1. 东南大学交通学院
2. 江苏省高速公路经营管理中心
3. 长大桥梁安全长寿与健康运维全国重点实验室苏交科集团股份有限公司
纸质出版:2024
移动端阅览
童浩, 阮先虎, 林峰, 等. 基于可解释性深度学习的传感器异常数据诊断[J]. 传感器与微系统, 2024,(12):41-44.
童浩, 阮先虎, 林峰, 等. 基于可解释性深度学习的传感器异常数据诊断[J]. 传感器与微系统, 2024,(12):41-44. DOI: 10.13873/J.1000-9787(2024)12-0041-04.
针对桥梁健康监测中多源传感器数据异常诊断可解释性较差和效率低的问题,提出了一种基于特征可视化的可解释性卷积神经网络(CNN)数据异常检测方法。充分考虑异常模式和多源传感器类型的完整性,结合数据扩充方法,构建了多源监测数据异常模式库,同时,基于CNN展开异常特征提取,利用特征和类激活图(CAM)可视化的方法,深入分析异常类型特征,从而实现对深度学习网络的解释分析。实验结果表明:考虑多源传感器类型可以充分挖掘数据中的有效信息,模型的整体准确率达到了99.37%
所有异常模式的查全率与查准率均超过96%。该方法还能够捕捉时间序列深度学习分类模型的特征学习过程,为桥梁结构连续性监测数据的分析和预警提供了先决条件。
王衍.基于监测数据相关分析的斜拉桥关键构件状态异常预警方法研究[D].大连理工大学,2022(06).
高照明.结构健康监测数据异常诊断与修复方法研究[D].大连理工大学,2020(02).
李贺龙,王兴媛,刘峰华,陈朋宇,赵进全.基于CNN和惯性传感器的连续运动检测识别方法[J].传感器与微系统,2024(04).
刘潇,沈泽俊,张立新,廖成龙,张轩.基于梯度加权类激活热力图的卷积神经网络故障诊断模型鲁棒性分析[J].科学技术与工程,2023(17).
宋旭彤,刘卓元,金毅,孙云娜,丁桂甫.基于CNN和预处理机制的球磨机故障诊断方法[J].传感器与微系统,2022(11).
李珣,李林鹏,Alexander Lazovik,王文杰,王晓华.基于改进双流卷积递归神经网络的RGB-D物体识别方法[J].光电工程,2021(02).
Hai-Bin Huang,Ting-Hua Yi,Hong-Nan Li.Anomaly Identification of Structural Health Monitoring Data Using Dynamic Independent Component Analysis[J].Journal of Computing in Civil Engineering,2020.
FuTao Ni,Jian Zhang,Mohammad N. Noori.Deep learning for data anomaly detection and data compression of a long‐span suspension bridge[J].Computer‐Aided Civil and Infrastructure Engineering,2020.
Department of Civil and Environmental Engineering University of Illinois at Urbana‐Champaign Urbana Illinois,Department of Civil and Environmental Engineering University of Illinois at Urbana‐Champaign Urbana Illinois,Department of Civil and Environmental Engineering University of Illinois at Urbana‐Champaign Urbana Illinois,Department of Civil and Environmental Engineering University of Illinois at Urbana‐Champaign Urbana Illinois,Department of Civil and Environmental Engineering University of Illinois at Urbana‐Champaign Urbana Illinois.Sensor fault management techniques for wireless smart sensor networks in structural health monitoring[J].Structural Control and Health Monitoring,2019.
Yuequan Bao,Zhiyi Tang,Hui Li,Yufeng Zhang.Computer vision and deep learning–based data anomaly detection method for structural health monitoring[J].Structural Health Monitoring,2019.
Ting-Hua Yi,Hai-Bin Huang,Hong-Nan Li.Development of sensor validation methodologies for structural health monitoring: A comprehensive review[J].Measurement,2017.
Martin Steiger,Jürgen Bernard,Sebastian Mittelstädt,Hendrik Lücke‐Tieke,Daniel Keim,Thorsten May,Jörn Kohlhammer.Visual Analysis of Time‐Series Similarities for Anomaly Detection in Sensor Networks[J].Computer Graphics Forum,2014.
0
浏览量
432
下载量
0
CSCD
关联资源
相关文章
相关作者
相关机构
京公网安备11010802024621