← 返回列表
基于无监督深度学习模型DCVAE-SVDD的结构异常诊断方法和装置
摘要文本
基于无监督深度学习模型DCVAE‑SVDD的结构异常诊断方法和装置，其方法包括：A.预采集结构基准状态数据，构建数据集以完成模型训练和效果验证；B.设计深度卷积变分自编码器(DCVAE)网络框架，利用变分编码有效表征信号概率特征，并通过卷积核和反卷积核提取多测点信号的时序特征和相关性特征；C.训练DCVAE神经网络模型，选择最优隐变量维度数来优化网络，计算异常统计指标来衡量特征变化程度；D.构建支持向量数据表征模型(SVDD)以识别异常统计指标中的离群值，定义综合相对误差用于SVDD模型最优参数选择；E.输入测试状态数据集，诊断测试状态是否为异常状态。本发明实现对结构轻微异常状态的高精度诊断，为结构安全和结构可靠性提供保障。
申请人信息
- 申请人:浙江大学
- 申请人地址:310058 浙江省杭州市西湖区余杭塘路866号
- 发明人: 浙江大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 基于无监督深度学习模型DCVAE-SVDD的结构异常诊断方法和装置 |
| 专利类型 | 发明申请 |
| 申请号 | CN202311298894.2 |
| 申请日 | 2023/10/9 |
| 公告号 | CN117332351A |
| 公开日 | 2024/1/2 |
| IPC主分类号 | G06F18/2433 |
| 权利人 | 浙江大学 |
| 发明人 | 万华平; 朱一凯 |
| 地址 | 浙江省杭州市西湖区余杭塘路866号 |
专利主权项内容
1.基于无监督深度学习模型DCVAE-SVDD的结构异常诊断方法，包括如下步骤：A.预采集结构基准状态数据，并构建数据集用于模型训练和验证。B.设计隐变量维度可调的深度卷积变分自编码器(DCVAE)网络以提取信号特征；改进信号特征编码形式，采用变分编码有效表征信号的概率特征；在网络中设置卷积核和反卷积核提取结构多测点信号的时序特征和相关性特征；C.利用训练数据集训练DCVAE神经网络模型，并根据损伤函数最小收敛值选择最优隐变量维度数量以优化网络；计算两项异常统计指标衡量输入和输出数据特征变化程度；D.仅利用基准状态下的异常统计指标数据点集构建支持向量数据表征模型(SVDD)，以识别异常统计指标中的离群值；定义相对误差指标衡量数据点集和决策边界围成的安全域之间的相似程度，以此并优化SVDD模型参数组合；E.输入测试状态数据集，判断测试状态是否为异常状态。