一种基于SCA-GRU的桥梁异常监测方法、系统、设备及存储介质与流程

技术特征：
1.一种基于sca-gru的桥梁异常监测方法，其特征在于，包括以下步骤：步骤一、收集桥梁监测数据，将数据作为样本数据集；步骤二、将步骤一所述监测数据进行归一化处理；步骤三、将步骤一所述样本数据集进行划分，将80%的数据作为三层神经网络模型的数据作为训练集，20%的数据作为测试集；步骤四、将训练集作为gru模型的输入层输入数据，输出层输出预测类型；步骤五、使用均方误差函数作为损失函数计算实际值与预测值之间的差距；步骤六、使用adam优化器优化目标函数，在每次训练迭代gru时计算损失函数的梯度，进而更新gru模型的网络权重和偏置；步骤七、判断迭代次数，当迭代次数等于d时，获得最优参数，并将最优参数应用于gru模型；当迭代次数小于d时，sca算法寻找最优超参数，将最优超参数输入gru模型中，重复步骤五至步骤六；步骤八、将步骤三所述测试集，输入优化后的gru模型中，输出预测结果。2.根据权利要求1所述的一种基于sca-gru的桥梁异常监测方法，其特征在于，步骤二所述监测数据进行归一化处理的具体方法是：其中， 表示输入数据， 表示归一化后的数据，表示输入数据的最大值，表示输入数据的最小值。3.根据权利要求2所述的一种基于sca-gru的桥梁异常监测方法，其特征在于，步骤四所述将训练集作为gru模型的输入层输入数据，输出层输出预测类型的具体方法是：输入层输入的数据为x，，其中()为设备的各项监测数据，为异常类型，确定需要优化的gru超参数，确定迭代次数d，随机产生超参数的初始值，将超参数值应用于两层gru中，确定两层gru的输入节点个数m和n，两层gru作为隐藏层对输入数据x进行处理，gru对数据的处理，其中第二层gru的输入为第二层的输出，为第时刻gru第个节点的输出，输出层将经过两层gru处理的数据利用softmax函数进行预测，并输出预测类型。4.根据权利要求3所述的一种基于sca-gru的桥梁异常监测方法，其特征在于，步骤七所述当迭代次数小于d时，获得最优参数的具体方法是：确定随机数和的值，更新超参数：其中，第t次迭代的参数值为为第t次迭代中参数的最优值；为(0，2)之间的随机数，用于控制算法的搜索范围；为(0，)的随机数，用于控制算
法的搜索方向；当迭代次数d为奇数时采用sin更新策略，当迭代次数d为偶数时采用cos更新策略。5.一种基于sca-gru的桥梁异常监测系统，其特征在于，用于实现权利要求1所述一种基于sca-gru的桥梁异常监测方法的系统，包括数据采集模块、数据传输模块、桥梁异常预测模块、数据异常报警模块和数据异常显示模块；数据采集模块、数据传输模块、桥梁异常预测模块、数据异常报警模块和数据异常显示模块依次连接；所述数据采集模块用于采集桥梁数据；所述桥梁异常预测模块用于对桥梁数据进行分析预测输出数据检测结果；所述数据传输模块用于将数据采集模块采集到的数据传输至桥梁异常预测模块；所述异常报警模块用于对异常数据进行报警；所述显示模块用于显示异常数据和异常原因。6.一种设备，其特征在于，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1至4任一项所述的一种基于sca-gru的桥梁异常监测方法的步骤。7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4任一项所述的一种基于sca-gru的桥梁异常监测方法。

技术总结
本发明提出一种基于SCA-GRU的桥梁异常监测方法、系统、设备及存储介质，属于桥梁监测技术领域。将桥梁监测数据作为样本数据集对数据进行归一化处理，将数据集划分为训练集和测试集，将训练集作为GRU模型的输入层输入数据，输出层输出预测类型；使用均方误差函数计算实际值与预测值间差距；优化目标函数，在每次训练迭代GRU时计算损失函数的梯度，更新GRU模型的网络权重和偏置；判断迭代次数，当迭代次数等于D时，获得最优参数，并将最优参数应用于GRU模型；将测试集输入优化后的GRU模型中，输出预测结果。解决桥梁监测准确率低的技术问题，实现实时监测桥梁状态，对桥梁进行故障排查和诊断并针对桥梁异常进行告警的效果。断并针对桥梁异常进行告警的效果。断并针对桥梁异常进行告警的效果。


技术研发人员：林涛 温纤纤 许华杰 刘星
受保护的技术使用者：深圳市城市交通规划设计研究中心股份有限公司
技术研发日：2022.03.08
技术公布日：2022/4/15