公开(公告)号：CN114330515A

公开(公告)日：2022-04-12

申请号：CN202111533049.X

申请日：2021-12-15

Applicant: 东南大学

Inventor： 杨康 ,  丁幼亮 ,  蒋华琛

IPC: G06K9/62 ,  G06N3/04 ,  G01M5/00

Abstract: 本发明公开了一种桥梁监测数据异常诊断与修复方法，该方法首先进行多点位传感器数据采集及预处理，并对数据进行归一化，消除幅值绝对值的干扰。然后对归一化数据进行11维特征向量的异常特征提取；接着构建BiLSTM神经网络模型，训练网络，当预测准确率大于等于95%时保存网络，用于后续实时数据的异常识别定位，将实时数据输入模型判别定位异常数据段完成第一阶段的数据异常判别。最后依据异常前适当长度的数据作为条件生成对抗网络模型的训练数据,依据模型训练获取的多传感器相关性模型，以异常数据时段正常传感器数据作为输入，预测异常传感器该时段的数据，作为异常数据段的填充替换，从而实现桥梁监测数据趋势异常的全流程自动化识别和修复。

公开(公告)号：CN115099303A

公开(公告)日：2022-09-23

申请号：CN202210564619.X

申请日：2022-05-23

Applicant: 东南大学

Inventor： 万春风 ,  葛恩生 ,  蒋华琛 ,  丁幼亮

IPC: G06K9/62 ,  G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于全卷积神经网络(FCN)的结构健康监测传感器异常分类识别的方法。通过传感网络获取传感器原始的监测数据集并划分为训练集和测试集，通过Tsfresh提取原始数据特征，搭建FCN神经网络用于异常数据分类识别。本方法首先对原始数据进行预处理然后采用Tsfresh提取训练数据集和测试数据集的特征数据，继而对其做可视化处理并进行标记异常分类。本方法的训练和测试集用于网络训练和验证方法的准确性。本方法是基于有监督的深度学习网络，包括卷积层、池化层和分类层。将人为标记的异常分类与FCN神经网络的测试集数据的预测输出进行对比判断FCN网络的优良性，最终将训练准确率好的模型保存即可用于预测数据并完成分类。