公开(公告)号：CN113378967B

公开(公告)日：2022-11-08

申请号：CN202110720189.1

申请日：2021-06-28

Applicant: 哈尔滨工业大学

Inventor： 鲍跃全 ,  邓岳 ,  潘秋月 ,  唐志一 ,  李惠

IPC: G06V10/764 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

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。

公开(公告)号：CN113378967A

公开(公告)日：2021-09-10

申请号：CN202110720189.1

申请日：2021-06-28

Applicant: 哈尔滨工业大学

Inventor： 鲍跃全 ,  邓岳 ,  潘秋月 ,  唐志一 ,  李惠

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

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。