基于卷积神经网络的大坝安全监测数据异常识别

• 作者: 王丽蓉 郑东健
• 来源期刊: 长江科学院院报
• 学科: 工学
• 关键词: 大坝安全监测 数据异常识别 卷积神经网络 图像分类 非最值异常点
• 年，卷（期）: 2021,（1）
• 所属期刊栏目: 工程安全与灾害防治
• 页码范围: 72-77
• 页数: 6页
• 分类号: TV698.1
• 语种: 中文
• DOI: 10.11988/ckyyb.20191256

摘要

为了减轻大坝安全监测数据异常识别的数据处理压力,解决传统方法难以辨别非最值异常点的问题,提出利用卷积神经网络(CNN)识别大坝安全监测数据异常模式.监测数据过程线的周期性及异常值的显著差别使CNN得以发挥图像分类功能,分别将存在单个突跳点、无异常、存在震荡段、台阶、多个突跳点、台坎的监测数据过程线作为6类图像,人工生成65000张训练数据及6500张测试数据,6类图像的数量比为1:1.5:1:1:1:1.利用CNN对混合6种过程线图像的测试数据集进行图像分类,总体准确率为0.9731,且6种图像的准确率都至少为0.93.进一步对CNN进行改进,构建CNN监测数据异常识别模型,增加数据异常位置搜索功能;模型输入为监测数据过程线图像,输出为图像编号、图像类别及异常位置.研究成果有助于实现大坝自动、及时预警,及时了解大坝安全状况.