CN117349770B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN117349770B CN117349770B CN202311212965.2A CN202311212965A CN117349770B CN 117349770 B CN117349770 B CN 117349770B CN 202311212965 A CN202311212965 A CN 202311212965A CN 117349770 B CN117349770 B CN 117349770B
- Authority
- CN
- China
- Prior art keywords
- correlation coefficient
- data
- strain sensor
- monitoring data
- monitoring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000036541 health Effects 0.000 title claims abstract description 30
- 230000008439 repair process Effects 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 38
- 238000010586 diagram Methods 0.000 claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 230000005856 abnormality Effects 0.000 claims abstract description 16
- 238000003745 diagnosis Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000006870 function Effects 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 206010000372 Accident at work Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining 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
- 238000005457 optimization Methods 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/32—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring the deformation in a solid
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了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,该方法包括:获取多应变传感器监测数据,并依据时间窗口对其进行切片处理;计算同一时间窗口内多应变传感器监测数据间的皮尔逊相关系数、斯皮尔曼相关系数及肯德尔相关系数,构建该时间窗口的相关系数矩阵,生成相关性特征图,并输入至训练好的图卷积神经网络,实现各应变传感器监测数据的异常诊断;若诊断出某一应变传感器的监测数据异常,则选取至少一个与该应变传感器监测数据相关性强且监测数据正常的应变传感器,将其监测数据与异常监测数据一起输入至训练好的极限学习机网络,得到异常监测数据的修复数据。本发明能够实现多应变传感器监测数据的异常检测与修复。
Description
技术领域
本发明属于数据安全技术领域,具体涉及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。
背景技术
传感器是健康监测系统中采集信息的重要部件,通过对监测数据蕴含信息的评估,挖掘数据中的各种特征,对结构进行参数检测、状态监控和损伤诊断等,可以实时反映结构的运营情况,评估和预测结构安全水平及其变化规律,具有重要的理论意义和实际价值。
然而,由于外界不利环境和传感器自身的故障,传感器容易出现数据丢失、随机噪声、偏置、漂移等故障,此时传感器输出的信号会与真实信号产生偏差,如果以所测量的异常信号做后续的分析,会产生错误的结果,严重的甚至会造成工业事故。
发明内容
本发明的目的在于,提供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,解决结构健康监测多应变传感器异常数据的检测与修复问题。
本发明所采用的技术方案如下:
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,包括以下步骤:
获取多应变传感器监测数据,并依据时间窗口对其进行切片处理;
计算同一时间窗口内多应变传感器监测数据间的皮尔逊相关系数、斯皮尔曼相关系数及肯德尔相关系数,构建该时间窗口的相关系数矩阵;
将连续时间窗口的相关系数矩阵进行组合,构建一组多维相关系数矩阵;
将每个时间窗口的相关系数矩阵转换为相关性特征图,由各应变传感器作为节点,由各应变传感器监测数据间的皮尔逊相关系数、斯皮尔曼相关系数及肯德尔相关系数作为边;
将多维相关系数矩阵对应的相关性特征图输入至训练好的图卷积神经网络,实现各应变传感器监测数据的异常诊断;
若诊断出某一应变传感器的监测数据异常,则选取至少一个与该应变传感器监测数据相关性强且监测数据正常的应变传感器,将其监测数据与异常监测数据一起输入至训练好的极限学习机网络,得到异常监测数据的修复数据。
进一步的,计算相关系数之前,对所有应变传感器监测数据进行归一化处理。归一化包括:
式中,为第i个应变传感器的原始时间序列数据,/>为第i个应变传感器的原始时间序列数据的均值,xi为第i个应变传感器的归一化时间序列数据。
进一步的,相关性特征图中,若某一边的皮尔逊相关系数、斯皮尔曼相关系数及肯德尔相关系数均超出各自的预设相关系数阈值范围,则删除该边。
进一步的,根据皮尔逊相关系数、斯皮尔曼相关系数及肯德尔相关系数选取相关性强的应变传感器,或直接选取所有监测数据正常的应变传感器。
进一步的,采用三层图卷积神经网络,选择Adam方法优化图卷积神经网络的训练过程。
一种结构健康监测多应变传感器数据异常检测与修复系统,该系统包括:
异常诊断模块,用于获取多应变传感器监测数据,并依据时间窗口对其进行切片处理;计算同一时间窗口内多应变传感器监测数据间的皮尔逊相关系数、斯皮尔曼相关系数及肯德尔相关系数,构建该时间窗口的相关系数矩阵;将连续时间窗口的相关系数矩阵进行组合,构建一组多维相关系数矩阵;将每个时间窗口的相关系数矩阵转换为相关性特征图,由各应变传感器作为节点,由各应变传感器监测数据间的皮尔逊相关系数、斯皮尔曼相关系数及肯德尔相关系数作为边;将多维相关系数矩阵对应的相关性特征图输入至训练好的图卷积神经网络,实现各应变传感器监测数据的异常诊断;
异常修复模块,用于若诊断出某一应变传感器的监测数据异常,则选取至少一个与该应变传感器监测数据相关性强且监测数据正常的应变传感器,将其监测数据与异常监测数据一起输入至训练好的极限学习机网络,得到异常监测数据的修复数据。
进一步的,相关性特征图中,若某一边的皮尔逊相关系数、斯皮尔曼相关系数及肯德尔相关系数均超出各自的预设相关系数阈值范围,则删除该边。
进一步的,根据皮尔逊相关系数、斯皮尔曼相关系数及肯德尔相关系数选取相关性强的应变传感器,或直接选取所有监测数据正常的应变传感器。
一种计算机可读存储介质,存储有计算机程序,用于被处理器执行时,实现上述的结构健康监测多应变传感器数据异常检测与修复方法。
本发明与现有技术相比,具有以下优点及有益效果:
本发明在进行数据分析前,对多应变传感器的监测数据进行数据异常诊断与修复,消除监测数据中所含的系统误差和错误信息,得到监测数据中的有用信息,进而可以更好的描述结构、健康监测系统当前的状态。
附图说明
图1为结构健康监测多应变传感器数据异常检测与修复方法流程图;
图2为结构健康监测多应变传感器数据异常检测流程图;
图3为结构健康监测多应变传感器异常数据修复流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供了一种结构健康监测多应变传感器异常数据的监测及修复方法,通过计算多应变传感器监测数据间的皮尔逊相关系数、斯皮尔曼相关系数及肯德尔相关系数,构建空间相关性系数矩阵,生成空间相关性特征图;采用图卷积神经网络进行多应变传感器数据异常检测;基于相邻传感器数据间的相关性,通过极限学习机网络修复异常监测数据。本发明使得结构健康监测系统监测数据采集正常且可靠,为结构响应、评估提供可靠的数据基础。
本发明实施例的结构健康监测多应变传感器数据异常检测及修复方法,如图1所示,包括以下步骤:
获取多应变传感器监测数据,进行数据预处理;
计算传感器数据间的相关性系数,建立相关性特征图;
将相关性特征图结构数据输入图卷积神经网络,训练图卷积神经网络,实现监测数据异常诊断;
异常数据修复阶段,将相邻正常传感器数据作为极限学习机网络ELM的输入,获得目标传感器即异常数据传感器的预测值。
其中,通过判断图节点间相关性系数大小来构建拓扑结构中的边,构建出强关联性数据间的拓扑结构。相关性系数包括皮尔逊相关系数、斯皮尔曼相关系数及肯德尔相关系数,即采用皮尔逊相关系数、斯皮尔曼相关系数及肯德尔相关系数综合评估各节点之间的相似性程度。
本实施例采用三层图卷积神经网络,设置学习率和迭代次数等参数,选择Adam方法优化模型训练过程,训练模型,得出多应变传感器异常数据诊断结果,最后使用ELM算法对目标节点和其相邻节点建模以获得目标节点的预测值。
结构健康监测多应变传感器数据异常检测及修复方法,其实包括两部分,第一部分为基于图卷积神经网络的多应变传感器异常数据检测,如图2所示,包括以下步骤:
获取多应变传感器监测数据,进行归一化数据预处理,并将数据切片处理;
计算皮尔逊相关系数、斯皮尔曼相关系数及肯德尔相关系数,构建相关系数矩阵,将连续时间窗口的相关系数矩阵进行组合,构建一组多维相关系数矩阵;
根据相关系数矩阵,构建相关性特征图结构数据;
将相关性特征图结构数据随机分为训练集和测试集,输入图卷积神经网络,训练网络;
输出异常检测结果。
第二部分为基于极限学习机网络的多应变传感器异常数据修复,如图3所示,包括以下步骤:
将数据进行归一化预处理,并进行切片处理,随机分为训练集和测试集;
使用目标传感器数据及其相邻的正常传感器数据输入极限学习机网络,训练网络;
输出仿真预测结果。
第二部分中,可以根据皮尔逊相关系数、斯皮尔曼相关系数及肯德尔相关系数选取相关性强的应变传感器,然后将其监测数据与异常监测数据一并输入至训练好的极限学习机网络,甚至可以将所有监测数据正常的应变传感器的监测数据与异常监测数据一起输入至极限学习机网络,来实现异常数据的修复。通常情况下,距离越近,传感器监测数据的相关性就越强。
具体的,如图2所示,基于图卷积神经网络的异常数据检测方法包括以下过程:
采用归一化的方法将采集的传感器数据在相同的尺度进行传递,最小值变换为-1,最大值变换为1。
式中,xi为第i个传感器的归一化时间序列数据;为第i个传感器的原始时间序列数据;/>为第i个传感器的原始时间序列数据的均值。
计算皮尔逊相关系数、斯皮尔曼相关系数及肯德尔相关系数综合评估各传感器监测数据之间的相似性程度。
式中,γij为样本数据xki和xkj之间的皮尔逊相关系数值,pij为斯皮尔曼相关系数,τij为肯德尔相关系数,C表示xki和xkj中拥有一致性的元素对数,D表示xki和xkj中拥有不一致性的元素对数。i和j为传感器标号,k为一个时间窗口内传感器数据的个数,N为总个数。
需要说明的是,切片时,各传感器的监测数据需要按照同一时间窗口进行切片,以保证计算相关系数时,各传感器监测数据的时间是一致的。切片后,相邻时间窗口的传感器的时间序列数据可以有重叠,也可以没有重叠。
接着,通过计算传感器数据间的相关系数,得到一个时间窗口对应的相关系数矩阵,将连续时间窗口的相关系数矩阵进行组合,构建一组多维相关系数矩阵。
将每个相关系数矩阵转换为一个相关性特征图,根据相关系数计算传感器间的关联强度。在传感器正常模式下,相关系数在阈值范围内,则保留边;否则,则从相关性特征图中删除该边。
图卷积公式可以表示为:
式中,为图结构分解后第l个特征值;x为图的m维信号;f为卷积核;fθ为可学习的卷积核,U为图结构的特征向量矩阵。
图卷积隐含层信息传递的公式为:
式中,σ为激活函数;W(l)为权重参数矩阵;H(l)为第l层的图节点矩阵,A为邻接矩阵、IN为单位矩阵,D为度矩阵。
如图3所示,基于极限学习机网络的异常数据修复方法,包括以下计算过程:
设极限学习机的输入值为x1,x2,...,xn,输出值为y1,y2,...,ym。设输入层、隐含层和输出层的神经元的数目分别为n、l、m。设输入层与隐含层连接权值为w,输入层与隐含层的连接权值为β,隐含层阈值为b。
其中,wij表示隐含层第i个神经元与输入层第j个神经元间的权值,βjm表示隐含层第j个神经元与输出层第m个神经元之间的权值。设训练集输入为X,输出为Y。
设隐含层的神经元的激活函数为g(x),则输出Y可以表示为:
Y=Hβ
其中,H为神经网络隐含层的输出矩阵,计算公式如下:
式中,w是输入和输出之间的权重向量,g是激活函数,b是偏置向量,x是输入向量。
然后通过最小二乘法计算隐含层与输出层间的权值。
其解为:
其中,H+是隐含层输出权值矩阵H的广义逆。
得到训练好的极限学习机网络后,就可以进行异常数据修复。
本发明还提供一种结构健康监测多应变传感器数据异常检测与修复系统,该系统包括:
异常诊断模块,用于获取多应变传感器监测数据,并依据时间窗口对其进行切片处理;计算同一时间窗口内多应变传感器监测数据间的皮尔逊相关系数、斯皮尔曼相关系数及肯德尔相关系数,构建该时间窗口的相关系数矩阵;将连续时间窗口的相关系数矩阵进行组合,构建一组多维相关系数矩阵;将每个时间窗口的相关系数矩阵转换为相关性特征图,由各应变传感器作为节点,由各应变传感器监测数据间的皮尔逊相关系数、斯皮尔曼相关系数及肯德尔相关系数作为边;将多维相关系数矩阵对应的相关性特征图输入至训练好的图卷积神经网络,实现各应变传感器监测数据的异常诊断;
异常修复模块,用于若诊断出某一应变传感器的监测数据异常,则选取一个与该应变传感器监测数据相关性强且监测数据正常的应变传感器,将二者的监测数据输入至训练好的极限学习机网络,得到异常监测数据的修复数据。
进一步的,相关性特征图中,若某一边的皮尔逊相关系数、斯皮尔曼相关系数及肯德尔相关系数均超出各自的预设相关系数阈值范围,则删除该边。
进一步的,根据皮尔逊相关系数、斯皮尔曼相关系数及肯德尔相关系数选取相关性强的应变传感器。
最后,本发明提供一种计算机可读存储介质,存储有计算机程序,用于被处理器执行时,实现上述的结构健康监测多应变传感器数据异常检测与修复方法。
综上所述,本发明在进行数据分析前,对多应变传感器的监测数据进行数据异常诊断与修复,消除监测数据中所含的系统误差和错误信息,得到监测数据中的有用信息,进而可以更好的描述结构、健康监测系统当前的状态。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、系统、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要指出,根据实施的需要,可将本申请中描述的各个步骤/部件拆分为更多步骤/部件,也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件,以实现本发明的目的。
本领域的技术人员容易理解,以上仅为本发明的较佳实施例而已,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (10)
1.一种结构健康监测多应变传感器数据异常检测与修复方法,其特征在于,包括以下步骤:
获取多应变传感器监测数据,并依据时间窗口对其进行切片处理;
计算同一时间窗口内多应变传感器监测数据间的皮尔逊相关系数、斯皮尔曼相关系数及肯德尔相关系数,构建该时间窗口的相关系数矩阵;
将连续时间窗口的相关系数矩阵进行组合,构建一组多维相关系数矩阵;
将每个时间窗口的相关系数矩阵转换为相关性特征图,由各应变传感器作为节点,由各应变传感器监测数据间的皮尔逊相关系数、斯皮尔曼相关系数及肯德尔相关系数作为边;
将多维相关系数矩阵对应的相关性特征图输入至训练好的图卷积神经网络,实现各应变传感器监测数据的异常诊断;
若诊断出某一应变传感器的监测数据异常,则选取至少一个与该应变传感器监测数据相关性强且监测数据正常的应变传感器,将其监测数据与异常监测数据一起输入至训练好的极限学习机网络,得到异常监测数据的修复数据。
2.根据权利要求1所述的结构健康监测多应变传感器数据异常检测与修复方法,其特征在于,计算相关系数之前,对所有应变传感器监测数据进行归一化处理。
3.根据权利要求2所述的结构健康监测多应变传感器数据异常检测与修复方法,其特征在于,归一化包括:
式中,为第i个应变传感器的原始时间序列数据,/>为第i个应变传感器的原始时间序列数据的均值,xi为第i个应变传感器的归一化时间序列数据。
4.根据权利要求1所述的结构健康监测多应变传感器数据异常检测与修复方法,其特征在于,相关性特征图中,若某一边的皮尔逊相关系数、斯皮尔曼相关系数及肯德尔相关系数均超出各自的预设相关系数阈值范围,则删除该边。
5.根据权利要求1所述的结构健康监测多应变传感器数据异常检测与修复方法,其特征在于,根据皮尔逊相关系数、斯皮尔曼相关系数及肯德尔相关系数选取相关性强的应变传感器,或直接选取所有监测数据正常的应变传感器。
6.根据权利要求1所述的结构健康监测多应变传感器数据异常检测与修复方法,其特征在于,采用三层图卷积神经网络,选择Adam方法优化图卷积神经网络的训练过程。
7.一种结构健康监测多应变传感器数据异常检测与修复系统,其特征在于,该系统包括:
异常诊断模块,用于获取多应变传感器监测数据,并依据时间窗口对其进行切片处理;计算同一时间窗口内多应变传感器监测数据间的皮尔逊相关系数、斯皮尔曼相关系数及肯德尔相关系数,构建该时间窗口的相关系数矩阵;将连续时间窗口的相关系数矩阵进行组合,构建一组多维相关系数矩阵;将每个时间窗口的相关系数矩阵转换为相关性特征图,由各应变传感器作为节点,由各应变传感器监测数据间的皮尔逊相关系数、斯皮尔曼相关系数及肯德尔相关系数作为边;将多维相关系数矩阵对应的相关性特征图输入至训练好的图卷积神经网络,实现各应变传感器监测数据的异常诊断;
异常修复模块,用于若诊断出某一应变传感器的监测数据异常,则选取至少一个与该应变传感器监测数据相关性强且监测数据正常的应变传感器,将其监测数据与异常监测数据一起输入至训练好的极限学习机网络,得到异常监测数据的修复数据。
8.根据权利要求7所述的结构健康监测多应变传感器数据异常检测与修复系统,其特征在于,相关性特征图中,若某一边的皮尔逊相关系数、斯皮尔曼相关系数及肯德尔相关系数均超出各自的预设相关系数阈值范围,则删除该边。
9.根据权利要求7所述的结构健康监测多应变传感器数据异常检测与修复系统,其特征在于,根据皮尔逊相关系数、斯皮尔曼相关系数及肯德尔相关系数选取相关性强的应变传感器,或直接选取所有监测数据正常的应变传感器。
10.一种计算机可读存储介质,其特征在于,存储有计算机程序,用于被处理器执行时,实现权利要求1至6中任意一项所述的结构健康监测多应变传感器数据异常检测与修复方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311212965.2A CN117349770B (zh) | 2023-09-19 | 2023-09-19 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311212965.2A CN117349770B (zh) | 2023-09-19 | 2023-09-19 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117349770A CN117349770A (zh) | 2024-01-05 |
CN117349770B true CN117349770B (zh) | 2024-05-14 |
Family
ID=89364178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311212965.2A Active CN117349770B (zh) | 2023-09-19 | 2023-09-19 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117349770B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011763A (zh) * | 2021-03-29 | 2021-06-22 | 华南理工大学 | 一种基于时空图卷积注意力的桥梁损伤识别方法 |
CN114417991A (zh) * | 2022-01-13 | 2022-04-29 | 哈尔滨工业大学 | 基于时空注意力网络的缺失结构健康监测数据恢复方法 |
CN114881115A (zh) * | 2022-04-02 | 2022-08-09 | 中国科学院计算技术研究所 | 一种基于图神经网络的多变量时间序列异常检测方法及系统 |
CN115018021A (zh) * | 2022-08-08 | 2022-09-06 | 广东电网有限责任公司肇庆供电局 | 基于图结构与异常注意力机制的机房异常检测方法及装置 |
CN115052304A (zh) * | 2022-05-24 | 2022-09-13 | 浙江大学 | 基于gcn-lstm的工业传感网络异常数据检测方法 |
CN115098563A (zh) * | 2022-07-14 | 2022-09-23 | 中国海洋大学 | 基于gcn和注意力vae的时序异常检测方法及系统 |
CN115200850A (zh) * | 2022-07-19 | 2022-10-18 | 西安交通大学 | 多测点样本结构信息显式表征下的机械设备异常检测方法 |
CN115293280A (zh) * | 2022-08-17 | 2022-11-04 | 西安交通大学 | 基于时空特征分割重构的动力装备系统异常检测方法 |
CN115714674A (zh) * | 2022-10-31 | 2023-02-24 | 国家电网有限公司信息通信分公司 | 一种针对云网络资源状态的异常检测方法及系统 |
CN115950609A (zh) * | 2022-12-01 | 2023-04-11 | 西安公路研究院有限公司 | 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 |
WO2023159574A1 (zh) * | 2022-02-28 | 2023-08-31 | 西门子股份公司 | 异常检测方法、装置、计算机可读介质和电子装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11494787B2 (en) * | 2020-06-30 | 2022-11-08 | Optum, Inc. | Graph convolutional anomaly detection |
-
2023
- 2023-09-19 CN CN202311212965.2A patent/CN117349770B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011763A (zh) * | 2021-03-29 | 2021-06-22 | 华南理工大学 | 一种基于时空图卷积注意力的桥梁损伤识别方法 |
CN114417991A (zh) * | 2022-01-13 | 2022-04-29 | 哈尔滨工业大学 | 基于时空注意力网络的缺失结构健康监测数据恢复方法 |
WO2023159574A1 (zh) * | 2022-02-28 | 2023-08-31 | 西门子股份公司 | 异常检测方法、装置、计算机可读介质和电子装置 |
CN114881115A (zh) * | 2022-04-02 | 2022-08-09 | 中国科学院计算技术研究所 | 一种基于图神经网络的多变量时间序列异常检测方法及系统 |
CN115052304A (zh) * | 2022-05-24 | 2022-09-13 | 浙江大学 | 基于gcn-lstm的工业传感网络异常数据检测方法 |
CN115098563A (zh) * | 2022-07-14 | 2022-09-23 | 中国海洋大学 | 基于gcn和注意力vae的时序异常检测方法及系统 |
CN115200850A (zh) * | 2022-07-19 | 2022-10-18 | 西安交通大学 | 多测点样本结构信息显式表征下的机械设备异常检测方法 |
CN115018021A (zh) * | 2022-08-08 | 2022-09-06 | 广东电网有限责任公司肇庆供电局 | 基于图结构与异常注意力机制的机房异常检测方法及装置 |
CN115293280A (zh) * | 2022-08-17 | 2022-11-04 | 西安交通大学 | 基于时空特征分割重构的动力装备系统异常检测方法 |
CN115714674A (zh) * | 2022-10-31 | 2023-02-24 | 国家电网有限公司信息通信分公司 | 一种针对云网络资源状态的异常检测方法及系统 |
CN115950609A (zh) * | 2022-12-01 | 2023-04-11 | 西安公路研究院有限公司 | 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 |
Non-Patent Citations (1)
Title |
---|
《A Novel Structural Damage Detectoin Method via Multisensor Spatial-Temporal Graph-Based Features and Deep Graph Convolutional Network》;Pengming Zhan;《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》;20230131;1-14 * |
Also Published As
Publication number | Publication date |
---|---|
CN117349770A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11921566B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
Yi et al. | Development of sensor validation methodologies for structural health monitoring: A comprehensive review | |
Eftekhar Azam et al. | Damage detection in structural systems utilizing artificial neural networks and proper orthogonal decomposition | |
CN108960303B (zh) | 一种基于lstm的无人机飞行数据异常检测方法 | |
EP2342603B1 (en) | Method and apparatus for creating state estimation models in machine condition monitoring | |
CN101295177B (zh) | 用于检测传感器采样流中的变化的方法和系统 | |
CN114757309A (zh) | 多物理场监测数据协同融合的工程灾害预警方法及系统 | |
Zio et al. | Failure and reliability predictions by infinite impulse response locally recurrent neural networks | |
US11423321B2 (en) | Method and system for predicting system status | |
Kourd et al. | Fault diagnosis based on neural networks and decision trees: application to DAMADICS | |
CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
CN112465045A (zh) | 一种基于孪生神经网络的供应链例外事件检测方法 | |
CN112668526A (zh) | 基于深度学习和压电主动传感的螺栓群松动定位监测方法 | |
CN116481791A (zh) | 钢结构连接稳定性监测系统及其方法 | |
CN114091600B (zh) | 一种数据驱动的卫星关联故障传播路径辨识方法及系统 | |
CN111079348A (zh) | 一种缓变信号检测方法和装置 | |
CN116700206B (zh) | 基于多模态神经网络的工业控制系统异常检测方法及装置 | |
CN112418460A (zh) | 工程车辆的故障诊断方法和故障诊断装置 | |
CN117349770B (zh) | 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 | |
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 | |
CN116907772A (zh) | 桥梁结构监测传感器的自诊断与故障源鉴别方法及系统 | |
Dervilis et al. | Damage detection in carbon composite material typical of wind turbine blades using auto-associative neural networks | |
CN113032458A (zh) | 航天器的异常确定方法及装置 | |
Bornn et al. | Modeling and diagnosis of structural systems through sparse dynamic graphical models | |
Wang et al. | Complex equipment diagnostic reasoning based on neural network algorithm |
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 |