数据异常检测用于基于卷积神经网络的结构健康监测
Soon-Young Kim1, Mukhriddin Mukhiddinov2
1Department of Physical Education, Gachon University, Seongnam 13120, Republic of Korea.
Sensors (Basel, Switzerland)
|October 28, 2023
概括
本研究引入了一个调整的卷积神经网络 (CNN),用于检测结构健康监测 (SHM) 数据中的多种类型的异常. 该方法有效地解决了数据不平衡,在现实世界的桥梁监测中实现了高准确性.
科学领域:
- 土木工程 土木工程是指土木工程.
- 数据科学数据科学数据科学
- 人工智能的人工智能
背景情况:
- 结构健康监测 (SHM) 依赖于实时传感器数据进行民用基础设施评估.
- 来自天气,传感器故障或损坏等因素的数据异常使准确的结构状态确定复杂化.
- 不平衡的数据集,其中一个异常类型占主导地位,对SHM当前异常检测方法构成重大挑战.
研究的目的:
- 开发一种有效的方法来检测SHM数据中的多类不平衡异常.
- 解决现有异常检测技术的局限性,这是由于数据不平衡造成的.
- 通过先进的数据清理过程,提高结构性健康监测的可靠性.
主要方法:
- 一个超参数调整的单维卷积神经网络 (1D CNN) 被提出用于多类不平衡异常检测.
- 该模型的测试使用来自现实世界有线桥的多类时间序列异常数据进行.
- 使用数据增强技术来平衡数据集并扩大其大小.
主要成果:
- 拟议的1D CNN模型在检测多种类型的异常方面表现出有效的性能.
- 使用数据增强平衡数据集显著提高了模型的检测能力.
- 总体精度达到了97.6%,突显了该方法的有效性.
结论:
- 超参数调整的CNN为SHM中多类不平衡异常检测提供了强大的解决方案.
- 数据增强是改善不平衡的SHM数据集中的异常检测性能的一个关键步骤.
- 开发的方法提高了民用基础设施监测的准确性和可靠性.
