CN116756656A - 一种工程结构异常识别方法、***、电子设备及存储介质 - Google Patents

一种工程结构异常识别方法、***、电子设备及存储介质 Download PDF

Info

Publication number
CN116756656A
CN116756656A CN202311006572.6A CN202311006572A CN116756656A CN 116756656 A CN116756656 A CN 116756656A CN 202311006572 A CN202311006572 A CN 202311006572A CN 116756656 A CN116756656 A CN 116756656A
Authority
CN
China
Prior art keywords
engineering structure
data
training
detected
reconstruction
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.)
Pending
Application number
CN202311006572.6A
Other languages
English (en)
Inventor
杜博文
张稚馨
谢铭轩
叶俊辰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202311006572.6A priority Critical patent/CN116756656A/zh
Publication of CN116756656A publication Critical patent/CN116756656A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开一种工程结构异常识别方法、***、电子设备及存储介质，涉及土木工程结构健康监测技术领域，所述方法包括：获取待检工程结构的多个传感器在当前时段中多个采样时刻的原始监测数据；将待检工程结构的各原始监测数据输入至数据重构模型的编码器中，得到各原始监测数据对应的隐藏层向量；利用高斯函数，基于所有隐藏层向量确定待检工程结构在当前时段的监测数据取值的概率；根据概率确定待检工程结构的异常情况。本发明利用数据重构模型先对原始监测数据进行重构，减少了现实中的噪声对数据的干扰，提高了监测数据的鲁棒性，提高了工程结构异常检测的准确性。

Description

一种工程结构异常识别方法、***、电子设备及存储介质
技术领域
本发明涉及土木工程结构健康监测技术领域，特别是涉及一种工程结构异常识别方法、***、电子设备及存储介质。
背景技术
随着数字化监测技术的发展，结构健康检测***（Structural HealthyMonitoring System，SHMS）被越来越多的用在基础设施健康监测领域。SHMS积累了大量的监测数据，为开展结构健康监测基础科学问题的研究奠定了基础。传统的异常检测方法大多基于领域知识和物理模型仿真。尽管此类方法具有较高的可解释性，但受限于对相关专业知识的高度依赖，并且无法综合考虑众多外部因素的影响，因此基于力学模型的研究无法较好地完成基础设施结构健康监测。
近年来，随着人工智能和机器学习技术的发展，基于数据驱动的异常检测方法得到研究人员的重视。与传统的基于力学模型的方法不同，基于数据驱动的方法能够挖掘数据间潜在的、深层的、复杂的关系，通过度量学习和非线性特征提取构建早期微损伤的特征集，实现对基础设施性态的精准认知，以及对早期微破坏和隐蔽缺陷的智能识别。
然而SHMS数据采集过程常受到湿度、温度、电磁场环境、传输功率、传感器性能退化等众多外部因素的影响，因此采集到的数据通常含有较多噪声，这些噪声影响了检测模型对基础设施性态的判断，带来安全隐患和不必要的人力、经济损失。因此，现有的异常检测方法在实际场景中的应用效果还有待提升，工程结构异常检测的检测准确性较低。
发明内容
本发明的目的是提供一种工程结构异常识别方法、***、电子设备及存储介质，提高了工程结构异常检测的准确性。
为实现上述目的，本发明提供了如下方案：
一种工程结构异常识别方法、***、电子设备及存储介质，包括：
获取待检工程结构的多个传感器在当前时段中多个采样时刻的原始监测数据；
将所述待检工程结构的各原始监测数据输入至数据重构模型的编码器中，得到各原始监测数据对应的隐藏层向量；所述数据重构模型是利用训练集对重构网络进行训练得到的；所述重构网络包括编码器和解码器；
利用高斯函数，基于所有所述隐藏层向量确定待检工程结构在当前时段的监测数据取值的概率；
根据所述概率确定所述待检工程结构的异常情况。
可选地，利用高斯函数，基于所有所述隐藏层向量确定待检工程结构在当前时段的监测数据取值的概率，具体包括：
基于各传感器对应的所有隐藏层向量，计算对应的隐藏层向量均值，从而得到均值矩阵；
计算各传感器对应的所有隐藏层向量和均值矩阵的协方差矩阵；
利用高斯函数，基于所有隐藏层向量、所述均值矩阵和所述协方差矩阵，计算待检工程结构在当前时段的监测数据取值的概率。
可选地，根据所述概率确定所述待检工程结构的异常情况，具体包括：
当所述概率小于随机异常阈值时，所述待检工程结构存在随机异常；
当所述概率小于结构异常阈值时，所述待检工程结构存在结构异常。
可选地，所述数据重构模型的训练过程，包括：
获取多个训练用结构工程的N个传感器在T个采样时刻的原始监测数据；T≥1，N≥1；
利用大小为w的滑动窗口，对各所述传感器对应的原始监测数据均进行数据截取，从而得到各训练用结构工程的对应的N×（T-w+1）×w的输入数据；
对各输入数据均添加随机噪声，得到添加噪声后的输入数据；
将各所述输入数据和对应的添加噪声后的输入数据作为训练集，对重构网络进行训练，得到数据重构模型。
可选地，将各所述输入数据和对应的添加噪声后的输入数据作为训练集，对重构网络进行训练，得到数据重构模型，具体包括：
初始化所述重构网络中的参数；
利用各所述输入数据和对应的添加噪声后的输入数据，对重构网络进行训练，得到所述数据重构模型，其中，对于任一当前训练次数下的训练过程包括：
将各添加噪声后的输入数据输入至当前训练次数下的重构网络中，得到对应的当前训练次数下的重构数据；
基于所有当前训练次数下的重构数据和对应的输入数据，计算当前训练次数下的损失；
判断是否满足训练停止条件；所述训练停止条件为当前训练次数下的损失小于预设损失阈值或达到预设训练次数；
若是，则将当前训练次数下的重构网络确定为所述数据重构模型；
若否，则更新重构网络中的参数，并进行下一次训练，直到满足所述训练停止条件。
一种工程结构异常识别***，包括：
原始监测数据获取模块，用于获取待检工程结构的多个传感器在当前时段中多个采样时刻的原始监测数据；
隐藏层向量确定模块，用于将所述待检工程结构的各原始监测数据输入至数据重构模型的编码器中，得到各原始监测数据对应的隐藏层向量；所述数据重构模型是利用训练集对重构网络进行训练得到的；所述重构网络包括编码器和解码器；
概率计算模块，用于利用高斯函数，基于所有所述隐藏层向量确定待检工程结构在当前时段的监测数据取值的概率；
异常检测模块，用于根据所述概率确定所述待检工程结构的异常情况。
一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述所述的工程结构异常识别方法、***、电子设备及存储介质。
一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如上述所述的工程结构异常识别方法、***、电子设备及存储介质。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种工程结构异常识别方法、***、电子设备及存储介质，首先获取待检工程结构的多个传感器在当前时段中多个采样时刻的原始监测数据；其次，将待检工程结构的各原始监测数据输入至数据重构模型的编码器中，得到各原始监测数据对应的隐藏层向量；再次，利用高斯函数，基于所有隐藏层向量确定待检工程结构在当前时段的监测数据取值的概率；最后，根据概率确定待检工程结构的异常情况。本发明利用数据重构模型先对原始监测数据进行重构，减少了现实中的噪声对数据的干扰，提高了监测数据的鲁棒性，提高了工程结构异常检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的工程结构异常识别方法流程示意图。
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。
本发明的目的是提供一种工程结构异常识别方法、***、电子设备及存储介质，旨在提高工程结构异常检测的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
图1为本发明实施例1提供的工程结构异常识别方法流程示意图。如图1所示，本实施例中的工程结构异常识别方法，包括：
步骤101：获取待检工程结构的多个传感器在当前时段中多个采样时刻的原始监测数据。
步骤102：将待检工程结构的各原始监测数据输入至数据重构模型的编码器中，得到各原始监测数据对应的隐藏层向量。
其中，数据重构模型是利用训练集对重构网络进行训练得到的；重构网络包括编码器和解码器。
步骤103：利用高斯函数，基于所有隐藏层向量确定待检工程结构在当前时段的监测数据取值的概率。
步骤104：根据概率确定待检工程结构的异常情况。
作为一种可选的实施方式，步骤103，具体包括：
基于各传感器对应的所有隐藏层向量，计算对应的隐藏层向量均值，从而得到均值矩阵。
具体的，均值矩阵H1的计算公式为：
H1=mean(H)。
其中，mean( )为均值函数，H为任一传感器对应的所有隐藏层向量构成的矩阵。
计算各传感器对应的所有隐藏层向量和均值矩阵的协方差矩阵。
具体的，协方差矩阵cov(H1，H)的计算公式为：
cov(H1,H)=transpose(H-H1)×(H-H1)/(N1×(T1-w1+1)×w1)。
其中，transpose()为矩阵转置，N1为待检工程结构对应的传感器的数量，T1为待检工程结构对应的采样时刻的数量，w1为待检工程结构对应的滑动窗口的大小。
利用高斯函数，基于所有隐藏层向量、均值矩阵和协方差矩阵，计算待检工程结构在当前时段的监测数据取值的概率。
具体的，概率gauss(H)的计算公式为：
。
其中，gauss( )为高斯函数，D为隐藏层向量特征的维度总数，k为隐藏层向量特征的维度序号，σk为协方差矩阵中第k维的协方差，e为自然数，hk为隐藏层向量构成的矩阵中第k维元素，μk为均值矩阵中第k维均值向量。
作为一种可选的实施方式，步骤104，具体包括：
当概率小于随机异常阈值时，待检工程结构存在随机异常。
当概率小于结构异常阈值时，待检工程结构存在结构异常。
具体的，对于既不存在结构异常也不存在随机异常对应的原始监测数据，认为是正常数据。对于正常数据，不用处理。对于随机异常数据，判定是传感器受到例如温度、湿度等外部因素（基础设施本身的结构发生变化是内部因素，温度、湿度等算外部因素）产生的波动，不用特殊处理。对于结构异常，判定是待检工程结构（如桥梁、隧道等）发生了结构性损坏，可能会导致安全事故，需要专业人员进行排查。
作为一种可选的实施方式，数据重构模型的训练过程，包括：
获取多个训练用结构工程的N个传感器在T个采样时刻的原始监测数据；T≥1，N≥1。
利用大小为w的滑动窗口，对各传感器对应的原始监测数据均进行数据截取，从而得到各训练用结构工程的对应的N×（T-w+1）×w的输入数据。
其中，T-w+1为每个传感器对应的滑动窗口的数量。
对各输入数据均添加随机噪声，得到添加噪声后的输入数据。
实际上，在对输入数据添加随机噪声之前，还对输入数据进行归一化处理，归一化处理的公式为：。其中，y为归一化后的输入数据，x为输入数据，min(X)为所有输入数据中的最小值，max(X)为所有输入数据中的最大值。
将各输入数据和对应的添加噪声后的输入数据作为训练集，对重构网络进行训练，得到数据重构模型。
作为一种可选的实施方式，将各输入数据和对应的添加噪声后的输入数据作为训练集，对重构网络进行训练，得到数据重构模型，具体包括：
初始化重构网络中的参数。
具体的，重构网络由一个编码器和一个解码器组成，编码器和解码器都由一层单向长短期记忆（Long Short-Term Memory，LSTM）人工神经网络组成，并且在编码器和解码器输出上添加随机失活层（dropout层）以缓解模型过拟合现象。
利用各输入数据和对应的添加噪声后的输入数据，对重构网络进行训练，得到数据重构模型，其中，对于任一当前训练次数下的训练过程包括：
将各添加噪声后的输入数据输入至当前训练次数下的重构网络中，得到对应的当前训练次数下的重构数据。
具体的，利用重构网络得到重构数据X1的公式为：
X1=LSTM2(LSTM1(X+ε))。
其中，X+ε为输入重构网络中的数据，X为添加随机噪声前的数据，ε为随机噪声，LSTM1( )为编码器对应的LSTM，LSTM2( )为解码器对应的LSTM。
基于所有当前训练次数下的重构数据和对应的输入数据，计算当前训练次数下的损失。
具体的，损失Loss的计算公式为：
Loss=MSE(X,X1)。
其中，MSE( )为均方误差函数。
判断是否满足训练停止条件；训练停止条件为当前训练次数下的损失小于预设损失阈值或达到预设训练次数。
若是，则将当前训练次数下的重构网络确定为数据重构模型。
若否，则更新重构网络中的参数，并进行下一次训练，直到满足训练停止条件。
实施例2
本实施例中的工程结构异常识别***，包括：
原始监测数据获取模块，用于获取待检工程结构的多个传感器在当前时段中多个采样时刻的原始监测数据。
隐藏层向量确定模块，用于将待检工程结构的各原始监测数据输入至数据重构模型的编码器中，得到各原始监测数据对应的隐藏层向量；数据重构模型是利用训练集对重构网络进行训练得到的；重构网络包括编码器和解码器。
概率计算模块，用于利用高斯函数，基于所有隐藏层向量确定待检工程结构在当前时段的监测数据取值的概率。
异常检测模块，用于根据概率确定待检工程结构的异常情况。
实施例3
一种电子设备，包括：
一个或多个处理器。
存储装置，其上存储有一个或多个程序。
当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现如实施例1中的工程结构异常识别方法、***、电子设备及存储介质。
实施例4
一种存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现如实施例1中的工程结构异常识别方法、***、电子设备及存储介质。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例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 (8)

1.一种工程结构异常识别方法，其特征在于，所述方法包括：
获取待检工程结构的多个传感器在当前时段中多个采样时刻的原始监测数据；
将所述待检工程结构的各原始监测数据输入至数据重构模型的编码器中，得到各原始监测数据对应的隐藏层向量；所述数据重构模型是利用训练集对重构网络进行训练得到的；所述重构网络包括编码器和解码器；
利用高斯函数，基于所有所述隐藏层向量确定待检工程结构在当前时段的监测数据取值的概率；
根据所述概率确定所述待检工程结构的异常情况。
2.根据权利要求1所述的工程结构异常识别方法，其特征在于，利用高斯函数，基于所有所述隐藏层向量确定待检工程结构在当前时段的监测数据取值的概率，具体包括：
基于各传感器对应的所有隐藏层向量，计算对应的隐藏层向量均值，从而得到均值矩阵；
计算各传感器对应的所有隐藏层向量和均值矩阵的协方差矩阵；
利用高斯函数，基于所有隐藏层向量、所述均值矩阵和所述协方差矩阵，计算待检工程结构在当前时段的监测数据取值的概率。
3.根据权利要求1所述的工程结构异常识别方法，其特征在于，根据所述概率确定所述待检工程结构的异常情况，具体包括：
当所述概率小于随机异常阈值时，所述待检工程结构存在随机异常；
当所述概率小于结构异常阈值时，所述待检工程结构存在结构异常。
4.根据权利要求1所述的工程结构异常识别方法，其特征在于，所述数据重构模型的训练过程，包括：
获取多个训练用结构工程的N个传感器在T个采样时刻的原始监测数据；T≥1，N≥1；
利用大小为w的滑动窗口，对各所述传感器对应的原始监测数据均进行数据截取，从而得到各训练用结构工程的对应的N×（T-w+1）×w的输入数据；
对各输入数据均添加随机噪声，得到添加噪声后的输入数据；
将各所述输入数据和对应的添加噪声后的输入数据作为训练集，对重构网络进行训练，得到数据重构模型。
5.根据权利要求4所述的工程结构异常识别方法，其特征在于，将各所述输入数据和对应的添加噪声后的输入数据作为训练集，对重构网络进行训练，得到数据重构模型，具体包括：
初始化所述重构网络中的参数；
利用各所述输入数据和对应的添加噪声后的输入数据，对重构网络进行训练，得到所述数据重构模型，其中，对于任一当前训练次数下的训练过程包括：
将各添加噪声后的输入数据输入至当前训练次数下的重构网络中，得到对应的当前训练次数下的重构数据；
基于所有当前训练次数下的重构数据和对应的输入数据，计算当前训练次数下的损失；
判断是否满足训练停止条件；所述训练停止条件为当前训练次数下的损失小于预设损失阈值或达到预设训练次数；
若是，则将当前训练次数下的重构网络确定为所述数据重构模型；
若否，则更新重构网络中的参数，并进行下一次训练，直到满足所述训练停止条件。
6.一种工程结构异常识别***，其特征在于，所述***包括：
原始监测数据获取模块，用于获取待检工程结构的多个传感器在当前时段中多个采样时刻的原始监测数据；
隐藏层向量确定模块，用于将所述待检工程结构的各原始监测数据输入至数据重构模型的编码器中，得到各原始监测数据对应的隐藏层向量；所述数据重构模型是利用训练集对重构网络进行训练得到的；所述重构网络包括编码器和解码器；
概率计算模块，用于利用高斯函数，基于所有所述隐藏层向量确定待检工程结构在当前时段的监测数据取值的概率；
异常检测模块，用于根据所述概率确定所述待检工程结构的异常情况。
7.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至5中任意一项所述的工程结构异常识别方法、***、电子设备及存储介质。
8.一种存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至5中任意一项所述的工程结构异常识别方法、***、电子设备及存储介质。
CN202311006572.6A 2023-08-11 2023-08-11 一种工程结构异常识别方法、***、电子设备及存储介质 Pending CN116756656A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311006572.6A CN116756656A (zh) 2023-08-11 2023-08-11 一种工程结构异常识别方法、***、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311006572.6A CN116756656A (zh) 2023-08-11 2023-08-11 一种工程结构异常识别方法、***、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116756656A true CN116756656A (zh) 2023-09-15

Family

ID=87948057

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311006572.6A Pending CN116756656A (zh) 2023-08-11 2023-08-11 一种工程结构异常识别方法、***、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116756656A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111539769A (zh) * 2020-04-27 2020-08-14 支付宝(杭州)信息技术有限公司 基于差分隐私的异常检测模型的训练方法及装置
CN114881331A (zh) * 2022-05-09 2022-08-09 西安交通大学 一种面向在线教育的学习者异常学习状态预测方法
CN115833937A (zh) * 2022-11-17 2023-03-21 中兴飞流信息科技有限公司 一种基于变分自编码器和长短时记忆网络混合模型的光模块故障预测方法
CN115903741A (zh) * 2022-11-18 2023-04-04 南京信息工程大学 一种工业控制***数据异常检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111539769A (zh) * 2020-04-27 2020-08-14 支付宝(杭州)信息技术有限公司 基于差分隐私的异常检测模型的训练方法及装置
CN114881331A (zh) * 2022-05-09 2022-08-09 西安交通大学 一种面向在线教育的学习者异常学习状态预测方法
CN115833937A (zh) * 2022-11-17 2023-03-21 中兴飞流信息科技有限公司 一种基于变分自编码器和长短时记忆网络混合模型的光模块故障预测方法
CN115903741A (zh) * 2022-11-18 2023-04-04 南京信息工程大学 一种工业控制***数据异常检测方法

Similar Documents

Publication Publication Date Title
CN112649198B (zh) 类不平衡滚动轴承智能故障诊断方法、***、设备及应用
CN109308522B (zh) 一种基于循环神经网络的gis故障预测方法
Sun et al. Stacked denoising autoencoder with density-grid based clustering method for detecting outlier of wind turbine components
Cai et al. Anomaly detection of earthquake precursor data using long short-term memory networks
CN111582298A (zh) 一种基于人工智能的传感异常数据实时检测方法
CN112257263B (zh) 基于自注意力机制的设备剩余寿命预测***
CN113989257A (zh) 基于人工智能技术的电力综合管廊沉降裂缝识别方法
CN112559598B (zh) 一种基于图神经网络的遥测时序数据异常检测方法及***
CN115184054B (zh) 机械设备半监督故障检测分析方法、装置、终端及介质
CN117809164A (zh) 基于多模态融合的变电站设备故障检测方法及***
CN116108995A (zh) 感潮河段船舶油耗预测方法、装置及电子设备
CN116677569A (zh) 一种风机塔架应力监测与预警方法及其***
Li et al. A novel feature extraction method based on discriminative graph regularized autoencoder for fault diagnosis
CN114445917A (zh) 一种人脸活体识别网络训练方法、***及电子设备
CN113239886B (zh) 基于跨语言图像变化描述的井下管道泄漏描述方法及装置
Giglioni et al. Deep autoencoders for unsupervised damage detection with application to the Z24 benchmark bridge
Chen et al. Data-driven monitoring for distributed sensor networks: An end-to-end strategy based on collaborative learning
CN116756656A (zh) 一种工程结构异常识别方法、***、电子设备及存储介质
CN116702005A (zh) 一种基于神经网络的数据异常诊断方法和电子设备
CN111275025A (zh) 一种基于深度学习的车位检测方法
CN116468894A (zh) 面向锂电池极片可监督学习的距离自适应掩码生成方法
CN114897047B (zh) 基于深度字典的多传感器数据漂移检测方法
Gong et al. Photovoltaic arrays fault diagnosis based on an improved dilated convolutional neural network with feature-enhancement
CN113344915B (zh) 一种输电线路关键部件缺陷检测方法及***
CN113067805B (zh) 基于边缘计算的物联网弱电磁干扰攻击检测方法及***

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20230915