原文传递
基于改进变分自编码器和迁移成分分析的分布式应变异常检测方法研究
| 论文题名： | 基于改进变分自编码器和迁移成分分析的分布式应变异常检测方法研究 |
| 关键词： | 桥梁检测;结构表面裂缝;机器学习;分布式应变;变分自编码器;迁移成分分析 |
| 摘要： | 分布式光纤传感器可以一次性采集沿光纤轴向分布的全结构尺度的应变。应变反映结构表面的变形信息，通过分布式应变异常检测可以检测结构表面裂缝。基于分布式应变的结构表面裂缝检测具有广泛应用前景，但目前面临至少三方面的挑战：一是分布式应变信噪比往往较低，裂缝导致的异常和噪声极易混淆，有效的异常检测需要高质量的特征表征；二是刻画裂缝异常的正样本数量不足，导致常规基于有监督机器学习的检测方法难以奏效；三是模型的泛化能力不高，基于当前结构训练好的模型很难推广应用于其它结构。 通常认为深度学习能够提取噪声鲁棒的高质量特征，迁移学习有助于改善模型的泛化能力。由此针对上述难点，开展基于深度学习和迁移学习的分布式应变异常检测方法研究具有重要理论和应用研究价值。具体地： 1．提出基于长短期记忆网络（LongShortMemoryNetwork，LSTM）和变分自编码器(VariationalAutoencoder，VAE)的无监督异常检测方法（VAE-LSTM）。分布式应变表现为一个空间上分布的应变点序列。假定该序列由裂缝异常子序列和无裂缝正常子序列组成，并且这两类子序列具有可区分的内在特征，从而将分布式应变异常检测视为子序列二分类问题。首先将分布式应变归一化并划分为一组等长的子序列，基于LSTM的VAE模型对子序列自动编码和重构；进而计算子序列的重建概率并进行阈值门限判别，实现对裂缝异常子序列的检测和定位。 2．提出基于迁移成分分析（TransferComponentAnalysis，TCA）的分布式应变异常检测方法。首先将实验室环境条件下采集的数据记为源域数据，在役桥梁实测数据记为目标域数据；然后通过求解边缘分布间距离最小优化问题，基于核函数将两域数据映射到一个新的空间（潜在空间）；最后在该空间基于最近邻分类器实现在役桥梁表面裂缝的检测。 3．系统地开展了实验室工字梁模拟实验和在役桥梁实测实验。结果表明，所提方法不仅能够检测结构表面裂缝，而且能够克服数据信噪比低、正样本不足、模型泛化能力不高等缺陷，具有一定的实际应用价值。 |
| 作者： | 王芸 |
| 专业： | 交通运输工程 |
| 导师： | 宋青松 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
