CN117218602A - 一种结构健康监测数据异常诊断方法及系统 - Google Patents
一种结构健康监测数据异常诊断方法及系统 Download PDFInfo
- Publication number
- CN117218602A CN117218602A CN202311360570.7A CN202311360570A CN117218602A CN 117218602 A CN117218602 A CN 117218602A CN 202311360570 A CN202311360570 A CN 202311360570A CN 117218602 A CN117218602 A CN 117218602A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- training
- fcn
- acceleration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 67
- 238000003745 diagnosis Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000036541 health Effects 0.000 title claims abstract description 52
- 230000005856 abnormality Effects 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 97
- 230000001133 acceleration Effects 0.000 claims abstract description 68
- 238000012795 verification Methods 0.000 claims abstract description 40
- 230000002159 abnormal effect Effects 0.000 claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 238000013508 migration Methods 0.000 claims abstract description 22
- 230000005012 migration Effects 0.000 claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 230000004044 response Effects 0.000 claims abstract description 10
- 238000012800 visualization Methods 0.000 claims abstract description 4
- 238000013526 transfer learning Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 238000013079 data visualisation Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000008014 freezing Effects 0.000 claims description 5
- 238000007710 freezing Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 230000009514 concussion Effects 0.000 claims 1
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004643 material aging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于深度学习、迁移学习及结构健康监测技术领域,公开了一种结构健康监测数据异常诊断方法及系统,将应变分段时间序列数据借助可视化工具进行处理后,根据不同时域响应图像特征进行人工标记,随机选取带有人工标记的各种异常类型的图像组成应变训练验证集ST;对预训练模型进行优化,得到全卷积神经网络模型;将数据集ST输入到全卷积神经网络模型中,得到预训练模型FCN;将加速度分段时间序列数据可视化处理后组成加速度训练验证集CT,将剩余的加速度数据组成测试集CF;在模型FCN上加入数据集CT进行迁移学习,将训练好的FCN‑TL模型作为分类检测器进行异常数据诊断。本发明能够解决目前结构健康监测数据异常诊断等问题。
Description
技术领域
本发明属于深度学习、迁移学习及结构健康监测技术领域,尤其涉及一种结构健康监测数据异常诊断方法及系统。
背景技术
众多大跨度桥梁、地下工程、海洋工程等工程设施日益增多,这些工程结构正向着跨度越来越大、结构越来越复杂的趋势发展,同时,自然作用和环境因素等都严重影响着这些结构的安全性。这些大型结构在服役过程中,在遭受环境侵蚀、荷载与疲劳效应的作用下,结构本身也难免出现失稳断裂、疲劳开裂和材料老化等问题,导致结构承载力下降,引发结构垮塌事故,造成人力、物力损失。结构健康监测(Structural Health Monitoring,SHM)系统作为保障大型结构运营安全的重要技术手段,能对环境、荷载状况和结构响应进行实时监测,已广泛应用于桥梁工程实践中。传感器系统是桥梁SHM系统的硬件基础,各种类型的传感器通过监测结构承受的荷载与环境作用,以及相应的结构响应,以实时或定时的模式采集各个待感测物理量。这些稠密的监测数据中蕴含着桥梁运营过程中重要的性能信息、结构荷载、响应规律等。
通常一座大跨度桥梁SHM系统会布置成千上百个传感器,这些传感器时刻运行,因此产生的数据量将是巨大的,海量的数据对信号处理分析将会造成很大困扰。桥梁结构在服役期间受上述因素影响,系统将会不可避免地混杂各种异常,这些异常数据无法展示结构的真实情况,进而出现错误预警的情况。若是对于监测数据不作异常识别、修复等处理工作,而当异常数据直接应用于结构损伤识别时,必然会对性能评估的准确性产生极大干扰。因此,为了保证数据的严谨性和准确性,必须将异常数据部分检测出来并进行相应处理。这些异常数据特征繁杂,若是采用人工逐个检查的方式,费时费力,同时也会耗费大量成本。
国内外关于结构健康监测的研究主要集中在健康监测的应用和结构安全性能评估等领域,对于数据异常诊断的研究相对匮乏,再加上监测数据的海量性,以及外界荷载与环境的不确定性,导致健康监测异常诊断工作困难重重。机器学习算法结合统计学理论能从已知数据中自动寻求规律,并预测未知数据,用于数据异常分类时提取特征能力较差,分类准确性不高。而深度学习则消除了机器学习算法提取合适特征能力差的局限性,基于人类视觉在图像分类和目标检测领域展示了优越的性能。当监测数据较少,不足以支撑卷积神经网络的完全训练时,则可以使用迁移学习技术,其通过对预训练模型结构的冻结和微调,不需要重新训练网络权重,即可实现对SHM数据的异常诊断。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有工程结构健康监测异常数据特征繁杂,若是采用人工逐个检查的方式则费时费力,同时也会耗费大量成本;
(2)机器学习算法结合统计学理论能从已知数据中自动寻求规律,并预测未知数据,用于数据异常分类时提取特征能力较差,分类准确性不高;
(3)当结构健康监测传感系统布置稀缺,监测数据较少时,则会对模型训练准确率造成直接影响。
发明内容
为克服相关技术中存在的问题,本发明公开实施例提供了一种结构健康监测数据异常诊断方法及系统,尤其涉及一种基于全卷积神经网络和迁移学习的结构健康监测数据异常诊断方法及系统,所述技术方案如下:
本发明是这样实现的,结构健康监测数据异常诊断方法,包括以下步骤:
S1、利用数据可视化工具将分割好的应变分段时间序列数据进行转换,将清洗后的数据以时域形式保存在灰度图像中;根据可视化后的不同时域响应图像特征进行人工标记,随机选取带有人工标记的异常类型的图像组成应变训练验证集ST;
S2、对预训练模型FCN进行优化,得到包括全卷积单元的全卷积神经网络模型;
S3、将应变训练验证集ST输入到用于异常诊断的全卷积神经网络模型中,得到训练好的预训练模型FCN;
S4、将加速度分段时间序列数据进行可视化处理,组成加速度训练验证集CT,并将剩余的加速度数据组成测试集CF;
S5、在训练好的预训练模型FCN的基础上加入加速度训练验证集CT进行迁移学习,将训练好的迁移学习模型FCN-TL模型作为分类检测器,实现对结构健康监测异常数据的诊断。
步骤S1具体包括:
将待诊断的监测数据按小时h划分,切割成N个数据段,每一数据段按日期、时段、传感器编号分别命名保存在表格文件中,采样频率fs决定数据段长度,则每一数据段di长度为di=fs×h;
分别绘制每一时段时域数据段相应的图像,将主要信息保存在单通道图像中,构成应变和加速度数据集;
依据每个图像对应的特征,人工标记上标签;
从应变数据集中随机选取m个样本组成应变训练验证集STm,从加速度数据集中随机选取n个样本组成加速度训练验证集CTn,剩余的p个加速度样本组成测试集CFp。
在步骤S2中,对预训练模型FCN进行优化,得到包括全卷积单元的全卷积神经网络模型,包括:
修改网络的输入层以适配图像尺寸输入,更换网络的激活函数为Elu,将全连接层或其它用于分类的层以全卷积单元代替;
全卷积神经网络模型的全卷积单元由一层卷积层、一层激活层和一层池化层组成。
在步骤S2中,全卷积神经网络模型包括:输入层、卷积层、激活层、池化层、冻结层、Softmax分类层和输出层。
进一步,全卷积神经网络模型的训练设置为:选用带有动量的随机梯度下降sgdm优化器,初始学习率为0.00001,每迭代3次学习率降为原来的0.9倍;采用批处理方式,最小批次MiniBatchSize为48,L2正则化系数为0.03,全局最大迭代次数为30次。
进一步,在全卷积神经网络模型FCN训练时,选用sgdm优化器,在随机梯度下降过程中引入一阶动量,加快收敛并减小震荡。
在步骤S5中,迁移学习模型FCN-TL的训练方式为:冻结全卷积网络模型FCN的L1-L6层,通过加速度测试集CF对L7全卷积单元、L8Softmax层、L9输出层进行再训练,利用训练好的模型FCN-TL实现异常数据的诊断。
进一步,在进行迁移学习模型FCN-TL训练时,选用带有动量的随机梯度下降sgdm优化器,初始学习率为0.00003,冻结层的学习率设为0,每迭代3次学习率降为原来的0.95倍;采用批处理方式,最小批次MiniBatchSize为48,L2正则化系数为0.03,全局最大迭代次数为100次。
进一步,使用预训练模型Googlenet代替卷积神经网络模型,该Googlenet网络模型由L1输入层、L2-L6特征层、L7全局平均池化层、L8Softmax层、L9输出层组成,在Googlenet模型基础上进行优化并进行迁移学习,具体包括:
将应变和加速度数据进行可视化,按照步骤S1和步骤S4的方式组成应变训练验证集ST和加速度训练验证集CT、测试集CF;
优化Googlenet预训练模型为适合图像输入大小的全卷积神经网络模型FCN;
按照步骤S3的方式在预训练模型FCN上加入应变数据集进行训练,再按照步骤S5的方式在训练好的FCN模型上加入加速度数据集进行迁移学习,读取FCN模型的参数设置,冻结L1-L6层,再训练L7-L9层,进行微调后,将剩余的加速度数据用于测试迁移学习模型FCN-TL的分类性能,将训练好的FCN-TL模型作为分类检测器进行数据异常诊断。
本发明的另一目的在于提供一种结构健康监测数据异常诊断系统,该系统用于对所述结构健康监测数据异常诊断方法进行调控,该系统包括:
验证集构建模块,用于利用数据可视化工具将分割好的应变分段时间序列数据进行转换,将清洗后的数据以时域形式保存在灰度图像中;根据可视化后的不同时域响应图像特征进行人工标记,随机选取带有人工标记的异常类型的图像组成应变训练验证集ST;
模型优化模块,用于对预训练模型FCN进行优化,得到包括全卷积单元的全卷积神经网络模型;
模型训练模块,用于将应变训练验证集ST输入到用于异常诊断的全卷积神经网络模型中,得到训练好的预训练模型FCN;
测试集构建模块,用于将加速度分段时间序列数据进行可视化处理,组成加速度训练验证集CT,并将剩余的加速度数据组成测试集CF;
异常数据诊断模块,用于在训练好的预训练模型FCN的基础上加入加速度训练验证集CT进行迁移学习,将训练好的迁移学习模型FCN-TL模型作为分类检测器,实现对结构健康监测异常数据的诊断。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明提出了一种基于全卷积神经网络和迁移学习的结构健康监测数据异常诊断方法,将某大桥结构健康监测系统的应变和加速度分段时间序列可视化处理,转换为时域图像,将图像中的主要信息储存在灰度图像中,然后按其可视化异常特征进行人工标记。本发明随机选取带有人工标记的包括各种异常类型的应变数据组成应变训练验证集ST;优化卷积神经网络,以全卷积单元代替全连接层,简化训练参数量,提高模型训练效率;将数据集ST输入到优化后的全卷积神经网络异常诊断模型中去,得到训练好的模型FCN;随机选取少量带有人工标记的包括各种异常类型的加速度数据组成加速度训练验证集CT,在模型FCN的基础上进行迁移学习,加强FCN-TL模型的泛华性;将剩余的加速度数据组成测试集CF,测试模型的分类性能。FCN-TL模型作为分类检测器,可以进行数据异常诊断。本发明能够有效解决目前结构健康监测数据异常诊断等问题。
本发明将结构健康监测一维数据异常诊断问题转化为二维图像分类问题,准确、高效实现深度学习、迁移学习、结构健康监测数据异常诊断的全自动化处理。本发明除标记过程外,其它异常数据诊断过程均为自动化处理;本发明优化卷积神经网络结构,简化了参数数量,训练速度快;本发明通过迁移学习在少量数据集上即可较高效地实现对SHM数据的异常诊断。本发明在一个实例桥梁SHM系统的监测数据中的总体分类准确率能达到98.2%。本发明的数据异常诊断效率高,能满足SHM系统状态评估和在线预警的实时监测需求。
本发明的技术方案是否解决了人们一直渴望解决、但始终未能获得成功的技术难题,本发明提出的基于全卷积神经网络和迁移学习的结构健康监测数据异常诊断方法满足实时监测需求,诊断效率高,效果良好。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理;
图1是本发明实施例提供的结构健康监测数据异常诊断方法流程图;
图2是本发明实施例提供的结构健康监测数据异常诊断方法原理图;
图3是本发明实施例提供的结构健康监测应变数据和加速度数据可视化异常类型图;
图4是本发明实施例提供的基于全卷积神经网络的结构健康监测数据异常诊断方法的模型结构架构及参数示意图;
图5是本发明实施例提供的基于迁移学习的结构健康监测数据异常诊断方法流程图;
图6是本发明实施例提供的基于迁移学习的结构健康监测数据异常诊断方法的模型结构架构及参数示意图;
图7是本发明实施例提供的结构健康监测数据异常诊断结果示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施的限制。
实施例1,如图1所示,本发明实施例提供的结构健康监测数据异常诊断方法包括以下步骤:
S1、利用数据可视化工具将分割好的应变分段时间序列数据进行转换,将清洗后的数据以时域形式保存在灰度图像中;根据可视化后的不同时域响应图像特征进行人工标记,随机选取带有人工标记的异常类型的图像组成应变训练验证集ST;
S2、对预训练模型FCN进行优化,得到包括全卷积单元的全卷积神经网络模型;
S3、将应变训练验证集ST输入到用于异常诊断的全卷积神经网络模型中,得到训练好的预训练模型FCN;
S4、将加速度分段时间序列数据进行可视化处理,组成加速度训练验证集CT,并将剩余的加速度数据组成测试集CF;
S5、在训练好的预训练模型FCN的基础上加入加速度训练验证集CT进行迁移学习,将训练好的迁移学习模型FCN-TL模型作为分类检测器,实现对结构健康监测异常数据的诊断。
在步骤S1中,本发明具体包括:
S1.1,将待诊断的监测数据按小时h划分,切割成N个数据段,每一数据段按日期、时段、传感器编号分别命名保存在表格文件中,采样频率fs决定数据段长度,则每一数据段di长度为di=fs×h;
S1.2,分别绘制每一时段时域数据段相应的图像,将主要信息保存在单通道图像中,构成应变和加速度数据集构成应变和加速度数据集;
S1.3,依据每个图像对应的特征,人工标记上标签;
S1.4,从应变数据集中随机选取m个样本组成应变训练验证集STm,从加速度数据集中随机选取n个样本组成加速度训练验证集CTn,剩余的p个加速度样本组成测试集CFp。
在步骤S2中,将卷积神经网络优化为全卷积神经网络的具体操作为,修改网络的输入层以适配图像尺寸输入,更换网络的激活函数为Elu,将全连接层或其它用于分类的层以全卷积单元代替。
全卷积神经网络模型的全卷积单元由一层卷积层、一层激活层和一层池化层组成。
在步骤S2中,全卷积神经网络FCN模型包括输入层、卷积层、激活层、池化层、冻结层、Softmax分类层、输出层;其中,全卷积神经网络模型FCN的训练设置为:初始学习率为0.00001,每迭代3次学习率就降为原来的0.9倍,采用批处理方式,最小批次MiniBatchSize为48,L2正则化系数为0.03,全局最大迭代次数为30次。
其中,在全卷积神经网络模型FCN训练时,选用sgdm优化器,在随机梯度下降过程中引入一阶动量,加快收敛并减小震荡。
在步骤S5中,迁移学习模型FCN-TL的训练方式为:冻结全卷积网络模型FCN的L1-L6层,仅通过加速度测试集CF对L7全卷积单元、L8Softmax层、L9输出层进行再训练,训练好的模型FCN-TL即可实现异常数据的有效诊断。
其中,训练时选用带有动量的随机梯度下降sgdm优化器,初始学习率为0.00003,冻结层的学习率设为0,每迭代3次学习率就降为原来的0.95倍,采用批处理方式,最小批次MiniBatchSize为48,L2正则化系数为0.03,全局最大迭代次数为100次。
本发明使用预训练模型Googlenet代替卷积神经网络模型,该Googlenet网络模型由L1输入层、L2-L6特征层、L7全局平均池化层、L8Softmax层、L9输出层组成,在Googlenet模型基础上进行优化并进行迁移学习;
步骤A:将应变和加速度数据进行可视化,按步骤S1和步骤S4组成应变数据集ST和加速度数据集CT、CF;
步骤B:优化Googlenet预训练模型为适合图像输入大小的全卷积神经网络模型FCN;
步骤C:按步骤S3的方式在FCN模型上加入大量应变数据集进行训练,再按步骤S5的方式在训练好的FCN模型的基础上加入加速度数据集进行迁移学习,提高FCN模型的泛化性;剩余的加速度数据可用来测试迁移学习模型FCN-TL的分类性能,训练好的FCN-TL模型作为分类检测器,可进行数据异常诊断。
实施例2,本实施例提供的结构健康监测数据异常诊断方法具体包括:
步骤1:将分割好的应变分段时间序列数据利用数据可视化工具进行转换,将清洗后的数据以时域形式保存在灰度图像中;根据可视化后的不同时域响应图像特征进行人工标记,随机选取带有人工标记的各种异常类型的图像组成应变训练验证集ST;
步骤2:对预训练模型进行优化,得到包括全卷积单元的全卷积神经网络模型;
步骤3:将数据集ST输入到用于异常诊断的全卷积神经网络模型中去,得到训练好的预训练模型FCN;
步骤4:将加速度分段时间序列数据进行可视化处理,并重复步骤1,组成加速度训练验证集CT,并将剩余的加速度数据组成测试集CF;
步骤5:在训练好的模型FCN的基础上,加入数据集CT进行迁移学习,提升模型在适应不同分布数据时的泛化性能,训练好的FCN-TL模型可作为分类检测器,实现对结构健康监测异常数据的有效诊断。
在步骤1中,本发明具体包括:
步骤1.1、将待诊断的监测数据按小时h划分,切割成N个数据段,每一数据段按日期、时段、传感器编号分别命名保存在表格文件中,采样频率fs决定数据段长度,则每一数据段di长度为di=fs×h(本实施例传感器采样频率为51.2Hz);
步骤1.2、分别绘制每一时段时域数据段相应的图像,将主要信息保存在单通道图像中,构成应变和加速度数据集构成应变和加速度数据集;
步骤1.3、依据每个图像对应的特征(本实施例图像尺寸为100×100×1,仅红色通道),人工标记上标签(本实施例中正常类型标记为“1”,跳点类型标记为“2”等);
步骤1.4、从应变数据集中随机选取m个样本组成应变训练验证集STm,从加速度数据集中随机选取n个样本组成加速度训练验证集CTn,剩余的p个加速度样本组成测试集CFp。应变和加速度各个类型数据集数量分布情况如表1和表2所示。
表1应变数据集数量分布:
。
表2加速度数据集数量分布:
。
在步骤2中,将卷积神经网络优化为全卷积神经网络的具体操作为,修改网络的输入层以适配图像尺寸输入,更换网络的激活函数为Elu,将全连接层或其它用于分类的层以全卷积单元代替。
全卷积神经网络模型的全卷积单元由一层卷积层、一层激活层和一层池化层组成。
在步骤3中,全卷积神经网络FCN模型包括输入层、卷积层、激活层、池化层、冻结层、Softmax分类层、输出层,网络具体参数见表3。
表3全卷积神经网络架构及参数表:
。
全卷积神经网络模型FCN的训练设置为:初始学习率为0.00001,每迭代3次学习率就降为原来的0.9倍,采用批处理方式,最小批次MiniBatchSize为48,L2正则化系数为0.03,全局最大迭代次数为30次。
其中,在全卷积神经网络模型FCN训练时,选用sgdm优化器,在随机梯度下降过程中引入一阶动量,加快收敛并减小震荡。
在步骤5中,迁移学习模型FCN-TL的训练方式为:冻结全卷积网络模型FCN的L1-L6层,仅通过加速度测试集CF对L7全卷积单元、L8Softmax层、L9输出层进行再训练,训练好的模型FCN-TL即可实现异常数据的有效诊断。
其中,训练时选用带有动量的随机梯度下降sgdm优化器,初始学习率为0.00003,冻结层的学习率设为0,每迭代3次学习率就降为原来的0.95倍,采用批处理方式,最小批次MiniBatchSize为48,L2正则化系数为0.03,全局最大迭代次数为100次。
本发明使用预训练模型Googlenet代替卷积神经网络模型,该Googlenet网络模型由L1输入层、L2-L6特征层、L7全局平均池化层、L8Softmax层、L9输出层组成,在Googlenet模型基础上进行优化并进行迁移学习;
步骤A:将应变和加速度数据进行可视化,按步骤1和步骤4的方式组成应变数据集ST和加速度数据集CT、CF;
步骤B:优化Googlenet预训练模型为适合图像输入大小的全卷积神经网络模型FCN;
步骤C:按步骤3的方式在FCN模型上加入大量应变数据集进行训练,再按步骤5的方式在训练好的FCN模型的基础上加入加速度数据集进行迁移学习,提高FCN模型的泛化性,剩余的加速度数据可用来测试迁移学习模型FCN-TL的分类性能,训练好的FCN-TL模型作为分类检测器,可进行数据异常诊断。
实施例3:本实施例是在实施例2的基础上,对某大跨度桥梁结构健康监测系统采集的数据进行异常诊断。该实例验证了本发明的可行性。以下具体介绍本发明的效果。
图7展示了某大桥结构健康监测系统基于全卷积神经网络和迁移学习在加速度测试集上的异常诊断结果,其中,标签“1”代表正常类型、标签“2”代表跳点类型、标签“3”代表缺失类型、标签“4”代表方块类型、标签“5”代表偏移类型。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
上述装置/单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程。
根据本申请的实施例,本发明还提供了一种计算机设备,该计算机设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本发明实施例还提供了一种信息数据处理终端,所述信息数据处理终端用于实现于电子装置上执行时,提供用户输入接口以实施如上述各方法实施例中的步骤,所述信息数据处理终端不限于手机、电脑、交换机。
本发明实施例还提供了一种服务器,所述服务器用于实现于电子装置上执行时,提供用户输入接口以实施如上述各方法实施例中的步骤。
本发明实施例还提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行时可实现上述各个方法实施例中的步骤。
所述集成的单元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,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
为进一步证明上述实施例的积极效果,本发明基于上述技术方案进行如下实验。
本发明基于Googlenet网络模型和FCN网络模型进行迁移后训练的测试精度、召回率和F1分数的结果如表4所示。
表4基于Googlenet网络模型和FCN网络模型进行迁移后训练的测试精度、召回率和F1分数的结果:
。
以上所述,仅为本发明较优的具体的实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种结构健康监测数据异常诊断方法,其特征在于,该方法包括以下步骤:
S1、利用数据可视化工具将分割好的应变分段时间序列数据进行转换,将清洗后的数据以时域形式保存在灰度图像中;根据可视化后的不同时域响应图像特征进行人工标记,随机选取带有人工标记的异常类型的图像组成应变训练验证集ST;
S2、对预训练模型FCN进行优化,得到包括全卷积单元的全卷积神经网络模型;
S3、将应变训练验证集ST输入到用于异常诊断的全卷积神经网络模型中,得到训练好的预训练模型FCN;
S4、将加速度分段时间序列数据进行可视化处理,组成加速度训练验证集CT,并将剩余的加速度数据组成测试集CF;
S5、在训练好的预训练模型FCN的基础上加入加速度训练验证集CT进行迁移学习,将训练好的迁移学习模型FCN-TL模型作为分类检测器,实现对结构健康监测异常数据的诊断。
2.根据权利要求1所述的结构健康监测数据异常诊断方法,其特征在于,步骤S1具体包括:
将待诊断的监测数据按小时h划分,切割成N个数据段,每一数据段按日期、时段、传感器编号分别命名保存在表格文件中,采样频率fs决定数据段长度,则每一数据段di长度为di=fs×h;
分别绘制每一时段时域数据段相应的图像,将主要信息保存在单通道图像中,构成应变和加速度数据集;
依据每个图像对应的特征,人工标记上标签;
从应变数据集中随机选取m个样本组成应变训练验证集STm,从加速度数据集中随机选取n个样本组成加速度训练验证集CTn,剩余的p个加速度样本组成测试集CFp。
3.根据权利要求1所述的结构健康监测数据异常诊断方法,其特征在于,在步骤S2中,对预训练模型FCN进行优化,得到包括全卷积单元的全卷积神经网络模型,包括:
修改网络的输入层以适配图像尺寸输入,更换网络的激活函数为Elu,将全连接层或其它用于分类的层以全卷积单元代替;
全卷积神经网络模型的全卷积单元由一层卷积层、一层激活层和一层池化层组成。
4.根据权利要求3所述的结构健康监测数据异常诊断方法,其特征在于,全卷积神经网络模型包括:输入层、卷积层、激活层、池化层、冻结层、Softmax分类层和输出层。
5.根据权利要求4所述的结构健康监测数据异常诊断方法,其特征在于,全卷积神经网络模型的训练设置为:选用带有动量的随机梯度下降sgdm优化器,初始学习率为0.00001,每迭代3次学习率降为原来的0.9倍;采用批处理方式,最小批次MiniBatchSize为48,L2正则化系数为0.03,全局最大迭代次数为30次。
6.根据权利要求5所述的结构健康监测数据异常诊断方法,其特征在于,在全卷积神经网络模型FCN训练时,选用sgdm优化器,在随机梯度下降过程中引入一阶动量,加快收敛并减小震荡。
7.根据权利要求1所述的结构健康监测数据异常诊断方法,其特征在于,在步骤S5中,迁移学习模型FCN-TL的训练方式为:冻结全卷积网络模型FCN的L1-L6层,通过加速度测试集CF对L7全卷积单元、L8Softmax层、L9输出层进行再训练,利用训练好的模型FCN-TL实现异常数据的诊断。
8.根据权利要求7所述的结构健康监测数据异常诊断方法,其特征在于,在进行迁移学习模型FCN-TL训练时,选用带有动量的随机梯度下降sgdm优化器,初始学习率为0.00003,冻结层的学习率设为0,每迭代3次学习率降为原来的0.95倍;采用批处理方式,最小批次MiniBatchSize为48,L2正则化系数为0.03,全局最大迭代次数为100次。
9.根据权利要求1所述的结构健康监测数据异常诊断方法,其特征在于,使用预训练模型Googlenet代替卷积神经网络模型,该Googlenet网络模型由L1输入层、L2-L6特征层、L7全局平均池化层、L8Softmax层、L9输出层组成,在Googlenet模型基础上进行优化并进行迁移学习,具体包括:
将应变和加速度数据进行可视化,按照步骤S1和步骤S4的方式组成应变训练验证集ST和加速度训练验证集CT、测试集CF;
优化Googlenet预训练模型为适合图像输入大小的全卷积神经网络模型FCN;
按照步骤S3的方式在预训练模型FCN上加入应变数据集进行训练,再按照步骤S5的方式在训练好的FCN模型上加入加速度数据集进行迁移学习,读取FCN模型的参数设置,冻结L1-L6层,再训练L7-L9层,进行微调后,将剩余的加速度数据用于测试迁移学习模型FCN-TL的分类性能,将训练好的FCN-TL模型作为分类检测器进行数据异常诊断。
10.一种结构健康监测数据异常诊断系统,其特征在于,该系统用于对权利要求1-9任意一项所述结构健康监测数据异常诊断方法进行调控,该系统包括:
验证集构建模块,用于利用数据可视化工具将分割好的应变分段时间序列数据进行转换,将清洗后的数据以时域形式保存在灰度图像中;根据可视化后的不同时域响应图像特征进行人工标记,随机选取带有人工标记的异常类型的图像组成应变训练验证集ST;
模型优化模块,用于对预训练模型FCN进行优化,得到包括全卷积单元的全卷积神经网络模型;
模型训练模块,用于将应变训练验证集ST输入到用于异常诊断的全卷积神经网络模型中,得到训练好的预训练模型FCN;
测试集构建模块,用于将加速度分段时间序列数据进行可视化处理,组成加速度训练验证集CT,并将剩余的加速度数据组成测试集CF;
异常数据诊断模块,用于在训练好的预训练模型FCN的基础上加入加速度训练验证集CT进行迁移学习,将训练好的迁移学习模型FCN-TL模型作为分类检测器,实现对结构健康监测异常数据的诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311360570.7A CN117218602A (zh) | 2023-10-20 | 2023-10-20 | 一种结构健康监测数据异常诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311360570.7A CN117218602A (zh) | 2023-10-20 | 2023-10-20 | 一种结构健康监测数据异常诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117218602A true CN117218602A (zh) | 2023-12-12 |
Family
ID=89035483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311360570.7A Pending CN117218602A (zh) | 2023-10-20 | 2023-10-20 | 一种结构健康监测数据异常诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117218602A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446862A (zh) * | 2016-10-11 | 2017-02-22 | 厦门美图之家科技有限公司 | 一种人脸检测方法及系统 |
CN108281183A (zh) * | 2018-01-30 | 2018-07-13 | 重庆大学 | 基于卷积神经网络和迁移学习的宫颈涂片图像诊断系统 |
CN108764601A (zh) * | 2018-04-03 | 2018-11-06 | 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 |
CN109710636A (zh) * | 2018-11-13 | 2019-05-03 | 广东工业大学 | 一种基于深度迁移学习的无监督工业系统异常检测方法 |
CN109918752A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 |
CN113378967A (zh) * | 2021-06-28 | 2021-09-10 | 哈尔滨工业大学 | 一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法 |
CN113628297A (zh) * | 2021-08-06 | 2021-11-09 | 青岛市妇女儿童医院 | 一种基于注意力机制和迁移学习的covid-19深度学习诊断系统 |
CN115719336A (zh) * | 2022-11-07 | 2023-02-28 | 桂林理工大学 | 一种基于迁移学习的深度神经网络脑肿瘤图像分类方法 |
CN116188860A (zh) * | 2023-02-27 | 2023-05-30 | 云基智慧工程股份有限公司 | 一种参数自适应调节的结构监测异常数据的识别方法及装置 |
-
2023
- 2023-10-20 CN CN202311360570.7A patent/CN117218602A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446862A (zh) * | 2016-10-11 | 2017-02-22 | 厦门美图之家科技有限公司 | 一种人脸检测方法及系统 |
CN108281183A (zh) * | 2018-01-30 | 2018-07-13 | 重庆大学 | 基于卷积神经网络和迁移学习的宫颈涂片图像诊断系统 |
CN108764601A (zh) * | 2018-04-03 | 2018-11-06 | 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 |
CN109710636A (zh) * | 2018-11-13 | 2019-05-03 | 广东工业大学 | 一种基于深度迁移学习的无监督工业系统异常检测方法 |
CN109918752A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 |
CN113378967A (zh) * | 2021-06-28 | 2021-09-10 | 哈尔滨工业大学 | 一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法 |
CN113628297A (zh) * | 2021-08-06 | 2021-11-09 | 青岛市妇女儿童医院 | 一种基于注意力机制和迁移学习的covid-19深度学习诊断系统 |
CN115719336A (zh) * | 2022-11-07 | 2023-02-28 | 桂林理工大学 | 一种基于迁移学习的深度神经网络脑肿瘤图像分类方法 |
CN116188860A (zh) * | 2023-02-27 | 2023-05-30 | 云基智慧工程股份有限公司 | 一种参数自适应调节的结构监测异常数据的识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN102265227B (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
Martinez-Garcia et al. | Visually interpretable profile extraction with an autoencoder for health monitoring of industrial systems | |
CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN112179691B (zh) | 基于对抗学习策略的机械装备运行状态异常检测系统和方法 | |
KR102321607B1 (ko) | 기계의 결함 검출 장치 및 방법 | |
CN112765890A (zh) | 基于动态域适应网络的多工况旋转机械剩余寿命预测方法 | |
CN116186946B (zh) | 一种基于诊断模型的液压系统故障诊断方法及系统 | |
CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
CN116306806A (zh) | 故障诊断模型确定方法、装置及非易失性存储介质 | |
CN114048787B (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
CN116295948A (zh) | 大温差环境下工业温度传感器的异常检测方法、系统及存储介质 | |
CN115793590A (zh) | 适用于系统安全运维的数据处理方法及平台 | |
CN114462820A (zh) | 一种轴承状态监测与健康管理系统性能测试及优化方法和系统 | |
CN116628564B (zh) | 用于检测发电机状态的模型训练方法和系统 | |
CN110320802B (zh) | 基于数据可视化的复杂系统信号时序识别方法 | |
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 | |
CN117218602A (zh) | 一种结构健康监测数据异常诊断方法及系统 | |
CN113033845B (zh) | 一种电力传输资源共建共享的建设方法及装置 | |
CN116338545A (zh) | 电流互感器计量误差状态识别方法、系统、设备及介质 | |
US20210350282A1 (en) | Managing an installed base of artificial intelligence modules | |
CN115378000A (zh) | 基于区间二型模糊聚类分析的配电网运行状态评估方法 | |
Chan et al. | Explainable health state prediction for social iots through multi-channel attention | |
CN111160454B (zh) | 一种速变信号检测方法和装置 |
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 |