基于时空图卷积网络的结构健康监测数据异常识别方法与流程

本发明涉及建筑结构健康监测领域，具体涉及一种基于时空图卷积网络的结构健康监测数据异常识别方法。

背景技术：

建筑结构健康监测系统通过实时监测的方式及时识别损伤、评定结构状态和服役性能，为结构的安全运营和维护工作提供科学依据。桥梁健康监测系统实时记录了环境条件、结构温度、变形、应力、加速度等大量数据，为桥梁长期力学行为及其演化规律的研究奠定了基础。

近年来，随着建筑结构健康监测领域的迅速发展，基于监测数据的结构异常诊断和结构状态评定方法也取得很大进步。这些方法通过关联分析和模式识别等手段进行异常检测，根据数据模式的变化分析服役结构的损伤与变异，为结构的安全运营和维护工作提供科学依据。但是，结构健康监测系统中布置的部分传感器在结构服役期间不可避免地出现信号漂移、幅值变化、噪声增大、精度下降等故障，传感器自身的不可靠严重影响了基于结构健康监测系统的结构状态评定方法的鲁棒性。传感器故障和结构变异都会影响监测数据的关联模式，但传统的结构变异或损伤诊断方法难以从数据模式上予以区分，而传感器故障识别和定位方法不适用于检测结构异常问题。因此有必要寻找一种结构健康监测数据异常识别方法，在识别数据模式异常的基础上，能够区分这种异常的成因是传感器故障还是结构变异。

技术实现要素：

基于以上不足之处，本发明的目的是提供一种基于时空图卷积网络的结构健康监测数据异常识别方法，解决现有结构异常诊断方法难以区分传感器故障和结构变异的缺点，实现了故障传感器的定位和结构变异的识别。

本发明所采用的技术如下：一种基于时空图卷积网络的结构健康监测数据异常识别方法，包括如下步骤：

步骤1、对采集的结构健康监测数据进行预处理并创建训练实例。

步骤2、利用可学习邻接矩阵的时空图卷积网络对结构监测数据进行时空关联建模，将不同距离节点的信息分层次地用于数据回归，设计对应的网络结构和目标函数惩罚项；

步骤3、使用监测系统建成初期的实测数据作为训练集，训练网络并获取邻接矩阵，计算模型残差的阈值；

步骤4、将后续的实测数据输入网络后计算模型残差和诊断指标，如果诊断指标超过阈值，视作数据模式异常的传感器；

步骤5、罗列数据模式异常的传感器及关键邻接边，结合模型残差和边权重判断数据模式异常是局部的还是全局的，其中局部异常对应于传感器故障，全局异常对应于结构损伤或变异。

进一步地，所述步骤1中：

从结构健康监测系统中采集某项监测数据，经数据标准化处理后通过等时间间隔采样用作训练实例，训练实例包括模型输入矩阵和标签向量，对应于t时刻训练实例的模型输入表示为：

标签表示为xt，输入和标签的维度分别为n×s和n。其中，xt是t时刻的传感器信号集合，n是考虑的传感器数量，s是模型输入选取的时间步，δt是时间步间隔。

进一步地，所述步骤2中：

建立可学习邻接矩阵的时空图卷积网络，网络包括图卷积层、时间卷积层和融合层；在图卷积层，将传感器的空间关系表示为连通图，传感器是连通图上的顶点，顶点之间的有向边在模型训练中自动学习，通过图卷积操作聚合相邻的节点信息；在时间卷积层，一维卷积沿时间轴操作，聚合邻近时间点的信息；融合层将一阶相邻、二阶相邻和三阶相邻的节点信息分层次地融合。

图卷积层采用可学习邻接矩阵的图卷积网络，第l个图卷积层的计算表示为

z＝a^(l)xw^(l)(2)

式中a^(l)是可学习的邻接矩阵，行归一化处理，维度为n×n；x是每个时间步的输入，维度为n×f^(l)，f^(l)是输入特征数；w^(l)是待训练的权重参数，维度为f^(l)×c^(l)，c^(l)是输出特征数。

时间卷积层采用1维卷积神经网络。

融合层的计算表示为

式中表示考虑l阶相邻节点的输出，和分别对应于l1-5、l2-4和l3-3层的输出；kl为待训练的权重。

时空图卷积网络结构及各层参数分别为：

l1-1层，输入维度为n×s，对每个时间步的输入n执行图卷积层操作，图卷积层输出特征数量为10，输出维度为n×s×10；

l1-2层，上接l1-1层，输入维度为n×s×10，对每个传感器的输入s×10执行时间卷积层操作，卷积核尺寸为3，数量为32，步距为d⁽¹⁾，输出维度为n×s⁽¹⁾×32；

l1-3层，上接l1-2层，输入维度为n×s⁽¹⁾×32，对每个传感器的输入s⁽¹⁾×32执行时间卷积层操作，卷积核尺寸为3，数量为64，步距为d⁽²⁾，输出维度为n×s⁽²⁾×64；

l1-4层，上接l1-3层，输入维度为n×s⁽²⁾×64，对每个传感器的输入s⁽²⁾×64执行时间卷积层操作，卷积核尺寸为s⁽²⁾，数量为64，输出维度为n×1×64；

l1-5层，上接l1-4层，输入维度为n×1×64，执行线性变换操作，输出维度为n；

l2-1层，上接l1-2层，输入维度为n×s⁽¹⁾×32，对每个时间步的输入n×32执行图卷积层操作，图卷积层输出特征数量为10，输出维度为n×s⁽¹⁾×10；

l2-2层，上接l2-1层，输入维度为n×s⁽¹⁾×10，对每个传感器的输入s⁽¹⁾×10执行时间卷积层操作，卷积核尺寸为3，数量为64，步距为d⁽²⁾，输出维度为n×s⁽²⁾×64；

l2-3层，上接l2-2层，输入维度为n×s⁽²⁾×64，对每个传感器的输入s⁽²⁾×64执行时间卷积层操作，卷积核尺寸为s⁽²⁾，数量为64，输出维度为n×1×64；

l2-4层，上接l2-3层，输入维度为n×1×64，执行线性变换操作，输出维度为n；

l3-1层，上接l2-2层，输入维度为n×s⁽²⁾×64，对每个时间步的输入n×64执行图卷积层操作，图卷积层输出特征数量为10，输出维度为n×s⁽¹⁾×10；

l3-2层，上接l3-1层，输入维度为n×s⁽²⁾×64，对每个传感器的输入s⁽²⁾×64执行时间卷积层操作，卷积核尺寸为s⁽²⁾，数量为64，输出维度为n×1×64；

l3-3层，上接l3-2层，输入维度为n×1×64，执行线性变换操作，输出维度为n；

l4，上接l1-5层、l2-4层、l3-3层，三个输入维度均为n，执行融合层操作，输出维度为n。

其中，l1-5层、l2-4层、l3-3层选用tanh激活函数，其他层可选用relu/leakyrelu等其他激活函数。

l1-5层、l2-4层、l3-3层的输出分别考虑了一阶相邻、二阶相邻和三阶相邻的传感器信息。

目标函数选用均方误差mse，在此基础上增加2个惩罚项。惩罚项表示为

式中tr(·)表示矩阵的迹；λ1,l和λ2,l表示第1个和第2个惩罚项系数表示惩罚项系数。

其中，惩罚项1的目的是避免节点自身信息用于自己的回归预测；惩罚项2的目的是保证一阶相邻信息在回归中占主导地位，二阶相邻和三阶相邻信息能提高回归精度，但在回归中占比极小。由于保证了一阶相邻的主导，传感器故障的引起的数据模式异常只会影响到自身和连通图上的一阶相邻节点，在后续分析中只需考虑一阶相邻节点。

进一步地，所述步骤3中：模型残差的阈值根据3σ准则确定。

进一步地，所述步骤4中：诊断指标是超过阈值部分的模型残差，传感器诊断指标不为0的传感器被视作数据模式异常的传感器。

进一步地，所述步骤5中：

关键邻接边指在训练过程中学习获取的连通图上，以数据模式异常传感器为起点的有向邻接边，重点关注高权重的和数据模式异常传感器之间的关键邻接边；边权重与邻接矩阵权重对应。

传感器故障只会导致某个或某几个传感器的信号偏差，而结构的损伤或变异则会影响总体的数据模式。根据这一特性，可将数据模式的异常分为局部异常和总体异常。

如果数据模式异常的传感器集中在连通图某个或某几个中心传感器的一阶相邻范围内，且中心传感器的诊断指标最大，周围传感器诊断指标较小且正负号相反，可以认为数据异常是局部的，而中心传感器即是故障传感器。由于本方法能清晰识别故障传感器，对于具有较高冗余度的传感器网络，信号预测可以达到较高的精度，可用预测值代替监测数据，或是采取其他有针对性的数据修正措施。如果排除故障信号后各传感器数据模式均恢复正常，则该模型在后续的异常识别中可继续使用。

数据异常模式复杂且具有全局性时，通常是由结构损伤或变异引起的效应，不存在中心传感器。不排除在较为罕见的情况下，大量传感器同时发生故障产生类似全局的影响；为此，可将具有较高诊断指标的传感器移除，重复步骤1至4，对时空模型进行重新训练，进一步验证诊断指标异常是由局部效应还是全局效应引起。

本发明的优点及有益效果为：本发明准确、清晰，能直观区分传感器故障和结构损伤变异引起的数据模式改变。在时空数据建模中，以健康监测系统建成初期的数据用于模型训练，考虑了运营期间各种荷载和环境效应等因素。对于传感器故障问题，可以同时识别多个异常传感器，显著提高了分析效率。通过基于深度神经网络的时空关联建模，提高模型的准确性和检测异常的灵敏性；通过排除故障传感器的影响，提高结构损伤变异诊断方法的鲁棒性。本发明还可推广到各类结构健康监测系统的异常识别，为结构的管理和养护工作提供科学依据。

附图说明

图1为本发明的流程示意图；

图2为本发明步骤2的时空图卷积网络结构示意图；

图3为本发明步骤5的传感器故障所致数据模式局部异常的示意图；

图4为本发明的一个实施例中2007年11月至12月异常识别的结果展示；其中图4(a)是各传感器诊断指标的示意图；图4(b)是数据模式异常传感器的邻接关系的示意图；图4(c)是修正故障传感器错误信号后各传感器诊断指标的示意图；

图5为本发明的一个实施例中2009年1月至5月异常识别的结果展示；其中图5(a)是各传感器诊断指标的示意图；图5(b)是数据模式异常传感器的邻接关系的示意图。

具体实施方式

下面根据说明书附图举例对本发明做进一步说明：

实施例1

如图1所示，一种基于深度学习的结构健康监测系统传感器故障与结构变异识别方法，包括如下步骤：

步骤1、对某斜拉桥健康监测系统前四年的索力监测数据进行预处理，选取连续42个索力传感器的索力趋势项数据并进行标准化处理，以5min为时间间隔，考虑7个时间步，创建训练实例的数据集。

步骤2、利用可学习邻接矩阵的时空图卷积网络对结构监测数据进行时空关联建模，将不同距离节点的信息分层次地用于数据回归，设计对应的网络结构和目标函数惩罚项；

步骤3、使用监测系统建成初期(2006年至2007年初)的实测数据作为训练集，训练网络并获取邻接矩阵，计算模型残差的阈值；

步骤4、将后续的实测数据输入网络后计算模型残差和诊断指标，如果诊断指标超过阈值，视作数据模式异常的传感器；

步骤5、罗列数据模式异常的传感器及关键邻接边，结合模型残差和边权重判断数据模式异常是局部的还是全局的，其中局部异常对应于传感器故障，全局异常对应于结构损伤或变异。

步骤1中，从结构健康监测系统中采集某项监测数据，经数据标准化处理后通过等时间间隔采样用作训练实例，训练实例包括模型输入矩阵和标签向量，对应于t时刻训练实例的模型输入表示为：

标签表示为xt，输入和标签的维度分别为n×s和n。其中，xt是t时刻的传感器信号集合，n是考虑的传感器数量，s是模型输入选取的时间步，δt是时间步间隔，实施例中n＝42，s＝7，δt＝5min。

步骤2中，建立可学习邻接矩阵的时空图卷积网络，网络包括图卷积层、时间卷积层和融合层。

图卷积层采用可学习邻接矩阵的图卷积网络，第l个图卷积层的计算表示为

z＝a^(l)xw^(l)(2)

式中a^(l)是可学习的邻接矩阵，行归一化处理，维度为n×n；x是每个时间步的输入，维度为n×f^(l)，f^(l)是输入特征数；w^(l)是待训练的权重参数，维度为f^(l)×c^(l)，c^(l)是输出特征数。

时间卷积层采用1维卷积神经网络。

融合层的计算表示为

式中表示考虑l阶相邻节点的输出，和分别对应于l1-5、l2-4和l3-3层的输出；kl为待训练的权重。

如图2，步骤2中时空图卷积网络各层参数分别为：

l1-1层，输入维度为42×7×1，对每个时间步的输入42×1执行图卷积层操作，图卷积层输出特征数量为10，输出维度为42×7×10；

l1-2层，上接l1-1层，输入维度为42×7×10，对每个传感器的输入7×10执行时间卷积层操作，卷积核尺寸为3，数量为32，步距为1，输出维度为42×5×32；

l1-3层，上接l1-2层，输入维度为42×5×32，对每个传感器的输入5×32执行时间卷积层操作，卷积核尺寸为3，数量为64，步距为1，输出维度为42×3×64；

l1-4层，上接l1-3层，输入维度为42×3×64，对每个传感器的输入3×64执行时间卷积层操作，卷积核尺寸为3，数量为64，输出维度为42×1×64；

l1-5层，上接l1-4层，输入维度为42×1×64，执行线性变换操作，输出维度为42；

l2-1层，上接l1-2层，输入维度为42×5×32，对每个时间步的输入42×32执行图卷积层操作，图卷积层输出特征数量为10，输出维度为42×5×10；

l2-2层，上接l2-1层，输入维度为42×5×10，对每个传感器的输入5×10执行时间卷积层操作，卷积核尺寸为3，数量为64，步距为1，输出维度为42×3×64；

l2-3层，上接l2-2层，输入维度为42×3×64，对每个传感器的输入3×64执行时间卷积层操作，卷积核尺寸为3，数量为64，输出维度为42×1×64；

l2-4层，上接l2-3层，输入维度为42×1×64，执行线性变换操作，输出维度为42；

l3-1层，上接l2-2层，输入维度为42×3×64，对每个时间步的输入42×64执行图卷积层操作，图卷积层输出特征数量为10，输出维度为42×3×10；

l3-2层，上接l3-1层，输入维度为42×3×64，对每个传感器的输入3×64执行时间卷积层操作，卷积核尺寸为3，数量为64，输出维度为42×1×64；

l3-3层，上接l3-2层，输入维度为42×1×64，执行线性变换操作，输出维度为42；

l4层，上接l1-5层、l2-4层、l3-3层，三个输入维度均为42，执行融合层操作，输出维度为42。

目标函数选用均方误差mse，在此基础上增加2个惩罚项。惩罚项表示为

式中tr(·)表示矩阵的迹；λ1,l和λ2,l分别表示第1个和第2个惩罚项系数。

如图4(a)所示，2007年11月至12月的传感器诊断指标表明数据模式出现异常。通过分析图4(b)中的关键边和诊断指标，可以观察到传感器35和传感器42诊断指标最大。传感器35指向的传感器16、36、38，以及传感器41指向的传感器39、40、42，也有不同程度的数据异常，异常程度和连接边权重大致呈正相关；此外，传感器35和传感器16、36、38诊断指标正负号相反，传感器41和传感器39、40、42诊断指标正负号相反。这符合步骤5对中心传感器的描述，因此可确定35和41是故障传感器，存在信号错误。在修正错误信号后，诊断指标如图4(c)所示，中心传感器35、41和受错误信号影响的传感器16、36、38、39、40、42的诊断指标都恢复正常范围内，该模型也可以继续用于异常识别。

如图5(a)所示，2009年1月至5月的传感器诊断指标表明数据模式出现异常。通过观察图5(b)中的关键边和诊断指标，可以发现大量诊断指标异常的传感器分布在连通图不相邻的位置。分析各传感器诊断指标大小、正负号、连接边权重，无法找到中心传感器，即不能用传感器故障解释，可以确定数据模式的异常是全局性的，这种异常对应于结构的损伤或变异。