基于改进LSTM的船体监测数据异常处理方法

为了解决船体监测数据异常识别模型适应性差、异常修复过程低效且准确率不高等问题,提出一种基于改进长短期记忆网络(LSTM)对异常数据进行识别和修复,并采用BiLSTM-AEE对应变和加速度数据进行试验验证。结果表明,该方法在识别精度和修复效果方面都有明显优势,其中异常识别精度平均值达到91.8%,异常修复平均误差不超过4%,能有效对船体监测数据进行异常的识别与修复。相比其他异常数据处理方法,该方法能够根据监测数据变化对异常进行同步识别,修复过程更加高效。

基于HHT的船体结构应力监测数据特征分析和去噪方法

[目的]为了去除船体结构应力监测数据中的噪声信号,获得有效的数据信息,以便为后续数据挖掘提供支撑,[方法]首先,采用HHT方法中的经验模态分解(EMD)算法对数据进行成分分析,得到固有模态函数(IMF)和余项。然后,通过Hilbert变换得到Hilbert谱,证明应力监测数据的非平稳特性。最后,以信噪比(SNR)和均方根误差(RMSE)为例,结合自适应去噪和小波阈值去噪两种方法对应力监测数据进行去噪效果比较。[结果]结果表明,基于HHT方法的自适应去噪和小波去噪都具有一定的去噪效果,但两种去噪方法中,自适应去噪方法的SNR更高,RMSE更小,自适应去噪方法性能最佳。[结论]研究证明自适应去噪方法能更有效地针对应力监测数据进行去噪处理。