基于 Shapelet 变换的桥梁结构健康监测数据异常检测

随着传感器技术更广泛地普及，许多结构健康监测（SHM）系统被部署以监测民用基础设施。持续监测提供了关于结构的宝贵信息，有助于为加固改造及其他结构修改提供决策支持系统。然而，当传感器暴露于恶劣环境条件时，SHM 系统测得的数据往往受到由故障或破损传感器引起的多种异常的影响。鉴于随时间连续采集的大量高维数据，研究使用机器学习方法检测异常是 SHM 界高度关注的课题。本文通过提出使用一种相对较新的时间序列表示——Shapelet 变换，结合随机森林（Random Forest）分类器，自主识别 SHM 数据中的异常，为此做出贡献。Shapelet 变换是一种独特的时间序列表示，完全基于时间序列数据的形状。考虑到每种异常独有的个体特征，该变换的应用产生了一种新的基于形状的特征表示，可与任何标准机器学习算法结合，无需人工干预即可检测异常数据。在本研究中，异常检测框架包含三个步骤：从异常数据中识别独特形状，利用这些形状将 SHM 数据变换到局部形状空间，并在该变换后的数据上训练机器学习算法以识别异常。该方法的有效性通过识别安装于中国一座大跨桥梁的 SHM 系统加速度数据中的异常得到验证。结果表明，所提方法可高精度自动检测 SHM 数据中的多种数据异常。