桥梁健康监测信息的异常检测模型.docxVIP

桥梁健康监测信息的异常检测模型 1 桥梁监测信息历史数据的异常挖掘模型 给定某一座配有桥梁健康监测系统的在役桥梁的历史监测数据集 U，其中数据集 U 属于多变量时间序列集。对其进行异常挖掘的过程如下： ① 数据整理与压缩：对 U 中包含的所有单变量时间序列进行孤立点检测，去除孤立点后对空缺值进行填补，之后使用主成分分析法对 U 进行压缩，构成CMTS 数据集； ② 聚类与索引建立：将 CMTS 按照一定的标准进行递进式分段，对分段后的CMTS 数据集进行聚类分析，并根据聚类结果建立相应的 B+索引树； ③ 相似查询与样本邻域范围稀疏程度的计算：对分段后的每一个 CMTS 数据段 q 进行基于B+-tree的相似查询，并计算每一个CMTS数据段的LOF(q)值； ④ 样本异常的判断：统计分析所有CMTS数据段的LOF(q)值，结合实际情况制定异常规则，并根据规则判定相应数据段 q是否异常； ⑥ 异常处理：若数据段 q 判定结果为异常，则将其所对应的原历史监测数据集 U 中的数据段删除，并将其在 B+-tree 中对应的相应叶结点删除。 桥梁监测数据历史数据库的异常挖掘模型的模型算法描述如表 4.3。 表4.3异常挖掘模型算法 AnoDetectOnHData(X,k,ns)的算法描述 算法1：AnoDetectOnHData(X,k,ns) 输入变量：样本数据集X，近邻值k，数据集分段单位ns 输出变量：异常规则阈值lofT,异常数据集AnoData begin [Z,w]PCA(X);//对X进行主成分提取 nZ=length(Z(1,:));//获取X的每一个变量的总长度 for i=1:(nZ-ns) sZ(I,:)Z(i:(i+(nZ-ns)-1));//以ns为单位对CMTS进行递进式分段 end lofTAnalysis(LOFs(i));//统计分析所有子集的lof值，选取合适的异常阈值lofA// anolndexfind(LOFslofT);//找出异常样本数据 AnoDataX.anoIndex; btdelete(bt,sZ.anoIndex);//在索引树中删除异常数据对应的信息// sZdelete(sZ(anoIndex,:));//在CMTS集中删除异常数据段 end 2 实时响应信息的异常分析模型 给定某一座配有桥梁健康监测系统的在役桥梁的历史监测数据集 U，其中已完成对 U 的主成分提取并已建立相应的 CMTS 集以及 B+-tree 索引结构。对新采集到的结构响应信息按照一定的规模数量进行处理，以马桑溪大桥为例，马桑溪大桥上的桥梁健康监测系统默认 10 分钟对桥梁结构响应数据进行一次采集，那么假如我们希望可以对马桑溪大桥每一天的结构响应情况进行分析，那么就可以设置结构响应信息的自分析规模为 144（6×24），即每当桥梁健康监测系统中的每一个传感器采集到 144 个数据时（暂不考虑传感器损坏等特殊情况），监测系统便自动对这 144 个数据进行异常检测，判断当天的桥梁健康状态是否异常。对新采集的结构响应多变量时间序列段 q 的异常判断过程如下： ① 数据整理与主成分表示：对多变量时间序列段 q 中的每一个单变量时间 序列进行孤立点分析，并对空缺值进行填补，之后使用样本数据集 U 压缩为 CMTS 的规则对 q 进行主成分表示； ② 样本邻域范围稀疏程度的计算：统计其在样本数据集特征空间内的LOF(q)值； ③ 异常的判断：根据相应的异常规则，判定 q 是否属于异常； ④ 非异常的处理：若检测 q 非异常，则对 q 进行相似查询，找出在样本数据集特征空间中 q 所属的聚类簇，将其插入到 B+-tree 中的相应位置，并与原监测数据集 U 结合组成新的样本数据集； ⑤ 异常的处理：若检测 q 异常，桥梁健康监测系统自动发出警报。实时结构响应信息段的异常判断模型的模型算法描述如表 4.4。 表 4.4 异常判断模型算法 AnoDetectOnNData(X,k,ns)的算法描述 算法2：AnoDetectOnNData(X,q,k) 输入变量：样本数据集X，待检检测数据段q，近邻值K 输出变量：若q异常则返回lof值；若q非异常则返回其聚类簇编号qcIndex begin zqPCA(q); nq=length(zq);//获取q的每一个变量的样本容量 [lofT,bt,sZ]AnoDetectOnHData(X,k,nq); Lof(q)LOF(sZ,zq,k); If lof(q)lofT//若q非异常 qcIndexBTKsearch(sZ,zq,k);//计算其聚类簇