CN114623799A - 结构健康监测数据异常预警方法、系统、装置及存储介质 - Google Patents
结构健康监测数据异常预警方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN114623799A CN114623799A CN202210126072.5A CN202210126072A CN114623799A CN 114623799 A CN114623799 A CN 114623799A CN 202210126072 A CN202210126072 A CN 202210126072A CN 114623799 A CN114623799 A CN 114623799A
- Authority
- CN
- China
- Prior art keywords
- monitoring data
- data
- monitoring
- abnormal
- early warning
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 277
- 230000036541 health Effects 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000002159 abnormal effect Effects 0.000 claims abstract description 70
- 238000005259 measurement Methods 0.000 claims abstract description 31
- 230000005856 abnormality Effects 0.000 claims abstract description 28
- 230000002706 hydrostatic effect Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 32
- 230000003068 static effect Effects 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 28
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013102 re-test Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
- G01C5/04—Hydrostatic levelling, i.e. by flexibly interconnected liquid containers at separated points
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C15/00—Surveying instruments or accessories not provided for in groups G01C1/00 - G01C13/00
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种结构健康监测数据异常预警方法、系统、装置及存储介质，方法包括：获取静力水准仪采集的第一监测数据和全站仪采集的第二监测数据；根据预设的数据波动阈值确定第一监测数据和第二监测数据是否异常；当第一监测数据异常且第二监测数据正常，或，第二监测数据异常且第一监测数据正常，根据异常数据确定第一监测位置，并对第一监测位置进行应急补测得到第三监测数据；根据第三监测数据确定第一监测位置是否存在结构异常，当第一监测位置存在结构异常，发出相应的预警信息。本发明提高了结构健康监测数据异常预警的准确度和效率，降低了人工成本和时间成本，可广泛应用于结构健康监测技术领域。
Description
技术领域
本发明涉及结构健康监测技术领域，尤其是一种结构健康监测数据异常预警方法、系统、装置及存储介质。
背景技术
现有技术中对于地铁隧道的自动化监测，常采用全站仪和静力水准仪的组合测竖向位移、水平位移的变化；在边坡场景下，通常采用GNSS北斗卫星定位系统、全站仪、位移计等设备组合，测边坡的位移变化；在高速铁路的路面沉降监测时，常采用全站仪和静力水准仪的组合；在水库大坝自动化监测时，常采用全站仪、GNSS、水位计、渗压计、静力水准仪、测斜仪等的组合。现有技术中的结构健康监测传感器的数据上传并不统一，在发生监测数据异常时，由于各数据来源的相互冲突，导致只能通过人工到现场判断传感器反馈的情况，耗费时间和人力，效率低下，甚至由于监测对象连续运行无法及时安排人工到现场进行复核，数据源异常无法得到及时确认、排除，增加了中止构筑物正常运行的风险。
发明内容
本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
为此，本发明实施例的一个目的在于提供一种结构健康监测数据异常预警方法，该方法提高了结构健康监测数据异常预警的准确度和效率，降低了人工成本和时间成本。
本发明实施例的另一个目的在于提供一种结构健康监测数据异常预警系统。
为了达到上述技术目的，本发明实施例所采取的技术方案包括：
第一方面，本发明实施例提供了一种结构健康监测数据异常预警方法，包括以下步骤：
获取静力水准仪采集的第一监测数据和全站仪采集的第二监测数据；
根据预设的数据波动阈值确定所述第一监测数据和所述第二监测数据是否异常；
当所述第一监测数据异常且所述第二监测数据正常，或，所述第二监测数据异常且所述第一监测数据正常，根据异常数据确定第一监测位置，并对所述第一监测位置进行应急补测得到第三监测数据；
根据所述第三监测数据确定所述第一监测位置是否存在结构异常，当所述第一监测位置存在结构异常，发出相应的预警信息。
进一步地，在本发明的一个实施例中，所述获取静力水准仪采集的第一监测数据和全站仪采集的第二监测数据这一步骤，其具体包括：
确定待监测结构周围的第一环境信息，并根据所述第一环境信息确定第一采集频率；
根据所述第一采集频率获取所述第一监测数据和所述第二监测数据，并将所述第一监测数据和所述第二监测数据上传至数据服务器。
进一步地，在本发明的一个实施例中，所述根据预设的数据波动阈值确定所述第一监测数据和所述第二监测数据是否异常这一步骤，其具体包括：
对所述第一监测数据和所述第二监测数据分别进行时序化和归一化处理，得到对应于各个监测位置的第一监测数据序列和第二监测数据序列；
根据预设的数据波动阈值确定所述第一监测数据序列和所述第二监测数据序列是否存在数据超限或数据跳变，当存在数据超限或数据跳变，确定对应的监测数据异常。
进一步地，在本发明的一个实施例中，所述当所述第一监测数据异常且所述第二监测数据正常，或，所述第二监测数据异常且所述第一监测数据正常，根据异常数据确定第一监测位置，并对所述第一监测位置进行应急补测得到第三监测数据这一步骤，其具体为：
当所述第一监测数据异常且所述第二监测数据正常，根据所述第一监测数据确定第一监测位置，并调用位置相同或相近的全站仪对所述第一监测位置进行应急补测，得到第三监测数据；
或，
当所述第二监测数据异常且所述第一监测数据正常，根据所述第二监测数据确定第一监测位置，并调用位置相同或相近的静力水准仪对所述第一监测位置进行应急补测，得到第三监测数据。
进一步地，在本发明的一个实施例中，所述对所述第一监测位置进行应急补测这一步骤之前，还包括以下步骤：
通过下发指令提高所述全站仪或所述静力水准仪的数据采集频率。
进一步地，在本发明的一个实施例中，所述根据所述第三监测数据确定所述第一监测位置是否存在结构异常这一步骤，其具体为：
将所述第三监测数据输入到预先训练好的结构健康识别模型中，得到结构健康识别结果，进而根据所述结构健康识别结果确定是否存在结构异常。
进一步地，在本发明的一个实施例中，所述结构健康监测数据异常预警方法还包括训练结构健康识别模型的步骤，其具体包括：
获取训练数据集，并将所述训练数据集输入到预先构建的卷积神经网络，得到预测识别结果；
根据所述预测识别结果和所述训练数据集的标签确定所述卷积神经网络的损失值；
根据所述损失值通过反向传播算法更新所述卷积神经网络的参数；
当损失值达到预设的第一阈值或迭代次数达到预设的第二阈值或测试精度达到预设的第三阈值，停止训练，得到训练好的结构健康识别模型。
第二方面，本发明实施例提供了一种结构健康监测数据异常预警系统，包括：
监测数据获取模块，用于获取静力水准仪采集的第一监测数据和全站仪采集的第二监测数据；
数据异常确定模块，用于根据预设的数据波动阈值确定所述第一监测数据和所述第二监测数据是否异常；
应急补测模块，用于当所述第一监测数据异常且所述第二监测数据正常，或，所述第二监测数据异常且所述第一监测数据正常，根据异常数据确定第一监测位置，并对所述第一监测位置进行应急补测得到第三监测数据；
预警模块，用于根据所述第三监测数据确定所述第一监测位置是否存在结构异常，当所述第一监测位置存在结构异常，发出相应的预警信息。
第三方面，本发明实施例提供了一种结构健康监测数据异常预警装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现上述的一种结构健康监测数据异常预警方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行上述的一种结构健康监测数据异常预警方法。
本发明的优点和有益效果将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到：
本发明实施例通过精力水准仪和全站仪进行结构数据监测，当其中一个监测数据出现异常时，可立即启动数据正常的监测设备在相同或相近位置有针对性的对该异常数据进行应急补测，确定该异常数据所发生位置是否存在结构异常或系统故障从而引起数据异常，减少误报警，提高了结构健康监测数据异常预警的准确度和效率，降低了人工成本和时间成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面对本发明实施例中所需要使用的附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
图1为本发明实施例提供的一种结构健康监测数据异常预警方法的步骤流程图；
图2为本发明实施例提供的一种结构健康监测数据异常预警系统的结构框图；
图3为本发明实施例提供的一种结构健康监测数据异常预警装置的结构框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中，多个的含义是两个或两个以上，如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。此外，除非另有定义，本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。
参照图1，本发明实施例提供了一种结构健康监测数据异常预警方法，具体包括以下步骤：
S101、获取静力水准仪采集的第一监测数据和全站仪采集的第二监测数据。
具体地，预先将传感器全站仪和静力水准仪安装在相关位置，然后按照设定的监测频率要求，在监测过程中每2个小时对监测对象进行数据采集，监测数据通过有线或无线方式传输至终端设备，终端设备对监测数据智能采集、存储，终端设备还对监测数据进行解算，通过无线传输至数据服务器(云端)。数据服务器对解算的数据以报告形式每个周期发给客户，比如可以将夜里12点的采集数据以报告形式发给客户。依监测场景要求，可以加密报告发送次数，比如雨季或施工环境下的结构安全健康监测，可每隔2小时将数据报告发送给客户。
步骤S101具体包括以下步骤：
S1011、确定待监测结构周围的第一环境信息，并根据第一环境信息确定第一采集频率；
S1012、根据第一采集频率获取第一监测数据和第二监测数据，并将第一监测数据和第二监测数据上传至数据服务器。
具体地，如果全站仪和静力水准仪的数据不是传输至一个平台，比如全站仪监测数据传输至自己的厂家服务器、静力水准仪的数据也传输至生产厂家，这种情况下，监测后的数据报告是没法自动比较。本发明中的终端设备提供了这种可能，可接入所有类型的传感器，并将数据传输至自主开发的数据服务器，实现数据的统一管理，并对不同厂家传感器的数据成果进行分析。
S102、根据预设的数据波动阈值确定第一监测数据和第二监测数据是否异常。
具体地，可预先设置好正常范围内的数据波动阈值，根据该数据波动阈值判断第一监测数据和第二监测数据是否异常。步骤S102具体包括以下步骤：
S1021、对第一监测数据和第二监测数据分别进行时序化和归一化处理，得到对应于各个监测位置的第一监测数据序列和第二监测数据序列；
S1022、根据预设的数据波动阈值确定第一监测数据序列和第二监测数据序列是否存在数据超限或数据跳变，当存在数据超限或数据跳变，确定对应的监测数据异常。
具体地，时序化处理可以形成各个监测位置的时序数据，归一化处理可以降低数据的复杂程度，从而减小后续的计算量，提高数据处理效率。
S103、当第一监测数据异常且第二监测数据正常，或，第二监测数据异常且第一监测数据正常，根据异常数据确定第一监测位置，并对第一监测位置进行应急补测得到第三监测数据。
具体地，全站仪和静力水准仪监测过程中在同一时刻、相同位置均出现数据异常时，这种情况下，由于两个传感器的数据均异常，数据服务器可确定该监测位置数据异常，则直接发出预警信息。步骤S103具体包括以下两种实施方式：
S1031、当第一监测数据异常且第二监测数据正常，根据第一监测数据确定第一监测位置，并调用位置相同或相近的全站仪对第一监测位置进行应急补测，得到第三监测数据；
或，
S1032、当第二监测数据异常且第一监测数据正常，根据第二监测数据确定第一监测位置，并调用位置相同或相近的静力水准仪对第一监测位置进行应急补测，得到第三监测数据。
具体地，在全站仪和静力水准仪的监测数据在同一时刻、相同位置出现一个异常一个正常时，并且异常长时间(一般为一个报告周期)出现超限或者数据跳变，这种情况下，可以启动监测数据正常一方的监测设备进行应急补测，即对在相同或相近位置出现数据异常的另一个传感器的数据进行应急补测。
可以理解的是，在地铁监测系统运行期间，施工、光源干扰、其它检修人员的误碰，以及电子设备本身的问题，均会出现数据跳变的情况，以及出现其它原因导致数据超限的情况。本发明实施例通过数据反馈机制获取了全站仪出现数据跳变或数据超限的信息，终端设备可立即调用同位置或相近位置的设备如静力水准仪，通过指令自动加密静力水准仪的数据监测频率，即在异常的数据报告后立即启动静力水准仪对全站仪出现跳变点数据位置做应急补测，并将应急补测数据传输至数据服务器进行后续判断。
进一步作为可选的实施方式，对第一监测位置进行应急补测这一步骤之前，还包括以下步骤：
通过下发指令提高全站仪或静力水准仪的数据采集频率。
具体地，提高应急补测的监测设备的数据采集频率，便于采集足够多的数据用于后续的结构健康识别。
S104、根据第三监测数据确定第一监测位置是否存在结构异常，当第一监测位置存在结构异常，发出相应的预警信息。
具体地，数据服务器将应急补测的数据与前一时刻的异常数据进行对比分析，相互印证检核数据，并由数据服务器做出判断，若应急补测数据无异常，则不需要发出预警信息；若应急补测数据也出现异常，则说明该位置出现异常情况，发出预警信息。
在对异常数据处理完毕后，可停止应急补测设备的加密监测，恢复至设定的监测频率，按照正常设定的监测频率持续运行。
进一步作为可选的实施方式，根据第三监测数据确定第一监测位置是否存在结构异常这一步骤，其具体为：
将第三监测数据输入到预先训练好的结构健康识别模型中，得到结构健康识别结果，进而根据结构健康识别结果确定是否存在结构异常。
进一步作为可选的实施方式，结构健康监测数据异常预警方法还包括训练结构健康识别模型的步骤，其具体包括：
A1、获取训练数据集，并将训练数据集输入到预先构建的卷积神经网络，得到预测识别结果；
A2、根据预测识别结果和训练数据集的标签确定卷积神经网络的损失值；
A3、根据损失值通过反向传播算法更新卷积神经网络的参数；
A4、当损失值达到预设的第一阈值或迭代次数达到预设的第二阈值或测试精度达到预设的第三阈值，停止训练，得到训练好的结构健康识别模型。
具体地，将训练数据集中的数据输入到初始化后的卷积神经网络后，可以得到模型输出的预测识别结果，可以根据预测识别结果和训练数据集的标签来评估结构健康识别模型的准确性，从而对模型的参数进行更新。对于结构健康识别模型来说，模型识别结果的准确性可以通过损失函数(Loss Function)来衡量，损失函数是定义在单个训练数据上的，用于衡量一个训练数据的预测误差，具体是通过单个训练数据的标签和模型对该训练数据的预测结果确定该训练数据的损失值。而实际训练时，一个训练数据集有很多训练数据，因此一般采用代价函数(Cost Function)来衡量训练数据集的整体误差，代价函数是定义在整个训练数据集上的，用于计算所有训练数据的预测误差的平均值，能够更好地衡量出模型的预测效果。对于一般的机器学习模型来说，基于前述的代价函数，再加上衡量模型复杂度的正则项即可作为训练的目标函数，基于该目标函数便能求出整个训练数据集的损失值。常用的损失函数种类有很多，例如0-1损失函数、平方损失函数、绝对损失函数、对数损失函数、交叉熵损失函数等均可以作为机器学习模型的损失函数，在此不再一一阐述。本申请实施例中，可以从中任选一种损失函数来确定训练的损失值。基于训练的损失值，采用反向传播算法对模型的参数进行更新，迭代几轮即可得到训练好的结构健康识别模型。具体地迭代轮数可以预先设定，或者在测试集达到精度要求时认为训练完成。
可以理解的是，本发明实施例先通过静力水准仪和全站仪对待监测结构进行联合监测，当两者的监测数据发生分歧(即一个正常一个异常)时，采用数据正常的设备进行应急补测，然后再将补测的数据输入到结构健康识别模型进行识别，判断是否出现结构异常，这样一方面无需对所有的监测数据进行模型识别分析，降低了计算量，提高了结构健康监测数据异常预警的效率，另一方面在静力水准仪和全站仪的监测数据发生分歧时进行补测并由训练好的神经网络模型进行高准确度的数据分析，提高了结构健康监测数据异常预警的准确度，降低了人工成本和时间成本。
参照图2，本发明实施例提供了一种结构健康监测数据异常预警系统，包括：
监测数据获取模块，用于获取静力水准仪采集的第一监测数据和全站仪采集的第二监测数据；
数据异常确定模块，用于根据预设的数据波动阈值确定第一监测数据和第二监测数据是否异常；
应急补测模块，用于当第一监测数据异常且第二监测数据正常，或，第二监测数据异常且第一监测数据正常，根据异常数据确定第一监测位置，并对第一监测位置进行应急补测得到第三监测数据；
预警模块，用于根据第三监测数据确定第一监测位置是否存在结构异常，当第一监测位置存在结构异常，发出相应的预警信息。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
参照图3，本发明实施例提供了一种结构健康监测数据异常预警装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当上述至少一个程序被上述至少一个处理器执行时，使得上述至少一个处理器实现上述的一种结构健康监测数据异常预警方法。
上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，该处理器可执行的程序在由处理器执行时用于执行上述一种结构健康监测数据异常预警方法。
本发明实施例的一种计算机可读存储介质，可执行本发明方法实施例所提供的一种结构健康监测数据异常预警方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或上述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，上述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
上述功能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上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。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印上述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得上述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式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方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种结构健康监测数据异常预警方法，其特征在于，包括以下步骤：
获取静力水准仪采集的第一监测数据和全站仪采集的第二监测数据；
根据预设的数据波动阈值确定所述第一监测数据和所述第二监测数据是否异常；
当所述第一监测数据异常且所述第二监测数据正常，或，所述第二监测数据异常且所述第一监测数据正常，根据异常数据确定第一监测位置，并对所述第一监测位置进行应急补测得到第三监测数据；
根据所述第三监测数据确定所述第一监测位置是否存在结构异常，当所述第一监测位置存在结构异常，发出相应的预警信息。
2.根据权利要求1所述的一种结构健康监测数据异常预警方法，其特征在于，所述获取静力水准仪采集的第一监测数据和全站仪采集的第二监测数据这一步骤，其具体包括：
确定待监测结构周围的第一环境信息，并根据所述第一环境信息确定第一采集频率；
根据所述第一采集频率获取所述第一监测数据和所述第二监测数据，并将所述第一监测数据和所述第二监测数据上传至数据服务器。
3.根据权利要求1所述的一种结构健康监测数据异常预警方法，其特征在于，所述根据预设的数据波动阈值确定所述第一监测数据和所述第二监测数据是否异常这一步骤，其具体包括：
对所述第一监测数据和所述第二监测数据分别进行时序化和归一化处理，得到对应于各个监测位置的第一监测数据序列和第二监测数据序列；
根据预设的数据波动阈值确定所述第一监测数据序列和所述第二监测数据序列是否存在数据超限或数据跳变，当存在数据超限或数据跳变，确定对应的监测数据异常。
4.根据权利要求1所述的一种结构健康监测数据异常预警方法，其特征在于，所述当所述第一监测数据异常且所述第二监测数据正常，或，所述第二监测数据异常且所述第一监测数据正常，根据异常数据确定第一监测位置，并对所述第一监测位置进行应急补测得到第三监测数据这一步骤，其具体为：
当所述第一监测数据异常且所述第二监测数据正常，根据所述第一监测数据确定第一监测位置，并调用位置相同或相近的全站仪对所述第一监测位置进行应急补测，得到第三监测数据；
或，
当所述第二监测数据异常且所述第一监测数据正常，根据所述第二监测数据确定第一监测位置，并调用位置相同或相近的静力水准仪对所述第一监测位置进行应急补测，得到第三监测数据。
5.根据权利要求4所述的一种结构健康监测数据异常预警方法，其特征在于，所述对所述第一监测位置进行应急补测这一步骤之前，还包括以下步骤：
通过下发指令提高所述全站仪或所述静力水准仪的数据采集频率。
6.根据权利要求1至5中任一项所述的一种结构健康监测数据异常预警方法，其特征在于，所述根据所述第三监测数据确定所述第一监测位置是否存在结构异常这一步骤，其具体为：
将所述第三监测数据输入到预先训练好的结构健康识别模型中，得到结构健康识别结果，进而根据所述结构健康识别结果确定是否存在结构异常。
7.根据权利要求6所述的一种结构健康监测数据异常预警方法，其特征在于，所述结构健康监测数据异常预警方法还包括训练结构健康识别模型的步骤，其具体包括:
获取训练数据集，并将所述训练数据集输入到预先构建的卷积神经网络，得到预测识别结果；
根据所述预测识别结果和所述训练数据集的标签确定所述卷积神经网络的损失值；
根据所述损失值通过反向传播算法更新所述卷积神经网络的参数；
当损失值达到预设的第一阈值或迭代次数达到预设的第二阈值或测试精度达到预设的第三阈值，停止训练，得到训练好的结构健康识别模型。
8.一种结构健康监测数据异常预警系统，其特征在于，包括：
监测数据获取模块，用于获取静力水准仪采集的第一监测数据和全站仪采集的第二监测数据；
数据异常确定模块，用于根据预设的数据波动阈值确定所述第一监测数据和所述第二监测数据是否异常；
应急补测模块，用于当所述第一监测数据异常且所述第二监测数据正常，或，所述第二监测数据异常且所述第一监测数据正常，根据异常数据确定第一监测位置，并对所述第一监测位置进行应急补测得到第三监测数据；
预警模块，用于根据所述第三监测数据确定所述第一监测位置是否存在结构异常，当所述第一监测位置存在结构异常，发出相应的预警信息。
9.一种结构健康监测数据异常预警装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1至7中任一项所述的一种结构健康监测数据异常预警方法。
10.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1至7中任一项所述的一种结构健康监测数据异常预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210126072.5A CN114623799B (zh) | 2022-02-10 | 2022-02-10 | 结构健康监测数据异常预警方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210126072.5A CN114623799B (zh) | 2022-02-10 | 2022-02-10 | 结构健康监测数据异常预警方法、系统、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114623799A true CN114623799A (zh) | 2022-06-14 |
| CN114623799B CN114623799B (zh) | 2024-03-08 |
Family
ID=81898011
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210126072.5A Active CN114623799B (zh) | 2022-02-10 | 2022-02-10 | 结构健康监测数据异常预警方法、系统、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114623799B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117473273A (zh) * | 2023-12-27 | 2024-01-30 | 宁德时代新能源科技股份有限公司 | 异常检测方法、装置、终端及计算机可读存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2442069A1 (en) * | 2010-10-12 | 2012-04-18 | SP Sveriges Tekniska Forskninginstitut AB | A support arrangement for a registration device such as a surveying instrument |
| JP2015050562A (ja) * | 2013-08-30 | 2015-03-16 | ブラザー工業株式会社 | 画像読取装置 |
| CN110926523A (zh) * | 2019-10-07 | 2020-03-27 | 上海黑山科技有限公司 | 一种复杂恶劣条件下高速铁路桥梁安全感知与预警系统 |
| CN111089560A (zh) * | 2019-12-06 | 2020-05-01 | 广州地铁设计研究院股份有限公司 | 一种基于三维实景模型的地铁结构健康监测预警系统 |
| CN212620695U (zh) * | 2020-06-04 | 2021-02-26 | 中建隧道建设有限公司 | 地铁工程结构自动化监测系统 |
| CN112434624A (zh) * | 2020-11-30 | 2021-03-02 | 广州大学 | 结构健康监测数据失真检测方法、系统、装置及存储介质 |
| CN112447028A (zh) * | 2019-08-29 | 2021-03-05 | 深圳市云海物联科技有限公司 | 一种报警方法、系统及传感器设备 |
| CN113052113A (zh) * | 2021-04-02 | 2021-06-29 | 中山大学 | 一种基于紧凑型卷积神经网络的抑郁症识别方法及系统 |
| CN113486420A (zh) * | 2021-06-08 | 2021-10-08 | 广东省水利水电科学研究院 | 水库大坝岸坡稳定性监测方法、装置、设备及介质 |
| CN113802565A (zh) * | 2021-09-27 | 2021-12-17 | 中国十七冶集团有限公司 | 一种炼钢车间内基坑与构筑物一体化智能监测系统及方法 |
-
2022
- 2022-02-10 CN CN202210126072.5A patent/CN114623799B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2442069A1 (en) * | 2010-10-12 | 2012-04-18 | SP Sveriges Tekniska Forskninginstitut AB | A support arrangement for a registration device such as a surveying instrument |
| JP2015050562A (ja) * | 2013-08-30 | 2015-03-16 | ブラザー工業株式会社 | 画像読取装置 |
| CN112447028A (zh) * | 2019-08-29 | 2021-03-05 | 深圳市云海物联科技有限公司 | 一种报警方法、系统及传感器设备 |
| CN110926523A (zh) * | 2019-10-07 | 2020-03-27 | 上海黑山科技有限公司 | 一种复杂恶劣条件下高速铁路桥梁安全感知与预警系统 |
| CN111089560A (zh) * | 2019-12-06 | 2020-05-01 | 广州地铁设计研究院股份有限公司 | 一种基于三维实景模型的地铁结构健康监测预警系统 |
| CN212620695U (zh) * | 2020-06-04 | 2021-02-26 | 中建隧道建设有限公司 | 地铁工程结构自动化监测系统 |
| CN112434624A (zh) * | 2020-11-30 | 2021-03-02 | 广州大学 | 结构健康监测数据失真检测方法、系统、装置及存储介质 |
| CN113052113A (zh) * | 2021-04-02 | 2021-06-29 | 中山大学 | 一种基于紧凑型卷积神经网络的抑郁症识别方法及系统 |
| CN113486420A (zh) * | 2021-06-08 | 2021-10-08 | 广东省水利水电科学研究院 | 水库大坝岸坡稳定性监测方法、装置、设备及介质 |
| CN113802565A (zh) * | 2021-09-27 | 2021-12-17 | 中国十七冶集团有限公司 | 一种炼钢车间内基坑与构筑物一体化智能监测系统及方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117473273A (zh) * | 2023-12-27 | 2024-01-30 | 宁德时代新能源科技股份有限公司 | 异常检测方法、装置、终端及计算机可读存储介质 |
| CN117473273B (zh) * | 2023-12-27 | 2024-05-28 | 宁德时代新能源科技股份有限公司 | 异常检测方法、装置、终端及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114623799B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU768225B2 (en) | A process for the monitoring and diagnostics of data from a remote asset | |
| CN110647133A (zh) | 轨道交通设备状态检测维护方法及系统 | |
| CN101999101B (zh) | 系统运行预测的确定方法 | |
| CN113486420B (zh) | 水库大坝岸坡稳定性监测方法、装置、设备及介质 | |
| CN116539128B (zh) | 智慧燃气超声波计量仪表准确度诊断方法及物联网系统 | |
| US20230375441A1 (en) | Monitoring device and method for segmenting different times series of sensor data points | |
| BR102015000214A2 (pt) | sistema de diagnóstico remoto | |
| CN114623799A (zh) | 结构健康监测数据异常预警方法、系统、装置及存储介质 | |
| CN115270933A (zh) | 区域能耗监测数据异常预警方法、系统、装置及存储介质 | |
| CN116006908A (zh) | 一种智慧燃气管网可靠度监测方法和物联网系统 | |
| CN116337135A (zh) | 一种仪表故障诊断方法、系统、电子设备及可读存储介质 | |
| Shimada et al. | A statistical approach to reduce failure facilities based on predictive maintenance | |
| CN116090347A (zh) | 平稳荷载下历史建筑结构智能监测与预警系统 | |
| CN116754022B (zh) | 电缆隧道的在线检测应急预警方法及系统 | |
| CN117590159A (zh) | 一种基于深度学习的隧道电缆供电状态监测方法及系统 | |
| CN116777088B (zh) | 用于保障生命安全的供电应急抢修环境监测方法及系统 | |
| CN102203433B (zh) | 用于流体动力系统的诊断和响应系统及方法 | |
| CN115711669A (zh) | 一种井筒设备故障诊断方法、装置、终端及存储介质 | |
| CN116186479A (zh) | 用于泵车工况数据的处理方法、处理器、装置及存储介质 | |
| CN114510994A (zh) | 城市地下燃气泄漏识别模型的训练方法及装置 | |
| US6774806B1 (en) | Monitoring an element of a plant | |
| KR102425976B1 (ko) | 딥러닝을 이용한 해양 플랫폼 계류 라인의 장력 예측 및 고장 관리 시스템 | |
| CN116878728B (zh) | 一种压力传感器故障检测分析处理系统 | |
| EP3955707A1 (en) | Method and system for predicting a failure probability of a component of an x-ray system | |
| US12007251B2 (en) | Methods and internet of things (IoT) systems for diagnosing accuracy of smart gas ultrasonic meters |
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 |