CN115683504B - 基于多标签分类的桥梁加速度监测数据异常识别方法及系统 - Google Patents
基于多标签分类的桥梁加速度监测数据异常识别方法及系统 Download PDFInfo
- Publication number
- CN115683504B CN115683504B CN202211041680.2A CN202211041680A CN115683504B CN 115683504 B CN115683504 B CN 115683504B CN 202211041680 A CN202211041680 A CN 202211041680A CN 115683504 B CN115683504 B CN 115683504B
- Authority
- CN
- China
- Prior art keywords
- data
- segment
- anomaly
- label
- tag
- 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
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于多标签分类的桥梁加速度监测数据异常识别方法,根据加速度数据的异常分类,确定用于加速度数据异常多标签分类任务的异常标签;进而构建加速度数据异常多标签分类数据集;构建用于数据异常多标签分类的深度学习模型并对模型进行训练、评估;将未标注的海量加速度监测数据输入到训练好的多标签分类模型中,可实现对每一数据段内正常数据与不同类型数据异常存在状态的识别,及各数据异常类型对后续分析可用性的判断;本申请解决了海量加速度监测数据下无法对定长数据段中同时存在的多种数据异常及正常数据进行识别的问题,可为数据异常分析提供可靠的数据基础。
Description
技术领域
本发明属于桥梁结构健康监测与计算机深度学习应用技术领域,特别涉及一种基于多标签分类深度神经网络的桥梁加速度监测数据异常识别方法及系统。
背景技术
加速度是桥梁结构健康监测的一个重要监测项,是基于振动的结构损伤识别与状态评估所主要使用的数据类型。桥梁的加速度响应由车辆、风等外部荷载作用激励产生,通过安装在不同结构部位的加速度传感器观测得到。由于加速度传感器长期暴露在恶劣的服役环境下,工作性能不可避免的会随服役时间的累积而退化,加之传感器本身可能存在的性能缺陷和数据传输问题,所采集的数据中会存在较多因设备故障引发的数据异常。这些数据异常会影响后续数据分析结果的可靠性,需要在相应的数据分析前予以准确的识别并进行有针对性的处理。
小数据量下的数据异常识别可通过手动筛选实现。不过,在海量数据下,手动筛选将极为低效。对此,当下已有较多自动化的数据异常识别方法,可归纳为基于信号分析、基于统计分析、基于机器学习等几类。这些方法仍然存在许多不足,例如,基于信号分析或统计分析的方法或仅能识别某一特定异常,或会因算法本身的缺陷产生较多误判;传统基于机器学习的方法将数据异常识别视为单目标分类问题,虽能通过学习人为标注数据降低误判率,却也只能将给定数据段归类为其中具有显著特征的某一特定数据异常类别,并不能对该数据段中是否还存在正常数据或其它类别的数据异常进行判断。实际上,加速度监测数据中会存在多种类型的数据异常,其中的一些数据异常类型对后续特定的数据分析仍然是可用的。例如,增益异常会使加速度幅值大幅变大或变小,但这并不影响结构固有频率的计算,因此该数据异常类型在后续以计算频率为目的的数据分析中仍然是可用的。除此之外,一些数据异常类型只会阶段性地发生,数据段内其余的数据仍可能是正常的数据,并不妨碍在后续的分析中被合理的使用。因此,若不能在识别给定数据段中最显著数据异常类型的同时,辨识是否仍存在正常数据或其它数据异常类型及各数据异常类型对后续分析的可用性,后续的数据预处理过程中,将可能在剔除首要数据异常类型时弃用整段数据,造成可用数据的浪费和相应时段的信息缺失。
目前,多标签分类技术未应用在时间序列类型数据上,也尚未在加速度数据异常识别中得到使用。
发明内容
本发明的目的在于:针对现有技术的不足,本申请提供一种基于多标签分类的桥梁加速度监测数据异常识别方法,针对海量加速度监测数据的异常识别,实现自动化的识别,能识别给定数据中正常数据与不同类型数据异常的存在状态,并可对各种数据异常对后续分析的可用性进行判断。
本发明具体技术方案为:
一种基于多标签分类的桥梁加速度监测数据异常识别方法,包括以下步骤:
步骤1,采集桥梁在环境与运营荷载激励下的加速度响应数据构成原始数据,基于固定时长将原始数据分割后建立数据段,绘制数据段(固定时长加速度数据段)的时程图、频谱图和幅值分布直方图,筛选存在数据异常的数据段,并对数据段进行初步的数据异常分类;
步骤2,将数据段划分为多个若干个数据子段,绘制子段时程图和子段频谱图,根据数据段内各数据子段中存在的数据异常类型确定数据段的数据异常标签,数据异常标签用于多标签分类任务;
步骤3,从原始数据中随机选取部分数据作为样本集,剩余部分数据作为识别数据集;由数据异常标签逐一对样本集中的数据段(加速度监测数据中的定长数据段)进行标注,构建多标签分类数据集,用以对后续的数据异常多标签深度神经网络模型进行训练;
步骤4,以深度学习方法中的卷积神经网络为基础架构,构建多标签分类深度神经网络模型,用以识别样本集内各数据段中正常数据与和异常数据的数据异常类型;
步骤5,基于多标签分类数据集对多标签分类深度神经网络模型进行训练,对训练后的多标签分类深度神经网络模型性能进行评估;
步骤6,将识别数据集中的加速度响应数据输入到训练好的多标签分类深度神经网络中,对可能存在的数据异常进行识别。
步骤1具体包括以下步骤:
(101)以自适应的Y轴上下限值绘制每一数据段的Y轴自适应时程图,以固定的Y轴上下限值绘制数据段的Y轴固定时程图;同时绘制数据段的频谱图和幅值分布直方图;
(102)基于时程图对数据段进行筛选,若在Y轴自适应时程图上存在限定比例的数据超出限定幅值范围,判定存在“大幅值”数据异常;若在Y轴固定时程图上数据在限定幅值范围内波动,使波动形状无法辨识,判定存在“小幅值”数据异常;否则,判定数据段的幅值为“正常值”;
由频谱图对数据段进行筛选,若频谱图中无法识别各阶振动频率对应的波峰,判定所述数据段不可用,且存在“波形异常”数据异常,否则判定“波形正常”;
由幅值分布直方图识别时程图和频谱图中不易发现的数据异常,若幅值分布直方图并非对称分布,判定数据段存在“波形异常”数据异常。
基于时程图、频谱图、幅值分布直方图的筛选结果将数据段按数据异常类型进行初步的分类,异常类型包括“大幅值”、“正常值”、“小幅值”、“波形正常”和“波形异常”,基于异常类型对数据段标记数据异常标签,一种异常类型对应一种数据异常标签。
步骤2具体包括以下步骤:
(201)将每一加速度数据段划分成若干个数据子段;分别绘制每一数据子段的子段时程图和子段频谱图;数据子段数量在同一张图片中子段时程图、频谱图可被清晰辨识的前提下取较大值;
(202)对已确定的5种数据异常标签,补充判定数据异常标签在每一个子段时程图、子段频谱图内的存在情况,以避免遗漏;从子段时程图中提取出“缺失”、“离群点”、“方波”、“漂移”4种数据异常标签;其中,若子段时程图中存在中断,判定数据子段存在“缺失”数据异常;若子段时程图中存在一个或者多个超过限定幅值范围的数据点,判定数据子段存在“离群点”数据异常;若子段时程图中某一段数据的最大振动幅值均为固定值,判定数据子段存在“方波”数据异常;若子段时程图中连续存在偏离正常振动范围的数据,判定数据子段存在“漂移”数据异常;若子段时程图和子段频谱图内存在其它不能归类于上述标签的数据异常,判定数据子段存在“其它数据异常”数据异常。
(203)基于异常类型构建数据异常标签数组。将“其它数据异常”标签合并到“波形异常”标签,基于数据异常标签构建数据异常标签数组,共数据异常标签包括“波形正常”、“波形异常”、“大幅值”、“正常值”、“小幅值”、“缺失”、“离群点”、“方波”和“漂移”。
步骤3具体包括以下步骤:
(301)对样本集中的数据段,分别按步骤1绘制数据子段的Y轴自适应时程图、Y轴固定时程图和频谱图,对照数据异常标签数组逐一确认数据子段是否存在数据异常标签。若某数据子段内存在某数据异常类型,所述数据子段的数据异常标签数组中对应的标签值为1,反之为0,每一数据异常标签数组中可能存在多个标签值为1;
(302)将样本集内的原始数据标准化,构成标准化数据,标准化数据均值为0、标准差为1;
(303)将样本集内的标准化数据与相应的标签数组构成的多标签分类数据集按0.8:0.1:0.1的比例划分为训练集、验证集和测试集。
步骤4具体包括以下步骤:
(401)多标签分类深度神经网络模型架构包括输入层、卷积层、池化层、展平层、全连接层、输出层。其中,输入层用以接受输入数据;卷积层用以学习不同类型数据异常的特征,激活函数设置为ReLU;每一卷积层后均设置一池化层以降低卷积层输出的尺寸,使下一卷积层学习到更大尺度的特征;展平层设置于最后一个池化层之后,用于将二维的特征图转换成一维的特征向量;全连接层用于将展平层的数据特征映射到最终的输出层;
(402)模型训练的损失函数设定为带权重的二分类交叉熵(Binary crossentropy,BCE),以减轻数据集中各数据异常类别不均衡的问题,具体表达式为式(1);
(403)将输出层长度设置为9,其中的每一神经元对应着一个数据异常标签;将输出层的激活函数设置为Sigmoid,使输出层输出的数据异常标签数组中可以存在多个数据异常标签值为1。
步骤5具体包括以下步骤:
(501)基于设置的训练参数(学习率、迭代次数等)在训练集上训练多标签分类深度神经网络模型;定义基于数据异常标签的性能度量,以验证集评价多标签分类深度神经网络模型每一次训练后的分类性能;
(502)以测试集对多标签分类深度神经网络模型的多标签分类性能及泛化性能进行评估。
步骤6具体包括以下步骤:
(601)将识别数据集中的加速度响应数据标准化,获得标准化的识别数据,标准化的识别数据均值为0,标准差为1;
(602)将标准化的识别数据输入到训练好的多标签分类深度神经网络模型中,由多标签分类深度神经网络模型的输出层获取每一数据段的数据异常标签数组;
(603)对识别数据集内每一数据段预测的数据异常标签数组中的标签值进行判断,若除了“波形正常”、“正常值”两个标签值为1外,其它标签值均为0,则相应数据段内不存在数据异常;否则,该数据段内存在的数据异常类型通过相应标签值为1的数据异常标签判定。
一种基于多标签分类的桥梁加速度监测数据异常识别系统,包括:数据段构建单元、子段划分单元、多标签分类数据集构建单元、模型构建单元、模型训练单元和异常识别单元;
数据段构建单元采集桥梁在环境与运营荷载激励下的加速度响应数据构成原始数据,基于固定时长将原始数据分割后建立数据段,绘制数据段(固定时长加速度数据段)的时程图、频谱图和幅值分布直方图,筛选存在数据异常的数据段,并对数据段进行初步的数据异常分类;
子段划分单元将数据段划分为多个若干个数据子段,绘制子段时程图和子段频谱图,根据数据段的各数据子段中存在的数据异常类型的确定数据段的数据异常标签,数据异常标签用于多标签分类任务;
多标签分类数据集构建单元从原始数据中随机选取部分数据作为样本集,剩余部分数据作为识别数据集,由数据异常标签逐一对样本集中的数据段(加速度监测数据中的定长数据段)进行标注,构建多标签分类数据集;多标签分类数据集用于加速度监测数据异常多标签分类任务;
模型构建单元以深度学习方法中的卷积神经网络为基础架构,构建多标签分类深度神经网络模型,多标签分类深度神经网络模型识别样本集中内各数据段中正常数据与和异常数据的数据异常类型;
模型训练单元基于多标签分类数据集对多标签分类深度神经网络模型进行训练,对训练后的多标签分类深度神经网络模型性能进行评估;
异常识别单元将识别数据集中的加速度响应数据输入到训练好的多标签分类深度神经网络中,对可能存在的数据异常进行识别。
数据段构建单元包括数据段图片绘制模块和异常数据段筛选模块;
数据段图片绘制模块采集桥梁在环境与运营荷载激励下的加速度响应数据构成原始数据,基于固定时长将原始数据分割后建立数据段,以自适应的Y轴上下限值绘制每一数据段的Y轴自适应时程图,以固定的Y轴上下限值绘制数据段的Y轴固定时程图;同时绘制数据段的频谱图、和幅值分布直方图;
异常数据段筛选模块逐一查看数据段的时程图、频谱图和幅值分布直方图:基于时程图对数据段进行筛选,若在Y轴自适应时程图上存在限定比例的数据超出限定幅值范围,判定存在“大幅值”数据异常;若在Y轴固定时程图上数据在限定幅值范围内波动,使波动形状无法辨识,判定存在“小幅值”数据异常;否则,判定数据段的幅值为“正常值”;
由频谱图对数据段进行筛选,若频谱图中无法识别各阶振动频率对应的波峰,判定所述数据段不可用,且存在“波形异常”数据异常,否则判定“波形正常”;
由幅值分布直方图识别时程图和频谱图中不易发现的数据异常,若幅值分布直方图并非对称分布,判定数据段存在“波形异常”数据异常。
基于时程图、频谱图、幅值分布直方图的筛选结果将数据段按数据异常类型进行初步的分类,异常类型包括“大幅值”、“正常值”、“小幅值”、“波形正常”和“波形异常”,基于异常类型对数据段标记数据异常标签,一种异常类型对应一种数据异常标签;
子段划分单元包括数据子段划分模块、数据异常标签提取模块和数据异常标签数组构建模块;
数据子段划分模块将每一加速度数据段划分成若干个数据子段;分别绘制每一数据子段的子段时程图和子段频谱图;数据子段数量在同一张图片中子段时程图、频谱图可被清晰辨识的前提下取较大值,本实施例中,一个数据段的子段数量为4。
数据异常标签提取模块对已确定的5种数据异常标签,补充判定数据异常标签在每一个子段时程图、子段频谱图内的存在情况,以避免遗漏;从子段时程图中提取出“缺失”、“离群点”、“方波”、“漂移”4种数据异常标签;其中,若子段时程图中存在中断,判定数据子段存在“缺失”数据异常;若子段时程图中存在一个或者多个超限定幅值范围的数据点,判定数据子段存在“离群点”数据异常;若子段时程图中某一段数据的最大振动幅值均为固定值,判定数据子段存在“方波”数据异常;若子段时程图中连续存在偏离正常振动范围的数据,判定子数据段存在“漂移”数据异常;若子段时程图和子段频谱图内存在其它不能归类于上述标签的数据异常,判定子数据段存在“其它数据异常”数据异常。
数据异常标签数组构建模块将“其它数据异常”标签合并到“波形异常”标签,基于数据异常标签构建数据异常标签数组,数据异常标签包括“波形正常”、“波形异常”、“大幅值”、“正常值”、“小幅值”、“缺失”、“离群点”、“方波”和“漂移”9个标签;
多标签分类数据集构建单元包括数据异常标注模块、样本集标准化模块和数据集拆分模块;数据异常标注模块对样本集中的数据段,分别按步骤1绘制数据子段的Y轴自适应时程图、Y轴固定时程图和频谱图,对照数据异常标签数组逐一确认数据子段是否存在数据异常标签。若某数据子段内存在相应数据异常标签,所述数据子段的数据异常标签数组中对应的标签值为1,反之为0,每一数据异常标签数组中可能存在多个标签值为1;
样本集标准化模块将样本集内的原始数据标准化,构成标准化数据,标准化数据均值为0、标准差为1;
数据集拆分模块将样本集内的标准化数据与相应的标签数组构成的多标签分类数据集划分为训练集、验证集和测试集。
模型构建单元包括神经网络模型架构搭建模块、损失函数设定模块和输出层设定模块;
神经网络模型架构搭建模块搭建多标签分类深度神经网络模型架构,多标签分类深度神经网络模型架构包括输入层、卷积层、池化层、展平层、全连接层、输出层。其中,输入层输入采样频率和采样时长;卷积层设置若干层,学习不同类型数据异常的特征,激活函数设置为ReLU;每一卷积层均设置一池化层以降低卷积层输出的尺寸,使下一卷积层学习到更大尺度的特征;展平层设置于最后一个池化层之后,用于将二维的特征图转换成一维的特征向量;全连接层用于将展平层的数据特征映射到最终的输出层;
损失函数设定模块中,模型训练的损失函数设定为带权重的二分类交叉熵(Binary cross entropy,BCE),具体表达式为式(1),以减轻数据集中各数据异常类别不均衡的问题;
输出层设定模块将输出层长度设置为9,其中的每一神经元对应着一个数据异常标签;将输出层的激活函数设置为Sigmoid,使输出层输出的数据异常标签数组中可以存在多个数据异常标签的数值为1。
模型训练单元训练模块和性能评估模块;
训练模块基于设置的训练参数(学习率、迭代次数等)在训练集上训练多标签分类深度神经网络模型;定义基于数据异常标签的性能度量,以验证集评价多标签分类深度神经网络模型每一次训练后的分类性能;
性能评估模块基于测试集对多标签分类深度神经网络模型的多标签分类性能及泛化性能进行评估。
异常识别单元包括识别数据集标准化模块、数据异常标签预测模块和数据异常识别模块;识别数据集标准化模块将识别数据集中的加速度响应数据标准化,获得标准化的识别数据,标准化的识别数据均值为0,标准差为1;
数据异常标签预测模块将标准化的识别数据输入到训练好的多标签分类深度神经网络模型中,由多标签分类深度神经网络模型的输出层获取每一数据段的数据异常标签数组;
数据异常识别模块在识别数据集中数据段的数据异常标签数组中,若除了“波形正常”、“正常值”两个标签值为1外,其它标签值均为0,则相应数据段内不存在数据异常;否则,该数据段内存在的数据异常类型通过数据异常标签的标签值为1的数据异常标签判定。
本发明的有益效果在于:
本发明通过绘制数据段时程图、频谱图、幅值分布直方图,从加速度监测数据中筛选存在不同类型数据异常的数据段;根据加速度数据段中正常数据与不同类型数据异常的存在状态、不同类型数据异常在后续分析中的可用性,确定用于加速度数据异常多标签分类任务的数据异常标签;通过对海量加速度监测数据中的定长数据段进行多标签数据异常标注,构建加速度数据异常多标签分类数据集;基于卷积神经网络构建用于加速度数据异常多标签分类的深度学习模型,利用所构建的数据集对模型进行训练、评估;将未标注的海量加速度监测数据输入到训练好的多标签分类深度神经网络模型中,可实现对每一定长数据段内正常数据与不同类型数据异常存在状态的识别,及各数据异常类型对后续分析可用性的判断。本发明提出的方法解决了传统方法在海量加速度监测数据下无法对定长数据段中同时存在的多种数据异常及正常数据进行识别的问题,并且可对不同数据异常类型的可用性进行判定。通过识别可用的数据异常类型,可避免因数据被误处理在后续数据分析中造成的数据缺失,并为分析提供可靠的数据基础。
本申请针对加速度监测数据异常识别任务,设计用于数据异常多标签分类的深度神经网络,实现对加速度数据段中正常数据与不同类型数据异常存在状态的识别、对不同数据异常类型在后续分析中可用性的判断。
附图说明
为了更清楚的说明本发明实施例及技术方案,下面将对实施例及技术方案描述中所需要使用的附图作简单的介绍。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它的附图。
图1为本发明实例基于多标签分类的桥梁加速度监测数据异常识别方法流程示意图;
图2为对某一定长数据段绘制的Y轴上下限值自适应的时程图、Y轴上下限值固定的时程图、频谱图和幅值分布直方图;
图3为对某一加速度数据段划分子段并汇总各子段标签后得到的数据异常标签数组;
图4为所构建的多标签分类深度神经网络模型架构图;
图5为由所训练的多标签分类深度神经网络模型从某加速度数据段中识别得到的数据异常标签情况。
具体实施方式
为使本发明的目的、技术方案、优点更加清楚,下面结合附图对本发明的具体实施方式进行详细说明。
以下将结合本发明的附图,对本发明实施例中的技术方案进行清楚、完整的描述和讨论,显然,这里所描述的仅仅是本发明的一部分实例,并不是全部的实例,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获得的所有其他实施例,都属于本发明的保护范围。
如图1所示,一种基于多标签分类的桥梁加速度监测数据异常识别方法,其特征在于,包括以下步骤:
步骤1,采集桥梁在环境与运营荷载激励下的加速度响应数据构成原始数据,基于固定时长将原始数据分割后建立数据段,绘制数据段(固定时长加速度数据段)的时程图、频谱图和幅值分布直方图,筛选存在数据异常的数据段,并对数据段进行初步的数据异常分类;
步骤2,将数据段划分为若干个数据子段,绘制子段时程图和子段频谱图,根据数据段内各数据子段中存在的数据异常类型确定数据段的数据异常标签。
步骤3,从原始数据(所有加速度监测数据)中随机选取部分数据作为样本集,剩余部分数据作为识别数据集,由数据异常标签逐一对样本集中的数据段(加速度监测数据中的定长数据段)进行标注,构建多标签分类数据集;多标签分类数据集用于加速度监测数据异常多标签分类任务;
步骤4,以深度学习方法中的卷积神经网络为基础架构,构建多标签分类深度神经网络模型,多标签分类深度神经网络模型用以识别样本集内各数据段中正常数据与和异常数据的数据异常类型;
步骤5,基于多标签分类数据集对多标签分类深度神经网络模型进行训练,对训练后的多标签分类深度神经网络模型性能进行评估;
步骤6,将识别数据集中的加速度响应数据输入到训练好的多标签分类深度神经网络中,对可能存在的数据异常进行识别。
步骤1具体包括以下步骤:
(101)数据段图片绘制。采集桥梁在环境与运营荷载激励下的加速度响应数据构成原始数据,基于固定时长将原始数据分割后建立数据段,以自适应的Y轴上下限值绘制每一数据段的Y轴自适应时程图,以固定的Y轴上下限值绘制数据段的Y轴固定时程图,其中固定的Y轴上下限值取[-50,50]gal;同时绘制数据段的频谱图、和幅值分布直方图,如附图2所示;
(102)异常数据段筛选。逐一查看数据段的时程图、频谱图和幅值分布直方图:基于时程图对数据段进行筛选,若在Y轴自适应时程图上存在限定比例的数据超出[-50,50]gal区间,判定存在“大幅值”数据异常;若在Y轴固定时程图上数据在限定幅值范围内波动,使波动形状无法辨识,判定存在“小幅值”数据异常;否则,判定数据段的幅值为“正常值”;
由频谱图对数据段进行筛选,若频谱图中无法识别各阶振动频率对应的波峰,判定所述数据段不可用,且存在“波形异常”数据异常,否则判定“波形正常”;
由幅值分布直方图识别时程图和频谱图中不易发现的数据异常,若幅值分布直方图并非对称分布,判定数据段存在“波形异常”数据异常。
基于时程图、频谱图、幅值分布直方图的筛选结果将数据段按数据异常类型进行初步的分类,异常类型包括“大幅值”、“正常值”、“小幅值”、“波形正常”和“波形异常”,基于异常类型对数据段标记数据异常标签,一种异常类型对应一种数据异常标签。
步骤2具体包括以下步骤:
(201)数据子段划分。将每一加速度数据段划分成若干个数据子段;分别绘制每一数据子段的子段时程图和子段频谱图;数据子段数量在同一张图片中子段时程图、频谱图可被清晰辨识的前提下取较大值,本实施例中,一个数据段的子段数量为4。
(202)提取数据子段的数据异常标签。对已确定的5种数据异常标签,补充判定数据异常标签在每一个子段时程图、子段频谱图内的存在情况,以避免遗漏;从子段时程图中提取出“缺失”、“离群点”、“方波”、“漂移”4种数据异常标签;其中,若子段时程图中存在中断,判定数据子段存在“缺失”数据异常;若子段时程图中存在一个或者多个超[-50,50]gal范围的数据点,判定数据子段存在“离群点”数据异常;若子段时程图中某一段数据的最大振动幅值均为固定值,判定数据子段存在“方波”数据异常;若子段时程图中连续存在偏离正常振动范围的数据,判定数据子段存在“漂移”数据异常;若子段时程图和子段频谱图内存在其它不能归类于上述标签的数据异常,判定数据子段存在“其它数据异常”数据异常。
(203)如图3所示,基于异常类型构建数据异常标签数组。将“其它数据异常”标签合并到“波形异常”标签,基于数据异常标签构建数据异常标签数组,共数据异常标签包括“波形正常”、“波形异常”、“大幅值”、“正常值”、“小幅值”、“缺失”、“离群点”、“方波”和“漂移”9个标签。
步骤3具体包括以下步骤:
(301)数据异常标注。对样本集中的数据段,分别按步骤1绘制数据子段的Y轴自适应时程图、Y轴固定时程图和频谱图,对照数据异常标签数组逐一确认数据子段是否存在各数据异常标签对应的数据异常类型。若某数据子段内存在某数据异常类型,所述数据子段的数据异常标签数组中对应的标签值为1,反之为0,每一数据异常标签数组中可能存在多个标签值为1;
(302)将样本集内的原始数据标准化,构成标准化数据,标准化数据均值为0、标准差为1;
(303)数据集拆分。将样本集内的标准化数据与相应的标签数组构成的多标签分类数据集按0.8:0.1:0.1的比例划分为训练集、验证集和测试集。
步骤4具体包括以下步骤:
(401)如图4所示,搭建多标签分类深度神经网络模型架构搭建。多标签分类深度神经网络模型架构包括输入层、卷积层、池化层、展平层、全连接层、输出层。其中,输入层长度为180000,即以50Hz采样频率1小时采集的加速度数据长度;卷积层设置多层以学习不同类型数据异常的特征,本实施例设置4层,激活函数设置为ReLU;每一卷积层均设置一池化层以降低卷积层输出的尺寸,使下一卷积层学习到更大尺度的特征;展平层设置于最后一个池化层之后,用以将二维的特征图转换成一维的特征向量;全连接层共设置2层,用以将展平层的数据特征映射到最终的输出层;
(402)损失函数设定。模型训练的损失函数设定为带权重的二分类交叉熵(Binarycross entropy,BCE),具体表达式为式(1),以减轻数据集中各数据异常类别不均衡的问题;
(403)输出层设定。将输出层长度设置为9,其中的每一神经元对应着一个数据异常标签;将输出层的激活函数设置为Sigmoid,使输出层输出的数据异常标签数组中可以存在多个数据异常标签的数值为1。
如图5所示,为由所训练的多标签分类深度神经网络模型从某加速度数据段中识别得到的数据异常标签情况,本实施例准确地识别数据段中正常数据与不同类型数据异常的存在状态,并判断不同数据异常类型在后续分析中可用性。
步骤5具体包括以下步骤:
(501)模型训练。基于设置的训练参数(学习率、迭代次数等)在训练集上训练多标签分类深度神经网络模型;定义基于数据异常标签的性能度量,以验证集评价多标签分类深度神经网络模型每一次训练后的分类性能;
(502)数据异常多标签分类性能评估。以测试集对多标签分类深度神经网络模型的多标签分类性能及泛化性能进行评估。
步骤6具体包括以下步骤:
(601)识别数据集中原始数据标准化。将识别数据集中的加速度响应数据标准化,获得标准化的识别数据,标准化的识别数据均值为0,标准差为1;
(602)数据异常标签预测,将标准化的识别数据输入到训练好的多标签分类深度神经网络模型中,由多标签分类深度神经网络模型的输出层获取每一数据段的数据异常标签数组;
(603)数据异常识别。对识别数据集内每一数据段预测的数据异常标签数组,若除了“波形正常”、“正常值”两个标签值为1外,其它标签值均为0,则相应数据段内不存在数据异常;否则,该数据段内存在的数据异常类型通过相应数据异常标签值为1的数据异常标签判定。
一种基于多标签分类的桥梁加速度监测数据异常识别系统,包括:数据段构建单元1、子段划分单元、多标签分类数据集构建单元、模型构建单元、模型训练单元和异常识别单元;
数据段构建单元采集桥梁在环境与运营荷载激励下的加速度响应数据构成原始数据,基于固定时长将原始数据分割后建立数据段,绘制数据段(固定时长加速度数据段)的时程图、频谱图和幅值分布直方图,筛选存在数据异常的数据段,并对数据段进行初步的数据异常分类;
子段划分单元将数据段划分为多个若干个数据子段,绘制子段时程图和子段频谱图,根据数据段的各数据子段中存在的数据异常类型的确定数据段的数据异常标签,数据异常标签用于多标签分类任务;
多标签分类数据集构建单元从原始数据(所有加速度监测数据)中随机选取部分数据作为样本集,剩余部分数据作为识别数据集,由数据异常标签逐一对样本集中的数据段(加速度监测数据中的定长数据段)进行标注,构建多标签分类数据集;多标签分类数据集用于加速度监测数据异常多标签分类任务;
模型构建单元以深度学习方法中的卷积神经网络为基础架构,构建多标签分类深度神经网络模型,多标签分类深度神经网络模型识别样本集中内各数据段中正常数据与和异常数据的数据异常类型;
模型训练单元基于多标签分类数据集对多标签分类深度神经网络模型进行训练,对训练后的多标签分类深度神经网络模型性能进行评估;
异常识别单元将识别数据集中的加速度响应数据输入到训练好的多标签分类深度神经网络中,对可能存在的数据异常进行识别。
数据段构建单元包括数据段图片绘制模块和异常数据段筛选模块;
数据段图片绘制模块采集桥梁在环境与运营荷载激励下的加速度响应数据构成原始数据,基于固定时长将原始数据分割后建立数据段,以自适应的Y轴上下限值绘制每一数据段的Y轴自适应时程图,以固定的Y轴上下限值绘制数据段的Y轴固定时程图,其中固定的Y轴上下限值取[-50,50]gal;同时绘制数据段的频谱图、和幅值分布直方图;
是的,如图2所示,每一幅都绘制Y轴自适应时程图和Y轴固定时程图。参见附图2,第一行的两幅子图分别表示Y轴自适应时程图和Y轴固定时程图。
异常数据段筛选模块逐一查看数据段的时程图、频谱图和幅值分布直方图:基于时程图对数据段进行筛选,若在Y轴自适应时程图上存在限定比例的数据超出[-50,50]gal区间,判定存在“大幅值”数据异常;若在Y轴固定时程图上数据在限定幅值范围内波动,使波动形状无法辨识,判定存在“小幅值”数据异常;否则,判定数据段的幅值为“正常值”;
由频谱图对数据段进行筛选,若频谱图中无法识别各阶振动频率对应的波峰,判定所述数据段不可用,且存在“波形异常”数据异常,否则判定“波形正常”;
由幅值分布直方图识别时程图和频谱图中不易发现的数据异常,若幅值分布直方图并非对称分布,判定数据段存在“波形异常”数据异常。
基于时程图、频谱图、幅值分布直方图的筛选结果将数据段按数据异常类型进行初步的分类,异常类型包括“大幅值”、“正常值”、“小幅值”、“波形正常”和“波形异常”,基于异常类型对数据段标记数据异常标签,一种异常类型对应一种数据异常标签;
子段划分单元包括数据子段划分模块、数据异常标签提取模块和数据异常标签数组构建模块;
数据子段划分模块将每一加速度数据段划分成若干个数据子段;分别绘制每一数据子段的子段时程图和子段频谱图;数据子段数量在同一张图片中子段时程图、频谱图可被清晰辨识的前提下取较大值,本实施例中,一个数据段的子段数量为4。
数据异常标签提取模块对步骤(102)确定的5种数据异常标签,补充判定数据异常标签在每一个子段时程图、子段频谱图内的存在情况,以避免遗漏;从子段时程图中提取出“缺失”、“离群点”、“方波”、“漂移”4种数据异常标签;其中,若子段时程图中存在中断,判定数据子段存在“缺失”数据异常;若子段时程图中存在一个或者多个超[-50,50]gal范围的数据点,判定数据子段存在“离群点”数据异常;若子段时程图中某一段数据的最大振动幅值均为固定值,判定数据子段存在“方波”数据异常;若子段时程图中连续存在偏离正常振动范围的数据,判定子数据段存在“漂移”数据异常;若子段时程图和子段频谱图内存在其它不能归类于上述标签的数据异常,判定子数据段存在“其它数据异常”数据异常。
数据异常标签数组构建模块将“其它数据异常”标签合并到“波形异常”标签,基于数据异常标签构建数据异常标签数组,共数据异常标签包括“波形正常”、“波形异常”、“大幅值”、“正常值”、“小幅值”、“缺失”、“离群点”、“方波”和“漂移”9个标签;
多标签分类数据集构建单元包括数据异常标注模块、样本集标准化模块和数据集拆分模块;数据异常标注模块对样本集中的数据段,分别按步骤1绘制数据子段的Y轴自适应时程图、Y轴固定时程图和频谱图,对照数据异常标签数组逐一确认数据子段是否存在数据异常标签。若某数据子段内存在相应数据异常标签,所述数据子段的数据异常标签数组中对应的标签值为1,反之为0,每一数据异常标签数组中可能存在多个标签值为1;
样本集标准化模块将样本集内的原始数据标准化,构成标准化数据,标准化数据均值为0、标准差为1;
数据集拆分模块将样本集内的标准化数据与相应的标签数组构成的多标签分类数据集按0.8:0.1:0.1的比例划分为训练集、验证集和测试集。
模型构建单元包括神经网络模型架构搭建模块、损失函数设定模块和输出层设定模块;
神经网络模型架构搭建模块搭建多标签分类深度神经网络模型架构,多标签分类深度神经网络模型架构包括输入层、卷积层、池化层、展平层、全连接层、输出层。其中,输入层长度为180000,即以50Hz采样频率1小时采集的加速度数据长度;卷积层设置多层以学习不同类型数据异常的特征,本实施例设置4层,激活函数设置为ReLU;每一卷积层均设置一池化层以降低卷积层输出的尺寸,使下一卷积层学习到更大尺度的特征;展平层设置于最后一个池化层之后,用以将二维的特征图转换成一维的特征向量;全连接层共设置2层,用以将展平层的数据特征映射到最终的输出层;
损失函数设定模块中,模型训练的损失函数设定为带权重的二分类交叉熵(Binary cross entropy,BCE),具体表达式为式(1),以减轻数据集中各数据异常类别不均衡的问题;
输出层设定模块将输出层长度设置为9,其中的每一神经元对应着一个数据异常标签;将输出层的激活函数设置为Sigmoid,使输出层输出的数据异常标签数组中可以存在多个数据异常标签的数值为1。
模型训练单元训练模块和性能评估模块;
训练模块基于设置的训练参数(学习率、迭代次数等)在训练集上训练多标签分类深度神经网络模型;定义基于数据异常标签的性能度量,以验证集评价多标签分类深度神经网络模型每一次训练后的分类性能;
性能评估模块基于测试集对多标签分类深度神经网络模型的多标签分类性能及泛化性能进行评估。
异常识别单元包括识别数据集标准化模块、数据异常标签预测模块和数据异常识别模块;识别数据集标准化模块将识别数据集中的加速度响应数据标准化,获得标准化的识别数据,标准化的识别数据均值为0,标准差为1;
数据异常标签预测模块将标准化的识别数据输入到训练好的多标签分类深度神经网络模型中,由多标签分类深度神经网络模型的输出层获取每一数据段的数据异常标签数组;
数据异常识别模块在识别数据集中数据段的数据异常标签数组中,若除了“波形正常”、“正常值”两个标签值为1外,其它标签值均为0,则相应数据段内不存在数据异常;否则,该数据段内存在的数据异常类型通过数据异常标签的标签值为1的数据异常标签判定。
需要强调的是,上所述实施方式仅是本发明在一个具体的微电网中应用过程,本发明适用于不同规模和类型的微电网决策控制中,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说,如权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组间可以布置在如该实施例中所描述的设备中,或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组间组合成一个模块或单元或组间,以及此外可以把它们分成多个子模块或子单元或子组间。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
此外,所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此,具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外,装置实施例的在此所述的元素是如下装置的例子:该装置用于实施由为了实施该发明的目的的元素所执行的功能。
这里描述的各种技术可结合硬件或软件,或者它们的组合一起实现。从而,本发明的方法和设备,或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介,例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式,其中当程序被载入诸如计算机之类的机器,并被所述机器执行时,所述机器变成实践本发明的设备。
在程序代码在可编程计算机上执行的情况下,计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件),至少一个输入装置,和至少一个输出装置。其中,存储器被配置用于存储程序代码;处理器被配置用于根据该存储器中存储的所述程序代码中的指令,执行本发明的方法。
以示例而非限制的方式,计算机可读介质包括计算机存储介质和通信介质。计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据,并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。
如在此所使用的那样,除非另行规定,使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例,并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围,对本发明所做的公开是说明性的,而非限制性的,本发明的范围由所附权利要求书限定。
以上仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于多标签分类的桥梁加速度监测数据异常识别方法,其特征在于,包括以下步骤:
步骤1,采集桥梁的加速度响应数据作为原始数据,基于固定时长将原始数据分割后建立数据段,绘制数据段的时程图、频谱图和幅值分布直方图,筛选存在数据异常的数据段,并对数据段进行初步的数据异常分类;
步骤2,将数据段划分为若干个数据子段,绘制子段时程图和子段频谱图,根据各数据子段中存在的数据异常类型确定数据段的数据异常标签;
步骤3,从原始数据中随机选取部分数据作为样本集,剩余部分的数据作为识别数据集,基于数据异常标签逐一对样本集中的数据段进行标注,构建多标签分类数据集;
步骤4,以卷积神经网络为基础架构,构建多标签分类深度神经网络模型,用于对识别数据集内各数据段中正常数据与和异常数据的数据异常类型进行识别;
步骤5,基于多标签分类数据集对多标签分类深度神经网络模型进行训练,对训练后的多标签分类深度神经网络模型性能进行评估;
步骤6,将识别数据集中的加速度响应数据输入到训练好的多标签分类深度神经网络中,对可能存在的数据异常进行识别;
步骤4具体包括以下步骤:
(401)多标签分类深度神经网络模型架构包括输入层、卷积层、池化层、展平层、全连接层和输出层;其中,输入层用于接受输入数据;卷积层用于学习不同类型数据异常的特征,激活函数为ReLU;每一个卷积层后均设置池化层;展平层设置于最后一个池化层之后,用于将二维的特征图转换成一维的特征向量;全连接层用于将展平层的数据特征映射到最终的输出层;
(402)模型训练的损失函数设定为带权重的二分类交叉熵,具体表达式为式(1),以减轻数据集中各数据异常类别不均衡的问题;
(403)将输出层长度设置为9,其中的每一神经元对应着一个数据异常标签;将输出层的激活函数设置为Sigmoid。
2.根据权利要求1所述基于多标签分类的桥梁加速度监测数据异常识别方法,其特征在于,
步骤1具体包括以下步骤:
(101)采集桥梁在环境与运营荷载激励下的加速度响应数据构成原始数据,基于固定时长将原始数据分割后建立数据段,以自适应的Y轴上下限值绘制每一数据段的Y轴自适应时程图,以固定的Y轴上下限值绘制数据段的Y轴固定时程图;同时绘制数据段的频谱图和幅值分布直方图;
(102)基于时程图对数据段进行筛选,若在Y轴自适应时程图上存在限定比例的数据超出限定幅值范围,判定存在“大幅值”数据异常;若在Y轴固定时程图上数据在限定幅值范围内波动,使波动形状无法辨识,判定存在“小幅值”数据异常;否则,判定数据段的幅值为“正常值”;
由频谱图对数据段进行筛选,若频谱图中无法识别各阶振动频率对应的波峰,判定所述数据段不可用,且存在“波形异常”数据异常,否则判定“波形正常”;
若幅值分布直方图并非对称分布,判定数据段存在“波形异常”数据异常;
基于时程图、频谱图、幅值分布直方图的筛选结果将数据段按数据异常类型进行初步的分类,异常类型包括“大幅值”、“正常值”、“小幅值”、“波形正常”和“波形异常”,基于异常类型对数据段标记数据异常标签。
3.根据权利要求1所述基于多标签分类的桥梁加速度监测数据异常识别方法,其特征在于,
步骤2具体包括以下步骤:
(201)将数据段划分成若干个数据子段,分别绘制每一数据子段的子段时程图和子段频谱图;
(202)从子段时程图中提取出“缺失”、“离群点”、“方波”、“漂移”4种数据异常标签;其中,若子段时程图中存在中断,判定数据子段存在“缺失”数据异常;若子段时程图中存在一个或者多个超过限定幅值范围的数据点,判定数据子段存在“离群点”数据异常;若子段时程图中某一段数据的最大振动幅值均为固定值,判定数据子段存在“方波”数据异常;若子段时程图中连续存在偏离正常振动范围的数据,判定数据子段存在“漂移”数据异常;若子段时程图和子段频谱图内存在其它不能归类于上述标签的数据异常,判定数据子段存在“其它数据异常”数据异常;
(203)将“其它数据异常”标签合并到“波形异常”标签,基于数据异常标签构建数据异常标签数组,数据异常标签数组包括“波形正常”、“波形异常”、“大幅值”、“正常值”、“小幅值”、“缺失”、“离群点”、“方波”和“漂移”。
4.根据权利要求3所述基于多标签分类的桥梁加速度监测数据异常识别方法,其特征在于,
步骤3具体包括以下步骤:
(301)对照数据异常标签数组逐一确认数据子段是否存在各数据异常标签对应的数据异常类型;若数据子段内存在某数据异常类型,所述数据子段的数据异常标签数组中对应的标签值为1,反之为0;
(302)将样本集内的原始数据标准化,构成标准化数据,标准化数据均值为0,标准差为1;
(303)将样本集内的标准化数据与相应的标签数组构成的多标签分类数据集划分为训练集、验证集和测试集。
5.根据权利要求1所述基于多标签分类的桥梁加速度监测数据异常识别方法,其特征在于,
步骤5具体包括以下步骤:
(501)基于设置的训练参数在训练集上训练多标签分类深度神经网络模型;定义基于数据异常标签的性能度量,以验证集评价多标签分类深度神经网络模型每一次训练后的分类性能;
(502)以测试集对多标签分类深度神经网络模型的多标签分类性能及泛化性能进行评估。
6.根据权利要求1所述基于多标签分类的桥梁加速度监测数据异常识别方法,其特征在于,
步骤6具体包括以下步骤:
(601)将识别数据集中的加速度响应数据标准化,获得标准化的识别数据,标准化的识别数据均值为0,标准差为1;
(602)将标准化的识别数据输入到训练好的多标签分类深度神经网络模型中,由多标签分类深度神经网络模型的输出层获取每一数据段的数据异常标签数组;
(603)对识别数据集内每一个数据段预测的数据异常标签数组,若除了“波形正常”、“正常值”两个标签值为1外,其它标签值均为0,则相应数据段内不存在数据异常;否则,所述数据段内存在的数据异常类型通过相应标签值为1的数据异常标签判定。
7.一种基于多标签分类的桥梁加速度监测数据异常识别系统,其特征在于,包括:数据段构建单元、子段划分单元、多标签分类数据集构建单元、模型构建单元、模型训练单元和异常识别单元;
数据段构建单元采集桥梁的加速度响应数据作为原始数据,基于固定时长将原始数据分割后建立数据段,绘制数据段的时程图、频谱图和幅值分布直方图,筛选存在数据异常的数据段,并对数据段进行初步的数据异常分类;
子段划分单元将数据段划分为若干个数据子段,绘制子段时程图和子段频谱图,根据数据段的各数据子段中存在的数据异常类型的确定数据段的数据异常标签;
多标签分类数据集构建单元从原始数据中随机选取部分数据作为样本集,剩余部分的数据作为识别数据集,由数据异常标签逐一对样本集中的数据段进行标注,构建多标签分类数据集;多标签分类数据集用于加速度监测数据异常多标签分类任务;
模型构建单元以卷积神经网络为基础架构,构建多标签分类深度神经网络模型,用于对识别数据集内各数据段中数据的数据异常类型进行识别;
模型训练单元基于多标签分类数据集对多标签分类深度神经网络模型进行训练,对训练后的多标签分类深度神经网络模型性能进行评估;
异常识别单元将识别数据集中的加速度响应数据输入到训练好的多标签分类深度神经网络中,对可能存在的数据异常进行识别;
模型构建单元包括神经网络模型架构搭建模块、损失函数设定模块和输出层设定模块;神经网络模型架构搭建模块搭建多标签分类深度神经网络模型架构,多标签分类深度神经网络模型架构包括输入层、卷积层、池化层、展平层、全连接层、输出层;其中,输入层用于接受输入数据;卷积层用于学习不同类型数据异常的特征,学习不同类型数据异常的特征,激活函数设置为ReLU;每一卷积层均设置一池化层以降低卷积层输出的尺寸,使下一卷积层学习到更大尺度的特征;展平层设置于最后一个池化层之后,用于将二维的特征图转换成一维的特征向量;全连接层用于将展平层的数据特征映射到最终的输出层;
损失函数设定模块中,模型训练的损失函数设定为带权重的二分类交叉熵,具体表达式为式(1);
输出层设定模块将输出层长度设置为9,其中的每一神经元对应着一个数据异常标签;将输出层的激活函数设置为Sigmoid,使输出层输出的数据异常标签数组中可以存在多个数据异常标签的数值为1;
模型训练单元训练模块和性能评估模块;
训练模块基于设置的训练参数在训练集上训练多标签分类深度神经网络模型;定义基于数据异常标签的性能度量,以验证集评价多标签分类深度神经网络模型每一次训练后的分类性能;
性能评估模块基于测试集对多标签分类深度神经网络模型的多标签分类性能及泛化性能进行评估;
异常识别单元包括识别数据集标准化模块、数据异常标签预测模块和数据异常识别模块;识别数据集标准化模块将识别数据集中的加速度响应数据标准化,获得标准化的识别数据,标准化的识别数据均值为0,标准差为1;
数据异常标签预测模块将标准化的识别数据输入到训练好的多标签分类深度神经网络模型中,由多标签分类深度神经网络模型的输出层获取每一数据段的数据异常标签数组;
数据异常识别模块对识别数据集内每一个数据段预测的数据异常标签数组进行标签值判断,若除了“波形正常”、“正常值”两个标签值为1外,其它标签值均为0,则相应数据段内不存在数据异常;否则,所述数据段内存在的数据异常类型通过相应标签值为1的数据异常标签判定。
8.根据权利要求7所述基于多标签分类的桥梁加速度监测数据异常识别系统,其特征在于,
数据段构建单元包括数据段图片绘制模块和异常数据段筛选模块;
数据段图片绘制模块采集桥梁在环境与运营荷载激励下的加速度响应数据构成原始数据,基于固定时长将原始数据分割后建立数据段,以自适应的Y轴上下限值绘制每一数据段的Y轴自适应时程图,以固定的Y轴上下限值绘制数据段的Y轴固定时程图;同时绘制数据段的频谱图和幅值分布直方图;
基于时程图对数据段进行筛选:若在Y轴自适应时程图上存在限定比例的数据超出限定幅值范围,判定存在“大幅值”数据异常;若在Y轴固定时程图上数据在限定幅值范围内波动,使波动形状无法辨识,判定存在“小幅值”数据异常;否则,判定数据段的幅值为“正常值”;
由频谱图对数据段进行筛选,若频谱图中无法识别各阶振动频率对应的波峰,判定所述数据段不可用,且存在“波形异常”数据异常,否则判定“波形正常”;
若幅值分布直方图并非对称分布,判定数据段存在“波形异常”数据异常;
基于时程图、频谱图和幅值分布直方图的筛选结果将数据段按数据异常类型进行初步的分类,异常类型包括“大幅值”、“正常值”、“小幅值”、“波形正常”和“波形异常”,基于异常类型对数据段标记数据异常标签,一种异常类型对应一种数据异常标签;
子段划分单元包括数据子段划分模块、数据异常标签提取模块和数据异常标签数组构建模块;
数据子段划分模块将每一加速度数据段划分成若干个数据子段;分别绘制每一数据子段的子段时程图和子段频谱图;
从子段时程图中提取出“缺失”、“离群点”、“方波”、“漂移”4种数据异常标签;其中,若子段时程图中存在中断,判定数据子段存在“缺失”数据异常;若子段时程图中存在一个或者多个超限定幅值范围的数据点,判定数据子段存在“离群点”数据异常;若子段时程图中某一段数据的最大振动幅值均为固定值,判定数据子段存在“方波”数据异常;若子段时程图中连续存在偏离正常振动范围的数据,判定子数据段存在“漂移”数据异常;若子段时程图和子段频谱图内存在其它不能归类于上述标签的数据异常,判定子数据段存在“其它数据异常”数据异常;
数据异常标签数组构建模块将“其它数据异常”标签合并到“波形异常”标签,基于数据异常标签构建数据异常标签数组,数据异常标签包括“波形正常”、“波形异常”、“大幅值”、“正常值”、“小幅值”、“缺失”、“离群点”、“方波”和“漂移”;
多标签分类数据集构建单元包括数据异常标注模块、样本集标准化模块和数据集拆分模块;
数据异常标注模块对照数据异常标签数组逐一确认各数据子段是否存在数据异常标签对应的数据异常类型;若某数据子段内存在相应数据异常类型,所述数据子段的数据异常标签数组中对应的标签值为1,反之为0,每一数据异常标签数组中可能存在多个标签值为1;
样本集标准化模块将样本集内的原始数据标准化,构成标准化数据,标准化数据均值为0、标准差为1;数据集拆分模块将样本集内的标准化数据与相应的标签数组构成的多标签分类数据集划分为训练集、验证集和测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211041680.2A CN115683504B (zh) | 2022-08-29 | 2022-08-29 | 基于多标签分类的桥梁加速度监测数据异常识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211041680.2A CN115683504B (zh) | 2022-08-29 | 2022-08-29 | 基于多标签分类的桥梁加速度监测数据异常识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115683504A CN115683504A (zh) | 2023-02-03 |
CN115683504B true CN115683504B (zh) | 2023-06-27 |
Family
ID=85060750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211041680.2A Active CN115683504B (zh) | 2022-08-29 | 2022-08-29 | 基于多标签分类的桥梁加速度监测数据异常识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115683504B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708643B (zh) * | 2023-11-07 | 2024-07-09 | 中交公路长大桥建设国家工程研究中心有限公司 | 一种基于融合序列特征的桥梁监测异常数据的识别方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7487059B2 (en) * | 2007-06-21 | 2009-02-03 | The Boeing Company | Transducer health diagnostics for structural health monitoring (SHM) systems |
CN108764601B (zh) * | 2018-04-03 | 2021-07-16 | 哈尔滨工业大学 | 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 |
CN112200237B (zh) * | 2020-10-05 | 2024-02-02 | 武汉理工大学 | 一种结构健康监测系统时序监测数据异常诊断方法 |
CN113866455A (zh) * | 2021-09-30 | 2021-12-31 | 中铁桥隧技术有限公司 | 基于深度学习的桥梁加速度监测数据异常检测方法、系统和装置 |
CN114357560A (zh) * | 2021-11-26 | 2022-04-15 | 广州大学 | 基于多模态神经网络的结构健康监测数据检测方法和装置 |
CN114357594B (zh) * | 2022-03-08 | 2022-08-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于sca-gru的桥梁异常监测方法、系统、设备及存储介质 |
-
2022
- 2022-08-29 CN CN202211041680.2A patent/CN115683504B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115683504A (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lei et al. | Mutual information based anomaly detection of monitoring data with attention mechanism and residual learning | |
CN111475804B (zh) | 一种告警预测方法及系统 | |
CN114563150B (zh) | 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置 | |
CN112682273B (zh) | 基于代价敏感轻量级梯度提升机的风电机组故障检测方法 | |
CN115683504B (zh) | 基于多标签分类的桥梁加速度监测数据异常识别方法及系统 | |
CN116416884B (zh) | 一种显示器模组的测试装置及其测试方法 | |
CN113866455A (zh) | 基于深度学习的桥梁加速度监测数据异常检测方法、系统和装置 | |
CN117194163A (zh) | 一种计算机设备、故障检测系统、方法及可读存储介质 | |
Wu et al. | Remaining useful life prediction of bearings with different failure types based on multi-feature and deep convolution transfer learning | |
CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
CN117171512A (zh) | 恶意占座行为检测方法及装置、存储介质及电子设备 | |
Srinivasan et al. | Machine learning-based climate time series anomaly detection using convolutional neural networks | |
CN111160419B (zh) | 一种基于深度学习的电子式互感器数据分类预测方法及装置 | |
CN106055483A (zh) | 基于欠采样操作的代价敏感神经网络的警告分类方法 | |
CN111061626A (zh) | 基于神经元激活频率分析的测试用例优先级排序方法 | |
CN113379125B (zh) | 一种基于TCN和LightGBM组合模型的物流仓储销售量预测方法 | |
CN118504847B (zh) | 基于数字孪生技术的智慧梁场管理方法及系统 | |
CN117745423B (zh) | 一种异常账户的识别方法 | |
CN117633456B (zh) | 基于自适应焦点损失的海上风电天气事件辨识方法和装置 | |
CN118378972B (zh) | 网络货运油品抵扣信息监管方法及系统 | |
CN114510618B (zh) | 基于智慧矿山的处理方法及装置 | |
CN118200047B (zh) | 一种基于图表征的网络流量异常检测方法及系统 | |
CN116730226B (zh) | 悬臂起重机的安全智能监管系统及其方法 | |
CN116821800B (zh) | 基于半监督生成对抗网络的结构状态分类方法及相关设备 | |
Martens et al. | A neural network approach to the validation of simulation models |
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 |