CN113298162A - 一种基于K-means算法的桥梁健康监测方法及系统 - Google Patents

一种基于K-means算法的桥梁健康监测方法及系统 Download PDF

Info

Publication number
CN113298162A
CN113298162A CN202110596357.0A CN202110596357A CN113298162A CN 113298162 A CN113298162 A CN 113298162A CN 202110596357 A CN202110596357 A CN 202110596357A CN 113298162 A CN113298162 A CN 113298162A
Authority
CN
China
Prior art keywords
data
value
bridge
sensor
abnormal
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
Application number
CN202110596357.0A
Other languages
English (en)
Inventor
杨鑫
杨开源
刘达文
代俊林
陈友武
马森标
黄祖海
李自强
王知军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujian Zhongrui Network Co ltd
Original Assignee
Fujian Zhongrui Network Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujian Zhongrui Network Co ltd filed Critical Fujian Zhongrui Network Co ltd
Priority to CN202110596357.0A priority Critical patent/CN113298162A/zh
Publication of CN113298162A publication Critical patent/CN113298162A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及一种基于K‑means算法的桥梁健康监测方法及系统，该方法包括：S1、获取桥梁上各传感器的数据；S2、进行数据预处理和数据标准化；S3、设置聚类参数K值，将标准化数据分为K组，随机选取K个对象作为初始的聚类中心，并设置收敛容差和最大迭代次数；S4、利用K‑means算法进行聚类；S5、判断K值是否为最优K值，是则输出，否则返回步骤S3重新选取K值进行聚类；S6、将得到的最优K值存储，然后判断此次桥梁测试是否为此桥梁第一次产生K值，是则运行结束，否则将其与之前存储的K值比较，两者相等则判定桥梁未发生异常，否则判定桥梁可能存在异常，进行桥梁监测预警。该方法及系统有利于提高桥梁健康监测的准确性。

Description

一种基于K-means算法的桥梁健康监测方法及系统
技术领域
本发明属于桥梁监测技术领域，具体涉及一种基于K-means算法的桥梁健康监测方法及系统。
背景技术
近年来，我国的交通事业得到了迅猛发展，在享受便利交通的同时也伴随着我国桥梁建筑数量的增加，桥梁的安全就显得极其重要，在修建过程中可能会因为某些失误导致桥梁具有质量问题，而在日常使用中，不仅要考虑运营时车辆载荷和交通量，还要考虑长期运营后的自然老化，因此，对桥梁的监测也是保障通行安全的重中之重。传统的监测方法是利用传感器获取桥梁的温度、应变、加速度、倾角等监测数据，然后对单个传感器的数据逐一分析判断，进而监测桥梁健康状态。
传统的监测方法中，没有综合考虑桥梁的实际使用情况，桥梁的健康状态与多种因素有关，单独分析某个传感器数据不能较好的体现桥梁是否存在异常，而且不能更好的分析桥梁的状态，所以如何更好地监测桥梁的健康状态是一个亟待解决的问题。
发明内容
本发明的目的在于提供一种基于K-means算法的桥梁健康监测方法及系统，该方法及系统有利于提高桥梁健康监测的准确性。
为实现上述目的，本发明采用的技术方案是：一种基于K-means算法的桥梁健康监测方法，包括以下步骤：
S1、获取桥梁上各传感器的数据；
S2、对获取的各传感器的数据进行数据预处理和数据标准化；
S3、设置聚类参数K值，将标准化数据分为K组，随机选取K个对象作为初始的聚类中心，并设置收敛容差和最大迭代次数；
S4、利用K-means算法进行聚类，得到基于当前K值下的轮廓系数和簇内误方差；
S5、判断K值是否为最优K值，即聚类效果是否最佳，是则输出最优K值及相应的聚类结果，并转下一步，否则返回步骤S3重新选取K值，再继续利用K-means算法进行聚类；
S6、判断此次桥梁测试是否为此桥梁第一次产生K值，是则将得到的最优K值存储在数据库中，否则将此次产生的最优K值与数据库中存储的K值进行比较，若两个K值相等，则判定监测的桥梁并未发生异常，否则判定监测的桥梁可能存在异常，进行桥梁监测预警；根据K-means聚类结果，判断聚类结果是否处于正常类别，对于异常类别中的数据，判定监测的桥梁可能存在异常，进行桥梁监测预警。
进一步地，步骤S1中，传感器的数据中包含桥梁名称、传感器类型、传感器编码以及监测数据值，传感器类型包括温度传感器、应变传感器、加速度传感器和倾角传感器。
进一步地，步骤S2中，对传感器的数据进行数据预处理的方法为：分别提取出各传感器的数据并以时间为单位进行数据整合，计算每单位时间里各传感器的监测数据的平均值，然后以时间为单位将得到的各传感器对应的平均值整合到一个数据序列中。
进一步地，进行数据整合时，每一个时间节点上所有传感器的监测数据都不能有缺失，只要有一个传感器的监测数据出现缺失，则直接删除该时间节点上所有传感器的监测数据，以保证各点采集数据的同步对应。
进一步地，对经过预处理的传感器数据进行标准化处理，其计算公式为：
Figure BDA0003091289130000021
其中，z为标准化后的数据，x为需要标准化的数据，即每个传感器在各个单位时间内计算出的平均值，μ为此数据的均值，即对该传感器所有时间内计算的所有单位时间平均值数据取均值，σ为此数据的标准差。
进一步地，步骤S4中，所述轮廓系数结合了凝聚度和分离度，其计算公式为：
Figure BDA0003091289130000022
其中，a(i)表示i向量到同一簇内其他点不相似程度的平均值，b(i)表示i向量到其他簇的平均不相似程度的最小值。
进一步地，步骤S6中，通过如下方法查看聚类结果是否处于正常类别：通过包括对比聚类中心值、做多维聚类可视化图的方式考察是否含有异常值，若存在异常值则预警桥梁存在异常情况；查看类中间距值较大的值，判断该处是否存在异常，以排除隐患；通过簇数据多维展示图分析不同传感器之间的相关性，若一个传感器的某个值出现异常，与该传感器相关性较强的传感器的值也可能会有异常，依次排查隐患；然后，将处于正常类别情况下的最优K值存储在数据库中。
本发明还提供了一种基于K-means算法的桥梁健康监测系统，包括存储器、处理器以及存储于存储器上并能够在处理器上运行的计算机程序，当处理器运行所述计算机程序时，实现上述的方法步骤。
与现有技术相比，本发明具有以下有益效果：提供了一种将多个传感器综合在一起，并基于K-means算法分析监测桥梁健康状况的方法及系统，，将每次桥梁测试所得最优K值都会与数据库中的最优K值进行分析比较，不仅能通过K-means算法聚类结果分析桥梁健康状态，还能通过最优K值之间的对比发现桥梁是否存在异常情况，通过多个角度分析桥梁的健康状况，从而达到更准确地监测桥梁健康状况的效果。
附图说明
图1是本发明实施例的方法实现流程图。
图2是本发明实施例中轮廓系数图。
图3是本发明实施例中簇内误方差图。
图4是本发明实施例中K-means聚类饼状图。
图5是本发明实施例中对聚类数据进行降维可视化的示意图。
图6是本发明实施例中进行多维数据可视化展示的示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供了一种基于K-means算法的桥梁健康监测方法，包括以下步骤：
S1、获取桥梁上各传感器的数据。
其中，传感器的数据中包含桥梁名称、传感器类型、传感器编码等属性以及监测数据值。其中，传感器类型包括温度传感器、应变传感器、加速度传感器和倾角传感器。
S2、对获取的各传感器的数据进行数据预处理和数据标准化。
具体地，对传感器的数据进行数据预处理的方法为：分别提取出各传感器的数据并以时间为单位进行数据整合，计算每单位时间里各传感器的监测数据的平均值，然后以时间为单位将得到的各传感器对应的平均值整合到一个数据序列中。
在本实施例中，以小时为单位时间，计算每隔一个小时内监测数据的平均值。因为每个传感器在单位时间传回的数据量不一样，所以这样设置。
进行数据整合时，每一个时间节点上所有传感器的监测数据都不能有缺失，只要有一个传感器的监测数据出现缺失，则直接删除该时间节点上所有传感器的监测数据，以保证各点采集数据的同步对应。得到的数据序列实例如下所示。
时间 温度 应变 加速度 倾角
2020/5/22 15:00 21.0087 -31.0434 -34.2678 -0.247925
2020/5/22 16:00 21.4266 -30.0188 -34.3057 -0.235732
2020/5/22 17:00 21.3898 -27.9125 -34.3093 -0.235903
2020/5/22 18:00 21.3771 -27.5056 -34.3198 -0.235981
2020/5/22 19:00 21.3714 -27.3724 -34.3424 -0.236223
2020/5/22 20:00 20.9649 -26.6108 -34.3021 -0.249136
2020/5/22 21:00 21.3497 -26.2483 -34.4 -0.236446
然后，对经过预处理的传感器数据进行标准化处理，其计算公式为：
Figure BDA0003091289130000041
其中，z为标准化后的数据，x为需要标准化的数据，即每个传感器在各个单位时间内计算出的平均值，μ为此数据的均值，即对该传感器所有时间内计算的所有单位时间平均值数据取均值，σ为此数据的标准差。
这是因为各个传感器传回来的数据是按时间进行整合的，它们的单位是不一样的，单位不一样会影响到我们后续的聚类，而原始数据标准化后转化为无量纲化指标测评值，各指标值处于同一数量级别，可以进行综合测评分析。得到的数据如下所示。
S3、设置聚类参数K值，将标准化数据分为K组，随机选取K个对象作为初始的聚类中心，并设置收敛容差和最大迭代次数。
其中，迭代次数是指模拟计算过程中能否收敛的标致，迭代次数越多表示收敛越困难，迭代次数越少则表示收敛越容易，迭代的次数超过了设定的最大迭代次数模拟计算不收敛，所以大多以默认所定的标准进行建模的数据规化。
设置收敛容差以控制算法迭代停止，对于任意一个类，当前后两次类中心点的距离小于等于收敛容差时停止送代。这里通过欧式距离来计算样本点之间的距离大小。收敛容差为浮点型，取值范围为：[0.1)。
S4、利用K-means算法进行聚类，得到基于当前K值下的轮廓系数和簇内误方差。
聚类是一种无监督的学习，它将相似的对象归到同一簇中。聚类的方法几乎可以应用所有对象，簇内的对象越相似，聚类的效果就越好。K-means算法中的k表示的是聚类为k个簇，means代表取每一个聚类中数据值的均值作为该簇的中心，或者称为质心，即用每一个的类的质心对该簇进行描述。以空间中k个点为中心进行聚类，对最靠近他们的对象归类，通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。本发明中K-means算法的实现流程为：
(1)适当选择K个类的初始中心，最初一般为随机选取；
(2)在每次迭代中，对任意一个样本，分别求其到K个中心的欧式距离，将该样本归到距离最短的中心所在的类；
(3)利用均值方法更新该K个类的中心的值；
(4)对于所有的K个聚类中心，重复(2)、(3)，类的中心值的移动距离满足一定条件时，则迭代结束，完成分类。
轮廓系数(Silhouette Coefficient)，是聚类效果好坏的一种评价方式，它结合内聚度和分离度两种因素，可以用来在相同原始数据的基础上用来评价不同算法、或者算法不同运行方式对聚类结果所产生的影响。Si值介于[-1，1]，越接近于1表示样本i聚类越合理；越接近-1，表示样本i越应该被分类到其它簇中；越接近于0，表示样本应该在边界上，故轮廓系数越大聚类结果越好。
所述轮廓系数结合了凝聚度和分离度，其计算公式为：
Figure BDA0003091289130000051
其中，a(i)表示i向量到同一簇内其他点不相似程度的平均值，b(i)表示i向量到其他簇的平均不相似程度的最小值。
S5、判断K值是否为最优K值，即聚类效果是否最佳，是则输出最优K值及相应的聚类结果，并转下一步，否则返回步骤S3重新选取K值，再继续利用K-means算法进行聚类。
由轮廓系数和簇内误方差性质，轮廓系数中相对较大以及簇内误方差中相对较小时，此时的K值为最优K值，聚类效果最好。
S6、判断此次桥梁测试是否为此桥梁第一次产生K值，是则将得到的最优K值存储在数据库中，否则将此次产生的最优K值与数据库中存储的K值进行比较，若两个K值相等，则判定监测的桥梁并未发生异常，否则判定监测的桥梁可能存在异常，进行桥梁监测预警，需派专业人士进行桥梁检测；同时，根据K-means聚类结果，判断聚类结果是否处于正常类别，对于异常类别中的数据，判定监测的桥梁可能存在异常，进行桥梁监测预警。
通过如下方法查看聚类结果是否处于正常类别：通过包括对比聚类中心值、做多维聚类可视化图的方式考察是否含有异常值，若存在异常值则预警桥梁存在异常情况；查看类中间距值较大的值，判断该处是否存在异常，以排除隐患；通过簇数据多维展示图分析不同传感器之间的相关性，若一个传感器的某个值出现异常，与该传感器相关性较强的传感器的值也可能会有异常，依次排查隐患；然后，将处于正常类别情况下的最优K值存储在数据库中。
在桥梁监测中，数据是不断迭代更新的，对于更新的数据，如果它属于正常类别，那么就更新数据库中的K值，如果它是异常类别，就不更新数据库中的K值，对桥梁进行预警。
本实施例还提供了一种基于K-means算法的桥梁健康监测系统，包括存储器、处理器以及存储于存储器上并能够在处理器上运行的计算机程序，当处理器运行所述计算机程序时，实现上述的方法步骤。
实例：大樟桥桥梁测试
首先将数据经过预处理后运用K-means聚类分析，画出其轮廓系数和簇内误方差图，分别如图2、3所示。
根据图2、3所示，得到最优K值为5。以此得到K-means聚类结果，如图4所示的K-means聚类饼状图。
表1 K-means聚类中心表
类别 温度 应变 加速度 倾角 聚类个数
类别1 -0.504384156 0.614198183 -0.608084869 0.467153285 2713
类别2 0.576711251 -0.374831634 313.8220339 -0.4 1
类别3 0.488069134 -0.44377224 0.446109785 -0.436873054 2918
类别4 -4.321793863 -0.747065615 0.644067797 -40.2 4
类别5 0.147970315 -0.694583674 0.322766835 -4.497297297 185
表2第2类数据
time 温度 应变 加速度 倾角 聚类类别
2020-08-29 00:00:00 0.576711251 -0.374831634 313.8220339 -0.4 2
表3第4类数据
time 温度 应变 加速度 倾角 聚类类别
2020-08-04 01:00:00 -3.907159717 -0.481816433 0.398305085 -36.6 4
2020-08-08 16:00:00 -4.634146341 -0.992110833 0.822033898 -44.8 4
2020-08-28 13:00:00 -4.332808812 -1.172599577 0.838983051 -40.4 4
2020-09-14 18:00:00 -4.413060582 -0.341735617 0.516949153 -39 4
结论分析：从图4和表1中可以看出，类别1、3的数据个数分别为2713、2918，数据占比达到46.61％和50.13％，共计96.74％。且类别1和类别3的中心距离小于其他类别。因此，可以得出，在类1、3中的数据为桥梁正常值，其他类别的数据点可能为异常值。由表2，在2020年08月29日00：00：00的数据其加速度值为313.8220339，因此很可能是桥梁异常或者传感器异常，需要进一步分析确定。在表3中，可以看到这4条数据相比正常数据倾角过大，有很可能是桥梁异常或者传感器异常。对聚类数据进行降维可视化，如图5，类别2为离群点。说明被聚类为类别2的点存在数据异常。筛选一类数据，进行多维数据可视化展示。如图6，当温度越小，应变值反而越大。因此推测温度和应变之间可能是呈现负相关，同理加速度和倾角、应变和加速度、加速度和倾角都是负相关。为桥梁数据进一步分析提供依据。
因此当桥梁测试得到的数据处于以上异常类别时候，桥梁将会预警，此时需派专业人士进行桥梁检测。
本发明能够提升桥梁健康监测的准确度，达到更准确的桥梁健康监测目的。
在准确度方面：1)传统的监测系统针对某个传感器进行分析，没有考虑到传感器数据之间的相关性，而本发明通过多个传感器测试数据，考虑到不同传感器的特点，合并在一起聚类，从多个维度一起分析桥梁的健康，综合考虑，提升了准确度。2)本发明从两个方面监测桥梁即K值比较和聚类结果分析，多角度分析了桥梁的健康状况，具体详情如下。
(1)K值比较：将产生的最优K值和数据库中K值比较，若K值互相相等，则传感器所监测的桥梁并未发生异常；若K值互相不等，则传感器所监测的桥梁可能存在异常。
(2)聚类结果分析：通过对比聚类中心值、做多维聚类可视化图等方式来考察是否含有异常值，若存在异常值则预警桥梁存在异常情况，无异常值时还可查看类中间距值较大的值，再进行实地考察判断此处是否存在异常，排除隐患。
本发明还可通过簇数据进行多维展示即多维数据可视化来分析不同传感器间的相关性，多维数据可视化是指通过一些手段将高维的数据展示在二维或三维平面中，在进行探索性数据分析及对聚类或分类问题的验证中有着重要的应用。若其中一传感器的某个值出现异常，与该传感器相关性较强的传感器的值极有可能也会出现异常，可依次排查隐患，保障桥梁健康达到监测目的。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (8)

1.一种基于K-means算法的桥梁健康监测方法，其特征在于，包括以下步骤：
S1、获取桥梁上各传感器的数据；
S2、对获取的各传感器的数据进行数据预处理和数据标准化；
S3、设置聚类参数K值，将标准化数据分为K组，随机选取K个对象作为初始的聚类中心，并设置收敛容差和最大迭代次数；
S4、利用K-means算法进行聚类，得到基于当前K值下的轮廓系数和簇内误方差；
S5、判断K值是否为最优K值，即聚类效果是否最佳，是则输出最优K值及相应的聚类结果，并转下一步，否则返回步骤S3重新选取K值，再继续利用K-means算法进行聚类；
S6、判断此次桥梁测试是否为此桥梁第一次产生K值，是则将得到的最优K值存储在数据库中，否则将此次产生的最优K值与数据库中存储的K值进行比较，若两个K值相等，则判定监测的桥梁并未发生异常，否则判定监测的桥梁可能存在异常，进行桥梁监测预警；根据K-means聚类结果，判断聚类结果是否处于正常类别，对于异常类别中的数据，判定监测的桥梁可能存在异常，进行桥梁监测预警。
2.根据权利要求1所述的一种基于K-means算法的桥梁健康监测方法，其特征在于，步骤S1中，传感器的数据中包含桥梁名称、传感器类型、传感器编码以及监测数据值，传感器类型包括温度传感器、应变传感器、加速度传感器和倾角传感器。
3.根据权利要求2所述的一种基于K-means算法的桥梁健康监测方法，其特征在于，步骤S2中，对传感器的数据进行数据预处理的方法为：分别提取出各传感器的数据并以时间为单位进行数据整合，计算每单位时间里各传感器的监测数据的平均值，然后以时间为单位将得到的各传感器对应的平均值整合到一个数据序列中。
4.根据权利要求3所述的一种基于K-means算法的桥梁健康监测方法，其特征在于，进行数据整合时，每一个时间节点上所有传感器的监测数据都不能有缺失，只要有一个传感器的监测数据出现缺失，则直接删除该时间节点上所有传感器的监测数据，以保证各点采集数据的同步对应。
5.根据权利要求3所述的一种基于K-means算法的桥梁健康监测方法，其特征在于，对经过预处理的传感器数据进行标准化处理，其计算公式为：
Figure FDA0003091289120000011
其中，z为标准化后的数据，x为需要标准化的数据，即每个传感器在各个单位时间内计算出的平均值，μ为此数据的均值，即对该传感器所有时间内计算的所有单位时间平均值数据取均值，σ为此数据的标准差。
6.根据权利要求1所述的一种基于K-means算法的桥梁健康监测方法，其特征在于，步骤S4中，所述轮廓系数结合了凝聚度和分离度，其计算公式为：
Figure FDA0003091289120000021
其中，a(i)表示i向量到同一簇内其他点不相似程度的平均值，b(i)表示i向量到其他簇的平均不相似程度的最小值。
7.根据权利要求1所述的一种基于K-means算法的桥梁健康监测方法，其特征在于，步骤S6中，通过如下方法查看聚类结果是否处于正常类别：通过包括对比聚类中心值、做多维聚类可视化图的方式考察是否含有异常值，若存在异常值则预警桥梁存在异常情况；查看类中间距值较大的值，判断该处是否存在异常，以排除隐患；通过簇数据多维展示图分析不同传感器之间的相关性，若一个传感器的某个值出现异常，与该传感器相关性较强的传感器的值也可能会有异常，依次排查隐患；然后，将处于正常类别情况下的最优K值存储在数据库中。
8.一种基于K-means算法的桥梁健康监测系统，其特征在于，包括存储器、处理器以及存储于存储器上并能够在处理器上运行的计算机程序，当处理器运行所述计算机程序时，实现如权利要求1-7任一项所述的方法步骤。
CN202110596357.0A 2021-05-30 2021-05-30 一种基于K-means算法的桥梁健康监测方法及系统 Pending CN113298162A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110596357.0A CN113298162A (zh) 2021-05-30 2021-05-30 一种基于K-means算法的桥梁健康监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110596357.0A CN113298162A (zh) 2021-05-30 2021-05-30 一种基于K-means算法的桥梁健康监测方法及系统

Publications (1)

Publication Number Publication Date
CN113298162A true CN113298162A (zh) 2021-08-24

Family

ID=77326236

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110596357.0A Pending CN113298162A (zh) 2021-05-30 2021-05-30 一种基于K-means算法的桥梁健康监测方法及系统

Country Status (1)

Country Link
CN (1) CN113298162A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114446020A (zh) * 2022-01-12 2022-05-06 江西飞尚科技有限公司 联动预警管理方法、系统、存储介质及设备
CN114781473A (zh) * 2022-03-03 2022-07-22 中铁第四勘察设计院集团有限公司 轨道交通设备状态预测方法、装置、设备及存储介质
CN115357646A (zh) * 2022-10-17 2022-11-18 南昌工程学院 一种桥梁状态监测方法及系统
CN115795335A (zh) * 2023-02-02 2023-03-14 国家邮政局邮政业安全中心 物流网点异常识别方法、装置及电子设备
CN116455944A (zh) * 2023-06-14 2023-07-18 北京东方广厦模块化房屋有限公司 一种基于物联网采集的装配式建筑监测预警方法及系统
CN117193123A (zh) * 2023-10-07 2023-12-08 中煤能源研究院有限责任公司 一种煤矸石活化监控系统及其控制方法
CN118227978A (zh) * 2024-05-23 2024-06-21 中国铁塔股份有限公司 塔类设施的结构健康监测方法、装置及电子设备

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114446020A (zh) * 2022-01-12 2022-05-06 江西飞尚科技有限公司 联动预警管理方法、系统、存储介质及设备
CN114446020B (zh) * 2022-01-12 2024-01-30 江西飞尚科技有限公司 联动预警管理方法、系统、存储介质及设备
CN114781473A (zh) * 2022-03-03 2022-07-22 中铁第四勘察设计院集团有限公司 轨道交通设备状态预测方法、装置、设备及存储介质
CN115357646A (zh) * 2022-10-17 2022-11-18 南昌工程学院 一种桥梁状态监测方法及系统
CN115795335A (zh) * 2023-02-02 2023-03-14 国家邮政局邮政业安全中心 物流网点异常识别方法、装置及电子设备
CN116455944A (zh) * 2023-06-14 2023-07-18 北京东方广厦模块化房屋有限公司 一种基于物联网采集的装配式建筑监测预警方法及系统
CN116455944B (zh) * 2023-06-14 2023-09-05 北京东方广厦模块化房屋有限公司 一种基于物联网采集的装配式建筑监测预警方法及系统
CN117193123A (zh) * 2023-10-07 2023-12-08 中煤能源研究院有限责任公司 一种煤矸石活化监控系统及其控制方法
CN117193123B (zh) * 2023-10-07 2024-06-11 中煤能源研究院有限责任公司 一种煤矸石活化监控系统及其控制方法
CN118227978A (zh) * 2024-05-23 2024-06-21 中国铁塔股份有限公司 塔类设施的结构健康监测方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN113298162A (zh) 一种基于K-means算法的桥梁健康监测方法及系统
CN111931868B (zh) 时间序列数据异常检测方法和装置
US11669080B2 (en) Abnormality detection device, abnormality detection method, and program
Charrad et al. NbClust: an R package for determining the relevant number of clusters in a data set
KR101316486B1 (ko) 이상 검지 방법 및 시스템
CN112508105B (zh) 一种采油机故障检测与检索方法
CN113092981B (zh) 晶圆数据检测方法及系统、存储介质及测试参数调整方法
CN109460574A (zh) 一种航空发动机剩余寿命的预测方法
CN115982602B (zh) 一种光伏变压器电故障检测方法
EP3876057A1 (en) Abnormality diagnostic device, abnormality diagnostic method, and program
EP1958034B1 (en) Use of sequential clustering for instance selection in machine condition monitoring
KR20170104705A (ko) 설비 고장 진단 장치 및 방법
CN111879349A (zh) 一种传感器数据偏差自适应修正方法
CN114266289A (zh) 一种复杂装备健康状态评估方法
CN112949735A (zh) 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法
Celis et al. Steady state detection in industrial gas turbines for condition monitoring and diagnostics applications
CN116204825A (zh) 一种基于数据驱动的生产线设备故障检测方法
CN108537249B (zh) 一种密度峰值聚类的工业过程数据聚类方法
Zhong et al. An improved correlation-based anomaly detection approach for condition monitoring data of industrial equipment
CN110850358A (zh) 基于逐步回归算法的电能表综合检定方法及系统
CN114925731B (zh) 检测柔性测斜仪监测数据异常值的方法
CN111914424A (zh) 一种基于短期测风资料的设计风速取值方法及系统
CN113255810B (zh) 基于关键决策逻辑设计测试覆盖率的网络模型测试方法
CN111881988B (zh) 基于少数类过采样方法的异质不平衡数据故障检测方法
CN111881502A (zh) 一种基于模糊聚类分析的桥梁状态判别方法

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