本發(fā)明涉及智能ai識(shí)別方法，具體為一種基于多傳感器數(shù)據(jù)融合的智能ai識(shí)別方法。

背景技術(shù)：

1、在對(duì)橋梁結(jié)構(gòu)進(jìn)行評(píng)估時(shí)，越來(lái)越多的橋梁開(kāi)始安裝了結(jié)構(gòu)健康監(jiān)測(cè)系統(tǒng)。這些監(jiān)測(cè)系統(tǒng)不斷收集橋梁的各類傳感數(shù)據(jù)，包括動(dòng)力響應(yīng)、靜力響應(yīng)和表觀形態(tài)等，這些包含大量損傷信息的數(shù)據(jù)是橋梁狀態(tài)評(píng)估的基礎(chǔ)。因此如何從結(jié)構(gòu)安全的角度解釋這些數(shù)據(jù)成為橋梁損傷識(shí)別研究的重點(diǎn)。隨著社會(huì)的發(fā)展，對(duì)橋梁結(jié)構(gòu)的監(jiān)測(cè)精度要求越來(lái)越高，已經(jīng)不再停留在僅采用單一監(jiān)測(cè)設(shè)備進(jìn)行監(jiān)測(cè)的時(shí)代，研究者們同時(shí)采用多種類型或多個(gè)同類型的監(jiān)測(cè)設(shè)備來(lái)對(duì)橋梁進(jìn)行多維度的測(cè)量，只有這樣才能將橋梁結(jié)構(gòu)更加完整的信息采集到研究室里進(jìn)行深層次的研究?，F(xiàn)如今應(yīng)用最多的橋梁損傷識(shí)別的方法是人工視覺(jué)檢查，在典型的橋梁檢查中，由訓(xùn)練有素的檢查員近距離檢查橋梁結(jié)構(gòu)的各個(gè)部件。他們?cè)u(píng)估橋梁部件的狀況并給它們?cè)u(píng)級(jí)，這一評(píng)級(jí)是基于一套指導(dǎo)方針和檢查員的經(jīng)驗(yàn)對(duì)當(dāng)前情況的主觀評(píng)價(jià)。對(duì)于大多數(shù)情況，這種類型的評(píng)估是適當(dāng)和有效的。

2、人工目測(cè)評(píng)估的方法帶有強(qiáng)烈的主觀性，類似橋梁狀況的評(píng)估原始數(shù)據(jù)都存在噪聲干擾，因此檢驗(yàn)員的技術(shù)水平和經(jīng)驗(yàn)對(duì)橋梁損傷診斷的準(zhǔn)確性有重要影響，而這種影響往往是不可控的。特征信息不明顯不能對(duì)多傳感器的數(shù)據(jù)進(jìn)行有效的融合和分析，無(wú)法得到損傷病害的全方位信息，傳統(tǒng)的識(shí)別方法難以對(duì)數(shù)據(jù)與橋梁結(jié)構(gòu)損傷之間復(fù)雜的非線性關(guān)系進(jìn)行建模，因此很難反映出數(shù)據(jù)的隱含信息與結(jié)構(gòu)損傷之間的對(duì)應(yīng)關(guān)系，導(dǎo)致其在實(shí)際應(yīng)用中的分類能力較弱，識(shí)別準(zhǔn)確率較低。

技術(shù)實(shí)現(xiàn)思路

1、(一)解決的技術(shù)問(wèn)題

2、針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于多傳感器數(shù)據(jù)融合的智能ai識(shí)別方法，解決了準(zhǔn)確性不佳、無(wú)法得到損傷病害的全方位信息、實(shí)際應(yīng)用中的分類能力較弱識(shí)別準(zhǔn)確率較低的問(wèn)題。

3、(二)技術(shù)方案

4、為實(shí)現(xiàn)以上目的，本發(fā)明通過(guò)以下技術(shù)方案予以實(shí)現(xiàn)：1、一種基于多傳感器數(shù)據(jù)融合的智能ai識(shí)別方法，其特征在于，包括：

5、s1、在橋梁結(jié)構(gòu)上安裝多種類型的傳感器，如加速度計(jì)、應(yīng)變計(jì)、溫度傳感器，用于實(shí)時(shí)采集橋梁的運(yùn)行數(shù)據(jù)，并通過(guò)加密無(wú)線傳輸發(fā)送至中央數(shù)據(jù)處理中心，此步驟強(qiáng)調(diào)了多傳感器數(shù)據(jù)融合的優(yōu)勢(shì)，通過(guò)不同類型傳感器的數(shù)據(jù)互補(bǔ)，提高數(shù)據(jù)的全面性和準(zhǔn)確性；

6、s2、在中央數(shù)據(jù)處理中心，使用自適應(yīng)學(xué)習(xí)模塊對(duì)接收到的數(shù)據(jù)進(jìn)行初步篩選和清洗，以過(guò)濾噪聲和錯(cuò)誤數(shù)據(jù)，提高數(shù)據(jù)質(zhì)量，自適應(yīng)學(xué)習(xí)模塊通過(guò)不斷學(xué)習(xí)和調(diào)整篩選規(guī)則，適應(yīng)不同環(huán)境和數(shù)據(jù)源的變化，提高數(shù)據(jù)處理的靈活性和有效性；

7、s3、使用基于參數(shù)優(yōu)化的小波閾值分解方法進(jìn)一步處理數(shù)據(jù)，此方法根據(jù)提供的函數(shù)表達(dá)式來(lái)調(diào)整小波系數(shù)，優(yōu)化數(shù)據(jù)質(zhì)量

8、

9、其中，其中，wj,k為小波系數(shù)，λ為閾值，α和β為調(diào)節(jié)因子，s?i?gn為符號(hào)函數(shù)，經(jīng)過(guò)參數(shù)調(diào)整和算法優(yōu)化后，最佳調(diào)節(jié)因子，改進(jìn)的閾值函數(shù)在消除閾值處不連續(xù)的同時(shí)，使函數(shù)迅速靠近硬閾值函數(shù)；

10、s4、應(yīng)用深度神經(jīng)網(wǎng)絡(luò)技術(shù)的機(jī)器學(xué)習(xí)算法，對(duì)處理后的數(shù)據(jù)進(jìn)行深度分析，以評(píng)估橋梁的當(dāng)前狀態(tài)和結(jié)構(gòu)健康情況；

11、s5、該機(jī)器學(xué)習(xí)算法根據(jù)設(shè)備運(yùn)行數(shù)據(jù)自我調(diào)整其參數(shù)，以適應(yīng)橋梁的老化過(guò)程和變化的環(huán)境條件；

12、s6、根據(jù)機(jī)器學(xué)習(xí)算法的輸出，預(yù)測(cè)橋梁潛在的損傷和維護(hù)需求，并更新?lián)p傷預(yù)測(cè)模型以整合最新的橋梁性能數(shù)據(jù)和維護(hù)反饋；

13、s7、將預(yù)測(cè)結(jié)果和維護(hù)建議自動(dòng)發(fā)送給運(yùn)維管理人員，并通過(guò)用戶界面展示，允許運(yùn)維管理人員查看橋梁狀態(tài)、預(yù)測(cè)結(jié)果和執(zhí)行遠(yuǎn)程故障排除指令；

14、s8、采用數(shù)據(jù)加密和驗(yàn)證機(jī)制，使用高級(jí)加密標(biāo)準(zhǔn)確保所有加密無(wú)線傳輸和存儲(chǔ)的數(shù)據(jù)的安全性和完整性，并通過(guò)多因素認(rèn)證實(shí)現(xiàn)數(shù)據(jù)訪問(wèn)權(quán)限驗(yàn)證，以防數(shù)據(jù)泄露和未授權(quán)訪問(wèn)；

15、s9、采用容錯(cuò)機(jī)制，包括本地?cái)?shù)據(jù)緩存和自動(dòng)數(shù)據(jù)恢復(fù)功能，以確保在網(wǎng)絡(luò)連接不穩(wěn)定或部分?jǐn)?shù)據(jù)丟失的情況下，系統(tǒng)能繼續(xù)運(yùn)行并保持最高可能的數(shù)據(jù)完整性；

16、s10、數(shù)據(jù)處理和分析模塊設(shè)有自我診斷，檢測(cè)和報(bào)告系統(tǒng)內(nèi)部錯(cuò)誤和性能瓶頸。

17、優(yōu)選的，所述小波閾值分解方法使用daubech?i?es小波進(jìn)行四層小波分解，并采用介于硬閾值和軟閾值之間的閾值函數(shù)進(jìn)行噪聲消除。

18、優(yōu)選的，所述機(jī)器學(xué)習(xí)算法包括快速傅里葉變換用于從時(shí)間序列數(shù)據(jù)中提取頻域特征，并利用主成分分析方法對(duì)特征進(jìn)行降維處理。

19、優(yōu)選的，所述預(yù)測(cè)模型采用在線學(xué)習(xí)方式，能夠?qū)崟r(shí)整合新的數(shù)據(jù)反饋，提高預(yù)測(cè)的準(zhǔn)確性和模型的適應(yīng)性，所述用戶界面具備觸控功能和語(yǔ)音控制功能，以便于管理人員在復(fù)雜環(huán)境中更便捷地操作。

20、優(yōu)選的，所述加密協(xié)議包括但不限于tls/ssl，確保數(shù)據(jù)傳輸過(guò)程中的端到端安全，所述數(shù)據(jù)恢復(fù)功能使用基于云的備份系統(tǒng)，多地點(diǎn)異步復(fù)制數(shù)據(jù)，確保數(shù)據(jù)的高可用性和災(zāi)難恢復(fù)能力。

21、優(yōu)選的，所述自我診斷功能包括應(yīng)用機(jī)器學(xué)習(xí)技術(shù)對(duì)系統(tǒng)運(yùn)行日志進(jìn)行分析，自動(dòng)識(shí)別潛在的系統(tǒng)異常和性能下降的趨勢(shì)，所述參數(shù)自調(diào)整機(jī)制根據(jù)環(huán)境變化和歷史維護(hù)數(shù)據(jù)優(yōu)化其識(shí)別算法和參數(shù)設(shè)置。

22、優(yōu)選的，所述加密無(wú)線傳輸在傳輸前進(jìn)行數(shù)字簽名和完整性校驗(yàn)，以防數(shù)據(jù)在傳輸過(guò)程中被篡改，所述的深度神經(jīng)網(wǎng)絡(luò)技術(shù)包括卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)組合，以處理和分析時(shí)序依賴的數(shù)據(jù)特性。

23、優(yōu)選的，所述數(shù)據(jù)采用數(shù)據(jù)清洗，所述數(shù)據(jù)清洗過(guò)程包括使用異常值檢測(cè)算法自動(dòng)識(shí)別并去除統(tǒng)計(jì)上的異常數(shù)據(jù)點(diǎn)，所述數(shù)據(jù)去噪過(guò)程中采用基于機(jī)器學(xué)習(xí)的自適應(yīng)濾波技術(shù)，以提高數(shù)據(jù)清洗的精度和效率。

24、(三)有益效果

25、本發(fā)明提供了一種基于多傳感器數(shù)據(jù)融合的智能ai識(shí)別方法。具備以下

26、有益效果：

27、本發(fā)明提出基于參數(shù)優(yōu)化的小波閾值分解，該方法改進(jìn)和優(yōu)化了傳統(tǒng)的小波閾值函數(shù)，通過(guò)隨機(jī)優(yōu)化算法引入了兩個(gè)調(diào)節(jié)參數(shù)和來(lái)適應(yīng)不同的小波分解層數(shù)，從而進(jìn)一步去除噪聲信號(hào)，提出了基于傳感器數(shù)據(jù)挖掘的特征工程方法使用快速傅里葉變換和滑動(dòng)窗口提取模態(tài)頻率，后者采用主成分分析法進(jìn)行監(jiān)測(cè)數(shù)據(jù)的橋梁損傷信息融合和特征降維，該特征工程的主要作用是通過(guò)快速傅里葉變換將原始信號(hào)從時(shí)域轉(zhuǎn)化為在頻域內(nèi)分析，并采用滑動(dòng)窗口從頻譜圖中提取出模態(tài)頻率特征，充分挖掘出對(duì)橋梁損傷敏感的隱藏信息，最后將經(jīng)過(guò)主成分分析法選擇的損傷信息量較大的敏感特征作為后續(xù)橋梁損傷識(shí)別的輸入。

技術(shù)特征：

1.一種基于多傳感器數(shù)據(jù)融合的智能ai識(shí)別方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的一種基于多傳感器數(shù)據(jù)融合的智能ai識(shí)別方法，其特征在于：所述小波閾值分解方法使用daubechies小波進(jìn)行四層小波分解，并采用介于硬閾值和軟閾值之間的閾值函數(shù)進(jìn)行噪聲消除。

3.根據(jù)權(quán)利要求1所述的一種基于多傳感器數(shù)據(jù)融合的智能ai識(shí)別方法，其特征在于：所述機(jī)器學(xué)習(xí)算法包括快速傅里葉變換用于從時(shí)間序列數(shù)據(jù)中提取頻域特征，并利用主成分分析方法對(duì)特征進(jìn)行降維處理。

4.根據(jù)權(quán)利要求1所述的一種基于多傳感器數(shù)據(jù)融合的智能ai識(shí)別方法，其特征在于：所述預(yù)測(cè)模型采用在線學(xué)習(xí)方式，能夠?qū)崟r(shí)整合新的數(shù)據(jù)反饋，提高預(yù)測(cè)的準(zhǔn)確性和模型的適應(yīng)性，所述用戶界面具備觸控功能和語(yǔ)音控制功能，以便于管理人員在復(fù)雜環(huán)境中更便捷地操作。

5.根據(jù)權(quán)利要求1所述的一種基于多傳感器數(shù)據(jù)融合的智能ai識(shí)別方法，其特征在于：所述加密協(xié)議包括但不限于tls/ssl，確保數(shù)據(jù)傳輸過(guò)程中的端到端安全，所述數(shù)據(jù)恢復(fù)功能使用基于云的備份系統(tǒng)，多地點(diǎn)異步復(fù)制數(shù)據(jù)，確保數(shù)據(jù)的高可用性和災(zāi)難恢復(fù)能力。

6.根據(jù)權(quán)利要求1所述的一種基于多傳感器數(shù)據(jù)融合的智能ai識(shí)別方法，其特征在于：所述自我診斷功能包括應(yīng)用機(jī)器學(xué)習(xí)技術(shù)對(duì)系統(tǒng)運(yùn)行日志進(jìn)行分析，自動(dòng)識(shí)別潛在的系統(tǒng)異常和性能下降的趨勢(shì)，所述參數(shù)自調(diào)整機(jī)制根據(jù)環(huán)境變化和歷史維護(hù)數(shù)據(jù)優(yōu)化其識(shí)別算法和參數(shù)設(shè)置。

7.根據(jù)權(quán)利要求1所述的一種基于多傳感器數(shù)據(jù)融合的智能ai識(shí)別方法，其特征在于：所述加密無(wú)線傳輸在傳輸前進(jìn)行數(shù)字簽名和完整性校驗(yàn)，以防數(shù)據(jù)在傳輸過(guò)程中被篡改，所述的深度神經(jīng)網(wǎng)絡(luò)技術(shù)包括卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)組合，以處理和分析時(shí)序依賴的數(shù)據(jù)特性。

8.根據(jù)權(quán)利要求1所述的一種基于多傳感器數(shù)據(jù)融合的智能ai識(shí)別方法，其特征在于：所述數(shù)據(jù)采用數(shù)據(jù)清洗，所述數(shù)據(jù)清洗過(guò)程包括使用異常值檢測(cè)算法自動(dòng)識(shí)別并去除統(tǒng)計(jì)上的異常數(shù)據(jù)點(diǎn)，所述數(shù)據(jù)去噪過(guò)程中采用基于機(jī)器學(xué)習(xí)的自適應(yīng)濾波技術(shù)，以提高數(shù)據(jù)清洗的精度和效率。

技術(shù)總結(jié)
本發(fā)明提供一種基于多傳感器數(shù)據(jù)融合的智能AI識(shí)別方法，涉及智能AI識(shí)別方法領(lǐng)域。該基于一種基于多傳感器數(shù)據(jù)融合的智能AI識(shí)別方法，包括，S1、在橋梁結(jié)構(gòu)上安裝多種傳感器，用于實(shí)時(shí)采集橋梁的運(yùn)行數(shù)據(jù)，將采集到的數(shù)據(jù)通過(guò)加密無(wú)線傳輸發(fā)送至中央數(shù)據(jù)處理中心，S2、在中央數(shù)據(jù)處理中心，使用自適應(yīng)學(xué)習(xí)模塊對(duì)接收到的數(shù)據(jù)進(jìn)行初步的篩選和清洗。本發(fā)明提出基于參數(shù)優(yōu)化的小波閾值分解，該方法改進(jìn)和優(yōu)化了傳統(tǒng)的小波閾值函數(shù)，通過(guò)隨機(jī)優(yōu)化算法引入了兩個(gè)調(diào)節(jié)參數(shù)和來(lái)適應(yīng)不同的小波分解層數(shù)，從而進(jìn)一步去除噪聲信號(hào)，提出了基于傳感器數(shù)據(jù)挖掘的特征工程方法使用快速傅里葉變換和滑動(dòng)窗口提取模態(tài)頻率。

技術(shù)研發(fā)人員：錢松榮,侯怡,鄭鑫,衛(wèi)少東,周詩(shī)云,馮毅雄,陳翔
受保護(hù)的技術(shù)使用者：貴州大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/10