CN115331391B - 分布式结构振动监测数据智能化报警与恢复方法 - Google Patents

分布式结构振动监测数据智能化报警与恢复方法 Download PDF

Info

Publication number
CN115331391B
CN115331391B CN202210928161.1A CN202210928161A CN115331391B CN 115331391 B CN115331391 B CN 115331391B CN 202210928161 A CN202210928161 A CN 202210928161A CN 115331391 B CN115331391 B CN 115331391B
Authority
CN
China
Prior art keywords
data
vibration
image
time
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.)
Active
Application number
CN202210928161.1A
Other languages
English (en)
Other versions
CN115331391A (zh
Inventor
史明霞
张敏特
郭彤
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202210928161.1A priority Critical patent/CN115331391B/zh
Publication of CN115331391A publication Critical patent/CN115331391A/zh
Application granted granted Critical
Publication of CN115331391B publication Critical patent/CN115331391B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Biomedical Technology (AREA)
  • Geology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Emergency Alarm Devices (AREA)

Abstract

本发明公开了一种分布式结构振动监测数据智能化报警与恢复方法，涉及结构健康监测领域，在数据识别与评估中使用了计算机图像视觉识别技术，提高了监测数据单次扫描的视野、扩展了数据的几何特征，故可以快速、高效地实现分布式结构振动监测数据的特征提取、识别、报警，识别时间较传统数据时频域分析方法更短，识别准确度更高；采用两种自编码器结构实现异常数据的恢复，兼顾了单一测点的规律与组网型多传感器之间的信息关联性，所恢复的数据较现有技术更符合实际测量数据。

Description

分布式结构振动监测数据智能化报警与恢复方法
技术领域
本发明涉及结构健康监测领域，具体涉及一种分布式结构振动监测数据智能化报警与恢复方法。
背景技术
随着城市基础设施建设日趋完善，对建筑、桥梁、隧道等结构的管理逐渐由规划建设阶段转向运维管控阶段。对于城市中跨江跨河桥梁与隧道、综合管廊等保障群众基本生活与防灾减灾应急避难场所的重要生命线结构，城市管理单位与工程技术人员通过在结构中布设结构健康监测系统，实时获取结构的动力响应与环境状况，并通过由多个分布式振动传感器集成的监测平台将结构的安全状态及时传递至设施的管养单位，缩短结构的维护巡查周期，为结构的长期安全可靠提供保障。由于突发灾害（包括地震、火灾、船撞、交通事故等）与传感系统的故障，海量动态监测数据往往会发现异常，包括数据突变、漂移、超限等。根据上述异常，技术人员可以研判结构与传感器的异常状况并制定检修方案。
现有相关技术中，结构健康监测系统可以识别异常并进行及时报警，但无法直接区分异常数据的成因，混淆由灾害导致的数据异常与设备故障导致的异常。
一些已有发明，如《一种单点地下结构健康监测系统及方法》中，将监测数据输入云平台进行处理与评估，通过阈值判断监测值得安全状况；
《一种建筑结构健康监测系统》中，通过对监测的数据进行滤波，排除了由设备引起的噪声、跳点等问题，虽然一定程度上提高了数据的准确性与复杂性，但是仍无法完全区分由灾害导致的数据异常与设备故障导致的异常，影响监测系统中数据的完整性与多传感器协同动力分析的准确度。
针对监测数据的安全评估需要使用所有分布式传感器获取的数据，单一传感器故障导致的异常会导致结构状态评估的原始数据不完整，影响评估与决策结果。在分布式传感器集成的大型连续体结构的状态评估中，这种单一传感器的数据缺失与数据不完整会影响不同测点间的评估不完整，甚至出现误判的情况。
发明内容
为解决上述技术问题，本发明提出一种分布式动态数据智能化报警与恢复方法，用于城市生命线结构健康监测系统，旨在区分由不同成因导致的异常数据并进行智能化报警，同时恢复异常数据，确保分布式健康监测系统的数据完整与一致。本发明方法可以快速、高效地实现分布式结构振动监测数据的特征提取、识别、报警，识别时间较传统数据时频域分析方法更短，识别准确度更高，采用两种自编码器结构实现异常数据的恢复，兼顾了单一测点的规律与组网型多传感器之间的信息关联性，故所恢复的数据较现有技术更符合实际测量数据。
为了实现上述技术目的，本发明采用如下技术手段：
一种分布式结构振动监测数据智能化报警与恢复方法，包括以下步骤：
第一步，获取分布式结构健康监测系统中不同位置传感器的振动监测数据，并分别实时绘制n个传感器振动数据的振动图像；
第二步，采用图像视觉识别检测器识别并定位存在异常的位置，识别定位后截取对应异常时刻各个传感器的监测数据段切片，切片的长度不小于10倍的传感器采样频率；图像视觉识别检测器根据异常性质将切片数据分为传感器异常数据与结构灾变数据；
第三步，对于分类为灾变数据的切片数据，对损伤传感器数据切片与其他传感器对应时刻数据切片分别进行小波变换，并绘制其时频图谱后输入时频视觉识别器识别灾害的风险程度，超过风险阈值即做出报警；
第四步，对于分类为传感器异常的切片数据，将损伤传感器数据切片与其他传感器对应时刻数据切片直接输入分布式振动数据智能重建编码器进行重构，实现异常缺损数据的恢复。
进一步的，步骤二中，
所述图像视觉识别检测器采用黑白图像智能分割算法，输入图片为振动数据的黑白图像，算法架构包括图像特征提取框架、特征学习策略；
图像特征提取框架由黑白1通道二维卷积神经网络搭建，该框架中输出层设有分类器，可对输入振动数据的图像进行分类，输出包含2个数的向量，分别代表异常数据与结构灾变数据的判断概率值，取两者较大值为分类结果；
特征学习策略是在现场监测振动数据图像的深度学习中引入注意力机制，提高振动数据学习的效率与拟合精度，对算法输入已标定的正常振动数据、异常振动数据与灾变振动数据进行分类学习，各段输入数据的持续时间为10~20秒，正常数据数量不少于2000条，异常振动数据不少于500条；
完成训练后进行异常检测提取，异常检测提取是针对实测数据图像进行的实时异常检测定位，定位后形成切片加窗函数，采用加窗函数对异常传感器以及其他传感器对应时段的监测数据进行切片，切片后输出异常传感器W与其他n-1个传感器对应位置的数据形成的数组。
进一步的，所述时频视觉识别器采用彩色图像智能分割算法，输入图片为切片数据的小波频谱彩色热力图像，算法架构包括图像特征提取框架与特征学习策略，图像特征提取框架由3通道RGB二维卷积神经网络搭建；
特征学习策略是针对不同标签的数据集进行多分类，并引入注意力机制，提高振动数据学习的效率与拟合精度；
时频视觉识别器由上述框架经过训练图像集的训练生成，训练图像集获得方法为：
（1）选取原始数据集，原始数据集为目前已有记录的与被测地区地质条件相似的天然地震波，用于训练的天然地震波数量不少于100条，有效地震动时间不少于20秒，将数据集归一化后进行调幅，调幅系数为：0.01g，0.05g，0.1g，0.2g，0.3g，0.4g，0.5g，对应灾变的1-7级，每条天然地震波生成7条对应的调幅数据；
（2）绘制热力频谱，将原始数据集的各条数据进行小波变换后绘制热力图像，将图像按照对应调幅系数进行标记，生成训练图像集；
将实时实测的振动数据进行小波变换并绘制频谱后输入时频视觉识别器，对输入频谱图像的对应数据的灾害的风险程度进行1-7级判断。
所述分布式振动数据智能重建编码器中包括异常传感器数据预恢复模块与多通道数据整体重建模块，其中，
异常传感器数据预恢复模块采用全连接1通道自编码器实现，n个传感器分别有一个对应的自编码器，每个自编码器由各传感器正常运营期间的振动数据训练而成，训练长度与切片加窗函数的切片长度相同，训练数据量不少于2000条，训练过程中采用Dropout层提高自编码器的泛化能力，训练后的自编码器可以将异常数据段预恢复为具有平稳振动特征的数据；
多通道数据整体重建模块主要将上述预恢复的数据与其他通道的实时正常数据进行重组重建，由此生成具有结构特征的重建数据，本模块采用n通道二维卷积自编码器实现，卷积自编码器训练时输入数据为n个传感器的无时间滞后的正常振动数据，编号为1,2,3…n，n为正整数，训练长度与切片加窗函数的切片长度相同，训练数据量不少于2000条，训练过程中采用跳跃采样的方式进行卷积核上采样与下采样，实测数据重建时，按照训练时各通道数据的排列顺序排列正常数据通道切片段与预恢复的异常通道数据切片段，经过卷积自编码器的特征提取与重建，完成数据的恢复。
进一步的，所述振动监测数据包括速度、加速度和位移。
有益效果：
本发明融合了数据信号时频处理、视觉识别与无监督生成式智能算法，采用图像可视化的方法扩展数据的几何特征，并通过卷积神经网络进行分割判断与检测，使该方法可以区分由灾害导致的数据异常与设备故障导致的异常，提高了监测系统的数据深度分析能力。与传统阈值判断方法与信号滤波方法相比，本发明的数据识别准确性与精度更高，信号的处理结果更符合结构整体的响应特征。此外，本发明可根据计算机视觉识别领域与时序数据深度学习领域的最新方法进行快速部署，可避免算法不适应造成的技术发展停滞。具体技术特点体现在：
1. 海量监测数据识别中使用视觉识别进行了预处理与预识别，高效快捷，避免了实时复杂分析造成的算力浪费。对切片数据处理可在快速识别的同时保持数据的完整性。
2. 灾变数据识别评估中采用了时频彩色热力图像识别技术与卷积神经网络图像识别技术，可以高效定位影响关键时频点，进而评估振动数据的内在安全状态，具备深度信息学习与识别能力。
3. 异常数据重建恢复中首先采用了全连接自编码器，可以根据测点自身的历史经验对异常数据进行预恢复，增强测点本身的局部特征，接着使用融合分布式多通道传感器数据的多层卷积自编码器，将所有正常测点的数据特征进行重新编码，可以最优化提取各通道响应数据的内在特征与环境影响特征，实现异常数据特征精确恢复。
附图说明
图1为本发明分布式结构振动监测数据智能化报警与恢复方法的流程图。
图2为本发明具体实施例的综合管廊及实施步骤第一至第二步的示意图。
图3为本发明具体实施例的实施步骤第三步的示意图。
图4为本发明具体实施例的实施步骤第四步的示意图。
具体实施方式
下面结合实施例，对本发明提出的分布式结构振动监测数据智能化报警与恢复方法进行详细说明。需要指出的是，本实施例提出的实施方法仅为帮助进一步理解本发明的实际实施过程，不作为对本发明的具体限制。
如图1所示，为本发明分布式结构振动监测数据智能化报警与恢复方法的流程图。
一种分布式结构振动监测数据智能化报警与恢复方法，包括以下步骤：
第一步，获取分布式结构健康监测系统中不同位置传感器的振动监测数据，并分别实时绘制n个传感器振动数据的振动图像；
第二步，采用图像视觉识别检测器识别并定位存在异常的位置，识别定位后截取对应异常时刻各个传感器的监测数据段切片，切片的长度不小于10倍的传感器采样频率；图像视觉识别检测器根据异常性质将切片数据分为传感器异常数据与结构灾变数据；
第三步，对于分类为灾变数据的切片数据，对损伤传感器数据切片与其他传感器对应时刻数据切片分别进行小波变换，并绘制其时频图谱后输入时频视觉识别器识别灾害的风险程度，超过风险阈值即做出报警；
第四步，对于分类为传感器异常的切片数据，将损伤传感器数据切片与其他传感器对应时刻数据切片直接输入分布式振动数据智能重建编码器进行重构，实现异常缺损数据的恢复。
进一步的，步骤二中，
所述图像视觉识别检测器采用黑白图像智能分割算法，输入图片为振动数据的黑白图像，算法架构包括图像特征提取框架、特征学习策略；
图像特征提取框架由黑白1通道二维卷积神经网络搭建，该框架中输出层设有分类器，可对输入振动数据的图像进行分类，输出包含2个数的向量，分别代表异常数据与结构灾变数据的判断概率值，取两者较大值为分类结果；
特征学习策略是在现场监测振动数据图像的深度学习中引入注意力机制，提高振动数据学习的效率与拟合精度，对算法输入已标定的正常振动数据、异常振动数据与灾变振动数据进行分类学习，各段输入数据的持续时间为10~20秒，正常数据数量不少于2000条，异常振动数据不少于500条；
完成训练后进行异常检测提取，异常检测提取是针对实测数据图像进行的实时异常检测定位，定位后形成切片加窗函数，采用加窗函数对异常传感器以及其他传感器对应时段的监测数据进行切片，切片后输出异常传感器W与其他n-1个传感器对应位置的数据形成的数组。
进一步的，所述时频视觉识别器采用彩色图像智能分割算法，输入图片为切片数据的小波频谱彩色热力图像，算法架构包括图像特征提取框架与特征学习策略，图像特征提取框架由3通道RGB二维卷积神经网络搭建；
特征学习策略是针对不同标签的数据集进行多分类，并引入注意力机制，提高振动数据学习的效率与拟合精度；
时频视觉识别器由上述框架经过训练图像集的训练生成，训练图像集获得方法为：
（1）选取原始数据集，原始数据集为目前已有记录的与被测地区地质条件相似的天然地震波，用于训练的天然地震波数量不少于100条，有效地震动时间不少于20秒，将数据集归一化后进行调幅，调幅系数为：0.01g，0.05g，0.1g，0.2g，0.3g，0.4g，0.5g，对应灾变的1-7级，每条天然地震波生成7条对应的调幅数据；
（2）绘制热力频谱，将原始数据集的各条数据进行小波变换后绘制热力图像，将图像按照对应调幅系数进行标记，生成训练图像集；
将实时实测的振动数据进行小波变换并绘制频谱后输入时频视觉识别器，对输入频谱图像的对应数据的灾害的风险程度进行1-7级判断。
所述分布式振动数据智能重建编码器中包括异常传感器数据预恢复模块与多通道数据整体重建模块，其中，
异常传感器数据预恢复模块采用全连接1通道自编码器实现，n个传感器分别有一个对应的自编码器，每个自编码器由各传感器正常运营期间的振动数据训练而成，训练长度与切片加窗函数的切片长度相同，训练数据量不少于2000条，训练过程中采用Dropout层提高自编码器的泛化能力，训练后的自编码器可以将异常数据段预恢复为具有平稳振动特征的数据；
多通道数据整体重建模块主要将上述预恢复的数据与其他通道的实时正常数据进行重组重建，由此生成具有结构特征的重建数据，本模块采用n通道二维卷积自编码器实现，卷积自编码器训练时输入数据为n个传感器的无时间滞后的正常振动数据，编号为1,2,3…n，n为正整数，训练长度与切片加窗函数的切片长度相同，训练数据量不少于2000条，训练过程中采用跳跃采样的方式进行卷积核上采样与下采样，实测数据重建时，按照训练时各通道数据的排列顺序排列正常数据通道切片段与预恢复的异常通道数据切片段，经过卷积自编码器的特征提取与重建，完成数据的恢复。
进一步的，所述振动监测数据包括速度、加速度和位移。
实施例
附图2所示为综合管廊立面布置图，针对管廊节段位置设置了分布式振动监测传感器1、传感器2、传感器3、传感器4、传感器5、传感器6，采样频率为20Hz。
第一步，针对上述传感器1~6的实时监测数据，分别实时绘制6个传感器振动数据的振动图像。
第二步，采用图像视觉识别检测器识别并定位存在异常的位置，检测器可根据的异常性质将切片数据分为传感器异常数据与结构灾变数据。识别定位后截取对应异常时刻各个传感器的监测数据段切片，切片的长度400，对应持续时间为20秒。这里假设发生异常的传感器为传感器4。
第三步，对于传感器4实测数据中发现并分类为灾变数据的切片数据，对损伤传感器4的数据切片与其他传感器1至3、5至6对应时刻数据切片分别进行小波变换，并绘制其时频图谱后输入时频视觉识别器识别灾害的风险程度。
如附图3所示为时频视觉识别器的工作流程。识别器对时频热力图像的灾变特征位置进行了准确的定位与评估，最终做出灾变决策为1级灾变，属于可控灾变范围。评估结果报告结构健康监测平台。
第四步，对于传感器4实测数据中分类为传感器异常的切片数据，将损伤传感器4数据切片与其他传感器1至3、5至6对应时刻数据切片直接输入分布式振动数据智能重建编码器进行重构，实现异常缺损数据的恢复。
如附图4所示为分布式振动数据智能重建编码器重构恢复异常数据的工作流程。可发现传感器4发生缺失，被分类为传感器异常。输入原始数据后，首先对传感器4的异常数据切片进行全连接自编码器数据预重建。预重建数据可包含传感器4自身特征。接着，按照训练时各通道数据的排列顺序排列正常数据通道切片段与预恢复的异常通道数据切片段。经过卷积自编码器的特征提取与重建，完成数据的恢复。恢复后数据与异常附近数据特征保持一致。
综上所述，本发明提出的分布式结构振动监测数据智能化报警与恢复方法可以有效识别、报警、恢复分布式结构中的异常振动监测数据。

Claims (5)

1.一种分布式结构振动监测数据智能化报警与恢复方法，其特征在于，包括以下步骤：
第一步，获取分布式结构健康监测系统中不同位置传感器的振动监测数据，并分别实时绘制n个传感器振动数据的振动图像；
第二步，采用图像视觉识别检测器识别并定位存在异常的位置，识别定位后截取对应异常时刻各个传感器的监测数据段切片，切片的长度不小于10倍的传感器采样频率；图像视觉识别检测器根据异常性质将切片数据分为传感器异常数据与结构灾变数据；
第三步，对于分类为灾变数据的切片数据，对损伤传感器数据切片与其他传感器对应时刻数据切片分别进行小波变换，并绘制其时频图谱后输入时频视觉识别器识别灾害的风险程度，超过风险阈值即做出报警；
第四步，对于分类为传感器异常的切片数据，将损伤传感器数据切片与其他传感器对应时刻数据切片直接输入分布式振动数据智能重建编码器进行重构，实现异常缺损数据的恢复。
2.根据权利要求1所述的分布式结构振动监测数据智能化报警与恢复方法，其特征在于， 步骤二中，
所述图像视觉识别检测器采用黑白图像智能分割算法，输入图片为振动数据的黑白图像，算法架构包括图像特征提取框架、特征学习策略；
图像特征提取框架由黑白1通道二维卷积神经网络搭建，该框架中输出层设有分类器，可对输入振动数据的图像进行分类，输出包含2个数的向量，分别代表异常数据与结构灾变数据的判断概率值，取两者较大值为分类结果；
特征学习策略是在现场监测振动数据图像的深度学习中引入注意力机制，提高振动数据学习的效率与拟合精度，对算法输入已标定的正常振动数据、异常振动数据与灾变振动数据进行分类学习，各段输入数据的持续时间为10~20秒，正常数据数量不少于2000条，异常振动数据不少于500条；
完成训练后进行异常检测提取，异常检测提取是针对实测数据图像进行的实时异常检测定位，定位后形成切片加窗函数，采用加窗函数对异常传感器以及其他传感器对应时段的监测数据进行切片，切片后输出异常传感器W与其他n-1个传感器对应位置的数据形成的数组。
3.根据权利要求1所述的分布式结构振动监测数据智能化报警与恢复方法，其特征在于，所述时频视觉识别器采用彩色图像智能分割算法，输入图片为切片数据的小波频谱彩色热力图像，算法架构包括图像特征提取框架与特征学习策略，图像特征提取框架由3通道RGB二维卷积神经网络搭建；
特征学习策略是针对不同标签的数据集进行多分类，并引入注意力机制，提高振动数据学习的效率与拟合精度；
时频视觉识别器由上述框架经过训练图像集的训练生成，训练图像集获得方法为：
（1）选取原始数据集，原始数据集为目前已有记录的与被测地区地质条件相似的天然地震波，用于训练的天然地震波数量不少于100条，有效地震动时间不少于20秒，将数据集归一化后进行调幅，调幅系数为：0.01g，0.05g，0.1g，0.2g，0.3g，0.4g，0.5g，对应灾变的1-7级，每条天然地震波生成7条对应的调幅数据；
（2）绘制热力频谱，将原始数据集的各条数据进行小波变换后绘制热力图像，将图像按照对应调幅系数进行标记，生成训练图像集；
将实时实测的振动数据进行小波变换并绘制频谱后输入时频视觉识别器，对输入频谱图像的对应数据的灾害的风险程度进行1-7级判断。
4.根据权利要求1所述的分布式结构振动监测数据智能化报警与恢复方法，其特征在于，所述分布式振动数据智能重建编码器中包括异常传感器数据预恢复模块与多通道数据整体重建模块，其中，
异常传感器数据预恢复模块采用全连接1通道自编码器实现，n个传感器分别有一个对应的自编码器，每个自编码器由各传感器正常运营期间的振动数据训练而成，训练长度与切片加窗函数的切片长度相同，训练数据量不少于2000条，训练过程中采用Dropout层提高自编码器的泛化能力，训练后的自编码器可以将异常数据段预恢复为具有平稳振动特征的数据；
多通道数据整体重建模块主要将上述预恢复的数据与其他通道的实时正常数据进行重组重建，由此生成具有结构特征的重建数据，本模块采用n通道二维卷积自编码器实现，卷积自编码器训练时输入数据为n个传感器的无时间滞后的正常振动数据，编号为1,2,3…n，n为正整数，训练长度与切片加窗函数的切片长度相同，训练数据量不少于2000条，训练过程中采用跳跃采样的方式进行卷积核上采样与下采样，实测数据重建时，按照训练时各通道数据的排列顺序排列正常数据通道切片段与预恢复的异常通道数据切片段，经过卷积自编码器的特征提取与重建，完成数据的恢复。
5.根据权利要求1所述的分布式结构振动监测数据智能化报警与恢复方法，其特征在于，所述振动监测数据包括速度、加速度和位移。
CN202210928161.1A 2022-08-03 2022-08-03 分布式结构振动监测数据智能化报警与恢复方法 Active CN115331391B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210928161.1A CN115331391B (zh) 2022-08-03 2022-08-03 分布式结构振动监测数据智能化报警与恢复方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210928161.1A CN115331391B (zh) 2022-08-03 2022-08-03 分布式结构振动监测数据智能化报警与恢复方法

Publications (2)

Publication Number Publication Date
CN115331391A CN115331391A (zh) 2022-11-11
CN115331391B true CN115331391B (zh) 2023-09-12

Family

ID=83921990

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210928161.1A Active CN115331391B (zh) 2022-08-03 2022-08-03 分布式结构振动监测数据智能化报警与恢复方法

Country Status (1)

Country Link
CN (1) CN115331391B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116840761B (zh) * 2023-05-24 2024-06-18 国家电网有限公司华东分部 互感器的异常确定方法及装置、存储介质、计算机设备
CN117037427B (zh) * 2023-08-23 2024-02-20 旺苍县地质环境监测站 一种地质灾害联网监测预警系统
CN117235615B (zh) * 2023-11-14 2024-01-30 泰安维创游乐设备有限公司 一种大型游乐园设备安全隐患风险预警系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108709633A (zh) * 2018-08-29 2018-10-26 中国科学院上海光学精密机械研究所 基于深度学习的分布式光纤振动传感智能安全监测方法
AU2021100365A4 (en) * 2021-01-20 2021-04-15 Three Gorges University A multi-sensor-based intelligent monitoring and early warning system and method for dam safety
CN113158548A (zh) * 2021-03-19 2021-07-23 东南大学 基于分散式振动数据和卷积自编码深度学习的结构损伤评估方法
CN114827773A (zh) * 2022-04-25 2022-07-29 厦门物之联智能科技有限公司 一种城市轨道智慧安全监测预警系统
CN114841200A (zh) * 2022-04-19 2022-08-02 合肥工业大学 基于小波变换和半监督卷积自编码器的钢轨损伤监测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108709633A (zh) * 2018-08-29 2018-10-26 中国科学院上海光学精密机械研究所 基于深度学习的分布式光纤振动传感智能安全监测方法
AU2021100365A4 (en) * 2021-01-20 2021-04-15 Three Gorges University A multi-sensor-based intelligent monitoring and early warning system and method for dam safety
CN113158548A (zh) * 2021-03-19 2021-07-23 东南大学 基于分散式振动数据和卷积自编码深度学习的结构损伤评估方法
CN114841200A (zh) * 2022-04-19 2022-08-02 合肥工业大学 基于小波变换和半监督卷积自编码器的钢轨损伤监测方法
CN114827773A (zh) * 2022-04-25 2022-07-29 厦门物之联智能科技有限公司 一种城市轨道智慧安全监测预警系统

Also Published As

Publication number Publication date
CN115331391A (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN115331391B (zh) 分布式结构振动监测数据智能化报警与恢复方法
CN108764601B (zh) 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法
CN111797890A (zh) 一种用于检测输电线路设备缺陷的方法及系统
CN110232380A (zh) 基于Mask R-CNN神经网络的火灾夜间场景复原方法
CN112200237A (zh) 一种结构健康监测系统时序监测数据异常诊断方法
Rosso et al. Review on deep learning in structural health monitoring
CN117664245B (zh) 水坝安全实时监控系统
CN116740523A (zh) 一种基于图像多层次融合卷积的回转支承故障诊断方法
CN117975372B (zh) 一种基于YOLOv8和Transformer编码器相结合的工地安全检测系统及方法
CN117150430A (zh) 基于多源异构数据融合的高铁沿线大风预测算法
CN116842379A (zh) 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法
CN117609885A (zh) 基于分布式光纤传感及融合神经网络的高铁入侵监测方法
CN115130731A (zh) 一种风力发电机故障检测方法、设备及介质
Xie et al. A novel quality control method of time-series ocean wave observation data combining deep-learning prediction and statistical analysis
Khan et al. Flash floods prediction using real time data: An implementation of ANN-PSO with less false alarm
CN116166966B (zh) 一种基于多模态数据融合的水质劣化事件检测方法
US20230024104A1 (en) Identification of false transformer humming using machine learning
CN110346032A (zh) 一种基于恒虚警与过零率相结合的φ-otdr振动信号端点检测方法
CN113982605B (zh) 多层级盾构法隧道安全保护系统及方法
Zhang et al. Improved condition monitoring for an FPSO system with multiple correlated components
RU2745137C1 (ru) Автоматизированная система выявления и прогнозирования осложнений в процессе строительства нефтяных и газовых скважин
CN114354744A (zh) 一种电力电缆防外破监测方法、系统及装置
Alon et al. An inference approach of flood level detection and alert system: Flood-induced simulated environment
CN118587560B (zh) 一种光纤分布式低信噪比目标监测方法及系统
CN117345344B (zh) 一种矿井声电信号智能预测方法与系统

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