CN115950609A - 一种结合相关性分析和神经网络的桥梁挠度异常检测方法 - Google Patents

一种结合相关性分析和神经网络的桥梁挠度异常检测方法 Download PDF

Info

Publication number
CN115950609A
CN115950609A CN202211536692.2A CN202211536692A CN115950609A CN 115950609 A CN115950609 A CN 115950609A CN 202211536692 A CN202211536692 A CN 202211536692A CN 115950609 A CN115950609 A CN 115950609A
Authority
CN
China
Prior art keywords
deflection
sequence
normal
monitoring
sensor
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
CN202211536692.2A
Other languages
English (en)
Other versions
CN115950609B (zh
Inventor
石雄伟
冯威
张小亮
吴煜婷
刘剑
苗建宝
石贺男
杜进生
李京
赵文煜
刘颜滔
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.)
Xian Highway Research Institute
Original Assignee
Xian Highway Research Institute
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 Xian Highway Research Institute filed Critical Xian Highway Research Institute
Priority to CN202211536692.2A priority Critical patent/CN115950609B/zh
Publication of CN115950609A publication Critical patent/CN115950609A/zh
Application granted granted Critical
Publication of CN115950609B publication Critical patent/CN115950609B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种结合相关性分析和神经网络的桥梁挠度异常检测方法，包括以下步骤：一、在预应力混凝土连续梁桥上设置监测传感器；二、获取正常监测归一化序列；三、获取与其它传感器强关联的挠度监测异常特征指标；四、获取挠度测试序列；五、判断挠度测试序列是否异常；六、对R个强关联传感器测试序列进行判断，如果预应力混凝土连续梁桥结构状态异常，报警提醒；如果待检测挠度传感器故障，执行步骤七；七、基于径向基函数神经网络对异常的挠度测试序列进行修复，获取修复后的挠度序列。本发明方法步骤简单，以解决桥梁待检测挠度传感器异常数据准确定位与修复的问题，提升桥梁结构监测系统对挠度异常数据的检测能力。

Description

一种结合相关性分析和神经网络的桥梁挠度异常检测方法
技术领域
本发明属于桥梁监测数据处理技术领域，具体涉及一种结合相关性分析和神经网络的桥梁挠度异常检测方法。
背景技术
异常监测数据是桥梁结构监测系统(Structure Health Monitoring System，SHMS)在实际使用过程中存在的主要问题。通常，SHMS采集的监测信息格式复杂且信息量大，如果不能有效地对这些数据进行处理，异常数据将不能被有效地检测，缺失信息将不能被有效地修复。而监测数据的分析必须建立在准确有效的监测数据之上，异常监测数据将影响SHMS对桥梁结构评估分析的结果，为桥梁的养护维修提供错误决策，造成不必要的经济损失。
SHMS传感器测量的结构响应是荷载作用结果，监测数据在时间、空间和类别上存在着明显的相关性，目前对监测数据间的相关性分析来实现对异常数据的检测。这种方法计算效率高，能满足SHMS实时性地要求。但是，仅基于时间序列间的相关程度无法精确定位异常数据出现的位置也无法对异常数据进行修复。
因此，现如今缺少一种结合相关性分析与径向基函数神经网络的桥梁挠度异常检测方法，以解决桥梁待检测挠度传感器异常数据准确定位与修复的问题，提升桥梁结构监测系统对挠度异常数据的检测能力。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种结合相关性分析和神经网络的桥梁挠度异常检测方法，其方法步骤简单、设计合理，以解决桥梁待检测挠度传感器异常数据准确定位与修复的问题，提升桥梁结构监测系统对挠度异常数据的检测能力。
为解决上述技术问题，本发明采用的技术方案是：一种结合相关性分析和神经网络的桥梁挠度异常检测方法，其特征在于，该方法包括以下步骤：
步骤一、在预应力混凝土连续梁桥上设置监测传感器；其中，所述监测传感器包括待检测挠度传感器及K种传感器；
步骤二、获取正常监测归一化序列：
在预应力混凝土连续梁桥结构状态正常且监测传感器正常工作过程中，获取正常监测序列，并将正常监测序列进行归一化处理，得到正常监测归一化序列；其中，将待检测挠度传感器获取的正常监测序列记作挠度正常监测序列，将第k种传感器获取的正常监测序列记作第k种传感器正常监测序列；
将待检测挠度传感器获取的正常监测归一化序列记作挠度正常监测归一化序列，将第k种传感器获取的正常监测归一化序列记作第k种传感器正常监测归一化序列；其中，k和K均为正整数，且1≤k≤K；
步骤三、获取与其它传感器强关联的挠度监测异常特征指标：
对挠度正常监测归一化序列和K种传感器正常监测归一化序列分别进行分段相关性分析，获取与R个传感器强关联的挠度监测异常特征指标；其中，与第r种传感器强关联的挠度监测异常特征指标记作
Figure BDA0003975818610000021
r和R均为正整数，1≤r≤R，且R小于K；
步骤四、获取挠度测试序列：
步骤401、从挠度正常监测序列中选择一个序列作为挠度待测试序列，将挠度待测试序列经过第e个传感器故障模拟，得到第e个异常挠度监测序列，并将挠度测试序列和第e个异常挠度监测序列记作挠度测试序列；其中，e为正整数；
将R个传感器对应的正常监测序列中记作R个强关联传感器测试序列；
步骤五、判断挠度测试序列是否异常：
对挠度测试序列和R个强关联传感器测试序列分别进行归一化和相关性分析，并根据与R个传感器强关联的挠度监测异常特征指标，判断挠度测试序列是否异常，如果挠度测试序列异常，执行步骤六；
步骤六、对R个强关联传感器测试序列进行判断，如果预应力混凝土连续梁桥结构状态异常，报警提醒；如果待检测挠度传感器故障，执行步骤七；
步骤七、基于径向基函数神经网络对异常的挠度测试序列进行修复，获取修复后的挠度序列。
上述的一种结合相关性分析和神经网络的桥梁挠度异常检测方法，其特征在于：步骤二中挠度正常监测归一化序列和第k种传感器正常监测归一化序列，具体获取过程如下：
步骤201、第k种传感器按照预先设定的采样间隔对预应力混凝土梁桥进行监测，获取第k种传感器监测到的时间序列，并记作第k种传感器正常监测序列
Figure BDA0003975818610000031
且
Figure BDA0003975818610000032
其中，
Figure BDA0003975818610000033
表示第k种传感器正常监测序列中的第n个监测值，n和N均为正整数，且1≤n≤N；N表示监测序列的长度；
步骤202、待检测挠度传感器按照预先设定的采样间隔对预应力混凝土梁桥进行监测，并获取待检测挠度传感器监测到的时间序列，并记作挠度正常监测序列Z0且Z0＝{z1 ,0,...,zn,0,...,zN,0}；其中，zn,0表示待检测挠度传感器正常监测序列中的第n个监测值；
步骤203、对第k种传感器正常监测序列
Figure BDA0003975818610000034
进行归一化处理，得到第k种传感器正常监测归一化序列Xk且
Figure BDA0003975818610000035
其中，
Figure BDA0003975818610000036
表示第k种传感器正常监测归一化序列中的第n个归一化值；
对挠度正常监测序列Z0进行归一化处理，得到挠度正常监测归一化序列Z且Z＝{z1,...,zn,...,zN}；其中，zn表示挠度正常监测归一化序列中的第n个归一化值。
上述的一种结合相关性分析和神经网络的桥梁挠度异常检测方法，其特征在于：步骤三中挠度正常监测归一化序列和K种传感器正常监测归一化序列分别进行分段相关性分析，具体过程如下：
步骤301、将第k种传感器正常监测归一化序列Xk按照采样先后顺序以长度m进行分段，得到L个子序列；其中，m和L均为正整数，且
Figure BDA0003975818610000041
其中，将第k种传感器正常监测归一化序列Xk中的第l个子序列记作Xk(l)，l和L均为正整数，且1≤l≤L；
步骤302、按照步骤301所述的方法，将挠度正常监测归一化序列Z进行分段处理，得到L个正常监测挠度子序列；其中，第l个正常监测挠度子序列记作Z(l)；
步骤303、获取Xk(l)和Z(l)之间的皮尔逊相关系数
Figure BDA0003975818610000047
步骤304、多次重复步骤303，得到Xk(L)和Z(L)之间的皮尔逊相关系数
Figure BDA0003975818610000048
其中，Xk(L)表示第k种传感器正常监测归一化序列Xk中的第L个子序列，Z(L)表示第L个正常监测挠度子序列；
步骤305、对L个子序列对应的
Figure BDA0003975818610000042
进行均值与方差计算，得到第k种传感器监测归一化序列与挠度正常监测归一化序列之间的均值
Figure BDA0003975818610000043
和方差σk,z；其中，
Figure BDA0003975818610000044
表示第k种传感器正常监测归一化序列Xk中的第1个子序列和第1个正常监测挠度子序列之间的皮尔逊相关系数；
步骤306、将
Figure BDA0003975818610000045
所对应的传感器记作强关联传感器；其中，强关联传感器的总数为R；
步骤307、将步骤305中获取的均值和方差根据3σ原则计算，得到与第r种强关联传感器相关的挠度监测异常特征指标
Figure BDA0003975818610000046
其中，r为正整数，且1≤r≤R。
上述的一种结合相关性分析和神经网络的桥梁挠度异常检测方法，其特征在于：步骤五中判断挠度测试序列是否异常，具体过程如下：
步骤501、将第t个挠度测试序列和R个强关联传感器测试序列分别进行归一化处理，并将第t个挠度测试归一化序列记作Z′t，将第r种强关联传感器测试归一化序列记作Xr′；其中，t为正整数，且1≤t≤e+1；
步骤502、将Zt′和Xr′按m个采样点为一个子序列组进行分段，得到各自对应的第l个测试子序列Xr′(l)和Zt′(l)；其中，Xr′(l)表示Xr′的第l个测试子序列，Zt′(l)表示Zt′的第l个测试子序列；
步骤502、对第t个挠度测试序列中第l个测试子序列，获取Zt′(l)与Xr′(l′)之间的第l个皮尔逊相关系数
Figure BDA0003975818610000051
步骤503、将
Figure BDA0003975818610000052
和
Figure BDA0003975818610000053
进行判断，当
Figure BDA0003975818610000054
时，说明该
Figure BDA0003975818610000055
相关系数异常，并将相关系数异常的数量YC加1；否则，说明该
Figure BDA0003975818610000056
相关系数正常；其中，YC的初始值为零；
步骤504、多次重复步骤503，通过与R个传感器强关联的挠度监测异常特征指标对挠度测试序列进行判断，得到相关系数异常的总数YC；
步骤505、如果YC小于相关系数总数的1/2时，则为第l个测试子序列正常，其它R个强关联传感器测试序列存在异常；如果YC大于等于相关系数总数的1/2时，则第l个测试子序列异常，且对应的第t个挠度测试序列异常；其中，相关系数总数为R×L；
步骤506、按照步骤502至步骤505所述的方法，完成第t个挠度测试序列中第L个测试子序列的判断，并获取第t个挠度测试序列中的多个挠度正常子序列和挠度异常子序列。
上述的一种结合相关性分析和神经网络的桥梁挠度异常检测方法，其特征在于：步骤六中对R个强关联传感器测试序列进行判断，具体过程如下：
步骤601、将第r种强关联传感器测试归一化序列和第g种强关联传感器测试归一化序列进行皮尔逊相关系数计算，生成强关联测试序列相关性矩阵CORXT；其中，强关联测试序列相关性矩阵CORXT的大小为R×R，强关联测试序列相关性矩阵CORXT的主对角元素均为1；g为正整数，且g取值为1～R；
步骤602、对第r种强相关正常监测归一化序列中第l个子序列和第g种强相关正常监测归一化序列中第l个子序列皮尔逊相关系数计算，生成正常序列相关性矩阵CORl；其中，正常序列相关性矩阵CORl的大小为R×R，正常序列相关性矩阵CORl的主对角元素均为1；
步骤603、根据公式
Figure BDA0003975818610000061
得到异常特征值矩阵CORs；其中，异常特征值矩阵CORs的大小为R×R，异常特征值矩阵CORs的主对角元素均为1；
步骤604、将强关联测试序列相关性矩阵CORXT中第r行第g列元素值记作
Figure BDA0003975818610000062
将异常特征值矩阵CORs中第r行第g列元素值记作
Figure BDA0003975818610000063
并将
Figure BDA0003975818610000064
和
Figure BDA0003975818610000065
进行比较判断，如果
Figure BDA0003975818610000066
小于
Figure BDA0003975818610000067
的数量大于
Figure BDA0003975818610000068
则是预应力混凝土连续梁桥结构状态异常；否则，说明待检测挠度传感器故障。
上述的一种结合相关性分析和神经网络的桥梁挠度异常检测方法，其特征在于：步骤七中对异常的挠度测试序列进行修复，获取修复后的挠度序列，具体过程如下：
步骤701、从步骤506中获取的第t个挠度测试序列中的多个挠度正常子序列选择I个挠度正常子序列作为I个正常训练子序列；其中，I为不小于4的正整数；
将与第i个挠度正常子序列对应的R个强关联传感器测试子序列记作第i个R种强关联传感器正常训练子序列；其中，1≤i≤I；
步骤702、构建径向基函数神经网络预测模型；
步骤703、将R种强关联传感器正常训练子序列作为输入层，正常训练子序列作为输出层，输入径向基函数神经网络预测模型进行训练，直至完成I个正常训练子序列的训练，得到训练好的径向基函数神经网络预测模型；
步骤704、将第i个正常训练子序列输入训练好的径向基函数神经网络预测模型，得到第i个挠度预测子序列
Figure BDA0003975818610000069
并记作
Figure BDA0003975818610000071
其中，
Figure BDA0003975818610000072
表示第i个挠度预测子序列
Figure BDA0003975818610000073
中第fn′个采样时刻对应的预测值，f1，fn′，fm均为正整数且f1≤fn′≤fm；
步骤705、将第i个正常训练子序列记作
Figure BDA0003975818610000074
根据
Figure BDA0003975818610000075
得到第fn′个训练误差
Figure BDA0003975818610000076
其中，
Figure BDA0003975818610000077
表示第i个正常训练子序列中第fn′个采样时刻对应的测量值；
步骤706、多次重复步骤704至步骤705，直至得到第I个正常训练子序列中各个训练误差，并对所有训练误差进行统计分析，得到误差均值μΔ和误差方差σΔ；
步骤707、将第t个挠度测试序列中第i′个挠度异常子序列输入训练好的径向基函数神经网络预测模型，得到第i′个挠度异常预测子序列
Figure BDA0003975818610000078
并记作
Figure BDA0003975818610000079
其中，
Figure BDA00039758186100000710
表示第i′个挠度异常预测子序列
Figure BDA00039758186100000711
中第hn′个采样时刻对应的预测值；i′，h1，hn′，hm为正整数，且h1≤hn′≤hm；
步骤708、将第i′个挠度异常子序列记作
Figure BDA00039758186100000712
根据
Figure BDA00039758186100000713
得到第hn′个误差
Figure BDA00039758186100000714
其中，
Figure BDA00039758186100000715
表示第i′个挠度异常子序列中第hn′个采样时刻对应的测量值；
步骤709、将第hn′个误差
Figure BDA00039758186100000720
和区间[μΔ-3σΔ,μΔ+3σΔ]进行判断，当
Figure BDA00039758186100000716
不属于[μΔ-3σΔ,μΔ+3σΔ]区间时，则第i′个挠度预测子序列中第hn′个采样时刻待检测挠度传感器出现故障，以挠度预测值
Figure BDA00039758186100000717
代替挠度测量值
Figure BDA00039758186100000718
当
Figure BDA00039758186100000719
属于[μΔ-3σΔ,μΔ+3σΔ]区间时，则第i′个挠度预测子序列中第hn′个采样时刻待检测挠度传感器正常；
步骤70A、多次重复步骤708和步骤709，完成各个挠度异常子序列的修复，从而得到修复后的挠度序列。
本发明与现有技术相比具有以下优点：
1、本发明方法步骤简单，设计合理，解决桥梁待检测挠度传感器异常数据准确定位与修复的问题，提升桥梁结构监测系统对异常数据的检测能力。
2、本发明通过正常监测归一化序列，基于时间序列间的相关性分析，获取与R个传感器强关联的挠度监测异常特征指标，便于后续对预应力混凝土连续梁桥结构状态异常和待检测挠度传感器故障进行分辨。
3、本发明通过挠度正常监测序列中选择挠度待测试序列，基于序列数据间的相关性分析可以确定挠度正常子序列所在位置，并作为RBF神经网络模型的训练集，克服模型训练集选取的主观性。
4、本发明基于径向基函数神经网络可以对异常的挠度测试序列中异常数据出现的采样时刻位置进行准确的定位并进行修复，完成各个挠度异常子序列的修复，从而得到修复后的挠度序列，便于提高后续桥梁结构监测系统对挠度异常数据的检测能力。
综上所述，本发明方法步骤简单、设计合理，以解决桥梁待检测挠度传感器异常数据准确定位与修复的问题，提升桥梁结构监测系统对异常数据的检测能力。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程框图。
具体实施方式
如图1所示，本发明包括以下步骤：
步骤一、在预应力混凝土连续梁桥上设置监测传感器；其中，所述监测传感器包括待检测挠度传感器及K种传感器；
步骤二、获取正常监测归一化序列：
在预应力混凝土连续梁桥结构状态正常且监测传感器正常工作过程中，获取正常监测序列，并将正常监测序列进行归一化处理，得到正常监测归一化序列；其中，将待检测挠度传感器获取的正常监测序列记作挠度正常监测序列，将第k种传感器获取的正常监测序列记作第k种传感器正常监测序列；
将待检测挠度传感器获取的正常监测归一化序列记作挠度正常监测归一化序列，将第k种传感器获取的正常监测归一化序列记作第k种传感器正常监测归一化序列；其中，k和K均为正整数，且1≤k≤K；
步骤三、获取与其它传感器强关联的挠度监测异常特征指标：
对挠度正常监测归一化序列和K种传感器正常监测归一化序列分别进行分段相关性分析，获取与R个传感器强关联的挠度监测异常特征指标；其中，与第r种传感器强关联的挠度监测异常特征指标记作
Figure BDA0003975818610000091
r和R均为正整数，1≤r≤R，且R小于K；
步骤四、获取挠度测试序列：
步骤401、从挠度正常监测序列中选择一个序列作为挠度待测试序列，将挠度待测试序列经过第e个传感器故障模拟，得到第e个异常挠度监测序列，并将挠度测试序列和第e个异常挠度监测序列记作挠度测试序列；其中，e为正整数；
将R个传感器对应的正常监测序列中记作R个强关联传感器测试序列；
步骤五、判断挠度测试序列是否异常：
对挠度测试序列和R个强关联传感器测试序列分别进行归一化和相关性分析，并根据与R个传感器强关联的挠度监测异常特征指标，判断挠度测试序列是否异常，如果挠度测试序列异常，执行步骤六；
步骤六、对R个强关联传感器测试序列进行判断，如果预应力混凝土连续梁桥结构状态异常，报警提醒；如果待检测挠度传感器故障，执行步骤七；
步骤七、基于径向基函数神经网络对异常的挠度测试序列进行修复，获取修复后的挠度序列。
本实施例中，步骤二中挠度正常监测归一化序列和第k种传感器正常监测归一化序列，具体获取过程如下：
步骤201、第k种传感器按照预先设定的采样间隔对预应力混凝土梁桥进行监测，获取第k种传感器监测到的时间序列，并记作第k种传感器正常监测序列
Figure BDA0003975818610000101
且
Figure BDA0003975818610000102
其中，
Figure BDA0003975818610000103
表示第k种传感器正常监测序列中的第n个监测值，n和N均为正整数，且1≤n≤N；N表示监测序列的长度；
步骤202、待检测挠度传感器按照预先设定的采样间隔对预应力混凝土梁桥进行监测，并获取待检测挠度传感器监测到的时间序列，并记作挠度正常监测序列Z0且Z0＝{z1 ,0,...,zn,0,...,zN,0}；其中，zn,0表示待检测挠度传感器正常监测序列中的第n个监测值；
步骤203、对第k种传感器正常监测序列
Figure BDA0003975818610000104
进行归一化处理，得到第k种传感器正常监测归一化序列Xk且
Figure BDA0003975818610000105
其中，
Figure BDA0003975818610000106
表示第k种传感器正常监测归一化序列中的第n个归一化值；
对挠度正常监测序列Z0进行归一化处理，得到挠度正常监测归一化序列Z且Z＝{z1,...,zn,...,zN}；其中，zn表示挠度正常监测归一化序列中的第n个归一化值。
本实施例中，步骤三中挠度正常监测归一化序列和K种传感器正常监测归一化序列分别进行分段相关性分析，具体过程如下：
步骤301、将第k种传感器正常监测归一化序列Xk按照采样先后顺序以长度m进行分段，得到L个子序列；其中，m和L均为正整数，且
Figure BDA0003975818610000107
其中，将第k种传感器正常监测归一化序列Xk中的第l个子序列记作Xk(l)，l和L均为正整数，且1≤l≤L；
步骤302、按照步骤301所述的方法，将挠度正常监测归一化序列Z进行分段处理，得到L个正常监测挠度子序列；其中，第l个正常监测挠度子序列记作Z(l)；
步骤303、获取Xk(l)和Z(l)之间的皮尔逊相关系数
Figure BDA0003975818610000108
步骤304、多次重复步骤303，得到Xk(L)和Z(L)之间的皮尔逊相关系数
Figure BDA0003975818610000109
其中，Xk(L)表示第k种传感器正常监测归一化序列Xk中的第L个子序列，Z(L)表示第L个正常监测挠度子序列；
步骤305、对L个子序列对应的
Figure BDA0003975818610000111
进行均值与方差计算，得到第k种传感器监测归一化序列与挠度正常监测归一化序列之间的均值
Figure BDA0003975818610000112
和方差σk,z；其中，
Figure BDA0003975818610000113
表示第k种传感器正常监测归一化序列Xk中的第1个子序列和第1个正常监测挠度子序列之间的皮尔逊相关系数；
步骤306、将
Figure BDA0003975818610000114
所对应的传感器记作强关联传感器；其中，强关联传感器的总数为R；
步骤307、将步骤305中获取的均值和方差根据3σ原则计算，得到与第r种强关联传感器相关的挠度监测异常特征指标
Figure BDA0003975818610000115
其中，r为正整数，且1≤r≤R。
本实施例中，步骤五中判断挠度测试序列是否异常，具体过程如下：
步骤501、将第t个挠度测试序列和R个强关联传感器测试序列分别进行归一化处理，并将第t个挠度测试归一化序列记作Zt′，将第r种强关联传感器测试归一化序列记作Xr′；其中，t为正整数，且1≤t≤e+1；
步骤502、将Zt′和Xr′按m个采样点为一个子序列组进行分段，得到各自对应的第l个测试子序列Xr′(l)和Zt′(l)；其中，Xr′(l)表示Xr′的第l个测试子序列，Zt′(l)表示Zt′的第l个测试子序列；
步骤502、对第t个挠度测试序列中第l个测试子序列，获取Zt′(l)与Xr′(l′)之间的第l个皮尔逊相关系数
Figure BDA0003975818610000116
步骤503、将
Figure BDA0003975818610000117
和
Figure BDA0003975818610000118
进行判断，当
Figure BDA0003975818610000119
时，说明该
Figure BDA00039758186100001110
相关系数异常，并将相关系数异常的数量YC加1；否则，说明该
Figure BDA00039758186100001111
相关系数正常；其中，YC的初始值为零；
步骤504、多次重复步骤503，通过与R个传感器强关联的挠度监测异常特征指标对挠度测试序列进行判断，得到相关系数异常的总数YC；
步骤505、如果YC小于相关系数总数的1/2时，则为第l个测试子序列正常，其它R个强关联传感器测试序列存在异常；如果YC大于等于相关系数总数的1/2时，则第l个测试子序列异常，且对应的第t个挠度测试序列异常；其中，相关系数总数为R×L；
步骤506、按照步骤502至步骤505所述的方法，完成第t个挠度测试序列中第L个测试子序列的判断，并获取第t个挠度测试序列中的多个挠度正常子序列和挠度异常子序列。
本实施例中，步骤六中对R个强关联传感器测试序列进行判断，具体过程如下：
步骤601、将第r种强关联传感器测试归一化序列和第g种强关联传感器测试归一化序列进行皮尔逊相关系数计算，生成强关联测试序列相关性矩阵CORXT；其中，强关联测试序列相关性矩阵CORXT的大小为R×R，强关联测试序列相关性矩阵CORXT的主对角元素均为1；g为正整数，且g取值为1～R；
步骤602、对第r种强相关正常监测归一化序列中第l个子序列和第g种强相关正常监测归一化序列中第l个子序列皮尔逊相关系数计算，生成正常序列相关性矩阵CORl；其中，正常序列相关性矩阵CORl的大小为R×R，正常序列相关性矩阵CORl的主对角元素均为1；
步骤603、根据公式
Figure BDA0003975818610000121
得到异常特征值矩阵CORs；其中，异常特征值矩阵CORs的大小为R×R，异常特征值矩阵CORs的主对角元素均为1；
步骤604、将强关联测试序列相关性矩阵CORXT中第r行第g列元素值记作
Figure BDA0003975818610000122
将异常特征值矩阵CORs中第r行第g列元素值记作
Figure BDA0003975818610000128
并将
Figure BDA0003975818610000123
和
Figure BDA0003975818610000124
进行比较判断，如果
Figure BDA0003975818610000125
小于
Figure BDA0003975818610000126
的数量大于
Figure BDA0003975818610000127
则是预应力混凝土连续梁桥结构状态异常；否则，说明待检测挠度传感器故障。
本实施例中，步骤七中对异常的挠度测试序列进行修复，获取修复后的挠度序列，具体过程如下：
步骤701、从步骤506中获取的第t个挠度测试序列中的多个挠度正常子序列选择I个挠度正常子序列作为I个正常训练子序列；其中，I为不小于4的正整数；
将与第i个挠度正常子序列对应的R个强关联传感器测试子序列记作第i个R种强关联传感器正常训练子序列；其中，1≤i≤I；
步骤702、构建径向基函数神经网络预测模型；
步骤703、将R种强关联传感器正常训练子序列作为输入层，正常训练子序列作为输出层，输入径向基函数神经网络预测模型进行训练，直至完成I个正常训练子序列的训练，得到训练好的径向基函数神经网络预测模型；
步骤704、将第i个正常训练子序列输入训练好的径向基函数神经网络预测模型，得到第i个挠度预测子序列
Figure BDA0003975818610000131
并记作
Figure BDA0003975818610000132
其中，
Figure BDA0003975818610000133
表示第i个挠度预测子序列
Figure BDA0003975818610000134
中第fn′个采样时刻对应的预测值，f1，fn′，fm均为正整数且f1≤fn′≤fm；
步骤705、将第i个正常训练子序列记作
Figure BDA0003975818610000135
根据
Figure BDA0003975818610000136
得到第fn′个训练误差
Figure BDA0003975818610000137
其中，
Figure BDA0003975818610000138
表示第i个正常训练子序列中第fn′个采样时刻对应的测量值；
步骤706、多次重复步骤704至步骤705，直至得到第I个正常训练子序列中各个训练误差，并对所有训练误差进行统计分析，得到误差均值μΔ和误差方差σΔ；
步骤707、将第t个挠度测试序列中第i′个挠度异常子序列输入训练好的径向基函数神经网络预测模型，得到第i′个挠度异常预测子序列
Figure BDA0003975818610000139
并记作
Figure BDA00039758186100001310
其中，
Figure BDA00039758186100001311
表示第i′个挠度异常预测子序列
Figure BDA00039758186100001312
中第hn′个采样时刻对应的预测值；i′，h1，hn′，hm为正整数，且h1≤hn′≤hm；
步骤708、将第i′个挠度异常子序列记作
Figure BDA00039758186100001313
根据
Figure BDA00039758186100001314
得到第hn′个误差
Figure BDA00039758186100001315
其中，
Figure BDA00039758186100001316
表示第i′个挠度异常子序列中第hn′个采样时刻对应的测量值；
步骤709、将第hn′个误差
Figure BDA00039758186100001317
和区间[μΔ-3σΔ,μΔ+3σΔ]进行判断，当
Figure BDA0003975818610000141
不属于[μΔ-3σΔ,μΔ+3σΔ]区间时，则第i′个挠度预测子序列中第hn′个采样时刻待检测挠度传感器出现故障，以挠度预测值
Figure BDA0003975818610000142
代替挠度测量值
Figure BDA0003975818610000143
当
Figure BDA0003975818610000144
属于[μΔ-3σΔ,μΔ+3σΔ]区间时，则第i′个挠度预测子序列中第hn′个采样时刻待检测挠度传感器正常；
步骤70A、多次重复步骤708和步骤709，完成各个挠度异常子序列的修复，从而得到修复后的挠度序列。
本实施例中，预先设定的采样间隔为1小时。
本实施例中，预应力混凝土连续梁桥为某跨度为(65+100+65)m的变截面预应力混凝土连续梁桥，设置的监测传感器，如表1所示。
表1传感器配置表
Figure BDA0003975818610000145
本实施例中，需要说明的是，K种传感器还可以为对桥梁的变形、应力、应变、裂缝宽度与深度、支座反力以及桥梁所处的环境温湿度进行测量的传感器。
本实施例中，序列间的相关程度、异常数据的检测精确度均与序列长度有直接关系，序列长度越短监测时间序列间的相关程度越不稳定，序列长度越长异常数据的检测精确度越低，因此长度m选取72。
本实施例中，监测序列的长度N为3888个采样点,长度m为72。
本实施例中，
Figure BDA0003975818610000146
本实施例中，ND01为待检测挠度传感器，经过步骤二和步骤三，得到正常监测序列ND02、LF01、LF03、LF06与ND01间具有强相关性，则R取值为4。
本实施例中，将ND02、LF01、LF03、LF06传感器记作强关联传感器。
本实施例中，仅对恒偏差(bias)、线性漂移(drifting)、恒增益(gain)、精度下降(precision degradation)4种传感器故障进行模拟测试，则e取值为1～4。
本实施例中，将挠度待测试序列经过第e个传感器故障模拟，得到第e个异常挠度监测序列，具体过程如下：
将待挠度测试序列经过恒偏差函数处理，得到第1个异常挠度监测序列；
将待挠度测试序列经过线性漂移函数处理，得到第2个异常挠度监测序列；
将待挠度测试序列经过恒增益函数处理，得到第3个异常挠度监测序列；
将待挠度测试序列经过精度下降函数处理，得到第4个异常挠度监测序列；
本实施例中，恒偏差函数如下：u′(n)＝u(n)+AH(n-nf)；其中，A表示固定偏差值且A为常数，u′(n)表示第1个异常挠度监测序列的第n个采样时刻值，u(n)表示挠度待测试序列的第n个采样时刻值，H(n-nf)表示单位阶跃函数，
Figure BDA0003975818610000151
nf取值位于1000～N；
本实施例中，A取值为4。
本实施例中，线性漂移函数如下：u″(n)＝u(n)+B×(n-nf)×H(n-nf)；其中，B表示固定变化率且B为常数，u″(n)表示第2个异常挠度监测序列的第n个采样时刻值。
本实施例中，B取值为0.05。
本实施例中，恒增益函数如下：u″′(n)＝u(n)+(G-1)×u(n)×H(n-nf)；其中，G表示增益系数且G为常数，u″′(n)表示第3个异常挠度监测序列的第n个采样时刻值；
本实施例中，G取值为2。
本实施例中，精度下降函数如下：u″″(n)＝u(n)+s(n)H(n-nf)；其中，s(·)表示0-1高斯分布函数，u′(n)表示第4个异常挠度监测序列的第n个采样时刻值。
本实施例中，实际使用时，步骤506中挠度异常子序列的总数记作I′，且I′大于1；则1≤i′≤I′。
本实施例中，径向基函数神经网络是由输入层、隐含层、输出层构成，隐含层将径向基函数作为激活函数将输入向量映射到隐含空间，实现了输入变量与输出变量之间关系的建立，具有较强的多变量拟合能力。
本实施例中，步骤702中构建径向基函数神经网络预测模型，具体如下：输入层的神经元个数为R×m，隐含层和输出层的神经元个数为L。
本实施例中，从剩余的多个挠度正常子序列中的选择J个挠度正常子序列作为J个正常测试子序列，将与J个挠度正常子序列对应的R个强关联传感器测试子序列记作J个R种强关联传感器正常测试子序列；其中，j和J均为正整数；3≤J；
本实施例中，将J个R种强关联传感器正常测试子序列和J个正常测试子序列作为测试集进行测试，输入训练好的径向基函数神经网络预测模型进行测试，模型预测值与实际测量值间的相对误差均在[-5％，5％]内，说明基于RBF神经网络的挠度预测模型满足要求。
综上所述，本发明方法步骤简单、设计合理，以解决桥梁待检测挠度传感器异常数据准确定位与修复的问题，提升桥梁结构监测系统对异常数据的检测能力。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (6)

1.一种结合相关性分析和神经网络的桥梁挠度异常检测方法，其特征在于，该方法包括以下步骤：
步骤一、在预应力混凝土连续梁桥上设置监测传感器；其中，所述监测传感器包括待检测挠度传感器及K种传感器；
步骤二、获取正常监测归一化序列：
在预应力混凝土连续梁桥结构状态正常且监测传感器正常工作过程中，获取正常监测序列，并将正常监测序列进行归一化处理，得到正常监测归一化序列；其中，将待检测挠度传感器获取的正常监测序列记作挠度正常监测序列，将第k种传感器获取的正常监测序列记作第k种传感器正常监测序列；
将待检测挠度传感器获取的正常监测归一化序列记作挠度正常监测归一化序列，将第k种传感器获取的正常监测归一化序列记作第k种传感器正常监测归一化序列；其中，k和K均为正整数，且1≤k≤K；
步骤三、获取与其它传感器强关联的挠度监测异常特征指标：
对挠度正常监测归一化序列和K种传感器正常监测归一化序列分别进行分段相关性分析，获取与R个传感器强关联的挠度监测异常特征指标；其中，与第r种传感器强关联的挠度监测异常特征指标记作
Figure FDA0003975818600000011
r和R均为正整数，1≤r≤R，且R小于K；
步骤四、获取挠度测试序列：
步骤401、从挠度正常监测序列中选择一个序列作为挠度待测试序列，将挠度待测试序列经过第e个传感器故障模拟，得到第e个异常挠度监测序列，并将挠度测试序列和第e个异常挠度监测序列记作挠度测试序列；其中，e为正整数；
将R个传感器对应的正常监测序列中记作R个强关联传感器测试序列；
步骤五、判断挠度测试序列是否异常：
对挠度测试序列和R个强关联传感器测试序列分别进行归一化和相关性分析，并根据与R个传感器强关联的挠度监测异常特征指标，判断挠度测试序列是否异常，如果挠度测试序列异常，执行步骤六；
步骤六、对R个强关联传感器测试序列进行判断，如果预应力混凝土连续梁桥结构状态异常，报警提醒；如果待检测挠度传感器故障，执行步骤七；
步骤七、基于径向基函数神经网络对异常的挠度测试序列进行修复，获取修复后的挠度序列。
2.按照权利要求1所述的一种结合相关性分析和神经网络的桥梁挠度异常检测方法，其特征在于：步骤二中挠度正常监测归一化序列和第k种传感器正常监测归一化序列，具体获取过程如下：
步骤201、第k种传感器按照预先设定的采样间隔对预应力混凝土梁桥进行监测，获取第k种传感器监测到的时间序列，并记作第k种传感器正常监测序列
Figure FDA0003975818600000021
且
Figure FDA0003975818600000022
其中，
Figure FDA0003975818600000023
表示第k种传感器正常监测序列中的第n个监测值，n和N均为正整数，且1≤n≤N；N表示监测序列的长度；
步骤202、待检测挠度传感器按照预先设定的采样间隔对预应力混凝土梁桥进行监测，并获取待检测挠度传感器监测到的时间序列，并记作挠度正常监测序列Z0且Z0＝{z1,0,...,zn,0,...,zN,0}；其中，zn,0表示待检测挠度传感器正常监测序列中的第n个监测值；
步骤203、对第k种传感器正常监测序列
Figure FDA0003975818600000024
进行归一化处理，得到第k种传感器正常监测归一化序列Xk且
Figure FDA0003975818600000025
其中，
Figure FDA0003975818600000026
表示第k种传感器正常监测归一化序列中的第n个归一化值；
对挠度正常监测序列Z0进行归一化处理，得到挠度正常监测归一化序列Z且Z＝{z1,...,zn,...,zN}；其中，zn表示挠度正常监测归一化序列中的第n个归一化值。
3.按照权利要求2所述的一种结合相关性分析和神经网络的桥梁挠度异常检测方法，其特征在于：步骤三中挠度正常监测归一化序列和K种传感器正常监测归一化序列分别进行分段相关性分析，具体过程如下：
步骤301、将第k种传感器正常监测归一化序列Xk按照采样先后顺序以长度m进行分段，得到L个子序列；其中，m和L均为正整数，且
Figure FDA0003975818600000031
其中，将第k种传感器正常监测归一化序列Xk中的第l个子序列记作Xk(l)，l和L均为正整数，且1≤l≤L；
步骤302、按照步骤301所述的方法，将挠度正常监测归一化序列Z进行分段处理，得到L个正常监测挠度子序列；其中，第l个正常监测挠度子序列记作Z(l)；
步骤303、获取Xk(l)和Z(l)之间的皮尔逊相关系数
Figure FDA0003975818600000032
步骤304、多次重复步骤303，得到Xk(L)和Z(L)之间的皮尔逊相关系数
Figure FDA0003975818600000033
其中，Xk(L)表示第k种传感器正常监测归一化序列Xk中的第L个子序列，Z(L)表示第L个正常监测挠度子序列；
步骤305、对L个子序列对应的
Figure FDA0003975818600000034
进行均值与方差计算，得到第k种传感器监测归一化序列与挠度正常监测归一化序列之间的均值
Figure FDA0003975818600000035
和方差σk,z；其中，
Figure FDA0003975818600000036
表示第k种传感器正常监测归一化序列Xk中的第1个子序列和第1个正常监测挠度子序列之间的皮尔逊相关系数；
步骤306、将
Figure FDA0003975818600000037
所对应的传感器记作强关联传感器；其中，强关联传感器的总数为R；
步骤307、将步骤305中获取的均值和方差根据3σ原则计算，得到与第r种强关联传感器相关的挠度监测异常特征指标
Figure FDA0003975818600000038
其中，r为正整数，且1≤r≤R。
4.按照权利要求3所述的一种结合相关性分析和神经网络的桥梁挠度异常检测方法，其特征在于：步骤五中判断挠度测试序列是否异常，具体过程如下：
步骤501、将第t个挠度测试序列和R个强关联传感器测试序列分别进行归一化处理，并将第t个挠度测试归一化序列记作Zt′，将第r种强关联传感器测试归一化序列记作Xr′；其中，t为正整数，且1≤t≤e+1；
步骤502、将Zt′和Xr′按m个采样点为一个子序列组进行分段，得到各自对应的第l个测试子序列Xr′(l)和Zt′(l)；其中，Xr′(l)表示Xr′的第l个测试子序列，Zt′(l)表示Zt′的第l个测试子序列；
步骤502、对第t个挠度测试序列中第l个测试子序列，获取Zt′(l)与Xr′(l′)之间的第l个皮尔逊相关系数
Figure FDA0003975818600000041
步骤503、将
Figure FDA0003975818600000042
和
Figure FDA0003975818600000043
进行判断，当
Figure FDA0003975818600000044
时，说明该
Figure FDA0003975818600000045
相关系数异常，并将相关系数异常的数量YC加1；否则，说明该
Figure FDA0003975818600000046
相关系数正常；其中，YC的初始值为零；
步骤504、多次重复步骤503，通过与R个传感器强关联的挠度监测异常特征指标对挠度测试序列进行判断，得到相关系数异常的总数YC；
步骤505、如果YC小于相关系数总数的1/2时，则为第l个测试子序列正常，其它R个强关联传感器测试序列存在异常；如果YC大于等于相关系数总数的1/2时，则第l个测试子序列异常，且对应的第t个挠度测试序列异常；其中，相关系数总数为R×L；
步骤506、按照步骤502至步骤505所述的方法，完成第t个挠度测试序列中第L个测试子序列的判断，并获取第t个挠度测试序列中的多个挠度正常子序列和挠度异常子序列。
5.按照权利要求1所述的一种结合相关性分析和神经网络的桥梁挠度异常检测方法，其特征在于：步骤六中对R个强关联传感器测试序列进行判断，具体过程如下：
步骤601、将第r种强关联传感器测试归一化序列和第g种强关联传感器测试归一化序列进行皮尔逊相关系数计算，生成强关联测试序列相关性矩阵CORXT；其中，强关联测试序列相关性矩阵CORXT的大小为R×R，强关联测试序列相关性矩阵CORXT的主对角元素均为1；g为正整数，且g取值为1～R；
步骤602、对第r种强相关正常监测归一化序列中第l个子序列和第g种强相关正常监测归一化序列中第l个子序列皮尔逊相关系数计算，生成正常序列相关性矩阵CORl；其中，正常序列相关性矩阵CORl的大小为R×R，正常序列相关性矩阵CORl的主对角元素均为1；
步骤603、根据公式
Figure FDA0003975818600000051
得到异常特征值矩阵CORs；其中，异常特征值矩阵CORs的大小为R×R，异常特征值矩阵CORs的主对角元素均为1；
步骤604、将强关联测试序列相关性矩阵CORXT中第r行第g列元素值记作
Figure FDA0003975818600000052
将异常特征值矩阵CORs中第r行第g列元素值记作
Figure FDA0003975818600000053
并将
Figure FDA0003975818600000054
和
Figure FDA0003975818600000055
进行比较判断，如果
Figure FDA0003975818600000056
小于
Figure FDA0003975818600000057
的数量大于
Figure FDA0003975818600000058
则是预应力混凝土连续梁桥结构状态异常；否则，说明待检测挠度传感器故障。
6.按照权利要求4所述的一种结合相关性分析和神经网络的桥梁挠度异常检测方法，其特征在于：步骤七中对异常的挠度测试序列进行修复，获取修复后的挠度序列，具体过程如下：
步骤701、从步骤506中获取的第t个挠度测试序列中的多个挠度正常子序列选择I个挠度正常子序列作为I个正常训练子序列；其中，I为不小于4的正整数；
将与第i个挠度正常子序列对应的R个强关联传感器测试子序列记作第i个R种强关联传感器正常训练子序列；其中，1≤i≤I；
步骤702、构建径向基函数神经网络预测模型；
步骤703、将R种强关联传感器正常训练子序列作为输入层，正常训练子序列作为输出层，输入径向基函数神经网络预测模型进行训练，直至完成I个正常训练子序列的训练，得到训练好的径向基函数神经网络预测模型；
步骤704、将第i个正常训练子序列输入训练好的径向基函数神经网络预测模型，得到第i个挠度预测子序列
Figure FDA0003975818600000061
并记作
Figure FDA0003975818600000062
其中，
Figure FDA0003975818600000063
表示第i个挠度预测子序列
Figure FDA0003975818600000064
中第fn′个采样时刻对应的预测值，f1，fn′，fm均为正整数且f1≤fn′≤fm；
步骤705、将第i个正常训练子序列记作
Figure FDA0003975818600000065
根据
Figure FDA0003975818600000066
得到第fn′个训练误差
Figure FDA0003975818600000067
其中，
Figure FDA0003975818600000068
表示第i个正常训练子序列中第fn′个采样时刻对应的测量值；
步骤706、多次重复步骤704至步骤705，直至得到第I个正常训练子序列中各个训练误差，并对所有训练误差进行统计分析，得到误差均值μΔ和误差方差σΔ；
步骤707、将第t个挠度测试序列中第i′个挠度异常子序列输入训练好的径向基函数神经网络预测模型，得到第i′个挠度异常预测子序列
Figure FDA0003975818600000069
并记作
Figure FDA00039758186000000610
其中，
Figure FDA00039758186000000611
表示第i′个挠度异常预测子序列
Figure FDA00039758186000000612
中第hn′个采样时刻对应的预测值；i′，h1，hn′，hm为正整数，且h1≤hn′≤hm；
步骤708、将第i′个挠度异常子序列记作
Figure FDA00039758186000000613
根据
Figure FDA00039758186000000614
得到第hn′个误差
Figure FDA00039758186000000615
其中，
Figure FDA00039758186000000616
表示第i′个挠度异常子序列中第hn′个采样时刻对应的测量值；
步骤709、将第hn′个误差
Figure FDA00039758186000000617
和区间[μΔ-3σΔ,μΔ+3σΔ]进行判断，当
Figure FDA00039758186000000618
不属于[μΔ-3σΔ,μΔ+3σΔ]区间时，则第i′个挠度预测子序列中第hn′个采样时刻待检测挠度传感器出现故障，以挠度预测值
Figure FDA00039758186000000619
代替挠度测量值
Figure FDA00039758186000000620
当
Figure FDA00039758186000000621
属于[μΔ-3σΔ,μΔ+3σΔ]区间时，则第i′个挠度预测子序列中第hn′个采样时刻待检测挠度传感器正常；
步骤70A、多次重复步骤708和步骤709，完成各个挠度异常子序列的修复，从而得到修复后的第t个挠度序列。
CN202211536692.2A 2022-12-01 2022-12-01 一种结合相关性分析和神经网络的桥梁挠度异常检测方法 Active CN115950609B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211536692.2A CN115950609B (zh) 2022-12-01 2022-12-01 一种结合相关性分析和神经网络的桥梁挠度异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211536692.2A CN115950609B (zh) 2022-12-01 2022-12-01 一种结合相关性分析和神经网络的桥梁挠度异常检测方法

Publications (2)

Publication Number Publication Date
CN115950609A true CN115950609A (zh) 2023-04-11
CN115950609B CN115950609B (zh) 2023-08-11

Family

ID=87286669

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211536692.2A Active CN115950609B (zh) 2022-12-01 2022-12-01 一种结合相关性分析和神经网络的桥梁挠度异常检测方法

Country Status (1)

Country Link
CN (1) CN115950609B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117129236A (zh) * 2023-09-11 2023-11-28 深邦智能科技集团(青岛)有限公司 基于远程控制的机动车设备标定检测方法及系统
CN117349770A (zh) * 2023-09-19 2024-01-05 武汉理工大学 一种结构健康监测多应变传感器数据异常检测与修复方法
CN117968992A (zh) * 2024-04-01 2024-05-03 泰富特钢悬架(济南)有限公司 一种钢板弹簧用钢板弹性检测装置
CN117968992B (zh) * 2024-04-01 2024-06-04 泰富特钢悬架(济南)有限公司 一种钢板弹簧用钢板弹性检测装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104677666A (zh) * 2015-03-18 2015-06-03 西安公路研究院 基于挠度监测的连续刚构桥预应力损伤识别方法
CN105760934A (zh) * 2016-03-02 2016-07-13 浙江工业大学 一种基于小波与bp神经网络的桥梁异常监测数据修复方法
CN106529145A (zh) * 2016-10-27 2017-03-22 浙江工业大学 一种基于arima‑bp神经网络的桥梁监测数据预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104677666A (zh) * 2015-03-18 2015-06-03 西安公路研究院 基于挠度监测的连续刚构桥预应力损伤识别方法
CN105760934A (zh) * 2016-03-02 2016-07-13 浙江工业大学 一种基于小波与bp神经网络的桥梁异常监测数据修复方法
CN106529145A (zh) * 2016-10-27 2017-03-22 浙江工业大学 一种基于arima‑bp神经网络的桥梁监测数据预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王瑀 等: "桥梁健康监测系统在线结构分析及状态评估方法", 桥梁建设, vol. 44, no. 01, pages 25 - 29 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117129236A (zh) * 2023-09-11 2023-11-28 深邦智能科技集团(青岛)有限公司 基于远程控制的机动车设备标定检测方法及系统
CN117129236B (zh) * 2023-09-11 2024-03-26 深邦智能科技集团(青岛)有限公司 基于远程控制的机动车设备标定检测方法及系统
CN117349770A (zh) * 2023-09-19 2024-01-05 武汉理工大学 一种结构健康监测多应变传感器数据异常检测与修复方法
CN117349770B (zh) * 2023-09-19 2024-05-14 武汉理工大学 一种结构健康监测多应变传感器数据异常检测与修复方法
CN117968992A (zh) * 2024-04-01 2024-05-03 泰富特钢悬架(济南)有限公司 一种钢板弹簧用钢板弹性检测装置
CN117968992B (zh) * 2024-04-01 2024-06-04 泰富特钢悬架(济南)有限公司 一种钢板弹簧用钢板弹性检测装置

Also Published As

Publication number Publication date
CN115950609B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN115950609B (zh) 一种结合相关性分析和神经网络的桥梁挠度异常检测方法
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
CN110779745B (zh) 一种基于bp神经网络的换热器早期故障诊断方法
CN112200237B (zh) 一种结构健康监测系统时序监测数据异常诊断方法
CN115048998B (zh) 一种基于监测数据的斜拉桥群索索力异常识别定位方法
JPH08234832A (ja) プラント監視診断装置および方法
CN116292367B (zh) 基于一维卷积的电厂风机系统异常工况检测方法
EP4160339A1 (en) Abnormality/irregularity cause identifying apparatus, abnormality/irregularity cause identifying method, and abnormality/irregularity cause identifying program
CN111860839A (zh) 基于多信号融合及Adam优化算法的岸桥故障监测方法
CN111914897A (zh) 一种基于孪生长短时间记忆网络的故障诊断方法
CN111122162A (zh) 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法
CN111122811A (zh) 一种oica和rnn融合模型的污水处理过程故障监测方法
CN111079348B (zh) 一种缓变信号检测方法和装置
CN112000081A (zh) 基于多块信息提取和马氏距离的故障监测方法及系统
CN111046331A (zh) 一种基于信号异常的健康监控方法
CN115640860A (zh) 一种工业云服务的机电设备远程维护方法及系统
CN114297921A (zh) 基于am-tcn的故障诊断方法
CN110705114B (zh) 一种无训练样本的通风故障诊断方法
CN110057588B (zh) 基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及系统
CN117058451A (zh) 基于二维卷积神经网络的结构加速度数据异常检测方法
CN114357667B (zh) 一种基于resid递归结构识别的发动机起动状态故障检测方法
TWI639908B (zh) 製程偵錯與診斷方法
CN115659271A (zh) 传感器异常检测方法、模型训练方法、系统、设备及介质
CN114647231A (zh) 一种数据驱动的工业过程故障检测方法
CN114818116A (zh) 基于联合学习的飞机发动机失效模式识别和寿命预测方法

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