原文传递
基于深度学习的桥梁SHM数据异常检测与修复
| 论文题名： | 基于深度学习的桥梁SHM数据异常检测与修复 |
| 关键词： | 桥梁结构;健康监测;数据异常;数据修复;深度学习 |
| 摘要： | 通过结构健康监测系统（SHM）实时监测的数据可以及时地了解结构的安全状况。然而传感器故障、接口松动以及电磁干扰等因素会引起结构健康监测系统采集的数据发生异常，异常数据会严重干扰结构的分析与评估。因此，探索一种可以准确地对异常数据进行诊断和修复的方法具有重要意义。本文从实际需求出发，针对监测数据异常诊断与修复基本问题进行研究。本文主要研究工作如下： （1）从实际监测数据出发，对常见的监测数据类型进行了归类和成因分析。在此基础上，针对如何监测数据特征不易提取的问题，分别研究了仿真信号关于短时傅里叶变换、连续小波变换和希尔伯特-黄变换的可视化效果，确定连续小波变换为本文后续实验的数据可视化工具，以便深度学习实验的图像调取和网络训练。 （2）针对桥梁的监测数据异常检测的问题，本文提出一种基于双通道卷积神经网络的数据异常检测算法。设计并搭建双通道卷积神经网络模型，该卷积神经网络模型拥有对时频图进行卷积处理的2维卷积神经网络（2D-CNN）通道和对原始一维振动时序数据进行卷积处理的1维卷积神经网络（1D-CNN）通道，可以平行输入加速度数据的二维时频图和原始一维振动时序数据。最后，通过大量数据集训练得到精确的分类模型，过程中针对训练数据不平衡问题设计了6种训练工况进行研究和分析。其中，最优模型准确率达到了95.10%。 （3）在正确识别数据异常的基础上，本文针对桥梁的监测数据异常检测的修复问题，采用一种基于长短时记忆网络（Long Short-Term Memory,LSTM）的数据异常修复方法，该方法利用长短时记忆网络的时序预测功能，将复杂多变的数据异常修复问题转化时序数据预测问题。结果表明，在合适的修复长度下，实测数据与修复数据趋势相同，振荡相同，仅在幅值上有细微的差距。另外，采用随机子空间法识别原始数据与修复数据的振型与模态频率并进行对比，由结果可知，在合适的长度下修复数据与原始数据的识别结果基本一致，证明该方法具有一定的数据修复能力。 |
| 作者： | 湛晓宇 |
| 专业： | 建筑与土木工程 |
| 导师： | 叶锡钧 |
| 授予学位： | 硕士 |
| 授予学位单位： | 广州大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
