论文部分内容阅读
结构健康监测系统普遍含有多种类型的传感器阵列,通过传感器所获得的数据,可以实时地了解结构的安全状况。然而在监测系统中,大部分传感器与监测子站安置于户外工作,传感器故障、接口不牢固、传输线缆破损、电磁干扰、设备故障问题,常常造成监测数据产生异常,引起数据分析及结构安全评估工作不准确,所以对数据进行异常诊断与修复具有重要意义。当前数据异常处理的手段大多利用定值的信号阈值对异常数据进行筛选或简单的噪声剔除等,需要结合人工选取某段数据进行计算分析,效率较低且易漏报和误报异常数据。因此如何高效准确的对异常数据进行诊断与修复具有重要意义。本文从监测数据处理需求出发,针对监测数据异常诊断与修复的基本问题进行研究。本文主要研究工作如下:(1)依据实际工程结构的监测数据处理需求,对常见的监测数据格式进行总结归类;进而对监测数据的格式标准化,基于统一的数据格式,方便数据的调取和使用;对统一格式的海量监测数据可视化,把数据转化为图像,基于此提出监测数据图像的分类标准;依据数据图像特征,将监测数据分为:正常数据、局部增益数据、缺失数据、跳点数据和漂移数据五类,并对数据图像进行人工标记,以便图像的调取和后期处理。(2)针对监测数据中存在异常的问题,利用深度学习相关知识,建立高效准确的监测数据异常诊断模型;该模型基于监测数据图像,将图像输入到卷积神经网络中进行图像特征提取与分类,实现监测数据的异常诊断。通过引入迁移学习使得监测数据异常诊断模型实现实时更新。(3)针对监测数据异常诊断模型识别出来的异常数据,记录异常数据的时间段信息,基于此给出诊断结果质量分析。对识别出来的异常数据进行修复,基于多元线形回归模型和自回归模型对缺失数据进行修复;基于三倍标准差法和剔除最大值法对跳点数据进行剔除;基于中值平移法对漂移数据进行修复。(4)为了满足监测数据自动化异常诊断与修复的需求,基于MATLAB GUI平台开发了一款结构健康监测数据异常诊断与修复软件。通过设计GUI界面支持用户自行输入监测数据基本信息、进行监测数据异常诊断、迁移学习更新诊断模型与异常数据修复等,最终导出监测数据异常诊断结果质量分析报告与修复后的异常数据。(5)针对某大桥结构健康监测加速度数据,基于数据异常处理工具箱导入大桥加速度数据基本信息与深度学习基本参数,实现监测数据的异常诊断、诊断模型更新与异常数据修复,并给出监测数据异常诊断结果质量分析报告,诊断结果准确率达到94.2%。