本發(fā)明涉及人工智能與數(shù)據(jù)處理，尤其涉及一種橋梁施工監(jiān)測異常數(shù)據(jù)識別方法及系統(tǒng)。

背景技術(shù)：

1、在橋梁施工過程中，監(jiān)測數(shù)據(jù)的準確性和可靠性對于保障施工安全、預(yù)防潛在風險至關(guān)重要，然而，傳統(tǒng)的監(jiān)測數(shù)據(jù)處理方法在面對復(fù)雜的橋梁施工環(huán)境時，往往存在諸多局限性；例如，傳統(tǒng)的機器學(xué)習(xí)方法依賴于手工設(shè)計特征，難以充分表達數(shù)據(jù)中潛藏的非線性關(guān)系，特別是當數(shù)據(jù)量巨大且具備高維特征時，容易受到過擬合和計算效率的限制；此外，現(xiàn)有技術(shù)在處理具有復(fù)雜相似性和異質(zhì)性的數(shù)據(jù)時，常常假設(shè)數(shù)據(jù)之間的關(guān)系是均勻的，忽視了節(jié)點之間的局部結(jié)構(gòu)和時空相似性，導(dǎo)致分類效果不夠精確，容易受到噪聲干擾；同時，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法在處理結(jié)構(gòu)化數(shù)據(jù)時，無法充分考慮節(jié)點之間的圖結(jié)構(gòu)信息，忽略了數(shù)據(jù)中潛在的時空關(guān)系，難以捕捉復(fù)雜數(shù)據(jù)關(guān)系；這些不足使得現(xiàn)有技術(shù)在面對橋梁施工監(jiān)測中復(fù)雜的振動信號數(shù)據(jù)時，難以有效識別異常情況，無法滿足實際工程中對監(jiān)測數(shù)據(jù)處理的高精度、高效率和高魯棒性的要求。

2、公開號為cn119535441a的中國發(fā)明專利提出一種基于地面探測雷達的橋梁鋪裝層損傷檢測方法及系統(tǒng)，獲得清晰的雷達回波數(shù)據(jù)，判斷是否存在損傷跡象，對檢測到的損傷跡象進行波形編碼特征提取，識別損傷特征；將提取的損傷特征與正常狀態(tài)的數(shù)據(jù)庫進行比較分析，確定損傷的存在和類型；根據(jù)分析結(jié)果，利用自適應(yīng)頻率調(diào)制技術(shù)進行損傷深度和范圍的精確探測；對損傷發(fā)展趨勢進行預(yù)測，進而得到檢測結(jié)果。

3、公開號為cn119475989a的中國發(fā)明專利提出一種基于機器學(xué)習(xí)算法的雙層鋼桁架橋的渦振響應(yīng)預(yù)測方法，通過結(jié)合風洞試驗、數(shù)值模擬和機器學(xué)習(xí)方法，實現(xiàn)對雙層鋼桁架橋渦振響應(yīng)的預(yù)測，穩(wěn)定性好，預(yù)測準確度高，從而為橋梁設(shè)計、運營和維護提供參考。

4、公開號為cn119442849a的中國發(fā)明專利提出一種基于圖網(wǎng)絡(luò)的橋梁結(jié)構(gòu)服役性能時空演化預(yù)測方法及裝置，涉及橋梁結(jié)構(gòu)服役性能預(yù)測技術(shù)領(lǐng)域，構(gòu)建橋梁圖模型，構(gòu)建基礎(chǔ)的橋梁結(jié)構(gòu)服役性能演化預(yù)測模型，通過嵌入自適應(yīng)更新橋梁結(jié)構(gòu)構(gòu)件時空依賴關(guān)系的參數(shù)化圖學(xué)習(xí)模塊得到訓(xùn)練好的橋梁結(jié)構(gòu)服役性能演化預(yù)測模型，進而捕捉橋梁中相同類型的結(jié)構(gòu)構(gòu)件之間以及不同類型的結(jié)構(gòu)構(gòu)件之間的時空依賴關(guān)系。

5、綜上，現(xiàn)有技術(shù)存在以下客觀缺點：

6、（1）傳統(tǒng)粒子群優(yōu)化方法容易陷入局部最優(yōu)，導(dǎo)致模型無法有效探索全局最優(yōu)解，影響異常檢測的精度和穩(wěn)定性；

7、（2）傳統(tǒng)機器學(xué)習(xí)方法（如支持向量機、決策樹）依賴手工設(shè)計特征，難以充分表達數(shù)據(jù)中潛藏的非線性關(guān)系，特別是當數(shù)據(jù)量巨大且具備高維特征時，容易受到過擬合和計算效率的限制；

8、（3）常規(guī)的卷積神經(jīng)網(wǎng)絡(luò)或全連接神經(jīng)網(wǎng)絡(luò)假設(shè)數(shù)據(jù)之間的關(guān)系是均勻的，忽視了節(jié)點之間的局部結(jié)構(gòu)和時空相似性，難以處理具有復(fù)雜相似性和異質(zhì)性的數(shù)據(jù)，分類效果不夠精確，容易受到噪聲干擾；

9、（4）傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法（如全連接神經(jīng)網(wǎng)絡(luò)）在處理結(jié)構(gòu)化數(shù)據(jù)時，無法充分考慮節(jié)點之間的圖結(jié)構(gòu)信息，忽略了數(shù)據(jù)中潛在的時空關(guān)系，難以捕捉復(fù)雜數(shù)據(jù)關(guān)系；

10、（5）現(xiàn)有技術(shù)在不同施工階段和環(huán)境下的適應(yīng)性較差，無法根據(jù)實際情況自動調(diào)整參數(shù)，導(dǎo)致模型在復(fù)雜環(huán)境下的表現(xiàn)不穩(wěn)定。

11、因此，針對上述問題，本發(fā)明提出了一種橋梁施工監(jiān)測異常數(shù)據(jù)識別方法及系統(tǒng)。

技術(shù)實現(xiàn)思路

1、本發(fā)明針對現(xiàn)有技術(shù)的不足，研制了一種橋梁施工監(jiān)測異常數(shù)據(jù)識別方法及系統(tǒng)，本發(fā)明通過構(gòu)建橋梁施工監(jiān)測異常數(shù)據(jù)識別模型，可以監(jiān)測橋梁施工中復(fù)雜的振動信號數(shù)據(jù)，更好地識別異常情況。

2、本發(fā)明解決技術(shù)問題的技術(shù)方案為一種橋梁施工監(jiān)測異常數(shù)據(jù)識別方法，具體如下：

3、s1、數(shù)據(jù)采集：通過設(shè)置傳感器和設(shè)備采集橋梁監(jiān)測振動信號數(shù)據(jù)；

4、s2、數(shù)據(jù)處理：對采集到的數(shù)據(jù)進行清洗、轉(zhuǎn)換和標準化處理；

5、s3、構(gòu)建橋梁施工監(jiān)測異常數(shù)據(jù)識別模型：基于圖神經(jīng)網(wǎng)絡(luò)模型構(gòu)建橋梁施工監(jiān)測異常數(shù)據(jù)識別模型，將處理后的數(shù)據(jù)輸入至橋梁施工監(jiān)測異常數(shù)據(jù)識別模型進行訓(xùn)練，識別異常情況。

6、具體實施方式中，橋梁施工監(jiān)測異常數(shù)據(jù)識別模型包含以下結(jié)構(gòu)組成：

7、接收分析結(jié)果的輸入層、動態(tài)生成初始參數(shù)的混沌粒子群優(yōu)化初始模塊、通過注意力機制和度數(shù)歸一化聚合鄰域信息的多層圖卷積層、用于強化局部相似特征的拓撲敏感核函數(shù)加權(quán)層、使用sigmoid激活函數(shù)的神經(jīng)元作為輸出層。

8、具體實施方式中，橋梁施工監(jiān)測異常數(shù)據(jù)識別模型的訓(xùn)練流程如下：

9、（1）初始化圖神經(jīng)網(wǎng)絡(luò)的參數(shù)；

10、（2）進行粒子更新與適應(yīng)度評估；

11、（3）進行圖神經(jīng)網(wǎng)絡(luò)的節(jié)點信息傳播與更新；

12、（4）進行拓撲結(jié)構(gòu)敏感核函數(shù)加權(quán)與特征強化；

13、（5）進行迭代訓(xùn)練與收斂判斷。

14、具體實施方式中，初始化圖神經(jīng)網(wǎng)絡(luò)的參數(shù)具體如下：

15、采用基于混沌粒子群優(yōu)化的圖神經(jīng)網(wǎng)絡(luò)算法對橋梁的振動信號進行處理，在圖神經(jīng)網(wǎng)絡(luò)的參數(shù)初始化時，設(shè)定粒子群的狀態(tài)，在粒子群優(yōu)化方法的基礎(chǔ)上通過混沌映射初始化粒子群，即進行混沌粒子群優(yōu)化，其中，混沌映射函數(shù)采用正弦擾動項增強混沌特性，根據(jù)迭代次數(shù)通過人工設(shè)置混沌映射函數(shù)中的混沌擾動強度系數(shù)；

16、混沌粒子群優(yōu)化的計算公式如下：

17、，

18、，

19、其中，表示混沌映射函數(shù)，表示使結(jié)果結(jié)果位于區(qū)間的取模運算，表示第個粒子在第次混沌迭代時的狀態(tài)值，表示第個粒子在第次混沌迭代時的狀態(tài)值，表示混沌擾動強度系數(shù)。

20、具體實施方式中，粒子更新與適應(yīng)度評估具體如下：

21、基于圖神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果進行粒子的適應(yīng)度計算，通過最小化適應(yīng)度函數(shù)使模型區(qū)分正常數(shù)據(jù)和異常數(shù)據(jù)，適應(yīng)度函數(shù)采用交叉熵損失的計算方式進行計算，適應(yīng)度的計算公式如下：

22、，

23、其中，表示第個粒子的適應(yīng)度，表示參與訓(xùn)練的樣本數(shù)量，表示第個樣本的真實標簽，表示對數(shù)函數(shù)，默認底數(shù)為10，表示輸入為第個樣本的輸入特征、參數(shù)為第個粒子對應(yīng)的參數(shù)時的圖神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果，為第個樣本的輸入特征；

24、采用拓撲結(jié)構(gòu)敏感核函數(shù)根據(jù)圖神經(jīng)網(wǎng)絡(luò)的節(jié)點間的局部結(jié)構(gòu)差異進行加權(quán)，對粒子進行參數(shù)更新，計算粒子的更新速度，根據(jù)粒子群的整體適應(yīng)度分布動態(tài)調(diào)整拓撲結(jié)構(gòu)敏感核函數(shù)中的加權(quán)項權(quán)重，再基于粒子的適應(yīng)度對粒子的位置進行更新，進而更新神經(jīng)網(wǎng)絡(luò)參數(shù)，粒子的位置更新計算公式如下：

25、，

26、其中，表示第個粒子在第次迭代的位置，表示第個粒子在第次迭代的位置，表示第個粒子在第次迭代的速度，表示粒子位置更新學(xué)習(xí)率，表示第個粒子在第次迭代的適應(yīng)度，項采用適應(yīng)度反饋機制。

27、具體實施方式中，基于拓撲結(jié)構(gòu)敏感核函數(shù)進行粒子速度的更新，計算公式如下：

28、，

29、其中，表示第個粒子在第次迭代的速度，表示第個粒子在第次迭代的速度，表示第個粒子在第次迭代的位置，表示控制粒子繼承原速度比例的慣性權(quán)重，表示反映粒子對自身經(jīng)驗依賴程度的第一加速常數(shù)，表示第一隨機數(shù)，表示第個粒子的歷史最佳位置，表示反映粒子對自身經(jīng)驗依賴程度的第二加速常數(shù)，表示第二隨機數(shù)，表示第次迭代的全局最佳粒子位置，表示加速項的權(quán)重，根據(jù)適應(yīng)度調(diào)節(jié)加速項的權(quán)重，表示第個粒子的鄰居粒子集合，表示第個鄰居粒子集合中的粒子在第次迭代的位置，為l2范數(shù)。

30、具體實施方式中，圖神經(jīng)網(wǎng)絡(luò)的節(jié)點信息傳播與更新具體如下：

31、在圖神經(jīng)網(wǎng)絡(luò)中采用基于圖卷積操作的信息傳播機制，基于本節(jié)點特征和鄰居節(jié)點特征的影響，形成自我增強的傳播效果，然后進行迭代層次傳播來強化圖結(jié)構(gòu)中的局部特征，進而捕捉圖數(shù)據(jù)中的復(fù)雜關(guān)系，其中，通過節(jié)點之間的相似性自動調(diào)整特征傳播的權(quán)重；

32、圖神經(jīng)網(wǎng)絡(luò)的節(jié)點特征的計算公式如下：

33、，

34、其中，表示圖神經(jīng)網(wǎng)絡(luò)第層第個節(jié)點的特征，表示注意力系數(shù)向量，為注意力系數(shù)向量的轉(zhuǎn)置，表示向量拼接，表示圖神經(jīng)網(wǎng)絡(luò)第層第個節(jié)點的特征，表示圖神經(jīng)網(wǎng)絡(luò)第層第個節(jié)點的特征，表示圖神經(jīng)網(wǎng)絡(luò)第層第個節(jié)點的特征，為leakyrelu激活函數(shù)，表示第個節(jié)點的鄰接節(jié)點集合，表示第個節(jié)點的度數(shù)，表示第個節(jié)點的度數(shù)，表示正整數(shù)，表示正整數(shù)，表示圖神經(jīng)網(wǎng)絡(luò)的權(quán)重，表示圖神經(jīng)網(wǎng)絡(luò)的偏置，表示sigmoid激活函數(shù)。

35、具體實施方式中，進行拓撲結(jié)構(gòu)敏感核函數(shù)加權(quán)與特征強化：

36、通過采用拓撲結(jié)構(gòu)敏感核函數(shù)進行特征強化，基于節(jié)點特征之間的范數(shù)計算拓撲結(jié)構(gòu)敏感核函數(shù)，然后通過核函數(shù)加權(quán)的鄰域特征聚合，增強局部相似節(jié)點間的特征響應(yīng)，抑制噪聲節(jié)點的干擾，圖神經(jīng)網(wǎng)絡(luò)第層的強化后特征輸入至下一層圖卷積或全連接層；

37、特征強化的計算公式如下：

38、，

39、其中，表示強化系數(shù)，表示圖神經(jīng)網(wǎng)絡(luò)第層第個節(jié)點的強化后特征，表示圖神經(jīng)網(wǎng)絡(luò)第層第個節(jié)點和第個節(jié)點之間的拓撲結(jié)構(gòu)敏感核函數(shù)。

40、具體實施方式中，進行迭代訓(xùn)練與收斂判斷：

41、重復(fù)橋梁施工監(jiān)測異常數(shù)據(jù)識別模型的訓(xùn)練流程，計算每輪迭代后的f1分數(shù)和交叉熵損失函數(shù)值；

42、連續(xù)迭代10次后，若損失函數(shù)值下降幅度小于0.001或f1分數(shù)波動范圍小于0.5％，則判定橋梁施工監(jiān)測異常數(shù)據(jù)識別模型收斂，終止訓(xùn)練，否則繼續(xù)迭代至達到設(shè)置的最大迭代次數(shù)。

43、本發(fā)明還提供了一種橋梁施工監(jiān)測異常數(shù)據(jù)識別系統(tǒng)，執(zhí)行一種橋梁施工監(jiān)測異常數(shù)據(jù)識別方法，具體如下：

44、采集與監(jiān)控體系：通過多種傳感器和設(shè)備監(jiān)控并采集橋梁結(jié)構(gòu)信息、水文和氣象信息、實時監(jiān)測信息以及維護交維信息；

45、數(shù)據(jù)資源層：將采集的數(shù)據(jù)進行集成，形成統(tǒng)一的數(shù)據(jù)源，然后對數(shù)據(jù)源進行處理和分析；

46、業(yè)務(wù)應(yīng)用層：基于圖神經(jīng)網(wǎng)絡(luò)進行橋梁施工監(jiān)測異常數(shù)據(jù)識別，將異常監(jiān)測結(jié)果與數(shù)據(jù)資源層中的數(shù)據(jù)結(jié)合進行分析，將分析結(jié)果以圖表、報告等形式展示；

47、業(yè)務(wù)應(yīng)用層內(nèi)部包含應(yīng)用支撐層，通過應(yīng)用支撐層對數(shù)據(jù)資源層的數(shù)據(jù)進行提取、轉(zhuǎn)換、加載和處理；

48、前端訪問層：系統(tǒng)提供用戶友好界面，將業(yè)務(wù)應(yīng)用層的分析結(jié)果傳至前端。

49、
技術(shù)實現(xiàn)要素：
中提供的效果僅僅是實施例的效果，而不是發(fā)明所有的全部效果，上述技術(shù)方案具有如下優(yōu)點或有益效果：

50、（1）本發(fā)明采用混沌映射初始化粒子群，確保粒子狀態(tài)分布均勻，避免傳統(tǒng)粒子群優(yōu)化中的局部最優(yōu)問題，提高了參數(shù)初始化的多樣性和全局探索能力，使得模型在復(fù)雜振動信號數(shù)據(jù)中能夠更好地捕捉時空模式，顯著提升了訓(xùn)練過程的穩(wěn)定性和收斂速度；

51、（2）本發(fā)明在粒子更新和特征強化中采用拓撲結(jié)構(gòu)敏感核函數(shù)，不僅考慮節(jié)點的度數(shù)關(guān)系，還對節(jié)點的相似性進行建模，強化了局部相似特征，抑制了噪聲節(jié)點的干擾，提高了對異常信號的敏感度，使得模型能夠更準確地識別異常模式，特別是在低信噪比時段有效抑制虛警信號；

52、（3）本發(fā)明通過圖卷積操作和注意力機制，節(jié)點的特征不僅依賴于自身，還受鄰居節(jié)點的影響，逐步強化局部特征，實現(xiàn)了復(fù)雜數(shù)據(jù)關(guān)系的捕捉，提升了模型對橋梁監(jiān)測振動信號數(shù)據(jù)中非線性和復(fù)雜結(jié)構(gòu)的處理能力，增強了異常監(jiān)測的精度和魯棒性；

53、（4）本發(fā)明中混沌擾動強度系數(shù)和加速項權(quán)重根據(jù)迭代過程動態(tài)調(diào)整，增強了模型的適應(yīng)性和魯棒性，在不同施工階段（如高風險期）自動調(diào)整參數(shù)，強化對關(guān)鍵區(qū)域的粒子聚集，避免了傳統(tǒng)方法中的震蕩問題，提高了模型在復(fù)雜環(huán)境下的穩(wěn)定性。

54、綜上，本發(fā)明中能夠監(jiān)測橋梁施工中復(fù)雜的振動信號數(shù)據(jù)，更好地識別異常情況，可以提高在實際工程中催監(jiān)測數(shù)據(jù)處理的精度、效率和魯棒性。