CN113988210A - 结构监测传感网失真数据修复方法、装置及存储介质 - Google Patents

结构监测传感网失真数据修复方法、装置及存储介质 Download PDF

Info

Publication number
CN113988210A
CN113988210A CN202111324196.6A CN202111324196A CN113988210A CN 113988210 A CN113988210 A CN 113988210A CN 202111324196 A CN202111324196 A CN 202111324196A CN 113988210 A CN113988210 A CN 113988210A
Authority
CN
China
Prior art keywords
monitoring sensor
response data
data
distorted
structural
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
CN202111324196.6A
Other languages
English (en)
Inventor
马亚飞
何羽
王磊
张建仁
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.)
Changsha University of Science and Technology
Original Assignee
Changsha University of Science and Technology
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 Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN202111324196.6A priority Critical patent/CN113988210A/zh
Publication of CN113988210A publication Critical patent/CN113988210A/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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种结构监测传感网失真数据修复方法、装置及存储介质，其中方法包括：获取各结构监测传感器的结构响应数据，并分别输入失真识别模型，得到对应的识别结果；对于识别结果为失真的结构监测传感器，获取与其相关联的各结构监测传感器的结构响应数据，并将其进行归一化预处理，输入失真数据重建模型，得到失真的结构监测传感器的结构响应数据归一化修正值；对结构响应数据归一化修正值进行反归一化处理，得到失真的结构监测传感器的结构响应数据修正值。可实现结构监测传感网异常行为在线智能识别与数据修复，数据重建方法合理，推广性强，重建性能优良，可广泛适用于工程结构智能运维。

Description

结构监测传感网失真数据修复方法、装置及存储介质
技术领域
本发明涉及结构性能监测和评估领域，尤其涉及一种结构监测传感网失真数据修复方法、装置及存储介质。
背景技术
我国桥梁、建筑等大型复杂工程结构体量巨大，在复杂环境和不利荷载等多因素作用下，容易导致结构损伤和抗力衰减，在极端情况下甚至引发灾难性事故。为保证结构的安全性，重大工程结构需安装健康监测系统来实时监测其施工、服役期间安全状况。传感网络是结构健康监测的核心，保障其健康运行对服役环境与结构响应数据的有效获取至关重要。然而，受噪声、人为干扰、恶劣环境等影响，传感采集过程中信号漂移、离群、缺失等问题时有发生，结构响应数据失真将影响结构状态的准确评估。因此，如何识别失真数据类型，提高失真数据重建精度是当前面临的主要问题。
传统数据重建方法主要有删除法、插补法和最大似然模型预测法，然而，这些方法主要期望获得有效的统计推断，较少关注缺失数据的预测精度。近年来，人工神经网络方法已被广泛应用于数据预测，但该方法难体现样本数据间的关联性，尚存在调参复杂和过拟合等问题。递归网络模型将单调的神经网络模型进行整合，其隐藏层相邻节点之间互相连接，隐藏层输出由当前时刻输入和上一时刻输出共同决定。递归网络对短时间序列信息具有良好的学习能力，但随着时序长度的增加，其对远距离信息的记忆会不断减弱，存在梯度消失或爆炸等问题，从而难以对大规模失真数据进行建模。
发明内容
本发明提供了一种结构监测传感网失真数据修复方法、装置及存储介质，以解决现有的结构监测传感网采集的失真结构响应数据重建方法效果不佳的问题。
第一方面，提供了一种结构监测传感网失真数据修复方法，包括：
获取各结构监测传感器的结构响应数据，并分别输入失真识别模型，得到对应的识别结果；
对于识别结果为失真的结构监测传感器，获取与其相关联的各结构监测传感器的结构响应数据，并将其进行归一化预处理，输入失真数据重建模型，得到失真的结构监测传感器的结构响应数据归一化修正值；其中，所述失真数据重建模型为基于各结构监测传感器历史正常结构响应数据对BLSTM进行训练得到；
对结构响应数据归一化修正值进行反归一化处理，得到失真的结构监测传感器的结构响应数据修正值。
进一步地，所述失真识别模型通过如下方法得到：
获取正常结构响应数据样本和包括各类故障的失真结构响应数据样本，并设置对应的标签，构建训练样本集；
基于训练样本集对一维卷积神经网络进行训练，得到失真识别模型。
进一步地，所述各类故障的类型包括：偏移、漂移、精度退化、增益，以及常数、常数+噪声、噪声三种完全故障；
所述一维卷积神经网络包括三个卷积池化层和一个全连接层，使用Softmax函数输出分类标签。
进一步地，所述失真数据重建模型通过如下方法得到：
获取各结构监测传感器的历史正常结构响应数据；
分别将各结构监测传感器作为待预测结构监测传感器，并提取其历史正常结构响应数据及与其相关联的结构监测传感器的历史正常结构响应数据，并对数据进行归一化预处理，得到分别与各结构监测传感器对应的多个训练样本集；
分别基于各训练样本集，以相关联的结构监测传感器的历史正常结构响应数据为输入，以待预测结构监测传感器的历史正常结构响应数据为输出，对BLSTM进行训练，且采用粒子群优化算法获取最优BLSTM参数，得到失真数据重建模型。
进一步地，所述对数据进行归一化预处理过程包括：
以y表示待预测结构监测传感器的历史正常结构响应数据，X表示相关联的结构监测传感器的历史正常结构响应数据，表示如下：
Figure BDA0003346361890000021
式中，
Figure BDA0003346361890000022
表示t时刻第n个相关联的结构监测传感器的测量值；yt为t时刻待预测结构监测传感器的测量值；M为相关联的结构监测传感器总数，T表示结构响应数据的序列长度；
按如下公式将数据进行归一化，使其值处于[0,1]范围内：
Figure BDA0003346361890000023
Figure BDA0003346361890000031
式中，
Figure BDA0003346361890000032
和
Figure BDA0003346361890000033
分别为第n个相关联的结构监测传感器所有时刻测量值中的最大值和最小值；
Figure BDA0003346361890000034
和
Figure BDA0003346361890000035
分别为待预测结构监测传感器所有时刻测量值中的最大值和最小值。
进一步地，所述BLSTM的记忆细胞结构包括遗忘门、输入门、输出门、候选状态、存储单元、单元输出，分别表示如下：
Figure BDA0003346361890000036
Figure BDA0003346361890000037
Figure BDA0003346361890000038
Figure BDA0003346361890000039
Figure BDA00033463618900000310
Figure BDA00033463618900000311
式中，ft、it、ot、
Figure BDA00033463618900000312
ct和ht分别表示在t时刻的遗忘门、输入门、输出门、候选状态、存储单元和单元输出；ht-1为t-1时刻的单元输出；Wf、Wi、Wo和Wc分别为对应的输入-状态权重矩阵；Uf、Ui、Uo和Uc分别为对应的状态-状态权重矩阵；bf、bi、bo和bc分别为对应的偏置向量；σ和tanh为非线性激活函数。
进一步地，所述BLSTM的参数包括如下7个：数据序列长度、批次大小、隐藏层神经元数量、全连接层神经元数量、dropout的比例、学习率、迭代次数；
所述采用粒子群优化算法获取最优BLSTM参数的过程包括：
初始化多个粒子的初始位置和速度，每个粒子均由上述7个参数组成；设置最大迭代次数、学习因子和适应度函数；
迭代更新每个粒子的位置和速度，每次迭代后均计算适应度值，直至达到最大迭代次数或适应度值小于预设值，得到最优BLSTM参数；
其中，适应度函数表示如下：
Figure BDA00033463618900000313
式中，L表示适应度值，T表示结构响应数据的序列长度，
Figure BDA00033463618900000314
表示t时刻待预测结构监测传感器的结构响应数据预测值，yt表示t时刻待预测结构监测传感器的结构响应数据真实值。
进一步地，还包括：
采用同一失真数据重建模型对失真的结构监测传感器的结构响应数据进行多次修正重建，并获取多次失真的结构监测传感器的结构响应数据修正值的均值和置信区间，按下式构建失真的结构监测传感器的结构响应数据修正值的概率分布
Figure BDA0003346361890000041
对失真数据重建模型固有不确定性进行量化；
Figure BDA0003346361890000042
式中，N表示正态分布；
Figure BDA0003346361890000043
表示t时刻失真的结构监测传感器的结构响应数据修正值均值；σt为t时刻失真的结构监测传感器的结构响应数据修正值标准差。
第二方面，提供了一种结构监测传感网失真数据修复装置，包括：
失真数据识别模块，用于获取各结构监测传感器的结构响应数据，并分别输入失真识别模型，得到对应的识别结果；
失真数据重建模块，用于获取识别结果为失真的结构监测传感器相关联的各结构监测传感器的结构响应数据，并将其进行归一化预处理，输入失真数据重建模型，得到失真的结构监测传感器的结构响应数据归一化修正值；其中，所述失真数据重建模型为基于各结构监测传感器历史正常结构响应数据对BLSTM进行训练得到；
反归一化模块，用于对结构响应数据归一化修正值进行反归一化处理，得到失真的结构监测传感器的结构响应数据修正值。
第三方面，提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的结构监测传感网失真数据修复方法。
有益效果
保障结构监测传感网络健康运行，提高失真数据预测精度，是结构安全风险评估的前提。本发明提出了一种结构监测传感网失真数据修复方法、装置及存储介质，包括失真数据智能识别和数据修复两部分。其中，失真数据智能识别基于训练好的神经网络模型进行识别；失真数据修正重建主要采用双向长短时记忆网络模型(BLSTM)，利用记忆细胞门结构对有效信息进行选择记忆，结合粒子群(PSO)算法对双向长短时记忆网络模型参数进行优化，进而从正向和反向挖掘结构响应数据时变规律，进而实现失真数据的精确修正重建。而且，在进行失真数据的修正重建时，选择与失真的结构监测传感器相关联的结构监测传感器采集的数据作为失真数据重建模型的输入，进而提高了模型预测精度。基于上述框架，可实现结构监测传感网异常行为在线智能识别与数据修复。本发明数据重建方法合理，推广性强，重建性能优良，可广泛适用于工程结构智能运维。
附图说明
为了更清楚地说明本发明实施例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简单地介绍，显而易见地，下面描述中的附图仅仅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是本发明实施例提供的结构监测传感网失真数据修复方法流程图；
图2是本发明实施例提供的结构监测传感网Benchmark模型；
图3是本发明实施例提供的少量结构监测传感器时空相关分析示意图；
图4是本发明实施例提供的双向长短时记忆网络模型(BLSTM)结构示意图；
图5是本发明实施例提供的记忆细胞结构示意图；
图6是本发明实施例提供的BLSTM参数粒子群优化算法流程图；
图7是本发明实施例提供的失真数据重建模型预测结果示意图。
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，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅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做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
实施例1
本实施例提供了一种结构监测传感网失真数据修复方法，包括：
S1：获取各结构监测传感器的结构响应数据，并分别输入失真识别模型，得到对应的识别结果。其中，所述失真识别模型通过如下方法得到：
S11：获取正常结构响应数据样本和包括各类故障的失真结构响应数据样本，并设置对应的标签，构建训练样本集；
S12：基于训练样本集对一维卷积神经网络进行训练，得到失真识别模型。
本实施例中，所述各类故障的类型包括：偏移、漂移、精度退化、增益，以及常数、常数+噪声、噪声三种完全故障。即构建的训练样本集中样本类型包括正常数据以及上述七种故障失真样本。此实施例中，每个样本对应的结构响应数据为时间序列，是一个1×1024的一维向量，其中，1为通道数，1024为采样点数，每种样本个数设置为1000；当然，在其他实施例中，样本数据长度、采样点数和样本数量均可根据实际情况调整。所述一维卷积神经网络包括三个卷积池化层和一个全连接层，利用卷积层提取特征，池化层压缩特征，重复三次后，进入全连接层进行分类，使用Softmax函数输出分类标签。
训练好失真识别模型后，只需将各结构监测传感器采集的结构响应数据输入失真识别模型，即可输入各结构监测传感器采集的结构响应数据的分类标签，实现失真结构响应数据及对应失真结构监测传感器的识别。
S2：对于识别结果为失真的结构监测传感器，获取与其相关联的各结构监测传感器的结构响应数据，并将其进行归一化预处理，输入失真数据重建模型，得到失真的结构监测传感器的结构响应数据归一化修正值。
进行该步骤的操作之前，需预先训练好失真数据重建模型，实施时，每个结构监测传感器均有一个与之对应的失真数据重建模型，该模型以与待预测结构监测传感器相关联的结构监测传感器的采集的正常结构响应数据作为输入，对待预测结构监测传感器的正常数据进行预测。首先通过结构监测传感器时空相关性分析，确定各结构监测传感器与其他结构监测传感器之间的相关性，进而选取相关性较强的结构监测传感器作为相关联的结构监测传感器。
如图2所示，提供了一种结构监测传感网络的Benchmark模型，结构监测传感器为加速度传感器，此处选取其中的16个加速度传感器进行分析。如图3所示，为这16个加速度传感器之间时空相关性分析的示意图，如图所示，2号与4号，6号与8号，10号与12号，14号与16号的相关性系数都为1，说明其具有强相关性。通过分析所有传感器之间的相关性系数，选取相关性最强的k个传感器作为相关联的结构监测传感器。
确定好各结构监测传感器的相关联的结构监测传感器后，尽可进行对应的失真数据重建模型的构建。具体过程如下：
S21：获取各结构监测传感器的历史正常结构响应数据。
S22：分别将各结构监测传感器作为待预测结构监测传感器，并提取其历史正常结构响应数据及与其相关联的结构监测传感器的历史正常结构响应数据，并对数据进行归一化预处理，得到分别与各结构监测传感器对应的多个训练样本集。其中，所述对数据进行归一化预处理过程包括：
用y表示待预测结构监测传感器的历史正常结构响应数据，X表示相关联的结构监测传感器的历史正常结构响应数据，表示如下：
Figure BDA0003346361890000061
式中，
Figure BDA0003346361890000071
表示t时刻第n个相关联的结构监测传感器的测量值；yt为t时刻待预测结构监测传感器的测量值；M为相关联的结构监测传感器总数，T表示结构响应数据的序列长度；
按如下公式将数据进行归一化，使其值处于[0,1]范围内：
Figure BDA0003346361890000072
Figure BDA0003346361890000073
式中，
Figure BDA0003346361890000074
和
Figure BDA0003346361890000075
分别为第n个相关联的结构监测传感器所有时刻测量值中的最大值和最小值；
Figure BDA0003346361890000076
和
Figure BDA0003346361890000077
分别为待预测结构监测传感器所有时刻测量值中的最大值和最小值。
S23：分别将各训练样本集划分为对应的训练集和测试集，基于各训练集各测试集，以相关联的结构监测传感器的历史正常结构响应数据为输入，以待预测结构监测传感器的历史正常结构响应数据为输出，对BLSTM进行训练，且采用粒子群优化算法获取最优BLSTM参数，得到失真数据重建模型。
其中，双向长短时记忆网络模型(BLSTM)的结构如图4所示，BLSTM是在LSTM结构正向传播的基础上增加反向传播，即将未来存在的状态向当前时刻进行传导，正向和反向的记忆单元共同决定当前时刻的输出。如图5所示，为BLSTM的记忆细胞结构，其包括遗忘门、输入门、输出门、候选状态、存储单元、单元输出，分别表示如下：
Figure BDA0003346361890000078
Figure BDA0003346361890000079
Figure BDA00033463618900000710
Figure BDA00033463618900000711
Figure BDA00033463618900000712
Figure BDA00033463618900000713
式中，ft、it、ot、
Figure BDA00033463618900000714
ct和ht分别表示在t时刻的遗忘门、输入门、输出门、候选状态、存储单元和单元输出；ht-1为t-1时刻的单元输出；Wf、Wi、Wo和Wc分别为对应的输入-状态(即当前输入到当前状态)权重矩阵；Uf、Ui、Uo和Uc分别为对应的状态-状态(即上一状态到当前状态)权重矩阵；bf、bi、bo和bc分别为对应的偏置向量；σ和tanh为非线性激活函数，具体的，σ是logistic sigmoid非线性激活函数。
所述BLSTM的参数包括如下7个：数据序列长度、批次大小、隐藏层神经元数量、全连接层神经元数量、dropout的比例、学习率、迭代次数。采用粒子群优化算法对BLSTM的参数进行优化，得到最优BLSTM参数。优化过程具体包括：
初始化多个粒子的初始位置和速度，每个粒子均由上述7个参数组成；设置最大迭代次数、学习因子和适应度函数；
迭代更新每个粒子的位置和速度，每次迭代后均计算适应度值，直至达到最大迭代次数或适应度值小于预设值，得到最优BLSTM参数；
其中，适应度函数由训练集和测试集的平均均方误差决定，表示如下：
Figure BDA0003346361890000081
式中，L表示适应度值，T表示结构响应数据的序列长度，
Figure BDA0003346361890000082
表示t时刻待预测结构监测传感器的结构响应数据预测值，yt表示t时刻待预测结构监测传感器的结构响应数据真实值。
如图6所示，为粒子群优化算法优化参数的流程图，对于粒子群中的每个粒子而言，它们随着寻优搜索的进行是动态变化的，粒子群中的所有粒子将随着迭代向着最优的位置靠近，且满足最大迭代次数或者适应度值小于预设值(全局最优位置满足最小界限)，则获得BLSTM的最优超参数组合。
S3：对结构响应数据归一化修正值进行反归一化处理，得到失真的结构监测传感器的结构响应数据修正值。图7是本发明实施例提供的失真数据重建模型预测结果示意图。
优选地，还包括：
S4：将多个失真数据重建模型(PSO-BLSTM模型)进行集成，获取重建数据的预测概率分布，以量化失真数据重建模型固有不确定性。即采用同一失真数据重建模型对失真的结构监测传感器的结构响应数据进行多次修正重建，并获取多次失真的结构监测传感器的结构响应数据修正值的均值和置信区间，按下式构建失真的结构监测传感器的结构响应数据修正值的概率分布
Figure BDA0003346361890000083
对失真数据重建模型固有不确定性进行量化；
Figure BDA0003346361890000084
式中，N表示正态分布；
Figure BDA0003346361890000085
表示t时刻失真的结构监测传感器的结构响应数据修正值均值；σt为t时刻失真的结构监测传感器的结构响应数据修正值标准差。
实施例2
本实施例提供了一种结构监测传感网失真数据修复装置，包括：
失真数据识别模块，用于获取各结构监测传感器的结构响应数据，并分别输入失真识别模型，得到对应的识别结果；
失真数据重建模块，用于获取识别结果为失真的结构监测传感器相关联的各结构监测传感器的结构响应数据，并将其进行归一化预处理，输入失真数据重建模型，得到失真的结构监测传感器的结构响应数据归一化修正值；其中，所述失真数据重建模型为基于各结构监测传感器历史正常结构响应数据对BLSTM进行训练得到；
反归一化模块，用于对结构响应数据归一化修正值进行反归一化处理，得到失真的结构监测传感器的结构响应数据修正值。
实施例3
本实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的结构监测传感网失真数据修复方法。
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。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
本发明区别于现有技术路线为：
本发明公开了一种结构监测传感网失真数据修复方法、装置及存储介质，包括失真数据智能诊断和数据修复两部分。其中，失真数据智能诊断基于一维卷积神经网络模型，通过卷积层对正常和多类型失真数据进行特征学习，利用池化层对特征进行压缩，并采用全连接层连接所有特征，通过输出标签实现多类型失真数据分类；数据修复主要采用双向长短时记忆网络模型(BLSTM)，利用记忆细胞门结构对有效信息进行选择记忆，结合粒子群(PSO)算法对深度学习模型参数进行优化，进而从正向和反向挖掘传感数据时变规律；对多个PSO-BLSTM模型进行集成，获取其预测输出的概率分布，从而量化数据重建的不确定性。基于上述框架，可实现少量传感失真数据智能检测与快速修复。本发明预测方法合理，推广性强，预测性能优良，可广泛适用于工程结构智能运维。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种结构监测传感网失真数据修复方法，其特征在于，包括：
获取各结构监测传感器的结构响应数据，并分别输入失真识别模型，得到对应的识别结果；
对于识别结果为失真的结构监测传感器，获取与其相关联的各结构监测传感器的结构响应数据，并将其进行归一化预处理，输入失真数据重建模型，得到失真的结构监测传感器的结构响应数据归一化修正值；其中，所述失真数据重建模型为基于各结构监测传感器历史正常结构响应数据对BLSTM进行训练得到；
对结构响应数据归一化修正值进行反归一化处理，得到失真的结构监测传感器的结构响应数据修正值。
2.根据权利要求1所述的结构监测传感网失真数据修复方法，其特征在于，所述失真识别模型通过如下方法得到：
获取正常结构响应数据样本和包括各类故障的失真结构响应数据样本，并设置对应的标签，构建训练样本集；
基于训练样本集对一维卷积神经网络进行训练，得到失真识别模型。
3.根据权利要求2所述的结构监测传感网失真数据修复方法，其特征在于，所述各类故障的类型包括：偏移、漂移、精度退化、增益，以及常数、常数+噪声、噪声三种完全故障；
所述一维卷积神经网络包括三个卷积池化层和一个全连接层，使用Softmax函数输出分类标签。
4.根据权利要求1所述的结构监测传感网失真数据修复方法，其特征在于，所述失真数据重建模型通过如下方法得到：
获取各结构监测传感器的历史正常结构响应数据；
分别将各结构监测传感器作为待预测结构监测传感器，并提取其历史正常结构响应数据及与其相关联的结构监测传感器的历史正常结构响应数据，并对数据进行归一化预处理，得到分别与各结构监测传感器对应的多个训练样本集；
分别基于各训练样本集，以相关联的结构监测传感器的历史正常结构响应数据为输入，以待预测结构监测传感器的历史正常结构响应数据为输出，对BLSTM进行训练，且采用粒子群优化算法获取最优BLSTM参数，得到失真数据重建模型。
5.根据权利要求4所述的结构监测传感网失真数据修复方法，其特征在于，所述对数据进行归一化预处理过程包括：
以y表示待预测结构监测传感器的历史正常结构响应数据，X表示相关联的结构监测传感器的历史正常结构响应数据，表示如下：
Figure FDA0003346361880000021
式中，
Figure FDA0003346361880000022
表示t时刻第n个相关联的结构监测传感器的测量值；yt表示t时刻待预测结构监测传感器的测量值；M表示相关联的结构监测传感器总数,T表示结构响应数据的序列长度；
按如下公式将数据进行归一化，使其值处于[0,1]范围内：
Figure FDA0003346361880000023
Figure FDA0003346361880000024
式中，
Figure FDA0003346361880000025
和
Figure FDA0003346361880000026
分别为第n个相关联的结构监测传感器所有时刻测量值中的最大值和最小值；
Figure FDA0003346361880000027
和
Figure FDA0003346361880000028
分别为待预测结构监测传感器所有时刻测量值中的最大值和最小值。
6.根据权利要求4所述的结构监测传感网失真数据修复方法，其特征在于，所述BLSTM的记忆细胞结构包括遗忘门、输入门、输出门、候选状态、存储单元、单元输出，分别表示如下：
Figure FDA0003346361880000029
Figure FDA00033463618800000210
Figure FDA00033463618800000211
Figure FDA00033463618800000212
Figure FDA00033463618800000213
Figure FDA00033463618800000214
式中，ft、it、ot、
Figure FDA00033463618800000215
ct和ht分别表示在t时刻的遗忘门、输入门、输出门、候选状态、存储单元和单元输出；ht-1为t-1时刻的单元输出；Wf、Wi、Wo和Wc分别为对应的输入-状态权重矩阵；Uf、Ui、Uo和Uc分别为对应的状态-状态权重矩阵；bf、bi、bo和bc分别为对应的偏置向量；σ和tanh为非线性激活函数。
7.根据权利要求4所述的结构监测传感网失真数据修复方法，其特征在于，所述BLSTM的参数包括如下7个：数据序列长度、批次大小、隐藏层神经元数量、全连接层神经元数量、dropout的比例、学习率、迭代次数；
所述采用粒子群优化算法获取最优BLSTM参数的过程包括：
初始化多个粒子的初始位置和速度，每个粒子均由上述7个参数组成；设置最大迭代次数、学习因子和适应度函数；
迭代更新每个粒子的位置和速度，每次迭代后均计算适应度值，直至达到最大迭代次数或适应度值小于预设值，得到最优BLSTM参数；
其中，适应度函数表示如下：
Figure FDA0003346361880000031
式中，L表示适应度值，T表示结构响应数据的序列长度，
Figure FDA0003346361880000032
表示t时刻待预测结构监测传感器的结构响应数据预测值，yt表示t时刻待预测结构监测传感器的结构响应数据真实值。
8.根据权利要求4所述的结构监测传感网失真数据修复方法，其特征在于，还包括：
采用同一失真数据重建模型对失真的结构监测传感器的结构响应数据进行多次修正重建，并获取多次失真的结构监测传感器的结构响应数据修正值的均值和置信区间，按下式构建失真的结构监测传感器的结构响应数据修正值的概率分布
Figure FDA0003346361880000033
对失真数据重建模型固有不确定性进行量化；
Figure FDA0003346361880000034
式中，N表示正态分布；
Figure FDA0003346361880000035
表示t时刻失真的结构监测传感器的结构响应数据修正值均值；σt为t时刻失真的结构监测传感器的结构响应数据修正值标准差。
9.一种结构监测传感网失真数据修复装置，其特征在于，包括：
失真数据识别模块，用于获取各结构监测传感器的结构响应数据，并分别输入失真识别模型，得到对应的识别结果；
失真数据重建模块，用于获取识别结果为失真的结构监测传感器相关联的各结构监测传感器的结构响应数据，并将其进行归一化预处理，输入失真数据重建模型，得到失真的结构监测传感器的结构响应数据归一化修正值；其中，所述失真数据重建模型为基于各结构监测传感器历史正常结构响应数据对BLSTM进行训练得到；
反归一化模块，用于对结构响应数据归一化修正值进行反归一化处理，得到失真的结构监测传感器的结构响应数据修正值。
10.一种计算机可读存储介质，其存储有计算机程序，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8任一项所述的结构监测传感网失真数据修复方法。
CN202111324196.6A 2021-11-10 2021-11-10 结构监测传感网失真数据修复方法、装置及存储介质 Pending CN113988210A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111324196.6A CN113988210A (zh) 2021-11-10 2021-11-10 结构监测传感网失真数据修复方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111324196.6A CN113988210A (zh) 2021-11-10 2021-11-10 结构监测传感网失真数据修复方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN113988210A true CN113988210A (zh) 2022-01-28

Family

ID=79747546

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111324196.6A Pending CN113988210A (zh) 2021-11-10 2021-11-10 结构监测传感网失真数据修复方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN113988210A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114575827A (zh) * 2022-04-11 2022-06-03 中国地质大学(北京)郑州研究院 一种随钻测量数据智能处理系统及方法
CN117556187A (zh) * 2023-11-10 2024-02-13 纬创软件(武汉)有限公司 基于深度学习的云数据修复方法、系统及可读存储介质
CN114575827B (zh) * 2022-04-11 2024-06-04 中国地质大学(北京)郑州研究院 一种随钻测量数据智能处理系统及方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114575827A (zh) * 2022-04-11 2022-06-03 中国地质大学(北京)郑州研究院 一种随钻测量数据智能处理系统及方法
CN114575827B (zh) * 2022-04-11 2024-06-04 中国地质大学(北京)郑州研究院 一种随钻测量数据智能处理系统及方法
CN117556187A (zh) * 2023-11-10 2024-02-13 纬创软件(武汉)有限公司 基于深度学习的云数据修复方法、系统及可读存储介质
CN117556187B (zh) * 2023-11-10 2024-05-10 纬创软件(武汉)有限公司 基于深度学习的云数据修复方法、系统及可读存储介质

Similar Documents

Publication Publication Date Title
CN109934337B (zh) 一种基于集成lstm的航天器遥测数据异常的检测方法
CN109492822B (zh) 空气污染物浓度时空域关联预测方法
CN113777496B (zh) 基于时间卷积神经网络的锂离子电池剩余寿命预测方法
CN116757534B (zh) 一种基于神经训练网络的智能冰箱可靠性分析方法
CN109308522B (zh) 一种基于循环神经网络的gis故障预测方法
CN110232203B (zh) 知识蒸馏优化rnn短期停电预测方法、存储介质及设备
Lindemann et al. Anomaly detection and prediction in discrete manufacturing based on cooperative LSTM networks
CN111310968A (zh) 一种基于互信息的lstm神经网络循环水文预报方法
CN111737909B (zh) 基于时空图卷积网络的结构健康监测数据异常识别方法
CN113298297B (zh) 一种基于孤立森林与wgan网络的风电输出功率预测方法
CN113723010B (zh) 一种基于lstm温度-位移相关模型的桥梁损伤预警方法
CN112036075A (zh) 一种基于环境监测数据关联关系的异常数据判定方法
CN109471698B (zh) 云环境下虚拟机异常行为检测系统和方法
CN112668775A (zh) 一种基于时序卷积网络算法的空气质量预测方法
CN114282443B (zh) 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法
CN110991776A (zh) 一种基于gru网络实现水位预测的方法及系统
CN115951014A (zh) 一种结合气象特征的cnn-lstm-bp多模态空气污染物预测方法
CN111179591A (zh) 一种路网交通时序特征数据质量诊断与修复方法
CN110737948A (zh) 一种基于深度fnn-lstm混合网络的航空发动机剩余寿命预测方法
Son et al. Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge
CN114358435A (zh) 双阶段时空注意力机制的污染源-水质预测模型权重影响计算方法
CN115796351A (zh) 基于变分模态分解和微波衰减的降雨短临预测方法及装置
CN115271186A (zh) 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法
CN115438897A (zh) 一种基于blstm神经网络的工业过程产品质量预测方法
CN113988210A (zh) 结构监测传感网失真数据修复方法、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