CN113822270A - 一种结构健康监测高频数据异常值的确定方法及装置 - Google Patents

一种结构健康监测高频数据异常值的确定方法及装置 Download PDF

Info

Publication number
CN113822270A
CN113822270A CN202111403417.9A CN202111403417A CN113822270A CN 113822270 A CN113822270 A CN 113822270A CN 202111403417 A CN202111403417 A CN 202111403417A CN 113822270 A CN113822270 A CN 113822270A
Authority
CN
China
Prior art keywords
data
monitored
image
vector
sampling
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
Application number
CN202111403417.9A
Other languages
English (en)
Other versions
CN113822270B (zh
Inventor
李林超
周宝定
赵杨平
刘翰林
任伟新
杜彦良
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN202111403417.9A priority Critical patent/CN113822270B/zh
Publication of CN113822270A publication Critical patent/CN113822270A/zh
Application granted granted Critical
Publication of CN113822270B publication Critical patent/CN113822270B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请适用于数据处理技术领域，提供了一种结构健康监测高频数据异常值的确定方法及装置，该方法包括：获取待监测数据组的时间特征向量；获取所述待监测数据组的第一空间特征向量，其中，所述第一空间特征向量基于第一图像获得，所述第一图像为基于所述待监测数据组得到的直角坐标系下的图像；获取所述待监测数据组的第二空间特征向量，其中，所述第二空间特征向量基于第二图像获得，所述第二图像为基于所述待监测数据组得到的极坐标系下的图像；基于所述时间特征向量、所述第一空间特征向量和所述第二空间特征向量，得到所述待监测数据组的异常分类结果。本申请使用多源数据使得到的异常分类结果更准确。

Description

一种结构健康监测高频数据异常值的确定方法及装置
技术领域
本申请属于数据处理技术领域，尤其涉及一种结构健康监测高频数据异常值的确定方法、装置、终端设备及存储介质。
背景技术
在日常生活中，常常需要通过对数据的分析得到需要的结果，例如，通过对加速度或温度的分析确定结构的健康。由于采样数据的准确性是影响结果准确性的因素之一，因此，在对采样数据进行分析之前，判断采样数据是否存在异常，并根据异常原因对数据进行修正可以提高结果的准确性。
目前，在采样数据之后，通常直接对采样数据进行分析，得到分析结果，不会判断采样数据是否准确；即使会对采样数据进行分析，也是通过人为的观察采样数据，通过人为判断采样数据是否存在异常，并在采样数据存在异常时，人为的确定异常原因。在采样频率较高时，人为观察困难，速度较慢，人为判断的采样数据的异常原因往往不准确。
发明内容
本申请实施例提供了一种结构健康监测高频数据异常值的确定方法、装置、终端设备及存储介质，可以解决对数据异常原因分析不准确的问题。
第一方面，本申请实施例提供了一种结构健康监测高频数据异常值的确定方法，包括：
获取待监测数据组的时间特征向量，其中，所述待监测数据组包括多个采样数据和各个采样数据对应的采样时间；
获取所述待监测数据组的第一空间特征向量，其中，所述第一空间特征向量基于第一图像获得，所述第一图像为以采样时间为横坐标，以采样数据为纵坐标的直角坐标系下的图像；
获取所述待监测数据组的第二空间特征向量，其中，所述第二空间特征向量基于第二图像获得，所述第二图像为基于所述待监测数据组得到的极坐标系下的图像；
基于所述时间特征向量、所述第一空间特征向量和所述第二空间特征向量，得到所述待监测数据组的异常分类结果，所述异常分类结果用于表征所述待监测数据组中的采样数据存在异常的类型。
第二方面，本申请实施例提供了一种结构健康监测高频数据异常值的确定装置，包括：
第一向量获取模块，用于获取待监测数据组的时间特征向量，其中，所述待监测数据组包括多个采样数据和各个采样数据对应的采样时间；
第二向量获取模块，用于获取所述待监测数据组的第一空间特征向量，其中，所述第一空间特征向量基于第一图像获得，所述第一图像为以采样时间为横坐标，以采样数据为纵坐标的直角坐标系下的图像；
第三向量获取模块，用于获取所述待监测数据组的第二空间特征向量，其中，所述第二空间特征向量基于第二图像获得，所述第二图像为基于所述待监测数据组得到的极坐标系下的图像；
结果输出模块，用于基于所述时间特征向量、所述第一空间特征向量和所述第二空间特征向量，得到所述待监测数据组的异常分类结果，所述异常分类结果用于表征所述待监测数据组存在异常的类型。
第三方面，本申请实施例提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中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计算机程序时实现上述第一方面中任一项所述的结构健康监测高频数据异常值的确定方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述第一方面中任一项所述的结构健康监测高频数据异常值的确定方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的结构健康监测高频数据异常值的确定方法。
本申请第一方面实施例与现有技术相比存在的有益效果是：本申请先获得待监测数据组的时间特征向量、第一空间特征向量和第二空间特征向量，基于时间特征向量、第一空间特征向量和第二空间特征向量，得到待监测数据组的异常分类结果；相比现有技术仅使用一个时间特征向量或仅使用一个空间特征向量得到数据的异常分类结果，本申请使用一个时间特征向量和两个空间特征向量对数据进行分析，得到数据的异常分类结果，本申请使用多源数据使得到的异常分类结果更准确。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的结构健康监测高频数据异常值的确定方法的应用场景示意图；
图2是本申请一实施例提供的结构健康监测高频数据异常值的确定方法的流程示意图；
图3是本申请一实施例提供的第一空间特征向量的确定方法的流程示意图；
图4是本申请一实施例提供的第二空间特征向量的确定方法的流程示意图；
图5是本申请一实施例提供的异常分类结果的确定方法的流程示意图；
图6是本申请一实施例提供的结构健康监测高频数据异常值的确定装置的结构示意图；
图7是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
图1为本申请实施例提供的结构健康监测高频数据异常值的确定方法的应用场景示意图，上述方法可以用于对数据的异常原因的确定。其中，数据采集设备10用于采集数据，处理器20用于从数据采集设备10中获取数据，并对数据进行分析，确定数据的异常原因。
以下结合图1对本申请实施例的结构健康监测高频数据异常值的确定方法进行详细说明。
图2示出了本申请提供的结构健康监测高频数据异常值的确定方法的示意性流程图，参照图2，对该方法的详述如下：
S101，获取待监测数据组的时间特征向量。
在本实施例中，待监测数据组包括多个采样数据和各个采样数据对应的采样时间。多个采样数据的采样时间的时间间隔可以相同。
在本实施例中，待监测数据组可以从数据采集设备中获得。待监测数据组还可以是人为输入在终端设备中的数据。
在本实施例中，采样数据可以为高频数据，例如，高频数据可以为采样频率高于1Hz的数据。
在本实施例中，采样数据可以包括桥梁结构健康数据、隧道结构健康数据或检测图像数据等。
作为举例，桥梁结构健康数据可以包括振动加速度数据、温度数据、沉降数据等。
在本实施例中，数据采集设备可以按照预设时间周期采集采样数据。本申请中待监测数据组可以包括单个周期中采集的采样数据。每个周期采集的采样数据的个数可以相同。可选的，将待监测数据组可以记为
Figure 631385DEST_PATH_IMAGE001
的高频时间序列，X为待监测数据组，
Figure 863653DEST_PATH_IMAGE002
为第一个采样数据，
Figure 790020DEST_PATH_IMAGE003
为第t个采样数据，t为大于1的整数，待监测数据组中的各个采样数据按照采样时间的先后顺序进行排列。
作为举例，若数据采集设备每1毫秒采集一个采样数据，每30分钟为一个周期，待监测数据组为30分钟内采集的采样数据。
在本实施例中，时间特征向量用于反应待监测数据组的时间特征的向量。时间特征向量包括多个向量参数，每个向量参数为在对应的时间窗口下的向量参数。
在本实施例中，将所述待监测数据组输入时间特征提取模型，得到所述待监测数据组的时间特征向量。时间特征提取模型可以为卷积神经网络模型、循环神经网络或人工神经网络等。时间特征向量可以记为
Figure 869972DEST_PATH_IMAGE004
。
可选的，在将待监测数据组输入时间特征提取模型之前，还可以对时间特征提取模型进行训练。
具体的，将训练样本输入时间特征提取模型中对时间特征提取模型进行训练，得到时间特征提取模型输出的输出值，通过输出值修正时间特征提取模型中的参数，然后再次利用训练样本对更新参数后的时间特征提取模型进行训练，直到时间特征提取模型的输出值满足要求，得到训练后的时间特征提取模型。
S102，获取待监测数据组的第一空间特征向量。
在本实施例中，第一空间特征向量基于第一图像获得，第一图像为基于所述待监测数据组得到的直角坐标系下的图像。
在本实施例中，时间特征向量用于反应待监测数据组的空间特征的向量。空间特征向量包括多个向量参数，每个向量参数为在空间下的向量参数。
具体的，直角坐标系的横轴为时间轴，纵轴为变量值，本申请中直角坐标系的横轴为采样时间，纵轴表征采样数据的值。按照采样时间将采样数据映射到直角坐标系中，得到第一图像。若第一图像为彩色图像，则将第一图像转换成第一灰度图像。利用第一灰度图像得到第一空间特征向量。
可选的，将第一图像输入直角坐标空间特征提取模型，得到第一空间特征向量。具体的，直角坐标空间提取模型可以为卷积神经网络模型、循环神经网络或人工神经网络等。
可选的，在将第一图像输入直角坐标空间特征提取模型之前，还可以对直角坐标空间特征提取模型进行训练。具体的，将一直角坐标训练图像输入待训练的直角坐标空间特征提取模型对直角坐标空间特征提取模型进行训练，得到直角坐标空间特征提取模型的输出值；然后根据直角坐标空间特征提取模型的输出值更新直角坐标空间特征提取模型中的参数，将另一直角坐标训练图像输入直角坐标空间特征提取模型对更新参数值后的直角坐标空间特征提取模型进行训练，直到直角坐标空间特征提取模型的输出值满足要求，得到训练后的直角坐标空间特征提取模型。
S103，获取所述待监测数据组的第二空间特征向量。
在本实施例中，第二空间特征向量基于第二图像获得，第二图像为基于待监测数据组得到的极坐标系下的图像。极坐标系的角度
Figure 879385DEST_PATH_IMAGE005
，极径
Figure 552943DEST_PATH_IMAGE006
。
具体的，将待监测数据组映射到极坐标系下，通过数据变换可以得到第二图像。可选的，数据变换可以包括利用格拉姆角场（Gramian Angular Field，GAF）对数据进行变换，格拉姆角场包括对应做角度和（GASF）或对应做角度差（GADF）。可选的，将第二图像输入极坐标空间特征提取模型，得到第二空间特征向量。在使用极坐标空间特征提取模型之前，还可以对极坐标空间特征提取模型进行训练，具体的训练过程可以参考上述对直角坐标空间特征提取模型的训练过程，在此不再赘述。
S104，基于所述时间特征向量、所述第一空间特征向量和所述第二空间特征向量，得到所述待监测数据组的异常分类结果。
在本实施例中，异常分类结果用于表征待监测数据组中的采样数据中的异常值存在异常的类型。异常分类结果可以包括数据缺失、数据离群、数据固定和数据漂移等。其中，数据缺失表征待监测数据组中的采样数据不全，存在缺失的数据。数据离群表征待监测数据组中存在离群的采样数据。数据固定指待监测数据组中存在不受环境变化支配的采样数据。数据漂移指的是待监测数据组中的采样数据偏离标准、正常或预期的情况，待监测数据组中包括的不是单个周期的数据，还包括上一周期或下一周期的数据。
在本实施例中，异常值为异常分类结果。异常分类结果可以用字符或数字表示，不同的异常分类结果对应不同的字符或数字。
本申请实施例中，先获得待监测数据组的时间特征向量、第一空间特征向量和第二空间特征向量，基于时间特征向量、第一空间特征向量和第二空间特征向量，得到待监测数据组的异常分类结果；本申请相比现有技术仅使用一个时间特征向量或仅使用一个空间特征向量得到数据的异常分类结果，本申请使用一个时间特征向量和两个空间特征向量对数据进行分析，得到数据的异常分类结果，本申请使用多源数据使得到的异常分类结果更准确。
如图3所示，在一种可能的实现方式中，步骤S102的实现过程可以包括：
S1021，获取所述待监测数据组。
在本实施例中，在获取到待监测数据组后，可以判断采样数据中是否存在数据丢失或数据缺失。若采样数据中存在数据丢失或数据缺失，可以利用插值法将丢失或缺失的数据进行补足，得到修复后的待监测数据组，对丢失的数据进行补足可以保证待监测数据组的完整性，保证最后确定的待监测数据组的异常值的异常分类结果更准确。
具体的，可以计算多个采样数据的平均值，将丢失的数据利用平均值进行填充。具体的，可以查找多个采样数据的中位数，将丢失的数据利用中位数进行填充。若采样数据中不存在数据丢失，则不需要对待监测数据组进行处理。
S1022，将各个采样数据进行归一化处理，得到包括第一数据的第一数据组，所述第一数据为采样数据进行归一化处理后得到的数据。
在本实施例中，利用归一化公式将各个采样数据进行归一化处理，得到各个采样数据对应的第一数据。若采样数据是经过修复后的数据，将修复后的待监测数据组中的各个采样数据进行归一化处理。对采用数据进行归一化处理可以使后期对数据处理更简单，消除奇异采集数据导致的不良影响。
具体的，归一化公式可以包括：
Figure 283001DEST_PATH_IMAGE007
，其中，
Figure 407340DEST_PATH_IMAGE008
为采样数据
Figure 807228DEST_PATH_IMAGE009
经过归一化处理后的第一数据；若待监测数据没有经过修复，
Figure 827137DEST_PATH_IMAGE010
为待监测数据组中的第t个采样数据；若待监测数据经过修复，
Figure 219941DEST_PATH_IMAGE011
为经过修复后的待监测数据组中的第t个采样数据；若待监测数据没有经过修复，min为待监测数据组中各个采样数据中的最小值；若待监测数据经过修复，min为经过修复后的待监测数据组中各个采样数据中的最小值；若待监测数据没有经过修复，max为待监测数据组中各个采样数据中的最大值；若待监测数据经过修复，max为经过修复后的待监测数据组中各个采样数据中的最大值。
在本实施例中，第一数据组中的第一数据按照采集时间的先后顺序进行排列。
S1023，基于各个第一数据对应的采样时间，将各个第一数据映射在所述直角坐标系中，得到所述第一图像。
在本实施例中，第一图像表征各个第一数据与采样时间的关系，第一数据对应的采样时间为第一数据对应的采样数据的采样时间。
作为举例，若采样数据x2的采样时间为T1，采样数据x2经过归一化处理后得到第一数据
Figure 274485DEST_PATH_IMAGE012
，则
Figure 110854DEST_PATH_IMAGE012
的采样时间为T1。
在本实施例中，将第一数据映射到直角坐标系后得到的直角坐标系图像为第一图像。
S1024，基于第一图像和直角坐标空间特征提取模型，得到所述第一空间特征向量。
在本实施例中，得到第一图像后，将第一图像转换为三维张量。三维张量的维度可以包括高度、宽度和像素RGB值。将根据第一图像得到的三维张量输入直角坐标空间提取模型，得到第一空间特征向量，第一空间特征向量为一维向量，第一空间特征向量可以记为
Figure 805009DEST_PATH_IMAGE013
。
如图4所示，在一种可能的实现方式中，步骤S103的实现过程可以包括：
S1031，将所述各个采样数据进行归一化处理，得到包括第一数据的第一数据组。
S1032，计算各个第一数据在所述极坐标系下的极角。
在本实施例中，计算所述各个第一数据的反余弦值，得到所述各个第一数据在所述极坐标系下的极角。
具体的，可以根据坐标转换模型，得到极角和极径。坐标转换模型包括：
Figure 611291DEST_PATH_IMAGE014
其中，yt为第t个采样数据对应的极角，也就是第t个第一数据对应的极角；
Figure 661287DEST_PATH_IMAGE015
为第t个采样数据经过归一化后的第一数据；tt为第t个采样时间，N为常数，可以根据需要进行设置；rt为第t个采样数据的极径。
S1033，基于各个极角，得到所述第二图像。
具体的，基于各个极角和转换模型，得到格拉姆角场矩阵。基于所述格拉姆角场矩阵，得到格拉姆角场图，所述格拉姆角场图为所述第二图像。
其中，所述转换模型包括：
Figure 527611DEST_PATH_IMAGE016
；
GASF为格拉姆角场矩阵，y1为所述第一数据组中第一个第一数据的极角，y2为所述第一数据组中第二个第一数据的极角，yn为所述第一数据组中第n个第一数据的极角。
在本实施例中，第二图像为极坐标系图像，若第二图像为彩色图像，可以将第二图像转换为第二灰度图像，利用第二灰度图像得到第二空间特征向量。
S1034，基于所述第二图像和极坐标空间特征提取模型，得到所述第二空间特征向量。
具体的，将第二图像转换为三维张量，将第二图像得到的三维张量输入极坐标空间特征提取模型，得到第二空间特征向量，第二空间特征向量为一维向量，第二空间特征向量
Figure 912325DEST_PATH_IMAGE017
。
如图5所示，在一种可能的实现方式中，步骤S104的实现过程可以包括：
S1041，将时间特征向量、第一空间特征向量和第二空间特征向量进行数据融合，得到融合数据。
在本实施例中，数据融合为数据合并。融合数据为融合向量。
作为举例，若时间特征向量为
Figure 522298DEST_PATH_IMAGE018
，第一空间特征向量为
Figure 426800DEST_PATH_IMAGE019
，第二空间特征向量
Figure 729606DEST_PATH_IMAGE020
，则融合数据为
Figure 338966DEST_PATH_IMAGE021
。
S1042，将所述融合数据输入预设的分类模型中，得到所述待监测数据组的异常分类结果。
在本实施例中，分类模型可以基于最近邻分类模型、支持向量机分类模型、神经网络分类模型等。
在本实施例中，异常分类结果用于指示按照异常分类结果对数据进行清洗，对数据的清洗可以包括数据补足、数据删除、数据替换等。
作为举例，若异常分类结果为数据缺失，可以利用插值法将数据补足。若异常分类结果为数据离群，则可以剔除离群数据。若异常分类结果为数据固定，则可以将该数据用待监测数据组的平均值替换。若异常分类结果为数据漂移，则可以对待监测数据组进行分析，删除偏移的数据。
在本实施例中，异常分类结果还可以用于指示根据异常分类结果查找待监测数据组出现异常的原因，并根据出现异常的原因查找对应的解决方案，不同的异常原因对应不同的解决方案。通过异常分类结果确定异常原因，并解决异常原因，以减少采集的待监测数据组出现异常的几率。
作为举例，若异常分类结果为数据缺失，数据缺失对应的异常原因为数据采集设备中一配置参数较大，如采样频率较大，解决方案为将该配置参数调小。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的结构健康监测高频数据异常值的确定方法方法，图6示出了本申请实施例提供的结构健康监测高频数据异常值的确定装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图6，该装置200可以包括：第一向量获取模块210、第二向量获取模块220、第三向量获取模块230和结果输出模块240。
其中，第一向量获取模块210，用于获取待监测数据组的时间特征向量，其中，所述待监测数据组包括多个采样数据和各个采样数据对应的采样时间；
第二向量获取模块220，用于获取所述待监测数据组的第一空间特征向量，其中，所述第一空间特征向量基于第一图像获得，所述第一图像为以采样时间为横坐标，以采样数据为纵坐标的直角坐标系下的图像；
第三向量获取模块230，用于获取所述待监测数据组的第二空间特征向量，其中，所述第二空间特征向量基于第二图像获得，所述第二图像为基于所述待监测数据组得到的极坐标系下的图像；
结果输出模块240，用于基于所述时间特征向量、所述第一空间特征向量和所述第二空间特征向量，得到所述待监测数据组的异常分类结果，所述异常分类结果用于表征所述待监测数据组存在异常的类型。
在一种可能的实现方式中，第一向量获取模块210具体可以用于：
获取所述待监测数据组；
将所述待监测数据组输入时间特征提取模型，得到所述待监测数据组的时间特征向量。
在一种可能的实现方式中，第二向量获取模块220具体可以用于：
获取所述待监测数据组；
将所述各个采样数据进行归一化处理，得到包括第一数据的第一数据组，所述第一数据为采样数据进行归一化处理后得到的数据；
基于各个第一数据对应的采样时间，将各个第一数据映射在所述直角坐标系中，得到所述第一图像，其中，所述第一图像表征所述各个第一数据与采样时间的关系，第一数据对应的采样时间为所述第一数据对应的采样数据的采样时间；
基于所述第一图像和直角坐标空间特征提取模型，得到所述第一空间特征向量。
在一种可能的实现方式中，第三向量获取模块230具体可以用于：
计算所述各个第一数据在所述极坐标系下的极角；
基于各个极角，得到所述第二图像；
基于所述第二图像和极坐标空间特征提取模型，得到所述第二空间特征向量。
在一种可能的实现方式中，第三向量获取模块230具体还可以用于：
计算所述各个第一数据的反余弦值，得到所述各个第一数据在所述极坐标系下的极角。
在一种可能的实现方式中，第三向量获取模块230具体还可以用于：
基于各个极角和转换模型，得到格拉姆角场矩阵；
基于所述格拉姆角场矩阵，得到格拉姆角场图，所述格拉姆角场图为所述第二图像，其中，所述第一数据组中的第一数据按照采样时间的先后顺序进行排列；
其中，所述转换模型包括：
Figure 487051DEST_PATH_IMAGE016
，
GASF为所述格拉姆角场矩阵，y1为所述第一数据组中第一个第一数据的极角，y2为所述第一数据组中第二个第一数据的极角，yn为所述第一数据组中第n个第一数据的极角。
在一种可能的实现方式中，结果输出模块240具体还可以用于：
将所述时间特征向量、所述第一空间特征向量和所述第二空间特征向量进行数据融合，得到融合数据；
将所述融合数据输入预设的分类模型中，得到所述待监测数据组的异常分类结果。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种终端设备，参见图7，该终端设备400可以包括：至少一个处理器410、存储器420以及存储在所述存储器420中并可在所述至少一个处理器410上运行的计算机程序，所述处理器410执行所述计算机程序时实现上述任意各个方法实施例中的步骤，例如图2所示实施例中的步骤S101至步骤S104。或者，处理器410执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块210至240的功能。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器420中，并由处理器410执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段，该程序段用于描述计算机程序在终端设备400中的执行过程。
本领域技术人员可以理解，图7仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如输入输出设备、网络接入设备、总线等。
处理器410可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器420可以是终端设备的内部存储单元，也可以是终端设备的外部存储设备，例如插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。所述存储器420用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器420还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构（Industry Standard Architecture，ISA）总线、外部设备互连（Peripheral Component，PCI）总线或扩展工业标准体系结构（ExtendedIndustry Standard Architecture，EISA）总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的结构健康监测高频数据异常值的确定方法可以应用于计算机、平板电脑、笔记本电脑、上网本、个人数字助理(personal digital assistant，PDA)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的终端设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被一个或多个处理器执行时，可实现上述各个方法实施例的步骤。
所述集成的单元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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被一个或多个处理器执行时，可实现上述各个方法实施例的步骤。
同样，作为一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random AccessMemory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种结构健康监测高频数据异常值的确定方法，其特征在于，包括：
获取待监测数据组的时间特征向量，其中，所述待监测数据组包括多个采样数据和各个采样数据对应的采样时间；
获取所述待监测数据组的第一空间特征向量，其中，所述第一空间特征向量基于第一图像获得，所述第一图像为以采样时间为横坐标，以采样数据为纵坐标的直角坐标系下的图像；
获取所述待监测数据组的第二空间特征向量，其中，所述第二空间特征向量基于第二图像获得，所述第二图像为基于所述待监测数据组得到的极坐标系下的图像；
基于所述时间特征向量、所述第一空间特征向量和所述第二空间特征向量，得到所述待监测数据组的异常分类结果，所述异常分类结果用于表征所述待监测数据组中的采样数据存在异常的类型。
2.如权利要求1所述的结构健康监测高频数据异常值的确定方法，其特征在于，所述获取待监测数据组的时间特征向量，包括：
获取所述待监测数据组；
将所述待监测数据组输入时间特征提取模型，得到所述待监测数据组的时间特征向量。
3.如权利要求1所述的结构健康监测高频数据异常值的确定方法，其特征在于，所述获取所述待监测数据组的第一空间特征向量，包括：
获取所述待监测数据组；
将所述各个采样数据进行归一化处理，得到包括第一数据的第一数据组，所述第一数据为采样数据进行归一化处理后得到的数据；
基于各个第一数据对应的采样时间，将各个第一数据映射在所述直角坐标系中，得到所述第一图像，其中，所述第一图像表征所述各个第一数据与采样时间的关系，第一数据对应的采样时间为所述第一数据对应的采样数据的采样时间；
基于所述第一图像和直角坐标空间特征提取模型，得到所述第一空间特征向量。
4.如权利要求3所述的结构健康监测高频数据异常值的确定方法，其特征在于，所述获取所述待监测数据组的第二空间特征向量，包括：
计算所述各个第一数据在所述极坐标系下的极角；
基于各个极角，得到所述第二图像；
基于所述第二图像和极坐标空间特征提取模型，得到所述第二空间特征向量。
5.如权利要求4所述的结构健康监测高频数据异常值的确定方法，其特征在于，所述计算所述各个第一数据在所述极坐标系下的极角，包括：
计算所述各个第一数据的反余弦值，得到所述各个第一数据在所述极坐标系下的极角。
6.如权利要求4所述的结构健康监测高频数据异常值的确定方法，其特征在于，所述基于各个极角，得到所述第二图像，包括：
基于各个极角和转换模型，得到格拉姆角场矩阵；
基于所述格拉姆角场矩阵，得到格拉姆角场图，所述格拉姆角场图为所述第二图像，其中，所述第一数据组中的第一数据按照采样时间的先后顺序进行排列；
其中，所述转换模型包括：
Figure 87780DEST_PATH_IMAGE001
，
GASF为所述格拉姆角场矩阵，y1为所述第一数据组中第一个第一数据的极角，y2为所述第一数据组中第二个第一数据的极角，yn为所述第一数据组中第n个第一数据的极角。
7.如权利要求1所述的结构健康监测高频数据异常值的确定方法，其特征在于，所述基于所述时间特征向量、所述第一空间特征向量和所述第二空间特征向量，得到所述待监测数据组的异常分类结果，包括：
将所述时间特征向量、所述第一空间特征向量和所述第二空间特征向量进行数据融合，得到融合数据；
将所述融合数据输入预设的分类模型中，得到所述待监测数据组的异常分类结果。
8.一种结构健康监测高频数据异常值的确定装置，其特征在于，包括：
第一向量获取模块，用于获取待监测数据组的时间特征向量，其中，所述待监测数据组包括多个采样数据和各个采样数据对应的采样时间；
第二向量获取模块，用于获取所述待监测数据组的第一空间特征向量，其中，所述第一空间特征向量基于第一图像获得，所述第一图像为以采样时间为横坐标，以采样数据为纵坐标的直角坐标系下的图像；
第三向量获取模块，用于获取所述待监测数据组的第二空间特征向量，其中，所述第二空间特征向量基于第二图像获得，所述第二图像为基于所述待监测数据组得到的极坐标系下的图像；
结果输出模块，用于基于所述时间特征向量、所述第一空间特征向量和所述第二空间特征向量，得到所述待监测数据组的异常分类结果，所述异常分类结果用于表征所述待监测数据组存在异常的类型。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中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计算机程序时实现如权利要求1至7任一项所述的结构健康监测高频数据异常值的确定方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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至7任一项所述的结构健康监测高频数据异常值的确定方法。
CN202111403417.9A 2021-11-24 2021-11-24 一种结构健康监测高频数据异常值的确定方法及装置 Active CN113822270B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111403417.9A CN113822270B (zh) 2021-11-24 2021-11-24 一种结构健康监测高频数据异常值的确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111403417.9A CN113822270B (zh) 2021-11-24 2021-11-24 一种结构健康监测高频数据异常值的确定方法及装置

Publications (2)

Publication Number Publication Date
CN113822270A true CN113822270A (zh) 2021-12-21
CN113822270B CN113822270B (zh) 2022-02-11

Family

ID=78918283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111403417.9A Active CN113822270B (zh) 2021-11-24 2021-11-24 一种结构健康监测高频数据异常值的确定方法及装置

Country Status (1)

Country Link
CN (1) CN113822270B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101906944B1 (ko) * 2017-07-28 2018-10-11 계명대학교 산학협력단 Ivoct 영상 기반 혈관 내강의 자동 분류 방법 및 시스템
CN111861028A (zh) * 2020-07-29 2020-10-30 浙江工业大学 一种基于时空数据融合的犯罪数量预测方法
CN111882138A (zh) * 2020-08-07 2020-11-03 中国农业大学 基于时空融合的水质预测方法、装置、设备及存储介质
CN113255579A (zh) * 2021-06-18 2021-08-13 上海建工集团股份有限公司 一种施工监测异常采集数据自动识别与处理的方法
CN113343847A (zh) * 2021-06-04 2021-09-03 深圳供电局有限公司 异常数据检测方法、装置、计算机设备和可读存储介质
CN113609789A (zh) * 2021-09-15 2021-11-05 重庆大学 一种基于时空特征并行提取的刀具磨损状态预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101906944B1 (ko) * 2017-07-28 2018-10-11 계명대학교 산학협력단 Ivoct 영상 기반 혈관 내강의 자동 분류 방법 및 시스템
CN111861028A (zh) * 2020-07-29 2020-10-30 浙江工业大学 一种基于时空数据融合的犯罪数量预测方法
CN111882138A (zh) * 2020-08-07 2020-11-03 中国农业大学 基于时空融合的水质预测方法、装置、设备及存储介质
CN113343847A (zh) * 2021-06-04 2021-09-03 深圳供电局有限公司 异常数据检测方法、装置、计算机设备和可读存储介质
CN113255579A (zh) * 2021-06-18 2021-08-13 上海建工集团股份有限公司 一种施工监测异常采集数据自动识别与处理的方法
CN113609789A (zh) * 2021-09-15 2021-11-05 重庆大学 一种基于时空特征并行提取的刀具磨损状态预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
贾继德: "一种柴油机燃烧状态特征极坐标增强方法", 《内燃机工程》 *

Also Published As

Publication number Publication date
CN113822270B (zh) 2022-02-11

Similar Documents

Publication Publication Date Title
CN111310775B (zh) 数据训练方法、装置、终端设备及计算机可读存储介质
CN111598913B (zh) 一种基于机器人视觉的图像分割方法和系统
CN110082135A (zh) 设备故障识别方法、装置和终端设备
CN110720906B (zh) 脑图像处理方法、计算机设备和可读存储介质
CN110941978B (zh) 一种未识别身份人员的人脸聚类方法、装置及存储介质
CN114414935A (zh) 基于大数据的配电网馈线故障区域自动化定位方法和系统
CN108156452B (zh) 一种检测传感器的方法、装置、设备及存储介质
CN112235314A (zh) 网络流量检测方法和装置及设备
CN115273123B (zh) 一种票据识别方法、装置、设备及计算机存储介质
CN111145634B (zh) 一种校正地图的方法及装置
CN113962877B (zh) 一种像素畸变的校正方法、校正装置及终端
CN113190429B (zh) 服务器性能预测方法、装置及终端设备
CN111161789B (zh) 一种模型预测的关键区域的分析方法及装置
CN113822270B (zh) 一种结构健康监测高频数据异常值的确定方法及装置
CN112418089A (zh) 一种手势识别方法、装置及终端
CN111136655B (zh) 一种获取巡检点的方法及装置
CN108629219B (zh) 一种识别一维码的方法及装置
CN110633630B (zh) 一种行为识别方法、装置及终端设备
CN115690747B (zh) 车辆盲区检测模型测试方法、装置、电子设备及存储介质
CN111104965A (zh) 车辆目标识别的方法及装置
CN115830414A (zh) 人脸关键点回归模型训练方法、装置、设备及存储介质
CN110232302B (zh) 一种集成灰度值、空间信息和类别知识的变化检测方法
CN113808134A (zh) 油罐布局信息生成方法、装置、电子设备、介质
Beniugă et al. Virtual instrumentation system for remote reading of digital and analogical equipment display
CN118470379A (zh) 一种预标注方法、装置、计算机可读存储介质及电子设备

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