[發(fā)明專利]基于深度學習確定橋梁健康監(jiān)測系統(tǒng)異常數(shù)據(jù)來源的方法

有效

• 申請?zhí)枺?/td>: 201811460039.6
• 申請日: 2018-11-30
• 公開（公告）號: CN109583570B
• 公開（公告）日: 2022-11-29
• 發(fā)明（設(shè)計）人: 劉綱;李立力;蔣偉;高凱;李青;王驚華;唐偉
• 申請（專利權(quán)）人: 重慶大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 重慶強大凱創(chuàng)專利代理事務(wù)所(普通合伙) 50217
• 代理人: 趙玉乾

1.基于深度學習確定橋梁健康監(jiān)測系統(tǒng)異常數(shù)據(jù)來源的方法，其特征在于，包括：

定義橋梁的子結(jié)構(gòu)，所述子結(jié)構(gòu)為連續(xù)梁中的一跨或框架結(jié)構(gòu)中某一桿件單元；

采集各子結(jié)構(gòu)以及各子結(jié)構(gòu)上的傳感器均處于健康狀態(tài)的時間段內(nèi)，各個傳感器的輸出數(shù)據(jù)序列作為相應(yīng)傳感器的訓練樣本集；

構(gòu)建含有LSTM層的長短時記憶神經(jīng)網(wǎng)絡(luò)，利用所述訓練樣本集對所述長短時記憶神經(jīng)網(wǎng)絡(luò)進行訓練，并計算訓練樣本集中每一觀測值與預(yù)測值之間的殘差，形成殘差序列，并以該殘差序列的均值及方差根據(jù)拉依達準則確定各傳感器的故障閾值；所述長短時記憶神經(jīng)網(wǎng)絡(luò)中，依次包括一輸入層、一隱藏層、一LSTM層、二隱藏層及一輸出層；

采集一抽樣時間段內(nèi)各個子結(jié)構(gòu)上所有傳感器的輸出數(shù)據(jù)序列，并將該輸出數(shù)據(jù)序列輸入到各傳感器所對應(yīng)的訓練好的長短時記憶神經(jīng)網(wǎng)絡(luò)進行預(yù)測，計算該輸出數(shù)據(jù)序列的殘差序列；

將計算所得殘差序列與各傳感器的故障閾值進行比較，如果該殘差序列中，未超過故障閾值的占比高于設(shè)定的置信度，則認為輸出數(shù)據(jù)序列正常；反之，則認為輸出數(shù)據(jù)序列異常；

如果同一個子結(jié)構(gòu)中的所有傳感器的輸出數(shù)據(jù)序列均異常則認為結(jié)構(gòu)損傷，如單個傳感器數(shù)據(jù)異常則認為傳感器故障；

其中，構(gòu)建含有LSTM層的長短時記憶神經(jīng)網(wǎng)絡(luò)，利用所述訓練樣本集對所述長短時記憶神經(jīng)網(wǎng)絡(luò)進行訓練包括：將所述訓練樣本集中的訓練樣本分為多個批次輸入所述長短時記憶神經(jīng)網(wǎng)絡(luò)進行訓練，每一批次的訓練樣本數(shù)逐次增加；且在后一批次中的訓練樣本，包含在前一批次的所有訓練樣本，直至最后一個批次輸入所有的訓練樣本。

2.根據(jù)權(quán)利要求1所述的基于深度學習確定橋梁健康監(jiān)測系統(tǒng)異常數(shù)據(jù)來源的方法，其特征在于：所述長短時記憶神經(jīng)網(wǎng)絡(luò)中LSTM層內(nèi)的記憶模塊具體設(shè)置如下：

LSTM層的記憶模塊包括輸入門層、忘記門層、更新門層以及輸出門層；

輸入門層，該門會讀取上一時間點的細胞狀態(tài)C_t-1、輸出m_t-1和當前時間點的輸入x_t，該門包含兩個部分，第一部分，通過sigmoid函數(shù)決定需要輸入什么值，即I_t，另一部分，通過tanh函數(shù)創(chuàng)建一個新的候選值向量該向量會被加入到細胞狀態(tài)C_t中，此過程計算公式為：

I_t＝σ(W_ixx_t+W_imm_t-1+W_icc_t-1+b_i)

式中：W_ix是從輸入門到輸入的矩陣權(quán)重，W_im是上一層的輸出m_t-1到輸入門的矩陣權(quán)重，W_ic是輸入門peephole連接的對角權(quán)重矩陣，peephole連接使得其他門能夠在由輸出門處理之前知道存儲單元的真實狀態(tài)，b_i是輸入門偏差，W_cx是從更新門到輸入的矩陣權(quán)重，W_cm是上一層的輸出m_t-1到更新門的矩陣權(quán)重，b_c是更新門偏差；

忘記門層，該門會讀取上一時間點的細胞狀態(tài)C_t-1、輸出m_t-1和當前時間點的輸入x_t，將其賦值給當前細胞狀態(tài)C_t中,所得賦值f_t的計算公式為：

f_t＝σ(W_fxx_t+W_fmm_t-1+W_fcc_t-1+b_f)，

式中：W_fx是從忘記門到輸入的矩陣權(quán)重，W_fm是上一層的輸出m_t-1到忘記門的矩陣權(quán)重，W_fc是忘記門連接神經(jīng)元上一時間點的細胞狀態(tài)C_t-1的對角權(quán)重矩陣，b_f是忘記門偏差；

更新門層，該層更新舊細胞狀態(tài)，將C_t-1更新為C_t，此過程公式如下：

其中：表示兩個向量的標量乘積，b_c是更新門偏差；

輸出門層，該層將確定輸出部分m_t，計算公式為：

o_t＝σ(W_oxx_t+W_omm_t-1+W_occ_t-1+b_o)

式中：W_ox是從輸出門到輸入的矩陣權(quán)重，W_om是上一層的輸出m_t-1到輸出門的矩陣權(quán)重；W_OC是輸出門peephole連接的對角權(quán)重矩陣，b_o是輸出門偏差；

tanh(.)和σ(.)是定義的兩種激活函數(shù)，定義如下：