-
题名基于可解释性深度学习的传感器异常数据诊断
被引量：2
- 1
-
-
作者
童浩
阮先虎
林峰
刘朵
-
机构
东南大学交通学院
江苏省高速公路经营管理中心
长大桥梁安全长寿与健康运维全国重点实验室苏交科集团股份有限公司
-
出处
《传感器与微系统》
CSCD
北大核心
2024年第12期41-44,共4页
-
基金
江苏交控科研项目基金资助项目(2023JKY20)。
-
文摘
针对桥梁健康监测中多源传感器数据异常诊断可解释性较差和效率低的问题,提出了一种基于特征可视化的可解释性卷积神经网络(CNN)数据异常检测方法。充分考虑异常模式和多源传感器类型的完整性,结合数据扩充方法,构建了多源监测数据异常模式库,同时,基于CNN展开异常特征提取,利用特征和类激活图(CAM)可视化的方法,深入分析异常类型特征,从而实现对深度学习网络的解释分析。实验结果表明:考虑多源传感器类型可以充分挖掘数据中的有效信息,模型的整体准确率达到了99.37%,所有异常模式的查全率与查准率均超过96%。该方法还能够捕捉时间序列深度学习分类模型的特征学习过程,为桥梁结构连续性监测数据的分析和预警提供了先决条件。
-
关键词
深度学习
卷积神经网络
特征可视化
异常诊断
健康监测
-
Keywords
deep learning
CNN
feature visualization
abnormal diagnosis
health monitoring
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
U447
[建筑科学—桥梁与隧道工程]
-
