CN113377744A - 具有环境温度相关性的结构异常监测数据重建方法及装置 - Google Patents
具有环境温度相关性的结构异常监测数据重建方法及装置 Download PDFInfo
- Publication number
- CN113377744A CN113377744A CN202110667120.7A CN202110667120A CN113377744A CN 113377744 A CN113377744 A CN 113377744A CN 202110667120 A CN202110667120 A CN 202110667120A CN 113377744 A CN113377744 A CN 113377744A
- Authority
- CN
- China
- Prior art keywords
- monitoring data
- structural
- data
- reconstructed
- abnormality monitoring
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
- G06F16/212—Schema design and management with details for data modelling support
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种具有环境温度相关性的结构异常监测数据重建方法、装置、电子设备及存储介质。该具有环境温度相关性的结构异常监测数据重建方法包括:获取待重建的结构异常监测数据;将待重建的结构异常监测数据和与待重建的结构异常监测数据相对应的环境温度数据,输入至经训练的结构异常监测数据重建模型中,得到结构异常监测数据重建模型输出的预测数据序列,其中,预测数据序列为模型预测的结构异常监测数据中缺失的部分;以及基于所生成的预测数据序列,重建结构异常监测数据序列,以得到完整的结构监测数据序列。其中,结构异常监测数据重建模型是基于样本异常数据和样本异常数据对应的完整的样本结构监测数据序列训练得到的。
Description
技术领域
本发明涉及基于深度学习的结构异常数据重建方法领域,尤其涉及一种具有环境温度相关性的结构异常监测数据重建方法、装置、电子设备及存储介质。
背景技术
通常,在大坝、水闸等水工建筑物以及隧道、桥梁、土建基坑等工民用建筑物的建造过程中由于水压力、墙后回填土及其它外荷载作用,建筑物的主体结构不可避免地产生转角或水平位移等变形,因此在建造过程中以及后期运营时都需要对建筑物结构的变形和稳定性密切关注,因此就需要对建筑物结构的变化量进行实时监测。长期监测数据可为结构的状态评估以及安全性评价提供参考,在开展状态评估以及安全性评价之前,必须确保监测数据的完整性与准确性,否则将导致错误的结构评估结果。然而,传感器大多处在恶劣的环境中,传感器难以避免出现故障,因此结构监测数据中异常数据剔除后的数据重建方法是健康监测领域需要面对和解决的关键问题之一,是实现结构状态评估和安全性评价的重要前提。
结构健康监测系统记录海量的监测数据,难以采用人工方式手动进行数据修复和重建。此外,传统的多次插值和支持向量机等方法普遍准确性较差。现有技术中大多数方法均基于单一维度输入单向预测的深度学习方法,当待重建数据序列较短时,通过训练后的网络模型对数据空缺值进行重建。
然而,单一维度输入单向预测的深度学习方法应用于异常数据重建仍面临两个困难:(1)神经网络模型预测的序列精度会随着向后预测的序列长度增加而降低;以及(2)输入序列为结构监测数据序列本身的单一维度输入网络模型难以满足数据重建的精度要求。
发明内容
本发明提供一种具有环境温度相关性的结构异常监测数据重建方法、装置、电子设备及存储介质,旨在解决。
具体地,本发明实施例提供了以下技术方案:
第一方面,本发明的实施例提供一种具有环境温度相关性的结构异常监测数据重建方法,包括:
获取待重建的结构异常监测数据;
将待重建的结构异常监测数据和与所述待重建的结构异常监测数据相对应的环境温度数据,输入至经训练的结构异常监测数据重建模型中,得到所述结构异常监测数据重建模型输出的预测数据序列,其中,所述预测数据序列为所述模型预测的结构异常监测数据中缺失的部分;
基于所生成的所述预测数据序列,重建结构异常监测数据序列,以得到完整的结构监测数据序列;
其中,所述结构异常监测数据重建模型是基于样本异常数据和所述样本异常数据对应的完整的样本结构监测数据序列训练得到的。
进一步地,该具有环境温度相关性的结构异常监测数据重建方法还包括:
所述结构异常监测数据重建模型包括正向预测层和反向预测层;
其中,所述正向预测层用于基于待重建数据中的待重建部分之前的数据序列对所述待重建部分进行预测,以生成第一预测数据序列;
所述反向预测层用于基于待重建数据中的待重建数据部分之后的数据序列对所述待重建部分进行预测,以生成第二预测数据序列。
进一步地,该具有环境温度相关性的结构异常监测数据重建方法还包括:
所述基于所生成的所述预测数据序列,重建所述结构异常监测数据序列包括:
对所述第一预测数据序列和所述第二预测数据序列进行加权平均计算,以生成最终的预测数据序列。
进一步地,该具有环境温度相关性的结构异常监测数据重建方法还包括:
所述结构异常监测数据重建模型基于前n个时刻的应变数据以及前一个时刻和本时刻的环境温度数据共同对本时刻的结构应变数据进行预测,其中,n为大于或等于1的自然数。
进一步地,该具有环境温度相关性的结构异常监测数据重建方法还包括:
所述结构异常监测数据重建模型包括基于GRU神经网络的结构异常监测数据重建模型。
进一步地,该具有环境温度相关性的结构异常监测数据重建方法还包括:
所述方法还包括:对待重建的结构异常监测数据进行预处理,所述对待重建的结构异常监测数据进行预处理包括:
根据待重建的结构异常监测数据中的待重建部分的长度,将结构监测数据和所述结构周围的环境温度数据进行划分。
进一步地,该具有环境温度相关性的结构异常监测数据重建方法还包括:
所述方法还包括:训练结构异常监测数据重建模型,所述训练结构异常监测数据重建模型包括:
基于预处理阶段划分好的所述结构监测数据和与所述结构监测数据相对应的所述结构周围的环境温度数据,训练结构异常监测数据重建模型。
第二方面,本发明的实施例还提供一种具有环境温度相关性的结构异常监测数据重建装置,包括:
数据获取单元,用于获取待重建的结构异常监测数据;
预测单元,用于将待重建的结构异常监测数据和与所述待重建的结构异常监测数据相对应的环境温度数据,输入至经训练的结构异常监测数据重建模型中,得到所述结构异常监测数据重建模型输出的预测数据序列,其中,所述预测数据序列为所述模型预测的结构异常监测数据中缺失的部分;以及
重建单元,用于基于所生成的所述预测数据序列,重建结构异常监测数据序列,以得到完整的结构监测数据序列;
其中,所述结构异常监测数据重建模型是基于样本异常数据和所述样本异常数据对应的完整的样本结构监测数据序列训练得到的。
第三方面,本发明的实施例还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述具有环境温度相关性的结构异常监测数据重建方法的步骤。
第四方面,本发明的实施例还提供一种存储介质,包括其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述具有环境温度相关性的结构异常监测数据重建方法的步骤。
由上面技术方案可知,本发明实施例提供的一种具有环境温度相关性的结构异常监测数据重建方法、装置、电子设备及存储介质,通过引入环境温度这一对具有相关性的监测数据序列,辅助神经网络模型对监测数据进行学习和预测,对结构监测数据的训练和预测过程进行修正,更具有物理意义,有效地提升结构监测数据序列预测精度。此外,通过对数据序列的前后双向预测,以及对预测数据序列进行加权平均的方法进一步提升了对较长结构监测数据序列重建的精确度,从而显著提高了基于监测数据对结构状态评估与安全性评价的可靠度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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的附图。
图1为本发明一实施例提供的具有环境温度相关性的结构异常监测数据重建方法的流程图;
图2为本发明一实施例提供的具有环境温度相关性的结构异常监测数据重建装置的结构示意图;以及
图3为本发明一实施例提供的电子设备的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明使用的各种术语或短语具有本领域普通技术人员公知的一般含义,即便如此,本发明仍然希望在此对这些术语或短语作更详尽的说明和解释。如果本文涉及的术语和短语有与公知含义不一致的,则以本发明所表述的含义为准;并且如果在本申请中没有定义,则其具有本领域普通技术人员通常理解的含义。
现有技术中大多数方法均基于单一维度输入单向预测的深度学习方法,当待重建数据序列较短时,通过训练后的网络模型对数据空缺值进行重建。然而,这些现有技术存在以下问题:(1)神经网络模型预测的序列精度会随着向后预测的序列长度增加而降低;以及(2)输入序列为结构监测数据序列本身的单一维度输入网络模型难以满足数据重建的精度要求。
针对于此,第一方面,本发明的一实施例提出一种具有环境温度相关性的结构异常监测数据重建方法,其旨在克服现有技术中存在的问题。
下面结合图1描述本发明的具有环境温度相关性的结构异常监测数据重建方法。
图1为本发明一实施例提供的具有环境温度相关性的结构异常监测数据重建方法的流程图。
在本实施例中,需要说明的是,该具有环境温度相关性的结构异常监测数据重建方法可以包括以下步骤:
S1:获取待重建的结构异常监测数据;
S2:将待重建的结构异常监测数据和与待重建的结构异常监测数据相对应的环境温度数据,输入至经训练的结构异常监测数据重建模型中,得到结构异常监测数据重建模型输出的预测数据序列,其中,预测数据序列为模型预测的结构异常监测数据中缺失的部分;以及
S3:基于所生成的预测数据序列,重建结构异常监测数据序列,以得到完整的结构监测数据序列。
其中,结构异常监测数据重建模型是基于样本异常数据和样本异常数据对应的完整的样本结构监测数据序列训练得到的。
在本实施例中,需要说明的是,该具有环境温度相关性的结构异常监测数据重建方法还可以包括:对待重建的结构异常监测数据进行预处理,对待重建的结构异常监测数据进行预处理包括:根据待重建的结构异常监测数据中的待重建部分的长度,将结构监测数据和结构周围的环境温度数据进行划分。
具体地,可以根据待重建数据序列长度,将结构监测数据与环境温度数据进行划分。例如,下面以某古城墙应变监测数据重建过程为例说明本发明该实施例的具体实施过程:选取2020年三月9天的环境温度监测数据和结构应变监测数据,以30min为时距,共计433个温度数据样本,433个应变数据样本。更具体地,选取监测序列中的监测序列长度为144个应变监测值,据此将数据段进行划分,选取监测序列前145个应变数据和温度数据以及监测序列后146个应变数据和温度数据准备进行神经网络训练。
具体地,归一化可以按照以下公式(1)执行:
其中,μ为数据序列均值,σ为标准差。
在本实施例中,需要说明的是,该具有环境温度相关性的结构异常监测数据重建方法可以包括:结构异常监测数据重建模型包括正向预测层和反向预测层;其中,正向预测层用于基于待重建数据中的待重建部分之前的数据序列对待重建部分进行预测,以生成第一预测数据序列;反向预测层用于基于待重建数据中的待重建数据部分之后的数据序列对待重建部分进行预测,以生成第二预测数据序列。
在本实施例中,需要说明的是,该具有环境温度相关性的结构异常监测数据重建方法可以包括:结构异常监测数据重建模型包括基于GRU神经网络的结构异常监测数据重建模型。
具体地,该实施例中的结构异常监测数据重建模型可以为一种GRU(GatedRecurrent Unit,门控循环单元)神经网络,其是一种LSTM(Long Short-Term Memory,长短期记忆网络)神经网络的变体,属于循环神经网络,其本质特点是输出取决于当前时刻的输入和前一时刻隐藏层的输出。GRU神经网络对LSTM神经网络进行了简化,将LSTM的输入门、输出门和遗忘门简化为更新门与重置门。此外,GRU不引入额外的细胞单元状态,直接在当前状态ht和前一刻状态ht-1之间引入线性依赖关系。因此,GRU神经网络拥有比LSTM神经网络更少的训练参数,更容易收敛。
在本实施例中,需要说明的是,该具有环境温度相关性的结构异常监测数据重建方法还可以包括:训练结构异常监测数据重建模型,训练结构异常监测数据重建模型包括:基于预处理阶段划分好的结构监测数据和与结构监测数据相对应的结构周围的环境温度数据,训练结构异常监测数据重建模型。
具体地,重新构造GRU神经网络的输入层与输出层,基于预处理阶段得到的应变监测数据序列以及环境温度数据序列共同作为神经网络的多维度输入层,将应变监测数据序列作为输出层。
例如,将输入维度设置为4,输出为度设置为1,将前两个时刻的应变数据以及前一个时刻和本时刻的环境温度数据共同对本时刻的结构应变数据进行预测。
具体地,分别对应变测试数据序列之前时间段的数据序列进行重构GRU神经网络的模型正向预测训练,对应变测试数据序列之后时间段的数据序列进行重构GRU神经网络的模型反向预测训练。
具体地,GRU神经网络训练参数主要有学习次数、学习速率和隐藏单元数,根据数据集的预测误差验证所得网络的训练效果对网络模型训练参数进行循环分析,不断提高神经网络预测的精确度。
优选地,最优参数为学习次数500次,学习速率0.08,隐藏单元数150个,将最优参数输入网络模型中,得到具有最佳预测效果的网络模型。
具体地,使用训练好的重构GRU神经网络进行重建数据序列预测,将测试数据序列之前时间段的网络模型进行正向预测,得到应变数据的正向预测序列(ε′3,ε′4···ε′n-1,ε′n),将测试数据序列之后时间段的网络模型进行反向预测,得到应变数据的反向预测序列(ε″3,ε″4···ε″n-1,ε″n)。
具体地,诸如平方根误差MSE、均方根误差RMSE、平均绝对误差MAE的各类误差显著下降,并且决定性系数r2显著提高。
在本实施例中,需要说明的是,该具有环境温度相关性的结构异常监测数据重建方法还可以包括:结构异常监测数据重建模型包括正向预测层和反向预测层;其中,正向预测层用于基于待重建数据中的待重建部分之前的数据序列对待重建部分进行预测,以生成第一预测数据序列;反向预测层用于基于待重建数据中的待重建数据部分之后的数据序列对待重建部分进行预测,以生成第二预测数据序列。
在本实施例中,需要说明的是,该具有环境温度相关性的结构异常监测数据重建方法还可以包括:基于所生成的预测数据序列,重建结构异常监测数据序列包括:对第一预测数据序列和第二预测数据序列进行加权平均计算,以生成最终的预测数据序列。
在本实施例中,需要说明的是,该具有环境温度相关性的结构异常监测数据重建方法还可以包括:结构异常监测数据重建模型基于前n个时刻的应变数据以及前一个时刻和本时刻的环境温度数据共同对本时刻的结构应变数据进行预测,其中,n为大于或等于1的自然数。
具体地,将得到的正向与反向两组应变预测序列中第i时刻的预测数据ε′i和ε″i按照下式(2)所示进行加权平均,得到最终的结构应变预测序列(ε3,ε4...εn-1,εn)。
其中,y′i为基于正向预测层而生成的第一预测数据序列,y″i为基于反向预测层而生成的第二预测数据序列。
具体地,根据实测数据所处状态,对空缺数据输出模型预测值,对待重建数据序列进行重建,如下式(3)所示,得到的序列Yi即为数据重建后的应变数据序列。
如上所述,本发明所提出的方法能够有效地对具有环境温度相关性的结构异常监测数据进行智能重建,进而满足数据重建和结构状态评估要求,可以应用于对于具有环境温度相关性的各种结构异常监测数据进行智能重建和修复。
基于同样的发明构思,另一方面,本发明的一实施例提出一种具有环境温度相关性的结构异常监测数据重建装置。
下面结合图2对本发明提供的具有环境温度相关性的结构异常监测数据重建装置进行描述,下文描述的具有环境温度相关性的结构异常监测数据重建装置与上文描述的具有环境温度相关性的结构异常监测数据重建方法可相互对应参照。
图2为本发明一实施例提供的具有环境温度相关性的结构异常监测数据重建装置的结构示意图。
在本实施例中,需要说明的是,该具有环境温度相关性的结构异常监测数据重建装置1包括:数据获取单元10,用于获取待重建的结构异常监测数据;预测单元20,用于将待重建的结构异常监测数据和与待重建的结构异常监测数据相对应的环境温度数据,输入至经训练的结构异常监测数据重建模型中,得到结构异常监测数据重建模型输出的预测数据序列,其中,预测数据序列为模型预测的结构异常监测数据中缺失的部分;以及重建单元30,用于基于所生成的预测数据序列,重建结构异常监测数据序列,以得到完整的结构监测数据序列。其中,结构异常监测数据重建模型是基于样本异常数据和样本异常数据对应的完整的样本结构监测数据序列训练得到的。
由于本发明实施例提供的具有环境温度相关性的结构异常监测数据重建装置可以用于执行上述实施例所述的具有环境温度相关性的结构异常监测数据重建方法,其工作原理和有益效果类似,故此处不再详述,具体内容可参见上述实施例的介绍。
在本实施例中,需要说明的是,本发明实施例的装置中的各个模块可以集成于一体,也可以分离部署。上述单元可以合并为一个单元,也可以进一步拆分成多个子单元。
又一方面,基于相同的发明构思,本发明又一实施例提供了一种电子设备。
图3为本发明一实施例提供的电子设备的示意图。
在本实施例中,需要说明的是,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行具有环境温度相关性的结构异常监测数据重建方法,该方法包括:获取待重建的结构异常监测数据;将待重建的结构异常监测数据和与待重建的结构异常监测数据相对应的环境温度数据,输入至经训练的结构异常监测数据重建模型中,得到结构异常监测数据重建模型输出的预测数据序列,其中,预测数据序列为模型预测的结构异常监测数据中缺失的部分;以及基于所生成的预测数据序列,重建结构异常监测数据序列,以得到完整的结构监测数据序列。其中,结构异常监测数据重建模型是基于样本异常数据和样本异常数据对应的完整的样本结构监测数据序列训练得到的。
此外,上述的存储器330中的逻辑指令可以通过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。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行具有环境温度相关性的结构异常监测数据重建方法,该方法包括:获取待重建的结构异常监测数据;将待重建的结构异常监测数据和与待重建的结构异常监测数据相对应的环境温度数据,输入至经训练的结构异常监测数据重建模型中,得到结构异常监测数据重建模型输出的预测数据序列,其中,预测数据序列为模型预测的结构异常监测数据中缺失的部分;以及基于所生成的预测数据序列,重建结构异常监测数据序列,以得到完整的结构监测数据序列。其中,结构异常监测数据重建模型是基于样本异常数据和样本异常数据对应的完整的样本结构监测数据序列训练得到的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
此外,在本发明中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
此外,在本发明中,参考术语“实施例”、“本实施例”、“又一实施例”等的描述意指结合该实施例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例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种具有环境温度相关性的结构异常监测数据重建方法,其特征在于,包括:
获取待重建的结构异常监测数据;
将待重建的结构异常监测数据和与所述待重建的结构异常监测数据相对应的环境温度数据,输入至经训练的结构异常监测数据重建模型中,得到所述结构异常监测数据重建模型输出的预测数据序列,其中,所述预测数据序列为所述模型预测的结构异常监测数据中缺失的部分;
基于所生成的所述预测数据序列,重建结构异常监测数据序列,以得到完整的结构监测数据序列;
其中,所述结构异常监测数据重建模型是基于样本异常数据和所述样本异常数据对应的完整的样本结构监测数据序列训练得到的。
2.根据权利要求1所述的具有环境温度相关性的结构异常监测数据重建方法,其特征在于,所述结构异常监测数据重建模型包括正向预测层和反向预测层;
其中,所述正向预测层用于基于待重建数据中的待重建部分之前的数据序列对所述待重建部分进行预测,以生成第一预测数据序列;
所述反向预测层用于基于待重建数据中的待重建数据部分之后的数据序列对所述待重建部分进行预测,以生成第二预测数据序列。
3.根据权利要求1或2所述的具有环境温度相关性的结构异常监测数据重建方法,其特征在于,所述基于所生成的所述预测数据序列,重建所述结构异常监测数据序列包括:
对所述第一预测数据序列和所述第二预测数据序列进行加权平均计算,以生成最终的预测数据序列。
4.根据权利要求1或2所述的具有环境温度相关性的结构异常监测数据重建方法,其特征在于,所述结构异常监测数据重建模型基于前n个时刻的应变数据以及前一个时刻和本时刻的环境温度数据共同对本时刻的结构应变数据进行预测,其中,n为大于或等于1的自然数。
5.根据权利要求1所述的具有环境温度相关性的结构异常监测数据重建方法,其特征在于,所述结构异常监测数据重建模型包括基于GRU神经网络的结构异常监测数据重建模型。
6.根据权利要求1所述的具有环境温度相关性的结构异常监测数据重建方法,其特征在于,所述方法还包括:对待重建的结构异常监测数据进行预处理,所述对待重建的结构异常监测数据进行预处理包括:
根据待重建的结构异常监测数据中的待重建部分的长度,将结构监测数据和所述结构周围的环境温度数据进行划分。
7.根据权利要求6所述的具有环境温度相关性的结构异常监测数据重建方法,其特征在于,所述方法还包括:训练结构异常监测数据重建模型,所述训练结构异常监测数据重建模型包括:
基于预处理阶段划分好的所述结构监测数据和与所述结构监测数据相对应的所述结构周围的环境温度数据,训练结构异常监测数据重建模型。
8.一种具有环境温度相关性的结构异常监测数据重建装置,其特征在于,
数据获取单元,用于获取待重建的结构异常监测数据;
预测单元,用于将待重建的结构异常监测数据和与所述待重建的结构异常监测数据相对应的环境温度数据,输入至经训练的结构异常监测数据重建模型中,得到所述结构异常监测数据重建模型输出的预测数据序列,其中,所述预测数据序列为所述模型预测的结构异常监测数据中缺失的部分;以及
重建单元,用于基于所生成的所述预测数据序列,重建结构异常监测数据序列,以得到完整的结构监测数据序列;
其中,所述结构异常监测数据重建模型是基于样本异常数据和所述样本异常数据对应的完整的样本结构监测数据序列训练得到的。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的具有环境温度相关性的结构异常监测数据重建方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的具有环境温度相关性的结构异常监测数据重建方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110667120.7A CN113377744B (zh) | 2021-06-16 | 2021-06-16 | 具有环境温度相关性的结构异常监测数据重建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110667120.7A CN113377744B (zh) | 2021-06-16 | 2021-06-16 | 具有环境温度相关性的结构异常监测数据重建方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113377744A true CN113377744A (zh) | 2021-09-10 |
CN113377744B CN113377744B (zh) | 2023-07-18 |
Family
ID=77574554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110667120.7A Active CN113377744B (zh) | 2021-06-16 | 2021-06-16 | 具有环境温度相关性的结构异常监测数据重建方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113377744B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792372A (zh) * | 2021-09-28 | 2021-12-14 | 苏州大学 | 一种基于cv-lstm组合模型的地连墙变形动态预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766175A (zh) * | 2015-04-16 | 2015-07-08 | 东南大学 | 一种基于时间序列分析的电力系统异常数据辨识与修正方法 |
CN105760934A (zh) * | 2016-03-02 | 2016-07-13 | 浙江工业大学 | 一种基于小波与bp神经网络的桥梁异常监测数据修复方法 |
CN111369046A (zh) * | 2020-02-29 | 2020-07-03 | 上海电力大学 | 一种基于灰色神经网络的风光互补功率预测方法 |
CN111637925A (zh) * | 2020-05-27 | 2020-09-08 | 中铁大桥局集团有限公司 | 一种桥梁伸缩缝状态的预警方法和预警系统 |
CN112235043A (zh) * | 2020-09-14 | 2021-01-15 | 上海大学 | 一种基于自适应长短期记忆的分布式光纤异常数据修复模型 |
CN112487356A (zh) * | 2020-11-30 | 2021-03-12 | 北京航空航天大学 | 一种结构健康监测数据增强方法 |
CN112528365A (zh) * | 2020-11-30 | 2021-03-19 | 北京航空航天大学 | 一种地下基础设施结构健康演化趋势预测方法 |
CN112633316A (zh) * | 2020-10-22 | 2021-04-09 | 国网山东省电力公司潍坊供电公司 | 一种基于边界估值理论的负荷预测方法和装置 |
-
2021
- 2021-06-16 CN CN202110667120.7A patent/CN113377744B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766175A (zh) * | 2015-04-16 | 2015-07-08 | 东南大学 | 一种基于时间序列分析的电力系统异常数据辨识与修正方法 |
CN105760934A (zh) * | 2016-03-02 | 2016-07-13 | 浙江工业大学 | 一种基于小波与bp神经网络的桥梁异常监测数据修复方法 |
CN111369046A (zh) * | 2020-02-29 | 2020-07-03 | 上海电力大学 | 一种基于灰色神经网络的风光互补功率预测方法 |
CN111637925A (zh) * | 2020-05-27 | 2020-09-08 | 中铁大桥局集团有限公司 | 一种桥梁伸缩缝状态的预警方法和预警系统 |
CN112235043A (zh) * | 2020-09-14 | 2021-01-15 | 上海大学 | 一种基于自适应长短期记忆的分布式光纤异常数据修复模型 |
CN112633316A (zh) * | 2020-10-22 | 2021-04-09 | 国网山东省电力公司潍坊供电公司 | 一种基于边界估值理论的负荷预测方法和装置 |
CN112487356A (zh) * | 2020-11-30 | 2021-03-12 | 北京航空航天大学 | 一种结构健康监测数据增强方法 |
CN112528365A (zh) * | 2020-11-30 | 2021-03-19 | 北京航空航天大学 | 一种地下基础设施结构健康演化趋势预测方法 |
Non-Patent Citations (3)
Title |
---|
DENG Y等: "Data quality evaluation for bridge structural health monitoring based on deep learning and frequency-domain information", 《STRUCTURAL HEALTH MONITORING》, pages 1 - 23 * |
刘宇: "基于海洋时序数据的温度预测与补全方法研究", vol. 2020, no. 08, pages 010 - 7 * |
李苗等: "温度影响下基于主成分分析和模态柔度的结构异常检测", 《振动与冲击》, vol. 30, no. 5, pages 1 - 5 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792372A (zh) * | 2021-09-28 | 2021-12-14 | 苏州大学 | 一种基于cv-lstm组合模型的地连墙变形动态预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113377744B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kang et al. | Structural health monitoring of concrete dams using long-term air temperature for thermal effect simulation | |
Ahmadian et al. | Tau method for the numerical solution of a fuzzy fractional kinetic model and its application to the oil palm frond as a promising source of xylose | |
CN110119854B (zh) | 基于代价敏感lstm循环神经网络的稳压器水位预测方法 | |
CN107563067A (zh) | 基于自适应代理模型的结构可靠性分析方法 | |
Kim et al. | Prediction of relative crest settlement of concrete-faced rockfill dams analyzed using an artificial neural network model | |
Wang et al. | An approach to system reliability analysis with fuzzy random variables | |
Xin et al. | A signal recovery method for bridge monitoring system using TVFEMD and encoder-decoder aided LSTM | |
US11741373B2 (en) | Turbulence field update method and apparatus, and related device thereof | |
da-Silva et al. | Dynamic Bayesian beta models | |
Xing et al. | Interval estimation of landslide displacement prediction based on time series decomposition and long short-term memory network | |
CN112329865B (zh) | 基于自编码器的数据异常识别方法、装置和计算机设备 | |
Li et al. | A missing sensor measurement data reconstruction framework powered by multi-task Gaussian process regression for dam structural health monitoring systems | |
Lin et al. | Kriging based sequence interpolation and probability distribution correction for gaussian wind field data reconstruction | |
CN113836783B (zh) | 斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法 | |
Jiang et al. | Structural dynamic response reconstruction and virtual sensing using a sequence to sequence modeling with attention mechanism | |
Li et al. | Hydrostatic seasonal state model for monitoring data analysis of concrete dams | |
CN114897277B (zh) | 一种基于lstm的突发型滑坡位移预测方法 | |
Huang et al. | Displacement prediction model for high arch dams using long short-term memory based encoder-decoder with dual-stage attention considering measured dam temperature | |
CN113377744A (zh) | 具有环境温度相关性的结构异常监测数据重建方法及装置 | |
Wang et al. | Data-driven discovery of stochastic differential equations | |
Zhu et al. | A coupled model for dam foundation seepage behavior monitoring and forecasting based on variational mode decomposition and improved temporal convolutional network | |
CN116227180A (zh) | 基于数据驱动的机组组合智能决策方法 | |
Stöcker et al. | A novel self-adversarial training scheme for enhanced robustness of inelastic constitutive descriptions by neural networks | |
Wei et al. | Hybrid model for concrete dam deformation in consideration of residual correction by frequency division | |
Bai et al. | Conditional probability modeling of intensity measures for offshore mainshock-aftershock sequences |
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 |