Метод обнаружения аномалий данных для мониторинга состояния конструкций на основе компьютерного зрения и глубокого обучения

Широкое применение сложных систем мониторинга состояния конструкций в гражданском строительстве генерирует большой объем данных. В результате анализ и добыча информации из данных мониторинга состояния конструкций стали актуальными темами исследований в области гражданского строительства. Однако суровые условия эксплуатации конструкций приводят к тому, что данные, измеряемые системами мониторинга состояния, загрязняются множественными аномалиями, что существенно влияет на результаты анализа данных. Это является одним из основных препятствий для автоматических оповещений в режиме реального времени, поскольку трудно отличить аномалии, вызванные повреждением конструкции, от аномалий, связанных с некорректными данными. Существующие методы очистки данных в основном ориентированы на фильтрацию шумов, тогда как выявление некорректных данных требует экспертных знаний и занимает много времени. Вдохновлённые реальным процессом ручной инспекции, авторы предлагают метод обнаружения аномалий данных на основе компьютерного зрения и глубокого обучения. В частности, структура предлагаемого метода включает два шага: преобразование данных с помощью визуализации данных и построение и обучение глубоких нейронных сетей для классификации аномалий. Этот процесс имитирует биологическое зрение человека и логическое мышление. На этапе визуализации данные временных рядов преобразуются в вектор-изображения, которые почастично отображаются в оттенках серого. На втором этапе в тренировочный набор вводятся случайно отобранные и вручную размеченные вектор-изображения, которые подаются в глубокую нейронную сеть или кластер глубоких нейронных сетей, обучаемых методами, называемыми стековыми автоэнкодерами и жадным покадровым (layer-wise) обучением. Обученные глубокие нейронные сети могут использоваться для обнаружения потенциальных аномалий в больших объёмах непроверенных данных мониторинга состояния конструкций. Для иллюстрации процедуры обучения и валидации эффективности предлагаемого метода используются данные ускорений из системы мониторинга состояния реального длиннопролётного моста в Китае. Результаты показывают, что многомодовые аномалии данных могут быть автоматически обнаружены с высокой точностью.