-
题名基于深度学习的桥梁索力传感器异常数据识别方法
被引量：1
- 1
-
-
作者
刘宇
吴红林
闫泽一
文世纪
张连振
-
机构
哈尔滨工业大学交通科学与工程学院
吉林大学电子科学与工程学院
-
出处
《吉林大学学报（信息科学版）》
CAS
2024年第5期847-855,共9页
-
基金
国家重点研发计划基金资助项目(2022YFC3801100)。
-
文摘
针对基于传感器技术实时监测桥梁结构状态,为及时发现桥梁结构的异常情况并进行判识,预防和避免事故的发生,提出了基于深度学习技术的桥梁传感器异常信号检测和识别方法。通过设计基于LSTM(Long Short-Term Memoy)网络模型的桥梁传感器异常数据检测算法,实现桥梁索力传感器异常数据位置的有效检测,异常数据检测精确率与召回率分别达到99.8%、95.3%。通过将深度学习网络和桥梁传感器实际工作情况相结合,设计基于CNN(Convolutional Neural Networks)网络模型的桥梁索力传感器异常分类算法,实现桥梁索力传感器数据7类信号的智能识别,多种异常数据类型识别精确率与召回率超过90%。相对于目前桥梁传感器异常数据检测和分类方法,该方法能实现桥梁传感器异常数据和类型的精准检测和智能识别,为桥梁传感器监测数据的准确性与后期性态指标识别的有效性提供保障。
-
关键词
桥梁传感器
异常数据检测
异常数据分类
深度学习
-
Keywords
bridge sensors
abnormal data detection
abnormal data classification
deep learning
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名风电场功率曲线异常数据的清洗与建模
被引量：5
- 2
-
-
作者
曹立新
刘伟民
郭虎全
-
机构
甘肃省特种设备检验检测研究院
兰州理工大学机电工程学院
-
出处
《兰州理工大学学报》
CAS
北大核心
2022年第4期64-70,共7页
-
文摘
风电场风速功率数据中通常包含大量异常数据,难以反映风机的真实工作情况,影响风电功率预测的准确性,进而造成一定的经济损失.针对该问题,分析异常数据的特征,提出滑差-四分位异常数据剔除方法,并利用高次多项式和Logistic函数对剔除后的数据进行风速-功率曲线建模,最后用和方差、均方根误差和确定系数验证该方法的适用性和有效性.实例分析表明,该方法简单高效、通用性强,可显著提高风电机组功率特性分析的准确度.
-
关键词
风电功率曲线
数据清洗
异常数据分类
滑差-四分位法
-
Keywords
wind power curve
data cleaning
abnormal data classification
slip-quartile algorithm
-
分类号
TK83
[动力工程及工程热物理—流体机械及工程]
TM619
[电气工程—电力系统及自动化]
-
