分布式结构振动监测数据智能化报警与恢复方法技术

本发明专利技术公开了一种分布式结构振动监测数据智能化报警与恢复方法，涉及结构健康监测领域，在数据识别与评估中使用了计算机图像视觉识别技术，提高了监测数据单次扫描的视野、扩展了数据的几何特征，故可以快速、高效地实现分布式结构振动监测数据的特征提取、识别、报警，识别时间较传统数据时频域分析方法更短，识别准确度更高；采用两种自编码器结构实现异常数据的恢复，兼顾了单一测点的规律与组网型多传感器之间的信息关联性，所恢复的数据较现有技术更符合实际测量数据。有技术更符合实际测量数据。有技术更符合实际测量数据。

【技术实现步骤摘要】
分布式结构振动监测数据智能化报警与恢复方法


[0001]本专利技术涉及结构健康监测领域，具体涉及一种分布式结构振动监测数据智能化报警与恢复方法。
[0002]
技术介绍

[0003]随着城市基础设施建设日趋完善，对建筑、桥梁、隧道等结构的管理逐渐由规划建设阶段转向运维管控阶段。对于城市中跨江跨河桥梁与隧道、综合管廊等保障群众基本生活与防灾减灾应急避难场所的重要生命线结构，城市管理单位与工程技术人员通过在结构中布设结构健康监测系统，实时获取结构的动力响应与环境状况，并通过由多个分布式振动传感器集成的监测平台将结构的安全状态及时传递至设施的管养单位，缩短结构的维护巡查周期，为结构的长期安全可靠提供保障。由于突发灾害（包括地震、火灾、船撞、交通事故等）与传感系统的故障，海量动态监测数据往往会发现异常，包括数据突变、漂移、超限等。根据上述异常，技术人员可以研判结构与传感器的异常状况并制定检修方案。
[0004]现有相关技术中，结构健康监测系统可以识别异常并进行及时报警，但无法直接区分异常数据的成因，混淆由灾害导致的数据异常与设备故障导致的异常。
[0005]一些已有专利技术，如《一种单点地下结构健康监测系统及方法》中，将监测数据输入云平台进行处理与评估，通过阈值判断监测值得安全状况；《一种建筑结构健康监测系统》中，通过对监测的数据进行滤波，排除了由设备引起的噪声、跳点等问题，虽然一定程度上提高了数据的准确性与复杂性，但是仍无法完全区分由灾害导致的数据异常与设备故障导致的异常，影响监测系统中数据的完整性与多传感器协同动力分析的准确度。
[0006]针对监测数据的安全评估需要使用所有分布式传感器获取的数据，单一传感器故障导致的异常会导致结构状态评估的原始数据不完整，影响评估与决策结果。在分布式传感器集成的大型连续体结构的状态评估中，这种单一传感器的数据缺失与数据不完整会影响不同测点间的评估不完整，甚至出现误判的情况。
[0007]
技术实现思路

[0008]为解决上述技术问题，本专利技术提出一种分布式动态数据智能化报警与恢复方法，用于城市生命线结构健康监测系统，旨在区分由不同成因导致的异常数据并进行智能化报警，同时恢复异常数据，确保分布式健康监测系统的数据完整与一致。本专利技术方法可以快速、高效地实现分布式结构振动监测数据的特征提取、识别、报警，识别时间较传统数据时频域分析方法更短，识别准确度更高，采用两种自编码器结构实现异常数据的恢复，兼顾了单一测点的规律与组网型多传感器之间的信息关联性，故所恢复的数据较现有技术更符合实际测量数据。
[0009]为了实现上述技术目的，本专利技术采用如下技术手段：一种分布式结构振动监测数据智能化报警与恢复方法，包括以下步骤：第一步，获取分布式结构健康监测系统中不同位置传感器的振动监测数据，并分别实时绘制n个传感器振动数据的振动图像；第二步，采用图像视觉识别检测器识别并定位存在异常的位置，识别定位后截取对应异常时刻各个传感器的监测数据段切片，切片的长度不小于10倍的传感器采样频率；图像视觉识别检测器根据异常性质将切片数据分为传感器异常数据与结构灾变数据；第三步，对于分类为灾变数据的切片数据，对损伤传感器数据切片与其他传感器对应时刻数据切片分别进行小波变换，并绘制其时频图谱后输入时频视觉识别器识别灾害的风险程度，超过风险阈值即做出报警；第四步，对于分类为传感器异常的切片数据，将损伤传感器数据切片与其他传感器对应时刻数据切片直接输入分布式振动数据智能重建编码器进行重构，实现异常缺损数据的恢复。
[0010]进一步的，步骤二中，所述图像视觉识别检测器采用黑白图像智能分割算法，输入图片为振动数据的黑白图像，算法架构包括图像特征提取框架、特征学习策略；图像特征提取框架由黑白1通道二维卷积神经网络搭建，该框架中输出层设有分类器，可对输入振动数据的图像进行分类，输出包含2个数的向量，分别代表异常数据与结构灾变数据的判断概率值，取两者较大值为分类结果；特征学习策略是在现场监测振动数据图像的深度学习中引入注意力机制，提高振动数据学习的效率与拟合精度，对算法输入已标定的正常振动数据、异常振动数据与灾变振动数据进行分类学习，各段输入数据的持续时间为10~20秒，正常数据数量不少于2000条，异常振动数据不少于500条；完成训练后进行异常检测提取，异常检测提取是针对实测数据图像进行的实时异常检测定位，定位后形成切片加窗函数，采用加窗函数对异常传感器以及其他传感器对应时段的监测数据进行切片，切片后输出异常传感器W与其他n
‑
1个传感器对应位置的数据形成的数组。
[0011]进一步的，所述时频视觉识别器采用彩色图像智能分割算法，输入图片为切片数据的小波频谱彩色热力图像，算法架构包括图像特征提取框架与特征学习策略，图像特征提取框架由3通道RGB二维卷积神经网络搭建；特征学习策略是针对不同标签的数据集进行多分类，并引入注意力机制，提高振动数据学习的效率与拟合精度；时频视觉识别器由上述框架经过训练图像集的训练生成，训练图像集获得方法为：（1）选取原始数据集，原始数据集为目前已有记录的与被测地区地质条件相似的天然地震波，用于训练的天然地震波数量不少于100条，有效地震动时间不少于20秒，将数据集归一化后进行调幅，调幅系数为：0.01g，0.05g，0.1g，0.2g，0.3g，0.4g，0.5g，对应灾变的1
‑
7级，每条天然地震波生成7条对应的调幅数据；（2）绘制热力频谱，将原始数据集的各条数据进行小波变换后绘制热力图像，将图
像按照对应调幅系数进行标记，生成训练图像集；将实时实测的振动数据进行小波变换并绘制频谱后输入时频视觉识别器，对输入频谱图像的对应数据的灾害的风险程度进行1
‑
7级判断。
[0012]所述分布式振动数据智能重建编码器中包括异常传感器数据预恢复模块与多通道数据整体重建模块，其中，异常传感器数据预恢复模块采用全连接1通道自编码器实现，n个传感器分别有一个对应的自编码器，每个自编码器由各传感器正常运营期间的振动数据训练而成，训练长度与切片加窗函数的切片长度相同，训练数据量不少于2000条，训练过程中采用Dropout层提高自编码器的泛化能力，训练后的自编码器可以将异常数据段预恢复为具有平稳振动特征的数据；多通道数据整体重建模块主要将上述预恢复的数据与其他通道的实时正常数据进行重组重建，由此生成具有结构特征的重建数据，本模块采用n通道二维卷积自编码器实现，卷积自编码器训练时输入数据为n个传感器的无时间滞后的正常振动数据，编号为1,2,3
…
n，n为正整数，训练长度与切片加窗函数的切片长度相同，训练数据量不少于2000条，训练过程中采用跳跃采样的方式进行卷积核上采样与下采样，实测数据重建时，按照训练时各通道数据的排列顺序排列正常数据通道切片段与预恢复的异常通道数据切片段，经过卷积自编码器的特征提取与重建，完成数据的恢复。
[0013]进一步的，所述振动监测数据包括速度、加速度和位移。
[0014]有益效果：本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分布式结构振动监测数据智能化报警与恢复方法，其特征在于，包括以下步骤：第一步，获取分布式结构健康监测系统中不同位置传感器的振动监测数据，并分别实时绘制n个传感器振动数据的振动图像；第二步，采用图像视觉识别检测器识别并定位存在异常的位置，识别定位后截取对应异常时刻各个传感器的监测数据段切片，切片的长度不小于10倍的传感器采样频率；图像视觉识别检测器根据异常性质将切片数据分为传感器异常数据与结构灾变数据；第三步，对于分类为灾变数据的切片数据，对损伤传感器数据切片与其他传感器对应时刻数据切片分别进行小波变换，并绘制其时频图谱后输入时频视觉识别器识别灾害的风险程度，超过风险阈值即做出报警；第四步，对于分类为传感器异常的切片数据，将损伤传感器数据切片与其他传感器对应时刻数据切片直接输入分布式振动数据智能重建编码器进行重构，实现异常缺损数据的恢复。2.根据权利要求1所述的分布式结构振动监测数据智能化报警与恢复方法，其特征在于， 步骤二中，所述图像视觉识别检测器采用黑白图像智能分割算法，输入图片为振动数据的黑白图像，算法架构包括图像特征提取框架、特征学习策略；图像特征提取框架由黑白1通道二维卷积神经网络搭建，该框架中输出层设有分类器，可对输入振动数据的图像进行分类，输出包含2个数的向量，分别代表异常数据与结构灾变数据的判断概率值，取两者较大值为分类结果；特征学习策略是在现场监测振动数据图像的深度学习中引入注意力机制，提高振动数据学习的效率与拟合精度，对算法输入已标定的正常振动数据、异常振动数据与灾变振动数据进行分类学习，各段输入数据的持续时间为10~20秒，正常数据数量不少于2000条，异常振动数据不少于500条；完成训练后进行异常检测提取，异常检测提取是针对实测数据图像进行的实时异常检测定位，定位后形成切片加窗函数，采用加窗函数对异常传感器以及其他传感器对应时段的监测数据进行切片，切片后输出异常传感器W与其他n
‑
1个传感器对应位置的数据形成的数组。3.根据权利要求1所述的分布式结构振动监测数据智能化报警与恢复方法，其特征在于，所述时频视觉识别器采用彩色图像智能分割算法，输入图片为切片数据的小波频谱彩色热力图像，算法架构包括图像特征提取框架与特征学习策略，图像特征提取框架由3通道RGB二维卷积神经网络搭建；特征学习策略...

【专利技术属性】
技术研发人员：史明霞，张敏特，郭彤，
申请(专利权)人：东南大学，
类型：发明
国别省市：