【技术实现步骤摘要】
本专利技术涉及结构健康监测，特别是一种压缩感知与增强上下文编码器驱动的shm数据重构方法。
技术介绍
1、海量数据的采集和存储，促使故障预测与健康管理(prognostics healthmanagement,phm)研究进入了大数据时代。基础结构与机械设备的状态监测数据包含了丰富的健康状态信息，为结构健康监测(structural health monitoring,shm)提供了新的机遇。由于现代shm中数据采集、传输和存储的环境十分复杂，导致获取的数据具有速度快、大规模、低质量、类型杂和低密度五大特征，这给健康状态信息的提取带来较大困难。特别是低质量的数据显著降低了shm结果的可靠性。
2、因此，数据质量保障成为大数据背景下shm面临的新的挑战。一般来说，数据质量包括四个方面：准确性、完整性、时效性和一致性。准确性表示监测数据是否能准确反映目标对象的响应信号；完整性衡量数据的连续性，包括数据记录周期是否完整以及数据值是否缺失；时效性性描述了数据采集在及时捕获结构设备当前健康状态方面的有效性；一致性评估数据源、格式和结构的一致性。在工程实践中，数据质量下降的原因可以概括为：1)服役环境恶劣，基础结构与机械设备容易受到各种干扰的影响。此外，不规范的数据采集，例如传感器标定有误或量程设置不当，可能会导致异常值、噪声和其他异常数据，从而降低数据准确性。2)数据采集设备故障，如传感器脱落、cpu损坏、网络中断等，都可能导致数据丢失。在此期间，数据将被记录为“null值”、“nan”或接近/等于零的值，这将影响数据的完整性
3、总之，一些不可避免的干扰严重降低了数据质量并增加了与shm研究相关的挑战。在大数据的推动下，基于深度学习的算法在shm研究中表现出独特的优势与突破性的进展。然而，这些方法无法评估数据质量，并且存在“垃圾进，垃圾出”的缺点。由低质量shm数据得出的结论可能不正确甚至具有误导性。因此，数据质量保证研究对于获得可靠的shm结果非常重要。有学者指出数据清洗和数据重构是提高数据质量的重要研究。在之前的研究中，提出了一种自适应异常数据检测方法来执行数据清洗任务。然而，仅靠这种数据清洗策略无法获得全面的健康信息，因为缺失的内容可能会破坏shm数据的时序结构。
4、传统的缺失数据恢复方法通常包括回归、插值、拟合和填充等方法，利用局部数据的先验信息提取全局数据的分布模式，并根据一些统计特征来估计缺失的数据。然而，这些方法往往需要求解大量高维方程，在处理大数据时甚至可能发生维度灾难造成系统崩溃。此外，这些方法无法分析数据结构与属性之间的耦合关系，可能导致恢复效果较差。压缩感知(compression sensing,cs)是一种被广泛使用地精确数据重构方法，旨在从少量的随机抽样样本中提取原始信号的重要信息。换句话说，cs可以将不完整的缺失数据重构为完整的原始信号。因此，cs在shm数据分析中受到了广泛的关注和应用。bao等深入研究了基于cs的土木结构加速度信号确实数据恢复问题，他们通过几个实际案例讨论了影响数据重构性能的关键因素，并指出了未来研究中需要解决的问题。对于声发射信号，song等提出了一种改进的基于cs的稀疏度自适应匹配追踪重构方法，为铁路钢轨phm提供了有益指导。cheng和lu对路面不平顺信号进行了研究，他们基于改进的模拟退火算法和数据重构黄金分割法开发了两种cs算法。对于超声信号，sawant等人提出了一种基于cs的缺失数据重构性能评估框架，其将cs扩展了无损phm领域。此外，li等分别在理论和实验层面定量地证明了cs在重构机电导纳信号方面的有效性和鲁棒性。对于自然界中的风速信号，wan等采用时移策略对大尺度空间结构进行了基于cs的phm研究。可以看出，cs在各个领域都取得了成功的探索。然而，cs在真实数据上的实际实施受到严格的随机性和稀疏性假设以及昂贵的重建过程的限制。由于基础结构与机械设备的服役环境往往较为恶劣，实际数据通常不够稀疏。传统的域变换方法在进行信号稀疏分解时的性能欠佳。此外，大多数shm数据重构场景无法满足随机采样的要求，因为待重构的缺失数据一般是连续分布在测量信号中，而不是随机分布的。此外，重构过程通常由复杂的迭代计算完成，非常耗时，例如使用cs方法重建长度为3000点的信号需要100秒以上的计算时间。因此，基于cs的方法无法实现准确、快速和鲁棒的数据重构，特别是对于高频shm数据。
5、幸运地是，由于深度学习(deep learning,dl)优越的端到端的学习能力，可以直接从已知的低分辨率和高分辨率样本集中得到特征映射模式。这可以消除依赖未知样本稀疏性的需要，消除对随机采样和稀疏性的依赖。例如，kulkarni等开发了一种基于dl的reconnet架构，该架构将cs测量作为输入，并以非迭代的方式输出重构结果。实验证明reconnet比cs算法具有更好的重构质量和运行效率。他们进一步提出了reconnet的变体架构，使用对抗损失来提高重建质量。同样，bora等人提出了一种基于生成模型的cs方案，与现有模型相比，该算法具有更好的重构性能。在这些深度学习网络中，生成对抗网络(generative adversarial networks,gans)可以获得非常详细的高频纹理，从而获得最好的恢复效果。一个典型的例子是上下文编码器(context encoders,ce)，这是一种基于上下文像素预测的特征学习方法，在恢复缺失数据方面表现优异。也有一些重构模型在其他领域相继出现，可以认为是基于ce的进一步应用与扩展。然而，上述文献大多侧重于图像，而没有解决一维信号，如shm数据。此外，其他领域用于恢复一维信号的方法可能不适用于shm数据。其中一个原因是，这些方法往往只在时域内获得良好的结果，而忽略了频域信息的重要性。鉴于基于ce的cs在各个领域的数据重构中的优势，以及它们在一维信号中的实际局限性。
6、综上，对缺失数据进行重构恢复以提高数据质量对于结构健康监测(structuralhealth monitoring,shm)具有重要意义。现有的缺失数据重构方法通常受限于严格的数学假设，例如信号的稀疏性和随机采样过程，加上较高的计算成本，使得它们对shm数据重构任务的适应性很差。
技术实现思路
1、为解决现有技术中存在的问题，本专利技术的目的是提供一种压缩感知与增强上下文编码器驱动的shm数据重构方法，本专利技术针对缺失数据的重构恢复，以对数据质量保障这一应用基础问题提供闭环的解决方案，用于shm数据质量的保障。
2、为实现上述目的，本专利技术采用的技术方案是：一种压缩感知与增强上下文编码器驱动的shm数据重构方法，包括以下步骤：
3、步骤1、基于压缩感知和上下文编码器基本理论构建用于shm数据重构的cs-ece模型本文档来自技高网...
【技术保护点】
1.一种压缩感知与增强上下文编码器驱动的SHM数据重构方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的压缩感知与增强上下文编码器驱动的SHM数据重构方法，其特征在于，所述生成器G包括具有多个堆叠卷积层的编码器和具有多个相应转置卷积层的解码器，编码器和解码器之间设有通道全连接层，且在每个卷积或转置卷积层之后设置有激活函数层和批量归一化层；编码器的堆叠卷积层用于从输入的压缩信号y中提取高级抽象特征，然后通过组合解码器建立预测对象的特征；通道全连接层用于使卷积层只在所有特征图之间建立连接，而不能链接给定特征图内的所有节点，以及用于用更少的参数在每个特征映射的激活中跨通道传播信息。
3.根据权利要求2所述的压缩感知与增强上下文编码器驱动的SHM数据重构方法，其特征在于，所述鉴别器D包括五个卷积层，随后是一个展平层和两个全连接层；鉴别器D接收重构信号或原始信号x作为输入，使用具有Sigmoid激活用于二元分类的输出，用于判断每个输入是由G生成的重构信号还是真实信号x。
4.根据权利要求1所述的压缩感知与增强上下文编码器驱动的SHM数据重构方法，
5.根据权利要求3所述的压缩感知与增强上下文编码器驱动的SHM数据重构方法，其特征在于，在CS-ECE模型中，鉴别器D的损失函数为原始信号x和恢复信号G(y)之间的交叉熵：
6.根据权利要求5所述的压缩感知与增强上下文编码器驱动的SHM数据重构方法，其特征在于，还包括：
...【技术特征摘要】
1.一种压缩感知与增强上下文编码器驱动的shm数据重构方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的压缩感知与增强上下文编码器驱动的shm数据重构方法，其特征在于，所述生成器g包括具有多个堆叠卷积层的编码器和具有多个相应转置卷积层的解码器，编码器和解码器之间设有通道全连接层，且在每个卷积或转置卷积层之后设置有激活函数层和批量归一化层；编码器的堆叠卷积层用于从输入的压缩信号y中提取高级抽象特征，然后通过组合解码器建立预测对象的特征；通道全连接层用于使卷积层只在所有特征图之间建立连接，而不能链接给定特征图内的所有节点，以及用于用更少的参数在每个特征映射的激活中跨通道传播信息。
3.根据权利要求2所述的压缩感知与增强上下文编码器驱动的shm数据...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。