基于GRU神经网络的结构异常监测数据修复方法

结构健康监测系统中通常存在大量的异常监测数据,为保证数据的完整性和可用性,有必要对异常监测数据进行修复.大多数基于深度学习对异常数据进行修复的研究通常使用单输入维度和单向预测的方法搭建模型.提出一种基于门控循环(gated recurrent unit,GRU)神经网络的结构异常监测数据修复方法,该方法充分利用深度学习神经网络适合处理复杂非线性映射问题的优势,并对GRU神经网络进行了优化与重构.利用结构温度、时序先后相关性优化神经网络的输入和输出构造,并提出了利用异常数据前后时间段的信息进行双向序列预测的方法提升数据预测和修复精度.最后,利用某古城墙的应变、裂缝与温度监测数据进行方法验证,采用重构后的GRU神经网络模型对异常数据序列进行修复,并与长短时记忆(long and short-term memory,LSTM)神经网络和反向传播(back propagation,BP)神经网络的修复精度进行比较.结果表明,相比单输入维度、单向预测的网络模型,重构后的GRU神经网络的预测精度大幅提高,且显著优于LSTM神经网络和BP神经网络.异常数据序列修复后,应变和裂缝宽度等结构响应与结构温度的线性相关性大幅增强.该方法对具有温度相关性的结构监测数据具有良好的修复能力.