CN117332351A - 基于无监督深度学习模型dcvae-svdd的结构异常诊断方法和装置 - Google Patents
基于无监督深度学习模型dcvae-svdd的结构异常诊断方法和装置 Download PDFInfo
- Publication number
- CN117332351A CN117332351A CN202311298894.2A CN202311298894A CN117332351A CN 117332351 A CN117332351 A CN 117332351A CN 202311298894 A CN202311298894 A CN 202311298894A CN 117332351 A CN117332351 A CN 117332351A
- Authority
- CN
- China
- Prior art keywords
- dcvae
- data
- network
- svdd
- structural
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003745 diagnosis Methods 0.000 title claims abstract description 27
- 230000005856 abnormality Effects 0.000 title claims abstract description 22
- 238000013136 deep learning model Methods 0.000 title claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 42
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000012795 verification Methods 0.000 claims abstract description 7
- 230000000694 effects Effects 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims abstract description 5
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 238000012512 characterization method Methods 0.000 claims abstract 2
- 230000006870 function Effects 0.000 claims description 25
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004643 material aging Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Complex Calculations (AREA)
Abstract
基于无监督深度学习模型DCVAE‑SVDD的结构异常诊断方法和装置，其方法包括：A.预采集结构基准状态数据，构建数据集以完成模型训练和效果验证；B.设计深度卷积变分自编码器(DCVAE)网络框架，利用变分编码有效表征信号概率特征，并通过卷积核和反卷积核提取多测点信号的时序特征和相关性特征；C.训练DCVAE神经网络模型，选择最优隐变量维度数来优化网络，计算异常统计指标来衡量特征变化程度；D.构建支持向量数据表征模型(SVDD)以识别异常统计指标中的离群值，定义综合相对误差用于SVDD模型最优参数选择；E.输入测试状态数据集，诊断测试状态是否为异常状态。本发明实现对结构轻微异常状态的高精度诊断，为结构安全和结构可靠性提供保障。
Description
技术领域
本发明涉及一种结构异常状态诊断方法和装置，通过结合DCVAE网络和SVDD离群值识别模型，采用变分编码、卷积与逆卷积改进神经网络框架，能够有效提取信号概率特征及多测点信号间的相关性，实现对结构异常状态的高精度诊断，属结构健康监测领域。
背景技术
在长期运营中，工程结构受到各种因素的作用，包括环境侵蚀、材料老化、荷载、疲劳效应和突发灾害等，难以避免地导致工程结构的性能退化和损伤。为了把握结构在全寿命周期中的健康状态，保障建筑结构的运营安全，避免严重的结构破坏事故，结构健康监测系统广泛应用于各类结构。基于健康监测数据实时诊断结构状态为结构性能评估与服役行为研究提供了一种非常有效的手段。
评估结构状态方法主要分为两种，分别为模型驱动方法和数据驱动方法。模型驱动方法通过最小化模型预测与测量响应之间的差异来更新有限元模型，从而检测结构异常。但其不足在于当复杂结构在不断变化的环境和运行条件下，构建一个可靠的有限元模型来模拟其行为是极其困难的。数据驱动方法不依赖于有限元模型，而是直接分析监测数据，通过统计模式识别技术提取对结构异常敏感的特征。数据驱动方法通常包括数据收集、特征提取和离群点检测。
深度学习方法是常用的数据驱动结构异常状态诊断方法，且多为监督学习方法。该类方法需要结构正常状态和异常状态的数据作为训练样本，并从中提取结构正常和异常状态的信号特征，以此对测试状态分类和识别。但结构异常通常不存在于结构的早期阶段，在结构的长期使用寿命中也相当罕见。因此，可能无法获得与结构异常状态相关的监测数据。为了克服这一困难，只需正常状态数据的无监督学习方法被应用于异常状态诊断。
发明内容
针对现有技术的不足，本发明提出了一种基于无监督深度学习模型DCVAE-SVDD的结构异常诊断方法和装置，以实现对结构轻微异常状态的高精度诊断。
基于无监督深度学习模型DCVAE-SVDD的结构异常诊断方法，包括如下步骤：
A.预采集结构基准状态数据，并构建数据集用于模型训练和验证。
B.设计隐变量维度可调的深度卷积变分自编码器(DCVAE)网络以提取信号特征；改进信号特征编码形式，采用变分编码有效表征信号的概率特征；在网络中设置卷积核和反卷积核提取结构多测点信号的时序特征和相关性特征；
C.利用训练数据集训练DCVAE神经网络模型，并根据损伤函数最小收敛值选择最优隐变量维度数量以优化网络；计算两项异常统计指标衡量输入和输出数据特征变化程度；
D.利用基准状态下的异常统计指标数据点集构建支持向量数据描述(SVDD)模型，以识别异常统计指标中的离群值；定义相对误差指标衡量数据点集和决策边界围成的安全域之间的相似程度，以此并优化SVDD模型参数组合；
E.输入测试状态数据集，判断测试状态是否为异常状态。
进一步，步骤A具体包括：
A1.通过结构健康监测系统获取多测点的结构响应信号数据，并将此时结构状态视为基准状态；
A2.预处理结构基准状态数据，使用最大-最小归一化法将数据缩放到[-1,1]范围内，从而增强网络模型的泛化能力；
A3.采用固定步长的时间窗对归一化后的数据进行切片操作；
A4.利用切片样本构建结构基准状态数据集，分为训练集和验证集。
进一步，步骤B具体包括：
B1.DCVAE神经网络分为两个部分，分别为特征识别网络和数据生成网络；
B2.特征识别网络主要由卷积层构成，通过卷积核提取输入的多测点信号数据的时序特征和相关性特征，并输出变分形式的隐变量表示概率特征；
B3.数据生成网络主要由反卷积层构成，通过反卷积核将输入的重参数化隐变量生成输出数据，使其与输入数据概率分布尽可能相同；
B4.设计DCVAE网络框架时，将隐变量维度作为重要设计参数，以便后续根据网络特征提取和生成效果调整网络框架。
进一步，步骤C具体包括：
C1.将衡量潜在分布和真实分布差距的KL散度项与重构误差项结合，作为DCVAE的损失函数，可以表示为：
其中x和分别为DCVAE的输入和输出，/>和/>分别为隐变量中第i个元素的均值和标准差，N表示隐变量的维度；
C2.将训练集代入DCVAE网络进行训练，并通过Adam优化算法将损失函数反向传播，优化DCVAE网络内的权值和阈值。每次迭代完成后，代入验证集获得损失函数值，当损失函数值收敛至最小值时，将对应的迭代次数记为最优迭代次数；
C3.对于具有不同的隐变量维度N的DCVAE网络，训练时迭代次数采用最优迭代次数，选择最小的损伤函数最小收敛值所对应的DCVAE网络设计；
C4.根据DCVAE网络的输入和输出数据获取异常统计指标均方误差MSE和原始-重构信号比ORSR。两项异常统计指标可以表示为：
其中xi和分别为DCVAE的第i个输入样本和输出样本，m为样本的总量。
进一步，步骤D具体包括：
D1.构建异常统计指标点集S＝{yi|yi＝(MSEi,ORSRi)}，代入SVDD模型构建一个最小体积的超球体平面作为决策边界，该决策边界能够包围所有正常状态对应的点，并能将异常状态对应的点排除在外。构建最小体积的超球体平面可以表示为：
其中R表示超球体的半径，C表示惩罚系数，ξi表示第i个松弛变量，l表示松弛变量的数量，c表示超球体中心的坐标，Φ(yi)表示将yi映射到高维空间后得到的特征向量。
D2.为使边界尽可能紧凑地包围基准状态下的点集，采用相对综合误差(RCE)描述决策边界围成的图形及点集的分布差异，RCE可以表示为：
其中μMSE,μORSR表示点集在MSE和ORSR轴上平均值；σMSE,σORSR表示点集在MSE和ORSR轴上标准差；μ'MSE,μ'ORSR表示决策边界围成的图形在MSE和ORSR轴上平均值；σ'MSE,σ'ORSR表示决策边界围成的图形在MSE和ORSR轴上标准差。
D3.采用不同组合的惩罚系数和高斯核系数构建SVDD模型，计算决策边界对应的RCE值，寻找具有最小RCE值的最优决策边界。
进一步，步骤E具体包括：
E1.获取结构测试状态数据；
E2.将测试状态数据预处理为测试数据集，并代入已训练完成的DCVAE网络计算得到异常统计指标MSE和ORSR。
E3.通过决策函数判断测试数据集对应的异常统计指标点是否在决策边界内部，决策函数可以表示为：
f(y)＝R2-||Φ(y)-c|| (5)
如果f(y)大于0，则指标点在决策边界内，表示该测试状态为正常状态；反之，f(y)小于0，则指标点在决策边界外，表示该测试状态为异常状态。
本发明的第二方面涉及基于无监督深度学习模型DCVAE-SVDD的结构异常诊断装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现本发明的基于无监督深度学习模型DCVAE-SVDD的结构异常诊断方法。
本发明的一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现本发明的基于无监督深度学习模型DCVAE-SVDD的结构异常诊断方法。
本发明无需依赖于结构有限元模型，是通过统计模式识别技术提取对结构异常敏感的概率特征。采用无监督深度学习模型诊断异常，该模型仅需结构基准状态数据集，降低模型训练所需结构响应数据的获取难度。本发明实现对结构轻微异常状态的高精度诊断，为结构安全和结构可靠性提供保障。
本发明的优点是：第一，DCVAE网络变分潜在编码形式描述监测数据的概率分布，进而使得该无监督学习模型能够提取监测数据的概率特征。神经网络的损失函数中引入KL散度以实现对概率分布的精确估计，避免环境变化引起的数据变异性降低异常诊断的准确性。第二，利用卷积和逆卷积设计的DCVAE利用了多传感器数据之间的相关性，避免了相关特征的丢失，在特征提取方面取得了更好的性能。第三，利用DCVAE的输入输出数据构建异常统计指标，融合SVDD创建的包含基准状态下异常状态统计数据点的最小体积超球体。该模型能准确地区分结构参考状态与异常状态的异常统计指标，实现高精度的结构异常诊断。
附图说明：
图1是本发明方法的流程图；
图2是本发明监测结构尺寸示意图；
图3是本发明DCVAE框架示意图；
图4是本发明监测结构正常状态和异常状态示意图；
图5本发明的结构异常状态诊断结果图。
具体实施方式
下面结合附图对本发明的技术方案做具体说明。
实施例1
本实施例涉及基于无监督深度学习模型DCVAE-SVDD的结构异常诊断方法，如图1所示，具体包含以下步骤：
A.预采集结构基准状态数据，并构建数据集以完成之后的模型训练和效果验证；具体包括：
A1.监测结构如图2所示，在结构各层立柱顶端布置传感器，以1024Hz的频率对正常状态结构进行采样，持续采集时间为256s；
A2.预处理结构基准状态数据，使用最大-最小归一化法将数据缩放到[-1,1]范围内，从而增强网络模型的泛化能力；
A3.对归一化后的数据进行切片操作。以256个数据点为步长、256个数据点为长度的时间窗截取信号数据，生成1000个数据样本，作为训练数据集；
A4.利用切片样本构建基准状态数据集，以19：1的比例分为训练集和验证集。
B.设计隐变量维度可调的深度卷积变分自编码器(DCVAE)网络以提取信号特征；改进信号特征编码形式，采用变分编码有效表征信号的概率特征；在网络中设置卷积核和反卷积核提取结构多测点信号的时序特征和相关性特征；具体包括：
B1.DCVAE神经网络分为两个部分，分别为特征识别网络和数据生成网络；
B2.特征识别网络主要由卷积层构成，通过卷积核提取输入的多测点信号数据的时序特征和相关性特征，并输出变分形式的隐变量表示概率特征，如图3中特征识别网络部分所示；特征识别网络参数如表1所示；
表1特征识别网络设计参数
注：Conv＝卷积；BN＝批量归一化；LReLU＝LeakyReLU激活函数；Flatten＝平坦化；FC＝全连接层。
B3.数据生成网络主要由反卷积层构成，通过反卷积核将输入的重参数化隐变量生成输出数据，使其与输入数据概率分布尽可能相同，如图3中数据生成网络部分所示；数据生成网络设计参数如表2所示。
表2数据生成网络设计参数
注：UnFlatten＝逆平坦化；DeConv＝逆卷积。
B4.设计DCVAE网络框架时，将隐变量维度作为重要设计参数，以便后续根据网络特征提取和生成效果调整网络框架；
C.利用训练数据集训练DCVAE神经网络模型，并根据损伤函数最小收敛值选择最优隐变量维度数量以优化网络；计算两项异常统计指标衡量输入和输出数据特征变化程度；具体包括：
C1.设置DCVAE的损失函数，包括衡量潜在分布和真实分布差距的KL散度项与重构误差项；
C2.将训练集代入DCVAE网络进行训练，通过Adam算法优化DCVAE网络内的权值和阈值。获得每次迭代后验证集对应的损失函数值，当损失函数值收敛至最小值时，此时达到最优迭代次数；
C3.训练具有不同的隐变量维度N的DCVAE网络迭代次数，选择最小的损伤函数最小收敛值所对应的DCVAE网络设计。
C4.根据DCVAE网络的输入和输出数据获取两项异常统计指标，分别为均方误差MSE和原始-重构信号比ORSR；
D.利用基准状态下的异常统计指标数据点集构建支持向量数据描述(SVDD)模型，以识别异常统计指标中的离群值；定义相对误差指标衡量数据点集和决策边界围成的安全域之间的相似程度，以此并优化SVDD模型参数组合；具体包括：
D1.构建异常统计指标点集S＝{yi|yi＝(MSEi,ORSRi)}，代入SVDD模型构建一个最小体积的超球体平面作为决策边界；
D2.为使边界尽可能紧凑地包围基准状态下的点集，采用相对综合误差(RCE)描述决策边界围成的图形及点集的分布差异；
D3.通过尝试不同组合的惩罚系数和高斯核系数，可以计算出相应的RCE值，寻找具有最小RCE值的最优决策边界。
E.输入测试状态数据集，判断测试状态是否为异常状态。
E1.测试状态包括正常状态及发生杆件缺失的结构异常状态。测试状态0对应正常状态，测试状态1～8为异常状态，并且结构异常程度逐渐严重。测试状态具体展现在图4中，深色杆件表示该杆件缺失。利用传感器获取结构异常状态下的数据，传感器以1024Hz的频率对测试状态结构进行采样，持续采集时间为256s；
E2.将测试数据预处理为测试数据集，并代入已训练完成的DCVAE网络计算得到异常统计指标MSE和ORSR；
E3.通过决策函数判断测试数据集对应的异常统计指标点是否在决策边界内部。异常状态诊断结果展现在图5中，诊断准确率整理在表3中。
表3测试状态异常诊断结果
实施例2
本实施例涉及基于无监督深度学习模型DCVAE-SVDD的结构异常诊断装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现实施例1的基于无监督深度学习模型DCVAE-SVDD的结构异常诊断方法。
实施例3
本实施例涉及一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现实施例1的基于无监督深度学习模型DCVAE-SVDD的结构异常诊断方法。
本说明书实施案例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施案例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (8)
1.基于无监督深度学习模型DCVAE-SVDD的结构异常诊断方法，包括如下步骤：
A.预采集结构基准状态数据，并构建数据集用于模型训练和验证。
B.设计隐变量维度可调的深度卷积变分自编码器(DCVAE)网络以提取信号特征；改进信号特征编码形式，采用变分编码有效表征信号的概率特征；在网络中设置卷积核和反卷积核提取结构多测点信号的时序特征和相关性特征；
C.利用训练数据集训练DCVAE神经网络模型，并根据损伤函数最小收敛值选择最优隐变量维度数量以优化网络；计算两项异常统计指标衡量输入和输出数据特征变化程度；
D.仅利用基准状态下的异常统计指标数据点集构建支持向量数据表征模型(SVDD)，以识别异常统计指标中的离群值；定义相对误差指标衡量数据点集和决策边界围成的安全域之间的相似程度，以此并优化SVDD模型参数组合；
E.输入测试状态数据集，判断测试状态是否为异常状态。
2.如权利要求1所述的基于无监督深度学习模型DCVAE-SVDD的结构异常诊断方法，其特征在于，步骤A具体包括：
A1.通过结构健康监测系统获取多测点的结构响应信号数据，并将此时结构状态视为基准状态；
A2.预处理结构基准状态数据，使用最大-最小归一化法将数据缩放到[-1,1]范围内，从而增强网络模型的泛化能力；
A3.采用固定步长的时间窗对归一化后的数据进行切片操作；
A4.利用切片样本构建结构基准状态数据集，分为训练集和验证集。
3.如权利要求1所述的基于无监督深度学习模型DCVAE-SVDD的结构异常诊断方法，其特征在于，步骤B具体包括：
B1.DCVAE神经网络分为两个部分，分别为特征识别网络和数据生成网络；
B2.特征识别网络主要由卷积层构成，通过卷积核提取输入的多测点信号数据的时序特征和相关性特征，并输出变分形式的隐变量表示概率特征；在信号受外部条件影响具有变异性的情况下，这种变分编码仍能有效表征信号特征；
B3.数据生成网络主要由反卷积层构成，通过反卷积核将输入的重参数化隐变量生成输出数据，使其与输入数据概率分布尽可能相同；
B4.设计DCVAE网络框架时，将隐变量维度作为重要设计参数，以便后续根据网络特征提取和生成效果调整网络框架。
4.如权利要求1所述的基于无监督深度学习模型DCVAE-SVDD的结构异常诊断方法，其特征在于，步骤C具体包括：
C1.将衡量潜在分布和真实分布差距的KL散度项与重构误差项结合，作为DCVAE的损失函数，可以表示为：
其中x和分别为DCVAE的输入和输出，/>和/>分别为隐变量中第i个元素的均值和标准差，N表示隐变量的维度；
C2.将训练集代入DCVAE网络进行训练，并通过Adam优化算法将损失函数反向传播，优化DCVAE网络内的权值和阈值。每次迭代完成后，代入验证集获得损失函数值，当损失函数值收敛至最小值时，将对应的迭代次数记为最优迭代次数；
C3.对于具有不同的隐变量维度N的DCVAE网络，训练时迭代次数采用最优迭代次数，选择最小的损伤函数最小收敛值所对应的DCVAE网络设计；
C4.根据DCVAE网络的输入和输出数据获取异常统计指标均方误差MSE和原始-重构信号比ORSR。两项异常统计指标可以表示为：
其中xi和分别为DCVAE的第i个输入样本和输出样本，m为样本的总量。
5.如权利要求1所述的基于无监督深度学习模型DCVAE-SVDD的结构异常诊断方法，其特征在于，步骤D具体包括：
D1.构建异常统计指标点集S＝{yi|yi＝(MSEi,ORSRi)}，代入SVDD模型构建一个最小体积的超球体平面作为决策边界，该决策边界能够包围所有正常状态对应的点，并能将异常状态对应的点排除在外。构建最小体积的超球体平面可以表示为：
其中R表示超球体的半径，C表示惩罚系数，ξi表示第i个松弛变量，l表示松弛变量的数量，c表示超球体中心的坐标，Φ(yi)表示将yi映射到高维空间后得到的特征向量。
D2.为使边界尽可能紧凑地包围基准状态下的点集，采用相对综合误差(RCE)描述决策边界围成的图形及点集的分布差异，RCE可以表示为：
其中μMSE,μORSR表示点集在MSE和ORSR轴上平均值；σMSE,σORSR表示点集在MSE和ORSR轴上标准差；μ'MSE,μ'ORSR表示决策边界围成的图形在MSE和ORSR轴上平均值；σ'MSE,σ'ORSR表示决策边界围成的图形在MSE和ORSR轴上标准差。
D3.采用不同组合的惩罚系数和高斯核系数构建SVDD模型，计算决策边界对应的RCE值，寻找具有最小RCE值的最优决策边界。
6.如权利要求1所述的基于无监督深度学习模型DCVAE-SVDD的结构异常诊断方法，其特征在于，步骤E具体包括：
E1.获取结构测试状态数据；
E2.将测试数据预处理为测试数据集，并代入已训练完成的DCVAE网络计算得到异常统计指标MSE和ORSR。
E3.通过决策函数判断测试数据集对应的异常统计指标点是否在决策边界内部，决策函数可以表示为：
f(y)＝R2-||Φ(y)-c|| (5)
如果f(y)大于0，则指标点在决策边界内，表示该测试状态为正常状态；反之，f(y)小于0，则指标点在决策边界外，表示该测试状态为异常状态。
7.一种基于无监督深度学习模型DCVAE-SVDD的结构异常诊断装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-6中任一项所述的基于无监督深度学习模型DCVAE-SVDD的结构异常诊断方法。
8.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-6中任一项所述的基于无监督深度学习模型DCVAE-SVDD的结构异常诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311298894.2A CN117332351A (zh) | 2023-10-09 | 2023-10-09 | 基于无监督深度学习模型dcvae-svdd的结构异常诊断方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311298894.2A CN117332351A (zh) | 2023-10-09 | 2023-10-09 | 基于无监督深度学习模型dcvae-svdd的结构异常诊断方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117332351A true CN117332351A (zh) | 2024-01-02 |
Family
ID=89291319
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311298894.2A Pending CN117332351A (zh) | 2023-10-09 | 2023-10-09 | 基于无监督深度学习模型dcvae-svdd的结构异常诊断方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117332351A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563431A (zh) * | 2017-08-28 | 2018-01-09 | 西南交通大学 | 一种结合cnn迁移学习和svdd的图像异常检测方法 |
| CN111242906A (zh) * | 2020-01-06 | 2020-06-05 | 杭州电子科技大学 | 一种支持向量数据描述的胸部影像异常检测方法 |
| CN112765896A (zh) * | 2021-01-29 | 2021-05-07 | 湖南大学 | 一种基于lstm的水处理时序数据异常检测方法 |
| US20220207365A1 (en) * | 2020-12-28 | 2022-06-30 | Commissariat à l'énergie atomique et aux énergies alternatives | Method for constructing and training a detector for the presence of anomalies in a temporal signal, associated method and devices |
| CN115438692A (zh) * | 2022-08-16 | 2022-12-06 | 郑州大学 | 一种基于变分自动编码器的设备状态异常检测方法 |
| CN116187968A (zh) * | 2022-10-12 | 2023-05-30 | 国网重庆市电力公司电力科学研究院 | 变电设备状态评估方法及系统、相关设备及介质 |
-
2023
- 2023-10-09 CN CN202311298894.2A patent/CN117332351A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563431A (zh) * | 2017-08-28 | 2018-01-09 | 西南交通大学 | 一种结合cnn迁移学习和svdd的图像异常检测方法 |
| CN111242906A (zh) * | 2020-01-06 | 2020-06-05 | 杭州电子科技大学 | 一种支持向量数据描述的胸部影像异常检测方法 |
| US20220207365A1 (en) * | 2020-12-28 | 2022-06-30 | Commissariat à l'énergie atomique et aux énergies alternatives | Method for constructing and training a detector for the presence of anomalies in a temporal signal, associated method and devices |
| CN112765896A (zh) * | 2021-01-29 | 2021-05-07 | 湖南大学 | 一种基于lstm的水处理时序数据异常检测方法 |
| CN115438692A (zh) * | 2022-08-16 | 2022-12-06 | 郑州大学 | 一种基于变分自动编码器的设备状态异常检测方法 |
| CN116187968A (zh) * | 2022-10-12 | 2023-05-30 | 国网重庆市电力公司电力科学研究院 | 变电设备状态评估方法及系统、相关设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 马帜 等: "基于健康监测数据和贝叶斯网络的结构失效概率评估", 《浙江大学学报(工学版)》, vol. 57, no. 8, 31 August 2023 (2023-08-31), pages 1551 - 1561 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108052770B (zh) | 一种考虑时变效应的大跨桥梁主梁性能预警方法 | |
| CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
| CN110441065B (zh) | 基于lstm的燃气轮机在线检测方法与装置 | |
| Xia et al. | Multi-stage fault diagnosis framework for rolling bearing based on OHF Elman AdaBoost-Bagging algorithm | |
| 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 | |
| CN113743016B (zh) | 基于自编码器和回声状态网络的发动机剩余寿命预测方法 | |
| CN113919540A (zh) | 一种生产过程运行状态的监测方法及相关设备 | |
| CN116167010B (zh) | 具有智能迁移学习能力的电力系统异常事件快速识别方法 | |
| CN117033990A (zh) | 一种光伏阵列故障特征提取与建模方法 | |
| CN115510748A (zh) | 基于变分模态分解和cnn-gru的滑坡位移预测方法 | |
| CN117419828B (zh) | 基于光纤传感器的新能源电池温度监测方法 | |
| CN116627116B (zh) | 一种流程工业故障定位方法、系统及电子设备 | |
| CN117332351A (zh) | 基于无监督深度学习模型dcvae-svdd的结构异常诊断方法和装置 | |
| CN116610973A (zh) | 一种传感器故障监测及失效信息重构方法及系统 | |
| CN115344621A (zh) | 基于解缠绕网络的多变量时间序列异常检测方法及系统 | |
| CN114626482A (zh) | 基于深度学习的有源数字阵列雷达实时故障诊断方法 | |
| CN110060374B (zh) | 一种飞机燃油系统异常检测方法及装置 | |
| Zhi-hong et al. | Sensor fault diagnosis based on wavelet analysis and LSTM neural network | |
| CN116991137B (zh) | 一种面向概念漂移的可适应可解释的工控系统异常检测方法 | |
| CN113029242B (zh) | 结构健康监测系统中光纤光栅传感器异常诊断方法 | |
| CN117367751B (zh) | 超脉冲掺铥激光器的性能检测方法及装置 | |
| CN117688496B (zh) | 面向卫星遥测多维时序数据的异常诊断方法、系统及设备 | |
| Long et al. | An Outlier Fault Diagnosis Method Based on Principal Component of Entropy Weight | |
| Vogt et al. | Deep Learning Based Failure Prediction in Wind Turbines Using SCADA Data | |
| CN116467671A (zh) | 基于深度学习和mask算子的阵列传感器自适应参数检测方法 |
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 |