[发明专利]一种基于多尺度卷积神经网络的监测系统数据评估方法

权利要求书

1.一种基于多尺度卷积神经网络的监测系统数据评估方法,其特征在于，包括以下步骤，

S1选择数据集；

S2对数据集进行预处理；

S3标签制作；

S4搭建基于多尺度卷积神经网络的健康状态评估模型。

2.如权利要求1所述的一种基于多尺度卷积神经网络的监测系统数据评估方法,其特征在于，所述步骤S1包括，

所述数据集包含监测时序数据；

所述数据集分为3个标签，所述3个标签分别为正常、维护和维修三类数据。

3.如权利要求1所述的一种基于多尺度卷积神经网络的监测系统数据评估方法,其特征在于，所述步骤S2包括以下步骤，

S21过滤掉传感设备的异常数值；

S22统一各类数据采集周期；

S23以天为单位，处理成时序数据统一维度；

S24将数据进行归一化处理，数据范围[-1,1],计算方式如下：

x^*是归一化后的样本值，x_i样本值，是样本均值，x_max样本最大值和x_min样本最小值。

4.如权利要求1所述的一种基于多尺度卷积神经网络的监测系统数据评估方法,其特征在于，所述步骤S3包括以下步骤，

对于数据集中的桥梁跨中挠度数据，采用下表进行分类：

f为桥梁的挠度，μ是挠度的平均值，σ是挠度的标准差。

5.如权利要求1所述的一种基于多尺度卷积神经网络的监测系统数据评估方法,其特征在于，所述步骤S4中，

多尺度卷积神经网络识别一维数据，在模型中一维卷积神经网络由一维卷积层、一维池化层、全连接层和Dropout层组成；

所述多尺度卷积神经网络包括数据输入层Input1和数据输入层Input2和数据输入层Input2，第一个卷积网络，第二个卷积网络；

所述数据输入层Input1为预处理之后的温度时序数据，数据维度120*1；

所述数据输入层Input2为预处理之后的应力时序数据，数据维度1200*1；

所述数据输入层Input3是重车和车流量数据,数据维度2*1；

温度数据进入第一个卷积网络，卷积层的卷积核大小为5*1，卷积核数量为24和24；

应力数据进入第二个卷积网络，卷积核大小为10*1，卷积核数量为24和48的卷积网络；

全连接层神经元个数为64。每一层的激活函数皆为Relu；

Dropout率为0.5，模型优化器为AMSGrad；

提取温度和应力特征进行进行拼接得到组合特征，车流量、重车数量数据和组合特征形成融合特征作为全连接层输入，进行分布式特征表示，完成分类，得到分类结果。