入为神经网络的上一层的输出;
第三计算公式包括:
其中,xm表示神经网络的第m层的输入数据,LeakyReLU(x)m表示神经网络的第m层的输入数据的输出数据,a表示修正斜率系数。
可选地,计算模块906用于:
基于输出值以及输出值在训练集、验证集或测试集中对应的神经网络中的输入值通过第四计算公式计算神经网络的精度值;
第四计算公式包括:
其中,R2表示神经网络的精度值,x表示输出值,xi表示输出值在训练集、验证集或测试集中对应的神经网络中的输入值中第i个取值,n表示输出值在训练集、验证集或测试集中对应的神经网络中的输入值的取值数目,表示输出值在所述训练集、验证集或测试集中对应的神经网络中的输入值的平均值。
可选地,隧道监测设备故障判断装置90还包括更新模块908,更新模块908用于:
基于神经网络中每一层的当前权重值以及学习率计算得到神经网络中每一层的更新后的权重值。
可选地,更新模块908用于:
基于神经网络中每一层的权重值以及学习率,通过第五计算公式计算的所述神经网络中每一层的更新后的权重值;
第五计算公式包括:
其中,α表示学习率,wt表示神经网络中每一层的更新后的权重值,wt-1表示神经网络中每一层的当前权重值,t表示当前迭代次数, mt=β1*mt-1+(1-β1)*gt,/>β1表示一阶矩估计的指数衰减率,β2表示二阶矩估计的指数衰减率,gt表示当前迭代的平方梯度的移动平均值,∈表示接近于0的常数。
本实施例还提供了一种电子设备,所述电子设备包括存储器和处理器,所述存储器中存储有程序指令,所述处理器运行所述程序指令时,执行上述任意方法中的步骤。
本实施例还提供了一种存储介质,所述存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器运行时,执行上述任意方法中的步骤。
综上所述,本申请的实施例提供了一种隧道监测设备故障判断方法、装置及、电子设备,涉及数据处理技术领域,隧道监测设备故障判断方法包括:对获取到的隧道中每个断面的原始隧道数据进行预处理,得到每个断面的预处理隧道数据。基于每个断面的不同项预处理隧道数据进行相关性计算,得到不同项预处理隧道数据之间的相关系数,筛选出所述相关系数大于第一阈值的预处理隧道数据,得到相关数据集。以相关数据集中的任意一项预处理隧道数据作为对象集,以相关数据集中除所述对象集之外的预处理隧道数据作为基础集,基于对象集以及基础集进行数据切分得到训练集、验证集以及测试集。通过权重初始化函数进行神经网络权重初始化设置分别得到神经网络各层的初始权重值,基于训练集、验证集、测试集以及各层的初始权重值得到神经网络的精度值,基于神经网络的精度值的分布得到断面的隧道监测设备故障判断结果。
在上述实现过程中,通过进行相关性计算筛选出相关性较大的各项预处理隧道数据得到所述相关数据集,在所述相关数据集的基础上指定基础集以及对象,并基于基础集和对象集进行数据切分得到输入神经网络的训练集、验证集以及测试集,通过基于所述训练集、所述验证集、所述测试集以及所述各层的权重值得到所述神经网络的精度值,以所述精度值的分布呈现出的集中程度判定隧道监测设备是否存在故障,能够避免人工逐一通过隧道监测设备的电信号判断隧道中各个隧道监测设备的工作状态,提高隧道监测设备故障判断的效率。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的框图显示了根据本申请的多个实施例的设备的可能实现的体系架构、功能和操作。在这点上,框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图中的每个方框、以及框图的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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。因此本实施例还提供了一种可读取存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行区块数据存储方法中任一项所述方法中的步骤。基于这样的理解,本申请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)执行本申请各个实施例所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。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (7)
1.一种隧道监测设备故障判断方法,其特征在于,所述方法包括:
对获取到的隧道中每个断面的原始隧道数据进行预处理,得到每个断面的预处理隧道数据;
基于每个断面的不同项预处理隧道数据进行相关性计算,得到所述不同项预处理隧道数据之间的相关系数;
筛选出所述相关系数大于第一阈值的预处理隧道数据,得到相关数据集;
以所述相关数据集中的任意一项预处理隧道数据作为对象集,以所述相关数据集中除所述对象集之外的预处理隧道数据作为基础集,基于所述对象集以及所述基础集进行数据切分得到训练集、验证集以及测试集;
通过权重初始化函数进行神经网络权重初始化设置分别得到神经网络各层的初始权重值;
基于所述训练集、所述验证集、所述测试集以及各层的所述初始权重值得到所述神经网络的精度值;
基于所述神经网络的精度值分布得到所述断面的隧道监测设备故障判断结果;
其中,所述基于所述训练集、所述验证集、所述测试集以及各层的所述初始权重值得到所述神经网络的精度值,包括:
基于第三计算公式、所述训练集、所述验证集、所述测试集以及所述各层的初始权重值计算所述神经网络中每一层输出值,所述神经网络的输入为所述训练集、所述验证集或者所述测试集中的预处理隧道数据,所述神经网络的每个隐藏层的输入为所述神经网络的上一层的输出;所述第三计算公式包括:
其中,xm表示所述神经网络的第m层的输入数据,LeakyReLU(x)m表示所述神经网络的第m层的输入数据的输出数据,a表示修正斜率系数;
基于所述输出值以及所述输出值在所述训练集、所述验证集或所述测试集中对应的所述神经网络中的输入值通过第四计算公式计算所述神经网络的精度值;所述第四计算公式包括:
其中,R2表示所述神经网络的精度值,x表示所述输出值,xi表示所述输出值在所述训练集、所述验证集或所述测试集中对应的所述神经网络中的输入值中第i个取值,n表示所述输出值在所述训练集、所述验证集或所述测试集中对应的所述神经网络中的输入值的取值数目,/>表示所述输出值在所述训练集、所述验证集或所述测试集中对应的所述神经网络中的输入值的平均值。
2.根据权利要求1所述的方法,其特征在于,所述基于每个断面的不同项预处理隧道数据进行相关性计算,得到所述不同项预处理隧道数据之间的相关系数,包括:
基于每个断面的不同项的预处理隧道数据通过第一计算公式进行两两皮尔森相关性计算得到所述相关系数;
所述第一计算公式包括:
其中,表示r表示每个断面的任意两项预处理隧道数据的相关系数,n表示所述断面中任意一项预处理隧道数据中包括的数据数目,Xi、Yi表示所述断面中任意两项预处理隧道数据中的第i个取值,表示Xi所在项对应的预处理隧道数据的平均值,/>表示Yi所在项对应的预处理隧道数据的平均值,SX表示Xi所在项对应的预处理隧道数据的方差值,SY表示Yi所在项对应的预处理隧道数据的方差值。
3.根据权利要求1所述的方法,其特征在于,所述通过权重初始化函数进行神经网络权重初始化设置分别得到神经网络各层的初始权重值,包括:
通过第二计算公式计算所述神经网络各层的初始权重值;
所述第二计算公式包括:
其中,fanin表示所述神经网络第k层的输入量个数,所述神经网络第k层的初始权重值为[-Lk,Lk]均匀分布中的随机抽取值。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述神经网络中每一层的当前权重值以及学习率计算得到所述神经网络中每一层的更新后的权重值。
5.根据权利要求4所述的方法,其特征在于,所述基于所述神经网络中每一层的当前权重值以及所述学习率计算得到所述神经网络中每一层的更新后的权重值,包括:
基于所述神经网络中每一层的所述权重值以及所述学习率,通过第五计算公式计算的所述神经网络中每一层的更新后的权重值;
所述第五计算公式包括:
其中,α表示所述学习率,wt表示所述神经网络中每一层的所述更新后的权重值,wt-1表示所述神经网络中每一层的当前权重值,t表示当前迭代次数,mt=β1*mt-1+(1-β1)*gt,/>β1表示一阶矩估计的指数衰减率,β2表示二阶矩估计的指数衰减率,gt表示当前迭代的平方梯度的移动平均值,∈表示接近于0的常数。
6.一种隧道监测设备故障判断装置,其特征在于,所述装置包括:
预处理模块,用于对获取到的隧道中每个断面的原始隧道数据进行预处理,得到每个断面的预处理隧道数据;
相关分析模块,用于基于每个断面的不同项预处理隧道数据进行相关性计算,得到所述不同项预处理隧道数据之间的相关系数;
筛选模块,用于筛选出所述相关系数大于第一阈值的预处理隧道数据,得到相关数据集;
切分模块,用于以所述相关数据集中的任意一项预处理隧道数据作为对象集,以所述相关数据集中除所述对象集之外的预处理隧道数据作为基础集,基于所述对象集以及所述基础集进行数据切分得到训练集、验证集以及测试集;
权重初始化模块,用于通过权重初始化函数进行神经网络权重初始化设置分别得到神经网络各层的初始权重值;
计算模块,用于基于所述训练集、所述验证集、所述测试集以及各层所述初始权重值得到所述神经网络的精度值;所述计算模块用于:基于第三计算公式、所述训练集、所述验证集、所述测试集以及所述各层的初始权重值计算所述神经网络中每一层输出值,所述神经网络的输入为所述训练集、所述验证集或者所述测试集中的预处理隧道数据,所述神经网络的每个隐藏层的输入为所述神经网络的上一层的输出;所述第三计算公式包括:其中,xm表示所述神经网络的第m层的输入数据,LeakyReLU(x)m表示所述神经网络的第m层的输入数据的输出数据,a表示修正斜率系数;基于所述输出值以及所述输出值在所述训练集、所述验证集或所述测试集中对应的所述神经网络中的输入值通过第四计算公式计算所述神经网络的精度值;所述第四计算公式包括:其中,R2表示所述神经网络的精度值,x表示所述输出值,xi表示所述输出值在所述训练集、所述验证集或所述测试集中对应的所述神经网络中的输入值中第i个取值,n表示所述输出值在所述训练集、所述验证集或所述测试集中对应的所述神经网络中的输入值的取值数目,/>表示所述输出值在所述训练集、所述验证集或所述测试集中对应的所述神经网络中的输入值的平均值;
判定模块,用于基于所述神经网络的精度值的分布得到所述断面的隧道监测设备故障判断结果。
7.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器中存储有程序指令,所述处理器运行所述程序指令时,执行权利要求1-5中任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110232602.XA CN112836990B (zh) | 2021-03-02 | 2021-03-02 | 隧道监测设备故障判断方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110232602.XA CN112836990B (zh) | 2021-03-02 | 2021-03-02 | 隧道监测设备故障判断方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112836990A CN112836990A (zh) | 2021-05-25 |
CN112836990B true CN112836990B (zh) | 2023-08-01 |
Family
ID=75934396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110232602.XA Active CN112836990B (zh) | 2021-03-02 | 2021-03-02 | 隧道监测设备故障判断方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836990B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116131928B (zh) * | 2023-01-30 | 2023-10-03 | 讯芸电子科技(中山)有限公司 | 一种光传输线路调整方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101358047B1 (ko) * | 2013-08-09 | 2014-02-05 | 한국 전기안전공사 | 신경 회로망 및 초음파 신호를 이용한 전기설비의 고장 학습 및 판별 장치 |
JP2016176788A (ja) * | 2015-03-19 | 2016-10-06 | 住友電気工業株式会社 | 電力ケーブルの地絡位置検出装置及び検出方法、並びにプログラム |
CN109618361A (zh) * | 2019-01-22 | 2019-04-12 | 北京市天元网络技术股份有限公司 | 一种4g基站隐性故障排查方法及装置 |
CN111695631A (zh) * | 2020-06-12 | 2020-09-22 | 泽恩科技有限公司 | 基于sae的检定故障特征提取方法、装置、设备以及介质 |
CN112307619A (zh) * | 2020-10-29 | 2021-02-02 | 北京航天测控技术有限公司 | 预警模型的构建方法、装备故障预警方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4413915B2 (ja) * | 2006-12-13 | 2010-02-10 | 株式会社東芝 | 異常兆候検出装置および方法 |
CN108932480B (zh) * | 2018-06-08 | 2022-03-15 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
-
2021
- 2021-03-02 CN CN202110232602.XA patent/CN112836990B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101358047B1 (ko) * | 2013-08-09 | 2014-02-05 | 한국 전기안전공사 | 신경 회로망 및 초음파 신호를 이용한 전기설비의 고장 학습 및 판별 장치 |
JP2016176788A (ja) * | 2015-03-19 | 2016-10-06 | 住友電気工業株式会社 | 電力ケーブルの地絡位置検出装置及び検出方法、並びにプログラム |
CN109618361A (zh) * | 2019-01-22 | 2019-04-12 | 北京市天元网络技术股份有限公司 | 一种4g基站隐性故障排查方法及装置 |
CN111695631A (zh) * | 2020-06-12 | 2020-09-22 | 泽恩科技有限公司 | 基于sae的检定故障特征提取方法、装置、设备以及介质 |
CN112307619A (zh) * | 2020-10-29 | 2021-02-02 | 北京航天测控技术有限公司 | 预警模型的构建方法、装备故障预警方法及装置 |
Non-Patent Citations (6)
Title |
---|
A novel deep recurrent belief network model for trend prediction of transformer DGA Data;Qi Bo等;《IEEE ACCESS》;第7卷;第80069-80078页 * |
基于卷积神经网络的光伏阵列污染报警系统;薛家祥;陈海峰;;电测与仪表(07);全文 * |
基于改进遗传神经网络模型的通信网络故障识别和告警相关性分析方法;王新苗,晏蒲柳,黄天锡;电子与信息学报(05);全文 * |
基于深度全连接神经网络的风机叶片结冰预测方法;李大中;刘家瑞;张华英;;电力科学与工程(04);全文 * |
基于深度神经网络的砂岩储层孔隙度预测方法;杨柳青;查蓓;陈伟;;中国科技论文(01);全文 * |
基于自适应深度卷积神经网络的发射车滚动轴承故障诊断研究;曹继平;王赛;岳小丹;雷宁;;振动与冲击(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112836990A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112987675B (zh) | 一种异常检测的方法、装置、计算机设备和介质 | |
CN108390380B (zh) | 一种变压器状态参量趋势预测方法及系统 | |
CN116737510B (zh) | 一种基于数据分析的键盘智能监测方法及系统 | |
CN112836990B (zh) | 隧道监测设备故障判断方法、装置及电子设备 | |
CN112363896A (zh) | 日志异常检测系统 | |
CN111369056B (zh) | 地质灾害预测方法及电子设备 | |
CN110580213A (zh) | 一种基于循环标记时间点过程的数据库异常检测方法 | |
CN111062034A (zh) | 一种Webshell文件检测方法、装置、电子设备及存储介质 | |
CN114492642A (zh) | 一种多尺度元深度残差收缩网络的机械故障在线诊断方法 | |
CN112418529B (zh) | 基于lstm神经网络的户外广告在线倒塌预测方法 | |
CN112529315B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
CN115099135A (zh) | 一种改进的人工神经网络多类型作业功耗预测方法 | |
CN114897047A (zh) | 基于深度字典的多传感器数据漂移检测方法 | |
CN111209158B (zh) | 服务器集群的挖矿监控方法及集群监控系统 | |
CN114860542A (zh) | 趋势预测模型的优化方法、优化装置、电子设备和介质 | |
CN116205318A (zh) | 一种基于lstm的时间序列滑坡数据预测方法 | |
CN113408816A (zh) | 一种基于深度神经网络的电网灾情评估方法 | |
CN113191089A (zh) | 一种基于滑动窗口的尾矿砂液化数据聚类方法 | |
CN113469247A (zh) | 网络资产异常检测方法 | |
CN112433952A (zh) | 深度神经网络模型公平性测试方法、系统、设备及介质 | |
CN110728615B (zh) | 基于序贯假设检验的隐写分析方法、终端设备及存储介质 | |
CN116756881B (zh) | 一种轴承剩余使用寿命预测方法、装置及存储介质 | |
CN111582632B (zh) | 一种地下大空间施工全过程多因素安全阶段性预测方法 | |
CN112069724B (zh) | 一种基于长短时记忆自编码器的火箭健康度评估方法 | |
CN114897332A (zh) | 基于环境信息自然耦合特征的输电线路故障概率确定方法、装置及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |