申请/专利权人：浙江大学长三角智慧绿洲创新中心

申请日：2023-04-25

公开（公告）日：2024-04-23

公开（公告）号：CN116502060B

主分类号：G06F18/21

分类号：G06F18/21;G06F18/241;G06F18/214;G06N3/0475;G06N3/045

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2023.08.15#实质审查的生效;2023.07.28#公开

摘要：一种基于WGANGP‑Unet的结构健康监测缺失数据重构方法，改进损失函数及参数优化过程，实现高精度结构健康监测缺失数据重构。具体实施流程如下：A.预采集与预处理结构健康监测完整数据，并构建训练与验证数据集；B.构建具备跳跃连接技术的多层U‑net生成器和引入Wasserstein距离的判别器，组合构成WGANGP‑Unet框架；C.构建混合损失函数，循环最小化损失函数以实现WGANGP‑Unet网络模型的对抗式训练；D.采用损失函数、信号时域的根均方误差、频域根均方误差、中心频率相对误差和均方频率相对误差多项指标综合验证数据重构效果，确定重构参数；E.输入传感器采集的存在缺失的监测数据，进行缺失数据重构。本发明公开的方法能够实现结构健康监测缺失数据的高精度重构，为结构状态诊断和预测提供支持。

主权项：1.一种基于WGANGP-Unet的结构健康监测缺失数据重构方法，包括如下步骤：A.预采集与预处理结构健康监测完整数据，并构建训练与验证数据集；B.构建具备跳跃连接技术的多层U-net生成器和引入Wasserstein距离的判别器，组合构成WGANGP-Unet框架；具体包括：B1.在U-net生成器中设置卷积层与逆卷积层以完成信号的特征提取和重构，并在不同网络层级之间添加跳跃连接保留高级和低级的信号特征；预先设置多层U-net生成器，以便根据后续重构效果选择合适的层数；B2.设置卷积神经网络作为判别器，引入Wasserstein距离作为区分真伪样本的指标，可以表示为： 其中x为判别器的输入，Dx为判别器的输出，pdatax为真实数据样本分布，pGx为生成器样本分布，为期望值；B3.将判别器与U-net生成器组合，构成WGANGP-Unet框架；C.构建混合损失函数，循环最小化损失函数以实现WGANGP-Unet网络模型的对抗式训练；具体包括：C1.U-net生成器混合损失函数包括对抗训练项与均方误差项，并通过均方误差系数平衡对抗训练与信号重构特征提取；U-net生成器的混合损失函数可以表示为 其中n为样本张量中所包含的元素数量；λ为均方误差系数；||·||为张量的l2范数；为对抗训练项；为均方误差项；C2.判别器混合损失函数包括Wasserstein距离和梯度惩罚项，避免出现梯度爆炸和梯度消失等训练问题；判别器的混合损失函数表示为： 其中表示向量微分算子；为梯度惩罚项；μ是梯度惩罚项系数，通常取10；满足 其中∈是一个随机数，U[0,1]表示从0到1的均方分布；C3.通过Adam优化算法循环最小化和使生成器与判别器相互对抗，达成训练目标；D.采用损失函数、信号时域的根均方误差、频域根均方误差、中心频率相对误差和均方频率相对误差多项指标综合验证数据重构效果，确定重构参数；具体包括：D1.通过构造的训练数据集训练神经网络，当损失函数中的均方误差项处于平稳段且取到最小值时，取当前迭代步数作为最佳迭代步数；D2.通过验证集检验不同均方误差系数的信号重构精度，选取精度较高的均方误差系数；采用四项信号指标衡量数据重构精度，分别为信号时域的根均方误差RMSEt、频域根均方误差RMSEf、中心频率相对误差ErrorCF和均方频率相对误差ErrorMCF；四项指标可以表示为： 其中x和分别表示原始时域信号和重构时域信号；y和表示原始频域信号和重构频域信号；f表示信号的频率序列；D3.通过验证集检验不同生成器层数的信号重构精度，根据四项重构精度指标，选取精度较高的神经网络层数；E.输入传感器采集的存在缺失的监测数据，进行缺失数据重构。

全文数据：

权利要求：

百度查询： 浙江大学长三角智慧绿洲创新中心 一种基于WGANGP-Unet的结构健康监测缺失数据重构方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD