原文传递
基于深度学习的桥梁健康监测数据分析关键技术研究
| 论文题名： | 基于深度学习的桥梁健康监测数据分析关键技术研究 |
| 关键词： | 桥梁结构;健康监测;损伤识别;数据预处理 |
| 摘要： | 随着桥梁结构健康监测技术的广泛应用,基于深度学习的结构损伤识别已经成为国内外的研究重点和难点。本文以深度学习理论技术为基础,对桥梁结构健康监测领域中的数据预处理和损伤识别关键技术进行深入分析和研究,针对桥梁结构监测数据具有时序关联性特性,构建出基于长短期记忆网络(LSTM)模型的结构损伤识别模型,为桥梁结构健康监测分析领域提供了新的思路和方法。主要研究内容如下: (1)深入分析和研究桥梁结构健康监测数据预处理关键技术。设计了针对结构输出响应信息量纲不一致、数据体量大导致数据分析耗时严重等问题的数据预处理方案。首先对离散数据进行One-Hot Encoding归一化处理以消除各属性之间的量纲不一致问题,然后对监测数据进行主成分分析(PCA)降维获取能够有效表征结构状态演化特性的简化特征值,对海量数据进行凝练去除冗余特征,提高了监测数据分析的时效性。 (2)深入分析传统机器学习和深度学习模型进行桥梁结构损伤识别的有效性。一方面设计并构建了一种基于多层感知器(MLP)神经网络的深度学习方法,对比传统机器学习方法中的支持向量机(SVM)方法具有更高的准确率;另一方面,针对现有桥梁结构损伤识别方法没有充分利用桥梁结构健康监测数据时序关联特性进行建模的问题,本文借助LSTM神经网络在处理具有时序关联性时间序列数据方面的优势,创新性地设计并构建了一种适用于长时间序列监测数据特性的基于LSTM神经网络的桥梁结构损伤识别模型,相较于在处理离散的、非时序关联性数据方面有优势的MLP神经网络准确率更高;最后本文以北黎大桥仿真实验数据为依托,通过实验分析得到:一方面,基于MLP的结构损伤识别较于基于SVM方法的准确率提升了15.75％,另一方面,基于LSTM的结构损伤识别较于基于MLP的方法准确率提升了8.6％。 (3)为了验证本文所提出的基于深度学习的桥梁结构损伤识别模型的有效性,以Bookshelf框架结构数据为基准进行对比实验分析。结果表明:一方面基于MLP神经网络的结构损伤识别模型相较于传统机器学习方法SVM的准确率提升了33.7％;另一方面,通过充分利用桥梁结构监测数据时序关系所提出的基于LSTM神经网络的桥梁结构损伤识别方法,较于MLP神经网络的桥梁结构损伤识别模型其准确率提升了8.4％。 |
| 作者： | 李贵凤 |
| 专业： | 计算机科学与技术；计算机应用技术 |
| 导师： | 杨建喜 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆交通大学 |
| 学位年度： | 2018 |
| 正文语种： | 中文 |
检索历史
应用推荐
