CN113378967B - 一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法 - Google Patents
一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法 Download PDFInfo
- Publication number
- CN113378967B CN113378967B CN202110720189.1A CN202110720189A CN113378967B CN 113378967 B CN113378967 B CN 113378967B CN 202110720189 A CN202110720189 A CN 202110720189A CN 113378967 B CN113378967 B CN 113378967B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- convolutional neural
- training
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提出了一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法,将某大型结构A的多元监测数据由时间序列分段数据可视化处理,转换为时域响应图像,根据数据段对应的时域响应图像数据进行人工标记,选取带有人工标记的各种异常类型的样本组成数据集A;将数据集A输入至用于异常检测的卷积神经网络模型A中,训练好模型A;将某大型结构B的多元监测数据可视化,人工标记,组成数据集B;在模型A的基础上加入数据集B,进行迁移学习训练,提升分类模型的泛化性能,使卷积神经网络模型能够适应不同分布的数据,迁移学习训练好的模型作为多元数据异常检测器;本发明能够解决目前结构健康监测多元数据无检测方法等问题。
Description
技术领域
本发明属于迁移学习、卷积神经网络、土木工程结构健康监测技术领域,具体涉及一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法。
背景技术
目前,大跨度桥梁、超高层建筑、大跨空间结构、海洋平台等大型基础设施越来越多,这些基础设施结构在长期的使用期间内会不可避免受到灾害作用,导致其可靠性下降。即使结构没有经受灾害的影响,结构本身也会不可避免的因长时间的环境侵蚀、荷载效应与疲劳效应等综合影响,造成材料老化、结构变形、自身缺陷的放大,从而产生一定程度的损伤,导致结构承载能力下降,甚至引发结构倒塌等灾难性事故,造成巨大的人员伤亡与经济损失。结构健康监测(Structural Health Monitoring,SHM)作为保障结构安全的有效手段,已广泛应用于工程实践中。现阶段,许多重大工程结构都安装了包含多种类型传感器的较大规模结构健康监测***,单个大型结构感器数量可能达到数千个,产生的数据总量可达每年数百TB。这些海量监测数据记录了结构在服役过程中的性能演变信息、响应规律以及结构在如地震、台风、火灾、船撞、交通事故的等罕见情况下的响应信息。
结构健康监测***长期在户外工作,由传感器故障、数据传输故障等因素,结构健康监测***得到的数据不可避免的会包含多种类型的异常数据,这些异常数据并并不能完全代表结构的真实状况,并且会严重干扰监测***的自动数据分析和预警功能,为了保证数据分析结果的准确性,必须将异常数据检测出并进行清洗。由于结构健康监测数据量巨大(考虑效率、精度、尺度,人工专家检测方法不再适用),异常数据类型多(传统单目标、二分类方法不适用),异常数据特征具有不确定性(基于建模阈值的方法难适用)等特点即使有专业人员的参与,也容易出现处理过度或处理不足的情况,并且费时费力,不能达到监测***数据分析实时性的要求。
目前国内外对异常数据的检测工作多集中于对加速度等动态数据的检测,种类更加繁多、复杂的其他类型传感器(如应变、温度、湿度、倾角、位移、GPS等)数据却缺乏有效的异常检测方法。这些多类型的传感器监测数据与振动加速度数据的区别如下,振动加速度的采样频率一般为20HZ,数据质量相对较好,其他类型的传感器数据采样频率的区间为1HZ-20HZ,全球定位***(GPS)数据采样频率一般为1HZ、温度、湿度、倾角、位移等数据采样频率为5HZ-10HZ不等,应变数据采样频率一般为20HZ;振动加速度数据图形有明显的对称性,并且一般情况下有均值为0的特点;其他类型的传感器数据带有随机波动的趋势,数据图像一般不对称、没有均值为0的特点;振动加速度数据相关的研究较多,异常检测工作研究较多,而其他类型的传感器数据相关研究相对比较空缺,各类数据没有相应的异常数据检测研究。
发明内容
本发明为了解决上述问题,将结构健康监测多元数据的异常检测问题转化为图像分类问题,提出了一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法,能够实现异常模式学习、模型训练、迁移学习、结构健康监测多元数据异常诊断的全过程自动化处理。
本发明是通过以下方案实现的:
一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法:
所述方法包括以下步骤:
步骤一:将结构A的多元监测数据由时间序列数据可视化处理转换为时域响应图像,根据同一个数据段对应的时域响应图像数据进行人工标注,选取带有人工标注的各种异常类型的样本,组成训练集D{AT,L};
步骤二:将训练集D{AT,L}输入至用于异常检测的卷积神经网络模型CNN-A中;
步骤三:将结构B的少量多元监测数据可视化,并重复步骤一,组成小型训练集D{BT,L};
步骤四:在卷积神经网络模型CNN-A的基础上加入训练集D{BT,L},进行迁移学习训练,提升分类模型的泛化性能,使卷积神经网络模型能够适应不同分布的数据,训练好的模型作为异常数据检测器,进行结构健康监测与数据异常检测。
进一步地,在步骤一中,
步骤一一、将待检测的多元数据按照时距T,切分段成N个数据段di,数据段长度取决于数据采样频率fs,数据段di长度为di=fs×T,分别绘制每一段数据时域相应的数据图像p,构成数据集D{A};
步骤一二、从数据集D{A}中随机抽取NT个图片样本组成训练集D{AT};
步骤一三、在训练集D{AT}中,根据每个图像p特征,标注上标签LP;
步骤一四、重复步骤一三,直至训练集D{AT}中NT个样本均被标记,生成训练集D{AT,L}。
进一步地,在步骤二中,
卷积神经网络依次包括输入层、卷积层、池化层、批标准化层、冻结层、全连接层、Softmax分类层和输出层;
所述卷积神经网络模型CNN-A的训练比率为0.85、初始学习率α为0.0005,其中冻结层的学习率均为0,训练时采用批处理,批处理大小BatchSize为128,目标函数选用交叉熵函数E(W),公式为:
式中,P为样本总数;
I(·)为样本总数,I(·)的函数定义为I(True)=1,I(False)=0;
Lp为样本p的标签;
全局最大迭代次数为8次,选用带有动量的随机梯度下降,动量参数β=0.8,开启训练时开启shuffle。
进一步地,在步骤四中,
全局最大迭代次数为4次,选用带有动量的随机梯度下降,动量因数β=0.8;
所述迁移学习训练方式为:冻结卷积神经网络模型CNN-A的L1-L5层,仅用结构B的数据对L6全链接层、L7softmax分类层、L8输出层进行再训练,以提升网络泛化性能,训练好的分类模型即可同时对A、B两结构的多元数据进行异常检测。
进一步地,在步骤二中,当步骤一得到的训练集D{AT,L}丰富,则卷积神经网络模型CNN-A不进行步骤三、四直接进行结构健康监测与多元数据异常检测。
进一步地,使用预训练模型AlexNet模型代替所述卷积神经网络模型CNN-A,在AlexNet模型上进行迁移学习;
步骤A:将结构A的少量多元数据进行可视化,按照步骤一的方式组成小型数据集D{AT,L};
步骤B:在AlexNet模型的基础上加入训练集进行迁移学习训练,提升分类模型的泛化性能,使卷积神经网络模型能够适应不同分布的数据,训练好的模型作为异常数据检测器进行数据异常检测;
其中训练比率为0.85、初始学习率为0.0005,冻结层的学习率均为0,训练时采用批处理,批处理大小为128,目标函数选用交叉熵函数,全局最大迭代次数为4次,选用带有动量的随机梯度下降;
仅用结构C的数据对AlexNet模型的最后三层即全链接层、分类层、输出层进行再训练,以提升网络泛化性能,训练好的分类模型即可进行多元数据异常检测。
进一步地,采用混合数据集进行迁移学习,
将结构A与结构B的多元监测数据由时间序列数据通过数据可视化、人工标注,根据步骤一所述方法,组成包含A、B两结构各种多元数据的训练集D{ST,L},并将D{ST,L}分为数据量较多的D{S1,L}以及数据量较少的D{S2,L};
步骤S1、将数据集D{S1,L}输入至用于异常检测的卷积神经网络模型A中,训练卷积神经网络模型,参数设置与步骤二中参数设置相同;
步骤S2、将数据集D{S2,L}输入至用于异常检测的卷积神经网络模型CNN-A中,进行迁移训练,参数设置与步骤四中参数设置相同。
本发明有益效果
(1)本发明将结构健康监测多元数据的异常检测问题转化为图像分类问题,实现了异常模式学习、模型训练、迁移学习、结构健康监测多元数据异常诊断的全过程自动化处理,整个过程智能、准确;
(2)本发明可同时诊断具有多种异常模式的结构健康监测多元数据,解决了对结构健康监测多元数据的多分类问题;
(3)本发明自动化程度高,除在数据标记过程中,整个异常数据诊断过程都为自动化处理;
(4)本发明处理速度快,能满足结构健康监测在线预警的实时数据预处理需求;
(5)本发明一个实施例的诊断结果全局准确率能够达到96%;
(6)本发明的迁移学习模型仅应用少量数据集即可训练完成。
附图说明
图1为本发明的流程图;
图2为结构健康监测振动加速度数据与其它多元数据的区别示意图;
图3(a)为本发明的基于卷积神经网络的多元数据异常检测方法的一个卷积神经网络的架构图;(b)为进行自动检测时输入的图像;
图4(a)为本发明的基于迁移学习的多元数据异常检测方法流程图;(b)为本发明的基于CNN-A模型迁移学习的多元数据异常检测方法的迁移学习的架构图;(c)基于AlexNet模型迁移学习的多元数据异常检测方法的迁移学习的架构图;
图5为本发明一个实例的基于CNN-A迁移学习的多元数据异常自动检测结果;其中(a)为测试结果,(b)人工检测结果,(c)为迁移学习的自动检测结果。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
结合图1至图5;获得结构A、B的数据,结构C的数据获得方法与A、B相同。
一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法:
所述方法包括以下步骤:结合图3与图4,
具体实施方式一:
步骤一:将某大型结构A的多元监测数据由时间序列数据可视化处理转换为时域响应图像,根据同一个数据段对应的时域响应图像数据进行人工标注,选取带有人工标注的各种异常类型的样本,组成训练集D{AT,L};
步骤二:将训练集D{AT,L}输入至用于异常检测的卷积神经网络模型CNN-A中;
步骤三:将某大型结构B的少量多元监测数据可视化,并重复步骤一,组成小型训练集D{BT,L};
步骤四:在卷积神经网络模型CNN-A的基础上加入训练集D{BT,L},进行迁移学习训练,提升分类模型的泛化性能,使卷积神经网络模型能够适应不同分布的数据,训练好的模型作为异常数据检测器,进行结构健康监测与数据异常检测。
在步骤一中,
步骤一一、将待检测的多元数据按照时距T,(本例中T取一小时,3600s)切分段成N个数据段di,数据段长度取决于数据采样频率fs,数据段di长度为di=fs×T=20*3600=72000,分别绘制每一段数据时域相应的数据图像p,构成数据集D{A};
步骤一二、从数据集D{A}中随机抽取NT个图片样本组成训练集D{AT};
步骤一三、在训练集D{AT}中,根据每个图像p特征,(本例图像大小取100×100×1,仅红色R通道)标注上标签LP;本例中正常模式标记为“1”,缺失模式标记为“2”,突变模式标记为“4”等等;
步骤一四、重复步骤一三,直至训练集D{AT}中NT个样本均被标记,生成训练集D{AT,L}。
在步骤二中,
卷积神经网络依次包括输入层、卷积层、池化层、批标准化层、冻结层、全连接层、Softmax分类层和输出层;网络具体参数如表1;
表1卷积神经网络架构表
所述卷积神经网络模型CNN-A的训练比率为0.85、初始学习率α为0.0005,其中冻结层的学习率均为0,训练时采用批处理,批处理大小BatchSize为128,目标函数选用交叉熵函数E(W),公式为:
其中,P为样本总数;
I(·)为样本总数,I(·)的函数定义为I(True)=1,I(False)=0;
Lp为样本p的标签;
全局最大迭代次数为8次,选用带有动量的随机梯度下降,动量参数β=0.8,开启训练时开启shuffle。
在步骤四中,
全局最大迭代次数为4次,选用带有动量的随机梯度下降,动量因数β=0.8;
所述迁移学习训练方式为:冻结卷积神经网络模型CNN-A的L1-L5层,仅用结构B的数据对L6全链接层、L7softmax分类层、L8输出层进行再训练,以提升网络泛化性能,训练好的分类模型即可同时对A、B两结构的多元数据进行异常检测。
在步骤二中,当步骤一得到的训练集D{AT,L}丰富,则卷积神经网络模型CNN-A不进行步骤三、四直接进行结构健康监测与多元数据异常检测。
具体实施方式二:
使用预训练模型AlexNet(或其他)模型代替所述卷积神经网络模型CNN-A,在AlexNet模型上进行迁移学习;
步骤A:将结构A的少量多元数据进行可视化,按照步骤一的方式组成小型数据集D{AT,L};
步骤B:在AlexNet模型的基础上加入训练集进行迁移学习训练,提升分类模型的泛化性能,使卷积神经网络模型能够适应不同分布的数据,训练好的模型作为异常数据检测器进行数据异常检测;
其中训练比率为0.85、初始学习率为0.0005,冻结层的学习率均为0,训练时采用批处理,批处理大小为128,目标函数选用交叉熵函数,全局最大迭代次数为4次,选用带有动量的随机梯度下降;
仅用结构C的数据对AlexNet模型的最后三层即全链接层、分类层、输出层进行再训练,以提升网络泛化性能,训练好的分类模型即可进行多元数据异常检测。
具体实施方式三:
采用混合数据集进行迁移学习,将结构A与结构B的多元监测数据由时间序列数据通过数据可视化、人工标注,根据步骤一所述方法,组成包含A、B两结构各种多元数据的训练集D{ST,L},并将D{ST,L}分为数据量较多的D{S1,L}以及数据量较少的D{S2,L};
步骤S1、将数据集D{S1,L}输入至用于异常检测的卷积神经网络模型A中,训练卷积神经网络模型,参数设置与步骤二中参数设置相同;
步骤S2、将数据集D{S2,L}输入至用于异常检测的卷积神经网络模型CNN-A中,进行迁移训练,参数设置与步骤四中参数设置相同。
具体实施方式一实施例:
本实施例是在具体实施方式一的基础上,对某真实存在的大跨度桥梁应变、位移、温度、湿度、GPS等多元监测数据的异常数据诊断。该应用验证了本发明的可行性和实用性。以下具体实例说明本发明的效果。
图5展示了某大跨度桥梁健康监测***2018年的应变、位移、温度、湿度、GPS数据(共计22通道)的多元数据异常据检测结果,每种颜色代表不同的异常模式,“1-normal”代表正常模式、“2-missing”代表缺失模式、“3-outlier”代表离群模式、“4-mutation”代表突变模式、“5-minor”代表次小值模式、“6-trend”代表趋势模式、“7-square”代表超量程模式、“8-constant”代表常数模式,图5(a)代表数据集分类情况,图5(b)为人工标记的结果,图5(c)为基于模型CNN-A的迁移学习模型预测结果。
以上对本发明所提出的一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法,进行了详细介绍,对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法,其特征在于:
所述方法包括以下步骤:
步骤一:将结构A的多元监测数据由时间序列数据可视化处理转换为时域响应图像,根据同一个数据段对应的时域响应图像数据进行人工标注,选取带有人工标注的各种异常类型的样本,组成训练集D{AT,L};
步骤二:将训练集D{AT,L}输入至用于异常检测的卷积神经网络模型CNN-A中;
在步骤二中,
卷积神经网络依次包括输入层、卷积层、池化层、批标准化层、冻结层、全连接层、Softmax分类层和输出层;
所述卷积神经网络模型CNN-A的训练比率为0.85、初始学习率α为0.0005,其中冻结层的学习率均为0,训练时采用批处理,批处理大小BatchSize为128,目标函数选用交叉熵函数E(W),公式为:
其中,P为样本总数;
I(·)为样本总数,I(·)的函数定义为I(True)=1,I(False)=0;
Lp为样本p的标签;
全局最大迭代次数为8次,选用带有动量的随机梯度下降,动量参数β=0.8,开启训练时开启shuffle;
步骤三:将结构B的少量多元监测数据可视化,并重复步骤一,组成小型训练集D{BT,L};
步骤四:在卷积神经网络模型CNN-A的基础上加入训练集D{BT,L},进行迁移学习训练,使卷积神经网络模型能够适应不同分布的数据,训练好的模型作为异常数据检测器,进行结构健康监测与数据异常检测。
2.根据权利要求1所述方法,其特征在于:在步骤一中,
步骤一一、将待检测的多元数据按照时距T,切分段成N个数据段di,数据段长度取决于数据采样频率fs,数据段di长度为di=fs×T,分别绘制每一段数据时域相应的数据图像p,构成数据集D{A};
步骤一二、从数据集D{A}中随机抽取NT个图片样本组成训练集D{AT};
步骤一三、在训练集D{AT}中,根据每个图像p特征,标注上标签LP;
步骤一四、重复步骤一三,直至训练集D{AT}中NT个样本均被标记,生成训练集D{AT,L}。
3.根据权利要求2所述方法,其特征在于:在步骤四中,
全局最大迭代次数为4次,选用带有动量的随机梯度下降,动量因数β=0.8;
所述迁移学习训练方式为:冻结卷积神经网络模型CNN-A的L1-L5层,仅用结构B的数据对L6全链接层、L7softmax分类层、L8输出层进行再训练,以提升网络泛化性能,训练好的分类模型即可同时对A、B两结构的多元数据进行异常检测。
4.根据权利要求3所述方法,其特征在于:在步骤二中,当步骤一得到的训练集D{AT,L}丰富,则卷积神经网络模型CNN-A不进行步骤三、四直接进行结构健康监测与多元数据异常检测。
5.根据权利要求1所述方法,其特征在于:使用预训练模型AlexNet模型代替所述卷积神经网络模型CNN-A,在AlexNet模型上进行迁移学习;
步骤A:将结构A的少量多元数据进行可视化,按照步骤一的方式组成小型数据集D{AT,L};
步骤B:在AlexNet模型的基础上加入训练集进行迁移学习训练,使卷积神经网络模型能够适应不同分布的数据,训练好的模型作为异常数据检测器进行数据异常检测;
其中训练比率为0.85、初始学习率为0.0005,冻结层的学习率均为0,训练时采用批处理,批处理大小为128,目标函数选用交叉熵函数,全局最大迭代次数为4次,选用带有动量的随机梯度下降;
仅用结构C的数据对AlexNet模型的最后三层即全链接层、分类层、输出层进行再训练,以提升网络泛化性能,训练好的分类模型即可进行多元数据异常检测。
6.根据权利要求1所述方法,其特征在于:采用混合数据集进行迁移学习,
将结构A与结构B的多元监测数据由时间序列数据通过数据可视化、人工标注,根据步骤一所述方法,组成包含A、B两结构各种多元数据的训练集D{ST,L},并将D{ST,L}分为数据量较多的D{S1,L}以及数据量较少的D{S2,L};
步骤S1、将数据集D{S1,L}输入至用于异常检测的卷积神经网络模型A中,训练卷积神经网络模型,参数设置与步骤二中参数设置相同;
步骤S2、将数据集D{S2,L}输入至用于异常检测的卷积神经网络模型CNN-A中,进行迁移训练,参数设置与步骤四中参数设置相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110720189.1A CN113378967B (zh) | 2021-06-28 | 2021-06-28 | 一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110720189.1A CN113378967B (zh) | 2021-06-28 | 2021-06-28 | 一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113378967A CN113378967A (zh) | 2021-09-10 |
CN113378967B true CN113378967B (zh) | 2022-11-08 |
Family
ID=77579436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110720189.1A Active CN113378967B (zh) | 2021-06-28 | 2021-06-28 | 一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378967B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113866455A (zh) * | 2021-09-30 | 2021-12-31 | 中铁桥隧技术有限公司 | 基于深度学习的桥梁加速度监测数据异常检测方法、***和装置 |
CN113988202B (zh) * | 2021-11-04 | 2022-08-02 | 季华实验室 | 一种基于深度学习的机械臂异常振动检测方法 |
CN117218602A (zh) * | 2023-10-20 | 2023-12-12 | 青岛理工大学 | 一种结构健康监测数据异常诊断方法及*** |
CN117723782B (zh) * | 2024-02-07 | 2024-05-03 | 山东大学 | 用于桥梁结构健康监测的传感器故障识别定位方法及*** |
CN118071210B (zh) * | 2024-04-17 | 2024-06-21 | 成都理工大学 | 一种结合cnn和ppm的生态环境脆弱性评估方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190567A (zh) * | 2018-09-10 | 2019-01-11 | 哈尔滨理工大学 | 基于深度卷积神经网络的异常宫颈细胞自动检测方法 |
CN109710636A (zh) * | 2018-11-13 | 2019-05-03 | 广东工业大学 | 一种基于深度迁移学习的无监督工业***异常检测方法 |
CN110220709A (zh) * | 2019-06-06 | 2019-09-10 | 北京科技大学 | 基于cnn模型和迁移学习的滚动轴承故障诊断方法 |
CN110458210A (zh) * | 2019-07-25 | 2019-11-15 | 武汉理工大学 | 一种基于迁移学习的汽车驾驶员状态监测方法及*** |
CN111291096A (zh) * | 2020-03-03 | 2020-06-16 | 腾讯科技(深圳)有限公司 | 数据集构建方法、装置和存储介质及异常指标检测方法 |
CN111582298A (zh) * | 2020-03-18 | 2020-08-25 | 宁波送变电建设有限公司永耀科技分公司 | 一种基于人工智能的传感异常数据实时检测方法 |
AU2020103613A4 (en) * | 2020-11-23 | 2021-02-04 | Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences | Cnn and transfer learning based disease intelligent identification method and system |
CN112353402A (zh) * | 2020-10-22 | 2021-02-12 | 平安科技(深圳)有限公司 | 心电信号分类模型的训练方法、心电信号分类方法及装置 |
CN112381060A (zh) * | 2020-12-04 | 2021-02-19 | 哈尔滨工业大学 | 一种基于深度学习的建筑物地震破坏等级分类方法 |
CN112734692A (zh) * | 2020-12-17 | 2021-04-30 | 安徽继远软件有限公司 | 一种变电设备缺陷识别方法及装置 |
CN112906644A (zh) * | 2021-03-22 | 2021-06-04 | 重庆大学 | 基于深度迁移学习的机械故障智能诊断方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108932480B (zh) * | 2018-06-08 | 2022-03-15 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
US10565471B1 (en) * | 2019-03-07 | 2020-02-18 | Capital One Services, Llc | Systems and methods for transfer learning of neural networks |
CN109919135A (zh) * | 2019-03-27 | 2019-06-21 | 华瑞新智科技(北京)有限公司 | 基于深度学习的行为检测方法、装置 |
WO2021011931A1 (en) * | 2019-07-17 | 2021-01-21 | The Regents Of The University Of California | Biologically inspired sleep algorithm for artificial neural networks |
CN112884060B (zh) * | 2021-03-09 | 2024-04-26 | 联仁健康医疗大数据科技股份有限公司 | 图像标注方法、装置、电子设备及存储介质 |
-
2021
- 2021-06-28 CN CN202110720189.1A patent/CN113378967B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190567A (zh) * | 2018-09-10 | 2019-01-11 | 哈尔滨理工大学 | 基于深度卷积神经网络的异常宫颈细胞自动检测方法 |
CN109710636A (zh) * | 2018-11-13 | 2019-05-03 | 广东工业大学 | 一种基于深度迁移学习的无监督工业***异常检测方法 |
CN110220709A (zh) * | 2019-06-06 | 2019-09-10 | 北京科技大学 | 基于cnn模型和迁移学习的滚动轴承故障诊断方法 |
CN110458210A (zh) * | 2019-07-25 | 2019-11-15 | 武汉理工大学 | 一种基于迁移学习的汽车驾驶员状态监测方法及*** |
CN111291096A (zh) * | 2020-03-03 | 2020-06-16 | 腾讯科技(深圳)有限公司 | 数据集构建方法、装置和存储介质及异常指标检测方法 |
CN111582298A (zh) * | 2020-03-18 | 2020-08-25 | 宁波送变电建设有限公司永耀科技分公司 | 一种基于人工智能的传感异常数据实时检测方法 |
CN112353402A (zh) * | 2020-10-22 | 2021-02-12 | 平安科技(深圳)有限公司 | 心电信号分类模型的训练方法、心电信号分类方法及装置 |
AU2020103613A4 (en) * | 2020-11-23 | 2021-02-04 | Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences | Cnn and transfer learning based disease intelligent identification method and system |
CN112381060A (zh) * | 2020-12-04 | 2021-02-19 | 哈尔滨工业大学 | 一种基于深度学习的建筑物地震破坏等级分类方法 |
CN112734692A (zh) * | 2020-12-17 | 2021-04-30 | 安徽继远软件有限公司 | 一种变电设备缺陷识别方法及装置 |
CN112906644A (zh) * | 2021-03-22 | 2021-06-04 | 重庆大学 | 基于深度迁移学习的机械故障智能诊断方法 |
Non-Patent Citations (3)
Title |
---|
Deep Convolutional Neural Networks for Computer-Aided Detection: CNN Architectures, Dataset Characteristics and Transfer Learning;Hoo-Chang Shin等;《IEEE TRANSACTIONS ON MEDICAL IMAGING》;20160531;第1285-1298页 * |
Transfer Learning with Deep Convolutional Neural Network for SAR Target Classification with Limited Labeled Data;Zhongling Huang等;《Remote Sens》;20170831;第1-5节 * |
基于分组注意力模块的实时农作物病害叶片语义分割模型;钟昌源等;《农业工程学报》;20210228;第208-215页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113378967A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113378967B (zh) | 一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法 | |
CN108764601B (zh) | 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法 | |
CN110108456A (zh) | 一种深度卷积神经网络的旋转机械健康评估方法 | |
CN109272123B (zh) | 一种基于卷积-循环神经网络的有杆泵工况预警方法 | |
CN108596507B (zh) | 一种海上养殖网箱的受灾破坏预警方法 | |
CN111625988A (zh) | 基于深度学习的桥梁健康管理分析与预测***及方法 | |
CN110276385B (zh) | 基于相似性的机械部件剩余使用寿命预测方法 | |
CN115950609B (zh) | 一种结合相关性分析和神经网络的桥梁挠度异常检测方法 | |
CN111595541A (zh) | 一种海量振动传递率数据卷积神经网络处理的多维结构损伤识别方法 | |
WO2021114320A1 (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN115267945A (zh) | 一种基于图神经网络的雷电预警方法与*** | |
CN112861350A (zh) | 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法 | |
Chou et al. | SHM data anomaly classification using machine learning strategies: A comparative study | |
CN115392360A (zh) | 基于Transformer的大型桥梁温度-响应相关模式识别与健康诊断方法 | |
CN115290057B (zh) | 一种航道软体排状态监测***及监测方法 | |
CN116484219A (zh) | 一种基于门控图神经网络的供水管网水质异常污染源识别方法 | |
CN110727986A (zh) | 基于bim和加权灰云聚类模型的古建筑维护模型获取方法 | |
CN116051465A (zh) | 基于神经网络模型的紧固件腐蚀图像自动分级方法 | |
CN114547868A (zh) | 一种基于bim的斜拉桥性能在线评估预测方法 | |
CN113570111A (zh) | 基于轻量化网络的桥梁健康状态片上监测方法 | |
CN112069621A (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN115688555B (zh) | 一种桥梁寿命预测方法 | |
CN112446612B (zh) | 一种软刚臂系泊***连接结构的损伤评估***的评估方法 | |
Mohamed et al. | Classification of Process Pipework Vibration Using Machine Learning Check for updates | |
CN114118644A (zh) | 一种电厂运行故障诊断***及其诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |