论文部分内容阅读
桥梁健康监测系统通过采集安装在桥梁各主要部位的传感器数据来监测桥梁的运行状态,通过对监测数据的分析为桥梁的管理和养护提供科学决策,从而有效的减少或者避免桥梁事故的发生。在健康监测系统的长期运行中会因为传感器故障、传输线路困扰等多种因素导致采集、传输、存储等环节出现不同程度、不同特征的异常数据,而这些异常数据将严重影响数据分析的结果,因此以数据异常检测和数据质量评估为主要内容的数据处理技术是科学有效应用这些数据的基础和关键。本文针对桥梁健康监测系统异常数据的特征,研究了异常数据检测和数据质量评估,主要内容如下:1.对于异常数据检测,提出了基于KNN距离的单一变量模式异常检测方法和基于协方差矩阵以及奇异值分解的多元时间序列异常检测方法。基于KNN距离的单一变量模式异常检测方法主要用于检测温度、风力、湿度等环境监测数据,这类数据的变化不能通过应变、挠度等结构属性数据变化反映。该方法首先对原始数据序列进行基于重要点的压缩分割,得到多个时间子序列,然后根据时间序列的相似性度量计算各个时间子序列之间的模式距离,最后根据KNN方法进行异常模式的选择。基于协方差矩阵以及奇异值分解的多元时间序列异常检测方法主要用于检测应变、挠度等桥梁结构属性数据,这类数据受环境因素影响,同时各类型数据之间的相关性处于长期相对稳定。该方法首先采用协方差矩阵计算多元变量之间相关性,然后使用奇异值分解求解协方差矩阵的特征向量和变量对相关性的贡献权重,最后运用扩展的Frobenius范数距离计算多元时间序列的相似性距离并使用KNN方法完成异常模式的选取。2.对于数据质量评估,提出了基于K-Means分类方法的桥梁监测数据质量评估方法。该方法结合数据变化率和聚类方法K-Means对桥梁数据进行了聚类,把桥梁数据划分成多个类簇,独立出可能成为异常的一部分数据,然后利用异常数据的占比评判数据的准确性情况,最后结合多个传感器的聚类结果对数据的准确性进行总体统计评估。本文用正在运行的重庆市某桥梁健康监测系统的监测数据对提出的算法进行了验证,结果表明这些算法能有效的检测出多种异常数据,并能对数据质量进行有效评估。