摘 要

基础建设对于国民经济的有着举足轻重的作用，其中安全性又是重中之重。然而，随着工程规模不断扩大，人工检测所暴露出的问题也日益突出。因此，异常检测的智能化和专业化势在必行。本文面向真实的监测数据，对前馈神经网络和循环神经网络的结构进行对比，对典型的学习方法和突出问题进行调研，最终设计了一套基于长短期记忆网络的异常检测算法。实验结果表明，本算法能较好地学习历史数据的关键特征，然后判断当前数据所代表的工况是否正常，因此能有效地提高检测效率，对人工智能在重大基础建设中的应用具有借鉴意义。

关键词：工程安监；异常检测；长短期记忆网络

Abstract

Infrastructure plays an important role in national economy and its safety lies in the top priority. However, with the increasing scale of the projects, the shortcomings of manual inspection are increasingly prominent. Therefore, intelligent and professional anomaly detection is imperative. This paper aims at the real monitoring data, after a comparative study of forward-feeding neural network and recurrent neural network, investigates the typical learning methods and prominent problems, and finally proposes an anomaly detection algorithm based on long-short term memory. The experimental results show that this algorithm can learn key features from historical data and then decide whether the working condition reflected by the current data is normal. Therefore, it can effectively improve the detection efficiency, and has reference significance for the application of artificial intelligence in the construction of infrastructures.

Key Words：Safety monitoring; anomaly detection; long-short term memory

目录

第一章 绪论 1

1.1 研究背景 1

1.2 工程安全监测的研究现状 1

1.3 本文的结构和主要内容 3

第二章 前馈神经网络和循环神经网络 5

2.1 前馈神经网络与循环神经网络 5

2.1.1 前馈神经网络 5

2.1.1 循环神经网络 6

2.3 前向传播与反向传播 7

2.3.1 前向传播 7

2.3.2 反向传播 8

第三章 长短期记忆网络 10

3.1 RNN的缺陷 10

3.1.1 RNN内部传播过程 10

3.1.1 梯度爆炸与梯度消失 10

3.2 LSTM的结构分析 12

3.2.1 LSTM内部总体结构 12

3.2.2 LSTM内部的门结构 13

第四章 算法实现与核心代码介绍 16

4.1 本次仿真所使用的数据介绍 16

4.2 LSTM的算法实现 17

4.2.1训练阶段 17

4.2.2测试阶段 17

4.3 LSTM的核心代码与注释 17

4.3.1 训练代码（main_run.py） 17

4.3.2 测试部分代码（test.py） 21

4.3.3 数据处理部分代码（load_date.py） 24

4.3.4 模型搭建部分代码（model.py） 26

4.3.5 LSTM代码运行结果 27

第五章 总结与展望 27

5.1 本次毕业设计中遇到的困难 27

5.2 本次毕业设计的收获 28

5.3 后续工作展望 28

参考文献 29

致 谢 31

第一章 绪论

1.1 研究背景

中国基建狂魔的称号由来已久，二十世纪以来，从中国的各种世界性工程的完工，比如去年刚刚全面通车的港珠澳大桥，全世界海拔最高的北盘江大桥，以及全球最大的水利工程——三峡大坝，可以看出中国在基建方面的不断发展。 中国在基础的工程建筑中投入了大量资金，而这些基础建设也毫无疑问为广大百姓们带来了便利，为经济的发展提供了驱动。而在这些工程建设中必须要牢牢把握的就是工程安全的监测。

工程的安全性不仅与工程质量和功效密切相关，而且也关系着十四亿人的生命财产安全、中国全面现代化的目标和对绿色原则的坚持。为此，必须强烈重视工程建筑的安全监测，使其能够高效顺利的运行。

安全监测是指对已完工即将投入使用的的工程建筑进行测量，以确定其三维状态以及性能指标跟随时间变化的过程和特性。基础的形变监测主要面向工程建筑物、技术设备以及其他自然或者人工的对象，比如大坝、桥梁、隧道、高层建筑、矿井和滑坡等。除了形变监测这种最基本的方式之外，还需要对建筑结构内部的应力、温度以及建筑外的环境进行监测，才能从宏观上整体把握工程建筑的工作形态^[1]。因此，在形变监测的基础上发展出安全监测的概念，它不仅有助于掌握工程建筑的工作形态，更能确保工程建筑物的稳定运行。这些大型公共基础设施在国民经济中的具有举足轻重的作用，因此无论是国家机关还是社会大众都对工程建筑的安全监测效果十分重视。

1.2 工程安全监测的研究现状

在安全监测的过程中采集的大量现场数据是有效判断工程的运行情况的基础，然而这些原始数据往往不能直接客观地反映建筑的健康状态，因此需要对它们进行处理。为了从纷繁复杂的安全监测数据中提炼出主要信息，进而深层次地发现规律并且做出决策，就必须借助数据分析^[2]。其中，建立合适的数学模型是安监数据分析中的一项重要工作，目前比较常用的数学模型有确定型模型、统计模型、混合型模型、时间序列模型、灰色系统模型、频谱分析模型和神经网络模型。

输入与输出的函数关系（因果关系）完全不变的模型叫做确定性模型。例如，如果我们给一个特定的输入值，那么就会有一个固定的输出值。不管实验次数多少，输出始终都是确定值。实际系统中的变量都具有随机性，只有当它们的精确度满足要求的前提下，才可以视为确定变量。相应地，系统模型就简化成确定性模型。因为确定性模型中的各因素都是确定的，所以这种模型一般容易处理。

统计模型的基础是于回归分析方法，它是目前使用最为普遍的方法。通常对大量的试验和观测数据进行逐步回归分析，得到变形与显著因子之间的函数关系，该模型除用于变形预测外也可用于物理解释。这种经典的变形预报方法,在目前的变形监测数据处理方面应用较早，上个世纪80年代，李珍照第一次提出将统计模型用于国内的大坝安全监测^[3]。