本发明涉及光纤传感荷载定位领域,具体涉及一种基于孪生节点辅助传感的fbg传感网络节点故障定位方法。
背景技术:
随着社会和经济不断发展,各种土木建筑、桥梁道路等基础工程建设不断展开并完善,而结构健康监测系统(structuralhealthmonitoring,shm)在这些大型基建中作为重要的基础设施部分,其稳定可靠的运行可为工程建筑物的安全性评估提供必要的信息。由于光纤布拉格光栅(fiberbragggrating,fbg)传感器具有无源传感、体积小、灵敏度高、抗电磁干扰能力强、耐腐蚀以及可复用等特点,被广泛的应用于shm系统中关键结构信息的采集。
fbg传感器在shm系统中作为最为基础的采集设施,具有覆盖广、数量多、服役时间长等特点。尽管fbg传感器拥有很强的稳定性,但由于其应用场景日益增长的智能化与多样化的需求,其应用环境的复杂度和恶劣程度也不断提升,加上长期的荷载作用下以及施工工艺的局限,fbg传感器不可避免的会出现断裂或性能退化等故障。传感网络一旦发生链路或节点故障,便无法准确的传感荷载信息,进而直接影响shm对结构健康状态的评估。然而,更换故障传感节点存在两大难点:一、故障节点位置难以定位,一旦发生故障往往需要更换整条光纤链路,成本过高;二、fbg传感网络通常在建设初期就作为设施的一部分埋设至监测对象中,故障节点的更换需要破坏其外部结构,易造成新的安全隐患以及二次损坏。因此,对于fbg传感网络部分节点失效条件下仍能准确完成对结构状态的监测,增强fbg传感网络的可靠性研究具有重要的意义。
目前,为增强fbg传感网络可靠性,国内外学者也进行了诸多研究,而主要研究方向主要集中在通过使用特殊的网络拓扑结构或增设备用链路等方法来增强fbg传感网络节点故障条件下的容错。尽管这些方法同样能够有效地提高网络的可靠性,但特殊拓扑结构的使用和额外的链路增加,无疑增加了网络复杂度以及系统的铺设成本,与此同时还会造成传感资源的浪费,这在需大规模的铺设传感器的应用场景中是不允许的。故在尽可能使用有限的传感器资源完成对监测对象的可靠传感是十分有意义的。
技术实现要素:
有鉴于此,本发明的目的在于提供一种基于孪生节点辅助传感的fbg传感网络节点故障定位方法,实现在不改变网络结构和不增加额外链路的条件下,完成对所监测结构对象的可靠传感,从而有效地提升fbg传感网络的容错能力。
为实现上述目的,本发明采用如下技术方案:
一种基于孪生节点辅助传感的fbg传感网络节点故障定位方法,包括以下步骤:
步骤s1:获取fbg传感网络的荷载原始数据;
步骤s2:预处理荷载原始数据,构建特征数据集;
步骤s3:构建cnn孪生节点预测模型,基于特征数据集训练,得到训练后的cnn孪生节点预测模型;
步骤s4:将特征数据输入训练后的cnn孪生节点预测模型得到,预测数据集;
步骤s5:构建cnn荷载定位模型,并根据特征数据集和预测数据集训练,得到训练后的cnn荷载定位模型;
步骤s6:若待测fbg传感网络出现节点故障的情况,将对应邻域内传感节点值输入cnn孪生节点预测模型对其预测,得到孪生节点波长预测值;
步骤s7:根据正常运行的实体节点数据集与孪生节点波长预测值,获得的完备的传感信息输入至cnn荷载定位模型中实现荷载位置的检测。
进一步的,所述步骤s1具体为:通过在被监测结构上分布式铺设预设数量fbg传感器,获取被监测结构的荷载原始数据。
进一步的,所述步骤s2具体为:
步骤s21:将原始数据中的弱相关特征量进行剔除和约简;
步骤s22:对约简后的数据进行归一化等处理,得到特征数据集。
进一步的,所述步骤s21具体为采用邻域判别方法剔除原始特征数据集的弱相关特征特征量,得到特征数据集。
进一步的,所述特征数据集包含各fbg节点的横纵坐标位置信息、对应的fbg中心波长变化值以及荷载点位置信息。
进一步的,所述cnn孪生节点预测模型采用卷积神经网络,包括卷积层、池化层和输出层,以一用于荷载定位系统的4×4个节点的fbg传感网络为例(包含但不限于4×4的传感网络),假设其邻域内特征数为9,则其cnn孪生节点预测模型结构如表1所示。
进一步的,所述cnn荷载定位模型采用卷积神经网络,包括卷积层、池化层和输出层,同样的以一用于荷载定位系统的4×4个节点的fbg传感网络为例(包含但不限于4×4的传感网络),其cnn荷载定位模型结构如表2所示。
本发明与现有技术相比具有以下有益效果:
本发明实现在不改变网络结构和不增加额外链路的条件下,完成对所监测结构对象的可靠传感,从而有效地提升fbg传感网络的容错能力。
附图说明
图1是本发明一实施例中fbg传感网络荷载定位系统;
图2是本发明一实施例中cnn网络基本结构图;
图3是本发明一实施例中卷积运算过程示意图;
图4是本发明一实施例中池化运算过程示意图;
图5是本发明方法示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图5,本发明引入孪生节点代替补偿了故障实体节点,进而结合孪生节点和正常节点的传感信息共同预测荷载点信息,具体提供一种基于孪生节点辅助传感的fbg传感网络节点故障定位方法,包括以下步骤:
步骤s1:通过在被监测结构上分布式铺设预设数量fbg传感器,获取被监测结构的荷载原始数据;当受到外部荷载作用时,各fbg传感器将发生不同程度的波长漂移,通过采集系统获取不同数量、不同位置的fbg传感器的中心波长偏移等信息,
步骤s2:预处理荷载原始数据,原始数据获取后还不能直接用于模型训练,需进行初步处理,为保证所提取的特征量能够充分体现集中荷载位置信息,首先将原始数据中的弱相关特征量进行剔除和约简,同时还要保证样本数据尺度相似且差异明显,还需进行归一化等处理,构建特征数据集;
步骤s3:构建cnn孪生节点预测模型,基于特征数据集训练,得到训练后的cnn孪生节点预测模型;
在本实施例中,优选的,以孪生节点中心位置为圆心,在半径为r(r为孪生节点与实体节点之间的最小距离和最大距离之间的常数)的圆域内的所有实体节点的传感值(包含边界上的节点)共同输入至卷积神经网络中进行训练得到对应的cnn孪生节点预测模型。
优选的,特征数据集包含各fbg节点的横纵坐标位置信息、对应的fbg中心波长变化值以及荷载点位置信息
步骤s4:将特征数据输入训练后的cnn孪生节点预测模型得到,
预测数据集;
步骤s4:构建cnn荷载定位模型,并根据特征数据集和预测数据集训练,得到训练后的cnn荷载定位模型;
步骤s5:若待测fbg传感网络出现节点故障的情况,将对应邻域内传感节点值输入cnn孪生节点预测模型对其预测,得到孪生节点波长预测值;
步骤s6:根据正常运行的实体节点数据集与孪生节点波长预测值,获得的完备的传感信息输入至cnn荷载定位模型中实现荷载位置的检测。
在本实施例中,卷积神经网络是由多种网络结构组成,主要有卷积层、池化层、输出层组成,如图2所示,输入一个二维的图像数据,前一层的输出作为后一层的输入,经过卷积层和池化层的运算之后提取原始图像信息的深层次特征,最终将得到特征信息传输到全连接层构成输出层。
卷积层是卷积网络中的核心网络层,其网络结构一般由多个卷积核组成。卷积核通过卷积操作对输入图像进行特征提取,图3具体演示了卷积操作过程,设输入的图像大小为5×5,卷积核的大小为3×3,卷积核按着固定的步长在图像上开始滑动,滑动步长设为1,每滑动一个次即可通过卷积运算提取一个对应图像的特征信息,当卷积核完成对整张图像的遍历过程,最终可得到一张新的特征图。卷积运算的公式如下式所示:
式中,
池化层是卷积神经网络用来减少参数的数量和降低输入特征图像尺寸维度的一种操作,原始图像的输入信息可能较大,经过卷积层卷积运算提取的特征信息依旧比较大,不仅给计算带来负担,同时也会导致过拟合的问题。因此一般在卷积神经网络的卷积层之间地插入池化层,池化层将进一步提取卷积层输出的特征图像中更具有代表性的特征信息,同时降低了特征信息的维度,这种过程被视为池化运算。常见的池化运算包括最大化池化和平均池化,如图4所示,使用一个2×2的池化核在输入图像上滑动,滑动步长设为2,当池化核滑动到某一位区域时,最大化池化操作则取该区域的最大值作为池化输出结果,平均池化操作则取该区域的平均值作为池化输出结果,经过池化计算之后,输出的特征图像尺寸为2×2,仅为原输入图像尺寸的四分之一,降低了特征图像的维度,同时也保留了有效的特征信息。
输出层作为卷积神经网络的最后一层,一般采用常规的全连接的形式,该层的每个神经元与上一层中的每个神经元全部连接。当输入原始图像经过多个连续卷积和池化操作之后,通过全连接层将得到多个不同数值组成为一维特征向量y=(y1,y2,y3,...,yn),n为类别的数量,记为:
式中,
在本实施例中,所述cnn孪生节点预测模型采用卷积神经网络,包括卷积层、池化层和输出层,以一用于荷载定位系统的4×4个节点的fbg传感网络为例(包含但不限于4×4的传感网络),假设其邻域内特征数为9,则其cnn孪生节点预测模型结构如表1所示。
在本实施例中,所述cnn荷载定位模型采用卷积神经网络,包括卷积层、池化层和输出层,同样的以一用于荷载定位系统的4×4个节点的fbg传感网络为例(包含但不限于4×4的传感网络),其cnn荷载定位模型结构如表2所示。
表1是本发明一实施例中cnn孪生节点预测模型结构
表2是本发明一实施例中cnn荷载定位模型结构;
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
1.一种基于孪生节点辅助传感的fbg传感网络节点故障定位方法,其特征在于,包括以下步骤:
步骤s1:获取fbg传感网络的荷载原始数据;
步骤s2:预处理荷载原始数据,构建特征数据集;
步骤s3:构建cnn孪生节点预测模型,基于特征数据集训练,得到训练后的cnn孪生节点预测模型;
步骤s4:将特征数据输入训练后的cnn孪生节点预测模型得到,预测数据集;
步骤s4:构建cnn荷载定位模型,并根据原始特征数据集训练,得到训练后的cnn荷载定位模型;
步骤s5:若待测fbg传感网络出现节点故障的情况,将对应邻域内传感节点值输入cnn孪生节点预测模型对其预测,得到孪生节点波长预测值;
步骤s6:根据正常运行的实体节点数据集与孪生节点波长预测值,获得的完备的传感信息输入至cnn荷载定位模型中实现荷载位置的检测。
2.根据权利要求1所述的基于孪生节点辅助传感的fbg传感网络节点故障定位方法,其特征在于,所述步骤s1具体为:通过在被监测结构上分布式铺设预设数量fbg传感器,获取被监测结构的荷载原始数据。
3.根据权利要求1所述的基于孪生节点辅助传感的fbg传感网络节点故障定位方法,其特征在于,所述步骤s2具体为:
步骤s21:将原始数据中的弱相关特征量进行剔除和约简;
步骤s22:对约简后的数据进行归一化等处理,得到特征数据集。
4.根据权利要求1所述的基于孪生节点辅助传感的fbg传感网络节点故障定位方法,其特征在于,所述步骤s21具体为采用邻域判别方法剔除原始特征数据集的弱相关特征的特征量,得到特征数据集。
5.根据权利要求1所述的基于孪生节点辅助传感的fbg传感网络节点故障定位方法,其特征在于,所述特征数据集包含各fbg节点的横纵坐标位置信息、对应的fbg中心波长变化值以及荷载点位置信息。
6.根据权利要求1所述的基于孪生节点辅助传感的fbg传感网络节点故障定位方法,其特征在于,所述cnn孪生节点预测模型和cnn荷载定位模型均采用卷积神经网络,包括卷积层、池化层和输出层。
技术总结