[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

说明书

本发明提供一种基于多尺度卷积神经网络的监测系统数据评估方法,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。本发明的有益效果是：基于多尺度卷积神经网络的监测系统数据评估模型为辅助监测系统提供一种非接触式的评估办法，根据多种监测数据的特征设计特定的多尺度卷积模型，减少现有办法在自然条件下物体状态评估的不确定性，提高评估准确率，为相关问题的科学研究奠定了数据基础。

技术领域

本明发属于桥梁工程领域，具体涉及一种基于多尺度卷积神经网络的监测系统数据评估方法。

背景技术

监测系统数据通常代表的是所监测物体的状态，为了直观的得到所监测物体的状态我们需要对监测数据进行评估。监测系统数据的评估是通过系统中安装的各种传感器采集的数据进行分析和提取关键信息，可以自动、远程、准确地评估被监测物体的状态，对相关事故的预防和发生起到了关键的作用。以桥梁监测数据评估健为例，桥梁挠度是桥梁健康状态评估中的一个重要参数，它反映了桥梁结构的整体刚度，因此与桥梁的承载能力和抵抗交通、阵风、温度等动荷载的能力密切相关。目前应用最广泛的桥梁挠度测量技术是液位计和位移计，它们的测量精度相对较高，但一般只能用于静态挠度的测量，不适用于连续的动态测量。此外，这些接触测量方法要求传感器附着在测试桥的主梁上，一些位移传感器需要固定的基准作为安装平台。由于桥梁多建在高速公路、水面、山川和峡谷上，基准基准和位移传感器的安装和卸载困难，使得一些重要部件难以到达和测试，极大地限制了这些接触式传感器的应用。这增加了桥梁健康状况监视器的难度。随着深度学习相关技术的发展，出现了神经网络识别等依靠软件算法的健康状态评估方式。神经网络识别是利用它强大的非线性函数的拟合能力来建立分析模型，可以实现桥梁健康评估。但是，上述健康评估方法还是存在些许欠缺，选取桥梁的监测数据种类少，考虑因素不够完善。同时对桥梁数据表征能力不足，最终增加了健康评估的不确定性。

发明内容

本发明的发明目的是，提供一种对工程数据表征能力较高，健康评估确定性高的监测系统数据评估方法。

本发明提供一种基于多尺度卷积神经网络的监测系统数据评估方法,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。

进一步的，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。

进一步的，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。

进一步的，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，分别为桥梁的挠度的平均值和标准差。

进一步的，所述步骤S4中，