基于深度学习方法的增强时间序列分类的斜拉索状态评估
机器学习
2021-01-12 v1
摘要
本研究提出一种数据驱动方法，通过识别与完好状态相比的偏置模式，从实测索力中检测索损伤。考虑到拉索行为可由实测索力序列隐式表示，所提方法通过深度学习中的时间序列分类（TSC）解决索损伤检测的模式识别问题。利用长短期记忆全卷积网络（LSTM-FCN）这一深度学习模型，为TSC问题分配适当的输入和代表性类别标签。首先，使用拉索完好状态下采集的数据训练和验证TSC分类器，将分段数据序列作为输入，拉索（或索对）ID作为类别标签。随后，使用可能损伤状态下采集的数据测试分类器。最后，将分类准确率最低的拉索或索对推荐为最可能的损伤拉索或索对。所提方法在一座存在损伤拉索的在用斜拉桥上进行了测试。研究了所提TSC方案中的两种场景：1）将索力原始时间序列输入分类器；2）考虑索损伤导致索对间力分布可能变化，将索力比输入分类器。结合这两种场景的TSC测试结果，正确识别出了断裂拉索。本研究提出了一种数据驱动的索损伤检测方法，所需数据预处理和特征工程最少，可在实际工程中实现快速便捷的早起检测。
引用
@article{arxiv.2101.03701,
title = {Condition Assessment of Stay Cables through Enhanced Time Series Classification Using a Deep Learning Approach},
author = {Zhiming Zhang and Jin Yan and Liangding Li and Hong Pan and Chuanzhi Dong},
journal= {arXiv preprint arXiv:2101.03701},
year = {2021}
}